基于Nadam-MLP混合模型的热轧带钢厚度高精度预测数据驱动框架

《Engineered Regeneration》：A novel data-driven framework for high-accuracy prediction of hot-rolled strip thickness

本文提出一种融合数据驱动与预测建模的热轧带钢厚度预测新框架，创新性地采用Nadam算法优化多层感知器（MLP）并结合贝叶斯优化，构建的Nadam-MLP模型在冷轧数据集上决定系数（R2）达0.9969，显著提升了厚度预测精度与泛化能力，为工业智能化控制提供了有效解决方案。

　　

Highlight

热轧带钢数据驱动框架

热轧带钢数据采集结构如图1所示。当带钢穿过1至7号机架时，其厚度逐渐减小。1号机架主要调整来料厚度变化，7号机架则确保带钢平整度。每个机架（1-7）出口处的激光测速仪测量轧制速度，1号和7号机架进出口的测厚仪监测带钢厚度。此外，所有机架的压力传感器将轧制力转换为电信号，由数据采集系统实时记录。这些多源异构数据通过工业以太网传输至数据中心，进行时空整合与预处理后存入数据库，为模型训练提供支持。

参数选择与相关性分析

热轧是典型的带钢生产工艺，流程如图2所示。本研究通过专业仪器采集了101个影响带钢厚度的参数（包括轧制力（F₁至F₇）、辊缝（S₁至S₇）、工作辊直径（R₁至R₇）、温度与速度等），从数据库中提取13,256组数据集用于模型训练。输入输出参数详见表1。通过随机森林（RF）算法进行特征重要性排序，筛选出轧制力、温度等关键参数，显著提升模型效率。

提出的方法

在开发带钢厚度预测模型时，本研究初步构建了标准四层多层感知器（MLP）和卷积神经网络（CNN），但两者性能均未达预期。为增强MLP的收敛性与精度，首次引入Nadam优化器形成新型混合算法（Nadam-MLP），并集成贝叶斯优化以规避局部最优。对比实验表明，Nadam-MLP在收敛速度与预测精度上均优于传统MLP与CNN。

结果与分析

在热轧带钢生产中部署Nadam-MLP模型需配置高性能工业服务器，支持PyTorch框架与GPU加速。模型在测试集上表现出极低的均方根误差（RMSE）与平均绝对误差（MAE），决定系数（R²）接近1，验证了其在实际工业场景中的鲁棒性。关键参数识别中，RF方法较SHAP、互信息（MI）与主成分分析（PCA）更高效，为特征工程提供了新思路。

结论与未来工作

本研究通过数据驱动与预测模型融合，构建了热轧带钢厚度预测框架。Nadam-MLP模型无需手动调参即实现0.9969的R²值，展现了卓越的工程应用潜力。未来将探索多模态数据融合与迁移学习，进一步拓展模型在复杂工况下的适应性。