CN106886799B - 一种基于混合集成学习的连续退火带钢质量在线检测方法 - Google Patents

一种基于混合集成学习的连续退火带钢质量在线检测方法 Download PDF

Info

Publication number
CN106886799B
CN106886799B CN201710159565.8A CN201710159565A CN106886799B CN 106886799 B CN106886799 B CN 106886799B CN 201710159565 A CN201710159565 A CN 201710159565A CN 106886799 B CN106886799 B CN 106886799B
Authority
CN
China
Prior art keywords
sub
learning machine
weight
sample
training sample
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
CN201710159565.8A
Other languages
English (en)
Other versions
CN106886799A (zh
Inventor
徐子睿
黄灿明
王丹敬
王显鹏
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 CN201710159565.8A priority Critical patent/CN106886799B/zh
Publication of CN106886799A publication Critical patent/CN106886799A/zh
Application granted granted Critical
Publication of CN106886799B publication Critical patent/CN106886799B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)

Abstract

本发明公开一种基于混合集成学习的连续退火产品质量在线检测方法,将AdaBoost中对误差较大样本的重复学习机制引入到Bagging框架中,进一步提升了在线检测方法的精度;同时,Bagging框架中每个子学习机使用随机抽样方式构建其训练样本集合,使得各子学习机的训练样本集合具有差异性,能够提高在线检测方法的泛化能力。经过实际生产数据测试,本发明所提出的方法能够实现对连续退火带钢产品质量的在线检测,其效果要优于单独使用Bagging或者AdaBoost集成学习建模方法,从而能够帮助连续退火机组提高产品质量控制的水平。

