Труды КНЦ. Технические науки. – 2026. - № 2

требующий в обычных условиях проведения дорогостоящего широкого производственного эксперимента для получения обучающего набора данных, заменяется расчетом по разработанной модели на основе фундаментальных знаний и статистических зависимостей. В основной части статьи приводится постановка задачи, структурная схема архитектур моделей, анализ набора данных и его предобработка, процесс создания новых дополнительных признаков с целью использования их при разработке модели предсказания. Представлены результаты и метрики. 1. Н абор о бр аб аты ва емы х д анны х и по стан овка задачи В качестве объекта моделирования принята технология многостадийного ускоренного охлаждения водой, скомбинированного с выравниванием температуры металла на воздухе. Устройство ускоренного охлаждения состоит из 6 автономных секций длиной 4,5 м с индивидуальным подводом охлаждающей воды в камеры охлаждения, установленные с разрывом для сброса нагретой воды [8]. Для варьирования временем охлаждения первая секция может устанавливаться в коротком и длинном исполнении камеры. Результаты моделирования с помощью простой нейросетевой модели на основе полносвязного перцептрона процесса ускоренного охлаждения арматурного проката показали, что приемлемое решение в связи с малой точностью прогноза получить не удалось. Область определения задачи имеет неоднородные несбалансированные данные и нерегулярную форму, которая сложно поддается описанию линейной регрессионной моделью. Наличие ряда ограничений процесса усложняет задачу обучения, решение получается малоинформативным, так как не отражает соответствие ограничениям [8]. Все это и явилось постановкой задачи для данного исследования. Таблица 1 Фрагмент набора данных для создания моделей A fragment o f the dataset for creating models X1 X2 Х3 X4 Х5 X6 X7 Y1 Y2 Y3 Y4 10 10,00 1080 0,16 0,60 0,06 451,27 0 1 22 22 12 12,00 1070 0,17 0,60 0,06 435,00 0 2 26 14 14 12,90 1080 0,09 1,37 0,37 436,29 1 2 32 13 16 11,50 1038 0,22 0,63 0,15 413,99 1 2 28 12 18 9,00 1045 0,16 0,60 0,06 418,21 1 3 46 13 20 14,20 1080 0,16 0,60 0,06 435,20 1 4 67 22 22 9,50 1050 0,35 0,90 0,50 621,00 1 5 102 22 25 9,00 1060 0,16 0,60 0,06 451,00 1 4 122 22 28 7,00 995 0,35 1,20 0,50 897,00 1 4 88 22 32 5,00 1000 0,16 0,60 0,06 415,00 1 4 79 22 При разработке модели предсказания для экспертной системы оптимизации процесса охлаждения водой используются следующие входные (Х) и выходные (Y) переменные: X1 — условный диаметр проката (номер арматуры); Х2 — скорость металла на выходе из стана (скорость прокатки); Х3 — температура поверхности профиля на выходе из чистовой клети прокатного стана (температура прокатки); Х4, Х5, Х6 — основные элементы химического состава стали, влияющие на механические свойства (C%, Mn%, Si% соответственно); Х7 — целевой условный предел текучести холодного металла (определяет класс арматуры); Y1 — признак длины первой секции (1 — длинная, 0 — короткая); Y2 — количество N включенных секций, шт.; Y3 — суммарное давление Р на включенных N секциях, атм.; Y4 — давление Р на первой секции, атм.