CN108817103B - 一种轧钢模型钢族层别分类优化方法 - Google Patents
一种轧钢模型钢族层别分类优化方法 Download PDFInfo
- Publication number
- CN108817103B CN108817103B CN201810574041.XA CN201810574041A CN108817103B CN 108817103 B CN108817103 B CN 108817103B CN 201810574041 A CN201810574041 A CN 201810574041A CN 108817103 B CN108817103 B CN 108817103B
- Authority
- CN
- China
- Prior art keywords
- steel
- rolling
- deformation
- data
- clustering
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 83
- 239000010959 steel Substances 0.000 title claims abstract description 83
- 238000005096 rolling process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000010079 rubber tapping Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000005098 hot rolling Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 4
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2261/00—Product parameters
- B21B2261/22—Hardness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种轧钢模型钢族层别分类优化方法,包括:步骤一:根据轧制过程数据计算变形速率和变形抗力,步骤二:根据实测的轧制力反求“等效实测”的变形抗力,步骤三:在图上绘制数据的散点图,根据分布特征判断层别划分是否合理,步骤四:针对钢族层别划分不合理的情况,采用一种新的线聚类算法来优化现有钢族层别的分类,确定需要划分到新层别的出钢记号,基于简单Nelder‑Mead算法寻找样本点Xi到第j条聚类中心曲线的最短距离,采用最小二乘法分别对数据子集进行幂数曲线拟合,更新C、m系数,重复步骤,直到前后两次迭代得到的聚类中心线一致停止迭代,完成聚类。本发明提升了热轧模型钢族层别划分的精度。
Description
技术领域
本发明涉及一种轧钢模型钢族层别分类优化方法,属于热轧带钢轧制过程控制领域。
背景技术
在热轧带钢生产过程中,钢族层别是热连轧过程控制模型最重要的基础配置数据之一,是热物性参数、工艺参数、模型参数与自适应参数最基本的索引号,对轧制过程控制具有重要影响。传统的钢族层别划分主要依据碳当量与人工经验确定。传统方法能够对钢种硬度的大类进行比较合理的区分,但对于同一大类中不同出钢记号的硬度差异不能进行细致分辨,经常出现划分不合理的情况,要么将本该分开的钢种归为一类,要么划分过细,导致轧制模型自适应效果大打折扣。尤其当钢种换层别轧制时问题突出,模型设定精度显著下降,影响轧机辊缝设定和轧制稳定性。为了更准确地划分钢族层别,需要采用更有效的分类方法。
发明内容
本发明的目的在于提供一种轧钢模型钢族层别分类优化方法,以解决上述问题。
本发明采用了如下技术方案:
一种轧钢模型钢族层别分类优化方法,其特征在于,包括:
变形速率计算公式如下:
变形抗力计算公式:
其中,KmPOS为轧件变形抗力的计算值;ai、bi为模型待定参数;T为轧件变形温度;xi为带钢各化学成分的含量,ai、bi为模型待定参数;
步骤二:对每卷热轧带钢,根据轧制力模型计算公式,代入实测的轧制力测量值,反求得到轧件的变形抗力KmACT,计算公式如下:
其中,KmACT为轧件变形抗力的“测量”值;Fact为实测轧制力,WACT为实测带钢宽度,为轧辊压扁弧长,为应力状态系数;为实测后向张力,为实测前向张力,αb、αf为张力影响系数;aFi为模型参数,v为泊松系数,E为弹性模量,Δh为压下量,R为轧辊原始半径;
步骤四:针对钢族层别划分不合理的情况,采用一种新的线聚类算法来优化现有钢族层别的分类,确定需要划分到新层别的出钢记号,本发明的线聚类算法流程如图1所示,
2)基于非线性最优化的一种算法——简单Nelder-Mead算法寻找Dij的最小值minDij即为样本点Xi到第j条聚类中心曲线的最短距离。
Nelder-Mead算法是求多维函数极值的一种单纯形算法。由于未利用任何求导运算,适合变元数不是很多的方程求极值。单纯形算法秉承“保证每一次迭代比前一次更优”的基本思想:先找出一个基本可行解,对它进行鉴别,看是否是最优解;若不是,则按照一定法则转换到另一改进后更优的基本可行解,再鉴别;若仍不是,则再转换,按此重复进行。因基本可行解的个数有限,故经有限次转换必能得出问题的最优解。点到曲线的距离实际上是点到曲线的最短路径,所以用Nelder-Mead算法可以方便求出其距离。
(3)采用最小二乘法分别对这k个簇的数据子集进行幂数曲线拟合,更新出C、m系数,即更新各聚类中心线,再重复步骤(2),直到前后两次迭代得到的聚类中心线一致停止迭代,完成聚类。
发明的有益效果
本发明基于积累的大量热连轧生产实测数据,采用聚类分析进一步优化现有的钢族层别分类,弥补了现有热轧模型钢族层别划分存在的不足。并且本专利提出的钢族层别分类优化方法已实际应用到宝钢1880、1580、梅钢1780等多个热连轧新建或改造项目中,提升了热轧模型钢族层别划分的精度,进而提升热轧带钢的模型设定精度与轧制稳定性,对热连轧新建或改造工程项目的模型调试、产品验证起到重要作用。
附图说明
图1是本发明提出的线聚类算法的流程图;
图2是某热连轧机组低碳钢变形抗力的分布;
图3分为两类的聚类结果;
图4分为三类的聚类结果。
具体实施方式
以下结合附图来说明本发明的具体实施方式。
本发明的轧钢模型钢族层别分类优化方法,步骤如下:
步骤一:针对某钢族层别中的各卷带钢,根据模型自适应后计算过程中获得的最新轧制过程实测数据,计算得到后计算的变形速率和变形抗力KmPOS,
变形速率计算公式如下:
变形抗力计算公式:
其中,KmPOS轧件变形抗力的计算值;ai、bi为模型待定参数;T轧件变形温度;xi为带钢各化学成分的含量;
步骤二:对每卷热轧带钢,轧制力模型计算公式,代入实测的轧制力测量值,反求得到轧件的变形抗力KmACT,计算公式如下:
其中,KmACT为轧件变形抗力的“测量”值;Fact为实测轧制力,WACT为实测带钢宽度,为轧辊压扁弧长,为应力状态系数;为实测后向张力,为实测前向张力,αb、αf为张力影响系数;aFi为模型参数,v为泊松系数,E为弹性模量,Δh为压下量,R为轧辊原始半径;
步骤四、针对钢族层别划分不合理的情况,采用一种新的线聚类算法来优化现有钢族层别的分类,确定需要划分到新层别的出钢记号,
(1)在数据集范围内随机初始化k条曲线作为聚类中心。由于变形抗力数据集存在的关系,所以随机初始化k条曲线即随机选取k组C、m系数值。
2)基于非线性最优化的一种算法——简单Nelder-Mead算法寻找Dij的最小值minDij即为样本点Xi到第j条聚类中心曲线的最短距离。
Nelder-Mead算法是求多维函数极值的一种单纯形算法。由于未利用任何求导运算,适合变元数不是很多的方程求极值。单纯形算法秉承“保证每一次迭代比前一次更优”的基本思想:先找出一个基本可行解,对它进行鉴别,看是否是最优解;若不是,则按照一定法则转换到另一改进后更优的基本可行解,再鉴别;若仍不是,则再转换,按此重复进行。因基本可行解的个数有限,故经有限次转换必能得出问题的最优解。点到曲线的距离实际上是点到曲线的最短路径,所以用Nelder-Mead算法可以方便求出其距离。
(3)采用最小二乘法分别对这k个簇的数据子集进行幂数曲线拟合,更新出C、m系数,即更新各聚类中心线,再重复步骤(2),直到前后两次迭代得到的聚类中心线一致停止迭代,完成聚类。
下面以宝钢1880热连轧机组的某钢族层别为例来进行说明。选取1880生产的某低碳钢所在钢族层别的3000条带钢数据,此钢族层别的代码设为1001。根据步骤一至步骤三的操作流程获得如图2所示的散点图。由图2可见:“变形速率-变形抗力”数据散点图存在两块分割比较明显的分布区域,表明该钢族层别中存在差异较为明显的多个类别,需要进一步细分钢族层别。
下面应用本专利技术对模型钢族层别分类进行优化。热轧带钢变形抗力与变形速率之间存在近似幂函数关系,存在关系式:
其中,C与m均为待定参数。
为了便于分析过程的描述,下面只取后计算的“变形速率-变形抗力”数据来进行说明。变形抗力数据分布在幂函数曲线周围的程度越集中,则说明该数据集内所有的出钢记号属于同一钢族的程度越好。因此,可通过对数据集做聚类分析,来找出需要划分到新层别的出钢记号。
如图3所示,原数据集在图上被明显分为两类,“·”形数据点均匀分布在线条为实线的聚类曲线cluster_line1:周围,“×”形数据点均匀分布在线条为虚线的聚类曲线cluster_line2:周围,并且两类点的分布有明显界限。分为两类时共迭代14次,最后得到的聚类中心曲线的参数分别为:C1=222.105,m1=0.0019;C2=252.807,m2=0.0145。
进一步追踪这些数据点所对应的出钢记号,发现“·”形数据点主要为AN0691D1、AP0740D5和DP0161D1等出钢记号,“×”形数据点主要为AP1055E5等出钢记号。
由图4可见,原数据集在图上被明显分为三类。其中,“·”形数据点均匀分布在线条为实线的聚类曲线cluster_line1:周围;“×”形数据点均匀分布在线条为虚线的聚类曲线cluster_line2:周围;“◆”形数据点均匀分布在线条为点划线的聚类曲线cluster_line3:周围。分为三类时共迭代24次,最后得到的聚类中心曲线的参数分别为:C1=202.178,m1=0.0084;C2=196.989,m2=0.0380;C3=222.829,m3=0.0470。
进一步追踪对应的出钢记号发现:“·”形数据点主要为DP0161D1等出钢记号,“×”形数据点主要为AN0691D1等出钢记号,“◆”形数据点为AP1055E5等出钢记号。
分析表明,同属于原钢族层别代码1001中的AP1055E5、AN0691D1和DP0161D1等几个出钢记号中,AP1055E5的变形抗力显著高于AN0691D1和DP0161D1,而DP0161D1的变形抗力要稍微低于其它钢种。为了提高轧制力模型的预报精度,需要将AP1055E5划分到新的钢族层别。对于DP0161D1,由于和AN0691D1差别还不是很大,可以继续保留在原来的层别。
本专利提出的钢种层别分类优化方法已应用到宝钢1880、宝钢1580、梅钢1780等多个热连轧工程项目中,对热连轧新建或改造工程项目的模型调试、达标达产和产品验证起到重要作用。
Claims (1)
1.一种轧钢模型钢族层别分类优化方法,其特征在于,包括:
变形速率计算公式如下:
变形抗力计算公式:
其中,KmPOS为轧件变形抗力的计算值;T为轧制变形温度;xi为带钢各化学成分的含量;ai、bi为模型待定参数;
步骤二:对每卷带钢,根据轧制力模型计算公式,代入实测的轧制力测量值,反求得到轧件的变形抗力KmACT,计算公式如下:
其中,KmACT为轧件变形抗力的“测量”值;Fact为实测轧制力,WACT为实测带钢宽度,为轧辊压扁弧长,为应力状态系数;为实测后向张力,为实测前向张力,αb、αf为张力影响系数;aFi为模型参数,v为泊松系数,E为弹性模量,Δh为压下量,R为轧辊原始半径;
步骤三:在同一张图上绘制和数据的散点图,根据数据散点的带状分布特征:如果数据散点集中分布在一个带状范围内,则该层别划分较为合理;如果分散为几条明显分割的带状分布,则该层别划分不合理,需要进一步细分层别;