Description

一种基于混合集成学习的连续退火带钢质量在线检测方法
技术领域
本发明属于钢铁企业连续退火过程的自动控制技术领域,特别涉及一种带钢产品质量在线检测方法。
背景技术
在钢铁企业中,由于连续退火机组的带钢是前后焊接在一起连续生产,带钢在退火之后的质量(通过硬度进行评价)还无法实现在线检测,现场操作人员只能根据经验判断正在生产的带钢的质量,难以提高连续退火生产过程的质量控制水平。
针对连续退火生产过程带钢产品质量难以在线检测的问题,论文“基于PLS的连续退火机组带钢质量预报及过程监测系统设计与实现[D]”(汪源,东北大学,2009)所提出的方法只考虑了较少的过程变量并且该方法主要是针对过程监测与故障诊断。专利“一种连续退火产品硬度在线集成学习预报方法”(唐立新,王显鹏,申请号:CN201410843307.8)提出了一种基于AdaBoost的集成学习建模方法,但是AdaBoost方法的不足之处在于:(1)该方法在训练每个子学习机时都使用全部的训练样本,导致训练时间长;(2)当有新的样本加入到训练样本集合中时,需要对所有的子学习机全部重新训练。
发明内容
针对现有技术存在的不足,本发明提供一种基于混合集成学习的连续退火产品质量在线检测方法。
本发明的技术方案是:
一种基于混合集成学习的连续退火产品质量在线检测方法,包括如下步骤:
步骤1:构建训练样本集合:一个训练样本的输出为一条带钢的产品质量,输入为该带钢生产时的过程数据;从连续退火机组的历史数据中采集正常生产工况下的n个样本,建立训练样本集合;
步骤2:数据降维:对采集到的样本数据集合进行归一化,然后进行主元分析,得到降维后的训练样本集合L;
步骤3:子学习机生成:根据步骤2得到的训练样本集合L,使用基于Bagging和AdaBoost的混合集成学习方法训练得到K个子学习机,方法为:
步骤3.1:设定子学习机索引i=1,子学习机的最大数量K;
步骤3.2:针对第i个子学习机,如果i=1,则直接从训练样本集合L按照均匀分布进行可放回随机抽样,共获得pn个测试样本,其中0<p<1,如果pn不是整数,则做下取整处理,作为第1个子学习机的训练样本集合;否则,首先选择前一个子学习机中训练误差大于a%的样本,其中a为一个人为设定值,然后再按照均匀分布进行可放回抽样的方式从L中选取其它样本(这些样本与已经加入的误差较大样本不重复),共构成pn个测试样本,作为第i(i>1)个子学习机的训练样本集合Si
步骤3.3:调整训练样本的权重:如果i=1,则所有样本的权重相同,设为1/pn;否则,按照如下方式调整各训练样本的权重:
步骤3.3.1:将所加入的误差较大的每个样本j的权重设置为wj=100×ej%,其中ej%为这个样本的绝对误差;
步骤3.3.2:将随机抽样获得样本的权重设置为1;
步骤3.3.3:对所有样本的权重进行归一化,即每个样本的权重为其中l从1到pn,wl为训练样本集合L中相应样本的权重;
步骤3.4:针对给定权重的训练样本集合Si,使用最小二乘支持向量机LSSVM方法训练并得到第i个子学习机,并计算它的均方根误差RMSEi
步骤3.5:设置i=i+1;如果i≤K,则转到步骤3.2;否则转到步骤4;
步骤4:子学习机权重确定:根据每个子学习机的均方根误差RMSEi,计算每个子学习机的权重
步骤5:集成学习模型应用:在实际生产中,针对每条带钢,根据当前的生产过程数据,计算集成学习机的输出,即最终的带钢产品质量检测值为其中fi为第i个子学习机所输出的带钢质量。
最小二乘支持向量机LSSVM方法的步骤包括:
步骤1:初始化遗传算法的种群规模为Z,交叉算子为SBX,最大迭代次数M;
步骤2:以LSSVM的模型参数:样本误差的惩罚系数γ和核函数参数σ作为变量,即遗传算法的每个解Xj=(γjj),随机产生Z个解,针对每个解,使用其所确定的LSSVM模型计算适应度值其中Ol(LSSVMj)表示由解Xj所确定的LSSVM模型针对第l条带钢质量的估计值,yl表示该条带钢质量的实际检测值;
步骤3:随机从种群中选取两个父代解,对其执行SBX交叉操作,得到新的中间解X'=(γ',σ');
步骤4:产生一个[0,1]内的随机数r,如果r<0.05,则对X'执行变异操作,即将X'的两个变量在其当前值的5%范围内随机产生一个扰动值Δr和Δσ,然后设置γ'=γ'+Δr,σ'=σ'+Δσ,从而得到一个新解Xnew
步骤5:计算Xnew的适应度值,如果其适应度值优于两个父代解中的至少一个,则用Xnew替代父代解中最差的一个,即适应度值最大的一个;
步骤6:重复执行Z次步骤3-5,得到新的种群;
步骤7:重复执行M次步骤3-6,将最后种群中的最好解所对应的LSSVM模型作为第i个子学习机,然后计算该子学习机针对所有训练样本的均方根误差其中LSSVMi表示由遗传算法所得到的最好解所确定的第i个子学习机;
步骤8:子学习机权重确定:根据每个子学习机的均方根误差RMSEi,计算每个子学习机的权重
本发明的有益效果:本发明的连续退火带钢质量在线检测方法将AdaBoost中对误差较大样本的重复学习机制引入到Bagging框架中,进一步提升了在线检测方法的精度;同时,Bagging框架中每个子学习机使用随机抽样方式构建其训练样本集合,使得各子学习机的训练样本集合具有差异性,能够提高在线检测方法的泛化能力。经过实际生产数据测试,本发明所提出的方法能够实现对连续退火带钢产品质量的在线检测,其效果要优于单独使用Bagging或者AdaBoost集成学习建模方法,从而能够帮助连续退火机组提高产品质量控制的水平。
附图说明
图1为本发明所提出的混合集成学习建模方法的原理图;
图2为本发明一种实施方式的连续退火带钢质量在线检测方法流程图;
图3为本发明一种实施方式的连续退火带钢质量预报值与单独使用Bagging或AdaBoost集成学习方法的带钢质量预报值的比较图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
