CN104375478A - 一种轧钢生产过程产品质量在线预测与优化的方法及装置 - Google Patents
一种轧钢生产过程产品质量在线预测与优化的方法及装置 Download PDFInfo
- Publication number
- CN104375478A CN104375478A CN201410449579.XA CN201410449579A CN104375478A CN 104375478 A CN104375478 A CN 104375478A CN 201410449579 A CN201410449579 A CN 201410449579A CN 104375478 A CN104375478 A CN 104375478A
- Authority
- CN
- China
- Prior art keywords
- production operation
- data
- product quality
- quality index
- rolling production
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 239
- 238000005096 rolling process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 32
- 229910000831 Steel Inorganic materials 0.000 title abstract description 17
- 239000010959 steel Substances 0.000 title abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 239000002245 particle Substances 0.000 claims description 64
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
Abstract
本发明公开了一种轧钢生产过程产品质量在线预测与优化的方法及装置,涉及质量预测与优化技术领域,所述方法包括:对连接现场控制网络的各个轧钢生产工序进行数据采集,获取所述各个轧钢生产工序的当前生产操作数据;根据当前生产操作数据预测与其对应的当前产品质量指标数据;将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,并根据比对的结果找到各个轧钢生产工序的最优操作条件;根据各个轧钢生产工序的最优操作条件,对各个轧钢生产工序的生产操作数据进行相应调节,以便优化轧钢生产的产品质量。本发明能够对产品生产过程的各种操作变量进行实时控制,实现对轧钢生产过程的产品实时、有效的质量控制以及质量优化。
Description
技术领域
本发明涉及质量预测与优化技术领域,特别涉及一种轧钢生产过程产品质量在线预测与优化的方法及装置。
背景技术
近年来,我国在轧钢领域有了长足的进步,技术经济指标进一步完善,轧钢设备现代化和国产化的重大突破为提高产能、提升钢品位及质量打下稳固的基础,高新技术对钢铁工业进行创新和改造方面取得了一批重要成果。然而,目前我国钢铁企业问题仍很多,很多板材产品存在着质量问题,使得生产出来的板材产品在质量和技术含量方面仍无法满足市场的需求。因此,对其实施质量控制,是企业急需解决的理论与技术问题。
我国钢铁企业的轧钢生产过程的产品质量参数,主要基于数学模型并以专家经验为指导的,经过较长期的试验所决定的。然而,得到各种变量与产品质量之间的数学模型,是一项十分复杂的工作,高精度的产品质量预测模型更是难以建立,且需进行大量的计算及到现场进行试验,这样既消耗很多财力,又存在着严重的时间滞后性。
发明内容
本发明的目的在于提供一种轧钢生产过程产品质量在线预测与优化的方法及装置,能够解决轧钢生产过程中无法高精度地建立产品质量预测模型,以及所存在的操作复杂、耗费财力和时间滞后性的问题。
根据本发明的一个方面,提供了一种轧钢生产过程产品质量在线预测与优化的方法,包括:
对连接现场控制网络的各个轧钢生产工序进行数据采集,获取所述各个轧钢生产工序的当前生产操作数据;
根据当前生产操作数据预测与其对应的当前产品质量指标数据;
将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,并根据比对的结果找到各个轧钢生产工序的最优操作条件;
根据各个轧钢生产工序的最优操作条件,对各个轧钢生产工序的生产操作数据进行相应调节,使调节后的各个轧钢生产工序的生产操作数据与所述最优操作条件相适配,以便优化轧钢生产的产品质量。
优选地,根据当前生产操作数据预测与其对应的当前产品质量指标数据包括:
利用预置的生产操作数据与产品质量指标数据的对应关系,找到与所采集到的当前生产操作数据对应的当前产品质量指标数据。
优选地,根据当前生产操作数据预测与其对应的当前产品质量指标数据包括:
将所述当前产品质量指标数据作为一个产品质量预测模型的输入变量进行实时计算;
将计算得到的与所述输入变量对应的输出变量作为当前产品质量指标数据;
