基于图卷积网络的热轧带钢轧制力预测

作者：李维刚; 刘玮汲; 谢璐; 赵云涛

来源：钢铁, 2023, 58(03): 89-96+127.

DOI：10.13228/j.boyuan.issn0449-749x.20220532

• 热连轧带钢
• 轧制力预测
• 特征选择
• 梯度提升树
• 图卷积神经网络

热连轧生产为多钢种、多规格混杂的带钢连续轧制过程，现有的机器学习方法不能考虑各带钢层的影响，将各带钢的轧制力预测过程视为独立的而不是关联的，这种做法不符合实际情况。提出一种预测带钢轧制力的梯度提升树-图卷积神经网络(gradient boosting decision tree-graph convolutional networks, GBDT-GCN)模型。首先，构建用于轧制力预测的带钢关系图结构，将数据集中的每块带钢作为图结构中的节点，根据带钢的轧制时序、层别关系生成各带钢节点之间的连接边，将连续轧制、相同层别的带钢关联起来；接着，将图结构输入结构调整后的GCN模型，采用平均绝对误差作为损失函数进行模型训练，采用GBDT对轧制力的影响因素进行重要性排序，并根据GCN模型的预测精度变化筛选出重要的因子作为最终的节点特征向量。最后，利用国内某热连轧机组的实际生产数据进行试验验证，结果表明，GBDT-GCN模型在测试集上的平均绝对误差为405.6 kN,相对误差在±10%以内的数据所占比例为91.5%,相较于传统SIMS模型、RF随机森林算法、MLP多层感知机模型，利用带钢关系图结构预测轧制力的GBDT-GCN模型具有更高的预报精度。

• 单位
  武汉科技大学