多特征深度融合冷轧平直度模型

跨工序数据融合,误差降15%

打破热轧与冷轧产线数据壁垒,BO-LightGBM模型将热轧信息融入冷轧平直度预测,精度与稳定性均优于仅用冷轧数据的模型。

Jinbo, Zhou · Wang, Xiaochen · Sun, Youzhao · 杨荃 · Ma, Xianghong · Xu, Yuchun · Jiaqi, Chen · He, Hainan · Weijian, Tong

Lecture Notes in Mechanical Engineering 2026

参数信息

平均绝对误差

0.7545

均方根误差

1.0077

决定系数

0.9680

MAE降低率（较BP模型）

38.6 %

RMSE降低率（较BP模型）

36.9 %

MAE降低率（较FCNN模型）

40.8 %

RMSE降低率（较FCNN模型）

38.3 %

技术优势

误差降15%

融合热轧数据后，BO-LightGBM模型的MAE为0.7545，比仅用冷轧数据的模型低14.9%，预测更贴近实测值。

精度超神经网络

相比BP与FCNN模型，MAE最大降低40.8%，RMSE最大降低38.3%，体现贝叶斯优化与LightGBM的有效性。

R²达0.968

模型解释力强，R²为0.9680，比BP模型提高5.3%，能更好刻画平直度变化。

应用场景

• 冷轧带钢质量控制：用热轧数据辅助预测，可更早发现平直度缺陷。
• 轧制过程优化：通过SHAP分析识别关键因素，指导工艺参数调整。
• 工业大数据平台：跨工序数据平台打通热轧冷轧，支撑高精度建模。
• 智能制造系统：将预测模型集成到质量管理系统，提升智能化水平。