CN108229072A - 基于数据解析的连退均热炉带钢张力在线测量方法 - Google Patents
基于数据解析的连退均热炉带钢张力在线测量方法 Download PDFInfo
- Publication number
- CN108229072A CN108229072A CN201810137070.XA CN201810137070A CN108229072A CN 108229072 A CN108229072 A CN 108229072A CN 201810137070 A CN201810137070 A CN 201810137070A CN 108229072 A CN108229072 A CN 108229072A
- Authority
- CN
- China
- Prior art keywords
- strip
- tension
- soaking
- soaking pit
- model
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法,建立均热炉内各辊子处的带钢张力的机理模型,获取训练样本集;采用最小二乘支持向量机建立机理偏差率的估计模型;采用粒子群优化算法优化机理偏差率估计模型的模型参数;实时采集均热炉内带钢生产数据,将带钢生产数据输入带钢张力的机理模型,得到均热炉内各辊子处的带钢张力和均热炉出口张力;将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型,得到机理模型偏差率的值;根据均热炉内各辊子处的带钢张力和均热炉出口张力,以及机理模型偏差率,预测均热炉内各辊子处的带钢张力和均热炉出口张力,在该方法实现了对中间辊子张力的计算,拥有较高的精度。
Description
技术领域
本发明属于钢铁工业的连退生产技术领域,具体涉及一种基于数据解析的连退均热炉带钢张力在线测量方法。
背景技术
钢铁工业是国民经济的支柱性产业,是衡量国家经济实力的重要指标。现代钢铁工业的生产工艺主要包括烧结、炼铁、炼钢、连铸、热轧、冷轧等,其中连续退火工艺(简称连退)是冷轧退火工艺中的一种。在钢铁企业中,冷轧连退工艺主要由预热、加热、均热、风冷、辊冷、过时效、终冷等工序组成。在这些工序中,均热是关键的一环,带钢经过预热,加热后到达均热阶段,逐步稳定在退火温度,并在此温度下实现再结晶。这一过程是在均热炉中发生的,想要达到好的均热效果必须要保证均热炉中带钢能够平稳运行。然而均热炉中的带钢张力经常会发生较大的波动,容易导致带钢的打滑、跑偏,造成带钢发生褶皱甚至断裂,严重影响产品的质量和生产的连续性。均热炉附近炉段的辊系图如图1所示,其中,RTF为加热炉,SF为均热炉,SCF为缓冷炉,带钢的运行方向为从右向左。图中的SR代表纠偏辊,当带钢发生跑偏时,能够起到一定的纠偏作用。TR代表测张辊,能够实时监测炉入口和出口处的带钢张力值。在连退生产现场中,传感器只能测得均热炉的入口张力和出口张力,中间辊子的张力无法获取。为了提高带钢运行的稳定性以及带钢的质量,就必须准确获取各个辊子处的张力,以减少带钢张力的波动,这就和现状相矛盾,成为亟待解决的技术问题。
针对中间辊子张力不可测量的问题,中国专利200910197595.3提出了一种连续退火机组辊间带钢张力的软测量方法。该方法首先对带钢过程数据进行采集和预处理,通过经验公式递推的方式建立了带钢张力软测量的主模型,接着为了补偿主模型存在的误差,加入了神经网络模型,最后当现场工况出现较大变动时去更新神经网络模型。然而,此方法仍然存在一些不足:首先在建立主模型时采用经验公式递推的方式,模型精度有待进一步提高;其次,神经网络在使用中学习速度慢,样本需求量大,并且容易出现维数灾难;最后,现场工况发生较大变化时才去更新模型,模型可能存在滞后性。
发明内容
