Промышленный ML-проект: модель предсказывает финальную температуру сплава при обработке стали, чтобы металлургический комбинат мог оптимизировать энергопотребление.
Результат: MAE = 6.00 °C на тестовой выборке при требуемом пороге ≤ 6.8 °C, устойчивость результата подтверждена статистически (bootstrap, критерий Уилкоксона), модель интерпретирована через SHAP.
Металлургический комбинат хочет снизить расходы на электроэнергию на этапе обработки стали. Сталь подогревают в ковше графитовыми электродами, между циклами нагрева корректируют химический состав, добавляют легирующие материалы и продувают сплав инертным газом. Модель, предсказывающая финальную температуру по параметрам процесса, позволяет имитировать техпроцесс и точнее управлять нагревом — то есть не тратить лишнюю энергию.
Семь таблиц из разных источников с событийной структурой (одной партии соответствует несколько записей): данные об электродах (мощность, время нагрева), подача сыпучих и проволочных материалов (объёмы и время), продувка газом, замеры температуры.
Ключевые решения при подготовке:
- пропуски в материалах интерпретированы как отсутствие подачи, а не как потерянные данные;
- в выборку вошли только партии с ≥ 2 валидными замерами температуры; целевая переменная — последний замер партии;
- удалены физически нереалистичные значения температуры и аномалии мощности.
Событийные данные агрегированы до уровня партии: длительность и число циклов нагрева, суммарная энергия обработки, объёмы и число типов материалов, временные интервалы подачи, начальная температура (first_temp). Разреженные и дублирующие признаки исключены по результатам корреляционного анализа.
Сравнение по MAE на 5-кратной кросс-валидации; для ансамблей выполнен подбор гиперпараметров с повторной оценкой на полном train. Тестовая выборка использована один раз — для финальной проверки выбранной модели.
| Модель | MAE (CV) |
|---|---|
| Ridge | 6.01 |
| LGBMRegressor (tuned) | 6.19 |
| RandomForestRegressor (tuned) | 6.35 |
| DummyRegressor (baseline) | 8.17 |
Финальный результат Ridge: MAE test = 6.00 °C — близость к MAE CV (6.01) говорит об отсутствии переобучения.
Для выбранной модели выполнен SHAP-анализ: не только какие параметры техпроцесса влияют на прогноз, но и в какую сторону.
Наибольший вклад вносят длительность нагрева (heating_duration_total), начальная температура (first_temp), суммарный объём сыпучих материалов (bulk_total) и длительность обработки — что согласуется с физикой процесса: итоговая температура зависит от исходного состояния партии и интенсивности нагрева. Более высокие значения длительности нагрева и начальной температуры сдвигают прогноз вверх; влияние объёма материалов — нелинейное. Отдельные добавки (Bulk 15, Wire 1 и др.) также вносят заметный вклад: модель учитывает не только режим нагрева, но и состав.
Waterfall-график показывает, как складывается прогноз для конкретной партии — объяснимость на уровне отдельного предсказания:
- Bootstrap (n = 1000): 95%-й доверительный интервал тестового MAE полностью лежит ниже порога 6.8 °C;
- Критерий Уилкоксона по фолдам кросс-валидации: преимущество модели над baseline статистически значимо, а не случайно.
Итог: побеждает регуляризованная линейная модель — лучшее сочетание качества, устойчивости и интерпретируемости для данной задачи.
- Контролировать начальную температуру партии —
first_tempодин из важнейших признаков (подтверждено и коэффициентами Ridge, и SHAP): её стабильность напрямую улучшает управляемость нагрева. - Использовать модель для настройки режима нагрева — вклад признаков длительности и энергии обработки означает, что модель помогает подбирать режим электродов и срезать избыточные энергозатраты.
- Применять модель для сценарного анализа — оценивать финальную температуру до запуска обработки при разных параметрах процесса.
Python · pandas · NumPy · scikit-learn · LightGBM · SHAP · SciPy · Matplotlib · Seaborn · Jupyter
git clone https://github.com/foxypandas/steel-temperature-prediction.git
cd steel-temperature-prediction
pip install -r requirements.txt
jupyter notebook notebooks/steel_temperature_prediction.ipynbДатасеты предоставлялись в рамках образовательной программы Яндекс Практикума и не распространяются публично, поэтому в репозиторий не включены. Все выводы ячеек сохранены в ноутбуке — анализ можно посмотреть целиком без запуска кода.
├── notebooks/ # основной ноутбук с исследованием
├── images/ # графики и визуализации
└── requirements.txt