CN110802115A - 基于数据驱动的热连轧精轧入口温度预测方法 - Google Patents
基于数据驱动的热连轧精轧入口温度预测方法 Download PDFInfo
- Publication number
- CN110802115A CN110802115A CN201911106314.9A CN201911106314A CN110802115A CN 110802115 A CN110802115 A CN 110802115A CN 201911106314 A CN201911106314 A CN 201911106314A CN 110802115 A CN110802115 A CN 110802115A
- Authority
- CN
- China
- Prior art keywords
- data
- inlet temperature
- rolling
- finish rolling
- prediction
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
-
- 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
- B21B38/006—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring temperature
-
- 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
Abstract
本发明属于钢铁轧制领域,涉及一种利用改进的灰狼优化算法优化误差反向传播神经网络(AGWO‑BP),基于数据驱动,对热连轧精轧入口温度的预测方法。从现场获取大量的数据构建基于板坯全长的精轧入口温度预测数据集,利用神经网络算法搭建精轧入口温度预测模型,再使用混沌Tent序列初始化灰狼种群得到AGWO‑BP预测模型,利用已轧板坯相关数据,预测下一块钢表面全长的精轧入口温度。本发明所述方法可实现板坯表面全长的热连轧精轧入口温度的高精度预测,应用在热连轧精轧入口温度的预测上。
Description
技术领域
本发明属于钢铁轧制领域,更为具体地,涉及一种利用改进的灰狼优化算法优化误差反向传播神经网络,基于数据驱动对热连轧精轧入口温度的预测方法。
背景技术
轧钢复杂工业生产过程是一个由多子系统过程组成的复杂工业大系统,是一个严重非线性、时变、多参数、大滞后的复杂系统。现代化钢铁企业生产的一个特点是多道加工工序,在实际生产过程中,相关的输入变量和干扰变量有的多达几十维,而且输入变量是分阶段加入的,每一步都对最终产品的质量产生影响。在热连轧众多的工艺参数中,温度的预测精度是保证模型精确设定的关键,也是有效提高最终产品质量的重要基础。
热连轧工艺过程中,重要的几个温度分别为:出炉温度、粗轧入口温度、粗轧出口温度、精轧入口温度、精轧出口温度以及卷取温度。其中,精轧入口温度的预报精度直接影响变后续的精轧出口温度以及卷取温度的控制,进一步影响到轧制力模型和弹跳模型的预报,对成品厚度控制起着决定性的影响。现有技术中,精轧入口温度不易测量准确,因为如果把测量点放在飞剪前后则此时板坯由于经过一百多米的运输,表面上产生了二次氧化铁皮不利于温度测量。如果把测量点放在精轧除鳞箱后面则由于高压水冷却使表面温度太低,板坯表里温差过大。
目前,国内针对热连轧精轧出口温度和卷取温度进行预测的论文和专利很多,但涉及精轧入口温度预测方面的专利和文献却比较少,涉及精轧入口温度预测方面的专利和文献包括:“一种热连轧精轧入口温度预报方法”(专利号CN 105537284 B)提出一种采用传统数学模型预测精轧入口板坯温度的方法,该专利是现有技术中唯一对精轧入口温度做预测的,但该专利存在的技术问题是应用传统数学搭建精轧入口温度预测模型,搭建过程繁琐、运算量大且泛化能力差,本发明基于数据驱动搭建精轧入口温度预测模型,与之相比更简单易行并具有很强的泛化能力。论文“基于CMAC神经网络的热连轧精轧温度预报模型”中,利用生产数据训练CMAC网络分析模拟实际的精轧温度预报,该论文存在的技术问题是没有考虑板坯表面全长的温度变化且样本数过少。且现有技术中关于精轧入口的温度预测,不能够有效的排除精轧入口高温计测量时受到的各种干扰,进而不能够得到较为真实的预测温度,并且现有技术中并没有采用AGWO-BP方法进行温度预测的专利和文献。
发明内容
针对上述技术问题,本发明提供一种基于数据驱动对热连轧精轧入口温度的预测方法,所述方法利用AGWO-BP预测热连轧精轧入口温度,用已轧板坯表面全长精轧入口温度数据预测下一块板坯表面全长精轧入口温度。
本发明是通过以下技术方案实现的:
一种热连轧精轧入口温度预测的方法,所述方法包括:基于数据驱动,利用已轧板坯的相关数据搭建精轧入口温度预测数据集;利用神经网络算法搭建精轧入口温度预测模型,再使用混沌Tent序列初始化灰狼种群得到基于AGWO-BP的精轧入口温度预测模型,利用AGWO-BP的精轧入口温度预测模型和所述精轧入口温度预测数据集,通过已轧板坯表面全长精轧入口温度数据预测下一块板坯表面全长精轧入口温度。
进一步地,所述已轧板坯的相关数据包括:中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度、飞剪前辊道速度以及精轧入口温度。
进一步地,所述基于数据驱动,利用已轧板坯的相关数据搭建精轧入口温度预测数据集,具体是采用已轧板坯表面全长的采样点数据,经过分段计算、降噪预处理得到的,包括:
步骤1.1:从工业现场获取过程控制系统数据;
步骤1.2:选取已轧板坯表面全长相关数据,进行有效的采集和分段计算处理,将各个不同工况板坯表面均匀分为多段,保证每段温度差值在±2℃以内,并使粗轧出口开始到精轧入口的不同工况的数据都得到明确的对应;
所述已轧板坯表面全长相关数据包括模型输入因素和模型输出因素,所述模型输入因素包括中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度、飞剪前辊道速度,所述模型输出因素包括精轧入口温度;每段钢表面的中间辊道停留时间是根据精轧入口速度计算获得;将模型输入因素中的中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度的数据取反,再与飞剪前辊道速度和精轧入口温度相对应;
步骤1.3:采用巴特沃斯滤波器对选取的已轧板坯表面全长相关数据进行降噪处理;
步骤1.4:将降噪处理后数据分成2份,按照比例2:1分成训练集、预测集;
步骤1.5:构建获得完整的精轧入口温度预测数据集。
进一步地,步骤1.2中,积分得出各个采样点处的板坯长度值,并按照长度将板坯分若干段,将每段对应的一段温度取平均值,为保证每段温度差值在±2℃以内,根据实际数据将板坯全长进行分段。
进一步地,步骤1.3中,利用巴特沃斯滤波对数据样本进行降噪,选取的参数具体为:通带截止频率50~70Hz,阻带起始频率90~110Hz,通带最大衰减3~5dB,阻带最小衰减30~50dB。
进一步地,步骤1.2中,采用精轧入口速度计算中间辊道停留时间,具体是根据加速直线运动的位移公式:
式中,L0为第一架次精轧机咬钢前的钢坯长度;L为第一架次精轧机咬钢后的钢坯长度;v为第一架次精轧机咬钢前的精轧入口速度;t为中间辊道停留时间;a为第一架次精轧机咬钢后的辊道加速度。
进一步地,构建基于AGWO-BP的精轧入口温度预测模型:将整理好的精轧入口温度预测数据集,送入神经网络进行学习获得精轧入口温度预测模型;包括:
步骤2.1:样本数据预处理:对训练集和测试集的数据进行量化和归一化处理;
步骤2.2:将处理后的训练集、预测集,预备送入预测模型中进行训练和预测;
步骤2.3:使用混沌Tent序列初始化灰狼种群;
步骤2.4:构造适应度值函数;
步骤2.5:计算第一代所有个体的适应度值并从中选出最高的3个个体,第一级标注为α,第二级标注为β,第三级标注为δ;
步骤2.6:更新个体的参数r1、r2、q,并刷新个体位置,其中,r1,r2表示[0,1]的随机数,q表示为控制因子,重新构造神经网络,反复训练网络,得到全新的个体适应度函数值以及重新标注的α,β,δ值;
步骤2.7:判断是否达到AGWO-BP算法最大迭代次数;若未达到,返回步骤2.6;若达到,记录该个体所对应的最优权值和阈值参数以及模型;
步骤2.8:利用AGWO算法得到最优参数搭建BP神经网络,利用训练集反复训练模型,当预测误差达到要求时,停止训练;
步骤2.9:将测试集的输入数据输入训练好的BP神经网络,输出精轧入口温度预测值。
进一步地,步骤2.3:使用混沌Tent序列初始化灰狼种群时,利用Tent混沌序列产生N个灰狼个体位置,每个个体位置分别蕴含BP神经网络的参数,与灰狼个体表示的字符串相对应。
进一步地,步骤2.4中,构造AGWO-BP的精轧入口温度预测模型先用个体包含的初始权值和阈值参数,模型经过训练集训练后,将模型得到的预测温度输出与实际温度输出的平均误差和构造适应度函数值。
本发明的有益技术效果:
本发明所述方法中,搭建的基于AGWO-BP的精轧入口温度预测模型是针对板坯表面全长的温度预测,用已轧板坯表面全长温度相关数据做训练数据,来预测下一块板坯表面全长温度。根据已有工厂数据积分得出各个采样点处的板坯长度值,按照长度将板坯分段,将每段对应的一段温度取平均值,为保证每段温度差值在±2℃以内,将全程分若干段保证每段数据准确对应。
本发明所述方法在搭建基于AGWO-BP的精轧入口温度预测模型时,引用混沌初始化的概念将Tent混沌序列产生初始种群,搭建模型并验证模型效果,得到的结果AGWO-BP预测模型的精度较高,能达到±4℃的预测误差,预测效果很好。
附图说明
图1为本发明实施例中提供的一种AGWO-BP预测流程图;
图2为本发明实施例中提供的一种AGWO-BP迭代进化曲线图;
图3为本发明实施例中提供的一种AGWO-BP预测效果图;
图4为本发明实施例中提供的一种AGWO-BP预测误差图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
针对现有技术中,精轧入口的温度预测,不能够有效的排除精轧入口高温计测量时受到的各种干扰,进而不能够得到较为真实的预测温度的技术问题,本发明以中间辊道停留时间、粗轧末道次轧制力、粗轧出口液压辊缝、粗轧出口温度、精轧入口速度等作为预测模型的输入因素,采取板坯全长分段预测的方式对精轧入口的温度进行预测;提出一种AGWO-BP,基于数据驱动,对热连轧精轧入口温度的预测方法,有效的排除精轧入口高温计测量时受到的各种干扰,得到较为真实的预测温度。
本发明提供一种热连轧精轧入口温度预测的方法的实施例,所述方法包括:基于数据驱动,利用已轧板坯的相关数据搭建精轧入口温度预测数据集;利用神经网络算法搭建精轧入口温度预测模型,再使用混沌Tent序列初始化灰狼种群得到基于AGWO-BP的精轧入口温度预测模型,利用AGWO-BP的精轧入口温度预测模型和所述精轧入口温度预测数据集,通过已轧板坯表面全长精轧入口温度数据预测下一块板坯表面全长精轧入口温度。其中,AGWO-BP:改进的灰狼优化算法优化误差反向传播神经网络。
图1为AGWO-BP预测流程图。预先收集热连轧现场温度预测相关数据建立数据集,并将样本归一化。在最基本的灰狼优化模型中,引入混沌tent序列初始化灰狼种群,比较灰狼个体适应度,确定前三的个体适应度后建立AGWO-BP模型,将训练样本和测试样本送入神经网络中生成预测模型,更新个体位置,寻得最优BP权值与阈值,最后输出最优参数和预测模型。
在本实施例中,所述基于数据驱动,利用已轧板坯的相关数据搭建精轧入口温度预测数据集,具体是采用已轧板坯表面全长的采样点数据,经过分段计算、降噪预处理得到的,包括:
步骤1.1:从工业现场获取过程控制系统数据;
步骤1.2:选取已轧板坯表面全长相关数据,进行有效的采集和分段计算处理,将各个不同工况板坯表面均匀分为多段,保证每段温度差值在±2℃以内,并使粗轧出口开始到精轧入口的不同工况的数据都得到明确的对应;
所述已轧板坯表面全长相关数据包括模型输入因素和模型输出因素,模型输入因素包括中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度、飞剪前辊道速度;模型输出因素包括精轧入口温度;
其中,每段钢表面的中间辊道停留时间是根据精轧入口速度计算获得;
精轧温度与板坯厚度息息相关,但是在现场数据中很少有传感器去监测粗轧出口板坯厚度,根据弹跳方程:
式中,S为实测辊缝;S0为标定辊缝;P为实测轧制力;P0为标定轧制力;M为机架刚度。
可以推断出粗轧出口厚度与粗轧出口辊缝是线性相关的,辊缝数据在现场中有充足的数据储备。因此,将粗轧出口辊缝作为数据集的一个输入因素;
将模型输入因素中的中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度的数据取反,再与飞剪前辊道速度和精轧入口温度相对应;
步骤1.3:采用巴特沃斯滤波器对选取的已轧板坯表面全长相关数据进行降噪处理;在本实施例中,选取的参数具体为:通带截止频率50~70Hz,阻带起始频率90~110Hz,通带最大衰减3~5dB,阻带最小衰减30~50dB。
步骤1.4:将降噪处理后数据分成2份,按照比例2:1分成训练集、预测集;
步骤1.5:构建获得完整的精轧入口温度预测数据集。
其中,步骤1.2中,积分得出各个采样点处的板坯长度值,并按照长度将板坯分若干段,将每段对应的一段温度取平均值,为保证每段温度差值在±2℃以内,根据实际数据将板坯全长进行分段,保证每段数据准确对应。在本实施例中,可以将板坯全长分为960段。
并且,步骤1.2中,采用精轧入口速度计算中间辊道停留时间,板坯在经过粗轧与精轧中间的辊道时,此时板坯的速度并不是恒定不变的。当钢的头部到达精轧机第一架次精轧机咬钢的瞬间,板坯速度骤降,辊道产生加速度且速度慢慢回升,计算得到中间辊道停留时间数据,根据加速直线运动的位移公式:
式中,L0为第一架次精轧机咬钢前的钢坯长度;L为第一架次精轧机咬钢后的钢坯长度;v为第一架次精轧机咬钢前的精轧入口速度;t为中间辊道停留时间;a为第一架次精轧机咬钢后的辊道加速度。
在本实施例中,构建基于AGWO-BP的精轧入口温度预测模型:将整理好的精轧入口温度预测数据集,送入神经网络进行学习获得精轧入口温度预测模型;包括:
步骤2.1:样本数据预处理:对训练集和测试集的数据进行量化和归一化处理;
步骤2.2:将处理后的训练集、预测集,预备送入预测模型中进行训练和预测;
步骤2.3:使用混沌Tent序列初始化灰狼种群建立AGWO-BP模型,使得热连轧精轧入口温度预测精度从±6℃改进到±4℃。
步骤2.4:构造适应度值函数;
步骤2.5:计算第一代所有个体的适应度值并从中选出最高的3个个体,第一级标注为α,第二级标注为β,第三级标注为δ;
步骤2.6:更新个体的参数r1,r2,q并刷新个体位置,其中,r1,r2表示[0,1]的随机数,q表示为控制因子,重新构造神经网络,反复训练网络,得到全新的个体适应度函数值以及重新标注的α,β,δ值;
步骤2.7:判断是否达到AGWO-BP算法最大迭代次数;若未达到,返回步骤2.6;若达到,记录该个体所对应的最优权值和阈值参数以及模型;
如图2为AGWO-BP迭代进化曲线图。设置迭代次数为50,灰狼种群规模为5。BP神经网络令输入层为5,隐含层为10,输出层为1,学习效率为0.1,目标误差为0.00001。权值60,阈值11,灰狼个体的维度为71。设灰狼种群规模N=5,最大迭代次数50,个体维度为71。由图2可见,进化次数在3后,适应度值一直稳定在2125,十分迅速地获得了适应度值最优的个体,从而得到了BP神经网络的最优初始权值和阈值。
步骤2.8:利用AGWO算法得到最优参数搭建BP神经网络,利用训练集反复训练模型,当预测误差达到要求时,停止训练。
步骤2.9:将测试集的输入数据输入训练好的BP神经网络,输出精轧入口温度预测值。
其中,步骤2.3:使用混沌Tent序列初始化灰狼种群时,利用Tent混沌序列产生N个灰狼个体位置,每个个体位置分别蕴含BP神经网络的参数,与灰狼个体表示的字符串相对应。
步骤2.4中,构造AGWO-BP的精轧入口温度预测模型,先用个体包含的初始权值和阈值参数,模型经过训练集训练后,将模型得到的预测温度输出与实际温度输出的平均误差和构造适应度函数值。
如图3所示为AGWO-BP预测效果图。利用经过AGWO优化后的初始权值和阈值构造BP神经网络模型,输入训练集并预测测试集,得到的AGWO-BP神经网络预测值,将预测值与实测值进行比较,由图3可见,预测值在实测值上下无规律波动,预测效果良好。
如图4所示,AGWO-BP预测误差图。从图可见,预测偏差大约在±4℃左右,说明AGWO-BP预测模型预测精度较高。
Claims (9)
1.一种热连轧精轧入口温度预测的方法,其特征在于,所述方法包括:基于数据驱动,利用已轧板坯的相关数据搭建精轧入口温度预测数据集;利用神经网络算法搭建精轧入口温度预测模型,再使用混沌Tent序列初始化灰狼种群得到基于AGWO-BP的精轧入口温度预测模型,利用AGWO-BP的精轧入口温度预测模型和所述精轧入口温度预测数据集,通过已轧板坯表面全长精轧入口温度数据预测下一块板坯表面全长精轧入口温度。
2.根据权利要求1所述一种热连轧精轧入口温度预测的方法,其特征在于,所述已轧板坯的相关数据包括:中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度、飞剪前辊道速度以及精轧入口温度。
3.根据权利要求1所述一种热连轧精轧入口温度预测的方法,其特征在于,所述基于数据驱动,利用已轧板坯的相关数据搭建精轧入口温度预测数据集,具体是采用已轧板坯表面全长的采样点数据,经过分段计算、降噪预处理得到,包括:
步骤1.1:从工业现场获取过程控制系统数据;
步骤1.2:选取已轧板坯表面全长相关数据,进行有效的采集和分段计算处理,将各个不同工况板坯表面均匀分为多段,保证每段温度差值在±2℃以内,并使粗轧出口开始到精轧入口的不同工况的数据都得到明确的对应;
所述已轧板坯表面全长相关数据包括模型输入因素和模型输出因素,所述模型输入因素包括中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度、飞剪前辊道速度,所述模型输出因素包括精轧入口温度;每段钢表面的中间辊道停留时间是根据精轧入口速度计算获得;将模型输入因素中的中间辊道停留时间、粗轧末道次轧制力、粗轧出口辊缝、粗轧出口温度的数据取反,再与飞剪前辊道速度和精轧入口温度相对应;
步骤1.3:采用巴特沃斯滤波器对选取的已轧板坯表面全长相关数据进行降噪处理;
步骤1.4:将降噪处理后数据分成2份,按照比例2:1分成训练集、预测集;
步骤1.5:构建获得完整的精轧入口温度预测数据集。
4.根据权利要求3所述基于数据驱动的热连轧精轧入口温度预测方法,其特征在于,步骤1.2中,积分得出各个采样点处的板坯长度值,并按照长度将板坯分若干段,将每段对应的一段温度取平均值,为保证每段温度差值在±2℃以内,根据实际数据将板坯全长进行分段。
5.根据权利要求3所述基于数据驱动的热连轧精轧入口温度预测方法,其特征在于,步骤1.3中,利用巴特沃斯滤波对数据样本进行降噪,选取的参数具体为:通带截止频率50~70Hz,阻带起始频率90~110Hz,通带最大衰减3~5dB,阻带最小衰减30~50dB。
7.根据权利要求1所述一种热连轧精轧入口温度预测的方法,其特征在于,构建基于AGWO-BP的精轧入口温度预测模型:将整理好的精轧入口温度预测数据集,送入神经网络进行学习获得精轧入口温度预测模型;包括:
步骤2.1:样本数据预处理:对训练集和测试集的数据进行量化和归一化处理;
步骤2.2:将处理后的训练集、预测集,预备送入预测模型中进行训练和预测;
步骤2.3:使用混沌Tent序列初始化灰狼种群;
步骤2.4:构造适应度值函数;
步骤2.5:计算第一代所有个体的适应度值并从中选出最高的3个个体,第一级标注为α,第二级标注为β,第三级标注为δ;
步骤2.6:更新个体的参数r1、r2、q,并刷新个体位置,其中,r1,r2表示[0,1]的随机数,q表示为控制因子,重新构造神经网络,反复训练网络,得到全新的个体适应度函数值以及重新标注的α,β,δ值;
步骤2.7:判断是否达到AGWO-BP算法最大迭代次数;若未达到,返回步骤2.6;若达到,记录该个体所对应的最优权值和阈值参数以及模型;
步骤2.8:利用AGWO算法得到最优参数搭建BP神经网络,利用训练集反复训练模型,当预测误差达到要求时,停止训练;
步骤2.9:将测试集的输入数据输入训练好的BP神经网络,输出精轧入口温度预测值。
8.根据权利要求书7所述数据驱动的热连轧精轧入口温度预测方法,其特征在于,步骤2.3:使用混沌Tent序列初始化灰狼种群时,利用Tent混沌序列产生N个灰狼个体位置,每个个体位置分别蕴含BP神经网络的参数,与灰狼个体表示的字符串相对应。
9.根据权利要求书7所述数据驱动的热连轧精轧入口温度预测方法,其特征在于,步骤2.4中,构造AGWO-BP的精轧入口温度预测模型先用个体包含的初始权值和阈值参数,模型经过训练集训练后,将模型得到的预测温度输出与实际温度输出的平均误差和构造适应度函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106314.9A CN110802115B (zh) | 2019-11-13 | 2019-11-13 | 基于数据驱动的热连轧精轧入口温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106314.9A CN110802115B (zh) | 2019-11-13 | 2019-11-13 | 基于数据驱动的热连轧精轧入口温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110802115A true CN110802115A (zh) | 2020-02-18 |
CN110802115B CN110802115B (zh) | 2020-12-22 |
Family
ID=69502415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911106314.9A Active CN110802115B (zh) | 2019-11-13 | 2019-11-13 | 基于数据驱动的热连轧精轧入口温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110802115B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625816A (zh) * | 2020-04-21 | 2020-09-04 | 江西理工大学 | 一种入侵检测方法及装置 |
CN112893462A (zh) * | 2021-01-11 | 2021-06-04 | 北京科技大学设计研究院有限公司 | 一种基于热连轧带钢头部咬钢冲击综合分析方法 |
CN113591395A (zh) * | 2021-08-11 | 2021-11-02 | 重庆大学 | 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架 |
CN113987949A (zh) * | 2021-11-03 | 2022-01-28 | 燕山大学 | 一种基于数据驱动的板带钢变形抗力预测方法 |
CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100643373B1 (ko) * | 2005-12-21 | 2006-11-10 | 주식회사 포스코 | 열간압연 후물재 길이방향 온도 제어방법 |
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 |
CN107614135A (zh) * | 2015-09-14 | 2018-01-19 | 东芝三菱电机产业系统株式会社 | 轧制件的温度控制装置 |
CN109550794A (zh) * | 2018-12-25 | 2019-04-02 | 鞍钢集团朝阳钢铁有限公司 | 一种用于热轧精轧出口温度的前馈控制方法 |
-
2019
- 2019-11-13 CN CN201911106314.9A patent/CN110802115B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100643373B1 (ko) * | 2005-12-21 | 2006-11-10 | 주식회사 포스코 | 열간압연 후물재 길이방향 온도 제어방법 |
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 |
CN107614135A (zh) * | 2015-09-14 | 2018-01-19 | 东芝三菱电机产业系统株式会社 | 轧制件的温度控制装置 |
CN109550794A (zh) * | 2018-12-25 | 2019-04-02 | 鞍钢集团朝阳钢铁有限公司 | 一种用于热轧精轧出口温度的前馈控制方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625816A (zh) * | 2020-04-21 | 2020-09-04 | 江西理工大学 | 一种入侵检测方法及装置 |
CN112893462A (zh) * | 2021-01-11 | 2021-06-04 | 北京科技大学设计研究院有限公司 | 一种基于热连轧带钢头部咬钢冲击综合分析方法 |
CN112893462B (zh) * | 2021-01-11 | 2022-11-11 | 北京科技大学设计研究院有限公司 | 一种基于热连轧带钢头部咬钢冲击综合分析方法 |
CN113591395A (zh) * | 2021-08-11 | 2021-11-02 | 重庆大学 | 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架 |
CN113591395B (zh) * | 2021-08-11 | 2024-01-30 | 重庆大学 | 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架 |
CN113987949A (zh) * | 2021-11-03 | 2022-01-28 | 燕山大学 | 一种基于数据驱动的板带钢变形抗力预测方法 |
CN113987949B (zh) * | 2021-11-03 | 2024-05-07 | 燕山大学 | 一种基于数据驱动的板带钢变形抗力预测方法 |
CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
CN115608793B (zh) * | 2022-12-20 | 2023-04-07 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110802115B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110802115B (zh) | 基于数据驱动的热连轧精轧入口温度预测方法 | |
CN109492808B (zh) | 一种室内停车场剩余车位预测方法 | |
KR101889668B1 (ko) | 압연 시뮬레이션 장치 | |
CN111241657A (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN103722022B (zh) | 一种轧制过程中摩擦系数模型优化系统及方法 | |
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 | |
JP5003483B2 (ja) | 圧延ラインの材質予測および材質制御装置 | |
CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
Sari et al. | Enabling external factors for inflation rate forecasting using fuzzy neural system | |
CN104070083A (zh) | 一种基于集成pca-elm穿孔机导盘转速测量方法 | |
CN113591240A (zh) | 基于双向lstm网络的磨齿机热误差模型建模方法 | |
Cui et al. | Machine learning model for thickness evolution of oxide scale during hot strip rolling of steels | |
Dong et al. | Point and interval prediction of the effective length of hot-rolled plates based on IBES-XGBoost | |
CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
Sun et al. | The application of new adaptive PSO in AGC and AFC combination control system | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN111241749B (zh) | 一种基于储备池计算的永磁同步电动机混沌预测方法 | |
CN110852605B (zh) | 一种基于信息效能的产品设计决策的确定方法及系统 | |
CN115392104A (zh) | 一种基于退火工艺预测冷轧连续退火带钢力学性能的方法 | |
Idzik et al. | Coupling of an analytical rolling model and reinforcement learning to design pass schedules: towards properties controlled hot rolling | |
CN104537449A (zh) | 一种基于d_s证据理论信息重构的热连轧板厚预测方法 | |
Wang et al. | A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel | |
CN109376957A (zh) | 一种火电厂负荷的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |