CN102213961B - 一种毛管质量预报与控制方法 - Google Patents

一种毛管质量预报与控制方法 Download PDF

Info

Publication number
CN102213961B
CN102213961B CN2011101124898A CN201110112489A CN102213961B CN 102213961 B CN102213961 B CN 102213961B CN 2011101124898 A CN2011101124898 A CN 2011101124898A CN 201110112489 A CN201110112489 A CN 201110112489A CN 102213961 B CN102213961 B CN 102213961B
Authority
CN
China
Prior art keywords
quality
hollow billet
error
model
batch
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2011101124898A
Other languages
English (en)
Other versions
CN102213961A (zh
Inventor
肖冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN2011101124898A priority Critical patent/CN102213961B/zh
Publication of CN102213961A publication Critical patent/CN102213961A/zh
Application granted granted Critical
Publication of CN102213961B publication Critical patent/CN102213961B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Control Of Metal Rolling (AREA)
  • Feedback Control In General (AREA)

Abstract

一种毛管质量预报与控制方法，包括毛管质量预测模型建模方法和基于方差子时段MPLS质量预报模型的迭代优化控制方法，预报模型采用公式
Figure 2011101124898100004DEST_PATH_IMAGE002
；本发明采用迭代优化控制方法不断修正控制变量轨迹，提高毛细管质量。批次的终点质量误差描写为：
Figure DEST_PATH_IMAGE003
，该式为收敛的，从而使毛管细的误差逐渐减小，因此，发明能大幅度提高斜轧穿孔生产的无缝钢管的质量，降低维护费用，实时性好，精度高。

