egorumaev/2023-steel-energy

Предсказание температуры стали, выплавляемой на металлургическом комбинате

2023-steel-energy

Предсказание температуры стали, выплавляемой на металлургическом комбинате

ПРОЕКТ «Разработка модели машинного обучения для предсказания температуры стали для оптимизации производственных расходов металлургического комбината „Так закаляем сталь‟»

---

Примененные библиотеки и технологии

• Pandas, Numpy, Matplotlib, Seaborn, DateTime, Phik, Sklearn, Imblearn, Feature_Engine, Catboost, Xgboost, Lightgbm

• Pipeline, Feature Engineering, RandomizedSearchCV, PolynomialFeatures, MinMaxScaler, DropCorrelatedFeatures, SelektKBest, VotingRegressor, background_gradient

---

Цель и задачи проекта

Цель проекта: разработать модель машинного обучения, предсказывающую температуру стали, выплавляемой на металлургическом комбинате «Так закаляем сталь».

Целевое ограничение, по которому оценивается результат выполнения проекта: значение метрики mean_absolute_error (MAE) лучшей модели на тестовой выборке должно быть < 6.8.

Целевой прогнозируемый признак - конечная температура каждой партии стали.

Единица моделирования - металлический ковш вместимостью 100 тонн (одна партия стального сплава).

Для достижения цели были поставлены и решены следующие задачи:

• проведен исследовательский (разведочный) анализ данных, представленных в виде семи датасетов;

• на основе данных датасетов сформированы синтетические целевой и обучающие признаки;

• исследована итоговая таблица с данными;

• проведена проверка данных на мультиколинеарность;

• данные подготовлены для машинного обучения;

• сформированы пайплайны для линейных моделей и моделей, основанных на решающих деревьях (бустинги);

• все модели машинного обучения обучены с помощью кроссвалидации с определением лучших гиперпараметров;

• модель машинного обучения, показавшая лучшее значение метрики на кроссвалидации, проверена на тестовой выборке;

• выявлены важнейшие признаки лучшей модели;

• изучено распределение абсолютной ошибки лучшей модели;

• подготовлен подробный отчет по проекту.

Решаемая в рамках проекта задача относится к задачам регрессии.

---

Основные результаты

(1) Для выполнения проекта были отобраны линейные модели и модели градиентного бустинга, основанные на решающих деревьях.

Линейные модели:

• SVR

• Ridge

• Lasso

• LassoCV

• LinearRegression

Модели, основанные на решающих деревьях:

• HistGradientBoostingRegressor

• XGBRegressor

• CatBoost

• LightGBMRegressor

Для исключения утечки целевого признака при кроссвалидации применен пайплайн (pipeline) из библиотеки imblearn. Подбор гиперпараметров моделей (ансамблей моделей) был проведен с помощью RandomizedSearchCV.

(2) Самое низкое значение ошибки MAE на обучающей выборке при кроссвалидации показал ансамбль линейных моделей Ridge, Lasso, SVR, объединенный с помощью VotingRegressor. Ансамбль линейных моделей успешно прошел проверку на тестовой выборке, показав значение MAE, равное 5.33.

(3) В результате выполнения проекта удалось построить модель машинного обучения, которая предсказывает значение температуры расплавленной стали с ошибкой ниже, чем установлено целевым ограничением. Это позволит более точно предсказывать как недостаточный нагрев стали в ковше, так и перегрев ковша. Следовательно, будет получена экономия ресурсов, расходуемых на повторный нагрев ковша с недостаточной температурой. Уменьшатся затраты электроэнергии, потраченные на перегрев ковша. Кроме того, перегревы ковша повышают частоту их остановки и проведения планово-предупредительных ремонтов, на время которых производственная единица не производит сталь. Сниженная ошибка предсказания температуры стали позволит таким образом повысить загруженность производственных мощностей по выплавке стали.