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

Для моделирования использовались четыре набора данных, в каждой строке которых размещены эмпирически полученные значения входных (Х) и выходных (Y) переменных: • первый набор, имеющий 187 строк и включающий все типы арматуры (X1) для тренировки и валидации; • второй набор, имеющий 10 строк и включающий все типы арматуры (X1) для тестирования; • третий набор, имеющий 56 строк и включающий два типа арматуры 10 и 12 (X1); • четвертый набор, насчитывающий 8 строк наборов данных для окончательной оценки предсказания модели. В табл. 1 показан пример структуры примененных данных. П ост ановка задачи. Целью настоящей работы является разработка комплексной модели предсказания, предназначенной для прогнозирования характеристик секций в процессе проката арматуры, на основе совокупности технологических и физико-химических параметров. В рамках задачи необходимо построить интеллектуальную систему прогнозирования целевых параметров Y1 -Y 4 , для чего потребовалось решить следующие подзадачи: 1. Разработка классификационной модели для бинарного признака Y1 с использованием ансамбля моделей на основе деревьев принятия решений, таких как CatBoost, XGBoost, Random Forest [12], и последующей метамодели классификации (обученной на выходных данных базовых моделей, а не на необработанных данных) на основе логистической регрессии [13, 14]. 2. Построение трех регрессионных моделей для прогнозирования Y2, Y3 и Y4, учитывающих как исходные физико-химические и технологические параметры (X1-X7), так и предсказанное значение Y1 в качестве дополнительного признака [15-17]. 3. Конструирование новых признаков (инженерия признаков), которое включает построение нелинейных и взаимодействующих признаков (произведения, логарифмы, отношения), бинарные индикаторы (например, малый диаметр X1 < 12), преобразование уникальных категориальных данных в отдельный бинарный признак (one-hot кодирование) по уникальным значениям X1, добавление доменно-специфичных признаков, отражающих взаимодействие технологических режимов и структуры секций [18-20]. 4. Нормализация и балансировка данных, включая масштабирование признаков и коррекцию несбалансированного класса Y1, с использованием ADASYN и RandomUndersampling [21, 22]. 5. Оптимизация гиперпараметров моделей с использованием библиотеки Optuna на основе кросс-валидации и нескольких метрик (F1, balanced accuracy, RMSE, MAE) [23, 24]. 6. Оценка обобщающей способности модели на независимых контрольных выборках, включая визуализацию ошибок (матрицы ошибок, процентные отклонения, SHAP-анализ важности признаков) [25, 26]. Результатом решения задачи станет модуль прогнозирования, использующий лучшие гиперпараметры и сконструированные дополнительные признаки, способный оценивать типы секций и связанные с ними давления на этапе прокатки, что обеспечит повышение точности управления процессом, снижение производственного брака и создание базы для интеллектуального цифрового двойника технологической линии. 2. А рхи тек тур а модели, ее описание Исходя из постановки задачи принята архитектура, схема которой приведена на рисунке. Краткое описание работы представленных на схеме модулей: • кросс-валидации , который контролирует процесс разделения первого набора данных (имеет 187 строк и включает все типы арматуры (X1), фрагмент которого представлен в табл. 1), на обучающие (80 % данных) и валидационные (20 % данных) составляющие, 5 раз меняя их поочередно, при этом каждый поднабор используется как валидационный ровно 1 раз, а оставшиеся четыре — для обучения, а также направляет данные и метки в соответствующие компоненты архитектуры на каждом этапе; • нормализации, балансировки и обучения, где данные нормализуются с помощью StandardScaler (центровка на 0 и масштабирование до единичной дисперсии) и применяются методы балансировки,