融合半监督学习的小样本条件下热轧带钢力学性能预测

基于工业数据的热轧带钢力学性能预测技术可以有效减少热轧过程中带钢性能检测取样频率、缩短交货周期、降低生产成本，然而针对小样本下的数据驱动建模始终是一个建模难题。本文聚焦小样本条件下的热轧带钢力学性能建模问题，基于工业生产过程中产生的数据，采用安全弱监督学习(safe weakly supervised learning, SAFEW)算法为未标记数据添加伪标签，实现训练数据的扩展，采用随机森林算法建立热轧带钢成分、工艺、性能之间对应关系，并通过贝叶斯优化的方法确定随机森林超参数，实现小样本条件下热轧带钢力学性能预测。针对工业应用，本文在此基础上开发了热轧带钢力学性能预测软件，结果显示，融合半监督学习的随机森林算法较普通随机森林算法在小样本热轧带钢力学性能预测方面表现更为优异。经统计，屈服强度和抗拉强度预测值和实测值绝对误差在±30 MPa以内的命中率较普通随机森林模型分别提高了6.08%和2.60%,伸长率预测值和实测值绝对误差在±3%以内的命中率较随机森林模型提高了4.78%。