АО «Выксунский металлургический завод», Выкса, Россия¹ ; Московский государственный технический университет имени Н. Э. Баумана, Москва, Россия²:

А. Е. Севидов, ведущий инженер-программист¹, аспирант², эл. почта: sevidov_ae@vsw.ru
А. В. Мунтин, заместитель директора по научно-исследовательской деятельности¹, доцент², канд. техн. наук, эл. почта: muntin_av@omk.ru

Московский государственный технический университет имени Н. Э. Баумана, Москва, Россия.
А. Г. Колесников, руководитель научно-учебного комплекса «Машиностроительные технологии», докт. техн. наук

Представлены современные методы моделирования механического износа рабочих валков стана горячей прокатки в условиях промышленного производства. Использование алгоритмов машинного обучения, основанных на многомерной линейной регрессии, деревьях решений, нейронных сетях, позволило наиболее точно описывать особенности износа рабочих валков в зависимости от многих технологических факторов. При этом составляющие производственной базы данных подвергли дополнительной классификации по каждому технологическому параметру в определенном диапазоне. Данный подход к классификации в предложенной задаче значительно повысил качество выходной модели по всем основным метрикам. Входными переменными для обучения служили основные технологические факторы, измеренные в чистовой группе клетей во время кампании каждого рабочего валка. Выходными параметрами были кривые износа на вальцешлифовальном станке, измеренные после перевалки. При обучении алгоритмов машинного обучения использованы 93 входных параметра для моделирования каждого из 300 выходных значений механического износа по длине бочки валка. Разработаны модели прогнозирования износа валков на основе многомерной линейной регрессии, случайного леса, градиентного бустинга и нейронных сетей. Сравнительный анализ разработанных моделей с классическими подходами по расчету механического износа рабочих валков показал, что методы машинного обучения имеют более высокую точность. Предложены подход и рекомендации для внедрения новых моделей в автоматизированную систему управления технологическим процессом широкополосных станов горячей прокатки.

Исследования проведены в рамках программы стратегического академического лидерства Российской Федерации «Приоритет-2030», направленной на поддержку программ развития образовательных организаций высшего образования, научного проекта ПРИОР/СН/НУ/22/СП5/26 «Создание инновационных цифровых инструментов для применения прикладного искусственного интеллекта и продвинутого статистического анализа больших данных в технологических процессах производства металлургической продукции», а также в рамках научно-технического сотрудничества между АО «Выксунский металлургический завод» и МГТУ им. Н. Э. Баумана.

1. Райффершайд М. Цифровые технологии в черной металлургии — стратегии, концепции и решения // Черные металлы. 2018. Вып. № 6. С. 62–67.
2. Бельский С. М. Параметры оценки формы профиля поперечного сечения горячекатаных стальных полос. Сообщение 2 // Черные металлы. 2017. № 11. С. 42–46.
3. Мунтин А. В., Орехов Д. М., Севидов А. Е., Тихонов С. М., Коровин А. В., Ионов С. М. Анализ технологических факторов обеспечения плоскостности при прокатке ультратонкой горячекатаной полосы на широкополосном стане 1950 АО «Выксунский металлургический завод» // Производство проката. 2019. № 7. С. 4–13.
4. Чекмарев А. П., Машковцев Р. А. Износ прокатных валков. — Харьков : Металлургиздат, 1955. — 148 с.
5. Ginzburg V. B., Ballas R. Fundamentals of flat rolling. — New York : Dekker, 2000. P. 449–455.
6. Мунтин А. В., Севидов А. Е., Тихонов С. М. и др. Анализ особенностей износа рабочих валков чистовой группы клетей в условиях стана 1950 ЛПК АО «ВМЗ» // Металлург. 2021. № 3. С. 57–62.
7. Sun J., Deng J., Peng W. et al. Strip crown prediction in hot rolling process using random forest // International Journal of Precision Engineering and Manufacturing. 2021. Vol. 22. P. 301–311.
8. Мунтин А. В., Куренков Ю. М., Колесников А. Г. Современные технологические решения и оборудование для производства ультратонкой горячекатаной полосы // Производство проката. 2016. № 8. С. 13–21.
9. Muntin A. V. Advanced technology of combined thin slab continuous casting and steel strip hot rolling // Metallurgist. 2019. Т. 62. № 9-10. P. 900–910.
10. Saravanan R., Sujatha P. A State of art techniques on machine learning algorithms: a perspective of supervised learning approaches in data classification // Second International Conference on Intelligent Computing and Control Systems (ICICCS). 2018. P. 945–949.
11. Randles B. M., Pasquetto I. V., Golshan M. S., Borgman C. L. Using the jupyter notebook as a tool for open science: an empirical study // ACM/IEEE Joint Conference on Digital Libraries (JCDL). 2017. P. 1, 2.
12. Sarker I. H. Machine learning: algorithms, real-world applications and research directions // SN Computer Science. 2021. Vol. 2. P. 1–21.
13. McDonald G. C. Ridge regression. WIREs Computational Statatistics. 2008. Vol. l. P. 93–100. DOI: 10.1002/wics.14.
14. Liu Y., Wang Y., Zhang J. New machine learning algorithm: random forest // Information Computing and Applications. ICICA 2012. Vol. 7473. Springer, Berlin, Heidelberg. P. 246. DOI: 10.1007/978-3-642-34062-8_32.
15. Friedman J. H. Greedy function approximation: a gradient boosting machine // The Annals of Statistics. 2001. Vol. 29, Iss. 5. P. 1189–232.
16. Wu Yc., Feng Jw. Development and application of artificial neural network // Wireless Personal Communications. 2018. Vol. 102. P. 1645–1656.
17. Pan F., Converse T., Ahn D., Salvetti F., Donato G. Feature selection for ranking using boosted trees // Proceedings of the 18th ACM conference on Information and knowledge management. 2009. P. 2025–2028.