Vorhersage der Dicke von heißgewalzten Stahlplatten und Ableitung von Walzmuster auf Basis von Bayesianischer Optimierung

Im Stahlherstellungsprozess umfasst der Warmwalzprozess das dünne Walzen von Materialien bei hoher Temperatur. Die Herstellung von heißgewalzten Produkten mit optimaler Dicke ist eine der wichtigsten Aufgaben, um die Bedürfnisse der Kunden zu erfüllen. Um die Dicke zu kontrollieren, ist eine genaue Messung unerlässlich. Da das Dickemessgerät am Ausgang der Walzstraße angebracht ist, kann der Kopfteil von heißgewalzten Produkten nach der Messung nicht mehr kontrolliert werden. Folglich treten die meisten Dickeabweichungen im Kopfbereich auf. In dieser Studie versuchen wir, die Dicke des Kopfteils vor dem Fertigwalzprozess mithilfe verschiedener Methoden des maschinellen Lernens vorherzusagen. Darüber hinaus werden erklärbare Methoden der künstlichen Intelligenz verwendet, um die Faktoren zu identifizieren, die die Dicke signifikant beeinflussen. Nachdem diese signifikanten Faktoren identifiziert wurden, verwenden wir die Bayes'sche Optimierung, um das optimale Walzmuster im Fertigwalzprozess für die Ziel-Dicke zu bestimmen. Es zeigt sich, dass die Dickeabweichung während des Walzens mit dem optimierten Walzmuster um 29,6 % reduziert werden kann.