Die Steuerung der Temperaturgleichmäßigkeit im Kern eines Stahlrohblocks im Heizofen ist entscheidend für die Stabilität der Produktqualität. Aufgrund der hohen Temperaturen im Ofen ist die hochpräzise Vorhersage der Temperatur im Kern des Stahlrohblocks stets eine Herausforderung. Zur Lösung dieses Problems wurde in diesem Experiment eine Methode zur Temperaturmessung basierend auf einer im Stahlrohblock eingebetteten Blackbox entwickelt, die effektiv die tatsächliche Temperaturverteilung an verschiedenen Positionen des Rohblocks im Ofen erfasst. Basierend auf den Messdaten der Blackbox wurden Vorverarbeitungsschritte wie Datenbereinigung, Datenglättung und Normalisierung angewandt. Es wurden datengetriebene Modelle verwendet, darunter neuronale Netze, Random Forest und XGBoost, um mit der messbaren Ofengastemperatur die nicht messbare Temperatur im Kern des Stahlrohblocks vorherzusagen. Es wurde die Kerntemperatur eines GCr15-Stahlrohblocks mit den Maßen 150 mm x 150 mm prognostiziert. Die Ergebnisse zeigten, dass das XGBoost-Modell die beste Regressionsvorhersage lieferte, wobei der relative Fehler hauptsächlich zwischen 0 % und 5,4 % lag, 97,1 % der Stichprobenpunkte hatten einen absoluten Fehler von weniger als 10 ℃, der RMSE-Fehler betrug 4,1345 ℃ und der MAPE-Fehler 0,47 %. Es wurde eine Methode vorgeschlagen, die die Blackbox-Temperaturmessung und das XGBoost-Modell zur Vorhersage der Kerntemperatur des Stahlrohblocks kombiniert.

Kerntemperatur des GCr15-Stahlrohblocks; Blackbox-Experiment; neuronale Netze; Random Forest; XGBoost