CN106345823A - 基于热轧钢卷生产流程的在线实时预测机械性能的方法 - Google Patents
基于热轧钢卷生产流程的在线实时预测机械性能的方法 Download PDFInfo
- Publication number
- CN106345823A CN106345823A CN201610798370.3A CN201610798370A CN106345823A CN 106345823 A CN106345823 A CN 106345823A CN 201610798370 A CN201610798370 A CN 201610798370A CN 106345823 A CN106345823 A CN 106345823A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- prediction
- residual error
- mechanical performance
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
基于热轧钢卷生产流程的在线实时预测机械性能的方法,属于冶金行业制造与信息化技术领域。基于历史真实工艺参数,对热轧钢卷的机械性能建立预测模型,通过预测模型,实现钢卷线上机械性能的单值预测和曲线预测。一方面对海量历史工艺参数进行分析、归纳,推导出稳定高效的性能预测模型。另一方面对模型进行管理及性能预测,对生产的钢卷进行实时线上机械性能预测,并将单值预测数据上传至MES三级系统,将曲线预测数据上传至质量判定系统。实现性能预测、判定全自动化,降低性能检验及人工成本,提高企业生产效率。
Description
技术领域
本发明属于冶金行业制造与信息化技术领域,特别是涉及基于热轧钢卷生产流程的在线实时预测机械性能的方法。
背景技术
金属材料在载荷作用下抵抗破坏的性能,称为机械性能(或称为力学性能)。金属材料使用性能的好坏,决定了它的使用范围与使用寿命,金属材料的机械性能是零件的设计和选材时的主要依据,外加载荷性质不同(例如拉伸、压缩、扭转、冲击、循环载荷等),对金属材料要求的机械性能也将不同。机械性能是金属材料的常用指标的一个集合,其中主要包括屈服、抗拉强度、延伸率、晶粒度等真实反应了金属材料的质量。
传统的热轧卷机械性能按照检验批进行取样。同钢种、同规格的热轧卷生产后组成同一检验批,并产生取样卷,对取样卷进行人工检测,检验出取样卷的机械性能,由取样卷性能代表同检验批内其他卷的性能。传统的检验流程存在着如下弊端:
1.检验流程涉及开卷、取样、送样、检验、返回性能等多道流程,检验周期长;
2.需要消耗一定量的人力、物力及财力成本;
3.机械性能检验只是针对取样卷局部检验,并未做整卷检验及全部卷检测,使得检验结
果具有局部性;
4.性能检验结果没有展示分析平台;
5.余材浪费。
发明内容
为了克服传统机械性能检验过程中的弊端,本发明提供一种基于热轧钢卷生产流程的在线实时预测机械性能的方法。
经过多年生产改进,热轧卷生产流程、工艺流程比较稳定,在此基础上热轧卷性能也比较稳定。质量管理人员也经过多年的经验,发现某些影响机械性能的相关因子。基于此,通过数据挖掘多元回归分析方法,寻找这些相关因子之间的关联关系,利用多年生产积累的海量相关因子数据,采用迭代思想不断地推导、验证,得出稳定的多元回归模型,将生产中热轧卷的相关因子作为模型输入参数,预测出热轧卷的性能值,从而代替原有取样、送样、检验、返回性能等多道流程,缩短生产流程,降低检验成本。基于热轧钢卷生产流程的在线实时预测机械性能的方法包括模型管理模块、规则配置模块、预测结果模块、模型评估模块。
所述的模型管理模块包括回归模型推导、模型录入、模型的启动以及产品工艺参数的优化等功能。其中模型的推导采用对海量历史真实的工艺参数数据进行分成抽样,并进行回归分析,推导出回归模型以及R方、均值、残差等统计参数;模型的录入功能对复杂模型进行分析,得出其常数项、参数项、系数等,并根据其配置的钢种一同录入到系统中;模型的启动功能提供对模型的查询、启动、停止、修改、删除等功能,模型启动后,系统实时线上对模型对应的钢种进行机械性能的单值预测即整卷平均机械性能预测、曲线预测即整卷不同位置的机械性能预测,并上传至生产系统;工艺参数优化功能根据稳定的模型及用户所需的机械性能值,通过响应优化技术得出最优的工艺参数值。
所述的规则配置模块包括规则的增、删、改、查等功能。将模型配置上相应的规则,支持模型性能预测结果值根据规则进行自动调整。
所述预测结果模块包括工艺参数展示、单值预测结果展示、曲线预测结果展示等功能。
所述模型评估模块将预测结果与真实数据对比,得出残差、R方等统计参数供岗位评估模型的可靠度。
基于热轧钢卷生产流程的在线实时预测机械性能的方法,具体步骤如下:
