01研究背景在帶鋼熱連軋過程中，卷取溫度是極其重要的工藝參數和主要的控制目標之一，其一定程度上可決定帶鋼成品的微觀組織，從而影響其力學性能和使用性能。如果卷取溫度過高，帶鋼成卷后由于散熱較慢，保溫時間過長將產生粗晶組織及碳化物的積聚，使帶鋼的力學性能變差。且由于溫度過高，容易產生堅硬的氧化鐵皮，在后續冷軋時容易造成“麻點”缺陷，影響下游產品表面質量。若卷取溫度過低，一方面由于硬度較高使卷取變得困難，且由于過冷度較大，帶鋼殘余應力較大，容易造成松卷，影響帶鋼尺寸精度和成品卷質量；另一方面沒有足夠的溫度使過飽和的碳化合物析出，影響帶鋼力學性能。軋后冷卻的傳熱過程包括帶鋼的輻射、空氣的自然對流、冷卻水的強制對流、運輸輥道的熱傳導、冷卻過程發生相變所產生的相變潛熱等多種傳熱。目標溫度的控制精度還受到冷卻水流量、水壓、水溫、集管開啟位置、帶鋼溫度、軋制速度、化學成分、冷卻水在帶鋼表面的運動狀態、產線環境等因素的影響。這些因素具有很強的時變性和非線性，因此軋后冷卻溫度的精確控制一直是熱軋領域關注的重點問題和難點問題。隨著人工智能技術的不斷發展，采用智能化算法挖掘蘊含在海量歷史生產數據中的有效信息成為解決多變量、強耦合復雜問題的有效途徑。熱連軋產線軋后冷卻過程不僅具有這種多變量、強耦合、非線性特點，且在較短的時間或者同一個軋制計劃中生產工況基本完全相同，因此可基于歷史生產數據，采用機器學習算法建立卷取溫度預測模型，實現軋后冷卻卷取溫度的高精度智能化控制。02研究方法本文以國內某熱連軋產線的實際生產數據為基礎，采用貝葉斯優化的隨機森林算法建立了一種基于數據驅動的熱軋帶鋼卷取溫度預測模型。結合該產線實際生產情況和經典傳熱學理論，選取了軋制速度等26個影響卷取溫度的因素為模型的輸入變量，同時考慮沿軋制方向帶鋼各點的在冷卻區的冷卻過程有所差別，因此采用采樣周期為1s的時間離散化得到各樣本點的特征屬性。采用貝葉斯優化算法確定隨機森林模型的最優超參數，采用類似于網格搜索的方式確定貝葉斯優化算法自身超參數。同時，采用貝葉斯優化的決策樹模型、支持向量回歸模型和現場基于經典傳熱學建立的機理模型進行對比驗證。最后采用均方誤差、平均絕對誤差、平均絕對百分比誤差和擬合決定系數評估了模型預測精度。具體過程如圖1所示。圖1

建模流程圖03研究結果圖2所示為RF和現場機理模型對1479組測試數據的部分預測結果。由圖可知，大多數樣本的預測結果與實測溫度偏差基本上在±15℃以內，極少數預測誤差大于15℃，這說明兩個模型的預測精度基本都能滿足工業生產需求。且貝葉斯優化的隨機森林模型的預測結果更加集中在直線y=x附近，說明該模型的預測溫度更接近于實測卷取溫度，該模型的性能更優。且隨機森林模型的預測結果與實測溫度的偏差基本均保持在±5℃，預測偏差更小。圖2

不同模型預測結果04研究結論相比于現場采用的機理模型，RF模型具有更好的擬合和泛化性能，能夠對關系復雜的卷取溫度實際生產數據進行很好擬合。同時，BOA可以進一步提升RF模型的擬合和泛化性能。相比于SVR和DT模型，RF具有較好的預測精度，故本文選取BOA和RF結合的方式（BOA-RF）建立了軋制速度，冷卻水量等影響因素與卷取溫度之間的數學關系，實現了對卷取溫度的高精度預測。在測試集上BOA-RF模型的預測誤差在±10℃之內的樣本占比高達97.97%，其完全能夠滿足工業生產需求。本文在數據采集過程中考慮了帶鋼沿軋制方向由于軋制速度變化引起冷卻過程發生變化導致的不同位置溫度分布不同，故在每隔1s