Description

一种毛管质量预报与控制方法
技术领域
本发明涉及一种毛管质量在线检测与控制方法，实时性好，可靠性和精度高。
背景技术
无缝钢管主要应用于石油工业、航空工业、汽车工业、国防工业和城市公用事业等方面，其质量的好坏关系重大。无缝钢管生产的各工序环节都对产品质量的监测有严格的要求。这是因为各道生产工序都有可能出现废品或次品，如果前一工序出现的缺陷或废品不能及时检测出来，在后面工序中继续加工时，不仅不能提高设备的有效利用率，而且会造成能源的浪费。管坯穿孔生产是无缝钢管成型的第一道工序，穿孔得到的毛管质量对最终产品质量影响很大。管坯穿孔生产过程是具有多时段、复杂非线性、动态多变量等特性的间歇生产过程，这使得毛管质量与过程变量之间的关系比较复杂。在实际中由于生产的连续性和检测仪器的限制，毛管质量无法实时测量得到。它的监测需通过技术人员定期抽查来完成，其控制主要由操作工人依靠经验调节工艺参数来实现。虽然部分学者利用有限元理论建立了毛管形变、扭转角度、内外裂纹和多余应变等质量信息与生产工艺参数之间的关系，但很难利用有限元法对其工艺参数与质量参数建立一一对应的映射关系。文献记载有利用BP神经网络方法建立了辊型、送进角和顶头前伸量等工艺参数与毛管质量关系模型。但由于建模方法和所选工艺参数的限制，所建立的质量模型精度不高。在间歇生产过程的质量预报中，MPCA、MPLS及其改进方法经常被采用。传统的MPCA、MPLS方法在线监视策略的实施依赖于对过程测量变量未来数据点的估计。尽管Nomikos和MacGregor[8]提出了三种预估未反应完数据的方法,但是由于预估时没有考虑采样数据之间的动态联系,所以易造成质量预报误差较大。目前虽已提出的建立多MPCA模型的方法虽然解决了对未来数据点的预估问题，但其更适合于应用在故障诊断中。因为毛管质量的形成是一个连续过程，与各个生产时段时刻密切相关，很难用某个子时段的预报模型去表达。
发明内容
本发明的目的，是提供一种无管质量预报与控制方法，能大幅度提高斜轧穿孔生产的无缝钢管的质量，降低维护费用，实时性好，精度高。
针对管坯穿孔过程的复杂性，可将其分为一次不稳定穿孔、稳定穿孔和二次不稳定穿孔三个子时段。本发明人提出了基于方差子时段MPLS方法来建立毛管质量预测模型。该方法依据穿孔生产时段划分过程变量，并在每个子时段取相关过程变量的方差作为输入变量，克服了传统MPLS方法模型结构复杂、计算负荷大的缺点，解决了多时段间歇生产中模型对变量小幅波动不敏感问题，避免了建模和预报过程中的数据不等长问题，易于实现毛管质量的在线建模与预测。仿真表明，基于方差子时段MPLS方法模型比传统的MPLS模型具有更高的回归和预测精度，为斜轧穿孔毛管质量的提高提供了更有效的手段。
在建模前，首先对影响毛管质量的因素分析
为了更准确的建立毛管质量预测模型，首先需要对影响毛管质量的因素进行分析，以避免建模中信息不全和存在冗余，降低模型的精度。通过对工艺特性分析后可知，不同时段中各自变量对毛管质量的影响不同。一部分变量只在某个时段存在并可作为观测毛管质量因素，而另一部分变量则贯穿整个生产过程，对毛管质量有较大的影响。根据实际生产情况，可将管坯穿孔过程分成三个主要子时段：一次不稳定穿孔子时段、稳定穿孔子时段和二次不稳定穿孔子时段。
一次不稳定穿孔子时段是从轧件和轧辊接触开始，到金属充满变形区为止。这一子时段对毛管质量有影响测量变量为上轧辊入口侧温度、下轧辊入口侧温度、上辊压下量、下辊压上量、上辊倾角值、下轧辊倾角值、上轧辊转速、下轧辊转速、推钢机位置、止推小车的实际位置和顶杆位置等。本文建立的第一步进子时段只包含一次不稳定穿孔子时段。
稳定穿孔子时段是从金属充满变形区开始，到管坯尾部遇到顶头为止。此时段与一次不稳定穿孔子时段相比，与质量相关的测量变量增加了上轧辊出口侧温度、下轧辊出口侧温度、左导盘转速、右导盘转速，减少了推钢机位置、止推小车的实际位置和顶杆位置。第二步进子时段包含一次不稳定穿孔子时段和稳定穿孔子时段。
二次不稳定穿孔子时段是从管坯尾部接触顶头开始，到管坯离开轧辊为止。该时段与稳定穿孔子时段比较，与质量相关的测量变量减少了上轧辊入口侧温度、下轧辊入口侧温度。第三步进子时段包含所有三个子时段的数据信息。
要对毛管质量进行评估，需要给出衡量毛管质量的量化指标。由于毛管质量集中反映在其管形与内部组织上，而内部组织只能通过对最终产品进行了轧卡、水压等测试实验测得，因此本文只选择管形进行质量分析。热轧无缝钢管的壁厚精度, 特别是横向壁厚不均度是钢管的一个极为重要的质量指标。毛管横向壁厚不均是最大壁厚与名义壁厚之比，其计算公式如式(1)所示。
Figure 2011101124898100002DEST_PATH_IMAGE001
          (1)
    式中：
Figure 183787DEST_PATH_IMAGE002
 ——相对横向壁厚不均；
          
Figure 2011101124898100002DEST_PATH_IMAGE003
  ——钢管的最大壁厚；
          
Figure 382687DEST_PATH_IMAGE004
  ——钢管的最小壁厚；
           ——钢管的名义壁厚。
毛管纵向壁厚不均的大小由毛管前端壁厚的平均值与后端壁厚的平均值之差来确定，其计算公式如式(2)所示。
Figure 113883DEST_PATH_IMAGE006
          (2)
式中：
Figure 2011101124898100002DEST_PATH_IMAGE007
和分别是在钢管前端和后端测得的壁厚之和；
Figure 2011101124898100002DEST_PATH_IMAGE009
是每端上测量的点数。
基于对影响毛管质量因素的上述分析，为实现斜轧穿孔生产的无缝钢管的质量，采用下述技术方案：
一种毛管质量预报与控制方法，包括毛管质量预测模型建模方法和基于方差子时段MPLS质量预报模型的迭代优化控制方法；
预报模型建立
本发明在对穿孔过程各时段分析的基础上，确定了建模所需的各时段过程变量，再将各时段批次生产数据展开成二维矩阵，将展开后的数据进行分时段处理，对每个过程变量在该时段取方差，对过程变量数据处理后，应用MPLS方法对其建立质量预报模型。用MPLS算法得到
Figure 731083DEST_PATH_IMAGE010
和质量矩阵
Figure 2011101124898100002DEST_PATH_IMAGE011
之间的回归关系：
外部关系：
Figure 671357DEST_PATH_IMAGE012
Figure 2011101124898100002DEST_PATH_IMAGE013
其中：A为保留的主成分个数，得分向量
Figure 866846DEST_PATH_IMAGE014
， 
Figure 2011101124898100002DEST_PATH_IMAGE015
；负载向量
Figure 109740DEST_PATH_IMAGE016
，
Figure 2011101124898100002DEST_PATH_IMAGE017
；得分矩阵
Figure 554627DEST_PATH_IMAGE018
，
Figure 2011101124898100002DEST_PATH_IMAGE019
；负载矩阵
Figure 501855DEST_PATH_IMAGE020
，
Figure 2011101124898100002DEST_PATH_IMAGE021
。
内部关系： 
Figure 207643DEST_PATH_IMAGE022
其中，，是X空间潜变量
Figure 746071DEST_PATH_IMAGE024
和Y空间潜变量
Figure 2011101124898100002DEST_PATH_IMAGE025
的内部回归系数。
    因为b为对角阵，且，那么Y的模型可写为
则
Figure 429174DEST_PATH_IMAGE028
，即为所求的预报模型；
所述基于方差子时段MPLS质量预报模型的迭代优化控制方法，由于模型误差和未知扰动的影响，采用一次离线优化得到的控制变量轨迹，在投入实际应用中可能得不到理想的质量指标，这时就需要在穿孔生产过程中依据人工采样的检测结果不断进行控制变量轨迹的调整。迭代学习算法经常被用来与基于模型的控制算法相结合，以抵消模型不准带来的控制问题。本发明利用迭代学习控制的方法不断修正控制变量轨迹，抵消模型误差和未知扰动带来的影响，使得毛管质量不断趋于理想指标，根据
Figure 927151DEST_PATH_IMAGE028
，第k个测量批次的毛管质量指标
Figure 2011101124898100002DEST_PATH_IMAGE029
可表示为：
式中：
Figure 2011101124898100002DEST_PATH_IMAGE031
为行向量，表示第k个测量批次展开后的数据，
Figure 2011101124898100002DEST_PATH_IMAGE033
，为最终产品质量预报值，为质量模型的误差；
若期望达到的毛管质量为，则第k个测量批次的毛管质量实测偏差为 
Figure 244945DEST_PATH_IMAGE036
最终质量指标的实际偏差如下
Figure 2011101124898100002DEST_PATH_IMAGE037
则第k+1个测量批次的实测偏差为：
Figure 249810DEST_PATH_IMAGE038
为了使第k+1个测量批次的毛管质量接近期望毛管质量，结上合式，构造如下二次目标函数，可得优化变量增量
Figure 2011101124898100002DEST_PATH_IMAGE039
Figure 891007DEST_PATH_IMAGE040
式中，为正定的对角矩阵，当的权值越大，
Figure 473876DEST_PATH_IMAGE039
的变化越慢，收敛也就越慢。令
Figure 2011101124898100002DEST_PATH_IMAGE043
            
其中，
Figure 790588DEST_PATH_IMAGE044
从上式(15)中能得出增量可以通过第k次预测误差
Figure DEST_PATH_IMAGE045
得到。因为预测模型和实际存在不可知误差，所以预测误差
Figure 612230DEST_PATH_IMAGE045
应当被修正；第k+1次变量轨迹应被修正为 
Figure 486777DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
为权重因子，它能调整优化速度；
根据增量的计算方法，终点质量误差能确定是逐步收敛的，k+1批次的终点质量误差可被描述为：
Figure 386916DEST_PATH_IMAGE048
    
