冷轧铝合金板和带材是罐头（Alabi & Adeoluwa, 2020）、家用电器（Tennakone & Wickramanayaka, 1987）和建筑（Radlbeck, Dienes, & Kosteas, 2004）等行业中的关键材料。一致的带材厚度对产品质量和生产效率至关重要。实际上，即使是微小的纵向厚度偏差也可能导致严重的下游缺陷：较厚的铝材在拉伸过程中会导致罐头拉长，而较薄的铝材则可能导致罐头尺寸过小；此外，厚度波动还可能引起起皱、线痕甚至罐体断裂。因此，精确监测厚度偏差对于确保产品质量、减少废品和提高工艺效率至关重要（Chen, Zhao, Han, Cui, Zhao, Ishida, 2017, Xiao, He, Liang, Hu, Cheng, 2024）。
传统的控制系统（如自动厚度控制AGC（Deng, Sun, Peng, Hu, Zhang, 2019, Hu, Sun, Wang, Yin, Zhang, 2019, Qiu, 2013, Zeng, Wang, Zhang, Han, Zhao, 2022）通过测量厚度并调整轧辊间隙和张力来将偏差控制在允许范围内。已经开发了专门的传感器和设备（例如激光测厚仪或干涉雷达）进行高精度测量，并应用了各种基于模型的（Bao, Ye, Luo, Wang, Wu, 2020, Hagglund, Martinsson, Carlson, 2009）和数据驱动的方法（Sarkar et al., 2015）来预测厚度和检测异常。然而，铝冷轧过程非常复杂且动态性强：众多的耦合过程变量和弹性变形使得精确的机械建模非常困难。此外，生产条件的动态性导致产品种类的增加，而多条生产线的使用进一步加剧了过程的变异性。这些因素使得静态或单一生产线的模型变得不适用。特别是，为每条生产线开发专用模型既不切实际也不经济，而简单的全局模型往往无法捕捉到局部变化。
因此，迫切需要智能检测模型来满足以下要求：首先，它能够在实际生产环境中实现准确且鲁棒的厚度偏差检测。实际生产环境中的噪声和漂移会影响厚度测量结果。随着设备老化或条件变化，模拟传感器和测量设备会出现传感器噪声和校准漂移。例如，长时间的轧制会导致传感器基线逐渐偏移，除非重新校准，否则厚度读数会变得有偏差。同样，过程变量（热效应、振动、电气干扰）的随机波动可能会掩盖或模仿真实的厚度偏差。这些干扰使得检测器难以区分实际异常和正常变化。在实践中，不受控制的漂移可能非常严重：如果真实的厚度偏差超出容忍范围而未被发现，整个批次的产品都会不合格，从而产生废品和劳动力成本。因此，鲁棒的检测算法必须能够容忍现实的噪声和漂移，同时对真实故障保持敏感。
其次，它能够适应多条生产线之间的异构数据分布。在大型工厂中，不同的生产线和产品等级会产生非平稳数据。每条生产线可能使用不同的材料合金、轧机设置、速度计划或轧辊尺寸。这些因素会导致任务之间的数据分布不匹配：一条生产线上的厚度变化模式可能永远不会出现在另一条生产线上。正如实践和近期研究所显示的，产品、材料和操作条件的异质性会导致生产线之间的数据分布差异显著。例如，生产厚规格铝材的生产线可能具有较厚的基线和不同的张力动态，而生产薄规格铝材的生产线则不然，因此统一模型会看到较大的协变量差异。校准错误或环境变化会进一步加剧这些差异。这种异质性违反了数据独立同分布的假设，因此传统的单一生产线模型无法泛化。因此，检测方法必须能够适应多个领域，有效地进行领域适应或多领域学习。
第三，它能够在不需要为每条生产线单独建模的情况下高效泛化。扩展到多条生产线需要共享知识，而不是为每条生产线构建单独的模型。为每条生产线和每种产品变体构建专用模型既不切实际也不经济。每个模型都需要大量的数据和调整，并且会忽略生产线之间的共同结构。实际上，面对数十条生产线和频繁的产品变化，单一生产线的方法无法跟上新的配置。为每条生产线和产品类别开发专用微调模型既不切实际，也会导致高昂的开发和维护成本。此外，还可能导致模型过度拟合某条生产线的特定噪声。因此，第三个挑战是设计一个能够高效泛化所有任务的单一框架：它应该能够将数据丰富的生产线的知识传递给数据有限的生产线，而不是学习完全独立的模型。
鉴于这些挑战，我们提出了一个基于元数据的多任务学习（MTL）框架，用于铝冷轧中的厚度偏差检测。我们首先利用静态元数据将相似的任务分组。我们提取每个轧制任务的描述性属性，这些属性随时间保持不变。元数据的优势在于其一致性，其值不会在不同批次之间波动，为每个任务提供可靠的背景信息。为了量化任务之间的相似性，我们计算了元数据属性和历史特征统计量之间的距离度量。在实现中，我们使用欧几里得距离处理数值属性，使用字符串匹配距离处理分类属性。然后我们对这些任务表示进行K均值聚类。这自动将具有相似操作背景的轧制任务分组到簇中。
具体来说，我们采用了一个共享的多输出XGBoost集成模型，其中相同的决策树集合在簇中的所有任务上共同训练。这使得任务之间能够共享参数，确保从一个任务学到的模式可以改善其他任务的预测。通过通过元数据组织任务并强制进行联合训练，我们的架构实现了结构化的多任务学习形式，弥合了任务专用化和全局泛化之间的差距。在我们的案例研究中，我们为每个簇构建了一个具有多个输出的梯度提升决策树（XGBoost）（Chen & Guestrin, 2016a）集成模型，以便模型学习数据中的共同非线性关系。通过在簇中的所有任务上同时进行训练，模型学习了带材动态的共享表示。这意味着来自数据丰富任务的数据可以为数据匮乏的任务提供信息。重要的是，聚类确保了相似任务之间的共享学习，从而最小化了负面迁移。实际上，模型能够从数据充足的生产线向数据匮乏的生产线自适应地传递知识，同时解决了异质性和无需单独模型的泛化需求。
我们在一个大型、自收集的真实世界数据集（D4ASCR，来自铝带轧机）以及实际生产环境中验证了这种基于元数据的MTL方法。在离线实验中，我们的方法在预测精度方面显著优于基线（单一任务模型、简单迁移或忽略元数据的模型）。当该方法完全集成到实际冷轧生产线上时，系统展示了更高的检测精度和鲁棒性。特别是，在实际案例研究中，“与现有方法相比，检测精度和鲁棒性得到了显著提高，误报显著减少”。这些实证结果表明，我们的方法可以有效减少误报，并适应实际生产线的变化条件，满足了工业中对稳健、可泛化厚度监测的需求。
本文的其余部分组织如下：第2节和第3节介绍了相关工作和预备知识。第4节解释了我们用于学习框架的真实世界历史数据集以及元数据的工作原理。第5节提出了元数据多任务学习框架。第6节我们对方法的性能进行了评估。第7节我们在一个实际的铝带冷轧生产线上进行了案例研究。