步骤一、模型的推导。不同钢种的钢卷在生产工艺流程和工艺参数数值中会有区别,因此在模型推到中需要按照不同钢种或相近钢种进行建模,此外,同一钢种不同的机械性能对应的模型也会不同。首先明确将要建模的钢种和机械性能,比如:确定对马口铁MR-T2、MR-T3、MR-T4、MR-T25钢种的延伸率进行建模分析;然后选择对机械性能可能有影响工艺参数,此环节可以融入分析人员经验,不必过分限制工艺参数的个数,比如:在熟悉生产工艺流程后,本系统中选择选择钢卷厚度、出炉温度、卷取温度、C、SI、MN、P、S、CU、ALT、CR、NI、MO、B、CA、SN、出炉温度、中间坯温度、精轧入口温度、终轧温度、卷取温度、板坯厚度、中间坯厚度、中间坯温度、F1—F7轧辊速度、季节;接下来进入样本准备环节,为了提高样本的代表性保持样本结构和总体结构的一致性,本系统按照分层抽样方法进行样本准备,选择两年时间,查询此时间范围内的对应钢种的卷数,按照实际生产量情况,此时间范围可以调整,比如:选择一年时间,按照C成分分层,每层的个数依据长期数据所占比例确定,选择4800卷样本,分层抽样如:
确定样本后,将工艺参数通过选择多元回归线性推导,系统显示回归公式、均方根误差、R方、调整的R方、模型的F值、模型的P值及每个参数对应的系数标准差、T值、P值,并系统自动绘制出残差的直方图、残差的正态图、残差正太显著性统计量P值,残差与拟合值的分布图、残差的分布图,判断是否符合线性模型,如果不符合则推导非线性模型。如:系统基于上述样本得出的模型的P值小于0.05,且通过对残差的正态图、残差正太显著性统计量P值分析得出残差符合正态分布,通过对残差与拟合值的分布图、残差的分布图分析得出残差与拟合值的大小无关且在0值上下随机波动,如果符合上述特点则可以采用线性回归分析,否则采用非线性回归分析,非线性回归模型的评价统计量同线性模型。通过每个参数对应的P值分析参数的显著性,如果P值小于0.05则认为是关键工艺参数,大于等于0.05则可考虑剔除,同时要求R方大于0.8,调整的R方与R方的差距在0.01范围内,越接近越好,这样反复推导,得出满足上述要求的回归模型。通过上述方法,系统得出的马口铁MR-T2、MR-T3、MR-T4、MR-T25钢种的延伸率回归模型为:50.849-2.984钢卷厚度-0.023出炉温度+0.004终轧温度+0.018卷取温度+0.023中间坯温度-92.883C+113.240SI-8.072MN+137.669P-47.465ALT。此模型的R方为0.9064,调整的R方为0.9030,P值约为0,通过参数显著性分析得出关键工艺参数为:钢卷厚度、出炉温度、终轧温度、卷取温度、中间坯温度、C、SI、MN、P、S、ALT。
步骤二、模型的录入。模型分为线性与非线性模型,即可用公式表达的一次或二次函数,考虑到分析人员有时会凭借经验人为调整系数或常数项,支持线性和非线性模型的录入。当确定某钢种某机械性能的模型公式后,首先选择钢种、某一机械性能,然后将其对应的公式及录入系统,系统自动分析模型的常数项、参数项、系数。
步骤三、模型的启动。不同的分析人员对同一钢种同一机械性推导的模型可能不同,因此系统支持针对同一钢种同一机械性可录入多个模型,当通过基于真实生产数据模型评估后,确定最优模型,然后在此环节将最优模型启动,系统按照最优模型实时线上将对应钢种的钢卷进行机械性能的单值及曲线预测,并将结果上传至生产系统和在线判定系统;
步骤四、模型评估。模型在启动之前需要对同一钢种同一机械性能的所有模型进行评估,抽取最近生产的此钢种的400卷数据进行统计分析,通过分析均方根误差、残差平方和、预测准确率进行对模型进行评估,准确率容忍下限为80%,其计算规则为:针对屈服强度,分子:|预测屈服强度值-真实屈服强度值|≤20的个数,分母:样本个数,即400;针对抗拉强度,分子:|预测抗拉强度值-真实抗拉强度值|≤30的个数,分母:样本个数,即400;针对延伸率,分子:|预测延伸率值-真实延伸率值|≤5,针对晶粒度,|预测晶粒度值-真实晶粒度值|≤1的个数,分母:样本个数,即400,以评估模型的可靠度,确定最优模型。对于已启动的模型,使用一段时间后或者工艺设备进行调整后,需要对模型进行上述评估,发现准确率大幅度下降时需要返回步骤一,重新推导模型,形成闭环优化模型,使模型满足实际生产动态。
实现性能预测、判定全自动化,降低性能检验及人工成本,提高企业生产效率。
附图说明:
下面结合附图和实例对本发明进一步说明。
图1是本发明的业务架构图。
图2是本发明的功能结构图。
具体实施方式:
下面结合附图对本发明的具体实施方式进行详细的说明。
本发明提出一种基于热轧钢卷生产流程的在线实时预测机械性能的方法,结合实例详细说明如下:
如图1所示,系统对工艺参数进行分析,确定性能关键因子,并利用多元回归方法分析,进行模型推导;然后根据模型以及生产工艺参数,对钢卷性能进行实时预测,包括单值预测和整卷曲线预测;将配置的业务规则应用到模型中,使得性能预测结果可以根据规则进行调整;基于预测结果进行分析,将预测结果和真实值进行对比评估,计算评估指标,对于超出指标范围的模型进行优化或重新推导。
本发明解决其技术问题所采用的技术方案是:
