CN108921232A - 一种热轧带钢冷却历史数据聚类及相似性度量方法 - Google Patents
一种热轧带钢冷却历史数据聚类及相似性度量方法 Download PDFInfo
- Publication number
- CN108921232A CN108921232A CN201810856541.2A CN201810856541A CN108921232A CN 108921232 A CN108921232 A CN 108921232A CN 201810856541 A CN201810856541 A CN 201810856541A CN 108921232 A CN108921232 A CN 108921232A
- Authority
- CN
- China
- Prior art keywords
- strip
- history
- cooling
- parameter
- similar
- 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.)
- Granted
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 31
- 239000010959 steel Substances 0.000 claims description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 229920001296 polysiloxane Polymers 0.000 claims description 6
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 claims description 5
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 5
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 5
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 5
- 229910052796 boron Inorganic materials 0.000 claims description 5
- 229910052804 chromium Inorganic materials 0.000 claims description 5
- 239000011651 chromium Substances 0.000 claims description 5
- 229910052748 manganese Inorganic materials 0.000 claims description 5
- 239000011572 manganese Substances 0.000 claims description 5
- 229910052750 molybdenum Inorganic materials 0.000 claims description 5
- 239000011733 molybdenum Substances 0.000 claims description 5
- 229910052759 nickel Inorganic materials 0.000 claims description 5
- 229910052758 niobium Inorganic materials 0.000 claims description 5
- 239000010955 niobium Substances 0.000 claims description 5
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 239000011574 phosphorus Substances 0.000 claims description 5
- 229910052720 vanadium Inorganic materials 0.000 claims description 5
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 238000011112 process operation Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000001550 time effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 6
- 238000005098 hot rolling Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000005864 Sulphur Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000007857 degradation product Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明提出一种热轧带钢冷却历史数据聚类及相似性度量方法,属于冶金自动化控制技术领域,提取当前带钢和历史带钢冷却特征参数,根据特征参数将当前带钢即将要经历的冷却过程与历史带钢的冷却过程进行相似性度量,并根据相似程度对冷却历史数据集合中的记录数据进行聚类,并根据相似距离和时间因子计算历史带钢冷却数据的可参考权重,深度挖掘了热轧带钢冷却数据,为现实生产提供可靠的理论依据,从而达到为模型关键参数的预估服务的目的,可为实现基于数据驱动的模型关键参数自适应奠定基础。
Description
技术领域
本发明属于冶金自动化控制技术领域,特别涉及一种热轧带钢冷却历史数据聚类及相似性度量方法。
背景技术
为满足市场多样化、定制化的产品需求,作为传统面向大规模制造的钢铁工业,也在逐渐适应多品种、小批量、个性化的生产模式。在热轧带钢生产过程中,订单轧制模式已取代传统的炉次批量轧制模式。由此而来,钢种归并及柔性化轧制技术都使得轧制过程钢种切换、规格切换、目标温度切换的频率显著增加。传统的模型设定及自学习的过程控制方式难以确保换规格首块钢的厚度、宽度、终轧温度、板形、卷取温度等指标的高精度控制,导致协议品、降级品增多。因此,亟需提高模型对外在因素变化的快速适应能力,提高模型的动态设定水平。
在热轧带钢轧制生产过程中,过程自动化系统保存了大量的生产数据,包括原料数据、中间坯数据、成品信息、轧制生产指令、轧制策略、冷却策略、模型设定数据、生产过程实测数据、性能检测数据等。这些数据集合在一起能够完整地反映一块带钢从坯料到成品进行加工的生产过程和实际控制水平。不同时段的数据集合能够反映不同时间和工况条件下的带钢生产和控制状况,同样能够反映控制模型或数学模型的设定水平。
在实际生产时,如果能在模型设定之前对保存的历史生产数据进行有效挖掘,提取出能够较好地匹配当前生产工况的数据并对其进行利用,就可以实现从历史数据中推断出符合当前生产工况的关键模型参数值或取值范围。这将有利于增强数学模型对生产工况变化的适应能力和预报能力,从而提高换规格首块钢尺寸和性能的高精度控制水平,增强热轧带钢过程控制的智能化水平。
发明内容
针对目前热轧控制模型缺乏对历史生产数据进行有效挖掘来提高模型关键参数预报能力的问题,本发明提供一种热轧带钢冷却历史数据聚类及相似性度量方法,将当前带钢即将要经历的冷却过程与历史带钢的冷却过程进行相似性度量,并根据相似程度对冷却历史数据集合中的记录数据进行聚类,并根据相似距离和时间因子计算历史带钢冷却数据的可参考权重,从而达到从历史数据中获取有效的具有可参考价值的目的。包括如下步骤:
步骤1:提取当前带钢和历史带钢冷却特征参数并进行排序,依次进行步骤1.1~步骤1.3:
步骤1.1:提取当前带钢冷却特征参数;
步骤1.2:按照由近及远的时间顺序逐一提取历史带钢冷却数据集合中每一块带钢的冷却特征参数;
步骤1.3:对当前带钢和历史带钢各项冷却特征参数进行相同排序,并给出各参数的相似类型,包括:相对型,以“relative”字符串来表示;绝对型,以“absolute”字符串来表示;相等型,以“equal”字符串来表示;策略型,以“strategy”字符串来表示;
步骤2:当前带钢和历史带钢各项冷却特征参数相似距离计算,包括步骤2.1~步骤2.5,其中,步骤2.1~步骤2.4不分先后顺序:
步骤2.1:相对型特征参数相似距离计算:
具有相对型相似类型的冷却特征参数通过相对形式来计算相似距离:
公式(1)中,i表示第i块历史带钢,c表示当前带钢,j表示排序后的冷却特征参数中的第j项数据,表示历史带钢冷却数据集合中的第i条记录数据的第j项参数值,表示当前带钢冷却数据记录的第j项参数值,wj表示冷却特征参数中第j项参数的权重值,SLi,j即为历史带钢冷却数据集合中的第i条记录数据的第j项参数与当前带钢冷却数据记录的第j项参数间的相似距离;
步骤2.2:绝对型特征参数相似距离计算:
具有绝对型相似类型的冷却特征参数通过绝对形式来计算相似距离:
公式(2)中,参数定义与公式(1)中一致;
步骤2.3:相等型特征参数相似距离计算:
具有相等型相似类型的冷却特征参数通过直接比较参数值是否相等来确定相似距离:
公式(3)表示:当前带钢冷却数据记录的第j项参数值与历史带钢冷却数据集合中的第i条记录数据的第j项参数值如果相等,则两者完全相似,相似距离为0;如果不相等,则两者不相似,相似距离为无穷大或者设置为大于100的数;
步骤2.4:策略型特征参数相似距离计算:
具有策略型相似类型的冷却特征参数的相似距离计算为:
公式(4)中,MaxValCtrl参数为相似计算的控制变量;为相似程度低时的惩罚因子,定义为大于100的数;
步骤2.5:对当前带钢冷却特征参数和历史带钢冷却特征参数逐一计算相似距离后,按照公式(5)累加计算,获得当前带钢与第i块历史带钢所有冷却特征参数的总相似距离SDi;
公式(5)中,m表示冷却特征参数的个数;
步骤3:历史带钢冷却数据聚类:
按照步骤2分别计算当前带钢与每一块历史带钢的相似距离,根据当前带钢与历史带钢相似距离的大小,可对历史带钢冷却数据进行聚类,分别形成相似带钢冷却数据集合、近似带钢冷却数据集合和无关带钢冷却数据集合,聚类规则为:
公式(6)中,similaryDist、roughSimilaryDist为聚类操作控制变量,按照公式(6)对历史带钢数据聚类时,应遵循由近及远的时间顺序遍历每一条历史带钢冷却数据记录,并对相似带钢、近似带钢分别进行保存,统计相似带钢数NumSS和近似带钢数NumRS,当相似带钢数大于限值MaxNumSS或者近似带钢数大于限值MaxNumRS时,停止对历史带钢数据的遍历操作,否则当完成所有历史带钢数据的遍历操作后,停止聚类;
步骤4:完成历史带钢冷却数据聚类后,对历史带钢冷却数据聚类进行修正,包括步骤4.1~步骤4.5:
步骤4.1:当相似带钢数NumSS为零,近似带钢数NumRS大于零时,将近似带钢冷却数据集合中的记录数据拷贝到相似带钢冷却数据集合中,并且将NumRS赋值给NumSS;
步骤4.2:当相似带钢数NumSS大于零且小于批次最大带钢数量MaxPatchNum时,如果近似带钢数NumRS大于零,则将近似带钢冷却数据集合中的记录数据追加到相似带钢冷却数据集合中,并且NumSS=NumSS+NumRS,另外对近似带钢的相似距离按照公式(7)进行修正,从而扩大相似带钢冷却数据集合;
公式(7)中,等号右边的为近似带钢冷却数据集合中第k块钢的相似距离值;
步骤4.3;如果近似带钢数NumRS为零,不对相似带钢冷却数据集合进行修正;
步骤4.4:当相似带钢数NumSS大于批次最大带钢数量MaxPatchNum时,不对相似带钢冷却数据集合进行修正;
步骤4.5:当相似带钢数NumSS为零,近似带钢数NumRS也为零时,给出报警提示,结束整个数据操作过程并退出;
步骤5:计算当前带钢与相似带钢冷却数据集合中每一条记录的相似权重:
经过步骤4后可以获得修正后的相似带钢冷却数据集合,该数据集合中的每一块历史带钢的相似距离是不同的,并且距当前带钢的时间也是不同的。因此,为反映历史带钢冷却信息对当前带钢冷却设定的可资参考的程度,可计算每一块历史带钢的相似权重。
公式(8)中,为当前带钢对相似带钢冷却数据集合中第i条记录即第i块历史带钢的可参考的相似权重;η为第i块历史相似带钢的时间因子,计算如下:
公式(9)中,ranki为相似带钢冷却数据集合中第i块相似钢的时间效应控制变量,ranki=i,i=1,...,NumSS,η0为阈值,取值范围为0<η0≤1。
所述当前带钢冷却特征参数和历史带钢冷却特征参数包括:从当前轧制带钢PDI数据中获取带钢的厚度、带钢宽度,带钢的化学成分含量,其中带钢的化学成分含量包括:碳含量,硅含量,锰含量,铬含量,铌含量,镍含量,钛含量,钒含量,硼含量,硫含量,铅含量,钼含量,磷含量;从冷却策略数据中获取开冷目标温度,中间目标温度,终冷目标温度,冷却策略代码,冷却区上部第一个打开的水阀编号,下部第一个打开水阀编号,临界相转变温度;从精轧设定模型中获取对当前带钢中部的起始部分低速值和高速值、终了部分的低速值和高速值。
所述冷却特征参数中带钢厚度、带钢宽度,中部的起始部分低速值和高速值、终了部分的低速值和高速值,通过相对型来计算相似距离。
所述冷却特征参数中的带钢的化学成分含量,开冷目标温度、中间目标温度、终冷目标温度,通过绝对型来计算相似距离。
所述冷却特征参数中的冷却策略代码,通过相等型来计算相似距离。
所述冷却特征参数中的冷却区上部第一个打开的水阀编号、下部第一个打开水阀编号、临界相转变温度,通过策略型计算相似距离。
所述聚类操作控制变量similaryDist、roughSimilaryDist,根据目标控制偏差的可接受程度来确定,对具有正负偏差控制的参数,设正偏差为dev_positive,负偏差为dev_negative,当正负偏差绝对值相同时,总的相似距离度量参数roughSimilaryDist和similaryDist分别定义为:
所述批次最大带钢数量MaxPatchNum,其数值与一炉钢水浇铸的最大板坯数量一致。
有益技术效果:
本发明提出一种热轧带钢冷却历史数据聚类及相似性度量方法,依据热轧轧后冷却工艺和冷却热交换及卷取温度控制的特点,对热轧轧后冷却历史数据进行深度挖掘。通过计算当前带钢与历史带钢冷却特征参数相似距离,将历史带钢冷却数据进行聚类,挖掘出能匹配当前待冷却带钢的历史相似带钢冷却数据集合,并通过相似距离计算和时间因子调节最终确定出历史相似带钢冷却信息的可参考权重值,深度挖掘了热轧带钢冷却数据,为现实生产提供可靠的理论依据,从而达到为模型关键参数的预估服务的目的,可为实现基于数据驱动的模型关键参数自适应奠定基础。
附图说明
图1本发明实施例的一种热轧带钢冷却历史数据聚类及相似性度量方法流程图;
图2本发明实施例的历史带钢冷却数据聚类流程图;
图3本发明实施例的历史带钢冷却数据聚类修正流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。
在具体实施之前,需要首先创建历史带钢冷却数据集合。该集合中每条带钢记录包括钢卷号、钢种、冷却结束日期和时间、带钢厚度、带钢宽度、带钢25项典型化学成分、冷却策略代码、冷却方式、冷却区上部第一个打开的水阀编号、下部第一个打开水阀编号、上部每组集管打开的密集程度、下部每组集管打开的密集程度、临界相转变温度、开冷目标温度、中间目标温度、终冷目标温度、带钢中部起始部分经历的轧制速度低速值和高速值、带钢终了部分经历的轧制速度低速值和高速值,带钢中部起始部分和终了部分经历的实际开冷温度、实际中间温度、实际终冷温度,低速状态下水冷热交换模型自学习系数、高速状态下水冷热交换模型自学习系数共计53项数据。在实际热轧生产过程中,每轧完并冷却一块带钢后,就可以从PDO生产输出数据中提取出上述53项数据作为一条记录写入到历史带钢冷却数据集合中。该历史带钢冷却数据集合既可以存储在共享内存中,也可以保存在数据库或者文本文件中。随着生产的持续进行,历史带钢冷却数据集合中的带钢冷却记录数据逐渐增多并按照时间顺序逐一保存。
本实施例经过反复试验,从53项数据中取出26项数据进行本发明的实验,此26项数据作为带钢冷却特征参数,有效性突出,不同生产工艺与设备选取的特征参数会有所不同。
实施例1:
本发明实施例的一种热轧带钢冷却历史数据聚类及相似性度量方法流程图如图1所示,包括如下步骤:
步骤1,提取当前带钢和历史带钢冷却特征参数并进行排序,依次进行步骤1.1~步骤1.3:
步骤1.1,提取当前带钢冷却特征参数;
当前带钢冷却特征参数为:带钢厚度6.0mm,宽度1500mm,碳含量0.08%,硅含量0.02%,锰含量1.03%,铬含量0.05%,铌含量0.035%,镍含量0.016%,钛含量0.019%,钒含量0%,硼含量0%,硫含量0.005%,铅含量0%,钼含量0%,磷含量0.009%,开冷目标温度850℃,没有中间目标温度要求,终冷目标温度490℃,冷却策略代码为5505,冷却区上部第一个打开的水阀编号为1,下部第一个打开水阀编号为1,没有临界相转变温度要求,带钢中部的起始部分的低速值为3.873m/s,带钢中部的起始部分的高速值为4.163m/s,带钢中部的终了部分的低速值为4.945m/s,带钢中部的终了部分的高速值为4.999m/s。
步骤1.2,按照由近及远的时间顺序逐一提取历史带钢冷却数据集合中每一块带钢的冷却特征参数;
从历史带钢冷却数据集合中检索到第一块历史带钢冷却特征参数为:带钢厚度3.0mm,宽度1215mm,碳含量0.03%,硅含量0.018%,锰含量0.17%,铬含量0.04%,铌含量0%,镍含量0.016%,钛含量0%,钒含量0.0032%,硼含量0%,铅含量0%,钼含量0%,硫含量0.009%,磷含量0.011%,开冷目标温度890℃,无中间目标温度,终冷目标温度650℃,冷却策略代码为4505,冷却区上部第一个打开的水阀编号为1,下部第一个打开水阀编号为1,无临界相转变温度,带钢中部的起始部分的低速值为9.307m/s,带钢中部的起始部分的高速值为9.79m/s,带钢中部的终了部分的低速值为8.538m/s,带钢中部的终了部分的高速值为8.696m/s。
步骤1.3,对当前带钢和历史带钢各项冷却特征参数进行相同排序,并给出各参数的相似类型,包括:相对型,以“relative”字符串来表示;绝对型,以“absolute”字符串来表示;相等型,以“equal”字符串来表示;策略型,以“strategy”字符串来表示;
步骤2,当前带钢和历史带钢各项冷却特征参数相似距离计算,包括步骤2.1~步骤2.5,其中,步骤2.1~步骤2.4不分先后顺序:
步骤2.1相对型特征参数相似距离计算:
具有相对型相似类型的冷却特征参数通过相对形式来计算相似距离:
公式(1)中,i表示第i块历史带钢,c表示当前带钢,j表示排序后的冷却特征参数中的第j项数据,表示历史带钢冷却数据集合中的第i条记录数据的第j项参数值,表示当前带钢冷却数据记录的第j项参数值,wj表示冷却特征参数中第j项参数的权重值,SLi,j即为历史带钢冷却数据集合中的第i条记录数据的第j项参数与当前带钢冷却数据记录的第j项参数间的相似距离;
其中,wj表示冷却特征参数中第j项参数的权重值,因企业不同,控制水平不同,权重值就不同,表1给出本实施例1中所用的权值:
表1:冷却特征参数项类型及权重参考值一览表
“带钢厚度”数据项为第1项,类型为“relative”,表示参数为相对型,按照相对型特征参数相似距离计算公式(1)进行计算。“带钢厚度”数据项的权值可通过配置文件获取,其值为0.1。于是,当前带钢和历史带钢有关带钢厚度参数的相似距离为:
“带钢宽度”数据项为第2项,类型为“relative”,类似计算得SL1,2=0.9025。
步骤2.2,绝对型特征参数相似距离计算:
具有绝对型相似类型的冷却特征参数通过绝对形式来计算相似距离:
公式(2)中,参数定义与公式(1)中一致;
“碳含量”数据项为第3项,类型为“absolute”,表示参数为绝对型,按照绝对型特征参数相似距离计算公式(2)进行计算。“碳含量”数据项的权值可通过配置文件获取,其值为0.05。于是,当前带钢和历史带钢有关碳含量参数的相似距离为:
“硅含量”数据项为第4项,类型为“absolute”,类似计算得SL1,4=0.004444。
步骤2.3,相等型特征参数相似距离计算:
具有相等型相似类型的冷却特征参数通过直接比较参数值是否相等来确定相似距离:
公式(3)表示:当前带钢冷却数据记录的第j项参数值与历史带钢冷却数据集合中的第i条记录数据的第j项参数值如果相等,则两者完全相似,相似距离为0;如果不相等,则两者不相似,相似距离为无穷大或者为大于100的数;
“冷却策略代码”数据项为第19项,类型为“equal”,表示参数为相等型,按照相等型特征参数相似距离计算公式(3)进行计算。于是,当前带钢和历史带钢有关冷却策略代码参数的相似距离为:
SL1,19=999;
因为4505≠5505,999表示一个较大的数,代表惩罚因子。
步骤2.4,策略型特征参数相似距离计算:
具有策略型相似类型的冷却特征参数的相似距离计算为:
公式(4)中,MaxValCtrl参数为相似计算的控制变量;为相似程度低时的惩罚因子,定义为大于100的数;
“冷却区上部第一个打开的水阀编号”数据项为第20项,类型为“strategy”,表示参数为策略型,按照策略型特征参数相似距离计算公式(4)进行计算。定义策略型相似计算控制变量MaxValCtrl值为2.0,相似程度低时的惩罚因子于是,当前带钢和历史带钢有关冷却区上部第一个打开的水阀编号参数的相似距离为:
SL1,20=0(因为(1-1)2<MaxValCtrl);
步骤2.5,对当前带钢冷却特征参数和历史带钢冷却特征参数逐一计算相似距离后,按照公式(5)累加计算,获得当前带钢与第i块历史带钢所有冷却特征参数的总相似距离SDi;
公式(5)中,m表示冷却特征参数的个数;
类似的,可以对当前带钢和历史带钢各项冷却特征参数的相似距离进行计算,并按照公式(5)计算得到第一块历史带钢与当前带钢的总相似距离为:
步骤3,历史带钢冷却数据聚类:
按照步骤2分别计算当前带钢与每一块历史带钢的相似距离,根据当前带钢与历史带钢相似距离的大小,可对历史带钢冷却数据进行聚类,分别形成相似带钢冷却数据集合、近似带钢冷却数据集合和无关带钢冷却数据集合,如图2所示,聚类规则为:
公式(6)中,similaryDist、roughSimilaryDist为聚类操作控制变量,roughSimilaryDist=2.0,similaryDist=1.0。按照公式(6)对历史带钢数据聚类时,应遵循由近及远的时间顺序遍历每一条历史带钢冷却数据记录,并对相似带钢、近似带钢分别进行保存,统计相似带钢数NumSS和近似带钢数NumRS,当相似带钢数大于限值MaxNumSS=100或者近似带钢数大于限值MaxNumRS=99时,停止对历史带钢数据的遍历操作,否则当完成所有历史带钢数据的遍历操作后,停止聚类;
由于SD1等于1329.8,既大于similaryDist,也大于roughSimilaryDist,因此,检索出的第一块历史带钢与当前带钢无关。遍历历史带钢冷却数据集合后,既不存在相似带钢,又没有检索到近似带钢,即NumSS=0,NumRS=0。
步骤4:
由于相似带钢数NumSS为零,近似带钢数NumRS也为零时,给出报警提示,结束整个数据操作过程并退出,如图3所示。
实施例2:
步骤1,提取当前带钢和历史带钢冷却特征参数并进行排序,依次进行步骤1.1~步骤1.3:
步骤1.1,提取当前带钢冷却特征参数;
当前带钢冷却特征参数与实施例1中的当前带钢冷却特征参数完全相同。
步骤1.2,按照由近及远的时间顺序逐一提取历史带钢冷却数据集合中每一块带钢的冷却特征参数;
从历史带钢冷却数据集合中检索到第12000块,也是本实施例的最后一块带钢,历史带钢冷却特征参数为:带钢厚度6.0mm,宽度1450mm,碳含量0.07%,硅含量0.018%,锰含量1.0%,铬含量0.04%,铌含量0.034%,镍含量0.016%,钛含量0.018%,钒含量0%,硼含量0%,硫含量0.006%,铅含量0%,钼含量0%,磷含量0.009%,开冷目标温度860℃,无中间目标温度,终冷目标温度490℃,冷却策略代码为5505,冷却区上部第一个打开的水阀编号为1,下部第一个打开水阀编号为1,无临界相转变温度,带钢中部的起始部分的低速值为3.95m/s,带钢中部的起始部分的高速值为4.23m/s,带钢中部的终了部分的低速值为5.02m/s,带钢中部的终了部分的高速值为5.12m/s。
步骤1.3,对当前带钢和历史带钢各项冷却特征参数进行相同排序,并给出各参数的相似类型,包括:相对型,以“relative”字符串来表示;绝对型,以“absolute”字符串来表示;相等型,以“equal”字符串来表示;策略型,以“strategy”字符串来表示;
步骤2,当前带钢和历史带钢各项冷却特征参数相似距离计算,包括步骤2.1~步骤2.5,其中,步骤2.1~步骤2.4不分先后顺序:
步骤2.1相对型特征参数相似距离计算:
具有相对型相似类型的冷却特征参数通过相对形式来计算相似距离:
公式(1)中,i表示第i块历史带钢,c表示当前带钢,j表示排序后的冷却特征参数中的第j项数据,表示历史带钢冷却数据集合中的第i条记录数据的第j项参数值,表示当前带钢冷却数据记录的第j项参数值,wj表示冷却特征参数中第j项参数的权重值,SLi,j即为历史带钢冷却数据集合中的第i条记录数据的第j项参数与当前带钢冷却数据记录的第j项参数间的相似距离;
其中,wj表示冷却特征参数中第j项参数的权重值,因企业不同,控制水平不同,权重值就不同,本实施例2中所用的权值见表1:
“带钢中部起始部分的低速值”数据项为第23项,类型为“relative”,按照相对型特征参数相似距离计算公式(1)进行计算。带钢中部起始部分的低速值的权值可通过配置文件获取,其值为0.5。于是,当前带钢和历史带钢有关带钢中部起始部分的低速值参数的相似距离为:
步骤2.2,绝对型特征参数相似距离计算:
具有绝对型相似类型的冷却特征参数通过绝对形式来计算相似距离:
公式(2)中,参数定义与公式(1)中一致;
“开冷目标温度”数据项为第16项,类型为“absolute”,按照绝对型特征参数相似距离计算公式(2)进行计算。开冷目标温度数据项的权值设定为50。于是,当前带钢和历史带钢有关开冷目标温度参数的相似距离为:
步骤2.3,相等型特征参数相似距离计算:
具有相等型相似类型的冷却特征参数通过直接比较参数值是否相等来确定相似距离:
公式(3)表示:当前带钢冷却数据记录的第j项参数值与历史带钢冷却数据集合中的第i条记录数据的第j项参数值如果相等,则两者完全相似,相似距离为0;如果不相等,则两者不相似,相似距离为无穷大或者为大于100的数;
“冷却策略代码”数据项为第19项,类型为“equal”,按照相等型特征参数相似距离计算公式(3)进行计算。由于当前带钢和第12000块历史带钢的冷却策略代码都为5505,于是,当前带钢和历史带钢有关冷却策略代码参数的相似距离为:
SL12000,19=0;
步骤2.4,策略型特征参数相似距离计算:
具有策略型相似类型的冷却特征参数的相似距离计算为:
公式(4)中,MaxValCtrl参数为相似计算的控制变量为2.0;为相似程度低时的惩罚因子,定义为大于100的数;
“临界相转变温度”数据项为第22项,类型为“strategy”,按照策略型特征参数相似距离计算公式(4)进行计算。由于当前带钢和第12000块历史带钢的临界相转变温度都为无,在计算时,都默认为0。于是,当前带钢和历史带钢有关临界相转变温度参数的相似距离为:
SL12000,22=0
步骤2.5,对当前带钢冷却特征参数和历史带钢冷却特征参数逐一计算相似距离后,按照公式(5)累加计算,获得当前带钢与第i块历史带钢所有冷却特征参数的总相似距离SDi;
公式(5)中,m表示冷却特征参数的个数;
类似的,可以对当前带钢和历史带钢各项冷却特征参数的相似距离进行计算,并按照公式(5)计算得到第12000块历史带钢与当前带钢的总相似距离为:
步骤3,历史带钢冷却数据聚类:
按照步骤2分别计算当前带钢与每一块历史带钢的相似距离,根据当前带钢与历史带钢相似距离的大小,可对历史带钢冷却数据进行聚类,分别形成相似带钢冷却数据集合、近似带钢冷却数据集合和无关带钢冷却数据集合,如图2所示,聚类规则为:
公式(6)中,similaryDist、roughSimilaryDist为聚类操作控制变量,按照公式(6)对历史带钢数据聚类时,应遵循由近及远的时间顺序遍历每一条历史带钢冷却数据记录,并对相似带钢、近似带钢分别进行保存,统计相似带钢数NumSS和近似带钢数NumRS,当相似带钢数大于限值MaxNumSS或者近似带钢数大于限值MaxNumRS时,停止对历史带钢数据的遍历操作,否则当完成所有历史带钢数据的遍历操作后,停止聚类;
设定聚类操作控制变量roughSimilaryDist=2.0,similaryDist=1.0。由于SD12000等于0.381413,既小于roughSimilaryDist,也小于similaryDist,因此,检索出的第12000块历史带钢与当前带钢相似,将第12000块带钢冷却历史数据保存在相似带钢冷却数据集合之中。
由于已从历史带钢冷却数据集合中检索出了相似带钢1块,近似带钢有5块。因此,经过第12000块带钢相似距离计算后,最新的相似带钢数量NumSS=NumSS+1=2,最新的近似带钢数量NumRS=5。
因为第12000块带钢是历史带钢冷却数据集合中最后一块钢,完成上述步骤后就停止对历史带钢冷却数据的遍历操作,停止聚类,进入步骤4。
步骤4:完成历史带钢冷却数据聚类后,对历史带钢冷却数据聚类进行修正,如图3所示:
批次最大带钢数量MaxPatchNum=7,由于相似带钢数量NumSS为2块,小于批次最大带钢数量MaxPatchNum,并且近似带钢数量NumRS=5。因此,可对历史相似带钢冷却数据集合进行修正。
首先,对近似带钢的相似距离进行修正:
接着,将近似带钢冷却数据集合中的5条记录数据追加到相似带钢冷却数据集合中,并且相似带钢数量NumSS=NumSS+NumRS=2+5=7,追加的5块相似带钢的相似距离为
于是完成相似带钢冷却数据聚类的修正。
步骤5:计算当前带钢与相似带钢冷却数据集合中每一条记录的相似权重:
经过步骤4后可以获得修正后的相似带钢冷却数据集合,该数据集合中的每一块历史带钢的相似距离是不同的,并且距当前带钢的时间也是不同的。因此,为反映历史带钢冷却信息对当前带钢冷却设定的可资参考的程度,可计算每一块历史带钢的相似权重。
公式(8)中,为当前带钢对相似带钢冷却数据集合中第i条记录即第i块历史带钢的可参考的相似权重;η为第i块历史相似带钢的时间因子,计算如下:
公式(9)中,ranki为相似带钢冷却数据集合中第i块相似钢的时间效应控制变量,ranki=i,i=1,...,NumSS,η0为阈值,取值为η0=1;
最后,按照公式(9)计算修正后的相似带钢冷却数据集合中的每一块历史带钢的相似权重该权重值越大表明该相似历史带钢冷却信息对当前带钢冷却设定具有更高的参考价值。
由前述可知,第12000块历史带钢是相似带钢,在修正前的相似带钢冷却数据集合中处于第二条记录的位置,在修正后的相似带钢冷却数据集合中仍然处于第二条记录的位置,其相似距离SD2=0.381413,rank2=2;于是第2块历史相似带钢的时间因子计算为:
由于η>η0,则η=η0=1.0,于是,第2块历史相似带钢的相似权重为:
Claims (8)
1.一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,包括如下步骤:
步骤1:提取当前带钢和历史带钢冷却特征参数并进行排序,依次进行步骤1.1~步骤1.3:
步骤1.1:提取当前带钢冷却特征参数;
步骤1.2:按照由近及远的时间顺序逐一提取历史带钢冷却数据集合中每一块带钢的冷却特征参数;
步骤1.3:对当前带钢和历史带钢各项冷却特征参数进行相同排序,并给出各参数的相似类型,包括:相对型,以“relative”字符串来表示;绝对型,以“absolute”字符串来表示;相等型,以“equal”字符串来表示;策略型,以“strategy”字符串来表示;
步骤2:当前带钢和历史带钢各项冷却特征参数相似距离计算,包括步骤2.1~步骤2.5,其中,步骤2.1~步骤2.4不分先后顺序:
步骤2.1:相对型特征参数相似距离计算:
具有相对型相似类型的冷却特征参数通过相对形式来计算相似距离:
公式(1)中,i表示第i块历史带钢,c表示当前带钢,j表示排序后的冷却特征参数中的第j项数据,表示历史带钢冷却数据集合中的第i条记录数据的第j项参数值,表示当前带钢冷却数据记录的第j项参数值,wj表示冷却特征参数中第j项参数的权重值,SLi,j即为历史带钢冷却数据集合中的第i条记录数据的第j项参数与当前带钢冷却数据记录的第j项参数间的相似距离;
步骤2.2:绝对型特征参数相似距离计算:
具有绝对型相似类型的冷却特征参数通过绝对形式来计算相似距离:
公式(2)中,参数定义与公式(1)中一致;
步骤2.3:相等型特征参数相似距离计算:
具有相等型相似类型的冷却特征参数通过直接比较参数值是否相等来确定相似距离:
公式(3)表示:当前带钢冷却数据记录的第j项参数值与历史带钢冷却数据集合中的第i条记录数据的第j项参数值如果相等,则两者完全相似,相似距离为0;如果不相等,则两者不相似,相似距离为无穷大或者设置为大于100的数;
步骤2.4:策略型特征参数相似距离计算:
具有策略型相似类型的冷却特征参数的相似距离计算为:
公式(4)中,MaxValCtrl参数为相似计算的控制变量;为相似程度低时的惩罚因子,定义为大于100的数;
步骤2.5:对当前带钢冷却特征参数和历史带钢冷却特征参数逐一计算相似距离后,按照公式(5)累加计算,获得当前带钢与第i块历史带钢所有冷却特征参数的总相似距离SDi;
公式(5)中,m表示冷却特征参数的个数;
步骤3:历史带钢冷却数据聚类:
按照步骤2分别计算当前带钢与每一块历史带钢的相似距离,根据当前带钢与历史带钢相似距离的大小,可对历史带钢冷却数据进行聚类,分别形成相似带钢冷却数据集合、近似带钢冷却数据集合和无关带钢冷却数据集合,聚类规则为:
公式(6)中,similaryDist、roughSimilaryDist为聚类操作控制变量,按照公式(6)对历史带钢数据聚类时,应遵循由近及远的时间顺序遍历每一条历史带钢冷却数据记录,并对相似带钢、近似带钢分别进行保存,统计相似带钢数NumSS和近似带钢数NumRS,当相似带钢数大于限值MaxNumSS或者近似带钢数大于限值MaxNumRS时,停止对历史带钢数据的遍历操作,否则当完成所有历史带钢数据的遍历操作后,停止聚类;
步骤4:完成历史带钢冷却数据聚类后,对历史带钢冷却数据聚类进行修正,包括步骤4.1~步骤4.5:
步骤4.1:当相似带钢数NumSS为零,近似带钢数NumRS大于零时,将近似带钢冷却数据集合中的记录数据拷贝到相似带钢冷却数据集合中,并且将NumRS赋值给NumSS;
步骤4.2:当相似带钢数NumSS大于零且小于批次最大带钢数量MaxPatchNum时,如果近似带钢数NumRS大于零,则将近似带钢冷却数据集合中的记录数据追加到相似带钢冷却数据集合中,并且NumSS=NumSS+NumRS,另外对近似带钢的相似距离按照公式(7)进行修正,从而扩大相似带钢冷却数据集合;
公式(7)中,等号右边的为近似带钢冷却数据集合中第k块钢的相似距离值;
步骤4.3;如果近似带钢数NumRS为零,不对相似带钢冷却数据集合进行修正;
步骤4.4:当相似带钢数NumSS大于批次最大带钢数量MaxPatchNum时,不对相似带钢冷却数据集合进行修正;
步骤4.5:当相似带钢数NumSS为零,近似带钢数NumRS也为零时,给出报警提示,结束整个数据操作过程并退出;
步骤5:计算当前带钢与相似带钢冷却数据集合中每一条记录的相似权重:
经过步骤4后可以获得修正后的相似带钢冷却数据集合,该数据集合中的每一块历史带钢的相似距离是不同的,并且距当前带钢的时间也是不同的,因此,为反映历史带钢冷却信息对当前带钢冷却设定的可资参考的程度,可计算每一块历史带钢的相似权重:
公式(8)中,为当前带钢对相似带钢冷却数据集合中第i条记录即第i块历史带钢的可参考的相似权重;η为第i块历史相似带钢的时间因子,计算如下:
公式(9)中,ranki为相似带钢冷却数据集合中第i块相似钢的时间效应控制变量,ranki=i,i=1,...,NumSS,η0为阈值,取值范围为0<η0≤1。
2.根据权利要求1所述一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,所述当前带钢冷却特征参数和历史带钢冷却特征参数包括:从当前轧制带钢PDI数据中获取带钢的厚度、带钢宽度,带钢的化学成分含量,其中带钢的化学成分含量包括:碳含量,硅含量,锰含量,铬含量,铌含量,镍含量,钛含量,钒含量,硼含量,硫含量,铅含量,钼含量,磷含量;从冷却策略数据中获取开冷目标温度,中间目标温度,终冷目标温度,冷却策略代码,冷却区上部第一个打开的水阀编号,下部第一个打开水阀编号,临界相转变温度;从精轧设定模型中获取对当前带钢中部的起始部分低速值和高速值、终了部分的低速值和高速值。
3.根据权利要求1所述一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,所述冷却特征参数中带钢厚度、带钢宽度,中部的起始部分低速值和高速值、终了部分的低速值和高速值,通过相对型来计算相似距离。
4.根据权利要求1所述一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,所述冷却特征参数中的带钢的化学成分含量,开冷目标温度、中间目标温度、终冷目标温度,通过绝对型来计算相似距离。
5.根据权利要求1所述一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,所述冷却特征参数中的冷却策略代码,通过相等型来计算相似距离。
6.根据权利要求1所述一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,所述冷却特征参数中的冷却区上部第一个打开的水阀编号、下部第一个打开水阀编号、临界相转变温度,通过策略型计算相似距离。
7.根据权利要求1所述一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,所述聚类操作控制变量similaryDist、roughSimilaryDist,根据目标控制偏差的可接受程度来确定,对具有正负偏差控制的参数,设正偏差为dev_positive,负偏差为dev_negative,当正负偏差绝对值相同时,总的相似距离度量参数roughSimilaryDist和similaryDist分别定义为:
8.根据权利要求1所述的一种热轧带钢冷却历史数据聚类及相似性度量方法,其特征在于,所述批次最大带钢数量MaxPatchNum,其数值与一炉钢水浇铸的最大板坯数量一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810856541.2A CN108921232B (zh) | 2018-07-31 | 2018-07-31 | 一种热轧带钢冷却历史数据聚类及相似性度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810856541.2A CN108921232B (zh) | 2018-07-31 | 2018-07-31 | 一种热轧带钢冷却历史数据聚类及相似性度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921232A true CN108921232A (zh) | 2018-11-30 |
CN108921232B CN108921232B (zh) | 2021-05-04 |
Family
ID=64393307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810856541.2A Expired - Fee Related CN108921232B (zh) | 2018-07-31 | 2018-07-31 | 一种热轧带钢冷却历史数据聚类及相似性度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921232B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182852A (zh) * | 2020-09-08 | 2021-01-05 | 山东莱钢永锋钢铁有限公司 | 一种结晶器铜管使用寿命的预测方法及装置 |
CN113342875A (zh) * | 2021-06-04 | 2021-09-03 | 北京首钢股份有限公司 | 一种带钢卷取温度的修正因子获取方法及装置 |
CN113857247A (zh) * | 2021-10-19 | 2021-12-31 | 攀钢集团攀枝花钢钒有限公司 | 热连轧钛合金板的生产方法 |
CN117436181A (zh) * | 2023-12-19 | 2024-01-23 | 中冶南方工程技术有限公司 | 一种冶金工程工艺中的管线绝热伴热智慧评估方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284517A (zh) * | 2011-06-30 | 2011-12-21 | 东北大学 | 基于案例推理的轧后冷却长期自学习方法 |
CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
CN103713604A (zh) * | 2013-12-26 | 2014-04-09 | 东北大学 | 一种基于数据驱动的工业裂解炉实时操作优化与控制方法 |
CN103882176A (zh) * | 2014-03-25 | 2014-06-25 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态最优控制方法 |
CN104134006A (zh) * | 2014-08-04 | 2014-11-05 | 昆明理工大学 | 一种基于历史数据聚类的电力设备动态阈值整定方法 |
CN104338758A (zh) * | 2013-07-31 | 2015-02-11 | 宝山钢铁股份有限公司 | 一种提高热轧新品种新规格带钢卷取温度控制精度的方法 |
CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
CN105631231A (zh) * | 2016-01-28 | 2016-06-01 | 北京科技大学 | 一种对热轧过程温度实测值进行修正的方法 |
CN105740467A (zh) * | 2016-03-07 | 2016-07-06 | 东北大学 | 一种C-Mn钢工业大数据的挖掘方法 |
-
2018
- 2018-07-31 CN CN201810856541.2A patent/CN108921232B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284517A (zh) * | 2011-06-30 | 2011-12-21 | 东北大学 | 基于案例推理的轧后冷却长期自学习方法 |
CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
CN104338758A (zh) * | 2013-07-31 | 2015-02-11 | 宝山钢铁股份有限公司 | 一种提高热轧新品种新规格带钢卷取温度控制精度的方法 |
CN103713604A (zh) * | 2013-12-26 | 2014-04-09 | 东北大学 | 一种基于数据驱动的工业裂解炉实时操作优化与控制方法 |
CN103882176A (zh) * | 2014-03-25 | 2014-06-25 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态最优控制方法 |
CN104134006A (zh) * | 2014-08-04 | 2014-11-05 | 昆明理工大学 | 一种基于历史数据聚类的电力设备动态阈值整定方法 |
CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
CN105631231A (zh) * | 2016-01-28 | 2016-06-01 | 北京科技大学 | 一种对热轧过程温度实测值进行修正的方法 |
CN105740467A (zh) * | 2016-03-07 | 2016-07-06 | 东北大学 | 一种C-Mn钢工业大数据的挖掘方法 |
Non-Patent Citations (4)
Title |
---|
LIU EN-YANG 等: ""Algorithm Design and Application of Laminar Cooling Feedback Control in Hot Strip Mill"", 《JOURNAL OF IRON AND STEEL RESEARCH, INTERNATIONAL》 * |
PENG LIANG-GUI 等: ""Mathematic modeling on flexible cooling system in hot strip mill"", 《SPRINGER》 * |
刘恩洋 等: ""热轧带钢层流冷却自动控制系统开发与应用"", 《中国冶金》 * |
张殿华 等: ""板带热连轧自动化系统的现状与展望"", 《轧钢》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182852A (zh) * | 2020-09-08 | 2021-01-05 | 山东莱钢永锋钢铁有限公司 | 一种结晶器铜管使用寿命的预测方法及装置 |
CN113342875A (zh) * | 2021-06-04 | 2021-09-03 | 北京首钢股份有限公司 | 一种带钢卷取温度的修正因子获取方法及装置 |
CN113857247A (zh) * | 2021-10-19 | 2021-12-31 | 攀钢集团攀枝花钢钒有限公司 | 热连轧钛合金板的生产方法 |
CN113857247B (zh) * | 2021-10-19 | 2023-11-21 | 攀钢集团攀枝花钢钒有限公司 | 热连轧钛合金板的生产方法 |
CN117436181A (zh) * | 2023-12-19 | 2024-01-23 | 中冶南方工程技术有限公司 | 一种冶金工程工艺中的管线绝热伴热智慧评估方法 |
CN117436181B (zh) * | 2023-12-19 | 2024-03-22 | 中冶南方工程技术有限公司 | 一种冶金工程工艺中的管线绝热伴热智慧评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108921232B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921232A (zh) | 一种热轧带钢冷却历史数据聚类及相似性度量方法 | |
CN106660090B (zh) | 轧制模拟装置 | |
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 | |
CN104338758B (zh) | 一种提高热轧新品种新规格带钢卷取温度控制精度的方法 | |
CN107931329B (zh) | 一种改善csp双流换规格轧制力模型精度的控制方法 | |
CN108311544B (zh) | 一种轧制力参数自学习方法及装置 | |
CN110479776A (zh) | 热轧棒线材轧后闭环控冷系统及控制方法 | |
US6546310B1 (en) | Process and device for controlling a metallurgical plant | |
CN106862283B (zh) | 热轧超快冷过程控制系统 | |
CN102284517A (zh) | 基于案例推理的轧后冷却长期自学习方法 | |
CN103143563B (zh) | 一种利用相变热膨胀防止65Mn热轧板卷塌卷的方法 | |
CN105740467A (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN101417292B (zh) | 依托常规轧制模型控制中低牌号电工钢轧制的方法 | |
CN110814053A (zh) | 基于尝试法的棒材水箱反向自决策控温智能计算方法 | |
US20230205185A1 (en) | System and method for controlling a production plant consisting of a plurality of plant parts, in particular a production plant for producing industrial goods such as metallic semi-finished products | |
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 | |
CN105677949A (zh) | Tc6钛合金锻件微观组织参数的预测方法 | |
CN116259379A (zh) | 一种热轧带钢形变性能的在线智能预测方法及预测系统 | |
Wang et al. | Multi-objective optimal scheduling of laminar cooling water supply system for hot rolling mills driven by digital twin for energy-saving | |
CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
US20230203612A1 (en) | Method for the open-loop or closed-loop control of the temperature of a steel strip during hot working in a hot strip mill | |
CN104942025B (zh) | 针对热轧卷取温度模型停轧后遗传系数补偿方法 | |
CN106777594B (zh) | 一种基于连续曲面的轧制过程数学模型的自学习方法 | |
CN108229072A (zh) | 基于数据解析的连退均热炉带钢张力在线测量方法 |
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: 20210504 |
|
CF01 | Termination of patent right due to non-payment of annual fee |