CN111790762B - 一种基于随机森林的热轧带钢轧制力设定方法 - Google Patents
一种基于随机森林的热轧带钢轧制力设定方法 Download PDFInfo
- Publication number
- CN111790762B CN111790762B CN202010751449.7A CN202010751449A CN111790762B CN 111790762 B CN111790762 B CN 111790762B CN 202010751449 A CN202010751449 A CN 202010751449A CN 111790762 B CN111790762 B CN 111790762B
- Authority
- CN
- China
- Prior art keywords
- model
- mass
- rolling force
- setting method
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 34
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 20
- 239000010959 steel Substances 0.000 title claims abstract description 20
- 238000003066 decision tree Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 150000003839 salts Chemical class 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 11
- 229910052782 aluminium Inorganic materials 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 239000002253 acid Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000004411 aluminium Substances 0.000 description 2
- COOGPNLGKIHLSK-UHFFFAOYSA-N aluminium sulfide Chemical compound [Al+3].[Al+3].[S-2].[S-2].[S-2] COOGPNLGKIHLSK-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- PMHQVHHXPFUNSP-UHFFFAOYSA-M copper(1+);methylsulfanylmethane;bromide Chemical compound Br[Cu].CSC PMHQVHHXPFUNSP-UHFFFAOYSA-M 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052596 spinel Inorganic materials 0.000 description 1
- 239000011029 spinel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/58—Roll-force control; Roll-gap control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
- B21B38/08—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring roll-force
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种基于随机森林的热连轧精轧轧制力设定方法，涉及热轧板带钢生产过程控制技术领域。本发明将SIMS轧制力模型的计算值作为模型的输入之一，即将其作为所有基决策树的备选特征之一，采用此种方式将SIMS模型随机与某些基决策树进行组合，通过有放回地采样得到采样训练集，基于采样训练集训练若干棵决策树进而组成随机森林，随机森林模型预测的轧制力为所有基决策树预测结果的平均，能有效改善单一机理模型预测精度与泛化能力不足的缺陷。
Description
技术领域
本发明涉及一种热轧带钢轧制力设定方法，特别涉及一种基于随机森林的热轧带钢轧制力设定方法。
背景技术
轧制力是热连轧精轧机组过程控制模型设定的核心参数。轧制力的设定值直接关系着辊缝控制精度，从而影响着带钢厚度控制精度、穿带过程的稳定性和板形的质量，历来是重要的研究对象。
对于轧制力的计算，基于理论分析的机理建模方法一般以SIMS公式应用最为广泛，其中涉及到金属的变形抗力模型和一系列力学、化学因素，由于金属本身的特性和轧制条件的影响，带钢的加工过程是一个多变量耦合的非线性时变系统，针对这种系统建立一个精确的解析模型十分困难。SIMS轧制力模型在进行简化并针对特定的轧制条件进行参数修正后能基本符合生产要求，但其预测精度仍有提升空间。
随机森林是Bagging方法的代表性算法。Bagging(bootstrap aggregating，自举汇聚法)是通过结合几个模型降低泛化误差的技术，是并行式集成学习方法的代表。将SIMS轧制力模型与若干个决策树模型进行组合得到基于随机森林的轧制力模型能有效提高轧制力模型的设定精度。