针对现有技术的不足,本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法,包括以下步骤:
步骤1:建立均热炉内各辊子处的带钢张力的机理模型,获取均热炉内历史带钢生产数据,计算均热炉内各辊子处的带钢张力和均热炉出口张力,并得到机理模型的偏差率,将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S;
步骤1.1:根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢张力的机理模型;
步骤1.2:获取均热炉内历史带钢生产数据,包括:带钢宽度、带钢厚度、均热炉内各辊子的速度和扭矩、带钢温度、均热炉炉温、带钢速度、均热炉入口张力和均热炉出口张力;
步骤1.3:根据均热炉内历史带钢生产数据,采用四阶龙格库塔法求解带钢张力的机理模型,得到均热炉内各辊子处的带钢张力和均热炉出口张力;
步骤1.4:根据带钢张力的机理模型计算得到的均热炉出口张力与历史带钢生产数据中的实际均热炉出口张力,计算得到机理模型的偏差率;
步骤1.5:将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S;
步骤2:将训练样本集S中的均热炉内历史带钢生产数据作为输入,将训练样本集S中的机理模型的偏差率作为输出,采用最小二乘支持向量机建立机理偏差率的估计模型;
步骤3:采用粒子群优化算法优化机理偏差率估计模型的模型参数,得到优化后的机理偏差率估计模型;
步骤4:实时采集均热炉内带钢生产数据,将带钢生产数据输入带钢张力的机理模型,得到均热炉内各辊子处的带钢张力和均热炉出口张力;
步骤5:将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型,得到机理模型偏差率的值;
步骤6:根据步骤4中得到的均热炉内各辊子处的带钢张力和均热炉出口张力,以及步骤5中得到的机理模型偏差率,预测均热炉内各辊子处的带钢张力和均热炉出口张力。
步骤7:将步骤6中实时采集的带钢生产数据与机理模型的偏差率作为新的样本,存储至临时样本集Stemp中,当临时样本集Stemp中的样本数量达到给定的阈值n时,将n个新的样本依次加入到训练样本集S中,并删除训练样本集S中的前n个样本,清空临时样本集Stemp,返回步骤2。
本发明的有益效果:
本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法,在该方法中使用了基于均热炉内机理关系的建模方法,通过求解微分方程,实现了对中间辊子张力的计算,拥有较高的精度;同时使用最小二乘支持向量机方法来建立机理偏差率的估计模型,对于机理模型与实际的偏差进行了补偿。最终的混合模型将机理模型和数据模型进行了综合,提高了带钢张力预测值的精度,实现了准确在线测量均热炉内带钢张力的目的。新的样本数据库对模型进行在线地更新,使得模型拥有良好的自适应性。
附图说明
图1为均热炉附近炉段的辊系图;
图2为本发明具体实施方式中基于数据解析的连退均热炉带钢张力在线测量方法;
图3为本发明所提出的基于数据解析的建模方法与机理模型针对均热炉出口张力的预测结果偏差对比。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本实施方式中,基于图1所示的均热炉附近炉段的辊系图,图1中的圆圈代表水平放置的辊子,连续的线段代表依附在辊子上的带钢。辊子高速旋转带动带钢前进,使带钢能够在炉中均匀受热。图1中的RTF为加热炉,SF为均热炉,SCF为缓冷炉,带钢的运行方向为从右向左。SR代表纠偏辊,当带钢发生跑偏时,能够起到一定的纠偏作用。TR代表测张辊,能够实时监测该辊子处的带钢张力值。