基于集成学习的机器学习模型用于预测双辊薄带轧机的轧制结果，并采用逆向优化方法进行参数调整

《JOURNAL OF INTELLIGENT MANUFACTURING》：Ensemble-based machine learning model to predict the crown of twin-roll thin strip and inverse optimization

　　

摘要

双辊带材铸造是一种接近净形的制造技术，具有显著的节能和效率优势。然而，对带材头部的精确控制（这是带材形状的关键指标）仍然是一个主要的技术挑战。传统的数学模型无法实现全过程的多物理场耦合，而且很少有研究应用数据驱动方法来进行头部预测。因此，本研究提出了一种基于集成学习的框架，用于带材头部预测和工艺参数的逆向优化。通过试验规模的实验数据构建了一个高质量的数据集，并利用冶金知识、皮尔逊相关系数分析和互信息比较对特征进行了精细化处理。通过贝叶斯优化对七种基础机器学习模型进行了优化，并开发了包括加权平均、混合和堆叠在内的集成模型以进一步提高预测性能。结果表明，集成模型的性能优于基础模型。其中堆叠模型的预测性能最佳，而混合模型的计算成本降低了16倍。成对统计比较进一步证实，在经过霍尔姆校正后，堆叠模型相对于其他集成模型仍然具有显著的优势。考虑到预测准确性和计算效率之间的权衡，选择混合模型进行可解释性分析和逆向优化。Shapley加性解释分析量化了每个工艺参数对头部预测的贡献，识别出高影响力特征（如 t、D_r、W_r 和 Ra）以及低影响力特征（如 Si、Mn、P、Cu、N 和 Br）。提出了一种目标驱动的逆向优化框架，该框架以目标头部形状和工艺约束作为输入，通过差分进化算法输出工艺参数组合。在15组独立实验中，逆向优化框架的相对预测误差小于5%，所有优化后的参数均处于试验规模的操作范围内。在试验规模的实验线上进行的离线验证证明了其在测试操作范围内的稳定预测和逆向优化能力。未来的工作将集中在构建多源工业数据集以及开发在线模型更新和控制集成策略，以实现自适应闭环控制。