CN111209967A - 一种基于支持向量机的轧制过程板凸度预测方法 - Google Patents

一种基于支持向量机的轧制过程板凸度预测方法 Download PDF

Info

Publication number
CN111209967A
CN111209967A CN202010018244.8A CN202010018244A CN111209967A CN 111209967 A CN111209967 A CN 111209967A CN 202010018244 A CN202010018244 A CN 202010018244A CN 111209967 A CN111209967 A CN 111209967A
Authority
CN
China
Prior art keywords
data
prediction
convexity
rolling process
svm
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
CN202010018244.8A
Other languages
English (en)
Inventor
姬亚锋
宋乐宝
李华英
牛晶
�原浩
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.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
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 Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN202010018244.8A priority Critical patent/CN111209967A/zh
Publication of CN111209967A publication Critical patent/CN111209967A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • B21B38/02—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring flatness or profile of strips
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于板型预测方法技术领域，具体涉及一种基于支持向量机的轧制过程板凸度预测方法，包括下列步骤：S1、利用高精度监测装置收集现场数据；S2、对采集的数据进行预处理；S3、建立CS‑SVM训练模型；S4、CS‑SVM网络回归预测。本发明利用CS算法结合SVM预测板凸度，具有参数少、操作简单、易实现、随机搜索路径、寻优能力强、可收敛于全局最优等优点，克服了热轧生产过程中参数检测困难精度差的缺陷，结果显示98.11％的预测凸度绝对误差小于4.5μm，不仅预测精度高，而且运算速度快，利用现场采集的大量生产数据通过直接在计算机上编程，即可实现投入使用，成本较低廉，推广能力较强。本发明用于轧制过程中板凸度的预测。