其中,所述产品质量预测模型是预先利用神经网络建立的以历史生产操作数据为输入变量、历史产品质量指标数据为输出变量的预测模型。
优选地,所述的根据比对的结果找到各个轧钢生产工序的最优操作条件的步骤包括:
根据比对的结果,利用预置的产品操作优化模型找到与所述当前生产操作数据相适配的最优操作条件;
其中,所述预置的产品操作优化模型是预先利用粒子群优化算法建立的以生产操作数据为待优化变量、预置的目标产品质量指标数据为目标变量的优化模型。
优选地,所述的将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,根据比对的结果找到各个轧钢生产工序的最优操作条件的步骤包括:
生成包括多个粒子的粒子群,其中每个粒子含有一组由各个轧钢生产工序的生产操作数据组成的数据集;
根据所述预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,得到对应于所述当前生产操作数据的当前粒子的基准质量指标差值;
将对应于其他粒子的各个轧钢生产工序的生产操作数据的产品质量指标数据分别与所述预置的目标产品质量指标数据进行比对,得到其他粒子的质量指标差值;
通过将其他粒子的质量指标差值分别与基准质量指标差值进行比较,将质量指标差值小于基准质量指标差值的粒子选作各个轧钢生产工序的待选粒子集合;
从所述待选粒子集合中找到与所述当前生产操作数据相适配的粒子作为各个轧钢生产工序的最优操作条件。
优选地,所述的从所述待选粒子集合中找到与所述当前生产操作数据相适配的粒子作为各个轧钢生产工序的最优操作条件的步骤包括:
将对应于所述待选粒子集合中的粒子的各个轧钢生产工序的生产操作数据的产品质量指标数据依次与所述预置的目标产品质量指标数据进行比较,将得到的最接近所述预置的目标产品质量指标数据的粒子作为各个轧钢生产工序的最优操作条件。
根据本发明的另一方面,提供了一种轧钢生产过程产品质量在线预测与优化的装置,包括:
采集单元,用于对连接现场控制网络的各个轧钢生产工序进行数据采集,获取所述各个轧钢生产工序的当前生产操作数据;
预测单元,用于根据当前生产操作数据预测与其对应的当前产品质量指标数据;
最优单元,用于将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,并根据比对的结果找到各个轧钢生产工序的最优操作条件;
调节单元,用于根据各个轧钢生产工序的最优操作条件,对各个轧钢生产工序的生产操作数据进行相应调节,使调节后的各个轧钢生产工序的生产操作数据与所述最优操作条件相适配,以便优化轧钢生产的产品质量。
优选地,所述预测单元进一步包括:
对应模块,用于利用预置的生产操作数据与产品质量指标数据的对应关系,找到与所采集到的当前生产操作数据对应的当前产品质量指标数据。
优选地,所述预测单元进一步还包括:
计算模块,用于将所述当前产品质量指标数据作为一个产品质量预测模型的输入变量进行实时计算;
输出模块,用于将计算得到的与所述输入变量对应的输出变量作为当前产品质量指标数据。
优选地,所述最优单元进一步包括:
粒子群优化模块,用于根据比对的结果,利用预置的产品操作优化模型找到与所述当前生产操作数据相适配的最优操作条件。
与现有技术相比较,本发明的有益效果在于:能够利用神经网络技术建立轧钢生产过程的高精度产品质量预测模型实现产品质量的在线预测,以及利用优化算法实现产品质量的在线优化,并以对产品生产过程的各种操作变量进行实时控制的方式,实现对轧钢生产过程的产品实时、有效的质量控制,优化轧钢生产过程的产品质量。
附图说明
图1是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的方法原理图;
图2是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的装置结构图;
图3是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的结构示意图;
图4是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的在线预测流程图;
图5是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的在线优化流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的方法原理图,如图1所示,具体步骤如下:
步骤S1:对连接现场控制网络的各个轧钢生产工序进行数据采集,获取所述各个轧钢生产工序的当前生产操作数据;
步骤S2:根据当前生产操作数据预测与其对应的当前产品质量指标数据;
在步骤S2中,利用预置的生产操作数据与产品质量指标数据的对应关系,找到与所采集到的当前生产操作数据对应的当前产品质量指标数据。
还包括:
将所述当前产品质量指标数据作为一个产品质量预测模型的输入变量进行实时计算;
将计算得到的与所述输入变量对应的输出变量作为当前产品质量指标数据;
其中,所述产品质量预测模型是预先利用神经网络建立的以历史生产操作数据为输入变量、历史产品质量指标数据为输出变量的预测模型。