所以，如果满足
Figure DEST_PATH_IMAGE049
,则式上是收敛的，毛管质量的误差逐渐减小。实测偏差和模型误差之和
Figure 87019DEST_PATH_IMAGE050
是逐步收敛的，在算法实施时，确定批次初始值为
Figure DEST_PATH_IMAGE051
，所以。
质量建模和控制方法实验
取某钢厂SWW斜轧穿孔机2010年100根20号钢管坯穿孔生产数据，分成两组：前65根用来建立质量预报模型，后35根用来测试模型，检验其对毛管质量的预估精度。试验工艺条件为轧辊直径，入口锥角
Figure 723854DEST_PATH_IMAGE054
，导盘直径
Figure DEST_PATH_IMAGE055
，碾轧角
Figure 295781DEST_PATH_IMAGE056
，导盘距离
Figure DEST_PATH_IMAGE057
，管坯直径
Figure 861891DEST_PATH_IMAGE058
，轧辊初始温度
Figure DEST_PATH_IMAGE059
，导盘初始温度
Figure 366822DEST_PATH_IMAGE060
，顶头温度为
Figure 212549DEST_PATH_IMAGE060
。
对65根毛管的生产数据按图1方式展开和处理，得到二维数据阵，得到等长的数据阵X(65,1170)。其中，数据采集周期为100ms，一次不稳定穿孔子时段确定11个过程变量，采集时间为1s。稳定穿孔子时段确定12个过程变量，采集时间为8s。二次不稳定穿孔子时段确定10个过程变量，采集时间为1s。针对上述数据作图1所示的处理得到数据阵X(65,33)，代入式（3）～（7）利用方差子时段MPLS方法建立质量预报模型。利用同样方法采集35根毛管生产数据用于模型检验。将整理的检验数据阵Xnew(35,33)代入式（6）中，进行质量预报检验。
为了与传统间歇过程质量预报模型相比校，对先前建模的65根毛管生产数据，选取15个过程变量，数据采集周期为100ms，采集时间10s。在仿真建模中对数据阵X(65,1500)用传统MPLS方法建立质量预报模型。同样方法整理35根毛管生产数据形成检验数据阵Xnew(35,1500)进行质量预报检验。在第120点、900点和1400点分别测量两个模型的质量预报精度。图2和图3为两种预报模型的检验数据预报结果。
由图2和图3可见，在各段的横向和纵向壁厚误差预测结果中，基于方差子时段MPLS方法建立的质量预报模型误差明显小于传统MPLS方法模型。基于方差子时段MPLS方法模型的横向和纵向壁厚误差预测精度为91.2%和90.5%，而传统MPLS方法模型预测精度为82.1%和80.5%。由此可见方差子时段MPLS方法模型较MPLS方法模型有更高的预报精度。
然后加入迭代学习优化控制方法不断修正控制变量轨迹，产品质量误差逐渐收敛。从图4和图5可知，当第5批次控制完成时，质量误差已能够很好的满足要求。表1显示优化控制的参数，包括上下轧辊压上量、上下轧辊倾角值、上下轧辊转速、左右导盘转速和管坯温度。
表1毛管壁厚偏差迭代学习控制计算结果
No 表量名称 初始值 一次迭代值 二次迭代值 三次迭代值 四次迭代值
1 上轧辊压下量 630.728 633.535 635.342 636.445 636.749
2 下轧辊压上量 630.728 633.535 635.342 636.445 636.749
3 上轧辊倾角值 14.400 14.565 14.660 14.705 14.720
4 下轧辊倾角值 14.400 14.565 14.660 14.705 14.720
5 上轧辊转速 250.53 241.27 234.68 231.89 230.94
6 下轧辊转速 250.53 241.27 234.68 231.89 230.94
7 左导盘转速 27.86 26.71 25.96 25.18 24.97
8 右导盘转速 27.86 26.71 25.96 25.18 24.97
9 管坯温度 1265 1270 1273 1275 1276
本发明的优点在于：
（1）该方法根据斜轧穿孔过程特性，将过程划分成具有不同变量影响的三个子时段，并利用各子时段变量方差建立二维的MPLS模型，使得模型精度提高了12%。
（2）该方法克服了传统和改进间歇过程质量预测方法模型结构复杂、计算负荷大的缺点，解决了多时段间歇生产中模型对变量小幅波动不敏感问题，避免了建模和预报过程中的数据不等长问题，易于实现毛管质量的在线建模与预测。
（3）利用迭代优化控制方法，毛管的横向壁厚误差从6.08%减小到5.48%，毛管的纵向壁厚误差从1.16mm减小到0.97mm。质量精度提高了10%。
仿真和实验验证了基于方差子时段MPLS建模和控制方法在斜轧穿孔毛管质量预报和控制中的可行性和有效性，并可以推广应用于其它的多时段间歇工业过程的质量预报。
附图说明
图1是管坯穿孔过程数据的展开和处理示图。
图2是检验数据的横向壁厚误差预报结果示图。
图3是检验数据的纵向壁厚误差预报结果示图。
图4是横向壁厚误差迭代学习控制效果示图。   
图5是纵向壁厚误差迭代学习控制效果示图。 

Claims (1)

