Определение температуры стали

Описание проекта

Чтобы оптимизировать производственные расходы, металлургический комбинат ООО «Так закаляем сталь» решил уменьшить потребление электроэнергии на этапе обработки стали. Необходимо построить модель, которая предскажет конечную температуру стали.

• Целевой признак - это последнее измерение температуры партии из таблицы data_temp_new.csv
• Метрика: МАЕ (mean_absolute_error)
• Значение: ± 6.8°C или меньше.

Описание этапа обработки

Сталь обрабатывают в сталелитейном ковше вместимостью около 100 тонн. Чтобы ковш выдерживал высокие температуры, изнутри его облицовывают огнеупорным кирпичом.

Расплавленную сталь заливают в ковш и подогревают до нужной температуры графитовыми электродами. Они установлены в крышке ковша.

Из сплава выводится сера (процесс десульфурации), добавлением примесей корректируется химический состав и отбираются пробы. Сталь легируют (изменяют её состав) — подавая куски сплава из бункера для сыпучих материалов или добавляя проволоку через специальный трайб-аппарат (англ. tribe, «масса»).

Перед тем как первый раз ввести легирующие добавки, измеряют температуру стали и производят её химический анализ. Потом температуру на несколько минут повышают, добавляют легирующие материалы и продувают сплав инертным газом. Затем его перемешивают и снова проводят измерения. Такой цикл повторяется до достижения целевого химического состава и оптимальной температуры плавки.

Тогда расплавленная сталь отправляется на доводку металла или поступает в машину непрерывной разливки. Оттуда готовый продукт выходит в виде заготовок-слябов (англ. slab, «плита»).

Итоговый вывод

Изначальная задача заключалась в предсказании конечной температуры сплава по завершению всего тех. процесса. Подразумевается, что к этому моменты сплав уже будет содержать необходимые присадки и подогрет до требуемой температуры.

Исходные данными были разгруппированы по тематическим датасетам, в том же виде, в котором они были предоставлены:

• arc — время и кол-во нагревов;
• gas — объём инертного газа для продувки сплава;
• temp — замеры температуры сплава;
• bulkи bulk_time — объём сыпучих легирующих присадок и время их подачи, соответственно;
• wireи wire_time — объём проволочных легирующих присадок и время их подачи, соответственно.

*всем данным был назначен соответствующий тип (int, float, datetime)

В исходных данных находилась около 3200 партий стали. Часть из них содержала не полную информацию (к примеру: отсутствовали данные о присадках, нагреве, продувке газа или замерах температуры сплава). Около 740 партий содержали информацию лишь об одном температурном замере. Единичные экземпляры (около 20 партий) содержала недостоверные/нетипичные данные, к примеру: активная мощность = -715 у.е.

Так же, анализ данных помог выявить неинформативность столбов bulk_8 и wire_5, поскольку эти виды присадок использовались Несмотря на их физическое различие, состав вероятней всего одинаков. Из-за чего возникала корреляция между этими параметрами. В итоговую выборку данных bulk_8, wire_5 и wire_8- не вошли.

Ключевая информация по обучению моделей:

• Обучающая выборка: 1737 объектов
• Тестовая выборка: 579 объекта
• Количество признаков-предсказателей: 25
• Перечень признаков:
  • начальная температура,
  • общее время нагревов,
  • общая затраченная активная мощность,
  • количество и виды добавленных присадок,
  • объём прокаченного инертного газа.

Результаты обучения и тестирования: наилучший результат продемонстрировала модель градиентного бустинга CatBoost.

• её погрешность предсказаний ± 6.11°C (на кросс-валидации тренировочной выборки) и ± 5.98°C (на тестовой выборке)
• среднее время обучение: около 1-ой минуты;
• время предсказаний крайне мало, мгновенное.

Для дальнейшего применения модели CatBoost, её точность можно повысить за счёт объединения обучающей и тестовой выборок, и предобучить модель на бoльшей выборке.