发明内容
本发明的目的在于提供一种基于随机森林的热轧带钢轧制力设定方法。
本发明采用了如下技术方案：
一种基于随机森林的热轧带钢轧制力设定方法，其特征在于，包括以下步骤：
S1、根据SIMS轧制力公式计算出热轧板带钢的轧制力计算值，SIMS轧制力公式为：
F＝w·ld·km·Qp (1)
式中：
F——轧制压力，
w——带钢宽度，
ld——压扁弧长，
km——轧件的变形抗力；
Qp——外摩擦应力状态系数；
S2、将机理模型的计算值与带钢的其他轧制特征一同作为模型的输入，构建并训练随机森林，步骤S2包括如下步骤：
S2-1、确定训练数据集D＝{(x1,y1),(x2,y2),…(xN,yN)}，x与y分别为模型的输入和输出变量，并且y是连续变量，确定样本特征维度C，假设初始状态时将输入空间划分为M个单元R1,R2,…RM，并且在每个单元Rm上有一个固定的输出值cm；
S2-2、从训练集D中有放回地采样N次(每次随机选择一个样本)，得到的新训练集D′作为基决策树的训练样本；
S2-3、对于基决策树的分裂结点，从该结点的特征集合中随机选择一个包含k个特征的子集，其中k值由式(2)决定；
k＝log2C (2)
以这k个特征作为基决策树的特征，采用启发式方法对输入空间进行划分，选择第j个特征x(j)作为切分特征，将x(j)对应的取值s作为切分点，于是得到两个区域：
R1(j,s)＝{x|x(j)≤s} (3)
R2(j,s)＝{x|x(j)＞s} (4)
然后采用平方误差最小准则寻找最优切分特征j和最优切分点s,即：
S2-4、对于基决策树重复步骤S23直至不能再分裂；
S2-5、重复S21～S24构建n_estimators棵决策树，预测结果输出为n_estimators棵树预测结果的平均；
S3、采用网格搜索对模型进行调优，确定网格搜索的所有模型参数及其可能的取值集合，参数包括但不限于：基决策树的数量、基决策树的最大深度，计算在有限取值集合中参数的组合数n_sets，重复S1～S2直至遍历完所有参数组合，从预测精度和速度两方面对比各个参数组合下的模型性能，选择最优模型。
进一步，本发明的基于随机森林的热轧带钢轧制力设定方法，还具有这样的特征：样本特征维度包括：入口厚度、出口厚度、轧制温度、带钢宽度、入口张力、出口张力、轧辊直径、C元素的质量百分比w(C)％、Si元素的质量百分比w(Si)％、Mn元素的质量百分比w(Mn)％、P元素的质量百分比w(P)％、S元素的质量百分比w(S)％、Cu元素的质量百分比w(Cu)％、Ni元素的质量百分比w(Ni)％、Cr元素的质量百分比w(Cr)％、As元素的质量百分比w(As)％w、Sn元素的质量百分比w(Sn)％、Nb元素的质量百分比w(Nb)％、V元素的质量百分比w(V)％、Al元素的质量百分比w(Al)％、Ti元素的质量百分比w(Ti)％、Mo元素的质量百分比w(Mo)％、B元素的质量百分比w(B)％、W元素的质量百分比w(W)％、Ca元素的质量百分比w(Ca)％、H元素的质量百分比w(H)％、O元素的质量百分比w(O)％、N元素的质量百分比w(N)％和酸溶铝的质量百分比w(SOLAl)％。
进一步本发明的基于随机森林的热轧带钢轧制力设定方法，还具有这样的特征：树的最大深度的层数范围是5-17层。
进一步本发明的基于随机森林的热轧带钢轧制力设定方法，还具有这样的特征：决策树的数量是30-200棵。
进一步本发明的基于随机森林的热轧带钢轧制力设定方法，还具有这样的特征：步骤S3中，通过制作模型的预测精度与评估时间的散点图对预测精度和速度两方面对比各个参数组合下的模型性能。
发明的有益效果：一种基于随机森林的热轧带钢轧制力设定方法，基于集成学习中的随机森林算法利用轧钢生产实际数据训练轧制力模型，有效提高轧制力模型的设定精度。
附图说明
图1是为本发明的基于随机森林的热连轧轧制力设定方法流程图。
图2为实施例对基决策树的最大深度进行调整时随机森林模型精度变化图。
图3为实施例对基决策树的数量进行调整时随机森林模型精度变化图。
图4为实施例随机森林模型部分参数的网格搜索结果。其中，图4a是模型精度与评估时间散点图，图4b是评估时间的热度图，图4c是模型精度的热度图。
具体实施方式
以下结合附图来说明本发明的具体实施方式。
如图1所示，本发明的步骤如下：
S1、根据SIMS轧制力公式计算出热轧板带钢的轧制力计算值，SIMS
轧制力公式为：F＝w·ld·km·Qp (1)
其中：
F——轧制压力；
w——带钢宽度；
ld——压扁弧长；
km——轧件的变形抗力；
Qp——外摩擦应力状态系数。
S2、将SIMS的轧制力计算值与带钢的其他轧制特征一同作为模型的输入，构建并训练随机森林；轧制特征参见表1。
S21，确定训练数据集D＝{(x1,y1),(x2,y2),…(xN,yN)}，x与y分别为模型的输入和输出变量，并且y是连续变量，确定样本特征维度C，假设初始状态时将输入空间划分为M个单元R1,R2,…RM，并且在每个单元Rm上有一个固定的输出值cm；
S22，从训练集D中有放回地采样N次(每次随机选择一个样本)，得到的新训练集Dt′作为第t棵基决策树的训练样本；
S23，对于基决策树的分裂结点，从该结点的特征集合中随机选择一个包含k个特征的子集，其中k值由式(2)决定；
k＝log2C (2)
以这k个特征作为基决策树的特征，采用启发式方法对输入空间进行划分，选择第j个特征x(j)作为切分特征，将x(j)对应的取值s作为切分点，于是得到两个区域：
R1(j,s)＝{x|x(j)≤s} (3)
R2(j,s)＝{x|x(j)＞s} (4)
然后采用平方误差最小准则寻找最优切分特征j和最优切分点s,即：
S24，对于基决策树重复S23直至不能再分裂；
S25，重复S22～S24构建n_estimators棵决策树，预测结果输出n_estimators棵树预测结果的平均；
S3、采用网格搜索对模型进行调优，确定网格搜索的所有模型参数及其取值集合，参数包括但不限于：基决策树的数量、基决策树的最大深度，计算在有限取值集合中参数的组合数n_sets，重复S1～S2直至遍历完所有参数组合，从预测精度和速度两方面对比各个参数组合下的模型性能，选择最优模型；
树的大小每增长一个级别，填充树所需的样本数量都将加倍，通过对树的最大深度的调整，降低模型过拟合的风险，决策树的数量在理论上越大越好，但计算时间也会随之变长，并且在树的数量达到一定程度后模型精度也不再显著提高。
启发式方法是相对于最优化算法提出的，最优算法的目的是给出问题每一个实例的最优解，而启发式方法则是给出问题每一个实例的可行解。
网格搜索是一种调参手段，是一种穷举搜索，即在候选参数组合构成的有限集合中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终搜索结果。以有两个参数的模型为例，两个参数的所有组合可表示成一个二维网格，其循环过程就是在每个网格里遍历，故称之为网格搜索。
基决策树的最大深度是指分叉的总层级。
下面通过一个具体的计算例来进一步进行说明。
实施例1
从某钢厂1880热连轧精轧机组生产现场采集了F1～F7机架共276507组数据样本，本实施方式中每组样本包含30维特征(模型输入变量)，其它实施方式中可以根据数据来源所包含的特征数量来确定维度。其中有8项轧制参数和22种带钢中包含的化学成分，各特征的统计量分布如表1所示。
表1轧制力各项特征分布
表中SOLALl表示酸溶铝。钢中的铝，分酸溶铝和酸不溶铝。测定铝含量时，用化学分析是用酸溶解，金属铝、氮化铝、硫化铝一般能溶于酸中，称为酸溶铝，而氧化铝及尖晶石等常不溶于酸称为酸不溶铝。平时测量的铝通常为酸溶铝。
图2和图3为随机森林模型初步调参过程中的精度变化，图中主要针对基决策树的最大深度和基决策树的数目进行了联合调参的对比实验，从图中可以看到：(1)随着树的最大深度的增加，模型精度逐渐提升，在树的最大深度达到17层时，模型精度变化趋于平稳；(2)当树的最大深度只有3层时，可以明显看到树的数量在到达200棵以后模型精度变化趋于平稳而且有稍微下降的趋势；(3)当树的最大深度大于5层时，随着树的数量的增加，模型精度变化不明显。
由此说明当样本量足够多时，只要基决策树的深度足够深，那么树的数量的变化对模型精度的影响将不再明显。但不论是增加树的深度还是增加树的数量都会增加额外的计算成本。为平衡计算成本与模型精度，寻求最优的参数组合，对56组参数下的模型的计算速度进行对比分析，得到如图4所示的交叉验证下的网格搜索结果(其中验证集样本量为6190组，评估时间的单位为：秒)。
图4a)为模型的预测精度与评估时间的散点图，图中每个圆点都代表一组参数下的随机森林模型，点上的数字为参数组合对应的编号。图4b)为56组参数(树的最大深度、树的数量)对应模型的评估时间的热度图，评估时间越长对应的方框颜色越偏向深色。图4c)为56组参数对应模型的预测精度的热度图，模型精度越高对应的方框颜色越偏向深色。从图4可以看到：(1)热度图的颜色变化趋势与图2和图3的曲线图一致，即随着树的深度和树的数目的增加，精度越来越高但计算消耗也随之增大；(2)散点图中的点越靠近坐标轴右下方，精度越高、评估时间越短，意味着其对应的模型越符合期望，最优模型为第43组参数，其评估时间为0.0402s，模型精度为0.8908。最优的随机森林中决策树的数目为50，决策树的最大深度为15。
表2为SIMS轧制力设定方法与随机森林轧制力设定方法在测试集7737组样本上的精度对比。
表2随机森林轧制力设定方法的预测精度比较
从表2可以看到，相比于传统的SIMS轧制力设定方法：(1)随机森林轧制力设定方法的均方根误差、平均绝对百分比误差、相对误差的标准差都取得了明显的下降，模型预测精度得到了较大提升；(2)本发明的轧制力设定方法对测试集样本进行预测时，相对误差在±5％的样本占比增多了8.5％，模型的整体预测精度明显提升。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明的目的，而并非用作对本发明的限定，只要在本发明的实质范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求的范围内。
Claims (5)
1.一种基于随机森林的热轧带钢轧制力设定方法，其特征在于，包括以下步骤：
S1、根据SIMS轧制力公式计算出热轧板带钢的轧制力计算值，SIMS轧制力公式为：
F＝w·ld·km·Qp (1)
其中：
F——轧制压力，
w——带钢宽度，
ld——压扁弧长，
km——轧件的变形抗力，
Qp——外摩擦应力状态系数；
S2、将机理模型的计算值与带钢的其他轧制特征一同作为模型的输入，构建并训练随机森林，步骤S2包括如下步骤：
S2-1、确定训练数据集D＝{(x1,y1),(x2,y2),…(xN,yN)}，x与y分别为模型的输入和输出变量，并且y是连续变量，确定样本特征维度C，假设初始状态时将输入空间划分为M个单元R1,R2,…RM，并且在每个单元Rm上有一个固定的输出值cm；
S2-2、从训练集D中有放回地采样N次，每次随机选择一个样本，得到的新训练集D′作为基决策树的训练样本；
S2-3、对于基决策树的分裂结点，从该结点的特征集合中随机选择一个包含k个特征的子集，其中k值由式(2)决定；
k＝log2C (2)
以这k个特征作为基决策树的特征，采用启发式方法对输入空间进行划分，选择第j个特征x(j)作为切分特征，将x(j)对应的取值s作为切分点，于是得到两个区域：
R1(j,s)＝{x|x(j)≤s} (3)
R2(j,s)＝{x|x(j)＞s} (4)
然后采用平方误差最小准则寻找最优切分特征j和最优切分点s,即：
S2-4、对于基决策树重复步骤S2-3直至不能再分裂；
S2-5、重复S2-1～S2-4，预测结果输出为n_estimators棵树预测结果的平均；
S3、采用网格搜索对模型进行调优，确定网格搜索的所有模型参数及其可能的取值集合，参数包括但不限于：基决策树的数量、基决策树的最大深度，计算在有限取值集合中参数的组合数n_sets，重复S1～S2直至遍历完所有参数组合，从预测精度和速度两方面对比各个参数组合下的模型性能，选择最优模型。
2.如权利要求1所述的基于随机森林的热轧带钢轧制力设定方法，其特征在于：
样本特征维度包括：入口厚度、出口厚度、轧制温度、带钢宽度、入口张力、出口张力、轧辊直径、C元素的质量百分比w(C)％、Si元素的质量百分比w(Si)％、Mn元素的质量百分比w(Mn)％、P元素的质量百分比w(P)％、S元素的质量百分比w(S)％、Cu元素的质量百分比w(Cu)％、Ni元素的质量百分比w(Ni)％、Cr元素的质量百分比w(Cr)％、As元素的质量百分比w(As)％w、Sn元素的质量百分比w(Sn)％、Nb元素的质量百分比w(Nb)％、V元素的质量百分比w(V)％、Al元素的质量百分比w(Al)％、Ti元素的质量百分比w(Ti)％、Mo元素的质量百分比w(Mo)％、B元素的质量百分比w(B)％、W元素的质量百分比w(W)％、Ca元素的质量百分比w(Ca)％、H元素的质量百分比w(H)％、O元素的质量百分比w(O)％、N元素的质量百分比w(N)％和酸溶铝的质量百分比w(SOLAl)％。
3.如权利要求1所述的基于随机森林的热轧带钢轧制力设定方法，其特征在于：
树的最大深度的层数范围是5-17层。
4.如权利要求1所述的基于随机森林的热轧带钢轧制力设定方法，其特征在于：
决策树的数量是30-200棵。
5.如权利要求1所述的基于随机森林的热轧带钢轧制力设定方法，其特征在于：
步骤S3中，通过制作模型的预测精度与评估时间的散点图对预测精度和速度两方面对比各个参数组合下的模型性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751449.7A CN111790762B (zh) | 2020-07-30 | 2020-07-30 | 一种基于随机森林的热轧带钢轧制力设定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751449.7A CN111790762B (zh) | 2020-07-30 | 2020-07-30 | 一种基于随机森林的热轧带钢轧制力设定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111790762A CN111790762A (zh) | 2020-10-20 |
| CN111790762B true CN111790762B (zh) | 2022-02-15 |
Family
ID=72827932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010751449.7A Active CN111790762B (zh) | 2020-07-30 | 2020-07-30 | 一种基于随机森林的热轧带钢轧制力设定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111790762B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112547807B (zh) * | 2020-10-30 | 2022-01-04 | 北京科技大学 | 一种基于决策树算法的热轧带钢质量精准判定方法 |
| CN114897227A (zh) * | 2022-04-26 | 2022-08-12 | 东北大学 | 基于改进随机森林算法的多钢种力学性能预报方法 |
| CN115106384B (zh) * | 2022-05-20 | 2023-04-28 | 东北大学 | 一种基于随机森林的厚板轧制辊缝校正方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
| CN111126490A (zh) * | 2019-12-25 | 2020-05-08 | 东北大学 | 一种基于深度随机森林的钢板板形异常识别方法 |
| CN111260201A (zh) * | 2020-01-13 | 2020-06-09 | 北京科技大学 | 一种基于分层随机森林的变量重要性分析方法 |
