Stapelndes Ensemble-Lernen, das mit einer durch den Walfangoptimierungsalgorithmus unterstützten Methode zur Kronenprognose von warmgewalztem Blech kombiniert ist

Die Präzision der Blechform ist einer der wichtigen Indizes zur Messung der Qualität von Blechstahl bei der Warmwalzung. Eine genaue Vorhersage der Blechform kann die zeitgerechte Anpassung des Produktionssystems ermöglichen, was die wichtige Grundlage für die Gewährleistung der Qualität und stabilen Produktion von warmgewalzten Blechstahlprodukten ist. Angesichts der schlechten Genauigkeit des traditionellen Mechanismusmodells schlägt dieses Papier ein gestapeltes Ensemble-Lernen für die Kronenprognose vor, das aus dem Random Forest (RF), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), kategorischem Boosting (CatBoost) und linearer Regression besteht, deren Hyperparameter durch den Walfangoptimierungsalgorithmus (WOA) optimiert werden. Zunächst werden die Schlüsselfunktionen durch die Analyse der Wichtigkeit der Merkmale und des Pearson-Korrelationskoeffizienten zwischen den Walzparametern ausgewählt. Dann werden die Hyperparameter des gestapelten Ensemble-Lernens während des Modellierungsprozesses durch vier metaheuristische Algorithmen optimiert, wobei WOA den besten Optimierungseffekt hat. Im Vergleich zu RF, XGBoost, LightGBM, CatBoost und dem gestapelten Ansatz hat die vorgeschlagene Methode die höchste Vorhersagegenauigkeit, da die Trefferquote 98,58 % im Bereich von 5,0 μm Abweichung der Krone erreicht. Darüber hinaus werden die Auswirkungen der Blechbreite, der Biegekräfte, der Walzkraft und des Walzverschiebens auf die Krone basierend auf Shapley additiven Erklärungen (SHAP) analysiert.