步骤S3:将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,并根据比对的结果找到各个轧钢生产工序的最优操作条件;
在步骤S3中,所述的根据比对的结果找到各个轧钢生产工序的最优操作条件的步骤包括:
根据比对的结果,利用预置的产品操作优化模型找到与所述当前生产操作数据相适配的最优操作条件;
其中,所述预置的产品操作优化模型是预先利用粒子群优化算法建立的以生产操作数据为待优化变量、预置的目标产品质量指标数据为目标变量的优化模型。
进一步地,所述的将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,根据比对的结果找到各个轧钢生产工序的最优操作条件的步骤包括:
生成包括多个粒子的粒子群,其中每个粒子含有一组由各个轧钢生产工序的生产操作数据组成的数据集;
根据所述预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,得到对应于所述当前生产操作数据的当前粒子的基准质量指标差值;
将对应于其他粒子的各个轧钢生产工序的生产操作数据的产品质量指标数据分别与所述预置的目标产品质量指标数据进行比对,得到其他粒子的质量指标差值;
通过将其他粒子的质量指标差值分别与基准质量指标差值进行比较,将质量指标差值小于基准质量指标差值的粒子选作各个轧钢生产工序的待选粒子集合;
从所述待选粒子集合中找到与所述当前生产操作数据相适配的粒子作为各个轧钢生产工序的最优操作条件。
进一步地,所述的从所述待选粒子集合中找到与所述当前生产操作数据相适配的粒子作为各个轧钢生产工序的最优操作条件的步骤包括:
将对应于所述待选粒子集合中的粒子的各个轧钢生产工序的生产操作数据的产品质量指标数据依次与所述预置的目标产品质量指标数据进行比较,将得到的最接近所述预置的目标产品质量指标数据的粒子作为各个轧钢生产工序的最优操作条件。
步骤S4:根据各个轧钢生产工序的最优操作条件,对各个轧钢生产工序的生产操作数据进行相应调节,使调节后的各个轧钢生产工序的生产操作数据与所述最优操作条件相适配,以便优化轧钢生产的产品质量。
图2是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的装置结构图,如图2所示,包括:采集单元、预测单元、最优单元和调节单元。
所述采集单元用于对连接现场控制网络的各个轧钢生产工序进行数据采集,获取所述各个轧钢生产工序的当前生产操作数据。
所述预测单元用于根据当前生产操作数据预测与其对应的当前产品质量指标数据。其中,所述预测单元的对应模块用于利用预置的生产操作数据与产品质量指标数据的对应关系,找到与所采集到的当前生产操作数据对应的当前产品质量指标数据。例如,根据历史生产操作数据和历史产品质量指标数据的对应关系建立生产操作数据和产品质量指标数据的映射表,通过采集当前生产操作数据,找到与所述当前生产操作数据相对应的当前产品质量指标数据。
此外,还包括另一种预测当前产品质量指标数据的方法,即所述预测单元的计算模块用于将所述当前产品质量指标数据作为一个产品质量预测模型的输入变量进行实时计算;所述预测单元的输出模块用于将计算得到的与所述输入变量对应的输出变量作为当前产品质量指标数据。
所述最优单元用于将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,并根据比对的结果找到各个轧钢生产工序的最优操作条件。其中,所述最优单元的粒子群优化模块用于根据比对的结果,利用预置的产品操作优化模型找到与所述当前生产操作数据相适配的最优操作条件。
所述调节单元用于根据各个轧钢生产工序的最优操作条件,对各个轧钢生产工序的生产操作数据进行相应调节,使调节后的各个轧钢生产工序的生产操作数据与所述最优操作条件相适配,以便优化轧钢生产的产品质量。
图3是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的结构示意图,如图3所示,包括:数据采集器、数据库服务器、应用服务器和客户端。
数据采集器用于采集来自各个工序(如,板坯准备工序、板坯加热工序、粗轧工序和卷取工序)的生产操作数据,并将其输出给数据库服务器。
数据库服务器用于存储生产操作数据、产品质量指标数据、预测结果和优化结果。
应用服务器用于接收并处理数据库服务器所存储的生产操作数据以及计算出产品质量指标数据,并将计算出的与该生产操作数据相适配的预测结果和优化结果输出给数据库服务器。
客户端连接数据库服务器,用于显示预测结果和优化结果。
具体实现步骤如下:
步骤1:利用采集到的历史生产操作数据和历史产品质量指标数据建立建模数据库。
步骤2:利用BP神经网络建立产品质量预测模型。
步骤3:利用步骤2训练好的产品质量预测模型实时计算各项产品质量指标,以达到产品质量的在线预测。
步骤4:利用粒子群优化算法对生产操作数据进行优化,寻找最优操作条件,从而指导操作人员对操作参数的调节。
在步骤1中,生产操作数据包括:炼铁、炼钢过程中的20个化学元素含量、板坯加热阶段的在炉时间和抽取温度、粗轧阶段的板坯厚度、卷取阶段的钢卷厚度、卷取温度和终轧温度。
产品质量指标数据包括:产品的断裂延伸率(ELI)、屈服强度(YS_Rel)、抗拉强度(YS_Rml)。
图4是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的在线预测流程图,如图4所示,在步骤2中,产品质量预测模型建立的具体步骤如下:
利用神经网络强大的自学习、自组织与自适应性,将其应用在多目标控制要求的轧钢复杂生产过程中,并通过步骤1将积累的原始生产操作数据作为输入变量X,原始产品质量指标数据作为输出变量Y,设BP网络每层具有N个处理单元,训练数据集包括M个样本模式对(Xk,Yk),k=1,2,ΛM,对第p个训练样本,单元j的输出总和记为netpj,输出记为Opj,则
Opj=f(netpj)
式中,Wji为神经节点i,j之间的权重;f为作用函数,采用Sigmoid函数,即
如果任意设置网络初始权重,那么对每一个输入模式,网络输出与期望输出一般总有误差,定义网络误差为
式中,dpj为第p个输入模式输出单元j的期望输出。
学习规则的实质是利用梯度最速下降法,使权值沿误差函数的负梯度方向变化。BP算法权值修正公式可以表示为
Wji(t+1)=Wji(t)+ηδpjOpj
式中,t为学习次数,η为学习因子。
当所有样本的误差均到达指定精度时训练停止,输出此时的最佳权值,此时网络模型即为建立好的产品质量预测模型。
在步骤3中,实时计算产品质量指标的具体步骤如下:
根据当前时刻的在线生产操作数据,通过步骤2得到的产品质量预测模型计算出实时的产品质量指标数据。
图5是本发明实施例提供的轧钢生产过程产品质量在线预测与优化的在线优化流程图。如图5所示,在步骤4中,优化生产操作数据的具体步骤如下:
设群体规模为N,将当前在线生产操作数据作为种群中的粒子,将目标产品质量指标数据作为目标变量,建立产品操作优化模型。在一个D维的目标搜索空间中,群体中的第i(i=1,2,ΛN)个粒子位置可以表示为一个D维矢量Xi=(xi1,xi2,ΛxiD)T,同时用Vi=(vi1,vi2,ΛviD)T表示第i个粒子的飞翔速度。初始化粒子的速度和位置,并通过适应度计算得到粒子的适应值。找出个体历史最优位置,即用Pi=(pi1,pi2,ΛpiD)T表示第i个粒子自身搜索到的最好点。而在这个种群中,至少有一个粒子是最好的,将其编号记为g,则Pg=(pg1,pg2,ΛpgD)T就是当前种群所搜索到种群的全局历史最优位置,即各个轧钢生产工序的最优操作条件。
粒子根据以下公式来更新其速度和位置:
其中,i=1,2,ΛN,j表示粒子的第j维,k表示迭代次数,c1,c2表示加速常数,一般在0~2之间取值,c1是为了调节粒子自身在最好位置飞行的步长,c2是为了调节粒子向全局最好位置飞行的步长。r1=rand(),r2=rand()为两个相互独立的随机函数。为了减少在进化过程中粒子离开搜索空间的可能性,vij通常限定于一定范围内,即vij∈[Vmin,Vmax]。
综上所述,本发明具有以下技术效果:通过提供神经网络技术建立轧钢生产过程的产品质量预测模型实现产品质量在线预测,实时、高精度地得到轧钢生产过程的产品各项质量指标,满足在线生产的需要;并利用优化算法实现产品质量的在线优化,在线帮助操作人员了解产品质量情况及最优操作条件,从而指导对操作参数的调节,实现对轧钢复杂生产过程的产品质量优化,提高产品质量稳定性和企业生产效益,并对轧钢生产过程的产品所实施的质量控制具有重要的理论意义和实际的应用价值。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (10)
1.一种轧钢生产过程产品质量在线预测与优化的方法,其特征在于,
对连接现场控制网络的各个轧钢生产工序进行数据采集,获取所述各个轧钢生产工序的当前生产操作数据;
根据当前生产操作数据预测与其对应的当前产品质量指标数据;
将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,并根据比对的结果找到各个轧钢生产工序的最优操作条件;
根据各个轧钢生产工序的最优操作条件,对各个轧钢生产工序的生产操作数据进行相应调节,使调节后的各个轧钢生产工序的生产操作数据与所述最优操作条件相适配,以便优化轧钢生产的产品质量。
2.根据权利要求1所述的方法,其特征在于,根据当前生产操作数据预测与其对应的当前产品质量指标数据包括:
利用预置的生产操作数据与产品质量指标数据的对应关系,找到与所采集到的当前生产操作数据对应的当前产品质量指标数据。
3.根据权利要求1所述的方法,其特征在于,根据当前生产操作数据预测与其对应的当前产品质量指标数据包括:
将所述当前产品质量指标数据作为一个产品质量预测模型的输入变量进行实时计算;
将计算得到的与所述输入变量对应的输出变量作为当前产品质量指标数据;
其中,所述产品质量预测模型是预先利用神经网络建立的以历史生产操作数据为输入变量、历史产品质量指标数据为输出变量的预测模型。
4.根据权利要求1所述的方法,其特征在于,所述的根据比对的结果找到各个轧钢生产工序的最优操作条件的步骤包括:
根据比对的结果,利用预置的产品操作优化模型找到与所述当前生产操作数据相适配的最优操作条件;