为了便于对多钢种多性能的分析,结合热轧卷生产流程,在系统中构建了参数主数据,即分析的参数为:钢卷厚度、C、SI、MN、P、S、ALT、V、NB、TI、CU、CR、NI、MO、B、CA、SN、出炉温度、中间坯温度、精轧入口温度、终轧温度、卷取温度、板坯厚度、中间坯厚度、F1—F7轧辊速度、SH、WH、终轧温度尾部4之5米均值、卷取温度尾部4之5米均值、钢卷厚度尾部4之5米均值。举例:针对马口铁MR-T2、MR-T3、MR-T4、MR-T25钢种的下屈服、抗拉强度、延伸率、晶粒度四种机械性能进行模型推导。
通过分析得出,同一钢种不同机械性能的关键参数不同,模型也不同,模型均可用公式表达,得出屈服强度的关键工艺参数为钢卷厚度、出炉温度、卷取温度、C、SI、MN、P、S、CU、ALT;抗拉强度的关键工艺参数为钢卷厚度、C、SI、MN、P、S、ALT、NB、TI、CU、CR、NI、MO、SN、出炉温度、中间坯温度、终轧温度、卷取温度;延伸率的关键工艺参数为钢卷厚度、出炉温度、终轧温度、卷取温度、中间坯温度、C、SI、MN、P、S、ALT;晶粒度的关键工艺参数为C、P、钢卷厚度、终轧温度、卷取温度。
屈服强度模型为850.869-36.698*钢卷厚度-0.0406*出炉温度-0.807*卷取温度+469.993*C+788.147*SI+56.609*MN-322.243*P-934.761*S-964.571*CU+821.819*ALT+20.533*(钢卷厚度-2.268)*(钢卷厚度-2.2680)-0.008*(卷取温度-590.698)*(卷取温度-590.698)-1.790*(钢卷厚度-2.268)*(MN-0.366)
抗拉强度模型为24.321-3.4343*钢卷厚度+4916.239*C+261.331*SI+63.318*MN+271.202*P+287.731*S-195.361*ALT+2726.706*NB+821.994*TI-1091.9*CU+2029.833*CR-3620.44*NI-3371.382*MO+4549.273*SN-0.04546*出炉温度+0.01155*中间坯温度+0.2085*终轧温度+0.1083*卷取温度-371643.717(S-0.006025)*(ALT-0.03187)-3438058.548(C-0.001491)*(TI-0.05092)+464980.291(ALT-0.0318659836065574)*(CU-0.005533)-1921488.457(C-0.001491)*(CR-0.01488)-1899332.901(TI-0.05092)*(MO-0.0009779)+2559112.886(NI-0.004363)*(SN-0.0004168)+120.553(NB-0.0012799)*(出炉温度-1251.242)-25.593(ALT-0.03187)*(中间坯温度-1063.121)
延伸率模型为50.849-2.984钢卷厚度-0.023出炉温度+0.004终轧温度+0.018卷取温度+0.023中间坯温度-92.883C+113.240SI-8.072MN+137.669P-47.465ALT
晶粒度模型为54.747+18.285C+29.274P-0.697钢卷厚度-0.027终轧温度-0.034卷取温度
按照公式书写规范将模型录入系统,如:(1)针对非线性公式:两个括号项之间用*号;(2)变量与变量直接相乘用*号表示;(3)每一项的系数后无*号,直接写变量或括号项。系统支持对历史数据按照录入的公式线上验证,即选择某一模型,选择一段时间范围,系统可自动按照此模型计算预测值,并计算出残差,即真实值-预测值。同时可在模型评估模块对模型进行评估择优,确定可用模型后将模型进行启动,系统将实时按照启动的模型对生产的钢卷进行性能预测并存储。预测值上传三级系统,用于质保书使用,同时钢卷不同位置的预测值上传在线质量判定系统,对钢卷进行判级处理。使用一段时间后或者工艺设备进行调整后,需要对模型进行上述评估,发现准确率大幅度下降时需要返回步模型推导模块,重新推导模型,形成闭环优化模型,从而实现对模型的优化。
Claims (3)
1.基于热轧钢卷生产流程的在线实时预测机械性能的方法,其特征在于:
步骤一、模型的推导:明确将要建模的钢种和机械性能,选择对机械性能有影响工艺参数;按照分层抽样方法进行样本准备,设定时间范围,查询此时间范围内的对应钢种的卷数;
确定样本后,将工艺参数通过选择多元回归线性推导,系统显示回归公式、均方根误差、R方、调整的R方、模型的F值、模型的P值及每个参数对应的系数标准差、T值、P值,并系统自动绘制出残差的直方图、残差的正态图、残差正太显著性统计量P值,残差与拟合值的分布图、残差的分布图,判断是否符合线性模型;如果符合,采用线性回归分析,否则采用非线性回归分析;最终得到线性模型或非线性模型;
步骤二、模型的录入:选择钢种、某一机械性能,然后将其对应的公式录入系统;