针对调质度为T5的带钢,将本发明所提出的连续退火带钢质量在线检测方法应用于本实施方式,包括如下步骤:
步骤1:构建训练样本集合:一个训练样本的输出为一条带钢的产品质量,为带钢的洛氏硬度,输入为该带钢生产时的过程数据,包括52项:入口厚度、入口宽度、碳含量、硫含量、磷含量、锰含量、氮含量、硅含量和总铝含量、出炉温度、平均卷曲温度、平均精轧温度、平均终轧温度、连续酸洗-轧制延伸率、中央段速度、HF炉1区炉温、HF炉2区炉温、HF炉3区炉温、HF炉4区炉温、HF炉5区炉温、HF炉出口带钢温度、SF炉1区炉温、SF炉2区炉温、SF炉出口带钢温度、SCF炉1区炉温、SCF炉2区炉温、SCF炉出口带钢温度、1C炉1区炉温、1C炉2区炉温、1C炉3区炉温、1C炉冷却气体温度、1C炉出口带钢温度、1OA炉1区炉温、1OA炉2区炉温、1OA炉出口带钢温度、2OA炉1-1区炉温、2OA炉1-2区炉温、2OA炉2-1区炉温、2OA炉2-2区炉温、2OA炉出口带钢温度、2C炉炉温、2C冷却气体温度、2C炉出口带钢温度、WQ炉1区水温、WQ炉2区水温、平整机延伸率、平整机入口带钢张力、平整机中间带钢张力、平整机出口带钢张力、平整机1#机架轧制力和2#机架轧制力。从连续退火机组的历史数据中采集正常生产工况下的n=183个样本,建立训练样本集合。
步骤2:数据降维:对采集到的样本数据集合进行归一化,然后进行主元分析,得到降维后的训练样本集合L;
步骤3:子学习机生成:根据步骤2得到的训练样本集合L,使用基于Bagging和AdaBoost的混合集成学习方法训练得到K个子学习机,其建模思想如图1所示,此例中取p=0.8,即第一个子学习机从训练样本集合L中随机选取0.8n个测试样本进行训练,得到第一个子学习机;在之后的子学习机生成过程中,首先将前一个子学习机训练误差较大的样本加入到新的子学习机训练样本集合Si中,再从L中随机选择与已加入样本不同的样本,构成0.8n个测试样本进行训练,得到第i个子学习机。这种混合建模方法基于Bagging框架,又将AdaBoost中针对误差较大样本的重复学习机制引入进来,从而提高模型的精度和泛化能力。
每个子学习机的生成方法包括:
步骤3.1:设定子学习机索引i=1,子学习机的最大数量K=5。
步骤3.2:针对第i个子学习机,如果i=1,则直接从训练样本集合L按照均匀分布进行可放回随机抽样,共获得0.8n取整后的146个测试样本,作为第1个子学习机的训练样本集合;否则,首先选择前一个子学习机中训练误差大于5%的样本,然后再按照均匀分布进行可放回抽样的方式从L中选取其它样本(这些样本与已经加入的误差较大样本不重复),共构成146个测试样本,作为第i(i>1)个子学习机的训练样本集合Si。
步骤3.3:调整训练样本的权重:如果i=1,则所有样本的权重相同,设为1/146;否则,按照如下方式调整各训练样本的权重:
步骤3.3.1:将所加入的误差较大的每个样本j的权重设置为wj=100×ej%,其中ej%为这个样本的绝对误差。
步骤3.3.2:将随机抽样获得样本的权重设置为1。
步骤3.3.3:对所有样本的权重进行归一化,即每个样本的权重为
步骤3.4:针对给定权重的训练样本集合Si,使用最小二乘支持向量机LSSVM方法训练并得到第i个子学习机,并计算它的均方根误差RMSEi。其中,LSSVM训练的步骤包括:
步骤3.4.1:初始化遗传算法的种群规模为100,交叉算子为SBX,最大迭代次数50。
步骤3.4.2:以LSSVM的模型参数:样本误差的惩罚系数γ和核函数参数σ作为变量,即遗传算法的每个解Xj=(γj,σj),随机产生100个解,针对每个解,使用其所确定的LSSVM模型计算适应度值其中Ol(LSSVMj)表示由解Xj所确定的LSSVM模型针对第l条带钢质量的估计值,yl表示该条带钢质量的实际检测值。
步骤3.4.3:随机从种群中选取两个父代解,对其执行SBX交叉操作,得到新的中间解X'=(γ',σ')。
步骤3.4.4:产生一个[0,1]内的随机数r,如果r<0.05,则对X'执行变异操作,即将X'的两个变量在其当前值的5%范围内随机产生一个扰动值Δr和Δσ,然后设置γ'=γ'+Δr,σ'=σ'+Δσ,从而得到一个新解Xnew。
步骤3.4.5:计算Xnew的适应度值,如果其适应度值优于两个父代解中的至少一个,则用Xnew替代父代解中最差的一个,即适应度值最大的一个。
步骤3.4.6:重复执行100次步骤3.4.3-3.4.5,得到新的种群。
步骤3.4.7:重复执行50次步骤3.4.3-3.4.6,将最后种群中的最好解所对应的LSSVM模型作为第i个子学习机,然后计算该子学习机针对所有训练样本的均方根误差 其中LSSVMi表示由遗传算法所得到的最好解所确定的第i个子学习机。
步骤4:子学习机权重确定:根据每个子学习机的均方根误差RMSEi,计算每个子学习机的权重
步骤5:集成学习模型应用:在实际生产中,针对每条带钢,根据当前的生产过程数据,计算集成学习机的输出,即最终的带钢产品质量检测值为其中fi为第i个子学习机所输出的带钢质量。
表1和图3给出了本发明所提出的混合集成学习方法与单独使用Bagging或AdaBoost集成学习方法针对50个新采集的测试样本(学习机没有学习过的样本)的实验结果,在实验中每种检测方法均独立运行30次,以进行统计分析。从表1中可以看出,本发明所提出的混合集成学习方法在均方根误差RMSE和平均误差两个指标上均要优于Bagging和AdaBoost方法。从图3可以看出,本发明所提出的混合集成学习建模方法针对测试样本的最大误差也明显小于Bagging和AdaBoost方法,从而表明混合集成学习建模方法具有更好的泛化能力。
表1.各集成学习建模方法的RMSE和平均误差的结果比较

