CN107944085B - 一种用于轧钢自学习模型的数据处理方法和模块 - Google Patents
一种用于轧钢自学习模型的数据处理方法和模块 Download PDFInfo
- Publication number
- CN107944085B CN107944085B CN201711019816.9A CN201711019816A CN107944085B CN 107944085 B CN107944085 B CN 107944085B CN 201711019816 A CN201711019816 A CN 201711019816A CN 107944085 B CN107944085 B CN 107944085B
- Authority
- CN
- China
- Prior art keywords
- data
- rolling
- speed
- learning
- outlet
- 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.)
- Active
Links
Images
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/333—Design for testability [DFT], e.g. scan chain or built-in self-test [BIST]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Abstract
本发明公开了一种用于轧钢自学习模型的数据处理方法及模块,通过获取一定量的所需实测数据计算出口带钢速度的偏差系数和出口带钢速度的倾斜系数来确定可用的具有稳定性的实测数据,还能去除数据干扰量;并且,通过预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习,规避了极值数据对数据有效性的影响。本发明处理的实测数据能最大限度规避不稳定工况下的负学习现象,提高了自学习的稳定性,提高了设定计算模型的精度。
Description
技术领域
本发明属于轧钢领域,具体涉及一种用于轧钢自学习模型的数据处理方法和模块。
背景技术
轧钢设定计算模型作为轧钢控制系统的核心,直接影响轧钢产品的质量与控制精度。由于轧钢设定计算模型机理复杂,且各参数相互耦合,为提高设定计算模型精度,往往采取自学习模型来修正轧钢设定计算模型参数或者设定结果。
自学习模型步骤通常是,采集实测生产数据,然后对这些数据进行学习。其中选取实测数据有两种方式:其一是间隔一定周期采集生产实测数据,对当前数据进行自学习;其二是间隔一定周期采集生产实测数据,连续采集若干次后,取这些实测数据的平均值进行自学习。
但是,现场实践中经常会出现负学习的现象,即自学习后的系数应用于下次设定计算模型后,预报精度反而变差。为解决负学习对设定计算模型精度的负面影响,当前主流技术观点是采用指数平滑法对学习结果进行处理,此方法确实能够减轻负学习对设定计算精度负面影响的程度,但是并不能消除。而且,不利的是,指数平滑法减慢了自学习模型系数学习速度。
如何进一步减少自学习对设定值模型精度负面影响程度,或者完全规避错误的自学习,是轧钢领域急需解决的问题。
发明内容
针对现有技术中存在的缺陷,本发明的目的是提供一种用于轧钢自学习模型的数据处理方法、模块能够最大限度规避不稳定工况下的负学习现象,提高了自学习的稳定性,提高了设定计算模型的精度。
为达到以上目的,本发明采用的技术方案是:一种用于轧钢自学习模型的数据处理方法,包括以下步骤:
按预设频率获取所需实测数据,所述每条实测数据至少包括出口带钢速度及与预设自学习模型对应的主题参数;
将已获取的实测数据放入队列进行缓存,当实测数据达到阈值条数时,按预定义第一规则计算所获取的所有出口带钢速度的偏差系数;
当偏差系数小于等于预设偏差系数阈值时,按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数;
当出口带钢速度倾斜系数的绝对值小于等于预设倾斜系数阈值时,判断已获取的实测数据可用;
根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习。
进一步的,预设自学习模型包括轧制力模型、前滑模型、轧制力矩模型、轧制功率模型,轧制力模型的主题参数为轧制力,前滑模型的主题参数为前滑,轧制力矩模型的主题参数为轧制力矩,轧制功率模型的主题参数为轧制功率。
进一步的,所述按预设频率获取所需实测数据的方法还包括:根据点动轧制、低速轧制、高速轧制的情况确定采集周期。
进一步的,当所述获得的实测数据的数据量达到阈值条数而计算出的出口带钢速度的偏差系数大于预设偏差系数阈值;
