基于特征工程与机器学习的8620钢淬透性高效预测

摘要

8620钢是重要的机械用钢，常用于传递较大动力、承受较大载荷的齿轮，应用于运输、起重、机车牵引及风力发电等重要领域.淬透性是衡量钢铁材料在热处理过程中硬度分布均匀性的重要指标，直接影响材料的力学性能和使用寿命，在齿轮钢的生产和应用中尤为重要，传统的淬透性评估方法主要依赖于Jominy端淬试验，由于试验流程复杂、耗时，存在工作量大、成本高等问题.本研究基于8620钢产线数据，结合机器学习与特征工程技术，采用SHAP方法以及最优子集法筛选关键特征变量，使用7种不同的机器学习算法构建淬透性预测模型，结合十折交叉验证方法系统评估模型性能.对比分析发现，XGBoost模型在原始特征集上的表现最佳（决定系数R2=0.894，均方根误差RMSE=0.820 HRC，±2 HRC内的命中率为94.19%），经特征筛选后RF模型仍保持较高精度（R2=0.866,RMSE=0.928 HRC，±2 HRC内的命中率为93.66%），同时计算效率提高33%，实现8620钢Jominy端淬试样淬火端7.9 mm处硬度值（J7.9值）的低维高精度预测，为8620钢淬透性的预测和优化提供科学依据.

关键词

8620钢 / 淬透性 / 机器学习 / 特征工程 / SHAP分析

基金资助

国家自然科学基金资助项目（52474397）; 河钢集团重点科技项目计划（HG2023235）