太原科技大学机械工程学院张阳团队在《噪声与振动控制》发表论文《多源数据驱动的轧机振动预测及可解释性分析》，论文采用极端梯度提升(XGBoost)算法建立多源数据驱动的轧机振动预测模型，结合SHAP框架提升模型可解释性，明确了关键工艺参数对轧机振动的影响规律，为钢铁行业优化工艺参数、提升设备运行稳定性提供了重要理论支撑。
轧机振动是制约钢铁行业生产效率与产品质量的关键问题，不仅会导致零部件损毁、生产中断，还可能危及人身安全，其核心诱因是工艺参数与设备适配性不足。传统机理模型预测精度有限，而现有数据驱动模型多为“黑箱”模式，缺乏可解释性，难以指导实际生产参数优化。
为破解这一困境，团队以某厂1580mm热连轧机组F3轧机为研究对象，采集轧制速度、入口厚度、轧制力、出口厚度、后张力5个关键工艺参数，以及对应的轧机水平振动数据，构建包含3000个样本的多源数据集。通过0-1标准归一化处理统一数据量纲，并采用箱型法剔除异常值，为模型训练奠定坚实基础。
团队建立基于XGBoost的轧机振动预测模型，通过网格搜索优化评估器个数、最大深度等关键参数，确定最优参数组合为评估器个数170、最大深度6、收缩步长0.2、正则化项1。经测试，模型决定系数R²达0.9432，均方误差仅0.0201，预测精度显著优于随机森林、梯度提升决策树和长短时记忆神经网络等常用模型。
为解决“黑箱”模型的可解释性难题，团队引入SHAP框架进行全局与局部解释。结果显示，出入口厚度、轧制速度和轧制力是影响轧机振动的核心因素，后张力影响较小。其中，轧制速度在2.2918m/s时振动最小，轧制力与振动呈近似线性正相关，适当降低轧制力可有效抑制振动，合理设置出入口厚度对稳定运行至关重要。
该研究得到国家自然科学基金等项目支持，其创新构建的“预测模型+可解释性分析”技术框架，既实现了轧机振动的高精度预测，又明确了工艺参数优化方向，为工业数据在轧机振动控制中的应用提供了可行路径，对推动钢铁行业装备智能化升级具有重要现实意义。
