基于改进协同训练的热轧带钢力学性能软测量方法研究及其工业应用

针对热轧带钢力学性能实时检测难题，研究团队提出基于改进协同训练(ICO)的软测量方法，通过多视图划分、集群置信度评估和SAFER安全伪标签分配等创新策略，实现了有限标记样本下的高精度预测，较传统监督学习提升约5%，为钢铁工业质量控制与成本优化提供了新思路。

　　

在钢铁工业中，热轧工艺是生产高性能钢材的关键环节，其产出的带钢力学性能——包括屈服强度(YS)、抗拉强度(TS)和延伸率(EL)——直接决定材料抗外力能力。然而，传统破坏性检测方法耗时耗材，而基于物理冶金原理的软测量模型又难以应对工艺复杂性带来的高非线性、强耦合等问题。更棘手的是，实际生产中仅有少量钢卷会进行力学性能检测，导致标记样本严重不足，制约了数据驱动模型的精度。

针对这一行业痛点，中国某研究机构团队在《Chinese Journal of Chemical Engineering》发表研究，提出基于改进协同训练(ICO)的创新软测量方法。该方法突破传统协同训练的三大瓶颈：首先，融合冶金机制与互信息统计实现多视图划分，平衡视图充分性与独立性；其次，首创集群级置信度评估，通过k近邻聚类捕捉数据分布特征，避免单样本评估的随机性；最后，将SAFER安全伪标签算法拓展至集群层面，既保证伪标签质量又增强模型鲁棒性。实验表明，ICO在真实热轧数据集上较传统方法预测精度提升约5%。

关键技术方面，研究团队首先基于34个工艺参数构建热轧数据集，划分为标记集、未标记集和测试集；接着通过互信息向量和阶段向量实现多视图划分；采用k近邻聚类进行集群置信度评估；最终应用改进的SAFER算法生成集群伪标签，通过交叉扩展标记数据集迭代优化模型。

研究结果部分：

1. 多视图划分策略：通过冶金机理指导的特征分组与统计互信息量化，实现视图间相关系数<0.3的独立性标准，同时确保单视图预测R²>0.85的充分性。
2. 集群置信度评估：相比单样本评估，集群级方法使选择的代表性样本数量提升2.3倍，模型更新稳定性提高37%。
3. 安全伪标签性能：SAFER算法在集群层面的应用使伪标签错误率降低42%，尤其对边缘样本的预测均方误差(MSE)改善显著。

结论表明，ICO框架通过机理与数据驱动的深度融合，解决了半监督学习中视图划分矛盾、样本代表性和伪标签质量三大核心问题。其创新性体现在：①首次将协同训练引入热轧力学性能预测；②集群级处理策略为工业大数据分析提供新范式；③SAFER算法的拓展应用保障了模型安全性。该研究不仅为钢铁行业质量控制提供了可落地解决方案，其方法论对化工、冶金等流程工业的软测量技术发展也具有普适指导意义。