步骤三、模型的启动:支持针对同一钢种同一机械性可录入多个模型,当通过基于真实生产数据模型评估后,确定最优模型,然后在此环节将最优模型启动,系统按照最优模型实时线上将对应钢种的钢卷进行机械性能的单值及曲线预测,并将结果上传至生产系统和在线判定系统;
步骤四、模型评估:模型在启动之前需要对同一钢种同一机械性能的所有模型进行评估,抽取最近生产的此钢种的数据进行统计分析,通过分析均方根误差、残差平方和、预测准确率进行对模型评估,准确率容忍下限为80%,其计算规则为:针对屈服强度,分子:|预测屈服强度值-真实屈服强度值|≤20的个数,分母:样本个数;针对抗拉强度,分子:|预测抗拉强度值-真实抗拉强度值|≤30的个数,分母:样本个数;针对延伸率,分子:|预测延伸率值-真实延伸率值|≤5,针对晶粒度,|预测晶粒度值-真实晶粒度值|≤1的个数,分母:样本个数;以评估模型的可靠度,确定最优模型;
对于已启动的模型,使用一段时间后或者工艺设备进行调整后,需要对模型进行上述评估,发现准确率大幅度下降时需要返回步骤一,重新推导模型,形成闭环优化模型,使模型满足实际生产动态。
2.如权利要求1所述的基于热轧钢卷生产流程的在线实时预测机械性能的方法,其特征在于:所述的工艺参数包括:钢卷厚度、出炉温度、卷取温度、C、SI、MN、P、S、CU、ALT、CR、NI、MO、B、CA、SN、出炉温度、中间坯温度、精轧入口温度、终轧温度、卷取温度、板坯厚度、中间坯厚度、中间坯温度、F1—F7轧辊速度、季节。
3.如权利要求1所述的基于热轧钢卷生产流程的在线实时预测机械性能的方法,其特征在于:所述的符合线性模型条件为基于样本工艺参数得出的模型的P值小于0.05,且通过对残差的正态图、残差正太显著性统计量P值分析得出残差符合正态分布,通过对残差与拟合值的分布图、残差的分布图分析得出残差与拟合值的大小无关且在0值上下随机波动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798370.3A CN106345823B (zh) | 2016-08-31 | 2016-08-31 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798370.3A CN106345823B (zh) | 2016-08-31 | 2016-08-31 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106345823A true CN106345823A (zh) | 2017-01-25 |
CN106345823B CN106345823B (zh) | 2018-02-27 |
Family
ID=57859150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610798370.3A Active CN106345823B (zh) | 2016-08-31 | 2016-08-31 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106345823B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108998653A (zh) * | 2018-08-27 | 2018-12-14 | 合肥东方节能科技股份有限公司 | 一种螺纹钢智能加热控制技术 |
DE102018220382A1 (de) | 2018-11-28 | 2020-05-28 | Sms Group Gmbh | Verfahren zur Herstellung eines metallischen Bandes |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
CN111889524A (zh) * | 2020-07-31 | 2020-11-06 | 中冶赛迪重庆信息技术有限公司 | 一种基于机器学习方法的冷轧轧制力预测方法及系统 |
CN111931425A (zh) * | 2020-09-15 | 2020-11-13 | 山东钢铁集团日照有限公司 | 一种基于rf算法的热轧q355b钢种的性能预测系统 |
CN113569374A (zh) * | 2020-04-29 | 2021-10-29 | 上海宝信软件股份有限公司 | 钢铁产品可制造性评估的方法和系统 |
CN114065629A (zh) * | 2021-11-17 | 2022-02-18 | 中冶赛迪重庆信息技术有限公司 | 一种线棒材力学性能预测系统 |
CN114535308A (zh) * | 2020-11-24 | 2022-05-27 | 上海宝信软件股份有限公司 | 冷轧酸轧开卷质量预警系统及方法 |
