CN109033505A - 一种基于深度学习的超快冷温度控制方法 - Google Patents
一种基于深度学习的超快冷温度控制方法 Download PDFInfo
- Publication number
- CN109033505A CN109033505A CN201810603507.4A CN201810603507A CN109033505A CN 109033505 A CN109033505 A CN 109033505A CN 201810603507 A CN201810603507 A CN 201810603507A CN 109033505 A CN109033505 A CN 109033505A
- Authority
- CN
- China
- Prior art keywords
- cooling
- temperature
- control method
- cooling time
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000001816 cooling Methods 0.000 claims abstract description 74
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 24
- 239000010959 steel Substances 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000000513 principal component analysis Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000002826 coolant Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003801 milling Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000003828 downregulation Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 239000004615 ingredient Substances 0.000 claims description 2
- 238000009533 lab test Methods 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 abstract description 16
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 206010012186 Delayed delivery Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明涉及轧钢技术领域，公开了一种基于深度学习的超快冷温度控制方法，可提高温度控制精度与系统稳定性。本方法综合收集众多实际冷却信息，经过主成分分析法选出最主要的9个影响因素，以这9个参数为输入层单元，冷却时间为主要输出层单元，构建深度神经网络框架。深度学习通过深层次挖掘其间联系特征，准确预报待冷却钢板的冷却时间，最终实现温度模型的精确控制。本发明对现场冷却工艺数据充分挖掘，保证首块冷却命中率。模型充分考虑各冷却影响因素，使得轧后控冷模型的准确性和鲁棒性更强，能够有效的减少系统上线调试时间，降低学习成本，缩短产品研发周期。上线实测后，在控冷指标为±20℃条件下命中率可达96.3％，比传统模型命中率提高约4％。
Description
技术领域
本发明涉及轧钢技术领域，尤其涉及一种基于深度学习的可提高超快冷温度模型精度的控制方法。
背景技术
随着控制轧制和控制冷却工艺的广泛应用与不断创新，高性能产品的稳定生产成为了所有企业的发展目标。在这一工艺中，最重要的环节是冷却控制过程模型的建立，这决定了最终温度控制的稳定与否。中厚板轧后冷却过程中钢板的温度变化及冷后钢板的温度分布决定了产品的最终性能，因此冷却控制过程模型的精确程度，是高效稳定生产出高性能产品的关键所在。
如今，随着自动化水平的提高，越来越多的钢企已经开始采用有自学习功能的轧后冷却系统。但是，在工况条件复杂的大生产中，对温控模型影响因素多且复杂，且高度非线性，这导致了现有的轧后冷却系统的不稳定性，容易导致冷却过程中的钢板的温度无法准确命中。这种情况很大程度上影响最终产品的组织性能，降低生产效率，甚至拖延交货期，对企业带来较大的经济损失。
在人工智能高速发展的当代，将人工智能、深度学习应用于钢铁行业生产也是一个必然的趋势，并且钢企也迫切需要一种自动化程度高的轧后冷却系统来保证稳定、高效的大规模生产，其核心就在于温度模型的控制。
发明内容
本发明的目的是针对于现有技术存在的问题，提供一种可提高超快冷温度模型精度与稳定性的控制方法。该方法将原控冷模型系统中的温度场计算部分由深度神经网络所代替，直接预报出待冷却钢板的冷却时间。
具体技术方案为：
一种基于深度学习的轧后冷却温度控制方法，包括如下步骤：
(1)根据现场或实验室试验条件影响温度控制的因素，初步采集20个以上影响因子；包括板材宽度、板材厚度、板材长度、各化学成分含量、冷却水温、气温、终轧温度、目标终冷温度、集管流量、温降、冷速、辊速等。由于各个影响因子的影响权重各不相同，采用主成分分析法对数据进行预处理，根据权重大小，优选出前9个权重较大的影响因子作为输入层单元；输出层单元根据工艺需求设为钢板冷却时间，由此求出冷却规程；
(2)建立深度神经网络框架，遵循精确度、训练时间相对最优的条件，确定网络结构为隐含层3-10层，每层隐含层含有50-300个隐层单元，每层之间所用激活函数为Relu激活函数；经过试验对比，最终网络结构用到的优化算法为 Adam算法、学习率衰减；为了防止过拟合，采用L2正则化与Dropout正则化并用，同时对各个超参数进行调优；深度神经网络学习模型建立后，基于现场大数据进行训练，达到可准确预测冷却时间，满足投入生产的条件；
(3)通过学习历史的生产数据，深度神经网络学习模型学会了各个影响因子与冷却时间之间的关系特征；当一块新钢板待冷却时，通过其PDI数据以及现场其他影响因素值可直接预报出冷却时间t0；
(4)预计算得出冷却时间t0后，再由模型计算出其冷却规程。
(5)该钢板冷却后，以偏差±20℃为标准，对其冷却结果进行分析，对未命中的情况，通过修正增强算法算出其正确的冷却时间，并替换错误训练集进行重新训练。对成功命中的情况进行数据积累，并定期对其进行训练，实现训练集定时扩充的功能。
进一步地，上述步骤(1)中9个权重较大的影响因子为板材厚度、C含量、 Cr含量、Mn含量、冷却水温、气温、温降、目标终冷温度、集管流量。
进一步地，上述步骤(1)中每个影响因子的主成分分析方法形式如下：
主成分分析是将矩阵计算中的正交变换法应用于控冷变量矩阵中。
首先现场测得n个与温控模型相关的参量x1，x2，，…，xn；
其矩阵表达式为：
求其协方差：
然后求其协方差矩阵C的特征值λi，在协方差矩阵C中，前面a个比较大的特征值λ1，λ2，...，λa，为与前a个主成分对应的方差；主成分方差贡献率通过主成分得分筛选获得其最主要的成分，剔除掉对原始数据影响因素较小的数据。
进一步地，上述步骤(2)中Relu激活函数形式如下：
f(x)＝max(0，x)
其应用形式如图4所示。
在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，继续往下传递，如此循环下去。
从信号方面来看，Relu函数只对输入信号的少部分选择性相应，大量信号被刻意的屏蔽，这样刻意提高学习的精度，更快更好地提取稀疏特征。Relu激活函数模型相比于传统Sigmoid函数主要有以下3个优点：(1)单侧抑制；(2)相对宽阔的兴奋边界；(3)稀疏激活性。
进一步地，上述步骤(2)中Adam优化算法形式如下：Adam(Adaptive MomentEstimation)优化算法适用于很多不同的深度学习网络结构，其能计算模型各个参数的自适应学习率，使得整个训练过程更加稳定。
Vdw＝β1Vdw+(1-β1)dw
Vdb＝β1Vdb+(1-β1)db
Sdw＝β2Sdw+(1-β2)dw2，Sdb＝β2Sdb+(1-β2)db2
式/中，α为学习率，需要针对应用需求和网络架构进行微调；V为一阶矩变量，其中Vdw为对权重w一阶矩估计，Vdb为对偏置b一阶矩估计；S为二阶矩变量，其中Sdw为对权重w二阶矩估计，Sdb为对偏置b二阶矩估计；β1为一阶矩估计衰减率，设为0.9；β2为二阶矩估计衰减率，设为0.999；∈为用于数值稳定的小常数，一般设为10-8。
进一步地，上述步骤(2)中L2正则化与Dropout正则化并用形式如下：
L2正则化指在参数约束添加L2范数惩罚项；
通过梯度下降法推导出，参数优化公式为
而正常的参数优化公式为：
其中∈为学习率，相对于正常的梯度优化公式，对权重参数w乘以一个小于1 因子，从而使得w不断减小；
Dropout正则化指在深度神经网络的训练过程中，在向前传播时，对于某层网络单元，按照一定的概率将其暂时从网络中丢弃，令一个神经元的出现不依赖其他的神经元。两种都可以减少过拟合现象，这里采用并用形式，效果最佳。
进一步地，上述步骤(3)中计算冷却时间t0形式如下：
当待冷却钢板在轧机处末道次抛钢后，由轧机二级发来PDI信息，此时将PDI 信息以及一次传来的现场环境信息，先计算出集管水量，再将这些信息筛选后一并传入已训练好的深度神经网络中，网络输出层为冷却时间t0。
进一步地，上述步骤(4)中计算规程的形式如下：
由深度学习预报得到冷却时间t0，根据初始辊速v0和集管长度l算出开启集管数n；
确定好开启集管数后，再根据修正计算得出的最终冷却时间t1，通过调节辊速来进行修正；
最终得到冷却规程辊速v1、开启集管数n，传给1级控制系统进行冷却。
进一步优选地，步骤(2)所述的建立深度神经网络框架，确定网络结构为隐含层5层，每层隐含层含有100个隐层单元。
本发明的有益效果：本发明可充分挖掘现场生产数据，并可以在第一次上线时直接命中，并且由于考虑到的影响因素较多，模型鲁棒性更强，能够有效的缩短系统上线调试时间，减少学习成本，提高轧后冷却模型的稳定性与准确性。且上线实测后，在控冷指标为±20℃条件下命中率可达96.3％，比传统模型命中率提高约4％，并且相比于原轧后控冷系统，鲁棒性更强，对终轧温度波动较大的时候，依然温度的命中终冷温度。并且此方法可推广至其他规格板材的轧后控冷模型中。
附图说明
图1是新型轧后控冷系统与传统轧后控冷系统的主要区别；
图2是新型轧后控冷系统自我更新学习的逻辑图；
图3是各激活函数曲线；
图4是节点激活函数原理图；
图5是深度神经网络应用各激活函数效果对比图；
图6是深度神经网络应用各优化算法效果对比图；
图7是(a)新型轧后控冷控制系统与(b)原控冷系统在线应用效果对比。
具体实施方式
中厚板轧后控冷过程中的温度控制是一个不稳定且复杂的过程，控制模型中温度场计算与许多环境物理参数有关，如终轧温度、板材厚度、水流密度和水温等。温度场计算与这些物理参数之间存在着复杂的非线性关系，很难确定它们之间的函数关系。只有当温控模型具备较强的自学习能力时，才能适应复杂的工业生产条件。
一、对数据集进行筛选
影响温度场计算的因素很多，如：钢板规格、冷却水温、终轧温度等，且现场生产记录数据量特别大。为了效率最大化，剔除掉对原始数据影响因素较小的数据。采用主成分分析法对数据进行预处理，选出9个权重较大影响因子(板材厚度、C含量、Cr含量、Mn含量、冷却水温、气温、温降、目标终冷温度、集管水量)。
二、对轧后控冷系统进行改进
对传统轧后控冷系统结构进行分析，将温度场计算模型替换为深度神经网络，由深度学习对其复杂的关系特征进行挖掘学习如图1。以板材厚度、C含量、Cr 含量、Mn含量、冷却水温、气温、温降、目标终冷温度、集管水量为输入层，冷却时间为输出层。将深度神经网络的训练模块与预测模块分开，对训练模块进行训练，将训练后的权重保存下来。由预测模块调用权重进行预测，对待冷钢板准确预报冷却时间。
三、新的控制方法的自我学习功能
在深度神经网络训练好后，并不是一成不变的，随着生产的进行，新增数据将以两种形式增至网络模型中如图2，一种是静态训练，即当冷却钢板命中后，即将该钢板信息存入待训练队列，设置队列为100个，待存够100个后一起进行训练。另一种是动态训练，即当冷却钢板未命中时，由模型算法对其进行误差分析，并将该块钢板信息进行智能增强，并对比原训练集相似规格钢板信息，探究其是否正确并对其进行更改，最后更新训练网络权重。
四、由冷却时间计算出冷却规程
由深度学习预报得到冷却时间t0，根据初始辊速v0和集管长度l算出开启集管数n。
确定好开启集管数后，再根据修正计算得出的冷却时间t1来进行修正，当冷却时间差别较大时，通过增减集管数来控制，差别较小时通过调节辊速来控制。
最终得到冷却规程辊速v1、开启集管数n等，至此，待冷钢板的冷却规程已经求得，传给1级控制系统对其进行冷却，实现对温度的精确控制。
五、实行在线训练
该钢板冷却后，以偏差±20℃为标准，对其冷却结果进行分析，对未命中的情况，通过修正增强算法算出其正确的冷却时间，并替换错误训练集进行重新训练。对成功命中的情况进行数据积累，并定期对其进行训练，实现训练集定时扩充的功能。
Claims (10)
1.一种基于深度学习的轧后冷却温度控制方法，其特征在于，包括如下步骤：
(1)根据现场或实验室试验条件影响温度控制的因素，初步采集20个以上影响因子；采用主成分分析法对数据进行预处理，根据权重大小，优选出前9个权重较大的影响因子作为输入层单元；输出层单元根据工艺需求设为钢板冷却时间，由此求出冷却规程；
(2)建立深度神经网络框架，确定网络结构为隐含层3-10层，每层隐含层含有50-300个隐层单元，每层之间所用激活函数为Relu激活函数；优化算法为Adam算法、学习率衰减；采用L2正则化与Dropout正则化并用，同时对各个超参数进行调优；深度神经网络学习模型建立后，基于现场大数据进行训练，达到可准确预测冷却时间，满足投入生产的条件；
(3)通过学习历史的生产数据，深度神经网络学习模型学会了各个影响因子与冷却时间之间的关系特征；当一块新钢板待冷却时，通过其PDI数据以及现场其他影响因素值可直接预报出冷却时间t0；
(4)预计算得出冷却时间t0后，再由模型计算出其冷却规程；
(5)该钢板冷却后，以偏差±20℃为标准，对其冷却结果进行分析，对未命中的情况，通过修正增强算法算出其正确的冷却时间，并替换错误训练集进行重新训练；对成功命中的情况进行数据积累，并定期对其进行训练，实现训练集定时扩充的功能。
2.根据权利要求1所述的控制方法，其特征在于，所述步骤(1)中9个权重较大的影响因子为板材厚度、C含量、Cr含量、Mn含量、冷却水温、气温、温降、目标终冷温度、集管流量。
3.根据权利要求1所述的控制方法，其特征在于，所述步骤(1)中每个影响因子的主成分分析方法形式如下：
首先现场测得n个与温控模型相关的参量x1，x2，，…，xn；
其矩阵表达式为：
求其协方差：
然后求其协方差矩阵C的特征值λi，在协方差矩阵C中，前面a个比较大的特征值λ1，λ2，...，λa，为与前a个主成分对应的方差；主成分方差贡献率通过主成分得分筛选获得其最主要的成分，剔除掉对原始数据影响因素较小的数据。
4.根据权利要求1所述的控制方法，其特征在于，所述步骤(2)中Relu激活函数形式如下：
f(x)＝max(0，x)
在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，继续往下传递，如此循环下去；信号方面，Relu函数只对输入信号的少部分选择性相应，大量信号被刻意的屏蔽。
5.根据权利要求1所述的控制方法，其特征在于，所述步骤(2)中Adam优化算法形式如下：
Vdw＝β1Vdw+(1-β1)dw
Vdb＝β1Vdb+(1-β1)db
Sdw＝β2Sdw+(1-β2)dw2，Sdb＝β2Sdb+(1-β2)db2
式中，α为学习率，需要针对应用需求和网络架构进行微调；V为一阶矩变量，其中Vdw为对权重w一阶矩估计，Vdb为对偏置b一阶矩估计；S为二阶矩变量，其中Sdw为对权重w二阶矩估计，Sdb为对偏置b二阶矩估计；β1为一阶矩估计衰减率，设为0.9；β2为二阶矩估计衰减率，设为0.999；∈为用于数值稳定的小常数，一般设为10-8。
6.根据权利要求1所述的控制方法，其特征在于，所述步骤(2)中L2正则化与Dropout正则化并用形式如下：
L2正则化指在参数约束添加L2范数惩罚项；
通过梯度下降法推导出，添加L2正则化的参数优化公式为：
而正常的参数优化公式为：
其中∈为学习率，相对于正常的梯度优化公式，对权重参数w乘以一个小于1因子，从而使得w不断减小；
Dropout正则化指在深度神经网络的训练过程中，在向前传播时，对于某层网络单元，按照一定的概率将其暂时从网络中丢弃，令一个神经元的出现不依赖其他的神经元。
7.根据权利要求1所述的控制方法，其特征在于，所述步骤(3)中计算冷却时间t0形式如下：
当待冷却钢板在轧机处末道次抛钢后，由轧机二级发来PDI信息，此时将PDI信息以及一次传来的现场环境信息，先计算出集管水量，再将这些信息筛选后一并传入已训练好的深度神经网络中，网络输出层为冷却时间t0。
8.根据权利要求1所述的控制方法，其特征在于，所述步骤(4)中计算规程的形式如下：
由深度学习预报得到冷却时间t0，根据初始辊速v0和集管长度l算出开启集管数n；
确定好开启集管数后，再根据修正计算得出的最终冷却时间t1，通过调节辊速来进行修正；
最终得到冷却规程辊速v1、开启集管数n，传给1级控制系统进行冷却。
9.根据权利要求1所述的控制方法，其特征在于，所述步骤(5)中修正增强算法的形式如下：
假设终轧温度为TFinishRoll，目标终冷温度为Ttarget，实际终冷温度为Tactual；神经网络预测出冷却时间t1；当|Ttarget-Tactual|＞20℃时进行修正增强计算；修正后冷却时间其中参数β与终冷温度偏差相关，偏差越大其参数越大。
10.根据权利要求1所述的控制方法，其特征在于，步骤(2)所述的建立深度神经网络框架，确定网络结构为隐含层5层，每层隐含层含有100个隐层单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810603507.4A CN109033505A (zh) | 2018-06-06 | 2018-06-06 | 一种基于深度学习的超快冷温度控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810603507.4A CN109033505A (zh) | 2018-06-06 | 2018-06-06 | 一种基于深度学习的超快冷温度控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109033505A true CN109033505A (zh) | 2018-12-18 |
Family
ID=64612707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810603507.4A Pending CN109033505A (zh) | 2018-06-06 | 2018-06-06 | 一种基于深度学习的超快冷温度控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109033505A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096810A (zh) * | 2019-05-05 | 2019-08-06 | 中南大学 | 一种基于逐层数据扩充深度学习的工业过程软测量方法 |
| CN110781944A (zh) * | 2019-10-21 | 2020-02-11 | 中冶南方（武汉）自动化有限公司 | 一种基于深度学习的铁水自动扒渣控制方法 |
| CN110877055A (zh) * | 2019-10-31 | 2020-03-13 | 河钢股份有限公司承德分公司 | 提高热轧钢带尾部卷取温度命中的方法 |
| CN111552179A (zh) * | 2020-04-26 | 2020-08-18 | 中南大学 | 一种基于神经动态规划的温度分布过程优化控制方法 |
| CN111797520A (zh) * | 2020-06-29 | 2020-10-20 | 东北大学 | 一种基于智能增强的在线冷却控制方法 |
| CN111814861A (zh) * | 2020-07-01 | 2020-10-23 | 东北大学 | 一种基于双自学习模型的在线冷却控制方法 |
| CN111832215A (zh) * | 2020-04-10 | 2020-10-27 | 南京钢铁股份有限公司 | 一种在线预测钢板组织性能的方法 |
| CN113239998A (zh) * | 2021-05-07 | 2021-08-10 | 广东省科学院智能制造研究所 | 一种抱桩机状态故障分析系统及方法 |
| CN114357884A (zh) * | 2022-01-05 | 2022-04-15 | 厦门宇昊软件有限公司 | 一种基于深度强化学习的反应温度控制方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN102393884A (zh) * | 2011-10-12 | 2012-03-28 | 杭州电子科技大学 | 基于bp神经网络的热连轧电磁感应加热温度预测方法 |
| WO2017062382A1 (en) * | 2015-10-04 | 2017-04-13 | Atomwise Inc. | Systems and methods for applying a convolutional network to spatial data |
| CN106782511A (zh) * | 2016-12-22 | 2017-05-31 | 太原理工大学 | 修正线性深度自编码网络语音识别方法 |
| CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
| CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
| US20180114055A1 (en) * | 2016-10-25 | 2018-04-26 | VMAXX. Inc. | Point to Set Similarity Comparison and Deep Feature Learning for Visual Recognition |
-
2018
- 2018-06-06 CN CN201810603507.4A patent/CN109033505A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN102393884A (zh) * | 2011-10-12 | 2012-03-28 | 杭州电子科技大学 | 基于bp神经网络的热连轧电磁感应加热温度预测方法 |
| WO2017062382A1 (en) * | 2015-10-04 | 2017-04-13 | Atomwise Inc. | Systems and methods for applying a convolutional network to spatial data |
| US20180114055A1 (en) * | 2016-10-25 | 2018-04-26 | VMAXX. Inc. | Point to Set Similarity Comparison and Deep Feature Learning for Visual Recognition |
| WO2018081135A1 (en) * | 2016-10-25 | 2018-05-03 | Vmaxx Inc. | Point to set similarity comparison and deep feature learning for visual recognition |
| CN106782511A (zh) * | 2016-12-22 | 2017-05-31 | 太原理工大学 | 修正线性深度自编码网络语音识别方法 |
| CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
| CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李栋: "基于神经网络的层流冷却控制模型研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑（月刊 ）》 * |
| 范冬雨: "平整机轧制力的神经网络预报模型研究", 《中国优秀硕士学论文全文数据库工程科技Ⅰ辑（月刊 ）》 * |
| 风吴痕: "Tensorflow-吴恩达老师课程笔记", 《CSDN》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096810A (zh) * | 2019-05-05 | 2019-08-06 | 中南大学 | 一种基于逐层数据扩充深度学习的工业过程软测量方法 |
| CN110781944A (zh) * | 2019-10-21 | 2020-02-11 | 中冶南方（武汉）自动化有限公司 | 一种基于深度学习的铁水自动扒渣控制方法 |
| CN110781944B (zh) * | 2019-10-21 | 2022-07-05 | 中冶南方（武汉）自动化有限公司 | 一种基于深度学习的铁水自动扒渣控制方法 |
| CN110877055A (zh) * | 2019-10-31 | 2020-03-13 | 河钢股份有限公司承德分公司 | 提高热轧钢带尾部卷取温度命中的方法 |
| CN111832215A (zh) * | 2020-04-10 | 2020-10-27 | 南京钢铁股份有限公司 | 一种在线预测钢板组织性能的方法 |
| CN111552179A (zh) * | 2020-04-26 | 2020-08-18 | 中南大学 | 一种基于神经动态规划的温度分布过程优化控制方法 |
| CN111797520A (zh) * | 2020-06-29 | 2020-10-20 | 东北大学 | 一种基于智能增强的在线冷却控制方法 |
| CN111797520B (zh) * | 2020-06-29 | 2023-10-13 | 东北大学 | 一种基于智能增强的在线冷却控制方法 |
| CN111814861A (zh) * | 2020-07-01 | 2020-10-23 | 东北大学 | 一种基于双自学习模型的在线冷却控制方法 |
| CN111814861B (zh) * | 2020-07-01 | 2023-08-01 | 东北大学 | 一种基于双自学习模型的在线冷却控制方法 |
| CN113239998A (zh) * | 2021-05-07 | 2021-08-10 | 广东省科学院智能制造研究所 | 一种抱桩机状态故障分析系统及方法 |
| CN114357884A (zh) * | 2022-01-05 | 2022-04-15 | 厦门宇昊软件有限公司 | 一种基于深度强化学习的反应温度控制方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109033505A (zh) | 一种基于深度学习的超快冷温度控制方法 | |
| CN108959728B (zh) | 基于深度学习的射频器件参数优化方法 | |
| Pan et al. | A comparison of neural network backpropagation algorithms for electricity load forecasting | |
| Jiang et al. | Prediction of house price based on the back propagation neural network in the keras deep learning framework | |
| CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
| CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
| CN107943861A (zh) | 一种基于时间序列的缺失数据补充方法与系统 | |
| CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN111178605A (zh) | 一种基于特征选择的配网工程项目工期预测方法 | |
| CN110766201A (zh) | 收入预测方法、系统、电子设备、计算机可读存储介质 | |
| CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
| CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 | |
| CN105259754A (zh) | 一种基于主动学习的板厚智能控制方法 | |
| CN106204314A (zh) | 一种东南太平洋茎柔鱼中心渔场预测方法 | |
| CN110047006A (zh) | 基于神经网络和机器学习进行证券投资决策的方法及装置 | |
| CN109523386A (zh) | 一种gmm与lstm结合的投资组合风险预测方法 | |
| CN108665090A (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
| CN113300884A (zh) | 一种基于gwo-svr的分步网络流量预测方法 | |
| HIRANO et al. | Data-driven Agent Design for Artificial Market Simulation | |
| Xiong et al. | Prediction of mechanical properties of aluminium alloy strip using the extreme learning machine model optimized by the gray wolf algorithm | |
| Zhang et al. | Multi-task prediction of hot rolled steel mechanical properties based on CA-MMCE | |
| Ren et al. | Research of LSTM-RNN Model and Its Application Evaluation on Agricultural Products Circulation | |
| CN109325861A (zh) | 采用经验回放机制的目标股票选择方法、装置及存储介质 | |
| CN111191815A (zh) | 一种用于风电集群的超短期出力预测方法及系统 | |
| Liu et al. | Prediction of Biochemical Oxygen Demand Based on VIP-PSO-Elman Model in Wastewater Treatment |
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: 20181218 |
|
| RJ01 | Rejection of invention patent application after publication |