CN110989522B - 一种面向多钢卷的连退生产过程工艺参数优化设定方法 - Google Patents
一种面向多钢卷的连退生产过程工艺参数优化设定方法 Download PDFInfo
- Publication number
- CN110989522B CN110989522B CN201911240174.4A CN201911240174A CN110989522B CN 110989522 B CN110989522 B CN 110989522B CN 201911240174 A CN201911240174 A CN 201911240174A CN 110989522 B CN110989522 B CN 110989522B
- Authority
- CN
- China
- Prior art keywords
- individual
- individuals
- strip steel
- population
- production process
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及钢铁企业连续退火机组的自动控制技术领域，提供一种面向多钢卷的连退生产过程工艺参数优化设定方法，包括：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型；基于自适应多目标多因子差分进化算法求解模型：首先初始化相关参数，将带钢的控制变量设定方案均作为个体并初始化种群；然后按照各变异算子的选择概率和交配策略生成子代种群，并更新子代种群中每个个体的技术因子；接着评价联合种群中的每个个体，留存适应度高的个体；最终将求解得到的多组控制变量设定方案提供给连退生产现场来指导生产。本发明能够利用不同优化任务间的信息交流对多个钢卷的生产过程工艺参数进行并行优化，提升了工艺参数优化设定的效率和效果。
Description
技术领域
本发明涉及钢铁企业连续退火机组的自动控制技术领域，特别是涉及一种面向多钢卷的连退生产过程工艺参数优化设定方法。
背景技术
连退是钢铁企业冷轧厂的一道重要工序。由于连退工艺复杂，环境参数和控制变量众多，有些变量之间还具有耦合关系，因此采用人工经验的方法对控制变量进行设定很难达到最优控制的效果。为实现连退生产过程的最优控制，需对连退生产过程的工艺参数优化设定问题进行研究，得到最佳的工艺参数设定方案，从而指导实际生产，提升企业经济效益。
在实际生产过程中，调度层下达到连退机组的生产调度方案一般会同时包含多个钢卷，进而多个钢卷被连续生产加工。然而以往针对连退生产过程工艺参数设定的技术，如授权公告号为CN104714519B的中国专利《一种连续退火机组生产过程工艺参数设定与在线优化方法”》，主要是面向单个钢卷，即一次只优化确定一个钢卷的最佳生产工艺参数；该技术通过串行的方式多次进行优化，逐一得到每个钢卷的最佳工艺参数设定方案，无法面向多个钢卷的加工过程进行并行优化，从而无法实现同时优化得到每个钢卷的生产过程最佳工艺参数设定方案。以往生产过程最佳生产工艺参数设定技术的不足之处在于：(1)采用串行的方式多次进行优化，效率低于采用并行方式同时优化多个钢卷的方法；(2)连退机组的生产是连续过程，不同钢卷之间的加工信息具有相似性，单独优化确定一个钢卷的生产过程工艺参数，无法利用其他钢卷的参数优化信息，而在优化过程中，能将这些信息进行合理利用是有意义的。
发明内容
针对现有技术存在的问题，本发明提供一种面向多钢卷的连退生产过程工艺参数优化设定方法，能够利用不同优化任务间的信息交流对多个钢卷的生产过程工艺参数进行并行优化，提升了工艺参数优化设定的效率和效果。
本发明的技术方案为：
一种面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，包括下述步骤：
步骤1：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型；
步骤1.1：基于数据解析的方法，建立带钢质量在线预测模型；
步骤1.1.1：将带钢硬度作为衡量带钢质量的指标，带钢质量在线预测模型即为带钢硬度在线预测模型；
步骤1.1.2：构建训练样本集：在连退机组正常生产的工况下，采集一段时间内N个带钢的生产过程数据，构成训练样本集L；其中，所述生产过程数据包括带钢的环境参数数据、控制变量数据、带钢硬度数据；
步骤1.1.3：建立带钢硬度在线预测模型：以带钢的环境参数数据和控制变量数据为输入、带钢硬度为输出，基于最小二乘支持向量机构建带钢硬度在线预测模型，用训练样本集L对带钢硬度在线预测模型进行训练，得到训练后的带钢硬度在线预测模型为y＝LSSVR(E,X)；其中，E为带钢的环境参数数据，X为带钢的控制变量数据，y为根据环境参数数据E和控制变量数据X进行生产时获得的带钢硬度；
步骤1.2：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型为
其中，式(5)中，yt(Et,Xt)为根据环境参数数据Et和控制变量数据Xt进行生产时获得的第t个带钢的硬度,t＝1,2,…,K，K为调度层下达的所需加工的带钢总数；Et为第t个带钢的环境参数数据，Et＝(et,1,et,2,…,et,i,…,et,ne)T，et,i为第t个带钢的第i个环境参数，i＝1,2,…,ne，ne为环境参数总数，第1、2、…、ne个环境参数分别为带钢宽度、带钢厚度、碳含量、出炉温度、平均卷曲温度、硅含量、平均终轧温度、CDCM延伸率；Xt为第t个带钢的控制变量数据，Xt＝(xt,1,xt,2,…,xt,j,…,xt,nx)T，xt,j为第t个带钢的第j个控制变量，j＝1,2,…,nx，nx为控制变量总数，第1、2、…、nx个控制变量分别为中央段速度、加热炉平均温度、均热炉平均温度、缓冷炉平均温度、1#冷炉冷却气体温度、1#过实效炉平均温度、2#过实效炉1区平均温度、2#过实效炉2区平均温度、水淬炉水温、平整机入口张力、平整机中间张力、平整机出口张力、1#平整机轧制力、2#平整机轧制力；
Taskt为第t个优化任务，目标函数(t-1)为最小化第t个带钢的硬度yt(Et,Xt)与第t个带钢的合同的目标硬度yt,obj间的偏差，目标函数(t-2)为最小化第t个带钢的加热炉平均温度xt,2、均热炉平均温度xt,3之和，目标函数(t-3)为最小化第t个带钢的中央段速度xt,1的倒数；
式(4)中，lt,j、ut,j分别为第t个带钢的第j个控制变量的下限、上限；
步骤2：基于自适应多目标多因子差分进化算法，求解面向多钢卷的连退生产过程工艺参数优化设定问题模型；
步骤2.1：初始化相关参数：初始化迭代次数G＝0，设置最大迭代次数为Gmax；初始化第G次迭代中第m个变异算子的选择概率Pm,G＝1/M、成功次数sm,G＝0、失败次数fm,G＝0，m＝1,2,…,M，M为变异算子的总数；
步骤2.2：初始化种群：
步骤2.2.1：将每个带钢的控制变量设定方案(xt,1,xt,2,...,xt,nx)t∈{1,2,…,K}均作为一个个体；
步骤2.2.2：为每个个体(xt,1,xt,2,...,xt,nx)中的每个元素在该元素的上下限范围内随机选取一个值生成一个初始个体，共得到K个初始个体；
步骤2.2.3：重复步骤2.2.2n次，得到nK个初始个体，形成第G代种群；
步骤2.2.4：为第G代种群中的每个个体随机分配一个技术因子；一个技术因子对应一个优化任务；
步骤2.3：按照各变异算子的选择概率和交配策略生成子代种群；
步骤2.4：更新子代种群中每个个体的技术因子：
步骤2.5：第G代种群和子代种群组成联合种群，评价联合种群中的每个个体，留存适应度高的个体；
步骤2.5.1：计算联合种群中每个个体的适应度；
步骤2.5.2：更新各变异算子的成功次数、失败次数：第G+1次迭代中第m个变异算子的成功次数
失败次数
其中，
为第m个变异算子所产生的子代个体中能够支配自身的任意一个父代个体的子代个体个数，
为第m个变异算子所产生的子代个体中不能够支配自身的任意一个父代个体的子代个体个数；
步骤2.5.3：对联合种群中的个体按照适应度由大到小进行排序，留存前nK个个体构成第G+1代种群；
步骤2.6：令G＝G+1，若G＜Gmax，则更新各变异算子的选择概率，转至步骤2.3；若G≥Gmax，则进入步骤2.7；
步骤2.7：将第G代种群提供给连退生产现场，在第G代种群中每个带钢对应的所有个体中选择出最优个体，用最优个体对应的控制变量设定方案来设定该带钢在连退生产过程中的控制变量。
进一步地，所述步骤2.1中，M个变异算子为DE/rand/1、DE/best/1、DE/current-to-best/1、DE/rand/2；
DE/rand/1产生扰动向量的方式为Vk＝Xr1+F×(Xr2–Xr3)；
DE/best/1产生扰动向量的方式为Vk＝Xbest+F×(Xr1–Xr2)；
DE/current-to-best/1产生扰动向量的方式为
DE/rand/2产生扰动向量的方式为Vk＝Xr1+F×(Xr2–Xr3)+F×(Xr4–Xr5)；
其中，Vk为扰动向量，F为扰动系数，
为目标向量，k∈{1,2,...,nK}，Xbest为当前种群中适应度最高的个体，Xr1、Xr2、Xr3、Xr4、Xr5为从当前种群中随机选择的5个个体，5个个体之间彼此不同且相异于目标个体
进一步地，所述步骤2.3包括下述步骤：
步骤2.3.1：令k＝1；
步骤2.3.2：将第G代种群中的第k个个体
作为目标向量；其中，k∈{1,2,...,nK}；
步骤2.3.3：将各变异算子的选择概率做成轮盘：确定第m个变异算子的选择区间为
[βm-1,βm]，m＝1,2,…,M；其中，β0＝0，βm＝βm-1+Pm,G，βM＝1；Pm,G表示第G代种群中第m个变异算子的选择概率；
步骤2.3.4：在[0,1]区间生成随机数rand1，对比rand1和各选择区间，找出rand1所在选择区间对应的变异算子作为执行算子；
步骤2.3.5：利用执行算子对个体
执行变异操作，生成第k个子代个体；
步骤2.3.6：若k≥nK，则nK个子代个体构成子代种群；若k＜nK，则令k＝k+1，转至步骤2.3.2。
进一步地，所述步骤2.3.5包括下述步骤：
步骤2.3.5.1：根据执行算子所需要的父代个体个数r，从第G代种群中随机选取r个个体作为父代个体{p1,p2,…,pr}；
步骤2.3.5.2：在[0,1]区间生成随机数rand2；
步骤2.3.5.3：若父代个体{p1,p2,…,pr}的技术因子均等于目标向量
的技术因子或rand2<rmp，则采用执行算子，根据父代个体{p1,p2,…,pr}产生扰动向量Vk，根据DE的交叉算子，通过目标向量
和扰动向量Vk产生试探向量Uk＝(uk,1,uk,2,...,uk,j,...,uk,nx)，将试探向量Uk作为第k个子代个体；若父代个体{p1,p2,…,pr}的技术因子不均等于目标向量
的技术因子且rand2≥rmp，rmp表示在[0,1]内按照均匀分布产生的一个随机数，则对目标向量
采用polynomial变异算子产生第k个子代个体Uk；其中，rmp为变异概率，
xk,j、vk,j分别为目标向量
扰动向量Vk的第j个元素，randj为[0,1]内的随机数，Cr为交叉概率，jrand为从{1,2,...,j,...,nx}中随机选取的数。
进一步地，所述步骤2.4包括下述步骤：
步骤2.4.1：令k＝1；
步骤2.4.2：若子代个体Uk不只有一个父代个体，则子代个体Uk随机继承子代个体Uk的一个父代个体的技术因子；若子代个体Uk只有一个父代个体，则子代个体Uk直接继承子代个体Uk对应的目标向量
的技术因子；
步骤2.4.3：若k≥nK，则进入步骤2.5；若k＜nK，则令k＝k+1，返回步骤2.4.2。
进一步地，所述步骤2.5.1中，计算联合种群中每个个体的适应度，包括：计算联合种群{q1,q1,...,q2nK}中第a∈{1,2,...,2nK}个体qa的适应度为
其中，rt a为个体qa对优化任务Taskt的因子等级；根据联合种群中个体的技术因子在优化任务Taskt上的表现好坏对联合种群进行排序，得到第t个个体序列，个体qa在第t个个体序列中的序号即为个体qa对优化任务Taskt的因子等级，技术因子在优化任务Taskt上的表现好坏由多目标优化算法中个体间的支配关系判断。
进一步地，所述步骤2.6中，更新各变异算子的选择概率，包括：若G≤l，则Pm,G＝1/M，m＝1,2,…,M；若G＞l，则
m＝1,2,…,M，ε、l均为预设的参数，Pm,G表示第G代种群中第m个变异算子的选择概率。
进一步地，所述步骤2.7中，在第G代种群中每个带钢对应的所有个体中选择出最优个体，包括：在第G代种群中每个带钢对应的所有个体中选择出该带钢最重视的优化目标的目标函数值最小的个体作为最优个体。
本发明的有益效果为：
本发明对面向多钢卷的连退生产过程工艺参数优化设定问题进行建模，将每个带钢的控制变量设定方案均作为一个个体，基于自适应多目标多因子差分进化算法求解模型，为每个带钢生成一组优化后的控制变量设定方案来指导钢带的连退生产，一方面，能够同时对多个钢卷的生产过程工艺参数进行并行优化，提升了工艺参数优化设定的效率；另一方面，根据连续生产所带来的不同钢卷之间生产信息具有相似性的特点，在并行优化多个钢卷工艺参数设定的过程中，利用不同优化任务间的信息交流，提升了工艺参数优化设定的效果。
附图说明
图1为本发明的面向多钢卷的连退生产过程工艺参数优化设定方法的总体框架示意图；
图2为本发明的面向多钢卷的连退生产过程工艺参数优化设定方法的原理示意图；
图3为本发明的面向多钢卷的连退生产过程工艺参数优化设定方法中自适应多目标多因子差分进化算法的流程图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
钢铁企业中的冷轧处理是对上一道工序中通过酸洗处理的钢卷做冷连轧操作，使其产生冷变形。虽然钢卷通过冷轧操作，可以使得钢卷的强度和硬度等指标有所改善，但是钢卷的内部微观组织和化学成分会发生变化，使得钢卷的带钢硬度、延伸率、抗冲压以及可塑性等性能受损。针对这一情况，为了改善钢卷的质量指标，冷轧厂采用连续退火(连退)的方式，通过一系列的热处理过程来处理冷轧过的钢卷。
由于连退生产过程工艺复杂，环境参数和控制变量众多，其中有些还具有耦合关系，因而采用传统的人工经验技术对生产过程中的控制变量等工艺参数进行设置，很难实现全局最优的控制效果。与此同时，控制变量的不同设置会对带钢质量、能源消耗和机组产能产生很大影响。当前企业生产中，操作人员依据以往的经验对控制变量进行设定，经常出现生产出来的带钢质量波动较大、生产过程的能耗过高、连退机组的产能得不到保证等问题。如何在满足生产约束和连续生产的基础上实现最优控制参数设定，实现提升产品质量、降低能源消耗和保证机组产能，从而提升企业效益，是连退生产过程工艺参数优化设定技术。
与以往的连退生产过程工艺参数优化设定技术面向单个钢卷、通过串行方式多次优化不同，本发明面向多个钢卷的连退生产过程，采用并行优化的方式同时优化多个钢卷的生产过程工艺参数。基于图2所示的连退机组，本发明的面向多钢卷的连退生产过程工艺参数优化设定方法，包括建立面向多钢卷的连退生产过程工艺参数优化设定问题模型阶段和提出自适应多目标多因子差分进化算法对模型求解阶段。
所述的建立工艺参数优化设定问题模型阶段，为建立面向多钢卷的连退生产过程工艺参数优化设定问题模型过程；该优化模型含有三个优化目标：提升带钢(钢卷经开卷机开卷后为带钢)的产品质量、降低机组能源消耗和提升机组产能。其中，降低机组能源消耗和提升机组产能两个优化目标有数学机理表达式，但是提升带钢质量这一优化目标，没有严格的数学机理表达式，基于数据解析的方法是解决此类机理模型缺失的有效手段。因此，本发明首先需要建立带钢质量在线预测模型，进而在此基础上建立面向多钢卷的连退生产过程工艺参数优化设定问题模型。
所述算法求解阶段，为针对上述优化问题模型的特点，考虑优化目标，在满足工艺约束的前提下，提出自适应多目标多因子差分进化算法对该工艺参数优化设定问题的求解过程。算法基于多因子优化的思想，即同时处理多个优化任务，每个优化任务都是一个单个钢卷的生产过程工艺参数优化设定问题，基于一个种群的进化搜索，利用不同任务之间的信息交流，同时得到多个钢卷的最优工艺参数设定方案。算法求解结果为多组Pareto解集，每组Pareto解集分别对应一个钢卷的连退生产过程最优工艺参数设定方案，从而指导实际生产，实现生产过程的最优控制。
本发明的总体框架如图1所示。本发明的面向多钢卷的连退生产过程工艺参数优化设定方法，包括下述步骤：
步骤1：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型：
步骤1.1：基于数据解析的方法，建立带钢质量在线预测模型；
步骤1.1.1：将带钢硬度作为衡量带钢质量的指标，期望经过连退加工之后的带钢硬度符合合同所需的带钢硬度，带钢质量在线预测模型即为带钢硬度在线预测模型；
步骤1.1.2：构建训练样本集：在连退机组正常生产的工况下，采集最近两个月内N个带钢的生产过程数据，构成训练样本集L；其中，所述生产过程数据包括带钢的环境参数数据、控制变量数据、带钢硬度数据；其中，带钢硬度数据通过截取带钢的头尾采用硬度计测量获得；
步骤1.1.3：建立带钢硬度在线预测模型：以带钢的环境参数数据和控制变量数据为输入、带钢硬度为输出，基于最小二乘支持向量机构建带钢硬度在线预测模型，用训练样本集L对带钢硬度在线预测模型进行训练，得到训练后的带钢硬度在线预测模型为y＝LSSVR(E,X)；其中，E为带钢的环境参数数据，X为带钢的控制变量数据，y为根据环境参数数据E和控制变量数据X进行生产时获得的带钢硬度。
步骤1.2：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型为
其中，式(5)中，yt(Et,Xt)为根据环境参数数据Et和控制变量数据Xt进行生产时获得的第t个带钢的硬度，yt(Et,Xt)基于步骤1.1中的带钢质量在线预测模型得到；t＝1,2,…,K，K为调度层下达的所需加工的带钢总数；Et为第t个带钢的环境参数数据，Et＝(et,1,et,2,…,et,i,…,et,ne)T，et,i为第t个带钢的第i个环境参数，i＝1,2,…,ne，ne为环境参数总数，第1、2、…、ne个环境参数分别为带钢宽度、带钢厚度、碳含量、出炉温度、平均卷曲温度、硅含量、平均终轧温度、CDCM延伸率；Xt为第t个带钢的控制变量数据，Xt＝(xt,1,xt,2,…,xt,j,…,xt,nx)T，xt,j为第t个带钢的第j个控制变量，j＝1,2,…,nx，nx为控制变量总数，第1、2、…、nx个控制变量分别为中央段速度、加热炉平均温度、均热炉平均温度、缓冷炉平均温度、1#冷炉冷却气体温度、1#过实效炉平均温度、2#过实效炉1区平均温度、2#过实效炉2区平均温度、水淬炉水温、平整机入口张力、平整机中间张力、平整机出口张力、1#平整机轧制力、2#平整机轧制力。
Taskt为第t个优化任务，目标函数(t-1)为最大化带钢的产品质量，以最小化第t个带钢的硬度yt(Et,Xt)与第t个带钢的合同的目标硬度yt,obj间的偏差来表示；目标函数(t-2)为最小化能源消耗，以最小化第t个带钢的加热炉平均温度xt,2、均热炉平均温度xt,3之和来表示；目标函数(t-3)为最大化带钢产能，以最小化第t个带钢的中央段速度xt,1的倒数来表示，带钢速度越快，产能越大。
式(4)中，lt,j、ut,j分别为第t个带钢的第j个控制变量的下限、上限。
本实施例中，调度层下达的需要加工的带钢数目为K＝6条，6条带钢的部分环境参数数据如下表1所示。
表1
| 带钢编号 | 宽度(mm) | 厚度(mm) | C含量(％) | … | 平均终轧温度 | CDCM延伸率 |
| 1 | 858 | 0.362 | 0.33 | … | 901℃ | 0.868％ |
| 2 | 872 | 0.355 | 0.29 | … | 900℃ | 0.874％ |
| 3 | 732 | 0.345 | 0.25 | … | 890℃ | 0.868％ |
| 4 | 872 | 0.345 | 0.29 | … | 900℃ | 0.868％ |
| 5 | 872 | 0.386 | 0.44 | … | 901℃ | 0.863％ |
| 6 | 872 | 0.397 | 0.32 | … | 901℃ | 0.859％ |
步骤2：如图3所示，基于自适应多目标多因子差分进化算法，求解面向多钢卷的连退生产过程工艺参数优化设定问题模型：
步骤2.1：初始化相关参数：初始化迭代次数G＝0，设置最大迭代次数为Gmax；初始化第G次迭代中第m个变异算子的选择概率Pm,G＝1/M、成功次数sm,G＝0、失败次数fm,G＝0，m＝1,2,…,M，M为变异算子的总数。
本实施例中，M＝4个变异算子为DE/rand/1、DE/best/1、DE/current-to-best/1、DE/rand/2；
DE/rand/1产生扰动向量的方式为Vk＝Xr1+F×(Xr2–Xr3)；
DE/best/1产生扰动向量的方式为Vk＝Xbest+F×(Xr1–Xr2)；
DE/current-to-best/1产生扰动向量的方式为
DE/rand/2产生扰动向量的方式为Vk＝Xr1+F×(Xr2–Xr3)+F×(Xr4–Xr5)；
其中，Vk为扰动向量，F为扰动系数，
为目标向量，k∈{1,2,...,nK}，Xbest为当前种群中适应度最高的个体，Xr1、Xr2、Xr3、Xr4、Xr5为从当前种群中随机选择的5个个体，5个个体之间彼此不同且相异于目标个体
步骤2.2：初始化种群：
步骤2.2.1：将每个带钢的控制变量设定方案(xt,1,xt,2,...,xt,nx)t∈{1,2,…,K}均作为一个个体；
步骤2.2.2：为每个个体(xt,1,xt,2,...,xt,nx)中的每个元素在该元素的上下限范围内随机选取一个值生成一个初始个体，共得到K个初始个体；
步骤2.2.3：重复步骤2.2.2n次，得到nK个初始个体，形成第G代种群；
步骤2.2.4：为第G代种群中的每个个体随机分配一个技术因子；一个技术因子对应一个优化任务。
其中，种群由一系列个体(解)组成，每个个体均由一个14维向量表示，向量中的每个元素分别代表连退生产操作的一个控制变量，即每个个体均为连退机组的一组工艺参数(控制变量)设定方案。本实施例中，第G代种群中有nK＝100*6＝600个个体。
步骤2.3：按照各变异算子的选择概率和交配策略生成子代种群，具体如下：
步骤2.3.1：令k＝1；
步骤2.3.2：将第G代种群中的第k个个体
作为目标向量；其中，k∈{1,2,...,nK}；
步骤2.3.3：将各变异算子的选择概率做成轮盘：确定第m个变异算子的选择区间为[βm-1,βm]，m＝1,2,…,M；其中，β0＝0，βm＝βm-1+Pm,G，βM＝1；Pm,G表示第G代种群中第m个变异算子的选择概率。
步骤2.3.4：在[0,1]区间生成随机数rand1，对比rand1和各选择区间，找出rand1所在选择区间对应的变异算子作为执行算子；
步骤2.3.5：利用执行算子对个体
执行变异操作，生成第k个子代个体；
步骤2.3.6：若k≥nK，则nK个子代个体构成子代种群；若k＜nK，则令k＝k+1，转至步骤2.3.2。
本实施例中，所述步骤2.3.5包括下述步骤：
步骤2.3.5.1：根据执行算子所需要的父代个体个数r，从第G代种群中随机选取r个个体作为父代个体{p1,p2,…,pr}；
步骤2.3.5.2：在[0,1]区间生成随机数rand2；
步骤2.3.5.3：若父代个体{p1,p2,…,pr}的技术因子均等于目标向量
的技术因子或rand2<rmp，则采用执行算子，根据父代个体{p1,p2,…,pr}产生扰动向量Vk，根据DE的交叉算子，通过目标向量
和扰动向量Vk产生试探向量Uk＝(uk,1,uk,2,...,uk,j,...,uk,nx)，将试探向量Uk作为第k个子代个体；若父代个体{p1,p2,…,pr}的技术因子不均等于目标向量
的技术因子且rand2≥rmp，rmp表示在[0,1]内按照均匀分布产生的一个随机数，则对目标向量
采用polynomial变异算子产生第k个子代个体Uk；其中，rmp为变异概率，rmp＝0.9，
xk,j、vk,j分别为目标向量
扰动向量Vk的第j个元素，randj为[0,1]内的随机数，Cr为交叉概率，Cr为N(0.2,0.05)，jrand为从{1,2,...,j,...,14}中随机选取的数。
步骤2.4：更新子代种群中每个个体的技术因子，具体如下：
步骤2.4.1：令k＝1；
步骤2.4.2：若子代个体Uk不只有一个父代个体，则子代个体Uk随机继承子代个体Uk的一个父代个体的技术因子；若子代个体Uk只有一个父代个体，则子代个体Uk直接继承子代个体Uk对应的目标向量
的技术因子；
步骤2.4.3：若k≥nK，则进入步骤2.5；若k＜nK，则令k＝k+1，返回步骤2.4.2。
步骤2.5：第G代种群和子代种群组成联合种群，评价联合种群中的每个个体，留存适应度高的个体：
步骤2.5.1：计算联合种群中每个个体的适应度：计算联合种群{q1,q1,...,q2nK}中第a∈{1,2,...,2nK}个体qa的适应度为
其中，rt a为个体qa对优化任务Taskt的因子等级；根据联合种群中个体的技术因子在优化任务Taskt上的表现好坏对联合种群进行排序，得到第t个个体序列，个体qa在第t个个体序列中的序号即为个体qa对优化任务Taskt的因子等级，技术因子在优化任务Taskt上的表现好坏由多目标优化算法中个体间的支配关系判断；
步骤2.5.2：更新各变异算子的成功次数、失败次数：第G+1次迭代中第m个变异算子的成功次数
失败次数
其中，
为第m个变异算子所产生的子代个体中能够支配自身的任意一个父代个体的子代个体个数，
为第m个变异算子所产生的子代个体中不能够支配自身的任意一个父代个体的子代个体个数；本实施例中，算法采用列表的方式存储sm,G值和fm,G值，前l次迭代，这两个值是向列表里添加的，第l代开始，列表里每新增加当前的sm,G值和fm,G值，最初的sm,G值和fm,G值就被移除，以此更新列表；
步骤2.5.3：对联合种群中的个体按照适应度由大到小进行排序，留存前nK个个体构成第G+1代种群。
步骤2.6：令G＝G+1，若G＜Gmax，则更新各变异算子的选择概率，转至步骤2.3；若G≥Gmax，则进入步骤2.7。
本实施例中，更新各变异算子的选择概率，包括：若G≤l，则Pm,G＝1/M，m＝1,2,…,M；若G＞l，则
m＝1,2,…,M，ε、l均为预设的参数，ε＝0.01来避免成功率为零。
步骤2.7：将第G代种群提供给连退生产现场，在第G代种群中每个带钢对应的所有个体中选择出最优个体，用最优个体对应的控制变量设定方案来设定该带钢在连退生产过程中的控制变量。
算法的求解结果为多组Pareto解集，每组Pareto解集对应一个钢卷的连退生产过程最优工艺参数设定方案。本实施例中，对于每个带钢的一组Pareto解集，从中选择出该带钢最重视的优化目标的目标函数值最小的个体作为最优个体。如表2所示，为本实施例中各带钢的最优个体对应的控制变量设定方案，及根据该最优控制变量设定方案下进行生产的带钢质量、能源消耗、机组产能值。
表2
经过某大型钢铁企业冷轧厂连续退火生产的实际应用，本发明采用并行方式对多个钢卷的生产过程工艺参数进行同时优化，提高了优化设定的效率；此外，并行优化多个钢卷的参数设定，通过不同优化任务间的信息交流，使得优化效果相较于如下表3所示的以往串行优化技术的优化效果而言更好，进而为连退生产过程中工艺参数的优化设定提供参考依据，实现生产过程最优控制，提升企业经济效益。
表3
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。
Claims (8)
1.一种面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，包括下述步骤：
步骤1：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型；
步骤1.1：基于数据解析的方法，建立带钢质量在线预测模型；
步骤1.1.1：将带钢硬度作为衡量带钢质量的指标，带钢质量在线预测模型即为带钢硬度在线预测模型；
步骤1.1.2：构建训练样本集：在连退机组正常生产的工况下，采集一段时间内N个带钢的生产过程数据，构成训练样本集L；其中，所述生产过程数据包括带钢的环境参数数据、控制变量数据、带钢硬度数据；
步骤1.1.3：建立带钢硬度在线预测模型：以带钢的环境参数数据和控制变量数据为输入、带钢硬度为输出，基于最小二乘支持向量机构建带钢硬度在线预测模型，用训练样本集L对带钢硬度在线预测模型进行训练，得到训练后的带钢硬度在线预测模型为y＝LSSVR(E,X)；其中，E为带钢的环境参数数据，X为带钢的控制变量数据，y为根据环境参数数据E和控制变量数据X进行生产时获得的带钢硬度；
步骤1.2：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型为
其中，式(5)中，yt(Et,Xt)为根据环境参数数据Et和控制变量数据Xt进行生产时获得的第t个带钢的硬度,t＝1,2,…,K，K为调度层下达的所需加工的带钢总数；Et为第t个带钢的环境参数数据，Et＝(et,1,et,2,…,et,i,…,et,ne)T，et,i为第t个带钢的第i个环境参数，i＝1,2,…,ne，ne为环境参数总数，第1、2、…、ne个环境参数分别为带钢宽度、带钢厚度、碳含量、出炉温度、平均卷曲温度、硅含量、平均终轧温度、CDCM延伸率；Xt为第t个带钢的控制变量数据，Xt＝(xt,1,xt,2,…,xt,j,…,xt,nx)T，xt,j为第t个带钢的第j个控制变量，j＝1,2,…,nx，nx为控制变量总数，第1、2、…、nx个控制变量分别为中央段速度、加热炉平均温度、均热炉平均温度、缓冷炉平均温度、1#冷炉冷却气体温度、1#过实效炉平均温度、2#过实效炉1区平均温度、2#过实效炉2区平均温度、水淬炉水温、平整机入口张力、平整机中间张力、平整机出口张力、1#平整机轧制力、2#平整机轧制力；
Taskt为第t个优化任务，目标函数(t-1)为最小化第t个带钢的硬度yt(Et,Xt)与第t个带钢的合同的目标硬度yt,obj间的偏差，目标函数(t-2)为最小化第t个带钢的加热炉平均温度xt,2、均热炉平均温度xt,3之和，目标函数(t-3)为最小化第t个带钢的中央段速度xt,1的倒数；
式(4)中，lt,j、ut,j分别为第t个带钢的第j个控制变量的下限、上限；
步骤2：基于自适应多目标多因子差分进化算法，求解面向多钢卷的连退生产过程工艺参数优化设定问题模型；
步骤2.1：初始化相关参数：初始化迭代次数G＝0，设置最大迭代次数为Gmax；初始化第G次迭代中第m个变异算子的选择概率Pm,G＝1/M、成功次数sm,G＝0、失败次数fm,G＝0，m＝1,2,…,M，M为变异算子的总数；
步骤2.2：初始化种群：
步骤2.2.1：将每个带钢的控制变量设定方案(xt,1,xt,2,...,xt,nx)t∈{1,2,…,K}均作为一个个体；
步骤2.2.2：为每个个体(xt,1,xt,2,...,xt,nx)中的每个元素在该元素的上下限范围内随机选取一个值生成一个初始个体，共得到K个初始个体；
步骤2.2.3：重复步骤2.2.2n次，得到nK个初始个体，形成第G代种群；
步骤2.2.4：为第G代种群中的每个个体随机分配一个技术因子；一个技术因子对应一个优化任务；
步骤2.3：按照各变异算子的选择概率和交配策略生成子代种群；
步骤2.4：更新子代种群中每个个体的技术因子：
步骤2.5：第G代种群和子代种群组成联合种群，评价联合种群中的每个个体，留存适应度高的个体；
步骤2.5.1：计算联合种群中每个个体的适应度；
步骤2.5.2：更新各变异算子的成功次数、失败次数：第G+1次迭代中第m个变异算子的成功次数
失败次数
其中，
为第m个变异算子所产生的子代个体中能够支配自身的任意一个父代个体的子代个体个数，
为第m个变异算子所产生的子代个体中不能够支配自身的任意一个父代个体的子代个体个数；
步骤2.5.3：对联合种群中的个体按照适应度由大到小进行排序，留存前nK个个体构成第G+1代种群；
步骤2.6：令G＝G+1，若G＜Gmax，则更新各变异算子的选择概率，转至步骤2.3；若G≥Gmax，则进入步骤2.7；
步骤2.7：将第G代种群提供给连退生产现场，在第G代种群中每个带钢对应的所有个体中选择出最优个体，用最优个体对应的控制变量设定方案来设定该带钢在连退生产过程中的控制变量。
2.根据权利要求1所述的面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，所述步骤2.1中，M个变异算子为DE/rand/1、DE/best/1、DE/current-to-best/1、DE/rand/2；
DE/rand/1产生扰动向量的方式为Vk＝Xr1+F×(Xr2–Xr3)；
DE/best/1产生扰动向量的方式为Vk＝Xbest+F×(Xr1–Xr2)；
DE/current-to-best/1产生扰动向量的方式为
DE/rand/2产生扰动向量的方式为Vk＝Xr1+F×(Xr2–Xr3)+F×(Xr4–Xr5)；
其中，Vk为扰动向量，F为扰动系数，
为目标向量，k∈{1,2,...,nK}，Xbest为当前种群中适应度最高的个体，Xr1、Xr2、Xr3、Xr4、Xr5为从当前种群中随机选择的5个个体，5个个体之间彼此不同且相异于目标个体
3.根据权利要求2所述的面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，所述步骤2.3包括下述步骤：
步骤2.3.1：令k＝1；
步骤2.3.2：将第G代种群中的第k个个体
作为目标向量；其中，k∈{1,2,...,nK}；
步骤2.3.3：将各变异算子的选择概率做成轮盘：确定第m个变异算子的选择区间为[βm-1,βm]，m＝1,2,…,M；其中，β0＝0，βm＝βm-1+Pm,G，βM＝1；Pm,G表示第G代种群中第m个变异算子的选择概率；
步骤2.3.4：在[0,1]区间生成随机数rand1，对比rand1和各选择区间，找出rand1所在选择区间对应的变异算子作为执行算子；
步骤2.3.5：利用执行算子对个体
执行变异操作，生成第k个子代个体；
步骤2.3.6：若k≥nK，则nK个子代个体构成子代种群；若k＜nK，则令k＝k+1，转至步骤2.3.2。
4.根据权利要求3所述的面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，所述步骤2.3.5包括下述步骤：
步骤2.3.5.1：根据执行算子所需要的父代个体个数r，从第G代种群中随机选取r个个体作为父代个体{p1,p2,…,pr}；
步骤2.3.5.2：在[0,1]区间生成随机数rand2；
步骤2.3.5.3：若父代个体{p1,p2,…,pr}的技术因子均等于目标向量
的技术因子或rand2<rmp，则采用执行算子，根据父代个体{p1,p2,…,pr}产生扰动向量Vk，根据DE的交叉算子，通过目标向量
和扰动向量Vk产生试探向量Uk＝(uk,1,uk,2,...,uk,j,...,uk,nx)，将试探向量Uk作为第k个子代个体；若父代个体{p1,p2,…,pr}的技术因子不均等于目标向量
的技术因子且rand2≥rmp，rmp表示在[0,1]内按照均匀分布产生的一个随机数，则对目标向量
采用polynomial变异算子产生第k个子代个体Uk；其中，rmp为变异概率，
xk,j、vk,j分别为目标向量
扰动向量Vk的第j个元素，randj为[0,1]内的随机数，Cr为交叉概率，jrand为从{1,2,...,j,...,nx}中随机选取的数。
5.根据权利要求4所述的面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，所述步骤2.4包括下述步骤：
步骤2.4.1：令k＝1；
步骤2.4.2：若子代个体Uk不只有一个父代个体，则子代个体Uk随机继承子代个体Uk的一个父代个体的技术因子；若子代个体Uk只有一个父代个体，则子代个体Uk直接继承子代个体Uk对应的目标向量
的技术因子；
步骤2.4.3：若k≥nK，则进入步骤2.5；若k＜nK，则令k＝k+1，返回步骤2.4.2。
6.根据权利要求1所述的面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，所述步骤2.5.1中，计算联合种群中每个个体的适应度，包括：计算联合种群{q1,q1,...,q2nK}中第a∈{1,2,...,2nK}个体qa的适应度为
其中，
为个体qa对优化任务Taskt的因子等级；根据联合种群中个体的技术因子在优化任务Taskt上的表现好坏对联合种群进行排序，得到第t个个体序列，个体qa在第t个个体序列中的序号即为个体qa对优化任务Taskt的因子等级，技术因子在优化任务Taskt上的表现好坏由多目标优化算法中个体间的支配关系判断。
7.根据权利要求1所述的面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，所述步骤2.6中，更新各变异算子的选择概率，包括：若G≤l，则Pm,G＝1/M，m＝1,2,…,M；若G＞l，则
ε、l均为预设的参数，Pm,G表示第G代种群中第m个变异算子的选择概率。
8.根据权利要求1所述的面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，所述步骤2.7中，在第G代种群中每个带钢对应的所有个体中选择出最优个体，包括：在第G代种群中每个带钢对应的所有个体中选择出该带钢最重视的优化目标的目标函数值最小的个体作为最优个体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911240174.4A CN110989522B (zh) | 2019-12-06 | 2019-12-06 | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911240174.4A CN110989522B (zh) | 2019-12-06 | 2019-12-06 | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110989522A CN110989522A (zh) | 2020-04-10 |
| CN110989522B true CN110989522B (zh) | 2022-09-09 |
Family
ID=70090578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911240174.4A Active CN110989522B (zh) | 2019-12-06 | 2019-12-06 | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110989522B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668117A (zh) * | 2020-12-28 | 2021-04-16 | 上海康恒环境股份有限公司 | 一种垃圾焚烧炉一次风母管的设计方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0350173A1 (en) * | 1988-07-05 | 1990-01-10 | Thomas A. Sellitto | Method and apparatus for continuous annealing |
| WO2004018715A2 (de) * | 2002-08-20 | 2004-03-04 | C.D. Wälzholz Produktionsgesellschaft mbH | Verfahren und vorrichtung zur durchlaufvergütung von bandstahl sowie entsprechend hergestellter bandstahl |
| CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
| CN102260781A (zh) * | 2010-05-24 | 2011-11-30 | 上海宝钢工业检测公司 | 连退机组带钢延伸率和平整工艺状态在线预警方法 |
| CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
| CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
| CN104714519A (zh) * | 2014-12-30 | 2015-06-17 | 东北大学 | 一种连续退火机组生产过程工艺参数设定与在线优化方法 |
| CN104766130A (zh) * | 2014-12-31 | 2015-07-08 | 中冶南方工程技术有限公司 | 一种多卷冷轧酸洗带钢优化生产排序的方法 |
| CN106244773A (zh) * | 2016-08-30 | 2016-12-21 | 国家电网公司 | 一种p92钢回火硬度的预测方法 |
| CN108330255A (zh) * | 2018-03-05 | 2018-07-27 | 南京理工大学 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
-
2019
- 2019-12-06 CN CN201911240174.4A patent/CN110989522B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0350173A1 (en) * | 1988-07-05 | 1990-01-10 | Thomas A. Sellitto | Method and apparatus for continuous annealing |
| WO2004018715A2 (de) * | 2002-08-20 | 2004-03-04 | C.D. Wälzholz Produktionsgesellschaft mbH | Verfahren und vorrichtung zur durchlaufvergütung von bandstahl sowie entsprechend hergestellter bandstahl |
| CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
| CN102260781A (zh) * | 2010-05-24 | 2011-11-30 | 上海宝钢工业检测公司 | 连退机组带钢延伸率和平整工艺状态在线预警方法 |
| CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
| CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
| CN104714519A (zh) * | 2014-12-30 | 2015-06-17 | 东北大学 | 一种连续退火机组生产过程工艺参数设定与在线优化方法 |
| CN104766130A (zh) * | 2014-12-31 | 2015-07-08 | 中冶南方工程技术有限公司 | 一种多卷冷轧酸洗带钢优化生产排序的方法 |
| CN106244773A (zh) * | 2016-08-30 | 2016-12-21 | 国家电网公司 | 一种p92钢回火硬度的预测方法 |
| CN108330255A (zh) * | 2018-03-05 | 2018-07-27 | 南京理工大学 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| Optimization of spheroidized annealing process parameters on AISI 10B21 steel wire using Taguchi approach;Chih-Cheng Yang;《2017 International Conference on Applied System Innovation (ICASI)》;20170517;全文 * |
| 考虑安全约束的连退生产过程多目标操作优化;王显鹏;《控制与决策》;20181231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110989522A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
| Ji et al. | A machine learning and genetic algorithm-based method for predicting width deviation of hot-rolled strip in steel production systems | |
| CN106119458B (zh) | 基于bp神经网络的转炉炼钢工艺成本控制方法及系统 | |
| CN108845501B (zh) | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 | |
| CN114021290A (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 | |
| US20220100932A1 (en) | Design support method for metal material, prediction model generation method, metal material production method, and design support apparatus | |
| CN111241750A (zh) | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 | |
| CN103886371A (zh) | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 | |
| CN110989522B (zh) | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 | |
| CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
| CN108062583A (zh) | 一种面向节能减排的加热炉工艺参数寻优方法 | |
| CN103146905A (zh) | 一种基于钢坯优化加热曲线的加热炉炉温决策方法 | |
| CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
| CN104714519B (zh) | 一种连续退火机组生产过程工艺参数设定与在线优化方法 | |
| Yan et al. | IMOEA/D to optimize job release problem for a reentrant hybrid flow shop | |
| Zhang et al. | Multiobjective operation optimization of continuous annealing based on data analytics | |
| CN111411215A (zh) | 一种多钢坯对象的炉温综合决策方法 | |
| CN109086469B (zh) | 基于递归神经网络与偏好信息的铝电解建模与优化方法 | |
| CN116245245A (zh) | 一种基于协同进化算法的分布式阻塞流水车间调度优化系统 | |
| CN115907399A (zh) | 一种面向电子产品的离散制造柔性生产的智能调度方法 | |
| Altamirano-Guerrero et al. | Intelligent design in continuous galvanizing process for advanced ultra-high-strength dual-phase steels using back-propagation artificial neural networks and MOAMP-Squirrels search algorithm | |
| CN110728031B (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
| CN104766130B (zh) | 一种多卷冷轧酸洗带钢优化生产排序的方法 | |
| CN113361713A (zh) | 一种基于自适应的轧机产线轧制力控制方法 | |
| CN111861041A (zh) | 一种预测Nb微合金钢动态再结晶型流变应力的方法 |
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 |