CN115330091A (zh) * | 2022-10-12 | 2022-11-11 | 邢台纳科诺尔精轧科技股份有限公司 | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000135506A (ja) * | 1998-10-28 | 2000-05-16 | Sumitomo Metal Ind Ltd | 可逆式圧延機の板材の圧延方法 |
CN102277477A (zh) * | 2010-06-09 | 2011-12-14 | 鞍钢股份有限公司 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
DE102012020444A1 (de) * | 2012-10-18 | 2014-04-24 | Vdeh-Betriebsforschungsinstitut Gmbh | Zugfestigkeits-Softsensor für Formschlussbiegemaschinen und Streckbiegerichtanlagen |
CN103761423A (zh) * | 2013-12-31 | 2014-04-30 | 中南大学 | 一种基于pso-elm的热轧板材组织-性能预测方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
CN104820726A (zh) * | 2015-01-22 | 2015-08-05 | 尹伯亚 | 基于回归的小样本分析评价方法 |
-
2016
- 2016-08-31 CN CN201610798370.3A patent/CN106345823B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000135506A (ja) * | 1998-10-28 | 2000-05-16 | Sumitomo Metal Ind Ltd | 可逆式圧延機の板材の圧延方法 |
CN102277477A (zh) * | 2010-06-09 | 2011-12-14 | 鞍钢股份有限公司 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
DE102012020444A1 (de) * | 2012-10-18 | 2014-04-24 | Vdeh-Betriebsforschungsinstitut Gmbh | Zugfestigkeits-Softsensor für Formschlussbiegemaschinen und Streckbiegerichtanlagen |
CN103761423A (zh) * | 2013-12-31 | 2014-04-30 | 中南大学 | 一种基于pso-elm的热轧板材组织-性能预测方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
CN104820726A (zh) * | 2015-01-22 | 2015-08-05 | 尹伯亚 | 基于回归的小样本分析评价方法 |
Non-Patent Citations (1)
Title |
---|
莫春立: "应用回归和神经网络方法预测热轧带钢性能", 《金属学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108998653A (zh) * | 2018-08-27 | 2018-12-14 | 合肥东方节能科技股份有限公司 | 一种螺纹钢智能加热控制技术 |
DE102018220382A1 (de) | 2018-11-28 | 2020-05-28 | Sms Group Gmbh | Verfahren zur Herstellung eines metallischen Bandes |
EP3660173A1 (de) | 2018-11-28 | 2020-06-03 | SMS Group GmbH | Verfahren zur herstellung eines metallischen bandes |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
CN113569374A (zh) * | 2020-04-29 | 2021-10-29 | 上海宝信软件股份有限公司 | 钢铁产品可制造性评估的方法和系统 |
CN111889524A (zh) * | 2020-07-31 | 2020-11-06 | 中冶赛迪重庆信息技术有限公司 | 一种基于机器学习方法的冷轧轧制力预测方法及系统 |
CN111931425A (zh) * | 2020-09-15 | 2020-11-13 | 山东钢铁集团日照有限公司 | 一种基于rf算法的热轧q355b钢种的性能预测系统 |
CN114535308A (zh) * | 2020-11-24 | 2022-05-27 | 上海宝信软件股份有限公司 | 冷轧酸轧开卷质量预警系统及方法 |