图1中R18到R41这24根辊子是研究的重点,其中R18为SF炉入口处的辊子,R41为SF炉出口处的辊子,这两个辊子的张力能够采集到,而这两个辊子之间的炉内各辊子处的带钢张力是未知的。想要确定因带钢张力波动导致的带钢打滑跑偏的具体位置,就需要知道这些辊子处的带钢张力值。本实施方式中,首先采集现场的带钢数据,利用炉内的机理关系建立机理模型,去求解中间辊子的张力值。然后针对机理模型存在的偏差,利用最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)来对机理偏差率进行学习,建立偏差率的数据模型。最后将数据模型和机理模型进行综合,构建一个混合模型,从而实现对带钢张力的高精度在线测量。最后通过新的样本数据库对模型进行在线地更新,使得模型拥有极高的适应性。
本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法,如图2所示,包括以下步骤:
步骤1:建立均热炉内各辊子处的带钢张力的机理模型,获取均热炉内历史带钢生产数据,计算均热炉内各辊子处的带钢张力和均热炉出口张力,并得到机理模型的偏差率,将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S。
步骤1.1:根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢的机理模型。
本实施方式中,根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢的机理模型如式(1)-(2)所示:
其中,Fi(t)为第i个辊子的带钢张力,Ti(t)为各段电机的电磁力矩,J为电机转轴上的总转动惯量,Fi-1(t)为第i-1个辊子的带钢张力,Ki为均热炉内各段带钢的弹性系数,vi(τ)、vi(τ-1)为第i个辊子的线速度。
均热炉内各段带钢的弹性系数Ki如式(3)所示:
Ki=(Ei×S)/L (3)
其中,Ei为各段带钢的弹性模量,与各段的温度相关,S为带钢的截面积,L为两辊子之间的带钢长度。
第i个辊子的线速度vi(t)如式(4)所示:
vi(t)=wi(t)×Ri (4)
其中,Ri为第i个辊子的半径,wi(t)为第i个辊子的角速度。
步骤1.2:获取均热炉内历史带钢生产数据,包括:带钢宽度、带钢厚度、均热炉内各辊子的速度和扭矩、带钢温度、均热炉炉温、带钢速度、均热炉入口张力和均热炉出口张力。
步骤1.3:根据均热炉内历史带钢生产数据,采用四阶龙格库塔法求解带钢张力的机理模型,得到热炉内各辊子处的带钢张力和均热炉出口张力。
步骤1.4:根据带钢张力的机理模型计算得到的均热炉出口张力与历史带钢生产数据中的实际均热炉出口张力,计算得到机理模型的偏差率。
步骤1.5:将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S。
步骤2:将训练样本集S中的均热炉内历史带钢生产数据作为输入,将训练样本集S中的机理模型的偏差率作为输出,采用最小二乘支持向量机建立机理偏差率的估计模型。
本实施方式中,针对训练样本Xi的机理偏差率的估计模型可以表示如式(5)所示:
Ye,i=LSSVM(γ,σ,Xi) (5)
其中,γ和σ为LSSVM模型参数,第i个训练样本其中Wd为带钢的宽度,Th为带钢的厚度,为辊子R18到R41的速度,为辊子R18到R41的扭矩,ts为带钢的温度,tl为均热炉的炉温,代表带钢的速度,FR为入口处张力,Ye,i为训练样本Xi的机理偏差率估计值,LSSVM表示最小二乘支持向量机模型。
本实施方式中,LSSVM模型的参数γ和σ,能够唯一确定该数据模型的表达式,因而这两个参数的选取对于模型性能具有重要影响。将LSSVM模型参数的选取问题转化为如式(6)的优化问题:其中,Ye,i表示针对第i个训练样本的机理偏差率估计值,eobs,i表示针对第i个训练样本的机理偏差率实际值。
s.t.
Ye,i=LSSVM(γ,σ,Xi)
γmin≤γ≤γmax
σmin≤σ≤σmax
其中,σmin为模型参数σ的最小值,σmax为模型参数σ的最大值,γmin为模型参数γ的最小值,γmax为模型参数γ的最大值。
步骤3:采用粒子群优化算法优化机理偏差率估计模型的模型参数,得到优化后的机理偏差率估计模型。
步骤3.1:设置算法迭代次数g=0,初始化粒子群参数,包括:种群粒子数目Np、第g次迭代过程中的第j个粒子记为xj,g=[γj,g,σj,g]、模型参数σ的取值区间[σmin,σmax]、模型参数γ的取值区间[γmin,γmax]、目标函数为其中,j=1,...,Np为粒子序号。
步骤3.2:初始化种群:将模型参数σ的取值区间[σmin,σmax]、模型参数γ的取值区间[γmin,γmax]的区间平均分为M个子区间,设置各子区间k被选择的概率为pk=1/M,每个子区间的选择区域为[ak-1,ak],k=1,2,...,M,其中,a0=0、ak=ak-1+pk、...、aM=1,利用函数rand(0,1)产生0到1之间的随机数,选择该随机数所属的子区间,然后在被选择的子区间里再产生一个随机数,作为模型参数σ或者模型参数γ的值,从而得到一个随机的初始粒子,计算其目标函数值,重复以上过程Np次,得到包含Np个粒子的初始种群,随机初始化每个粒子xj,g在第g次迭代的速度为vj,g=0。
将每个粒子作为其个体最好解pj,g,即pj,g=xj,g,将当前种群中的全局最好解作为Gbest,g。
步骤3.3:更新迭代次数g=g+1,更新粒子的速度和位置,并计算更新后的每个粒子的目标函数值。
粒子的速度更新公式如式(8)所示:
vj,g=w×vj,g-1+c1r1(pj,g-1-xj,g-1)+c2r2(Gbest,g-1-xj,g-1) (8)
粒子的位置更新公式如式(9)所示:
xj,g=xj,g-1+vj,g (9)
其中,w=0.9为惯性权重,c1=2.0为粒子自身认知学习的系数,c2=2.0为粒子间相互学习的系数,r1和r2是[0,1]范围内的随机数。。
步骤3.4:更新当前每个粒子的个体最好解pj,g、当前种群中的全局最好解Gbest,g。
步骤3.5:若迭代次数达到设定的最大迭代次数gmax=200,则执行步骤3.6,否则,返回步骤3.3。
步骤3.6:停止迭代,将算法所得到的全局最好解Gbest,g中的模型参数γ和σ代入机理偏差率的估计模型,得到优化后的机理偏差率估计模型。
步骤4:实时采集均热炉内带钢生产数据,将带钢生产数据输入带钢张力的机理模型,得到均热炉内各辊子处的带钢张力和均热炉出口张力。
步骤5:将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型,得到机理模型偏差率的值。
步骤6:根据步骤4中得到的均热炉内各辊子处的带钢张力和均热炉出口张力,以及步骤5中得到的机理模型偏差率,预测均热炉内各辊子处的带钢张力和均热炉出口张力。
本实施方式中,由步骤4的机理模型所得到的第l个辊子处的带钢张力记为yl,均热炉出口张力记为yout,由步骤5所得到的机理偏差率的估计值记为则最终连退均热炉内各辊子处的带钢张力和均热炉出口张力的预测值如式(10)-(11)所示:
步骤7:将步骤6中实时采集的带钢生产数据与机理模型的偏差率作为新的样本,存储至临时样本集Stemp中,当临时样本集Stemp中的样本数量达到给定的阈值n时,将n个新的样本依次加入到训练样本集S中,并删除训练样本集S中的前n个样本,清空临时样本集Stemp,返回步骤2。
针对200个新在线采集的均热炉带钢生产数据样本,使用机理模型与混合模型对均热炉出口张力进行预测,预测结果对比如图3所示,从图中可以看出,通过LSSVM模型对机理模型的偏差率进行补偿之后,混合模型的预测精度要明显优于机理模型,并且其与实际均热炉出口张力值之间的平均预测误差能够达到0.2%(机理模型的平均预测误差为1%),能够满足实际生产过程中对于带钢张力波动的监测要求。
Claims (2)
1.一种基于数据解析的连退均热炉带钢张力在线测量方法,其特征在于,包括以下步骤:
步骤1:建立均热炉内各辊子处的带钢张力的机理模型,获取均热炉内历史带钢生产数据,计算均热炉内各辊子处的带钢张力和均热炉出口张力,并得到机理模型的偏差率,将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S;
步骤2:将训练样本集S中的均热炉内历史带钢生产数据作为输入,将训练样本集S中的机理模型的偏差率作为输出,采用最小二乘支持向量机建立机理偏差率的估计模型;
步骤3:采用粒子群优化算法优化机理偏差率估计模型的模型参数,得到优化后的机理偏差率估计模型;
步骤4:实时采集均热炉内带钢生产数据,将带钢生产数据输入带钢张力的机理模型,得到均热炉内各辊子处的带钢张力和均热炉出口张力;
步骤5:将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型,得到机理模型偏差率的值;
步骤6:根据步骤4中得到的均热炉内各辊子处的带钢张力和均热炉出口张力,以及步骤5中得到的机理模型偏差率,预测均热炉内各辊子处的带钢张力和均热炉出口张力;
步骤7:将步骤6中实时采集的带钢生产数据与机理模型的偏差率作为新的样本,存储至临时样本集Stemp中,当临时样本集Stemp中的样本数量达到给定的阈值n时,将n个新的样本依次加入到训练样本集S中,并删除训练样本集S中的前n个样本,清空临时样本集Stemp,返回步骤2。
2.根据权利要求1所述的基于数据解析的连退均热炉带钢张力在线测量方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1:根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢张力的机理模型;
步骤1.2:获取均热炉内历史带钢生产数据,包括:带钢宽度、带钢厚度、均热炉内各辊子的速度和扭矩、带钢温度、均热炉炉温、带钢速度、均热炉入口张力和均热炉出口张力;
步骤1.3:根据均热炉内历史带钢生产数据,采用四阶龙格库塔法求解带钢张力的机理模型,得到均热炉内各辊子处的带钢张力和均热炉出口张力;
步骤1.4:根据带钢张力的机理模型计算得到的均热炉出口张力与历史带钢生产数据中的实际均热炉出口张力,计算得到机理模型的偏差率;
步骤1.5:将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810137070.XA CN108229072A (zh) | 2018-02-10 | 2018-02-10 | 基于数据解析的连退均热炉带钢张力在线测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810137070.XA CN108229072A (zh) | 2018-02-10 | 2018-02-10 | 基于数据解析的连退均热炉带钢张力在线测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229072A true CN108229072A (zh) | 2018-06-29 |
Family
ID=62661454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810137070.XA Pending CN108229072A (zh) | 2018-02-10 | 2018-02-10 | 基于数据解析的连退均热炉带钢张力在线测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229072A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660479A (zh) * | 2019-09-18 | 2020-01-07 | 苏州晗林信息技术发展有限公司 | 一种动态医学影像ai训练诊断系统 |
CN113850020A (zh) * | 2021-09-16 | 2021-12-28 | 北京科技大学 | 一种基于神经网络的连退张力设定方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102154543A (zh) * | 2010-02-11 | 2011-08-17 | 上海宝钢工业检测公司 | 冷轧连续退火炉hf段张力下跌的预警方法 |
CN102564644A (zh) * | 2011-12-20 | 2012-07-11 | 东北大学 | 一种加热炉生产过程中板坯温度在线测量方法 |
CN103196693A (zh) * | 2013-04-19 | 2013-07-10 | 国家电网公司 | 一种锅炉蓄热系数的测量方法和测量装置 |
CN103394522A (zh) * | 2013-08-02 | 2013-11-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形控制功效系数的现场测试方法 |
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 |
CN106636606A (zh) * | 2016-12-30 | 2017-05-10 | 北京和隆软件有限公司 | 一种基于仿真模型的加热炉炉温控制方法 |
CN106886799A (zh) * | 2017-03-17 | 2017-06-23 | 东北大学 | 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 |
CN107168255A (zh) * | 2017-05-16 | 2017-09-15 | 浙江工业大学 | 一种基于集成神经网络的聚丙烯熔融指数混合建模方法 |
CN107377634A (zh) * | 2017-07-19 | 2017-11-24 | 东北大学 | 一种热轧带钢出口凸度预报方法 |
CN107541597A (zh) * | 2016-06-29 | 2018-01-05 | 宝山钢铁股份有限公司 | 连续退火机组均热炉的带钢跑偏监测与诊断方法及系统 |
-
2018
- 2018-02-10 CN CN201810137070.XA patent/CN108229072A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102154543A (zh) * | 2010-02-11 | 2011-08-17 | 上海宝钢工业检测公司 | 冷轧连续退火炉hf段张力下跌的预警方法 |
CN102564644A (zh) * | 2011-12-20 | 2012-07-11 | 东北大学 | 一种加热炉生产过程中板坯温度在线测量方法 |
CN103196693A (zh) * | 2013-04-19 | 2013-07-10 | 国家电网公司 | 一种锅炉蓄热系数的测量方法和测量装置 |
CN103394522A (zh) * | 2013-08-02 | 2013-11-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形控制功效系数的现场测试方法 |
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 |
CN107541597A (zh) * | 2016-06-29 | 2018-01-05 | 宝山钢铁股份有限公司 | 连续退火机组均热炉的带钢跑偏监测与诊断方法及系统 |
CN106636606A (zh) * | 2016-12-30 | 2017-05-10 | 北京和隆软件有限公司 | 一种基于仿真模型的加热炉炉温控制方法 |
CN106886799A (zh) * | 2017-03-17 | 2017-06-23 | 东北大学 | 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 |
CN107168255A (zh) * | 2017-05-16 | 2017-09-15 | 浙江工业大学 | 一种基于集成神经网络的聚丙烯熔融指数混合建模方法 |
CN107377634A (zh) * | 2017-07-19 | 2017-11-24 | 东北大学 | 一种热轧带钢出口凸度预报方法 |
Non-Patent Citations (5)
Title |
---|
唐智雁等: "连续退火机组 SF 段带钢跑偏混合动态监测模型", 《自动化仪表》 * |
唐智雁等: "连续退火机组SF段带钢跑偏混合动态监测模型", 《自动化仪表》 * |
王显鹏等: "基于集成学 习 的连退带钢质量在线预报方法", 《控制工程》 * |
王显鹏等: "基于集成学习的连退带钢质量在线预报方法", 《控制工程》 * |
袁斌等: "连续退火线加热炉带钢张力建模及仿真实验系统", 《冶金自动化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660479A (zh) * | 2019-09-18 | 2020-01-07 | 苏州晗林信息技术发展有限公司 | 一种动态医学影像ai训练诊断系统 |
CN113850020A (zh) * | 2021-09-16 | 2021-12-28 | 北京科技大学 | 一种基于神经网络的连退张力设定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104517162B (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN103732766B (zh) | 用于运行加工轧件的连续退火机组的方法 | |
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 | |
Hodgson | Microstructure modelling for property prediction and control | |
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
CN108229072A (zh) | 基于数据解析的连退均热炉带钢张力在线测量方法 | |
CN110802115B (zh) | 基于数据驱动的热连轧精轧入口温度预测方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN108921232B (zh) | 一种热轧带钢冷却历史数据聚类及相似性度量方法 | |
CN100372950C (zh) | 一种控制带钢温度的方法 | |
CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
JPH0763750B2 (ja) | 熱間圧延鋼板の冷却制御装置 | |
CN104714519B (zh) | 一种连续退火机组生产过程工艺参数设定与在线优化方法 | |
RU2752518C1 (ru) | Способ эксплуатации отжигательной печи | |
CN111814402B (zh) | 一种加热炉炉温控制方法 | |
CN105921522B (zh) | 基于rbf神经网络的层流冷却温度自适应控制方法 | |
CN109522677A (zh) | 一种用于热轧带钢温度控制的带钢横断面分层计算的方法 | |
JP2010235972A (ja) | 高張力鋼板の製造制御装置及び製造方法 | |
KR100841888B1 (ko) | 압연 라인의 재질 예측 및 재질 제어 장치 | |
CN105160127A (zh) | 基于csp流程热连轧生产线q235b钢种的性能预测方法 | |
CN117265214B (zh) | 一种特种钢生产的优化控制方法及系统 | |
KR101286558B1 (ko) | 가열로의 각대 설정온도 결정방법 | |
CN117494531B (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |