基于多任务学习的炼钢终点预测方法
来源：计算机应用杂志2017年第3期北京时间：
作者：程进, 王坚
单位：同济大学 CIMS研究中心, 上海 200092
摘要：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。
关键词：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
基金资助：国家科技支撑计划资助项目（2015BAF22B00）。
