专题研究
刘艳, 孙梦磊, 陈松路, 杨思琪, 张晓峰, 贡金鹏
在钢铁连铸坯生产过程中,中心疏松和缩孔作为2种常见的内部质量缺陷问题,会显著影响产品性能。准确预测内部缺陷对于钢铁生产领域具有重要意义,不仅可以避免破坏性试验,还能帮助技术人员调整工艺,保证后续轧制工艺顺利进行。由于连铸过程的非线性、强耦合特性及多扰动因素,中心疏松和缩孔等级的预测面临较大挑战。现有的连铸坯质量缺陷预测方法只能进行单任务学习,不能同时对多个任务进行预测,影响效率,而且预测精度难以满足生产需要。为克服上述局限,本文提出一种基于多任务学习的连铸坯内部质量缺陷预测方法。该方法融合了多任务学习和深度表格数据学习网络TabNet,通过挖掘两者之间的内在联系,实现对连铸坯中心疏松和缩孔等级的同时预测,提高效率和预测精度。在对某钢厂收集的生产数据进行的大量试验中,提出的方法在中心疏松和缩孔等级的预测准确率上明显优于常用的机器学习方法。此外,试验结果证实,采用多任务学习策略能够帮助提高中心疏松和缩孔预测的准确率和效率,预测准确率分别提高到100%、99.9%,推理时间缩短53.47%,验证了该策略的有效性。