Description

一种基于支持向量机的轧制过程板凸度预测方法
技术领域
本发明属于板型预测方法技术领域，具体涉及一种基于支持向量机的轧制过程板凸度预测方法。
背景技术
板形是指板带材的外貌形状，是板带产品质量的指标之一。板形实际上包含带钢截面几何形状和自然状态下板带材平直度两方面，因此要定量描述板形就涉及到凸度、楔形、边部减弱、局部高点和平坦度等多项指标，其中板凸度是描述和衡量热轧板形的主要因素。随着对板形质量要求的日渐提高，一般的板形控制方法，已经很难满足其要求，因而造成巨大的经济损失。此外，在板带材的轧制过程中，凸度测量仪一般安装在精轧机组末机架出口侧3～5米处的位置，相对于轧制过程，凸度测量值的获取存在明显的时间滞后，严重影响了控制效果。因此，根据生产过程数据对带钢出口凸度提前进行准确预报，对于实现带钢板凸度的精准控制具有非常重要的意义。
发明内容
针对上述凸度测量值的获取存在明显的时间滞后技术问题，本发明提供了一种参数少、操作简单、易实现、随机搜索路径、寻优能力强、可收敛于全局最优的基于支持向量机的轧制过程板凸度预测方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于支持向量机的轧制过程板凸度预测方法，包括下列步骤：
S1、利用高精度监测装置收集现场数据；
S2、对采集的数据进行预处理；
S3、建立CS-SVM训练模型；
S4、CS-SVM网络回归预测。
所述S1中收集的现场数据包括：生产时间、卷钢号、F1～F7机架的轧制力、F1～F7机架轧制速度、F1～F7机架弯辊力、F1～F7机架辊缝值、F1～F7机架的窜辊量、轧后宽度、轧后厚度、轧后凸度、入口及出口温度。
所述S2中对采集的数据进行预处理的方法为：包括下列步骤：
S2.1、计算各生产数据的平均值和标准差
Figure BDA0002359750160000021
Figure BDA0002359750160000022
所述
Figure BDA0002359750160000023
为生产数据的平均值，Sx为生产数据的标准差，n为生产数据的个数，xi为第i个生产数据；
S2.2、对数据进行标准化变换，计算标准化变换后矩阵的相关系数矩阵
Figure BDA0002359750160000024
Figure BDA0002359750160000025
所述n为生产数据的个数，i、j分别为数据x所在的行数和列数，Sx为标准差，X0为原始数据矩阵标准化后的标准化矩阵；
S2.3、对相关系数矩阵进行特征值分解，求取主成分，计算主成分分析的特征值λ、各成分方差贡献率及累积方差贡献率，选出贡献率高的h个主成分使总累积贡献率CPV大于90％，从而确定主成分数为h；
S2.4、计算原始数据和新数据的SPE统计量，计算显著性水平在α＝0.05时SPE统计量的控制限；
S2.5、绘制出SPE控制图，根据异常数据点相应的主元贡献图分析其产生异常的原因，剔除异常点；
S2.6、对剔除异常点的数据进行平滑处理，采用五点三次平滑发对数据进行平滑处理，具体公式如下：
Figure BDA0002359750160000031
所述yn为第n个剔除异常值后的生产数据，
Figure BDA0002359750160000032
为yn平滑后的值。
所述S2.4中计算控制限的方法为：对于第i个样本点的平方预测误差为：
Figure BDA0002359750160000033
计算显著性水平在α＝0.05时SPE统计量的控制限：
Figure BDA0002359750160000034
所述xij为第i个样本第j个变量的观测值，
Figure BDA0002359750160000035
为第i个样本第j个变量的主成分模型的预测值，L为主方向矩阵，L＝[l1,l2,…,lh]，I为单位向量，
Figure BDA0002359750160000036
Figure BDA0002359750160000037
为Xn×p的协方差矩阵的第j个特征值的i次幂，uα为正态分布在显著水平为α下的临界值，h为模型中所保留的主成分个数，p为变量个数。
所述S3中建立CS-SVM训练模型的方法为：
S3.1、对平滑后的数据进行归一化处理，采用的归一化映射如下：
Figure BDA0002359750160000041
所述x,y∈Rn,xmin＝min(x),xmax＝max(x)，归一化的效果是原始数据被规整到[0，1]范围内，消除量纲的影响；
S3.2、利用CS算法确定模型参数；
S3.3、建立CS-SVM训练模型。
所述S3.2中利用CS算法确定模型参数的方法为：
S3.2.1、设定time＝20，巢穴数量m＝20，被宿主发现的概率p＝0.25，需要寻优的参数个数dim＝2，设置参数下界Lb＝[0.01，0.01]，设置参数上界Ub＝[100,100]；
S3.2.2、初始化参数：随机初始化巢穴，遍历每个巢穴，对每个巢穴随机初始化参数，目标函数值初始化，找出当前最佳巢穴和参数；
S3.2.3、迭代寻优：保留当前最优解，寻找新巢穴，找出当前最佳巢穴和参数，发现并更新劣质巢穴，找出当前最佳巢穴和参数；
S3.2.4、打印参数选择结果bsetc，bestg。
所述S3.3中建立CS-SVM训练模型的方法为：利用回归预测分析最佳的参数进行SVM训练，导入训练集数据进行训练，建立CS-SVM训练模型。
所述S4中CS-SVM网络回归预测的方法为：利用建立CS-SVM训练模型借助Libsvm工具箱中svmtrain、svmpredict函数通过Matlab平台对测试集数据进行预测，导入测试集数据进行预测，输出CS-SVM预测结果。
本发明与现有技术相比，具有的有益效果是：
本发明利用CS算法结合SVM预测板凸度，具有参数少、操作简单、易实现、随机搜索路径、寻优能力强、可收敛于全局最优等优点，克服了热轧生产过程中参数检测困难精度差的缺陷，不仅精度高，而且运算速度快，利用现场采集的大量生产数据通过直接在计算机上编程，即可实现投入使用，成本较低廉，推广能力较强。
附图说明
图1为本发明的工作流程图；
图2为本发明热连轧七机架生产线结构示意图；
图3为本发明CS算法流程图；
图4为本发明SPE控制图；
图5为本发明板凸度预测效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于支持向量机的轧制过程板凸度预测方法，如图1所示，包括下列步骤：
S1、如图2所示，热连轧七机架生产线中的辊轧带动板依次通过粗轧机1、飞剪2、精轧机3、层流冷却机4、卷取机5，收集大量现场数据，数据包括生产时间、卷钢号、F1～F7机架的轧制力、F1～F7机架轧制速度、F1～F7机架弯辊力、F1～F7机架辊缝值、F1～F7机架的窜辊量、轧后宽度、轧后厚度、轧后凸度、入口及出口温度。
S2、对采集的数据进行预处理。
S2.1、计算各生产数据的平均值和标准差
Figure BDA0002359750160000061
Figure BDA0002359750160000062
其中
Figure BDA0002359750160000063
为生产数据的平均值，Sx为生产数据的标准差，n为生产数据的个数，xi为第i个生产数据；
S2.2、对数据进行标准化变换，计算标准化变换后矩阵的相关系数矩阵
Figure BDA0002359750160000064
Figure BDA0002359750160000065
其中n为生产数据的个数，i、j分别为数据x所在的行数和列数，Sx为标准差，X0为原始数据矩阵标准化后的标准化矩阵；
S2.3、对相关系数矩阵进行特征值分解，求取主成分，计算主成分分析的特征值λ、各成分方差贡献率及累积方差贡献率，选出贡献率高的h个主成分使总累积贡献率CPV大于90％，从而确定主成分数为h；
S2.4、计算原始数据和新数据的SPE统计量，计算显著性水平在α＝0.05时SPE统计量的控制限，对于第i个样本点的平方预测误差为：
Figure BDA0002359750160000066
计算显著性水平在α＝0.05时SPE统计量的控制限：
Figure BDA0002359750160000067
其中xij为第i个样本第j个变量的观测值，
Figure BDA0002359750160000068
为第i个样本第j个变量的主成分模型的预测值，L为主方向矩阵，L＝[l1,l2,…,lh]，I为单位向量，
Figure BDA0002359750160000069
Figure BDA00023597501600000610
为Xn×p的协方差矩阵的第j个特征值的i次幂，uα为正态分布在显著水平为α下的临界值，h为模型中所保留的主成分个数，p为变量个数。
S2.5、绘制出SPE控制图，根据异常数据点相应的主元贡献图分析其产生异常的原因，剔除异常点；
S2.6、对剔除异常点的数据进行平滑处理，采用五点三次平滑发对数据进行平滑处理，具体公式如下：
Figure BDA0002359750160000071
其中yn为第n个剔除异常值后的生产数据，
Figure BDA0002359750160000072
为yn平滑后的值。
S3、建立CS-SVM训练模型。
S3.1、对平滑后的数据进行归一化处理，采用的归一化映射如下：
Figure BDA0002359750160000073
其中x,y∈Rn,xmin＝min(x),xmax＝max(x)，归一化的效果是原始数据被规整到[0，1]范围内，消除量纲的影响；
S3.2、SVM模型参数选择。
S3.2.1、SVM用于模式识别或回归问题有多种模型可供选择，本文采用epslion-SVR模型；
S3.2.2、选择核函数k；
S3.2.3、选择高斯核函数(径向基核函数)：
Figure BDA0002359750160000081
其中，σ为大于0的常数。
S3.2.4、参数p取默认值，即p＝0.1；
S3.2.5、惩罚参数c，核函数参数g的选择采用CS优化算法，算法流程图如图3所示。
S3.3、利用CS算法确定模型参数。
S3.3.1、设定time＝20，巢穴数量m＝20，被宿主发现的概率p＝0.25，需要寻优的参数个数dim＝2，设置参数下界Lb＝[0.01，0.01]，设置参数上界Ub＝[100,100]；
S3.3.2、初始化参数：随机初始化巢穴，遍历每个巢穴，对每个巢穴随机初始化参数，目标函数值初始化，找出当前最佳巢穴和参数；
S3.3.3、迭代寻优：保留当前最优解，寻找新巢穴，找出当前最佳巢穴和参数，发现并更新劣质巢穴，找出当前最佳巢穴和参数；
S3.3.4、打印参数选择结果bsetc，bestg。
S3.3、利用回归预测分析最佳的参数进行SVM训练，导入训练集数据进行训练，建立CS-SVM训练模型。
S4、利用建立CS-SVM训练模型借助Libsvm工具箱中svmtrain、svmpredict函数通过Matlab平台对测试集数据进行预测，导入测试集数据进行预测，输出CS-SVM预测结果。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：包括下列步骤：
S1、利用高精度监测装置收集现场数据；
S2、对采集的数据进行预处理；
S3、建立CS-SVM训练模型；
S4、CS-SVM网络回归预测。
2.根据权利要求1所述的一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：所述S1中收集的现场数据包括：生产时间、卷钢号、F1～F7机架的轧制力、F1～F7机架轧制速度、F1～F7机架弯辊力、F1～F7机架辊缝值、F1～F7机架的窜辊量、轧后宽度、轧后厚度、轧后凸度、入口及出口温度。
3.根据权利要求1所述的一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：所述S2中对采集的数据进行预处理的方法为：包括下列步骤：
S2.1、计算各生产数据的平均值和标准差
Figure FDA0002359750150000011
Figure FDA0002359750150000012
所述
Figure FDA0002359750150000013
为生产数据的平均值，Sx为生产数据的标准差，n为生产数据的个数，xi为第i个生产数据；
S2.2、对数据进行标准化变换，计算标准化变换后矩阵的相关系数矩阵
Figure FDA0002359750150000014
Figure FDA0002359750150000015
所述n为生产数据的个数，i、j分别为数据x所在的行数和列数，Sx为标准差，X0为原始数据矩阵标准化后的标准化矩阵；
S2.3、对相关系数矩阵进行特征值分解，求取主成分，计算主成分分析的特征值λ、各成分方差贡献率及累积方差贡献率，选出贡献率高的h个主成分使总累积贡献率CPV大于90％，从而确定主成分数为h；
S2.4、计算原始数据和新数据的SPE统计量，计算显著性水平在α＝0.05时SPE统计量的控制限；
S2.5、绘制出SPE控制图，根据异常数据点相应的主元贡献图分析其产生异常的原因，剔除异常点；
S2.6、对剔除异常点的数据进行平滑处理，采用五点三次平滑发对数据进行平滑处理，具体公式如下：
Figure FDA0002359750150000021
所述yn为第n个剔除异常值后的生产数据，
Figure FDA0002359750150000022
为yn平滑后的值。
4.根据权利要求3所述的一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：所述S2.4中计算控制限的方法为：对于第i个样本点的平方预测误差为：
Figure FDA0002359750150000023
计算显著性水平在α＝0.05时SPE统计量的控制限：
Figure FDA0002359750150000031
所述xij为第i个样本第j个变量的观测值，
Figure FDA0002359750150000032
为第i个样本第j个变量的主成分模型的预测值，L为主方向矩阵，L＝[l1,l2,…,lh]，I为单位向量，
Figure FDA0002359750150000033
Figure FDA0002359750150000034
为Xn×p的协方差矩阵的第j个特征值的i次幂，uα为正态分布在显著水平为α下的临界值，h为模型中所保留的主成分个数，p为变量个数。
5.根据权利要求1所述的一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：所述S3中建立CS-SVM训练模型的方法为：
S3.1、对平滑后的数据进行归一化处理，采用的归一化映射如下：
f:
Figure FDA0002359750150000035
所述x,y∈Rn,xmin＝min(x),xmax＝max(x)；
S3.2、利用CS算法确定模型参数；
S3.3、建立CS-SVM训练模型。
6.根据权利要求5所述的一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：所述S3.2中利用CS算法确定模型参数的方法为：
S3.2.1、设定time＝20，巢穴数量m＝20，被宿主发现的概率p＝0.25，需要寻优的参数个数dim＝2，设置参数下界Lb＝[0.01，0.01]，设置参数上界Ub＝[100,100]；
S3.2.2、初始化参数：随机初始化巢穴，遍历每个巢穴，对每个巢穴随机初始化参数，目标函数值初始化，找出当前最佳巢穴和参数；
S3.2.3、迭代寻优：保留当前最优解，寻找新巢穴，找出当前最佳巢穴和参数，发现并更新劣质巢穴，找出当前最佳巢穴和参数；
S3.2.4、打印参数选择结果bsetc，bestg。
7.根据权利要求5所述的一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：所述S3.3中建立CS-SVM训练模型的方法为：利用回归预测分析最佳的参数进行SVM训练，导入训练集数据进行训练，建立CS-SVM训练模型。
8.根据权利要求1所述的一种基于支持向量机的轧制过程板凸度预测方法，其特征在于：所述S4中CS-SVM网络回归预测的方法为：利用建立CS-SVM训练模型借助Libsvm工具箱中svmtrain、svmpredict函数通过Matlab平台对测试集数据进行预测，导入测试集数据进行预测，输出CS-SVM预测结果。
CN202010018244.8A 2020-01-08 2020-01-08 一种基于支持向量机的轧制过程板凸度预测方法 Pending CN111209967A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010018244.8A CN111209967A (zh) 2020-01-08 2020-01-08 一种基于支持向量机的轧制过程板凸度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010018244.8A CN111209967A (zh) 2020-01-08 2020-01-08 一种基于支持向量机的轧制过程板凸度预测方法

Publications (1)

Publication Number Publication Date
CN111209967A true CN111209967A (zh) 2020-05-29

Family

ID=70789571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010018244.8A Pending CN111209967A (zh) 2020-01-08 2020-01-08 一种基于支持向量机的轧制过程板凸度预测方法

Country Status (1)

Country Link
CN (1) CN111209967A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112170501A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种轧辊磨损凸度和热凸度的预测方法
CN112439794A (zh) * 2020-12-04 2021-03-05 东北大学 一种基于lstm的热轧弯辊力预测方法
CN112749505A (zh) * 2020-12-16 2021-05-04 太原科技大学 一种机理融合数据的热轧带钢截面形状预测方法
CN112974521A (zh) * 2021-02-08 2021-06-18 太原科技大学 一种求解铝合金厚板在同速异径蛇形轧制下曲率的方法
CN115062431A (zh) * 2022-06-27 2022-09-16 东北大学秦皇岛分校 一种基于CS-Elman神经网络模型的热轧板凸度预测方法
CN115591947A (zh) * 2022-12-15 2023-01-13 太原科技大学（Cn） 一种连轧过程板带质量分布式调控方法
CN116803561A (zh) * 2023-08-23 2023-09-26 太原科技大学 一种拟高斯分布的板凸度测量方法
CN117655118A (zh) * 2024-01-29 2024-03-08 太原科技大学 多模融合的带钢板形控制方法和装置
CN117968992A (zh) * 2024-04-01 2024-05-03 泰富特钢悬架(济南)有限公司 一种钢板弹簧用钢板弹性检测装置
CN115062431B (zh) * 2022-06-27 2024-05-31 东北大学秦皇岛分校 一种基于CS-Elman神经网络模型的热轧板凸度预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008043967A (ja) * 2006-08-11 2008-02-28 Kobe Steel Ltd 熱間圧延における板形状の制御方法
CN104511482A (zh) * 2013-09-26 2015-04-15 宝山钢铁股份有限公司 一种热轧带钢凸度控制方法
CN107377634A (zh) * 2017-07-19 2017-11-24 东北大学 一种热轧带钢出口凸度预报方法
CN107784353A (zh) * 2016-08-29 2018-03-09 普天信息技术有限公司 一种基于布谷鸟搜索算法的函数优化方法
CN108637020A (zh) * 2018-05-09 2018-10-12 北京科技大学 一种自适应变异pso-bp神经网络带钢凸度预测方法
CN109558677A (zh) * 2018-11-29 2019-04-02 东北大学 一种基于数据驱动的热轧板凸度预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008043967A (ja) * 2006-08-11 2008-02-28 Kobe Steel Ltd 熱間圧延における板形状の制御方法
CN104511482A (zh) * 2013-09-26 2015-04-15 宝山钢铁股份有限公司 一种热轧带钢凸度控制方法
CN107784353A (zh) * 2016-08-29 2018-03-09 普天信息技术有限公司 一种基于布谷鸟搜索算法的函数优化方法
CN107377634A (zh) * 2017-07-19 2017-11-24 东北大学 一种热轧带钢出口凸度预报方法
CN108637020A (zh) * 2018-05-09 2018-10-12 北京科技大学 一种自适应变异pso-bp神经网络带钢凸度预测方法
CN109558677A (zh) * 2018-11-29 2019-04-02 东北大学 一种基于数据驱动的热轧板凸度预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WANG ZHEN-HUA等: "A new predictive model for strip crown in hot rolling by using the hybrid AMPSO-SVR-based approach", 《STEEL RESEARCH INTERNATIONAL》 *
张铭钧等: "《水下机器人故障诊断理论与技术》", 31 January 2017, 哈尔滨工程大学出版社 *
陈伟明: "基于布谷鸟算法的铝热连轧轧制规程优化", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *
高玉峰: "轧制过程中先进控制理论与应用研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112170501A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种轧辊磨损凸度和热凸度的预测方法
CN112439794A (zh) * 2020-12-04 2021-03-05 东北大学 一种基于lstm的热轧弯辊力预测方法
CN112749505B (zh) * 2020-12-16 2023-10-24 太原科技大学 一种机理融合数据的热轧带钢截面形状预测方法
CN112749505A (zh) * 2020-12-16 2021-05-04 太原科技大学 一种机理融合数据的热轧带钢截面形状预测方法
CN112974521A (zh) * 2021-02-08 2021-06-18 太原科技大学 一种求解铝合金厚板在同速异径蛇形轧制下曲率的方法
CN112974521B (zh) * 2021-02-08 2022-08-16 太原科技大学 一种求解铝合金厚板在同速异径蛇形轧制下曲率的方法
CN115062431A (zh) * 2022-06-27 2022-09-16 东北大学秦皇岛分校 一种基于CS-Elman神经网络模型的热轧板凸度预测方法
CN115062431B (zh) * 2022-06-27 2024-05-31 东北大学秦皇岛分校 一种基于CS-Elman神经网络模型的热轧板凸度预测方法
CN115591947A (zh) * 2022-12-15 2023-01-13 太原科技大学（Cn） 一种连轧过程板带质量分布式调控方法
CN116803561B (zh) * 2023-08-23 2023-10-27 太原科技大学 一种拟高斯分布的板凸度测量方法
CN116803561A (zh) * 2023-08-23 2023-09-26 太原科技大学 一种拟高斯分布的板凸度测量方法
CN117655118A (zh) * 2024-01-29 2024-03-08 太原科技大学 多模融合的带钢板形控制方法和装置
CN117655118B (zh) * 2024-01-29 2024-04-19 太原科技大学 多模融合的带钢板形控制方法和装置
CN117968992A (zh) * 2024-04-01 2024-05-03 泰富特钢悬架(济南)有限公司 一种钢板弹簧用钢板弹性检测装置
CN117968992B (zh) * 2024-04-01 2024-06-04 泰富特钢悬架(济南)有限公司 一种钢板弹簧用钢板弹性检测装置

Similar Documents

Publication Publication Date Title
CN111209967A (zh) 一种基于支持向量机的轧制过程板凸度预测方法
CN111241657B (zh) 一种基于深度学习的冷轧带钢板形预测方法
CN107377634B (zh) 一种热轧带钢出口凸度预报方法
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN111250548B (zh) 一种基于核偏最小二乘结合支持向量机的板凸度预测方法
CN109675935B (zh) 一种变控制限的ipca轧制过程在线故障诊断方法
CN112100745B (zh) 基于lda理论的汽车大梁钢力学性能预测方法
CN109409425B (zh) 一种基于近邻成分分析的故障类型识别方法
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
CN114077876B (zh) 一种带钢热连轧多模态过程监测方法及装置
CN112287550B (zh) 基于主成分分析控制器的带钢头部厚差过程参数优化方法
CN105868164A (zh) 一种基于有监督的线性动态系统模型的软测量建模方法
CN115815345A (zh) 预测全流程热轧带钢力学性能的机理协同预报方法及系统
CN108470699B (zh) 一种半导体制造设备和工艺的智能控制系统
CN117131767A (zh) 基于随机森林算法预测热轧四辊轧机工作辊热凸度的方法
CN109960146A (zh) 提高软测量仪表模型预测精度的方法
CN116213095A (zh) 一种基于重介质分选的精煤产品灰分智能调节方法及系统
CN113780852B (zh) 一种板带轧制过程质量缺陷的诊断方法
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法
CN113926865B (zh) 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质
CN110673470B (zh) 基于局部加权因子模型的工业非平稳过程软测量建模方法
CN104537449B (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
CN116028783B (zh) 基于过程数据的带钢热连轧微小故障实时检测方法及装置
CN111967489A (zh) 一种基于质量数据流形特征的制造过程异常监测方法
CN116904673B (zh) 一种基于平稳特征提取的高炉异常炉况检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200529