Модель для прогнозирования температуры заготовки по ретроспекции ее нагрева на основе бустинга структуры

Рассматривается проблема прогнозирования температуры поверхности стальной заготовки в прокатном стане после ее нагрева в методической печи. Эту оценку необходимо получить еще до того, как металл покинет печь. В отличие от классического подхода, основанного на решении краевой задачи теплопереноса на основе дифференциального уравнения нестационарной теплопроводности, в данном случае предлагается строить модель зависимости температуры заготовки от истории ее нагрева на основе анализа данных, полученных из системы управления печью. Собраны данные из АСУ ТП печей нагрева, и сформировано хранилище для них, проведен разведочный анализ данных, и определены объемы выборок для обучения, тестирования и валидации моделей. В рамках данной работы проведена валидация ранее разработанной авторами регрессионной модели. Ее результаты показали, что такой подход демонстрирует признаки переобучения (ошибка на проверочных выборках существенно превышает ошибку на обучающем множестве). Для того чтобы преодолеть указанный недостаток, в работе представлен альтернативный подход к построению искомой зависимости, основанный на поиске агрегированной гипотезы - бэггинга и бустинга. Результатом работы стало построение бустинг-модели «случайного леса» на основе особого класса классификационно-регрессионных деревьев - Dropout Adaptive Regression Trees (DART). На основе множественного эксперимента с полученной моделью были построены два доверительных интервала - 68 %-й и 95 %-й, а также рассчитано математическое ожидание ошибки прогноза ~ 9 °С по прогнозируемой температуре заготовки на стане как на обучающей, так и на валидационной выборке.

методические печи, прогнозирование температуры, разведочный анализ, технологические данные, бустинг, бэггинг, случайный лес

1. Рудыка В. И., Малина В. П. Сталь, кокс, уголь в 2010 г. и далее - состояние, посткризисные прогнозы и перспективы // Кокс и химия. 2010. № 2. С. 2-11. DOI 10.3103/s1068 364x1012001x

2. Новиков Н. И., Новикова Г. В. Топливно-энергетическая составляющая черной металлургии: проблемы и тенденции // Вестник КемГУ. 2013. № 4 (56). С. 257-263.

3. Бирюков А. Б., Волошин А. И., Олешкевич Т. Г. Математическое моделирование процесса тепловой обработки металла в печах // Сталь. 2016. № 1. С. 71-75.

4. Бирюков А. Б., Гинкул С. И., Гнитиев П. А., Олешкевич Т. Г. Математическое моделирование процессов тепловой обработки металла в печах с учетом окалинообразования // Сталь. 2016. № 8. С. 85-90.

5. Бирюков А. Б., Гнитиёв П. А., Олешкевич Т. Г. Адаптация математической модели процессов тепловой обработки металла в печах, учитывающей окалинообразование // Вестник Донецкого нац. техн. ун-та. 2017. № 2 (8). С. 30-37.

6. Саранча С. Ю., Моллер А. Б. Применение информационных технологий в металлургическом производстве: оптимизация технологии прокатки и раскроя готовой продукции в сортопрокатном производстве // Актуальные проблемы современной науки, техники и образования. 2014. Т. 1. С. 139-143.

7. Беренов Д. А., Белан С. Б., Аксенов К. А., Перескоков С. А. Полностью оцифрованное металлургическое производство: слежение, аналитика, моделирование // Фундаментальные исследования. 2017. № 9-2. С. 272-277.

8. Zuur, Alain F., Elena N. Ieno, Chris S. Elphick. A protocol for data exploration to avoid common statistical problems. Methods in ecology and evolution, 2010, vol. 1, no. 1, p. 3-14. DOI 10.1111/j.2041-210x.2009.00001.x

9. Zacharias P., Vávra M. A distance test of normality for a wide class of stationary processes. Econometrics and Statistics, 2017, vol. 2, p. 50-60. DOI 10.1016/j.ecosta.2016.11.005

10. Жуков П. И., Глущенко А. И., Фомин А. В. Построение зависимости температуры непрерывно литой заготовки от ретроспекции её нагрева // Системы управления и информационные технологии. 2019. № 4 (78). С. 73-78.

11. Zhou Z. On the doubt about margin explanation of boosting. Artificial Intelligence, 2013, vol. 203, p. 1-18. DOI 10.1016/j.artint.2013.07.002

12. Basha, Syed Muzamil, Dharmendra Singh Rajput, Vishnu Vandhan. Impact of gradient ascent and boosting algorithm in classification. International Journal of Intelligent Engineering and Systems (IJIES), 2018, vol. 11 no. 1, p. 41-49. DOI 10.22266/ijies2018.0228.05

13. Gomes, Heitor M. et al. Adaptive random forests for evolving data stream classification. Machine Learning, 2017, vol. 106, no. 9-10, p. 1469-1495. DOI 10.1007/s10994-017-5642-8

14. Khiari, Jihed. et al. Metabags: Bagged meta-decision trees for regression. Joint European conference on machine learning and knowledge discovery in databases. Springer, Cham, 2018. DOI 10.1007/978-3-030-10925-7_39

15. Döpke J., Fritsche U., Pierdzioch C. Predicting recessions with boosted regression trees. International Journal of Forecasting, 2017, vol. 33 no. 4, p. 745-759. DOI 10.1016/j.ijforecast. 2017.02.003

16. Qian, Ning et al. Predicting heat transfer of oscillating heat pipes for machining processes based on extreme gradient boosting algorithm. Applied Thermal Engineering, 2020, vol. 164. DOI 10.1016/j.applthermaleng.2019.114521

17. Vinayak R. K., Gilad-Bachrach R. Dart: Dropouts meet multiple additive regression trees. Artificial Intelligence and Statistics, PMLR, 2015, vol. 38, p. 489-497.