程 进，王 坚

(同济大学 CIMS研究中心，上海 200092) (*通信作者电子邮箱1410tankchj@tongji.edu.cn)

基于多任务学习的炼钢终点预测方法

程 进*，王 坚

(同济大学 CIMS研究中心，上海 200092) (*通信作者电子邮箱1410tankchj@tongji.edu.cn)

钢水质量通常根据终点命中率来判断，但炼钢过程影响因素众多，机理分析难以准确预测终点温度和含碳量，鉴于此，提出一种由数据驱动的多任务学习(MTL)炼钢终点预测方法。首先，分析并提取炼钢过程的输入和输出要素，结合炼钢两阶段吹炼特点选择多个子学习任务；其次，根据子任务与终点参数的相关性选择合适的子任务，提升终点预测的准确度并构建多任务学习模型，再对模型输出结果进行二次优化；最后，通过近端梯度算法对处理后的生产数据进行模型训练，获取多任务学习模型的过程参数。以某钢厂为案例，该方法相比神经网络在终点温度12℃误差范围内和终点含碳量0.01%误差内的准确度提升了10%，误差范围6℃和0.005%的预测准确度分别提升了11%和7%。实验结果表明，多任务学习在实际中能够提升终点预测的准确性。

产品质量预测；炼钢终点预测；数据驱动；多任务学习；近端梯度算法

0 引言

制造业全球化竞争日益加剧：一方面，传统制造企业面临本国和外国的双重压力，提高产品质量刻不容缓；另一方面，绿色生产，节约成本又要求制造企业能够有效提升成品率。产品质量预测是在生产前通过对原材料、设备和相关因素的分析，提前对最终产品质量进行评估的一种方法，通过此类预测企业可以根据结果相应地调整原材料配比或生产设备，避免不必要的经济损失。……