其中,所述预置的产品操作优化模型是预先利用粒子群优化算法建立的以生产操作数据为待优化变量、预置的目标产品质量指标数据为目标变量的优化模型。
5.根据权利要求4所述的方法,其特征在于,所述的将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,根据比对的结果找到各个轧钢生产工序的最优操作条件的步骤包括:
生成包括多个粒子的粒子群,其中每个粒子含有一组由各个轧钢生产工序的生产操作数据组成的数据集;
根据所述预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,得到对应于所述当前生产操作数据的当前粒子的基准质量指标差值;
将对应于其他粒子的各个轧钢生产工序的生产操作数据的产品质量指标数据分别与所述预置的目标产品质量指标数据进行比对,得到其他粒子的质量指标差值;
通过将其他粒子的质量指标差值分别与基准质量指标差值进行比较,将质量指标差值小于基准质量指标差值的粒子选作各个轧钢生产工序的待选粒子集合;
从所述待选粒子集合中找到与所述当前生产操作数据相适配的粒子作为各个轧钢生产工序的最优操作条件。
6.根据权利要求5所述的方法,其特征在于,所述的从所述待选粒子集合中找到与所述当前生产操作数据相适配的粒子作为各个轧钢生产工序的最优操作条件的步骤包括:
将对应于所述待选粒子集合中的粒子的各个轧钢生产工序的生产操作数据的产品质量指标数据依次与所述预置的目标产品质量指标数据进行比较,将得到的最接近所述预置的目标产品质量指标数据的粒子作为各个轧钢生产工序的最优操作条件。
7.一种轧钢生产过程产品质量在线预测与优化的装置,其特征在于,
采集单元,用于对连接现场控制网络的各个轧钢生产工序进行数据采集,获取所述各个轧钢生产工序的当前生产操作数据;
预测单元,用于根据当前生产操作数据预测与其对应的当前产品质量指标数据;
最优单元,用于将预置的目标产品质量指标数据与所预测的当前产品质量指标数据进行比对,并根据比对的结果找到各个轧钢生产工序的最优操作条件;
调节单元,用于根据各个轧钢生产工序的最优操作条件,对各个轧钢生产工序的生产操作数据进行相应调节,使调节后的各个轧钢生产工序的生产操作数据与所述最优操作条件相适配,以便优化轧钢生产的产品质量。
8.根据权利要求7所述的装置,其特征在于,所述预测单元进一步包括:
对应模块,用于利用预置的生产操作数据与产品质量指标数据的对应关系,找到与所采集到的当前生产操作数据对应的当前产品质量指标数据。
9.根据权利要求8所述的装置,其特征在于,所述预测单元进一步还包括:
计算模块,用于将所述当前产品质量指标数据作为一个产品质量预测模型的输入变量进行实时计算;
输出模块,用于将计算得到的与所述输入变量对应的输出变量作为当前产品质量指标数据。
10.根据权利要求7所述的装置,其特征在于,所述最优单元进一步包括:
粒子群优化模块,用于根据比对的结果,利用预置的产品操作优化模型找到与所述当前生产操作数据相适配的最优操作条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410449579.XA CN104375478B (zh) | 2014-09-04 | 2014-09-04 | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410449579.XA CN104375478B (zh) | 2014-09-04 | 2014-09-04 | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104375478A true CN104375478A (zh) | 2015-02-25 |
CN104375478B CN104375478B (zh) | 2018-09-14 |
Family
ID=52554473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410449579.XA Active CN104375478B (zh) | 2014-09-04 | 2014-09-04 | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104375478B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974896A (zh) * | 2016-06-07 | 2016-09-28 | 东北大学 | 一种基于信息物理融合的转炉炼钢优化控制系统及方法 |
CN107909204A (zh) * | 2017-11-14 | 2018-04-13 | 中铝视拓智能科技有限公司 | 一种生产工艺参数优化方法及装置 |
CN108053085A (zh) * | 2018-01-19 | 2018-05-18 | 山东大陆计量科技有限公司 | 生产质量控制方法及装置 |
CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及系统 |
CN109858780A (zh) * | 2019-01-14 | 2019-06-07 | 沈阳建筑大学 | 一种炼钢-连铸生产调度优化方法 |
CN111861173A (zh) * | 2020-07-08 | 2020-10-30 | 宇晶机器(长沙)有限公司 | 一种太阳能硅片多线切割机产品质量在线预测系统 |
CN112036701A (zh) * | 2020-07-30 | 2020-12-04 | 杭州安脉盛智能技术有限公司 | 一种面向多工序工业生产过程的工艺参数优化方法 |
CN112384924A (zh) * | 2018-07-26 | 2021-02-19 | 西门子股份公司 | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 |
CN114862283A (zh) * | 2022-07-05 | 2022-08-05 | 和尘自仪(嘉兴)科技有限公司 | 机床加工的质检方法、质检装置 |
CN116931530A (zh) * | 2023-09-15 | 2023-10-24 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172153A1 (en) * | 2002-12-12 | 2004-09-02 | Yale Zhang | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
CN101758084A (zh) * | 2008-12-26 | 2010-06-30 | 宝山钢铁股份有限公司 | 模型自适应的板形预测控制方法 |
CN101879530A (zh) * | 2010-06-25 | 2010-11-10 | 东北大学 | 热连轧带钢表面氧化铁皮厚度软测量方法 |
CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
CN103632014A (zh) * | 2013-12-18 | 2014-03-12 | 北京科技大学 | 一种热连轧产品生产流程的工艺参数预测方法 |
CN103839128A (zh) * | 2012-11-28 | 2014-06-04 | 沈阳铝镁设计研究院有限公司 | 一种针对电解铝厂生产过程质量管理的控制方法 |
-
2014
- 2014-09-04 CN CN201410449579.XA patent/CN104375478B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172153A1 (en) * | 2002-12-12 | 2004-09-02 | Yale Zhang | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
CN101758084A (zh) * | 2008-12-26 | 2010-06-30 | 宝山钢铁股份有限公司 | 模型自适应的板形预测控制方法 |
CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
CN101879530A (zh) * | 2010-06-25 | 2010-11-10 | 东北大学 | 热连轧带钢表面氧化铁皮厚度软测量方法 |
CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
CN103839128A (zh) * | 2012-11-28 | 2014-06-04 | 沈阳铝镁设计研究院有限公司 | 一种针对电解铝厂生产过程质量管理的控制方法 |
CN103632014A (zh) * | 2013-12-18 | 2014-03-12 | 北京科技大学 | 一种热连轧产品生产流程的工艺参数预测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974896A (zh) * | 2016-06-07 | 2016-09-28 | 东北大学 | 一种基于信息物理融合的转炉炼钢优化控制系统及方法 |
CN105974896B (zh) * | 2016-06-07 | 2018-08-28 | 东北大学 | 一种基于信息物理融合的转炉炼钢优化控制系统及方法 |
CN107909204A (zh) * | 2017-11-14 | 2018-04-13 | 中铝视拓智能科技有限公司 | 一种生产工艺参数优化方法及装置 |
CN108053085A (zh) * | 2018-01-19 | 2018-05-18 | 山东大陆计量科技有限公司 | 生产质量控制方法及装置 |
CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及系统 |
US20210263508A1 (en) * | 2018-07-26 | 2021-08-26 | Siemens Aktiengesellschaft | Product performance prediction modeling method and apparatus, computer device, computer-readable storage medium, and product performance prediction method and prediction system |
CN112384924A (zh) * | 2018-07-26 | 2021-02-19 | 西门子股份公司 | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 |
US11940782B2 (en) * | 2018-07-26 | 2024-03-26 | Siemens Aktiengesellschaft | Product performance prediction modeling to predict final product performance in case of device exception |
CN109858780A (zh) * | 2019-01-14 | 2019-06-07 | 沈阳建筑大学 | 一种炼钢-连铸生产调度优化方法 |
CN109858780B (zh) * | 2019-01-14 | 2023-01-31 | 沈阳建筑大学 | 一种炼钢-连铸生产调度优化方法 |
CN111861173A (zh) * | 2020-07-08 | 2020-10-30 | 宇晶机器(长沙)有限公司 | 一种太阳能硅片多线切割机产品质量在线预测系统 |
CN112036701A (zh) * | 2020-07-30 | 2020-12-04 | 杭州安脉盛智能技术有限公司 | 一种面向多工序工业生产过程的工艺参数优化方法 |
CN114862283A (zh) * | 2022-07-05 | 2022-08-05 | 和尘自仪(嘉兴)科技有限公司 | 机床加工的质检方法、质检装置 |
CN116931530A (zh) * | 2023-09-15 | 2023-10-24 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
CN116931530B (zh) * | 2023-09-15 | 2023-12-26 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104375478B (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104375478A (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN103676881B (zh) | 一种半导体生产线动态瓶颈分析方法 | |
CN103761423B (zh) | 一种基于pso-elm的热轧板材组织-性能预测方法 | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN104536412B (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
CN103942422B (zh) | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
Li et al. | Ensemble machine learning systems for the estimation of steel quality control | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
CN105205326B (zh) | 一种电厂实时负荷在线预测方法 | |
CN103761429A (zh) | 铣削加工工件表面粗糙度的预测方法 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
CN106778846A (zh) | 一种基于支持向量机的风电场风速预测方法 | |
CN109507961B (zh) | 一种半导体生产线动态负荷均衡投料控制方法 | |
CN112836884A (zh) | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 | |
CN113128124B (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
CN107704962A (zh) | 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法 | |
CN107358363A (zh) | 基于径向基函数神经网络组合模型的煤工发病率预测方法 | |
CN103778466B (zh) | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 | |
CN105975701A (zh) | 一种基于混合模糊模型的并行调度拆卸路径生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |