CN106991242A - 一种钢板性能优化的控制方法 - Google Patents
一种钢板性能优化的控制方法 Download PDFInfo
- Publication number
- CN106991242A CN106991242A CN201710236668.XA CN201710236668A CN106991242A CN 106991242 A CN106991242 A CN 106991242A CN 201710236668 A CN201710236668 A CN 201710236668A CN 106991242 A CN106991242 A CN 106991242A
- Authority
- CN
- China
- Prior art keywords
- key parameter
- value
- parameter
- tensile strength
- yield strength
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明旨在提供一种钢板性能优化的控制方法:A、采集钢板生产过程中涉及的参数的历史数据,构建屈服强度、抗拉强度的预测数学模型;B、计算各自变量的投影重要性值,确定关键参数;C、采集实时生产中的关键参数数据,作为关键参数初始值;D、将关键参数初始值分别导入屈服强度、抗拉强度的预测数学模型,如果预测值在目标值的范围内,则得到关键参数调控目标值,执行步骤G;否则,执行步骤E;E、将关键参数初始值进行随机优化后,导入预测数学模型;F、持续进行循环优化,直至获得关键参数调控目标值;G、使用关键参数调控目标值对轧钢工序过程进行控制。该方法克服现有技术计算复杂、精度差等缺陷,具有计算简单、控制精度高的特点。
Description
技术领域
本发明涉及轧钢控制方法领域,具体涉及一种钢板性能优化的控制方法。
背景技术
当前我国经济已进入由高速增长向中高速增长转换的新常态,钢铁行业呈现出低增长、低价格、低效益和高压力的“三低一高”的发展特征。钢铁行业市场竞争的激烈程度将在市场化改革的过程中不断加剧,能活下来的钢铁企业必须具备在市场中生存发展的能力,而这样的能力必须建立在低成本生产、高品质钢材的基础之上。随着经济发展,钢板产品需求趋向多元化、钢板用量趋向多品种、少量化,各个钢铁生产企业纷纷根据市场客户需求确定自己的产品战略定位,全力体现产品的差异化战略,坚持开发生产其他企业无法生产或难于生产的市场短线、高品质钢材。要实现高品质钢材和低成本的生产目标,离不开钢板性能控制技术,即性能预报及工艺优化技术,工艺优化不仅能提高钢板性能、稳定产品质量,还可以带来生产成本的降低。
而传统的基于物质机理的钢板性能研究方法则需要将钢坯的化学成分和工艺轧制参数等大量数据按照物理模型进行繁杂的数学计算,再将计算出的理论工艺控制参数应用到实际生产当中进行试轧验证,再返回修改理论工艺控制参数,再不断地验证,如此反复;或者采用神经网络算法,构建某一钢种的数学模型对产品性能进行预测,然后再人工不断地测试改变某一个输入变量对输出变量的影响有多少,最后再选定一个相对合理的工艺参数和化学成分进行试轧验证,如此反复。然而由于仅包含能显著影响钢板性能的主要化学成分就达12种以上,另外还有能显著影响钢板性能的工艺控制参数(包括入炉温度、开轧温度、粗轧出口温度、精轧入口温度、终轧温度、卷取温度、成品厚度等工艺参数)至少7种以上,因此,传统的基于物质机理的钢板性能研究方法,存在计算量繁杂庞大、效率低下、精度不高等缺陷。
“CN201210046441”发明专利公开了一种基于带钢力学性能预报模型的加热炉节能控制方法,可以通过热轧钢板力学性能的工业预报模型进行性能预测,然后再通过调整钢板的开轧温度,使带钢性能参数在达到性能指标的情况下,降低加热炉能耗。但是,如该专利所述,其目的在于保证钢板性能的同时,解决降低能耗的问题。但是,该工艺的突出缺点是:不同的产品和规格的钢板性能模型会具有非常大的不同,各种化学成分参数的变化也有很大的不同,即使是同一种化学成份参数或同一个工艺参数对不同的产品和规格的钢板的性能影响大小也会有很大的不同,所以,钢板性能模型不应该是一个固定的数学模型。同时如果该模型里面包含了一些不重要的自变量因素的影响,那么,该模型会产生多重共线性,导致各自变量的系数的方差加大;而且也会使该模型的性能因变量的均值的估计值或预测值产生较大的方差,即使在只存在很小甚至没有多重共线性时,情况也仍然如此。
发明内容
本发明旨在提供一种钢板性能优化的控制方法,该方法克服现有技术计算复杂、精度差等缺陷,具有计算简单、预测精度高的特点。
本发明的技术方案如下:
