CN102937784A - 基于人工神经网络的铸坯质量在线预报的控制方法 - Google Patents
基于人工神经网络的铸坯质量在线预报的控制方法 Download PDFInfo
- Publication number
- CN102937784A CN102937784A CN2012104263859A CN201210426385A CN102937784A CN 102937784 A CN102937784 A CN 102937784A CN 2012104263859 A CN2012104263859 A CN 2012104263859A CN 201210426385 A CN201210426385 A CN 201210426385A CN 102937784 A CN102937784 A CN 102937784A
- Authority
- CN
- China
- Prior art keywords
- layer
- input
- prediction
- network
- output
- 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.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及基于人工神经网络的铸坯质量在线预报的控制方法,包括如下步骤:首先选择预测模型变量,建立神经网络模型;在确定了网络模型的结构和目标误差以后,选择训练样本对建立的三层BP神经网络进行学习和训练,在网络输出层误差满足要求后,保存权值和阈值;得到训练和验证好的网络模型;利用训练和验证好的BP神经网络模型对连铸板坯中间裂纹进行在线预测的控制。本发明利用了神经网络的分类能力,通过比较预测值和实测值的差别来评定网络模型的预测效果,保证了模型的预测精度。采用本发明,实现了连铸生产过程的铸坯质量的在线自动预测,操作简单,可预测铸坯质量缺陷的类型及缺陷等级,用于指导现场生产。
Description
技术领域
本发明属于冶金自动控制技术领域,特别涉及一种铸坯质量在线预报的控制方法,利用人工神经网络技术对铸坯质量在线预测和预报。
背景技术
近几十年来,连铸坯热送热装以及连铸坯连轧技术使连铸成为最活跃的研究领域,这些技术的发展大幅度降低了设备投入及生产成本,提高了产品竞争力。热送、热装、直接轧制技术优点多多,但要求生产线上生产的是无缺陷铸坯,即铸坯的表面质量和内部质量基本上能不经清理就能满足直接轧制的要求。
过去,连铸机生产的铸坯质量主要以冷态下铸坯的质量来评定。但这种冷态取样和检查的传统铸坯质量控制方法显然不能满足热送、热装和直接轧制工艺的要求。对缺陷铸坯进行检测判定并生产中及时在线预报和检测铸坯质量,对确保生产的连续性、提高产品质量及降低生产成本具有重要的意义。
目前铸坯质量预报方法主要为:
(1)基于物理手段的检测判定,要包括:涡流检测、光学检测、感应加热检测、电磁超声波测试法等,这些方法可检测出的缺陷定量描述参数和缺陷种类都十分有限,无法综合评估产品的表面质量状况。
(2)质量判定专家系统,通过对冶金专家知识(包括现场经验和数据挖掘规则)、构建知识库,并设计推理机制建立连铸板坯判定专家系统。同时利用解释接口对专家系统的判定进行理解,进而指导板坯质量的控制。而知识的质量和数量又是决定专家系统性能的关键因素,需要对长期生产经验的归纳总结。
对于铸坯质量来说,影响并产生质量缺陷的因素太多,且各因素之间存在着非线性关系,很难用准确的数学方程进行描述,因此,引进人工智能技术来对铸坯质量进行在线预报,对铸坯质量各特性参数的非线性、不确定性和复杂性进行有效的检测和预报显得非常必要。
人工神经网络是在对人脑组织结构和运行机制的认识理解基础上,模拟其结构和智能行为的一种工程系统。它利用非线性处理单元来模拟生物神经元,用多层、多个处理单元的网络构成一个大规模并行的非线性系统,适合于表达多影响因子的非线性复杂因果规律。神经网络可以在不建立数学模型的条件下,通过训练学习建立输入集与输出集之间的映射关系,适合于处理需要同时考虑许多因素和条件不确定以及模糊的信息问题。因此利用人工神经网络来建立质量预报模型具有非常显著的优势。
发明内容
本发明要解决的技术问题是:提供一种基于人工神经网络的铸坯质量在线预报的控制方法,能够及时准确的在线对铸坯质量进行预测和预报。
为解决上述技术问题,本发明采取的技术方案是:
基于人工神经网络的铸坯质量在线预报的控制方法,其特征在于该方法包括如下步骤:
步骤1:首先选择预测模型变量,建立神经网络模型;
设定具体的铸坯质量缺陷预测目标,并将影响该预测目标的相应的工艺设备参数变量作为输入层的节点;然后确定中间层和输出层变量、输入层至中间层以及中间层至输入层的各连接权值、中间层以及输出层的阈值,建立由输入层、隐含层、输出层构成的三层BP神经网络模型;
三层BP网络模型的结构为:输入层n个输入神经元分别代表影响设定为预测目标的铸坯质量缺陷的n个主要工艺和设备参数,隐含层q个隐含神经元作为中间层各单元,输出层1个输出神经元代表铸坯质量缺陷预测目标的质量缺陷等级;输入层与隐含层之间通过输入层至中间层的连接权值相关联;隐含层和输出层通过中间层至输入层的连接权值关联;
设定为预测目标的铸坯质量缺陷为铸坯纯净度、表面横裂纹、表面纵裂纹、角部裂纹、中心裂纹、中间裂纹、三角区裂纹、中心偏析和疏松中的一项或多项;
步骤2:在确定了网络模型的结构和目标误差以后,选择训练样本对步骤1中建立的三层BP神经网络进行学习和训练,在网络输出层误差满足要求后,保存权值和阈值;然后重新利用预测样本对已经训练好的网络进行预测,如果预测结果准确,则说明网络设计成功,能够应用在实际生产中,否则,返回训练阶段,调整各个参数,重新训练网络;并通过训练样本进行网络预测验证,得到训练和验证好的网络模型;
步骤3:利用步骤2中训练和验证好的BP神经网络模型对连铸板坯中间裂纹进行在线预测的控制。
按上述技术方案,步骤2主要包括:初始化各变量、权值和阈值;设定学习速率和目标输出误差;读取训练样本数据;通过不断的调整网络的权值和阈值,直到得到合适的输入输出关系,并保存权值和阈值,网络学习和训练过程结束。
按上述技术方案,步骤3中,在模型的输入端口在线跟踪作为n个输入神经元的n个工艺设备参数值;网络的中间层神经元用训练好的权值和阈值,根据输入值对中间层的输入、输出值进行计算:同时网络的输出层神经元用训练好的权值和阈值,根据中间层传递来的数据对输出层的输入、输出值进行计算;网络输出层的输出值即为具体的铸坯质量缺陷预测目标的等级结果。
按上述技术方案,所述的具体的铸坯质量缺陷预测目标为板坯中间裂纹预测;影响板坯中间裂纹预测的工艺设备参数主要包括:钢中硫含量、锰硫比、钢水过热度、铸坯拉速、辊缝误差、辊子对中;预测板坯中间裂纹在线预测的三层BP神经网络模型的结构为:6个输入神经元分别代表影响板坯中间裂纹的6个主要工艺设备参数值,19个隐含神经元或中间层神经元,1个输出神经元代表板坯中间裂纹结果;
选定的各权值的区间为(0,0.5),选定0~1之间随机赋予各阈值;学习速率和动量因子赋值区间分别为(0.25,0.8),在学习初期采用较大目标误差以加速学习,然后逐步减小目标误差以提高精度,目标误差或控制精度E的取值范围0.001~0.1;
选择近期的20组200个有效的样本数据对其训练,通过不断的调整网络的权值和阈值,直到得到合适的输入输出关系,并保存权值和阈值,网络学习和训练以及预测验证过程结束;
最后,利用上述训练和验证好的网络进行连铸板坯中间裂纹的在线预报,在程序的输入端口在线跟踪所设置的6个工艺设备参数值,网络的中间层神经元用训练好的权值和阈值,根据输入值对中间层的输入、输出值进行计算,同时网络的输出层神经元用训练好的权值和阈值,根据中间层传递来的数据对输出层的输入、输出值进行计算,网络输出层的输出值即为板坯中间裂纹的等级。
本发明的原理为:BP网络算法的学习和训练过程由下面4个过程组成:(1)模式正向传播:输入值由输入层经隐含层处理,并传向输出层,每一层神经元的状态只影响下一层神经元的状态;(2)误差反向传播:如果在输出层不能得到预期的结果,则将输出误差由输出层向输入层逐层修正连接权;(3)迭代训练过程:由正向传播和反向传播的反复交替进行网络的训练、记忆;(4)收敛过程:网络趋向收敛即网络的全局误差趋向极小值的过程。根据对铸坯质量缺陷的形成机理和影响因素分析,选用三层BP网络为原型,建立BP神经网络模型分别对各种具体的质量缺陷等级进行预测,选择影响铸坯质量的主要工艺、设备参数作为输入层的节点,主要参数如:拉速、过热度、二冷水量、辊缝偏差等。同时确定三层网络的隐含层节点。
本发明用BP神经网络预测铸坯质量缺陷,利用了神经网络的分类能力,而这种能力是通过对训练样本集的学习获得的。通过比较预测值和实测值的差别来评定网络模型的预测效果,保证了模型的预测精度。采用本发明,实现了连铸生产过程的铸坯质量的在线自动预测,操作简单,可预测铸坯质量缺陷的类型及缺陷等级,用于指导现场生产。
附图说明
图1为三层BP网络结构示意图;
图中:xi表示输入层第i个节点的输入,i=1,...,n;
wij表示隐含层第j个节点到输入层第i个节点之间的权值;
θj表示隐含层第j个节点的阈值;
f(x)表示隐含层的激励函数;
vj表示输出层节点到隐含层第j个节点之间的权值,j=1,...,q;t=1;
a表示输出层节点的阈值,
C表示输出层节点的输出。
图2为根据本发明实施的方法的网络学习过程流程图;
图3为根据本发明实施的方法的预测过程流程图。
具体实施方式
以下结合实施例对本发明作进一步说明,但不限定本发明。
三层BP神经网络模型结构如图1所示。三层BP网络模型的结构为:输入层n个输入神经元分别代表影响质量缺陷的n个主要工艺、设备参数,中间层或隐含层q个隐含神经元,输出层1个输出神经元代表铸坯缺陷研究对象的某种质量缺陷等级。
步骤1:首先选择预测模型变量,初步建立模型:
建立由输入层、隐含层、输出层构成的三层BP神经网络模型;各参数说明如下:
网络输入变量Pk=(x1,x2,...,xn);网络目标变量Tk=y;隐含层单元输入变量Sk=(s1,s2,..,sq),输出变量Bk=(b1,b2,..,bq);输出层单元输入变量Lk=l;输出变量Ck=c;隐含层第j个节点到输入层第i个节点之间的连接权值wij,i=1,2,...n,j=1,2,..q;隐含层第j个节点到输出层节点之间的连接权值vj,j=1,2,..q;隐含层第j个节点的阈值θj,j=1,2,..q;输出层节点的阈值a;训练或学习样本的序号k=1,2,...,m,其中m为学习样本的组数;
步骤2:从质量监测系统中选择数量足够多且典型性好、精度高的近期质量工艺数据作为训练样本数据;然后利用选定的训练样本对建立的网络进行训练或学习;待网络结构确定后,重新利用该训练样本对网络进行预测验证;预测验证合格则说明网络模型建立成功,可以转为实际预测,否则重新进行网络训练直到最终预测验证合格;如图2所示,具体步骤如下:
(1)初始化。给每个连接权值wij、vjt、阈值θj、a赋予区间(-1,1)内的随机值。
(3)用输入样本隐含层第j个节点到输入层第i个节点之间的连接权值wij和隐含层第j个节点的阈值θj计算隐含层各单元的输入值sj,然后用sj通过激励函数计算隐含层各单元的输出值bj;j为隐含层单元序号,bj为隐含层第j个单元;其中:
bj=f(sj),j=1,2,..q;
(4)利用隐含层各单元的输出值bj、隐含层第j个节点到输出层节点之间的连接权值vj和输出层节点的阈值a计算输出层各单元的输出Lk,然后通过激励函数计算输出层单元的输出量Ck:
(5)利用网络目标样本Tk=yk,网络实际的输出层单元的输出量Ck,计算输出层的一般化误差dk:
dk=(yk-Ck)·Ck·(1-Ck);
(6)利用隐含层第j个节点到输出层节点之间的连接权值vj、输出层的一般化误差dk和隐含层各单元的输出值bj计算隐含层各单元的误差
(7)利用输出层的一般化误差dk与隐含层各单元的输出值bj来修正隐含层第j个节点到输出层节点之间的连接权值vj和输出层节点的阈值a:
vj(N+1)=vj(N)+α·dk·bj;
a(N+1)=a(N)+α·dk;
j=1,2,..p,0<α<1;
i=1,2,...n,j=1,2,..q,0<β<1;
(9)从m个学习或训练样本中随机选取下一个学习样本提供给网络,返回到步骤(3),直到m个训练或学习样本训练完毕;
(10)重新从m个学习样本中随机选取一组作为输入变量和目标变量提供给网络,返回步骤(3)中进行模型预测验证,直到网络输出层误差E(k)小于预先设定的一个极小值E,即网络收敛,可以用于实际预测;其中E(k)为系统对m组学习样本的输出层误差函数:
如果学习次数大于预先设定的最大学习或训练次数值,网络无法收敛,返回步骤(1),调整每个连接权值wij、vit、阈值θj、a,重新进行网络的学习和训练、以及模型预测验证,直到达到收敛;
(11)网络训练或学习结束;
步骤3:基于步骤2中训练和验证好的BP神经网络模型对连铸板坯中间裂纹进行在线预测的控制,如图3所示;
首先对反映铸坯质量缺陷结果进行统计分析,然后对生产的工艺记录和设备的定检测量结果为基础,从理论上分析讨论各工艺、设备因素对板坯内部质量的影响。本实施例对板坯内部缺陷形成机理和影响板坯中间裂纹的工艺设备因素进行分析,选择影响板坯中间裂纹的主要工艺设备参数作为输入层的节点,所述的工艺设备参数主要包括:钢中硫含量、锰硫比、钢水过热度、铸坯拉速、辊缝误差、辊子对中;
然后,根据选定的参数和具体的质量缺陷预报目标(本实施例中即需要预报板坯中间裂纹)建立并训练三层BP神经网络模型:
确定板坯中间裂纹在线预测的三层BP神经网络模型的结构为:6个输入神经元分别代表影响板坯中间裂纹的6个主要工艺设备参数值,19个隐含神经元或中间层神经元,1个输出神经元代表板坯中间裂纹结果。选定的各权值的区间为(0,0.5),选定0~1之间随机赋予各阈值;
学习速率和动量因子赋值区间分别为(0.25,0.8),在学习初期采用较大目标误差以加速学习,然后逐步减小目标误差以提高精度,目标误差或控制精度的取值范围0.001~0.1;
选择近期的20组200个有效的样本数据对其训练,通过不断的调整网络的权值和阈值,直到得到合适的输入输出关系,并保存权值和阈值,网络学习和训练过程结束;
最后,利用上述训练好的网络进行连铸板坯中间裂纹的在线预报,在程序的输入端口在线跟踪所设置的6个工艺设备参数值,网络的中间层神经元用训练好的权值和阈值,根据输入值对中间层的输入、输出值进行计算,同时网络的输出层神经元用训练好的权值和阈值,根据中间层传递来的数据对输出层的输入、输出值进行计算,网络输出层的输出值即为板坯中间裂纹的等级。
同样,对于铸坯质量的其他表现形式,如铸坯纯净度,表面横裂纹、表面纵裂纹,角部裂纹、中心裂纹、中间裂纹、三角区裂纹、中心偏析和疏松以及其他影响铸坯的质量缺陷;均可以根据各自的工艺设备影响参数建立相应的BP网络模型,进行类似于实施例1的在线预报控制,不在给出具体实施例。
Claims (5)
1.基于人工神经网络的铸坯质量在线预报的控制方法,其特征在于该方法包括如下步骤:
步骤1:首先选择预测模型变量,建立神经网络模型;
设定具体的铸坯质量缺陷预测目标,并将影响该预测目标的相应的工艺设备参数变量作为输入层的节点;然后确定中间层和输出层变量、输入层至中间层以及中间层至输入层的各连接权值、中间层以及输出层的阈值,建立由输入层、隐含层、输出层构成的三层BP 神经网络模型;
三层BP 网络模型的结构为:输入层n个输入神经元分别代表影响设定为预测目标的铸坯质量缺陷的n个主要工艺和设备参数,隐含层q个隐含神经元作为中间层各单元,输出层1个输出神经元代表铸坯质量缺陷预测目标的质量缺陷等级;输入层与隐含层之间通过输入层至中间层的连接权值相关联;隐含层和输出层通过中间层至输入层的连接权值关联;
设定为预测目标的铸坯质量缺陷为铸坯纯净度、表面横裂纹、表面纵裂纹、角部裂纹、中心裂纹、中间裂纹、三角区裂纹、中心偏析和疏松中的一项或多项;
步骤2:在确定了网络模型的结构和目标误差以后,选择训练样本对步骤1中建立的三层BP 神经网络进行学习和训练,在网络输出层误差满足要求后,保存权值和阈值;然后重新利用预测样本对已经训练好的网络进行预测,如果预测结果准确,则说明网络设计成功,能够应用在实际生产中,否则,返回训练阶段,调整各个参数,重新训练网络;并通过训练样本进行网络预测验证,得到训练和验证好的网络模型;
步骤3:利用步骤2中训练和验证好的BP 神经网络模型对连铸板坯中间裂纹进行在线预测的控制。
2.根据权利要求1所述的方法,其特征在于:步骤2主要包括:初始化各变量、权值和阈值;设定学习速率和目标输出误差;读取训练样本数据;通过不断的调整网络的权值和阈值,直到得到合适的输入输出关系,并保存权值和阈值,网络学习和训练过程结束。
3.根据权利要求1或2所述的方法,其特征在于:步骤3中,在模型的输入端口在线跟踪作为n个输入神经元的n个工艺设备参数值;网络的中间层神经元用训练好的权值和阈值,根据输入值对中间层的输入、输出值进行计算:同时网络的输出层神经元用训练好的权值和阈值,根据中间层传递来的数据对输出层的输入、输出值进行计算;网络输出层的输出值即为具体的铸坯质量缺陷预测目标的等级结果。
4.根据权利要求1或2所述的方法,其特征在于:所述的具体的铸坯质量缺陷预测目标为板坯中间裂纹预测;影响板坯中间裂纹预测的工艺设备参数主要包括:钢中硫含量、锰硫比、钢水过热度、铸坯拉速、辊缝误差、辊子对中;预测板坯中间裂纹在线预测的三层BP 神经网络模型的结构为:6个输入神经元分别代表影响板坯中间裂纹的6 个主要工艺设备参数值, 19 个隐含神经元或中间层神经元,1 个输出神经元代表板坯中间裂纹结果;
选定的各权值的区间为(0,0.5),选定0~1之间随机赋予各阈值; 学习速率和动量因子赋值区间分别为(0.25,0.8),在学习初期采用较大目标误差以加速学习,然后逐步减小目标误差以提高精度,目标误差或控制精度E的取值范围0.001~0.1;
选择近期的20组200个有效的样本数据对其训练,通过不断的调整网络的权值和阈值,直到得到合适的输入输出关系,并保存权值和阈值,网络学习和训练以及预测验证过程结束;
最后,利用上述训练和验证好的网络进行连铸板坯中间裂纹的在线预报,在程序的输入端口在线跟踪所设置的6个工艺设备参数值,网络的中间层神经元用训练好的权值和阈值,根据输入值对中间层的输入、输出值进行计算,同时网络的输出层神经元用训练好的权值和阈值,根据中间层传递来的数据对输出层的输入、输出值进行计算,网络输出层的输出值即为板坯中间裂纹的等级。
5.根据权利要求3所述的方法,其特征在于:所述的具体的铸坯质量缺陷预测目标为板坯中间裂纹预测;影响板坯中间裂纹预测的工艺设备参数主要包括:钢中硫含量、锰硫比、钢水过热度、铸坯拉速、辊缝误差、辊子对中;预测板坯中间裂纹在线预测的三层BP 神经网络模型的结构为:6个输入神经元分别代表影响板坯中间裂纹的6 个主要工艺设备参数值, 19 个隐含神经元或中间层神经元,1 个输出神经元代表板坯中间裂纹结果;
选定的各权值的区间为(0,0.5),选定0~1之间随机赋予各阈值; 学习速率和动量因子赋值区间分别为(0.25,0.8),在学习初期采用较大目标误差以加速学习,然后逐步减小目标误差以提高精度,目标误差或控制精度E的取值范围0.001~0.1;
选择近期的20组200个有效的样本数据对其训练,通过不断的调整网络的权值和阈值,直到得到合适的输入输出关系,并保存权值和阈值,网络学习和训练以及预测验证过程结束;
最后,利用上述训练和验证好的网络进行连铸板坯中间裂纹的在线预报,在程序的输入端口在线跟踪所设置的6个工艺设备参数值,网络的中间层神经元用训练好的权值和阈值,根据输入值对中间层的输入、输出值进行计算,同时网络的输出层神经元用训练好的权值和阈值,根据中间层传递来的数据对输出层的输入、输出值进行计算,网络输出层的输出值即为板坯中间裂纹的等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104263859A CN102937784A (zh) | 2012-10-30 | 2012-10-30 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104263859A CN102937784A (zh) | 2012-10-30 | 2012-10-30 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102937784A true CN102937784A (zh) | 2013-02-20 |
Family
ID=47696684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012104263859A Pending CN102937784A (zh) | 2012-10-30 | 2012-10-30 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102937784A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324085A (zh) * | 2013-06-09 | 2013-09-25 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
CN105008066A (zh) * | 2013-02-27 | 2015-10-28 | 现代制铁株式会社 | 用于控制超低碳钢板坯的表面品质的方法 |
CN106842922A (zh) * | 2017-01-14 | 2017-06-13 | 合肥工业大学 | 一种数控加工误差优化方法 |
CN106872509A (zh) * | 2017-03-09 | 2017-06-20 | 华南理工大学 | 一种基于红外成像的注塑制品质量在线检测装置与方法 |
CN108475351A (zh) * | 2015-12-31 | 2018-08-31 | 科磊股份有限公司 | 用于半导体应用的基于机器学习的模型的加速训练 |
CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
CN109191459A (zh) * | 2018-09-30 | 2019-01-11 | 东北大学 | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 |
CN109240203A (zh) * | 2018-09-03 | 2019-01-18 | 中冶连铸技术工程有限责任公司 | 一种基于多模型的连铸坯定重控制方法 |
CN109816191A (zh) * | 2017-11-20 | 2019-05-28 | 财团法人资讯工业策进会 | 多工作站系统的质量预测方法及其系统 |
CN110490862A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁(张家港)有限公司 | 一种提高连铸探伤合格率的方法及装置 |
CN110751261A (zh) * | 2018-07-23 | 2020-02-04 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN111582634A (zh) * | 2020-03-26 | 2020-08-25 | 西南交通大学 | 一种地下大空间施工多因素安全分级方法及系统 |
CN111859788A (zh) * | 2020-07-07 | 2020-10-30 | 鞍钢股份有限公司 | 一种基于方坯连铸二冷区温度均匀预测及评价方法 |
CN112099353A (zh) * | 2020-09-09 | 2020-12-18 | 浙江大学 | 基于散度约束核判别分析的连铸坯皮下夹渣缺陷预报方法 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN112989687A (zh) * | 2019-12-18 | 2021-06-18 | 上海梅山钢铁股份有限公司 | 一种基于冶金原理的连铸坯角横裂缺陷的预报方法 |
CN113256624A (zh) * | 2021-06-29 | 2021-08-13 | 中移(上海)信息通信科技有限公司 | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 |
CN113311795A (zh) * | 2021-05-28 | 2021-08-27 | 长安大学 | 一种基于机器学习的智能产线产品质量管控方法及系统 |
CN113326962A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于bp神经网络的地铁列车ato速度曲线预测方法 |
CN113359453A (zh) * | 2021-06-11 | 2021-09-07 | 刘颖妮 | 一种基于人工智能的零件加工装置及其智能车间系统 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
CN113631867A (zh) * | 2019-03-15 | 2021-11-09 | 3M创新有限公司 | 使用因果模型控制制造过程 |
CN113869766A (zh) * | 2021-10-11 | 2021-12-31 | 吉林大学 | 一种合金板材冲裁质量的智能检测建模方法 |
US11580375B2 (en) | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006095590A (ja) * | 2004-09-30 | 2006-04-13 | Honda Motor Co Ltd | アルミダイキャスト製品の鋳造条件の最適化方法 |
CN101367114A (zh) * | 2007-08-14 | 2009-02-18 | 上海蓝鸟机电有限公司 | 连铸板坯结晶器漏钢预报系统 |
CN101905239A (zh) * | 2010-07-15 | 2010-12-08 | 首钢总公司 | 一种40Cr线棒材力学性能预报系统 |
CN101966570A (zh) * | 2009-07-27 | 2011-02-09 | 中冶赛迪工程技术股份有限公司 | 一种连铸实体仿真及虚拟实现平台 |
CN102319883A (zh) * | 2011-10-09 | 2012-01-18 | 北京首钢自动化信息技术有限公司 | 一种连铸坯质量在线预报的控制方法 |
-
2012
- 2012-10-30 CN CN2012104263859A patent/CN102937784A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006095590A (ja) * | 2004-09-30 | 2006-04-13 | Honda Motor Co Ltd | アルミダイキャスト製品の鋳造条件の最適化方法 |
CN101367114A (zh) * | 2007-08-14 | 2009-02-18 | 上海蓝鸟机电有限公司 | 连铸板坯结晶器漏钢预报系统 |
CN101966570A (zh) * | 2009-07-27 | 2011-02-09 | 中冶赛迪工程技术股份有限公司 | 一种连铸实体仿真及虚拟实现平台 |
CN101905239A (zh) * | 2010-07-15 | 2010-12-08 | 首钢总公司 | 一种40Cr线棒材力学性能预报系统 |
CN102319883A (zh) * | 2011-10-09 | 2012-01-18 | 北京首钢自动化信息技术有限公司 | 一种连铸坯质量在线预报的控制方法 |
Non-Patent Citations (2)
Title |
---|
李向奎等: "基于BP神经网络的铸坯质量预报模型", 《连铸自动化技术研讨会论文集》 * |
李向奎等: "铸坯质量预报系统及其对生产管理与数据采集的要求", 《大方坯圆坯异型坯连铸技术研讨会论文集》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105008066A (zh) * | 2013-02-27 | 2015-10-28 | 现代制铁株式会社 | 用于控制超低碳钢板坯的表面品质的方法 |
CN105008066B (zh) * | 2013-02-27 | 2017-03-08 | 现代制铁株式会社 | 用于控制超低碳钢板坯的表面品质的方法 |
CN103324085B (zh) * | 2013-06-09 | 2016-03-02 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
CN103324085A (zh) * | 2013-06-09 | 2013-09-25 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
US11580375B2 (en) | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
CN108475351A (zh) * | 2015-12-31 | 2018-08-31 | 科磊股份有限公司 | 用于半导体应用的基于机器学习的模型的加速训练 |
CN106842922A (zh) * | 2017-01-14 | 2017-06-13 | 合肥工业大学 | 一种数控加工误差优化方法 |
CN106872509A (zh) * | 2017-03-09 | 2017-06-20 | 华南理工大学 | 一种基于红外成像的注塑制品质量在线检测装置与方法 |
CN109816191A (zh) * | 2017-11-20 | 2019-05-28 | 财团法人资讯工业策进会 | 多工作站系统的质量预测方法及其系统 |
CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
CN110751261A (zh) * | 2018-07-23 | 2020-02-04 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN109240203A (zh) * | 2018-09-03 | 2019-01-18 | 中冶连铸技术工程有限责任公司 | 一种基于多模型的连铸坯定重控制方法 |
CN109191459B (zh) * | 2018-09-30 | 2022-02-11 | 东北大学 | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 |
CN109191459A (zh) * | 2018-09-30 | 2019-01-11 | 东北大学 | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 |
CN113631867A (zh) * | 2019-03-15 | 2021-11-09 | 3M创新有限公司 | 使用因果模型控制制造过程 |
CN110490862A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁(张家港)有限公司 | 一种提高连铸探伤合格率的方法及装置 |
CN112989687B (zh) * | 2019-12-18 | 2023-11-07 | 上海梅山钢铁股份有限公司 | 一种基于冶金原理的连铸坯角横裂缺陷的预报方法 |
CN112989687A (zh) * | 2019-12-18 | 2021-06-18 | 上海梅山钢铁股份有限公司 | 一种基于冶金原理的连铸坯角横裂缺陷的预报方法 |
CN113326962A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于bp神经网络的地铁列车ato速度曲线预测方法 |
CN111582634B (zh) * | 2020-03-26 | 2024-02-23 | 西南交通大学 | 一种地下大空间施工多因素安全分级方法及系统 |
CN111582634A (zh) * | 2020-03-26 | 2020-08-25 | 西南交通大学 | 一种地下大空间施工多因素安全分级方法及系统 |
CN111859788B (zh) * | 2020-07-07 | 2023-11-10 | 鞍钢股份有限公司 | 一种基于方坯连铸二冷区温度均匀预测及评价方法 |
CN111859788A (zh) * | 2020-07-07 | 2020-10-30 | 鞍钢股份有限公司 | 一种基于方坯连铸二冷区温度均匀预测及评价方法 |
CN112099353B (zh) * | 2020-09-09 | 2021-12-28 | 浙江大学 | 基于散度约束核判别分析的连铸坯皮下夹渣缺陷预报方法 |
CN112099353A (zh) * | 2020-09-09 | 2020-12-18 | 浙江大学 | 基于散度约束核判别分析的连铸坯皮下夹渣缺陷预报方法 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN113311795A (zh) * | 2021-05-28 | 2021-08-27 | 长安大学 | 一种基于机器学习的智能产线产品质量管控方法及系统 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断系统 |
CN113359453A (zh) * | 2021-06-11 | 2021-09-07 | 刘颖妮 | 一种基于人工智能的零件加工装置及其智能车间系统 |
CN113256624A (zh) * | 2021-06-29 | 2021-08-13 | 中移(上海)信息通信科技有限公司 | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 |
CN113869766A (zh) * | 2021-10-11 | 2021-12-31 | 吉林大学 | 一种合金板材冲裁质量的智能检测建模方法 |
CN113869766B (zh) * | 2021-10-11 | 2024-04-09 | 吉林大学 | 一种合金板材冲裁质量的智能检测建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102937784A (zh) | 基于人工神经网络的铸坯质量在线预报的控制方法 | |
Xie et al. | Online prediction of mechanical properties of hot rolled steel plate using machine learning | |
CN103886373B (zh) | 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法 | |
Hardwinarto et al. | Rainfall monthly prediction based on artificial neural network: A case study in Tenggarong Station, East Kalimantan-Indonesia | |
CN103019267B (zh) | 高速列车anfis建模与运行速度预测控制方法 | |
CN102393884B (zh) | 基于bp神经网络的热连轧电磁感应加热温度预测方法 | |
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
Altınkaya et al. | Artificial neural network application for modeling the rail rolling process | |
CN104636823B (zh) | 一种风电功率预测方法 | |
CN103871246A (zh) | 基于路网空间关系约束Lasso的短时交通流预测方法 | |
CN102880908B (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
CN106862284B (zh) | 一种冷轧板带信号模式识别的方法 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
CN113902202A (zh) | 基于双重注意力机制和lstm的短期负荷预测模型和方法 | |
CN109598381A (zh) | 一种基于状态频率记忆神经网络的短时交通流预测方法 | |
CN106845711A (zh) | 供电可靠性数据的处理方法及处理装置 | |
Yuan et al. | Fitting analysis of inland ship fuel consumption considering navigation status and environmental factors | |
CN111832215A (zh) | 一种在线预测钢板组织性能的方法 | |
CN104134103B (zh) | 利用修正的bp神经网络模型预测热油管道能耗的方法 | |
Barrios et al. | Fuzzy and fuzzy grey-box modelling for entry temperature prediction in a hot strip mill | |
CN107703760A (zh) | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 | |
Kazemi et al. | A hierarchical artificial neural network for transport energy demand forecast: Iran case study | |
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 | |
Qazani et al. | Multiobjective Optimization of Roll-Forming Procedure Using NSGA-II and Type-2 Fuzzy Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130220 |