复杂制造系统中的热轧带钢力学性能预测的深度学习模型

钢铁工业向智能制造转型升级过程中对相关模型的精度提出了更高的要求,传统的热轧板带力学性能预测模型已很难满足现场需要,基于多层网络的深度学习模型在实际应用中往往受到数据不足、调参困难等限制,而且选择的有限个离散工艺参数很难准确反映板带的实际加工过程。为了应对这些问题,本文提出了一种新的基于gcForest框架的板带力学性能输入数据采样方法,该方法根据热轧板带生产这类工序流程复杂且工艺路径及参数对产品质量异常敏感的特点,设计了一种基于时间-温度-形变的三维连续时序过程数据采样方式,并将多粒度扫描得到的局部历程信息与板坯的基础信息（化学成分和典型工艺参数）进行融合,使下一环节的输入同时具备局部特征和全局特征;此外,在多粒度扫描结构中设计了可变窗口的子采样方案,使具有不同维度的输入数据通过多粒度扫描结构后能够得到相同维度的输出特征,使级联森林结构能够的正常训练。最后,在3个钢种的实际生产数据上进行实验评估,结果表明,这种基于gcForest的力学性能预报模型综合性能更好,而且调参容易,在样本较少的情况下也能保持很高的预测精度。