-
2020
- 2020-07-30 CN CN202010751449.7A patent/CN111790762B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
| CN111126490A (zh) * | 2019-12-25 | 2020-05-08 | 东北大学 | 一种基于深度随机森林的钢板板形异常识别方法 |
| CN111260201A (zh) * | 2020-01-13 | 2020-06-09 | 北京科技大学 | 一种基于分层随机森林的变量重要性分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于随机森林的钢材性能预报与影响因素筛选;杨威;《钢铁》;20180331;第53卷(第3期);第44-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111790762A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111790762B (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| US10949582B2 (en) | Classification optimization method for steel grade family of steel rolling model | |
| WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
| CN106345823B (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
| CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
| CN101320031B (zh) | 一种奥氏体不锈钢精密钢带的终轧变形量预测方法 | |
| CN105740467A (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
| CN114818456B (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
| CN111260201A (zh) | 一种基于分层随机森林的变量重要性分析方法 | |
| CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
| CN113011491A (zh) | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 | |
| CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
| CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
| CN1625721A (zh) | 控制工业过程的方法 | |
| CN114117919B (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
| CN113359435B (zh) | 用于火电机组动态工况数据的修正方法 | |
| CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
| CN117000780A (zh) | 一种自适应冷轧带材多通道板形预报方法 | |
| CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
| CN115106384B (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 | |
| CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
| CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
| CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
| CN105631231A (zh) | 一种对热轧过程温度实测值进行修正的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201020 Assignee: Wuhan langlichi Technology Co.,Ltd. Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2024980004065 Denomination of invention: A Method for Setting Rolling Force of Hot Rolled Strip Steel Based on Random Forest Granted publication date: 20220215 License type: Common License Record date: 20240408 |