1、书书书作者简介:韩怀宾(1982 )，男，高级工程师;E-mail:15239718910126 com;收稿日期:2022-10-29试验研究DOI:10 20057/j 1003-8620 2022-00126基于加热炉埋偶实验的 GCr15 钢坯心部温度预测韩怀宾1，2，3，虞学庆2，白瑞娟2，王维2，3，吴思炜1，赵宪明1(1 东北大学轧制技术及连轧自动化国家重点实验室，沈阳 110819;2 河南济源钢铁(集团)有限公司，济源 459000;3 河南省特殊钢材料研究院有限公司，济源 459000)摘要:加热炉钢坯的心部温度均匀性控制对产品质量稳定性至关重要，由于加热炉中的高温环境，对
2、钢坯心部温度高精度预测始终是一个难题。为了解决这个难题，本实验建立了一种基于钢坯埋偶黑匣子温度测量方法，有效获知加热炉内钢坯不同位置实际温度分布情况。基于黑匣子测温实验数据，采用数据清洗、数据平滑与标准化等预处理方法，采用基于数据驱动的神经网络、随机森林与 XGBoost 模型，利用加热炉中可测的炉气温度对不可测的钢坯心部的温度进行预测。预测 GCr15 钢 150 mm 150 mm 坯心部温度，结果表明:XGBoost 模型回归预测效果最好，相对误差主要分布在 0%5 4%，模型中 97 1%的样本点绝对误差小于 10，其 MSE 误差为4 134 5，MAPE 误差为 0 47%。提出了
3、钢坯埋偶黑匣子测温+XGBoost 模型预测钢坯心部温度的方法。关键词:GCr15 钢坯心部温度;黑匣子实验;神经网络;随机森林;XGBoostTemperature Prediction of GCr15 Billet Core Based onHeating Furnace Embedded Thermocouple ExperimentHan Huaibin1，2，3，Yu Xueqing2，Bai uijuan2，Wang Wei2，3，Wu Siwei1，Zhao Xianming1(1 The State Key Laboratory of olling and Automatio
4、n，Northeastern University，Shenyang 110819;2 Henan Jiyuan Iron and Steel Group Co，Ltd，Jiyuan 459000;3 Henan Special Steel Material esearch Institute Co，Ltd，Jiyuan 459000)Abstract:The core temperature uniformity control of billet in heating furnace is very important to the stability of productquality，
5、due to the high temperature environment in heating furnace，it is always a difficult problem to predict the core tem-perature of billet with high precision In order to solve this problem，in this paper a temperature measurement method basedon billet embedded thermocouple black box is established to ef
6、fectively obtain the actual temperature distribution of billet atdifferent positions in the heating furnace Based on the experimental data of black box temperature measurement，the meth-ods such as data cleaning，data smoothing and standardization areapplied，based on the data-driven neural network，ran
7、domforest and XGBoost model，the unmeasured core temperature of billet is predicted by using the measurable gas temperaturein the heating furnace The prediction results of core temperature of GCr15 steel 150 mm 150 mm billet show that the re-gression prediction effect of XGBoost model is the best，and
8、 the relative errors are mainly distributed in the range of 0%-5 4%The absolute error of 97 1%of the sample points in the model is less than 10，the MSE error is 4 134 5，and the MAPE error is 0 47%The method of billet core temperature prediction based on billet embedded thermocoupleblack box temperat
9、ure measurement+XGBoost model is proposedKey Words:GCr15 Steel Billet Core Temperature;Black Box Experiment;Neural Network;andom Forest;XGBoost加热炉钢坯温度分布不均，会在钢坯内部产生热应力，造成钢坯内部裂纹，不利于高碳钢如轴承钢的碳化物扩散及溶解，造成液析或网状超标，因此，了解钢坯在加热炉中的温度变化对控制钢材质量至关重要。然而，目前炉内钢坯温度一般采用数学模型进行理论计算，模型中包含大量的假设，导致该方法在现场复杂的生产状态下的计算精度受限。如法国
10、STEIN-HEUTEY 公司1 开发的加热炉最优控制系统成功地处理了加热炉钢坯种类变化大以及发生非计划性待轧情况时，如何精确地控制钢坯出炉温度与温度均匀性的问题。Kim 等2 针对浦项制铁公司的步进式加热炉建立二维数学模型，利用程序语言编写程序模拟加热过程炉墙与钢坯的传热，分析吸收系数及发射系数大小对钢坯加热的作用效果。结果表明，钢坯的传热效果受黑度大小影响很大。Wick 等3 建立加热炉内钢坯加热过程的温度预测模型，应用 Kalman 滤波技术估计加热系统的动态状况，但该模型仅能预测钢坯的表面温度。孙洁等4 1第 44 卷第 2 期特殊钢Vol 44 No 22023 年 4 月SPECI
11、AL STEELApril2023通过蚁群算法优化 BP 网络建立模型，利用现场采集数据对钢坯出炉温度进行预测，对温度的预测精度更高、收敛速度更快。安月明等5 建立三段加热炉的主要热工参数二维仿真模型，模拟结果与“黑匣子”实测数据对比，误差在合理范围内，模拟结果真实可靠。王中杰等6 用 BF 神经网络对加热炉内钢坯加热过程进行建模，较好地反应了实际炉况，但对钢坯本身的实际温度未进行预测。本研究针对钢坯心部温度不易测量和控制的问题，基于黑匣子埋偶实验测量钢坯在加热过程中的温升曲线，获得钢坯不同部位的温度数据，结合机器学习手段，建立了钢坯心部温度预测模型，实现在连续大生产过程中利用加热炉中可测的炉
12、气温度对不可测的钢坯心部的温度进行高精度预测，为钢坯温度均匀性控制提供参考。1基于黑匣子钢坯温度测量埋偶实验黑匣子埋偶实验用于确定加热时钢坯断面温度的均匀性，目的是量化钢坯的出钢平均温度及温度均匀性。测试钢坯从入炉到出炉期间，没有产生待轧或故障停机时间。图 1 显示了实验钢坯热电偶位置分布情况。温度测试点共 12 个，其中 9 个用于测试钢坯的上(T1、T4、T7)、中(T2、T5、T8)、下(T3、T6、T9)不同厚度方向上的温度，另 3 个 T10、T11、T12 用于测量钢坯上表面的炉气温度。图 1GCr15 钢 150 mm 150 mm 铸坯热电偶分布位置示意图Fig 1Schema
13、tic diagram of thermocouple distribution position in GCr15 Steel 150 mm 150 mm cast billet图 2 为实验钢坯装入前后的现场实际效果图，该钢坯为两火轴承钢 GCr15 钢坯，断面为150 mm 150 mm。利用黑匣子加热实验，使用温度记录仪每间隔 30 s 记录一次各热电偶的实测温度。利用黑匣子实验测得的钢坯温度数据见表 1，每根钢坯总共含有 12 个测量温度点(T1 T12)，记录 694 条温度测量数据。温度随时间的变化曲线如图 3 中所示。图 2试验前(a)、后(b)带有热电偶的实验铸坯Fig 2B
14、efore(a)and after(b)experimental cast billet with thermocouple2特殊钢第 44 卷表 1实验钢坯 T1 T12 点温度记录结果/Table 1ecord resultsof experimentalbillet temperature at T1-T12 points/时间/sT1T2T3T4T5T6T7T8T9T10T11T12031 530 829 827927927927927927 929230528 23031 630 829 827927927927927927 929530528 26031 830 829 92802
15、8028028028028 029930828 3207603111333 7275 2458841394698419 63816317331071656442 2207902279294 4244 442503708429938343347306823901022395 3图 3铸坯 T1 T12 点热电偶处实测温度变化曲线Fig 3Measured temperature change curve at thermocouple po-sitions T1-T12 points of cast billet2钢坯心部温度预测模型开发2 1数据预处理由于钢坯的温度是通过热电偶每间隔 30 s
16、 记录一次温度，导致原始数据样本中可能存在部分数据缺失、数据数量级之间相差较大等问题。因此，需要对所有收集到的数据进行预处理操作。在本研究中采用数据清洗、数据标准化等预处理。2 1 1数据清洗数据清洗的主要任务是对所有样本数据中的异常数据与样本数据缺失值进行处理。并采用 Pauta准则和 Grubbs 准则对数据异常值剔除，采用相邻数据平均值代替剔除掉的数据。2 1 2数据平滑Ti 2=170(69Ti 2+4Ti 16Ti+4Ti+1 Ti+2)Ti 1=130(2Ti 2+27Ti 1+12Ti8Ti+1+2Ti+2)Ti=135(3Ti 2+12Ti 1+17Ti+12Ti+13Ti+2)Ti+1=135(2Ti 28Ti 1+12Ti+27Ti+1+2Ti+2)Ti+2=170(Ti 2+4Ti 16Ti+4Ti+1+69Ti+2)(1)数据平滑的主要任务是对所有样本数据进行高频噪声过滤处理。对于不同块钢坯在加热炉中的温度数据采用五点三次平滑技术对振动加速度数据进行处理，计算方法如式(1):式中:Ti为钢坯在特定加热时长下热电偶测量出的钢坯温度;Ti为采用平滑处理后的数值;i