1.一种毛管质量预报模型的建模方法，包括毛管质量预报模型建模和基于方差子时段MPLS质量预报模型的迭代优化控制方法，其特征是：
预报模型建立
在对穿孔过程各时段分析的基础上，确定了建模所需的各时段过程变量，再将各时段批次生产数据展开成二维矩阵，将展开后的数据进行分时段处理，对每个过程变量在该时段取方差，对过程变量数据处理后，应用MPLS方法对其建立质量预报模型，用MPLS算法得到                                                
Figure 2011101124898100001DEST_PATH_IMAGE001
和质量矩阵
Figure 2011101124898100001DEST_PATH_IMAGE002
之间的回归关系：
外部关系：
Figure 2011101124898100001DEST_PATH_IMAGE003
其中：A为保留的主成分个数，得分向量
Figure 2011101124898100001DEST_PATH_IMAGE005
， 
Figure 2011101124898100001DEST_PATH_IMAGE006
；负载向量，
Figure 2011101124898100001DEST_PATH_IMAGE008
；得分矩阵
Figure 2011101124898100001DEST_PATH_IMAGE009
，
Figure 2011101124898100001DEST_PATH_IMAGE010
；负载矩阵
Figure 2011101124898100001DEST_PATH_IMAGE011
，
Figure 2011101124898100001DEST_PATH_IMAGE012
；
内部关系： 
Figure 2011101124898100001DEST_PATH_IMAGE013
其中，，是X空间潜变量
Figure 2011101124898100001DEST_PATH_IMAGE015
和Y空间潜变量
Figure 2011101124898100001DEST_PATH_IMAGE016
的内部回归系数；
    因为b为对角阵，且
Figure 2011101124898100001DEST_PATH_IMAGE017
，那么Y的模型可写为
Figure 2011101124898100001DEST_PATH_IMAGE018
则
Figure 2011101124898100001DEST_PATH_IMAGE019
，即为所求的预报模型；
所述基于方差子时段MPLS质量预报模型的迭代优化控制方法，由于模型误差和未知扰动的影响，采用一次离线优化得到的控制变量轨迹，在投入实际应用中可能得不到理想的质量指标，这时就需要在穿孔生产过程中依据人工采样的检测结果不断进行控制变量轨迹的调整，迭代学习算法经常被用来与基于模型的控制算法相结合，以抵消模型不准带来的控制问题；利用迭代学习控制的方法不断修正控制变量轨迹，抵消模型误差和未知扰动带来的影响，使得毛管质量不断趋于理想指标，根据
Figure 233654DEST_PATH_IMAGE019
，第k个测量批次的毛管质量指标
Figure 2011101124898100001DEST_PATH_IMAGE020
可表示为：
Figure 2011101124898100001DEST_PATH_IMAGE021
式中：
Figure 2011101124898100001DEST_PATH_IMAGE022
为行向量，
Figure 2011101124898100001DEST_PATH_IMAGE023
表示第k个测量批次展开后的数据，
Figure 2011101124898100001DEST_PATH_IMAGE024
，为最终产品质量预报值，
Figure 2011101124898100001DEST_PATH_IMAGE025
为质量模型的误差；
若期望达到的毛管质量为
Figure 2011101124898100001DEST_PATH_IMAGE026
，则第k个测量批次的毛管质量实测偏差为 
最终质量指标的实际偏差如下：
Figure 2011101124898100001DEST_PATH_IMAGE028
则第k+1个测量批次的实测偏差为：
Figure 2011101124898100001DEST_PATH_IMAGE029
为了使第k+1个测量批次的毛管质量接近期望毛管质量，结上合式，构造如下二次目标函数，可得优化变量增量
Figure 2011101124898100001DEST_PATH_IMAGE030
式中，为正定的对角矩阵，当
Figure 2011101124898100001DEST_PATH_IMAGE033
的权值越大，的变化越慢，收敛也就越慢；令
Figure 2011101124898100001DEST_PATH_IMAGE034
            
其中，
Figure 2011101124898100001DEST_PATH_IMAGE035
从上式(15)中能得出增量
Figure 301503DEST_PATH_IMAGE030
可以通过第k次预测误差
Figure 2011101124898100001DEST_PATH_IMAGE036
得到；因为预报模型和实际存在不可知误差，所以预测误差应当被修正；第k+1次变量轨迹应被修正为：
Figure 2011101124898100001DEST_PATH_IMAGE037
其中，
Figure 2011101124898100001DEST_PATH_IMAGE038
为权重因子，它能调整优化速度；
根据增量
Figure 635719DEST_PATH_IMAGE030
的计算方法，终点质量误差能确定是逐步收敛的，k+1批次的终点质量误差可被描述为 
Figure DEST_PATH_IMAGE039
    
所以，如果满足,则式上是收敛的，毛管质量的误差逐渐减小；实测偏差和模型误差之和
Figure DEST_PATH_IMAGE041
是逐步收敛的，在算法实施时，确定批次初始值为，所以
Figure DEST_PATH_IMAGE043
。
CN2011101124898A 2011-05-03 2011-05-03 一种毛管质量预报与控制方法 Expired - Fee Related CN102213961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011101124898A CN102213961B (zh) 2011-05-03 2011-05-03 一种毛管质量预报与控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011101124898A CN102213961B (zh) 2011-05-03 2011-05-03 一种毛管质量预报与控制方法

Publications (2)

Publication Number Publication Date
CN102213961A CN102213961A (zh) 2011-10-12
CN102213961B true CN102213961B (zh) 2013-06-12

Family

ID=44745308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011101124898A Expired - Fee Related CN102213961B (zh) 2011-05-03 2011-05-03 一种毛管质量预报与控制方法

Country Status (1)

Country Link
CN (1) CN102213961B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295795A (zh) * 2016-08-09 2017-01-04 衢州学院 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法
CN109002068B (zh) * 2018-09-07 2021-04-02 开封大学 一种火道的温度优化控制方法
CN116748352B (zh) * 2023-08-14 2023-11-07 江苏新恒基特种装备股份有限公司 一种金属弯管机加工参数监测控制方法、系统及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07136710A (ja) * 1993-11-18 1995-05-30 Sumitomo Metal Ind Ltd 熱間押出製管法及び同製管装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
潘孝礼等.基于均值子时段MPLS方法的毛管质量预报.《系统仿真学报》.2008,第20卷(第07期),1677-1680. *
肖冬等.基于步进子时段MICR方法的毛管质量预报.《仪器仪表学报》.2007,第28卷(第12期),2190-2195. *

Also Published As

Publication number Publication date
CN102213961A (zh) 2011-10-12

Similar Documents

Publication Publication Date Title
WO2023130666A1 (zh) 一种基于数据驱动和机理模型融合的板带钢凸度预测方法
Eden et al. “Crowding in” and the Returns to Government Investment in Low-Income Countries
CN103092078B (zh) 多阶段间歇生产过程的全程优化方法
CN103722022B (zh) 一种轧制过程中摩擦系数模型优化系统及方法
CN102880905B (zh) 一种常顶油干点在线软测量方法
CN111241657A (zh) 一种基于深度学习的冷轧带钢板形预测方法
Xu et al. An artificial neural network for mixed frequency data
CN102213961B (zh) 一种毛管质量预报与控制方法
CN111666653B (zh) 一种带钢精轧模型设定精度的在线评判方法
JPWO2008012881A1 (ja) 圧延ラインの材質予測および材質制御装置
CN106825069B (zh) 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法
CN110773573B (zh) 一种板形调控功效系数实测数据处理方法
CN102426439A (zh) 一种基于数据驱动的荒管质量预报与控制方法
CN106540968A (zh) 冷轧板形测量值的补偿方法及装置
CN113373295A (zh) 基于多层感知器的退火炉数字孪生智慧报警系统及方法
CN109013717B (zh) 一种热连轧中间坯心部温度计算方法
CN102397886B (zh) 冷轧带钢横向温差引起板形检测误差的修正系统
CN105290122B (zh) 一种rbf网络支持的agc系统厚度测量装置
CN101927268B (zh) 冷连轧带钢厚度控制方法
CN103593493B (zh) 一种基于集成梯度数据elm-pls方法的减径管质量预报方法
CN103377318B (zh) 冷轧带钢在线板形统计方法
CN111931425A (zh) 一种基于rf算法的热轧q355b钢种的性能预测系统
CN113441556A (zh) 一种低温卷取型热轧双相钢的层流冷却工艺控制方法
Bu et al. Rolling schedule multi-objective optimizationbased on influence function for thin gauge steel strip in tandem cold rolling
CN116108932A (zh) 一种钢铁生产过程数据和机理融合模型建立方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130612

Termination date: 20140503