Claims (1)

1.一种基于混合集成学习的连续退火产品质量在线检测方法,其特征在于包括如下步骤:
步骤1:构建训练样本集合:一个训练样本的输出为一条带钢的产品质量,输入为该带钢生产时的过程数据;从连续退火机组的历史数据中采集正常生产工况下的n个样本,建立训练样本集合;
步骤2:数据降维:对采集到的样本数据集合进行归一化,然后进行主元分析,得到降维后的训练样本集合L;
步骤3:子学习机生成:根据步骤2得到的训练样本集合L,使用基于Bagging和AdaBoost的混合集成学习方法训练得到K个子学习机,方法为:
步骤3.1:设定子学习机索引i=1,子学习机的最大数量K;
步骤3.2:针对第i个子学习机,如果i=1,则直接从训练样本集合L按照均匀分布进行可放回随机抽样,共获得pn个测试样本,其中0<p<1,如果pn不是整数,则做下取整处理,作为第1个子学习机的训练样本集合;否则,首先选择前一个子学习机中训练误差大于a%的样本,其中a为一个人为设定值,然后再按照均匀分布进行可放回抽样的方式从L中选取其他 样本,所述其他样本与已经加入的误差较大样本不重复,共构成pn个测试样本,作为第i(i>1)个子学习机的训练样本集合Si
步骤3.3:调整训练样本的权重:如果i=1,则所有样本的权重相同,设为1/pn;否则,按照如下方式调整各训练样本的权重:
步骤3.3.1:将所加入的误差较大的每个样本j的权重设置为wj=100×ej%,其中ej%为这个样本的绝对误差;
步骤3.3.2:将随机抽样获得样本的权重设置为1;
步骤3.3.3:对所有样本的权重进行归一化,即每个样本的权重为其中l从1到pn,wl为训练样本集合L中相应样本的权重;
步骤3.4:针对给定权重的训练样本集合Si,使用最小二乘支持向量机LSSVM方法训练并得到第i个子学习机,并计算它的均方根误差RMSEi
步骤3.5:设置i=i+1;如果i≤K,则转到步骤3.2;否则转到步骤4;
步骤4:子学习机权重确定:根据每个子学习机的均方根误差RMSEi,计算每个子学习机的权重
步骤5:集成学习模型应用:在实际生产中,针对每条带钢,根据当前的生产过程数据,计算集成学习机的输出,即最终的带钢产品质量检测值为其中fi为第i个子学习机所输出的带钢质量;
最小二乘支持向量机LSSVM方法的步骤包括:
步骤1:初始化遗传算法的种群规模为Z,交叉算子为SBX,最大迭代次数M;
步骤2:以LSSVM的模型参数:样本误差的惩罚系数γ和核函数参数σ作为变量,即遗传算法的每个解Xj=(γjj),随机产生Z个解,针对每个解,使用其所确定的LSSVM模型计算适应度值其中Ol(LSSVMj)表示由解Xj所确定的LSSVM模型针对第l条带钢质量的估计值,yl表示该条带钢质量的实际检测值;
步骤3:随机从种群中选取两个父代解,对其执行SBX交叉操作,得到新的中间解X'=(γ',σ');
步骤4:产生一个[0,1]内的随机数r,如果r<0.05,则对X'执行变异操作,即将X'的两个变量在其当前值的5%范围内随机产生一个扰动值Δr和Δσ,然后设置γ'=γ'+Δr,σ'=σ'+Δσ,从而得到一个新解Xnew
步骤5:计算Xnew的适应度值,如果其适应度值优于两个父代解中的至少一个,则用Xnew替代父代解中最差的一个,即适应度值最大的一个;
步骤6:重复执行Z次步骤3-5,得到新的种群;
步骤7:重复执行M次步骤3-6,将最后种群中的最好解所对应的LSSVM模型作为第i个子学习机,然后计算该子学习机针对所有训练样本的均方根误差其中LSSVMi表示由遗传算法所得到的最好解所确定的第i个子学习机;
步骤8:子学习机权重确定:根据每个子学习机的均方根误差RMSEi,计算每个子学习机的权重
CN201710159565.8A 2017-03-17 2017-03-17 一种基于混合集成学习的连续退火带钢质量在线检测方法 Expired - Fee Related CN106886799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710159565.8A CN106886799B (zh) 2017-03-17 2017-03-17 一种基于混合集成学习的连续退火带钢质量在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710159565.8A CN106886799B (zh) 2017-03-17 2017-03-17 一种基于混合集成学习的连续退火带钢质量在线检测方法

Publications (2)

Publication Number Publication Date
CN106886799A CN106886799A (zh) 2017-06-23
CN106886799B true CN106886799B (zh) 2019-08-02

Family

ID=59181748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710159565.8A Expired - Fee Related CN106886799B (zh) 2017-03-17 2017-03-17 一种基于混合集成学习的连续退火带钢质量在线检测方法

Country Status (1)

Country Link
CN (1) CN106886799B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229072A (zh) * 2018-02-10 2018-06-29 东北大学 基于数据解析的连退均热炉带钢张力在线测量方法
CN110348241B (zh) * 2019-07-12 2021-08-03 之江实验室 一种数据共享策略下的多中心协同预后预测系统
CN110405343B (zh) * 2019-08-15 2021-06-29 山东大学 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法
CN111046612B (zh) * 2019-11-15 2023-08-29 东北大学 一种基于多目标集成学习的高炉铁水硅含量预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104899431A (zh) * 2015-05-19 2015-09-09 上海大学 基于蚁群和粒子群集成的lssvm脉动风速预测方法
CN105335350A (zh) * 2015-10-08 2016-02-17 北京理工大学 一种基于集成学习的语种识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015006273A1 (en) * 2013-07-09 2015-01-15 3M Innovative Properties Company Systems and methods for note content extraction and management by segmenting notes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104899431A (zh) * 2015-05-19 2015-09-09 上海大学 基于蚁群和粒子群集成的lssvm脉动风速预测方法
CN105335350A (zh) * 2015-10-08 2016-02-17 北京理工大学 一种基于集成学习的语种识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Short-term electricity load forecasting using time series and ensemble learning methods;Sokratis Papadopoulos 等;《2015 IEEE Power and Energy Conference at Illinois (PECI)》;20150323;第1-6页
基于Bagging集成学习的字符识别方法;刘余霞 等;《计算机工程与应用》;20121231;第48卷(第33期);第194-196,211页

Also Published As

Publication number Publication date
CN106886799A (zh) 2017-06-23

Similar Documents

Publication Publication Date Title
CN106886799B (zh) 一种基于混合集成学习的连续退火带钢质量在线检测方法
CN110956266B (zh) 基于层次分析法的多电源电力系统多目标优化调度方法
CN104517162B (zh) 一种连续退火产品硬度在线集成学习预报方法
CN105204333B (zh) 一种提高钢铁企业能源利用率的能耗预测方法
CN108637020A (zh) 一种自适应变异pso-bp神经网络带钢凸度预测方法
CN104808636B (zh) 柔性流水车间能耗优化调度方法
CN107609647A (zh) 一种基于bp神经网络轧辊合金力学性能预测方法
CN105938609A (zh) 一种实现多层次指标体系的电网运行评估方法
CN109558677A (zh) 一种基于数据驱动的热轧板凸度预测方法
CN107179749A (zh) 热镀锌产品全流程质量控制方法
CN107377634A (zh) 一种热轧带钢出口凸度预报方法
CN107016469A (zh) 电力负荷预测方法
CN108311544B (zh) 一种轧制力参数自学习方法及装置
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
CN103489039B (zh) 具有在线自整定优化能力的高速公路交通流量融合预测方法
CN106873372A (zh) 基于防洪调度数据自适应控制的水库防洪调度优化方法
CN103745101A (zh) 基于改进神经网络算法的中厚板轧制力设定值预报方法
CN101391268A (zh) 一种钢板控轧控冷过程温度制度的逆向优化方法
CN105740467A (zh) 一种C-Mn钢工业大数据的挖掘方法
CN103272853A (zh) 一种冷连轧各机架压下量与轧制速度的设定装置及方法
CN108107716A (zh) 一种基于改进的bp神经网络的参数在线测量方法
CN101320031A (zh) 一种奥氏体不锈钢精密钢带性能预测模型及其冷轧工艺设计
CN107716560B (zh) 一种板带热连轧负荷分配方法
CN112183935A (zh) 一种河流水质综合评价方法及系统
CN110033181B (zh) 一种基于自编码器的发电设备状态评估方法

Legal Events

Date Code Title Description
PB01 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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190802

CF01 Termination of patent right due to non-payment of annual fee