CN109558655A - 一种热轧带钢力学性能预测系统 - Google Patents

一种热轧带钢力学性能预测系统 Download PDF

Info

Publication number
CN109558655A
CN109558655A CN201811379292.9A CN201811379292A CN109558655A CN 109558655 A CN109558655 A CN 109558655A CN 201811379292 A CN201811379292 A CN 201811379292A CN 109558655 A CN109558655 A CN 109558655A
Authority
CN
China
Prior art keywords
mechanical properties
relational database
module
properties prediction
server
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
Application number
CN201811379292.9A
Other languages
English (en)
Inventor
马湧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Automation Research and Design Institute of Metallurgical Industry
Original Assignee
Automation Research and Design Institute of Metallurgical Industry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Automation Research and Design Institute of Metallurgical Industry filed Critical Automation Research and Design Institute of Metallurgical Industry
Priority to CN201811379292.9A priority Critical patent/CN109558655A/zh
Publication of CN109558655A publication Critical patent/CN109558655A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • 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
    • 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
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种热轧带钢力学性能预测系统，属于热轧带钢力学性能预测技术领域。包括关系数据库服务器、实时数据库服务器、应用服务器、工程师站，应用模块。关系数据库服务器与工程师站和应用服务器相连，应用服务器除与关系数据库服务器相连外，还与实时数据库服务器和工程师站相连，保持三者之间数据交换。应用模块包括关系数据库，数据采集模块，力学性能预测模块，结果显示模块。其中，结果显示模块部署在工程师站，关系数据库部署在关系数据库服务器，数据采集模块部署在实时数据库服务器，力学性能预测模块部署在应用服务器。优点在于，实现了热轧带钢力学性能预测的准确，快速，高效。

Description

一种热轧带钢力学性能预测系统
技术领域
本发明属于热轧带钢力学性能预测技术领域，特别是提供一种热轧带钢力学性能预测系统，基于深度学习方法，实现了热轧带钢力学性能预测的准确，快速，高效。
背景技术
在热轧轧制过程中，多种因素会对力学性能产生影响，比如：带钢的化学成分、尺寸、生产工艺参数和成品微观组织组成等。在这些因素中既有线性的影响因素，又有非线性的影响因素，而且因素之间还有耦合关系。因而，对于带钢力学性能的预测建模在理论上存在难点。
神经网络作为数据挖掘中的一种有监督学习算法，具备自学习、自适应等特征，擅长处理一些复杂的非线性预测问题。所以，对于带钢力学性能预测这种非线性情况，提供了解决方案。此外，力学性能预测能够在许多方面发挥作用，对现场生产进行指导。
发明内容
本发明的目的在于提供一种热轧带钢力学性能预测系统，可科学合理的预测热轧带钢力学性能。首先选取带钢化学成分及多个工艺过程参数作为力学性能影响因素；其次，为降低模型计算难度保证模型快速收敛，对多个参数进行主成分分析(PCA)降维处理；最后利用基于Keras深度学习框架的误差反传(BP)神经网络建模方法建立热轧带钢力学性能预测模型，并对所建立的模型精度进行了验证。
本发明包括关系数据库服务器、实时数据库服务器、应用服务器、工程师站，应用模块。关系数据库服务器与工程师站和应用服务器相连，应用服务器除与关系数据库服务器相连外，还与实时数据库服务器和工程师站相连，保持三者之间数据交换。应用模块包括关系数据库，数据采集模块，力学性能预测模块，结果显示模块。其中，结果显示模块部署在工程师站，关系数据库部署在关系数据库服务器，数据采集模块部署在实时数据库服务器，力学性能预测模块部署在应用服务器。
关系数据库是显示模块与力学性能预测模块之间的数据通讯媒介。力学性能预测模块将预测结果写入关系数据库，结果显示模块再从关系数据库中读出并予以显示。
关系数据库服务器：存储用于调度记录、显示的数据。
数据采集模块：由实时数据库和现场采集仪表以及传输网络组成；现场采集仪表将信息实时传入实时数据库中。
结果显示模块：数据接口部分，为预测算法提供数据输入功能。
力学性能预测模块功能包括：
1、从现场生产系统采集工艺过程参数信息；
2、将工艺过程参数信息输入力学性能预测模型；
3、将力学性能预测结果与实际力学性能值进行差值比较；
4、取其中差值最小的值Y*与系统设定最要精度要求值η进行比较；
5、若小于η则当前力学性能计算满足要求，将当前预测值做为计算输出；
6、若不小于η则通重新将工艺过程参数带入力学性能预测计算模型进入迭代计算，直至满足精度要求。
本发明的优点在于：快速有效的预测热轧带钢力学性能，用于指导实际生产，提高企业生产效率，降低产品不合格率。
附图说明
图1是本发明系统各模块之间关系图。
图2是力学性能预测求解流程图。
具体实施方式
图1是发明系统各模块之间关系图。本发明系统包括关系数据库服务器、实时数据库服务器、应用服务器、工程师站，应用模块。关系数据库服务器与工程师站和应用服务器相连，应用服务器除与关系数据库服务器相连外，还与实时数据库服务器和工程师站相连，保持三者之间数据交换。应用模块包括关系数据库，数据采集模块，力学性能预测模块，结果显示模块。其中，结果显示模块部署在工程师站，关系数据库部署在关系数据库服务器，数据采集模块部署在实时数据库服务器，力学性能预测模块部署在应用服务器。关系数据库是显示模块与力学性能预测模块之间的数据通讯媒介。力学性能预测模块将计算结果写入关系数据库，显示模块再从关系数据库中读出并予以显示。
图2是力学性能预测求解方法流程图。首先从现场生产系统系统工艺过程参数信息，并将工艺过程参数信息输入力学性能预测模块；其次将力学性能预测模块计算结果与实际力学性能值进行差值比较，取其中差值最小的值Y*与系统设定最要精度要求值η进行比较；最后若小于η则当前力学性能预测值满足要求，将当前管力学性能预测值做为计算输出；若不小于η则重新将工艺参数参数带入力学性能预测计算模型进入迭代计算，直至满足精度要求。

Claims (3)

1.一种热轧带钢力学性能预测系统，其特征在于，包括关系数据库服务器、实时数据库服务器、应用服务器、工程师站，应用模块；关系数据库服务器与工程师站和应用服务器相连，应用服务器还与实时数据库服务器和工程师站相连，保持三者之间数据交换；应用模块包括关系数据库，数据采集模块，力学性能预测模块，结果显示模块；其中，结果显示模块部署在工程师站，关系数据库部署在关系数据库服务器，数据采集模块部署在实时数据库服务器，力学性能预测模块部署在应用服务器；
关系数据库是显示模块与力学性能预测模块之间的数据通讯媒介；力学性能预测模块将预测结果写入关系数据库，结果显示模块再从关系数据库中读出并予以显示；
关系数据库服务器：存储用于调度记录、显示的数据。
2.根据权利要求1所述的系统，其特征在于，
所述的关系数据库服务器：存储用于调度记录、显示的数据；
所述的数据采集模块由实时数据库和现场采集仪表以及传输网络组成；现场采集仪表将信息实时传入实时数据库中；
结果显示模块：数据接口部分，为预测算法提供数据输入功能。
3.根据权利要求1所述的系统，其特征在于，所述的力学性能预测模块功能包括：
从现场生产系统采集工艺过程参数信息；
将工艺过程参数信息输入力学性能预测模型；
将力学性能预测结果与实际力学性能值进行差值比较；
取其中差值最小的值Y*与系统设定最要精度要求值η进行比较；
若小于η则当前力学性能计算满足要求，将当前预测值做为计算输出；
若不小于η则通重新将工艺过程参数带入力学性能预测计算模型进入迭代计算，直至满足精度要求。
CN201811379292.9A 2018-11-19 2018-11-19 一种热轧带钢力学性能预测系统 Pending CN109558655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811379292.9A CN109558655A (zh) 2018-11-19 2018-11-19 一种热轧带钢力学性能预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811379292.9A CN109558655A (zh) 2018-11-19 2018-11-19 一种热轧带钢力学性能预测系统

Publications (1)

Publication Number Publication Date
CN109558655A true CN109558655A (zh) 2019-04-02

Family

ID=65866528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811379292.9A Pending CN109558655A (zh) 2018-11-19 2018-11-19 一种热轧带钢力学性能预测系统

Country Status (1)

Country Link
CN (1) CN109558655A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609882A (zh) * 2012-01-13 2012-07-25 冶金自动化研究设计院 一种基于管网计算的蒸汽管网混合调度系统
CN103425743A (zh) * 2013-07-17 2013-12-04 上海金自天正信息技术有限公司 基于贝叶斯神经网络算法的蒸汽管网预测系统
CN107944218A (zh) * 2017-11-30 2018-04-20 冶金自动化研究设计院 一种蒸汽管网压力值优化设定系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609882A (zh) * 2012-01-13 2012-07-25 冶金自动化研究设计院 一种基于管网计算的蒸汽管网混合调度系统
CN103425743A (zh) * 2013-07-17 2013-12-04 上海金自天正信息技术有限公司 基于贝叶斯神经网络算法的蒸汽管网预测系统
CN107944218A (zh) * 2017-11-30 2018-04-20 冶金自动化研究设计院 一种蒸汽管网压力值优化设定系统

Similar Documents

Publication Publication Date Title
CN113077090B (zh) 客流预测方法、系统及计算机可读存储介质
CN103853821B (zh) 一种面向多用户协作的数据挖掘平台的构建方法
CN111667092A (zh) 基于图卷积神经网络的轨道交通短时客流预测方法和系统
CN108957421B (zh) 一种基于贝塞尔曲线拟合雷达辐射源个体识别方法及系统
CN110621026B (zh) 一种基站流量多时刻预测方法
CN110109991B (zh) 一种地铁站内区域客流估计方法、系统及电子设备
CN107369166A (zh) 一种基于多分辨率神经网络的目标跟踪方法及系统
CN110428087A (zh) 企业稳定性预测方法、装置、计算机设备和存储介质
CN105184012B (zh) 一种区域空气pm2.5浓度预测方法
Gautam et al. Parametric Versus Non-Parametric Time Series Forecasting Methods: A Review.
CN109241227A (zh) 基于stacking集成学习算法的时空数据预测建模方法
CN107123265A (zh) 一种基于并行计算的高速公路交通状态估计方法
CN104899896B (zh) 一种基于子空间特征的多任务学习目标跟踪方法
CN111882157A (zh) 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质
Arpogaus et al. Probabilistic short-term low-voltage load forecasting using bernstein-polynomial normalizing flows
CN110322693A (zh) 一种交通数据补全方法、系统、设备及介质
CN117852686A (zh) 基于多元自编码器的电力负荷预测方法
CN109145175A (zh) 基于stacking集成学习算法的时空数据预测方法
CN109558655A (zh) 一种热轧带钢力学性能预测系统
Lum et al. Industrial electrical energy consumption forecasting by using temporal convolutional neural networks
Taieb et al. Probabilistic time series forecasting with boosted additive models: an application to smart meter data
CN116523002A (zh) 多源异构数据的动态图生成对抗网络轨迹预测方法和系统
WO2019230667A1 (ja) 整数移動人数推定装置、方法、及びプログラム
CN103020984B (zh) 基于稀疏表达的三维人体运动数据补全方法
CN115759455A (zh) 一种基于时序高斯混合密度网络的负荷概率密度预测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190402