Детальная информация

Работа посвящена разработке модели прогнозирования температуры металла в сталелитейном ковше на основе методов машинного обучения, обеспечивающей точность, достаточную для интеграции в систему поддержки принятия технологических решений, и создание архитектуры её внедрения в качестве цифрового помощника оператора. Проведён системный анализ технологического процесса обработки стали в ковше и факторов, влияющих на тепловое состояние металла. Выявлено, что основными факторами являются начальная температура, время обработки, параметры легирования, основность шлака и стойкость футеровки ковша. Выполнена предобработка и очистка промышленных данных из разнородных источников. Сформирован итоговый датасет размером 3021 наблюдение и 35 признаков. Проведён сравнительный анализ различных алгоритмов машинного обучения. Определена лучшая модель XGBoost и её гиперпараметры. Средняя абсолютная ошибка лушей модели на тестовой выборке – 6.18 °C. Выявлены наиболее значимые признаки, влияющие на температуру металла. Разработана структура цифрового помощника и предложен поэтапный план внедрения системы (офлайн-тестирование, режим советника, полуавтоматическое управление, автоматическая коррекция) с механизмами защит и ограничений для обеспечения безопасности технологического процесса.

This work focuses on developing a model to predict the temperature of metal in a steelmaking ladle using machine learning methods, ensuring accuracy sufficient for integration into a decision support system for technological processes, and creating an architecture for its implementation as a digital assistant for operators. A systematic analysis of the steel processing technological process in the ladle and the factors influencing the thermal state of the metal was conducted. It was identified that the main factors are the initial temperature, processing time, alloying parameters, slag basicity, and the durability of the ladle lining. Preprocessing and cleaning of industrial data from heterogeneous sources were carried out, resulting in a final dataset consisting of 3,021 observations and 35 features. A comparative analysis of various machine learning algorithms was performed, identifying the best model as XGBoost along with its hyperparameters. The average absolute error of the best model on the test set is 6.18 °C. The most significant features affecting the metal temperature were identified. A structure for the digital assistant was developed, and a phased implementation plan for the system was proposed (offline testing, advisory mode, semi-automatic control, automatic correction) with mechanisms for protections and limitations to ensure the safety of the technological process.