或者,当实测数据的数据量达到阈值条数且计算出的出口带钢速度的偏差系数小于等于预设偏差系数阈值,但出口带钢速度倾斜系数的绝对值大于预设倾斜系数阈值;
清空预设条数的数据,重新获取所需实测数据。
进一步的,根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习的方法包括:
当获取的实测数据的条数N为奇数时,选择第(N+1)/2条数据进行学习;
当获取的实测数据的条数N为偶数时,选择第N/2条数据进行学习。
相应的,本发明还公开了一种用于轧钢自学习模型的数据处理模块,包括数据采集单元、数据计算单元、数据选择单元,其中:
所述数据采集单元,用于按预设频率获取所需实测数据,所述每条实测数据至少包括出口带钢速度及与预设自学习模型对应的主题参数;
所述数据计算单元,用于将已获取的实测数据放入队列进行缓存,当实测数据达到阈值条数时,按预定义第一规则计算所获取的所有出口带钢速度的偏差系数;
当偏差系数小于等于预设偏差系数阈值时,按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数;
当出口带钢速度倾斜系数的绝对值小于等于预设倾斜系数阈值时,判断已获取的实测数据可用;
所述数据选择单元,用于根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习。
本发明的效果在于:通过计算出口带钢速度的偏差系数和出口带钢速度的倾斜系数来确定可用的具有稳定性的实测数据,还能去除数据干扰量;并且,通过预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习,规避了极值数据对数据有效性的影响。可以理解的,选用本发明处理的实测数据能最大限度规避不稳定工况下的负学习现象,提高了自学习的稳定性,提高了设定计算模型的精度。
附图说明
图1是某轧机自动化系统的结构示意图。
图2是本发明所述方法的流程图。
图3图本发明具体实施例的流程图。
图4是本发明所述系统的结构图。
具体实施方式
为了使本发明的目的、技术方案以及优点更加清楚明白,下面结合实施例进行进一步详细说明。应该理解的是,此实施例仅仅是本发明应用的一个方面,并不用于限定本发明。
在一些实施例中,图1示出了某轧机自动化系统的结构示意图,其为分级控制系统,第二级系统为过程控制级系统(简称L2),第一级系统为基础自动化级系统(简称L1)。
其中,L2包括控制部分与非控部分,控制部分包括设定计算与自学习,非控部分用于管理整个L2系统,其主要功能包括通讯,数据采集,物料跟踪,系统管理,日志报表等功能。
L2计算待轧钢卷的设定值,发送给L1,同时在钢卷生产过程中,收集其实测数据,并通过自学习修改模型系数,以提高下一次设定计算的精度。在开始步骤之前,L2首先从数据库读取如下参数:
(1)允许的最大缓存的实测数据阈值条数N;
(2)预设的出口带钢速度偏差系数阈值Cmax;
(3)预设的出口带钢速度倾斜系数阈值,kmax。
在本实施例中,读取结果如下:N=10,Cmax=0.2%,kmax=0.01%。
具体的,结合图2、图3所示,一种用于轧钢自学习模型的数据处理方法,包括以下步骤:
S101,按预设频率获取所需实测数据,所述每条实测数据至少包括出口带钢速度及与预设自学习模型对应的主题参数。
具体的,L2从L1获取实测数据,通讯方式采用基于TCP/IP的Socket方式,双方约定通讯内容。或者采用OPC模式L2直接读取L1实测数据。
L2需要从L1读取的实测数据包括:出口带钢速度及与预设自学习模型对应的主题参数。比如预设自学习模型包括轧制力模型、前滑模型、轧制力矩模型、轧制功率模型等等,因此需要获取轧制力、前滑、轧制力矩、轧制功率等参数。
当然,实测数据一般还包括当前时刻,为后续步骤提供时间参数。在实际操作中,可能还会获取钢卷号、钢种、宽度、入口厚度、出口厚度、入口张力、出口张力、轧辊线速度、弯辊值、串辊值、乳化液流量、各轧辊直径等数据,在本实施例中不做限定。
按预设频率获取所需实测数据的方法还包括:根据点动轧制、低速轧制、高速轧制的情况确定采集周期。比如,点动轧制时,不采集;低速轧制时,采集周期每1秒一次;高速轧制时,采集的周期是每轧制5米(出口长度)一次。
点动轧制可以是指轧制速度小于15m/min,低速轧制可以是指轧制速度大于等于15m/min并且小于等于200m/min,高速轧制可以是指轧制速度大于200m/min。本发明对点动轧制、低速轧制、高速轧制的具体速度不做限定,实践操作中可以对这些速度进行修改。
可以理解的,在换辊后,或者轧制钢卷号变化了,或者停机达到预设时间(如1分钟),则需要清空缓存的队列,重新接收数据。
S102,将已获取的实测数据放入队列进行缓存,当实测数据达到阈值条数时,按预定义第一规则计算所获取的所有出口带钢速度的偏差系数。
在本实施例中,实测数据阈值条数N为10,当实测数据达到阈值条数时才进行后续步骤,否则继续等待。只有获得一定量的实测数据才能保证后续步骤数据的准确性。
为了确定获得的实测数据是否为可用的具有稳定性的数据,还需要做进一步的计算,以去除数据干扰量。比如在本步骤中,按预定义第一规则计算所获取的所有出口带钢速度的偏差系数。
计算偏差系数的方法很多,比如利用如下公式(1):
其计算公式如下:
是否需要进行更多计算,需要进入步骤S103进行判断。
S103,当偏差系数小于等于预设偏差系数阈值时,按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数。
即当S102中的Cv小于等于预设偏差系数阈值Cmax时,按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数。
出口带钢速度的倾斜系数的方法很多,如本发明设计的如下公式(2):
其中,k代表出口带钢速度的倾斜系数,k1、k2为中间变量:
本发明设计的该公式能判断出口带钢速度是否在升速或者降速,表明当前工况是否稳定。
S104,当出口带钢速度倾斜系数的绝对值小于等于预设倾斜系数阈值时,判断已获取的实测数据可用。
即当步骤S103中出口带钢速度的倾斜系数k的绝对值小于等于预设倾斜系数阈值kmax时,判断数据为可用的具有稳定性的实测数据。
可以理解的,当所述获得的实测数据的数据量达到阈值条数而计算出的出口带钢速度的偏差系数大于预设偏差系数阈值;或者,当实测数据的数据量达到阈值条数且计算出的出口带钢速度的偏差系数小于等于预设偏差系数阈值,但出口带钢速度倾斜系数的绝对值大于预设倾斜系数阈值,则说明存在一些不好的干扰量,因此需要清空预设条数的数据以重新获取所需实测数据。比如,删除队列前1/3的数据。
S105,根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习。
比如,如果用于学习轧制力模型,则对这N组数据按照轧制力大小进行升序排列;如果用于学习前滑模型,则对这N组数据按照前滑大小进行升序排列;如果用于学习轧制力矩模型,则对这N组数据按照轧制力矩大小进行升序排列,如果用于学习轧制功率模型,则对这N组数据按照轧制功率大小进行升序排列。而后,选择非极值的数据进行学习,规避极值数据对数据有效性的影响。
优选选择中间的数据来进行学习,比如当获取的实测数据的条数N为奇数时,选择第(N+1)/2条数据进行学习;当获取的实测数据的条数N为偶数时,选择第N/2条数据进行学习。
当然,成功选取好用于自学习的数据后,可以清空缓存队列中的数据,返回S101,等待继续收集足够的实测数据。
本发明处理的实测数据能最大限度规避不稳定工况下的负学习现象,提高了自学习的稳定性,提高了设定计算模型的精度。
更具体的,在一些实施例中,经过步骤S101得到了如表1所示的数据(省略了大部分数据项,保留了出口速度、前滑、轧制力):
表1
通过步骤S102-S104中公式(1)计算得到,Cv=0.00171295565,小于Cmax(0.2%);则又通过公式(2)计算得到k=-6.396E-05,它的绝对值小于kmax(0.01%),判断表1中的数据可用。
然后通过步骤S105,对缓存数据根据轧制力进行升序排列,得到表2:
表2
取第5组数据进行学习:
可以发现,本例选取用于学习轧制力的数据是原始队列(表1)的第3组数据,同时,这些数据轧制力波动为272KN(就是这10组数据的最大值与最小值之差),前滑波动高达0.7%,如果任意选取一组数据进行学习,可能对将来自学习带来较大的影响。通过本发明的选取,规避了选取到极值的情况,从而数据的有效性更好。
相应的,本发明还公开了一种用于轧钢自学习模型的数据处理模块,如图4所示,包括数据采集单元10、数据计算单元20、数据选择单元30,其中:
数据采集单元10,用于按预设频率获取所需实测数据,所述每条实测数据至少包括出口带钢速度及与预设自学习模型对应的主题参数。
预设自学习模型包括轧制力模型、前滑模型、轧制力矩模型、轧制功率模型等等,因此需要获取轧制力、前滑、轧制力矩、轧制功率等参数。
当然,实测数据一般还包括当前时刻,为后续步骤提供时间参数。在实际操作中,可能还会获取钢卷号、钢种、宽度、入口厚度、出口厚度、入口张力、出口张力、轧辊线速度、弯辊值、串辊值、乳化液流量、各轧辊直径等数据,在本实施例中不做限定。
按预设频率获取所需实测数据的方法还包括:根据点动轧制、低速轧制、高速轧制的情况确定采集周期。比如,点动轧制时,不采集;低速轧制时,采集周期每1秒一次;高速轧制时,采集的周期是每轧制5米(出口长度)一次。
点动轧制可以是指轧制速度小于15m/min,低速轧制可以是指轧制速度大于等于15m/min并且小于等于200m/min,高速轧制可以是指轧制速度大于200m/min。本发明对点动轧制、低速轧制、高速轧制的具体速度不做限定,实践操作中可以对这些速度进行修改。
可以理解的,在换辊后,或者轧制钢卷号变化了,或者停机达到预设时间(如1分钟),则数据采集单元10还用于清空缓存的队列,重新接收数据。
数据计算单元20,用于将已获取的实测数据放入队列进行缓存,当实测数据达到阈值条数时,按预定义第一规则计算所获取的所有出口带钢速度的偏差系数;
当偏差系数小于等于预设偏差系数阈值时,按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数;
当出口带钢速度倾斜系数的绝对值小于等于预设倾斜系数阈值时,判断已获取的实测数据可用。
在本实施例中,实测数据阈值条数N为10,当实测数据达到阈值条数时才进行后续步骤,否则继续等待。只有获得一定量的实测数据才能保证后续步骤数据的准确性。
为了确定获得的实测数据是否为可用的具有稳定性的数据,还需要做一些计算,以去除数据干扰量。包括:
(1)按预定义第一规则计算所获取的所有出口带钢速度的偏差系数。
计算偏差系数的方法很多,比如利用如下公式(1):
其计算公式如下:
当Cv小于等于预设偏差系数阈值Cmax时,再进行下一个计算。
(2)按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数。
出口带钢速度的倾斜系数的方法很多,优选利用如下公式(2):
其中,k代表出口带钢速度的倾斜系数,k1、k2为中间变量:
本发明设计的该公式能判断出口带钢速度是否在升速或者降速,表明当前工况是否稳定。当出口带钢速度的倾斜系数k的绝对值小于等于预设倾斜系数阈值kmax时,判断数据为可用的具有稳定性的实测数据。
可以理解的,当所述获得的实测数据的数据量达到阈值条数而计算出的出口带钢速度的偏差系数大于预设偏差系数阈值;或者,当实测数据的数据量达到阈值条数且计算出的出口带钢速度的偏差系数小于等于预设偏差系数阈值,但出口带钢速度倾斜系数的绝对值大于预设倾斜系数阈值,则说明存在一些不好的干扰量,因此数据计算单元20还通知数据采集单元10清空预设条数的数据以重新获取所需实测数据。比如,删除队列前1/3的数据。
所述数据选择单元30,用于根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习。
比如,如果用于学习轧制力模型,则对这N组数据按照轧制力大小进行升序排列;如果用于学习前滑模型,则对这N组数据按照前滑大小进行升序排列;如果用于学习轧制力矩模型,则对这N组数据按照轧制力矩大小进行升序排列;如果用于学习轧制功率模型,则对这N组数据按照轧制功率大小进行升序排列。而后,选择非极值的数据进行学习,规避极值数据对数据有效性的影响。
优选选择中间的数据来进行学习,比如当获取的实测数据的条数N为奇数时,选择第(N+1)/2条数据进行学习;当获取的实测数据的条数N为偶数时,选择第N/2条数据进行学习。
当然,成功选取好用于自学习的数据后,所述数据选择单元30还用于通知数据采集单元10以清空缓存队列中的数据,等待继续收集足够的实测数据。
可以理解的,本发明的用于轧钢自学习模型的数据处理模块,可以位于图1所示某轧机自动化系统L2的非控部分。
本发明处理的实测数据能最大限度规避不稳定工况下的负学习现象,提高了自学习的稳定性,提高了设定计算模型的精度。
本领域技术人员应该明白,本发明所述的方法和系统并不限于具体实施方式中所述的实施例,上面的具体描述只是为了解释本发明的目的,并非用于限制本发明。本领域技术人员根据本发明的技术方案得出其他的实施方式,同样属于本发明的技术创新范围,本发明的保护范围由权利要求及其等同物限定。
Claims (10)
1.一种用于轧钢自学习模型的数据处理方法,其特征在于,包括以下步骤:
按预设频率获取所需实测数据,所述实测数据的每一条数据至少包括出口带钢速度及与预设自学习模型对应的主题参数;
将已获取的实测数据放入队列进行缓存,当实测数据达到阈值条数时,按预定义第一规则计算所获取的所有出口带钢速度的偏差系数;
当偏差系数小于等于预设偏差系数阈值时,按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数;
当出口带钢速度倾斜系数的绝对值小于等于预设倾斜系数阈值时,判断已获取的实测数据可用;
根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习。
2.一种用于轧钢自学习模型的数据处理模块,其特征在于,包括数据采集单元、数据计算单元、数据选择单元,其中:
所述数据采集单元,用于按预设频率获取所需实测数据,所述实测数据的每一条数据至少包括出口带钢速度及与预设自学习模型对应的主题参数;
所述数据计算单元,用于将已获取的实测数据放入队列进行缓存,当实测数据达到阈值条数时,按预定义第一规则计算所获取的所有出口带钢速度的偏差系数;
当偏差系数小于等于预设偏差系数阈值时,按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数;
当出口带钢速度倾斜系数的绝对值小于等于预设倾斜系数阈值时,判断已获取的实测数据可用;
所述数据选择单元,用于根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习。
3.如权利要求2所述的用于轧钢自学习模型的数据处理模块,其特征在于,所述预设自学习模型为轧制力模型或前滑模型或轧制力矩模型或轧制功率模型,轧制力模型的主题参数为轧制力,前滑模型的主题参数为前滑,轧制力矩模型的主题参数为轧制力矩,轧制功率模型的主题参数为轧制功率。
4.如权利要求2所述的用于轧钢自学习模型的数据处理模块,其特征在于,所述按预设频率获取所需实测数据的方法还包括:根据点动轧制、低速轧制、高速轧制的情况确定采集周期。
5.如权利要求2所述的用于轧钢自学习模型的数据处理模块,其特征在于,当所述获取的实测数据的数据量达到阈值条数而计算出的出口带钢速度的偏差系数大于预设偏差系数阈值;
或者,当实测数据的数据量达到阈值条数且计算出的出口带钢速度的偏差系数小于等于预设偏差系数阈值,但出口带钢速度倾斜系数的绝对值大于预设倾斜系数阈值;
清空预设条数的数据,重新获取所需实测数据。
6.如权利要求2所述的用于轧钢自学习模型的数据处理模块,其特征在于,根据预设自学习模型对应的主题参数进行升序或降序排列,选取非极值的数据进行学习的方法包括:
当获取的实测数据的条数N为奇数时,选择第(N+1)/2条数据进行学习;
当获取的实测数据的条数N为偶数时,选择第N/2条数据进行学习。
9.如权利要求2所述的用于轧钢自学习模型的数据处理模块,其特征在于,所述实测数据的每一条数据还包括当前时刻、钢卷号、钢种、宽度、入口厚度、出口厚度、入口张力、出口张力、轧辊线速度、弯辊值、串辊值、乳化液流量、各轧辊直径中的至少一种。
10.如权利要求2所述的用于轧钢自学习模型的数据处理模块,其特征在于,在换辊后,或者轧制钢卷号变化了,或者停机达到预设时间,或者在所述选取非极值的数据进行学习后,则清空缓存的队列,重新接收数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711019816.9A CN107944085B (zh) | 2017-10-27 | 2017-10-27 | 一种用于轧钢自学习模型的数据处理方法和模块 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711019816.9A CN107944085B (zh) | 2017-10-27 | 2017-10-27 | 一种用于轧钢自学习模型的数据处理方法和模块 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944085A CN107944085A (zh) | 2018-04-20 |
CN107944085B true CN107944085B (zh) | 2021-01-05 |
Family
ID=61935757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711019816.9A Active CN107944085B (zh) | 2017-10-27 | 2017-10-27 | 一种用于轧钢自学习模型的数据处理方法和模块 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944085B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298751A (zh) * | 2020-09-29 | 2021-08-24 | 湖南长天自控工程有限公司 | 一种辅门堵料的检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101780480A (zh) * | 2009-01-16 | 2010-07-21 | 宝山钢铁股份有限公司 | 一种焊缝过机架时带钢头部厚度控制补偿方法 |
CN102896156A (zh) * | 2012-09-29 | 2013-01-30 | 鞍钢股份有限公司 | 一种热轧带钢辊缝模型的优化方法 |
CN103506404A (zh) * | 2012-06-20 | 2014-01-15 | 鞍钢股份有限公司 | 一种带钢精轧过程辊缝的控制方法 |
-
2017
- 2017-10-27 CN CN201711019816.9A patent/CN107944085B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101780480A (zh) * | 2009-01-16 | 2010-07-21 | 宝山钢铁股份有限公司 | 一种焊缝过机架时带钢头部厚度控制补偿方法 |
CN103506404A (zh) * | 2012-06-20 | 2014-01-15 | 鞍钢股份有限公司 | 一种带钢精轧过程辊缝的控制方法 |
CN102896156A (zh) * | 2012-09-29 | 2013-01-30 | 鞍钢股份有限公司 | 一种热轧带钢辊缝模型的优化方法 |
Non-Patent Citations (3)
Title |
---|
Model Adaptive Learning for Steel Rolling Mill Control;Zhou Wan等;《2008 IEEE International Symposium on Knowledge Acquisition and Mdodeling Workshop》;20090403;第903-906页 * |
基于自适应遗传算法的冷连轧轧制力模型自学习;魏立新;《轧钢》;20100630;第27卷(第3期);第7-10页 * |
热带钢精轧机组轧制力预设定模型自学习研究;王健;《中南大学学报》;20141031;第45卷(第10期);第3398-3407页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107944085A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109602062B (zh) | 基于数字物理模型的松散回潮自适应水分控制方法及系统 | |
JP4816130B2 (ja) | 鋼の連続鋳造鋳片の製造方法および鋳片の表層欠陥手入システム。 | |
CN113011050B (zh) | 一种细纱机产量的在线估算方法及相关装置 | |
CN103286142A (zh) | 一种冷连轧动态变规格时的动态辊缝补偿方法 | |
CN107766888A (zh) | 数据处理方法和装置 | |
WO2012127571A1 (ja) | 圧延制御装置、圧延制御方法および圧延制御プログラム | |
CN107944085B (zh) | 一种用于轧钢自学习模型的数据处理方法和模块 | |
CN116307289A (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
CN110163479A (zh) | 一种烟草卷包车间质量异常问题主因模型的建立方法 | |
CN113649420A (zh) | 一种平整机轧制力获取方法及装置 | |
CN114888634B (zh) | 铣刀磨损监测方法及装置 | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
CN112474815B (zh) | 一种控制轧制过程的方法及装置 | |
CN111724203A (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
CN116213800A (zh) | 一种数字孪生的铣削加工干涉实时预测系统及方法 | |
JP2021192915A (ja) | 製品品質分析支援システム | |
CN108073464A (zh) | 一种基于速度和加速度的时序数据异常点检测方法及装置 | |
CN105583236B (zh) | 冷轧带钢塑性系数的在线获取方法 | |
CN104346505B (zh) | 冷连轧轧机摩擦系数预测方法 | |
CN109926895B (zh) | 一种退火炉内炉辊在线修磨控制方法和装置 | |
CN110020000A (zh) | 判定异常风速数据的方法和装置 | |
CN110227725B (zh) | 一种辊缝自学习纠偏的方法及装置 | |
JP6036857B2 (ja) | 圧延機の制御方法、圧延機の制御装置、及び圧延材の製造方法 | |
Li et al. | A deep learning based method for cutting parameter optimization for band saw machine | |
JP2022508735A (ja) | 金属ワークピースの製造方法 |
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 |