步骤四:针对钢族层别划分不合理的情况,采用一种新的线聚类算法来优化现有的钢族层别分类,确定需要划分到新层别的出钢记号,
2)基于非线性最优化的算法:简单Nelder-Mead算法寻找Dij的最小值minDij即为样本点Xi到第j条聚类中心曲线的最短距离,
先找出一个基本可行解,判断是否是最优解;若不是,则按照预定法则转换到另一改进后更优的基本可行解,再鉴别;若仍不是,则再转换,按此重复进行,因基本可行解的个数有限,故经有限次转换必能得出问题的最优解,
(3)采用最小二乘法分别对这k个簇的数据子集进行幂数曲线拟合,更新出C、m系数,以更新各聚类中心线,再重复步骤(2),直到前后两次迭代得到的聚类中心线一致停止迭代,完成聚类。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574041.XA CN108817103B (zh) | 2018-06-06 | 2018-06-06 | 一种轧钢模型钢族层别分类优化方法 |
US16/261,527 US10949582B2 (en) | 2018-06-06 | 2019-01-29 | Classification optimization method for steel grade family of steel rolling model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574041.XA CN108817103B (zh) | 2018-06-06 | 2018-06-06 | 一种轧钢模型钢族层别分类优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108817103A CN108817103A (zh) | 2018-11-16 |
CN108817103B true CN108817103B (zh) | 2020-01-14 |
Family
ID=64144012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810574041.XA Active CN108817103B (zh) | 2018-06-06 | 2018-06-06 | 一种轧钢模型钢族层别分类优化方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10949582B2 (zh) |
CN (1) | CN108817103B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2468429A1 (de) * | 2010-12-21 | 2012-06-27 | Siemens VAI Metals Technologies GmbH | Verfahren und Vorrichtung zur Messung der Geschwindigkeit eines Walzgutes |
CN110434172B (zh) * | 2019-07-16 | 2020-05-08 | 北京科技大学 | 一种炉卷和精轧机组连轧的负荷分配计算方法 |
CN111861236B (zh) * | 2020-07-27 | 2023-10-27 | 东北大学 | 一种棒材精整工艺数据同步方法 |
CN112785115B (zh) * | 2020-11-19 | 2022-11-11 | 北京科技大学设计研究院有限公司 | 一种冷轧原料库质量预审核方法 |
CN113094629B (zh) * | 2021-04-13 | 2023-08-04 | 东北大学 | 一种钢带异步轧制的轧制力设定方法 |
CN114888092B (zh) * | 2022-05-06 | 2023-01-20 | 北京科技大学 | 一种基于跨工序数据平台的冷轧变形抗力预测方法 |
CN115170820B (zh) * | 2022-05-13 | 2023-08-01 | 中铁西北科学研究院有限公司 | 一种应用于数据曲线过渡阶段的特征提取及界限识别方法 |
CN117574215B (zh) * | 2024-01-17 | 2024-04-02 | 北京科技大学 | 一种热轧带钢板形预测控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5502992A (en) * | 1991-06-28 | 1996-04-02 | Siemens Aktiengesellshaft | Regulation system in the manufacture of hot rolled strips by means of a multi-stand hot rolling mill |
CN103611730A (zh) * | 2013-11-19 | 2014-03-05 | 北京首钢自动化信息技术有限公司 | 用于提高热连轧新品种首卷钢尺寸控制精度的方法 |
CN105404711A (zh) * | 2015-10-23 | 2016-03-16 | 首钢总公司 | 一种拉矫机工艺参数的优化方法及系统 |
CN107363101A (zh) * | 2016-05-12 | 2017-11-21 | 鞍钢股份有限公司 | 一种热轧带钢数学模型数据层别判断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014208697A1 (ja) * | 2013-06-26 | 2014-12-31 | 新日鐵住金株式会社 | 金属板の曲げ破断判定方法、プログラム及び記憶媒体 |
FR3039676B1 (fr) * | 2015-07-27 | 2017-08-25 | Snecma | Procede de determination d'une contrainte alternee maximale admissible pour une piece soumise a des sollicitations cycliques; unite de determination d'une telle contrainte |
US10467359B2 (en) * | 2017-08-10 | 2019-11-05 | Livermore Software Technology Corp. | Special-purpose programmed computer for numerical simulation of a metal forming process having a predefined load path with corresponding mesh adjustment scheme |
-
2018
- 2018-06-06 CN CN201810574041.XA patent/CN108817103B/zh active Active
-
2019
- 2019-01-29 US US16/261,527 patent/US10949582B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5502992A (en) * | 1991-06-28 | 1996-04-02 | Siemens Aktiengesellshaft | Regulation system in the manufacture of hot rolled strips by means of a multi-stand hot rolling mill |
CN103611730A (zh) * | 2013-11-19 | 2014-03-05 | 北京首钢自动化信息技术有限公司 | 用于提高热连轧新品种首卷钢尺寸控制精度的方法 |
CN105404711A (zh) * | 2015-10-23 | 2016-03-16 | 首钢总公司 | 一种拉矫机工艺参数的优化方法及系统 |
CN107363101A (zh) * | 2016-05-12 | 2017-11-21 | 鞍钢股份有限公司 | 一种热轧带钢数学模型数据层别判断方法 |
Also Published As
Publication number | Publication date |
---|---|
US10949582B2 (en) | 2021-03-16 |
US20190377841A1 (en) | 2019-12-12 |
CN108817103A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
CN104898430B (zh) | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 | |
WO2016101182A1 (zh) | 基于贝叶斯网络和极限学习机的区间型指标预报方法 | |
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 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN112749505B (zh) | 一种机理融合数据的热轧带钢截面形状预测方法 | |
CN109647899B (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
CN103962390A (zh) | Vc辊平整机湿平整过程中张力与轧制压力综合设定方法 | |
CN112287550B (zh) | 基于主成分分析控制器的带钢头部厚差过程参数优化方法 | |
CN111570533B (zh) | 热轧卷取温度与终轧温度对平整变形抗力影响预测方法 | |
CN104267610A (zh) | 高精度的高炉冶炼过程异常数据检测及修补方法 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
CN113641733A (zh) | 一种河道断面流量实时智能推求方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN117010277A (zh) | 基于数据驱动的板带钢变规格连退跑偏预测及决策方法 | |
CN113850020B (zh) | 一种基于神经网络的连退张力设定方法及装置 | |
CN107273703B (zh) | 一种路面使用性能分布情况预测方法 | |
CN105631231A (zh) | 一种对热轧过程温度实测值进行修正的方法 | |
CN105921522B (zh) | 基于rbf神经网络的层流冷却温度自适应控制方法 | |
CN114611376B (zh) | 一种基于神经网络的连退跑偏预测方法及装置 | |
CN117840232B (zh) | 一种基于增量学习的热轧过程宽度预测方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181116 Assignee: Wuhan langlichi Technology Co.,Ltd. Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2024980004065 Denomination of invention: An Optimization Method for Classification of Steel Family Layers in a Rolling Model Granted publication date: 20200114 License type: Common License Record date: 20240408 |
|
EE01 | Entry into force of recordation of patent licensing contract |