A、采集钢板生产过程中涉及的钢板化学成分参数、工艺控制参数、产品性能参数的历史数据,针对上述参数采用偏最小二乘回归方法构建屈服强度预测数学模型和抗拉强度的预测数学模型;
B、分别对步骤A中涉及的化学成分参数、工艺控制参数进行投影重要性计算,将投影重要性值大于1的工艺控制参数作为关键参数,剔除掉投影重要性值小于0.5的化学成分参数、工艺控制参数,并分别进行重新建模后得到屈服强度预测优化数学模型和抗拉强度的预测优化数学模型;
C、采集实时生产中的关键参数数据,作为关键参数初始值,设置屈服强度、抗拉强度的目标值的范围,设置各个关键参数的范围以及循环优化次数的上限;
D、将关键参数初始值分别导入屈服强度预测优化数学模型、抗拉强度预测优化数学模型,分别得到屈服强度预测值与抗拉强度预测值;如果屈服强度预测值与抗拉强度预测值分别位于屈服强度、抗拉强度的目标值的范围内,则将关键参数初始值作为关键参数调控目标值,执行步骤G;否则,执行步骤E;
E、以各个关键参数初始值作为中间值,分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围,在各个关键参数的取值范围内进行随机优化后,得到关键参数临时优化值,并将其分别导入屈服强度预测优化数学模型、抗拉强度预测优化数学模型,分别得到屈服强度临时优化值与抗拉强度临时优化值,并将循环优化次数加一;
如果屈服强度临时优化值与抗拉强度临时优化值分别位于屈服强度、抗拉强度的目标值的范围内则该关键参数临时优化值有效;
如果屈服强度临时优化值与抗拉强度临时优化值未分别位于屈服强度、抗拉强度的目标值的范围内,但是屈服强度临时优化值与抗拉强度临时优化值分别比屈服强度预测值与抗拉强度预测值更接近屈服强度、抗拉强度的目标值的范围,则该关键参数临时优化值有效;
否则该关键参数临时优化值无效;
F、如果关键参数临时优化值有效,且当前循环优化次数未达到上限,则将该关键参数临时优化值作为步骤E的关键参数初始值,进行步骤E的处理;
如果关键参数临时优化值无效,且当前循环优化次数未达到上限,则返回步骤E,进行步骤E的处理;
如果当前循环优化次数达到上限,则将最近一次有效的关键参数临时优化值作为关键参数调控目标值;
G、将关键参数调控目标值输入轧钢工序控制系统,根据关键参数调控目标值对钢板生产过程进行控制。
优选地,所述的钢板化学成分参数为:C、Si、Mn、P、S、As、AL、V、Ti、Cr、Cu、Ni。
优选地,所述的工艺控制参数为入炉温度、开轧温度、粗轧出口温度、精轧入口温度、终轧温度、卷取温度、成品厚度。
优选地,所述的产品性能参数为屈服强度、抗拉强度。
优选地,所述的步骤E中的关键参数临时优化值的获取详细过程为:将关键参数初始值加上区间在[-5,5]的一个随机值后,如果该关键参数值位于其对应的关键参数的范围内,则将该关键参数值作为关键参数临时优化值;否则,再次选择区间在[-5,5]的一个随机值重复上述操作,直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内,再将其作为关键参数临时优化值。
优选地,所述的偏最小二乘回归方法构建数学模型的方法如下:
a、将化学成分参数和工艺控制参数构成的自变量矩阵X=[x1,…,xp]n*p进行标准化处理,得矩阵变量E0=[E01,…,E0p]n*p;将屈服强度和抗拉强度构成的因变量矩阵Y=[y 1,…,y q]n*q进行标准化处理,得矩阵变量F0=[F01,…,F0q]n*p;
b、求解矩阵E0 TF0F0 TE0的最大特征值所对应的特征向量W1;求解矩阵F0 TE0E0 TF0的最大特征值所对应的特征向量C1;
c、求解主成分
t1=E0W1 (1);
u1=F0C1 (2);
ti和ui则是第i次分别从自变量X和Y中提取的第i对主成分,ti是x1,…,xp的线性组合,ui是y 1,…,y q的线性组合;
d、分别求E0和F0对t1的回归方程:
E0=t1G1 T+E1 (3);
F0=t1H1 T+F1 (4);
式中
e、用残差矩阵E1和F1取代E0和F0,然后求解第二个特征向量W2和C2以及第二个主成分t2和u2:
t2=E1W2 (5);
u2=F1C2 (6);
f、分别求E1和F2对t2的回归方程
E1=t2G2 T+E2 (7);
F1=t2H2 T+F2 (8);
式中
H2=F1 Tt2/||t2||2;
g、如此利用剩下的残差信息矩阵不断迭代计算,直到Em TEm中主对角元素近似0,就退出,则F0和E0在t1,…,tm上的回归方程为:
E0=t1G1 T+t2G2 T+ΛtmGm T+Em (9);
F0=t1H1 T+t2H2 T+ΛtmHm T+Fm (10);
由于ti是x1,…,xp的线性组合,因此,将ti代入到公式(10)当中,再通过反标准化处理,就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型:
YK=bk1X1+…+bkPXP+FmK k=1,..,q (11)。
优选地,根据统计学多元回归的原理,所述的各自变量的投影重要性(VIP)的具体计算公式如下:
第j个变量的VIPj值计算如下:
p为自变量的个数;Wja为主轴Wa的第j个分量,r2(y,ta)是t1,…,tm对y累计的解释能力;VIPj值越大,表明自变量j对y的解释能力越强,其重要性也越大。
本发明突破了原来以工艺参数和化学成分的间接控制参数的现状,以钢板性能参数为直接控制对象,利用偏最小二乘回归方法(PLS)模型算法,建立起钢板性能的PLS数学模型,再通过采用多目标优化法对PLS数学模型进行关键参数优化设计,使关键参数能够在满足工艺限制条件下自动调整,使产品性能参数尽可能地逼近目标设定值,从而使钢板性能更加稳定;
建立PLS数学模型的过程中,加入对各个自变量的投影重要性(VIP)值的计算,根据各个自变量的VIP值的大小,以看出各个自变量对钢板性能产生影响程度大小,从而找出关键的自变量做为关键参数,通过减少非关键自变量因素的干扰,可以减少由自变量系数的方差和性能导致钢板性能预测值及其方差的波动程度,进而使得预测结果更为稳定;
同时,本发明方法不仅能够减少能耗水平,降低工序成本,并且能够利用钢板生产工艺的改进以及钢板化学成分组合的优化,有效降低合金元素的成本,稳定钢板性能,提高产品竞争力,对稳定和提高产品性能指标有着非常现实的意义。
附图说明
图1为本发明钢板性能优化的控制方法的流程图
图2为本实施例方法的屈服强度预测值与原始的屈服强度预测值的对比图
图3为本实施例方法的抗拉强度预测值与原始的抗拉强度预测值的对比图
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
如图1所示,本实施例以典型的热轧产品厚度为16mm的SS400钢板为代表,提供的钢板性能优化的控制方法包括以下步骤:
A、采集SS400钢板生产过程中涉及的钢板化学成分参数、工艺控制参数、产品性能参数的历史数据,针对上述参数采用偏最小二乘回归方法构建屈服强度、抗拉强度的预测数学模型;
所述的偏最小二乘回归方法构建数学模型的方法如下:
a、将化学成分参数和工艺控制参数构成的自变量矩阵X=[x1,…,xp]n*p(p=19)进行标准化处理,得矩阵变量E0=[E01,…,E0p]n*p;将屈服强度和抗拉强度构成的因变量矩阵Y=[y1,…,y q]n*q(q=2)进行标准化处理,得矩阵变量F0=[F01,…,F0q]n*q。
b、求解矩阵E0 TF0F0 TE0的最大特征值所对应的特征向量W1;求解矩阵F0 TE0E0 TF0的最大特征值所对应的特征向量C1;
c、求解主成分
t1=E0W1 (1);
u1=F0C1 (2);
ti和ui则是第i次分别从自变量X和Y中提取的第i对主成分,ti是x1,…,xp的线性组合,ui是y1,…,yq的线性组合;
d、分别求E0和F0对t1的回归方程:
E0=t1G1 T+E1 (3);
F0=t1H1 T+F1 (4);
式中
e、用残差矩阵E1和F1取代E0和F0,然后求解第二个特征向量W2和C2以及第二个主成分t2和u2:
t2=E1W2 (5);
u2=F1C2 (6);
f、分别求E1和F2对t2的回归方程
E1=t2G2 T+E2 (7);
F1=t2H2 T+F2 (8);
式中
H2=F1 Tt2/||t2||2;
g、如此利用剩下的残差信息矩阵不断迭代计算,直到Em TEm中主对角元素近似0,就退出,则F0和E0在t1,…,tm上的回归方程为:
E0=t1G1 T+t2G2 T+ΛtmGm T+Em (9);
F0=t1H1 T+t2H2 T+ΛtmHm T+Fm (10);
由于ti是x1,…,xp的线性组合,因此,将ti代入到公式(10)当中,再通过反标准化处理,就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型:
YK=bk1X1+…+bkPXP+FmK k=1,..,q (11);
所述的钢板化学成分参数为:C、Si、Mn、P、S、As、AL、V、Ti、Cr、Cu、Ni;所述的工艺控制参数为入炉温度、开轧温度、粗轧出口温度、精轧入口温度、终轧温度、卷取温度、成品厚度;所述的产品性能参数为屈服强度、抗拉强度;
B、分别对步骤A中涉及的化学成分参数、工艺控制参数进行投影重要性计算,将投影重要性值大于1的工艺控制参数作为关键参数,剔除掉投影重要性值小于0.5的化学成分参数、工艺控制参数,并分别进行重新建模后得到屈服强度预测优化数学模型和抗拉强度的预测优化数学模型;
第j个变量的VIPj值计算如下:
通过本实施例现场实际数据采样建模和数据分析计算,我们找出了对屈服强度和抗拉强度有显著影响的工艺控制参数是粗轧出口温度、精轧入口温度、终轧温度、卷曲温度,并将它们作为关键参数,剔除掉入炉温度参数;
C、采集实时生产中的关键参数数据,作为关键参数初始值,设置屈服强度目标值范围330MPa~370Mpa;抗拉强度的目标值范围530MPa~570MPa;设置粗轧出口温度范围:1000℃~1180℃;精轧入口温度范围:900℃~1080℃;终轧温度范围:750℃~950℃;卷曲温度范围:500℃~700℃;循环优化次数的上限500次;
D、将关键参数初始值分别导入屈服强度预测优化数学模型、抗拉强度预测优化数学模型,分别得到屈服强度预测值与抗拉强度预测值;如果屈服强度预测值与抗拉强度预测值分别位于屈服强度、抗拉强度的目标值的范围内,将关键参数初始值作为关键参数调控目标值,执行步骤G;否则,执行步骤E;
E、以各个关键参数初始值作为中间值,分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围,在各个关键参数的取值范围内进行随机优化后,得到关键参数临时优化值,并将其分别导入屈服强度预测优化数学模型、抗拉强度预测优化数学模型,分别得到屈服强度临时优化值与抗拉强度临时优化值,并将循环优化次数加一;
如果屈服强度临时优化值与抗拉强度临时优化值分别位于屈服强度、抗拉强度的目标值的范围内则该关键参数临时优化值有效;
如果屈服强度临时优化值与抗拉强度临时优化值未分别位于屈服强度、抗拉强度的目标值的范围内,但是屈服强度临时优化值与抗拉强度临时优化值分别比屈服强度预测值与抗拉强度预测值更接近屈服强度、抗拉强度的目标值的范围,则该关键参数临时优化值有效;
否则该关键参数临时优化值无效;
所述的步骤E中的关键参数临时优化值的获取详细过程为:将关键参数初始值加上区间在[-5,5]的一个随机值后,如果该关键参数值位于其对应的关键参数的范围内,则将该关键参数值作为关键参数临时优化值;否则,再次选择区间在[-5,5]的一个随机值重复上述操作,直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内,再将其作为关键参数临时优化值;
F、如果关键参数临时优化值有效,且当前循环优化次数未达到上限次数500,则将该关键参数临时优化值作为步骤E的关键参数初始值,进行步骤E的处理;
如果关键参数临时优化值无效,且当前循环优化次数未达到上限,则返回步骤E,进行步骤E的处理;
如果当前循环优化次数达到上限,则将最近一次有效的关键参数临时优化值作为关键参数调控目标值;
G、将关键参数调控目标值输入轧钢工序控制系统,根据关键参数调控目标值对钢板生产过程进行控制。
由图2、3的对比图可以看出,采用本实施例钢板性能优化的控制方法,比原来工序操作的屈服强度、抗拉强度预测值都有很大幅度的提升,且波动幅度更小,说明本实施例钢板性能优化的控制方法效果显著。
Claims (7)
1.一种钢板性能优化的控制方法,其特征在于包括以下步骤:
A、采集钢板生产过程中涉及的钢板化学成分参数、工艺控制参数、产品性能参数的历史数据,针对上述参数采用偏最小二乘回归方法构建屈服强度预测数学模型和抗拉强度的预测数学模型;
B、分别对步骤A中涉及的化学成分参数、工艺控制参数进行投影重要性计算,将投影重要性值大于1的工艺控制参数作为关键参数,剔除掉投影重要性值小于0.5的化学成分参数、工艺控制参数,并分别进行重新建模后得到屈服强度预测优化数学模型和抗拉强度的预测优化数学模型;
C、采集实时生产中的关键参数数据,作为关键参数初始值,设置屈服强度、抗拉强度的目标值的范围,设置各个关键参数的范围以及循环优化次数的上限;
D、将关键参数初始值分别导入屈服强度预测优化数学模型、抗拉强度预测优化数学模型,分别得到屈服强度预测值与抗拉强度预测值;如果屈服强度预测值与抗拉强度预测值分别位于屈服强度、抗拉强度的目标值的范围内,则将关键参数初始值作为关键参数调控目标值,执行步骤G;否则,执行步骤E;
E、以各个关键参数初始值作为中间值,分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围,在各个关键参数的取值范围内进行随机优化后,得到关键参数临时优化值,并将其分别导入屈服强度预测优化数学模型、抗拉强度预测优化数学模型,分别得到屈服强度临时优化值与抗拉强度临时优化值,并将循环优化次数加一;
如果屈服强度临时优化值与抗拉强度临时优化值分别位于屈服强度、抗拉强度的目标值的范围内则该关键参数临时优化值有效;
如果屈服强度临时优化值与抗拉强度临时优化值未分别位于屈服强度、抗拉强度的目标值的范围内,但是屈服强度临时优化值与抗拉强度临时优化值分别比屈服强度预测值与抗拉强度预测值更接近屈服强度、抗拉强度的目标值的范围,则该关键参数临时优化值有效;
否则该关键参数临时优化值无效;
F、如果关键参数临时优化值有效,且当前循环优化次数未达到上限,则将该关键参数临时优化值作为步骤E的关键参数初始值,进行步骤E的处理;
如果关键参数临时优化值无效,且当前循环优化次数未达到上限,则返回步骤E,进行步骤E的处理;
如果当前循环优化次数达到上限,则将最近一次有效的关键参数临时优化值作为关键参数调控目标值;
G、将关键参数调控目标值输入轧钢工序控制系统,根据关键参数调控目标值对钢板生产过程进行控制。
2.如权利要求1所述的钢板性能优化的控制方法,其特征在于:
所述的钢板化学成分参数为:C、Si、Mn、P、S、As、AL、V、Ti、Cr、Cu、Ni。
3.如权利要求1所述的钢板性能优化的控制方法,其特征在于:
所述的工艺控制参数为入炉温度、开轧温度、粗轧出口温度、精轧入口温度、终轧温度、卷取温度、成品厚度。
4.如权利要求1所述的钢板性能优化的控制方法,其特征在于:
所述的产品性能参数为屈服强度、抗拉强度。
5.如权利要求1所述的钢板性能优化的控制方法,其特征在于:
所述的步骤E中的关键参数临时优化值的获取详细过程为:将关键参数初始值加上区间在[-5,5]的一个随机值后,如果该关键参数值位于其对应的关键参数的范围内,则将该关键参数值作为关键参数临时优化值;否则,再次选择区间在[-5,5]的一个随机值重复上述操作,直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内,再将其作为关键参数临时优化值。
6.如权利要求1所述的钢板性能优化的控制方法,其特征在于:
所述的偏最小二乘回归方法构建数学模型的方法如下:
a、将化学成分参数和工艺控制参数构成的自变量矩阵X=[x1,…,xp]n*p进行标准化处理,得矩阵变量E0=[E01,…,E0p]n*p;将屈服强度和抗拉强度构成的因变量矩阵Y=[y1,…,y q]n*q进行标准化处理,得矩阵变量F0=[F01,…,F0q]n*p;
b、求解矩阵E0 TF0F0 TE0的最大特征值所对应的特征向量W1;求解矩阵F0 TE0E0 TF0的最大特征值所对应的特征向量C1;
c、求解主成分
t1=E0W1 (1);
u1=F0C1 (2);
ti和ui则是第i次分别从自变量X和Y中提取的第i对主成分,ti是x1,…,xp的线性组合,ui是y1,…,yq的线性组合;
d、分别求E0和F0对t1的回归方程:
E0=t1G1 T+E1 (3);
F0=t1H1 T+F1 (4);
式中
H1=F0 Tt1/||t1||2;
e、用残差矩阵E1和F1取代E0和F0,然后求解第二个特征向量W2和C2以及第二个主成分t2和u2:
t2=E1W2 (5);
u2=F1C2 (6);
f、分别求E1和F2对t2的回归方程
E1=t2G2 T+E2 (7);
F1=t2H2 T+F2 (8);
式中
H2=F1 Tt2/||t2||2;
g、如此利用剩下的残差信息矩阵不断迭代计算,直到Em TEm中主对角元素近似0,就退出,则F0和E0在t1,…,tm上的回归方程为:
E0=t1G1 T+t2G2 T+ΛtmGm T+Em (9);
F0=t1H1 T+t2H2 T+ΛtmHm T+Fm (10);
由于ti是x1,…,xp的线性组合,因此,将ti代入到公式(10)当中,再通过反标准化处理,就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型:
YK=bk1X1+…+bkPXP+FmK k=1,..,q (11)。
7.如权利要求6所述的钢板性能优化的控制方法,其特征在于:
所述的各自变量的投影重要性的具体计算公式如下:
第j个变量的投影重要性VIPj值计算如下:
p为自变量的个数,Wja为主轴Wa的第j个分量,r2(y,ta)为t1,…,tm对y累计的解释能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236668.XA CN106991242A (zh) | 2017-04-12 | 2017-04-12 | 一种钢板性能优化的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236668.XA CN106991242A (zh) | 2017-04-12 | 2017-04-12 | 一种钢板性能优化的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991242A true CN106991242A (zh) | 2017-07-28 |
Family
ID=59415530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710236668.XA Pending CN106991242A (zh) | 2017-04-12 | 2017-04-12 | 一种钢板性能优化的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991242A (zh) |
Cited By (6)
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 |
CN112233735A (zh) * | 2020-09-07 | 2021-01-15 | 包头钢铁(集团)有限责任公司 | 一种珠光体钢轨钢化学成分的设计方法 |
CN112257347A (zh) * | 2020-11-02 | 2021-01-22 | 特变电工京津冀智能科技有限公司 | 一种变电设备的仿真系统 |
CN113203641A (zh) * | 2021-03-25 | 2021-08-03 | 武汉钢铁有限公司 | 加工参数确定方法、样品加工方法、装置及设备 |
CN113298327A (zh) * | 2021-07-28 | 2021-08-24 | 深圳先进储能材料国家工程研究中心有限公司 | 一种泡沫金属制备工艺优化的方法及泡沫金属的制备方法 |
CN114493057A (zh) * | 2022-04-18 | 2022-05-13 | 希望知舟技术(深圳)有限公司 | 基于异常工况的生产工艺参数推荐方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101391268A (zh) * | 2008-11-07 | 2009-03-25 | 东北大学 | 一种钢板控轧控冷过程温度制度的逆向优化方法 |
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 |
CN102632082A (zh) * | 2011-02-11 | 2012-08-15 | 宝山钢铁股份有限公司 | 基于性能预报模型的热轧带钢力学性能的动态控制方法 |
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 |
CN104573278A (zh) * | 2015-01-27 | 2015-04-29 | 山东钢铁股份有限公司 | 基于多元线性回归分析的热轧h型钢力学性能预报方法 |
CN104694720A (zh) * | 2015-03-31 | 2015-06-10 | 北京首钢股份有限公司 | 一种热轧板卷力学性能预测与判定系统 |
-
2017
- 2017-04-12 CN CN201710236668.XA patent/CN106991242A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101391268A (zh) * | 2008-11-07 | 2009-03-25 | 东北大学 | 一种钢板控轧控冷过程温度制度的逆向优化方法 |
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 |
CN102632082A (zh) * | 2011-02-11 | 2012-08-15 | 宝山钢铁股份有限公司 | 基于性能预报模型的热轧带钢力学性能的动态控制方法 |
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 |
CN104573278A (zh) * | 2015-01-27 | 2015-04-29 | 山东钢铁股份有限公司 | 基于多元线性回归分析的热轧h型钢力学性能预报方法 |
CN104694720A (zh) * | 2015-03-31 | 2015-06-10 | 北京首钢股份有限公司 | 一种热轧板卷力学性能预测与判定系统 |
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 |
CN112233735A (zh) * | 2020-09-07 | 2021-01-15 | 包头钢铁(集团)有限责任公司 | 一种珠光体钢轨钢化学成分的设计方法 |
CN112233735B (zh) * | 2020-09-07 | 2022-04-19 | 包头钢铁(集团)有限责任公司 | 一种珠光体钢轨钢化学成分的设计方法 |
CN112257347A (zh) * | 2020-11-02 | 2021-01-22 | 特变电工京津冀智能科技有限公司 | 一种变电设备的仿真系统 |
CN112257347B (zh) * | 2020-11-02 | 2023-09-08 | 特变电工京津冀智能科技有限公司 | 一种变电设备的仿真系统 |
CN113203641A (zh) * | 2021-03-25 | 2021-08-03 | 武汉钢铁有限公司 | 加工参数确定方法、样品加工方法、装置及设备 |
CN113298327A (zh) * | 2021-07-28 | 2021-08-24 | 深圳先进储能材料国家工程研究中心有限公司 | 一种泡沫金属制备工艺优化的方法及泡沫金属的制备方法 |
CN113298327B (zh) * | 2021-07-28 | 2021-12-07 | 深圳先进储能材料国家工程研究中心有限公司 | 一种泡沫金属制备工艺优化的方法及泡沫金属的制备方法 |
CN114493057A (zh) * | 2022-04-18 | 2022-05-13 | 希望知舟技术(深圳)有限公司 | 基于异常工况的生产工艺参数推荐方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991242A (zh) | 一种钢板性能优化的控制方法 | |
CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
CN101320031B (zh) | 一种奥氏体不锈钢精密钢带的终轧变形量预测方法 | |
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 | |
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 | |
CN105363794B (zh) | 一种基于力学性能预报和轧制能耗模型的精轧节能控制方法 | |
CN108655186B (zh) | 基于人工神经网络与数学模型的轧制力预设定方法 | |
CN112037209B (zh) | 一种钢板轧辊磨损量预测方法及系统 | |
CN100520786C (zh) | 拉矫机机组矫正辊的工艺参数设定方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
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 | |
CN110516312A (zh) | 一种无弯辊中厚板末阶段板形锁定规程分配方法 | |
CN114888092B (zh) | 一种基于跨工序数据平台的冷轧变形抗力预测方法 | |
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
CN107716560B (zh) | 一种板带热连轧负荷分配方法 | |
CN115007658B (zh) | 基于深层循环神经网络的冷连轧轧制板形动态预测方法 | |
CN115815342A (zh) | 一种基于机理和数据融合模型的冷轧轧制力预测方法 | |
CN117655118B (zh) | 多模融合的带钢板形控制方法和装置 | |
CN109240203B (zh) | 一种基于多模型的连铸坯定重控制方法 | |
CN1641356B (zh) | 硬线产品显微组织与力学性能预报系统 | |
CN114818456A (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
CN112387791B (zh) | 冷轧带钢的轧制温度确定方法及确定系统 | |
CN110674568A (zh) | 一种预测棒材力学性能的方法 | |
CN114192587A (zh) | 一种基于误差反向传播算法的冷轧板形控制参数设定方法 | |
CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |
|
RJ01 | Rejection of invention patent application after publication |