机器学习在板坯质量预测中的研究进展与展望

摘要

板坯质量预测是优化钢铁生产流程、提升产品性能的关键环节。传统基于冶金机理的预测模型主要依赖物理规律与经验公式，难以适应高自动化生产环境中的复杂非线性关系，存在预测精度低、泛化能力弱等固有局限。随着机器学习技术的快速发展，单一模型通过特征学习与复杂非线性拟合能力，在裂纹风险评估、偏析预测等具体任务中展现了良好的性能优势，但仍面临高维数据过拟合、样本类别不平衡等挑战。为了克服这些限制，集成学习模型通过多弱学习器协同优化，显著提升了预测系统的准确性与鲁棒性，尤其是在处理工艺参数强耦合及强噪声干扰的工业场景中表现突出。为此，本文概述传统质量预测模型的典型建模方法及其存在的应用局限，综述神经网络等单一模型与随机森林等集成模型在板坯质量预测中的研究进展，重点分析集成质量预测模型在预测精度和工程适用性方面的优势。围绕动态建模优化、小样本增强学习、轻量化模型部署、可解释性提升及全流程协同预测等关键技术，进一步探讨未来发展方向，为构建高精度、强适应性的新一代板坯质量智能预测体系提供理论支撑与技术路径。

关键词

板坯质量预测 / 冶金机理 / 机器学习 / 单一模型 / 神经网络 / 集成模型 / 随机森林 / XGBoost

基金资助

国家自然科学基金项目(52104317,51874001); 安徽省高校协同创新项目(GXXT-2023-021)