CN114065629A (zh) * | 2021-11-17 | 2022-02-18 | 中冶赛迪重庆信息技术有限公司 | 一种线棒材力学性能预测系统 |
CN115330091A (zh) * | 2022-10-12 | 2022-11-11 | 邢台纳科诺尔精轧科技股份有限公司 | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106345823B (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106345823A (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
Cemernek et al. | Machine learning in continuous casting of steel: A state-of-the-art survey | |
CN104751288B (zh) | 一种钢卷分段多维在线质量判定系统及其方法 | |
CN104517162B (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN106802977A (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
WO2021004198A1 (zh) | 一种板材性能的预测方法及装置 | |
CN101320031B (zh) | 一种奥氏体不锈钢精密钢带的终轧变形量预测方法 | |
CN104766215B (zh) | 一种综合性、多维度的货主选择量化方法 | |
CN104899425A (zh) | 一种高炉铁水硅含量的变量选择预报方法 | |
CN109935280A (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN115815345A (zh) | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN112950262A (zh) | 销量预测方法、装置、计算机设备和存储介质 | |
CN111950577A (zh) | 一种点检方法及装置 | |
CN116259379A (zh) | 一种热轧带钢形变性能的在线智能预测方法及预测系统 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
Ma et al. | Influence of profile indicators of hot-rolled strip on transverse thickness difference of cold-rolled silicon steel | |
Zhao et al. | Prediction of mechanical properties of cold rolled strip based on improved extreme random tree | |
Wang et al. | Research on high‐precision transverse thickness difference control strategy based on data mining in 6‐high tandem cold rolling mills | |
NISHIOKA et al. | Toward the integrated optimization of steel plate production process—A proposal for production control by multi-scale hierarchical modeling— | |
He et al. | Whole process prediction model of silicon steel strip on transverse thickness difference based on Takagi-Sugeno fuzzy network | |
Ma et al. | Effect of strip profile of hot-rolled silicon steel on transverse thickness difference of cold-rolled strip | |
CN111931425A (zh) | 一种基于rf算法的热轧q355b钢种的性能预测系统 | |
CN109376898A (zh) | 一种基于内外部指标影响的电量分析预测方法 | |
CN102260781B (zh) | 连退机组带钢延伸率和平整工艺状态在线预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |