基于机器学习的连铸生产过程铸坯表面缺陷预测方法

铸坯是钢铁产品生产的原材料，铸坯的缺陷会导致最终钢铁产品的质量缺陷。针对现场采集的连铸生产过程低频数据和高频数据进行研究，提出了复杂流程工业数据的清洗方法以及高频工业数据特征提取方法。基于机器学习理论建立了分类与回归树(classification and regression tree, CART)、AdaBoost、随机森林(random forest, RF)和最优分类树(optimal classification tree, OCT)4种铸坯表面缺陷预测模型，并利用Relief和RF模型进行了特征选择。通过大量实验对比分析了不同模型的预测精度，结果表明，RF模型给出了最好的预测精度；通过实验找出了液相线温度、中间包(tundish, TD)下限温度、TD目标温度等对铸坯表面缺陷具有关键作用的10个参数特征。本文方法可以推广到其他场景的工业数据分析与建模，对于利用工业数据提升产品质量具有重要的参考价值。