CN111222627A - 一种镀层控制的气刀距离数据驱动预测方法 - Google Patents
一种镀层控制的气刀距离数据驱动预测方法 Download PDFInfo
- Publication number
- CN111222627A CN111222627A CN201911127634.2A CN201911127634A CN111222627A CN 111222627 A CN111222627 A CN 111222627A CN 201911127634 A CN201911127634 A CN 201911127634A CN 111222627 A CN111222627 A CN 111222627A
- Authority
- CN
- China
- Prior art keywords
- neural network
- individuals
- individual
- hidden
- population
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C2/00—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor
- C23C2/04—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor characterised by the coating material
- C23C2/06—Zinc or cadmium or alloys based thereon
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C2/00—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor
- C23C2/14—Removing excess of molten coatings; Controlling or regulating the coating thickness
- C23C2/16—Removing excess of molten coatings; Controlling or regulating the coating thickness using fluids under pressure, e.g. air knives
- C23C2/18—Removing excess of molten coatings from elongated material
- C23C2/20—Strips; Plates
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Feedback Control In General (AREA)
Abstract
一种镀层控制的气刀距离数据驱动预测方法,采集带钢的生产数据,包括:目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度;建立三层神经网络模型,并选取单隐层神经网络隐含层和输出层的传递函数;采用遍历方法确定隐层神经网络的训练函数;采用快速非支配排序遗传算法对隐层神经网络模型进行优化;利用神经网络结合快速非支配排序遗传算法来预测气刀距离,克服了在镀层厚度控制过程中参数检测困难、精度差、以及滞后大的缺陷,不仅控制精度高,而且运算速度快。本发明利用大量的生产过程数据通过直接在计算机上编程,即可实现投入使用,成本十分低廉。
Description
技术领域
本发明涉及汽车的冷轧热镀锌过程镀层控制技术领域,特别涉及一种镀层控制的气刀距离数据驱动预测方法。
背景技术
气刀距带钢的距离调整是热镀锌控制镀层厚度的主要手段之一,它对气体压力的分布影响也较大。气刀距带钢的距离越精确则对镀层的稳定控制越有利。目前,现有的实际生产操作中,是由操作人员来进行手动操作,由于操作经验的不同,经常会出现操作气刀距离偏差过大,这使得在带钢板形差或焊缝通过时,带钢极易刮蹭到刀唇,从而造成板带划痕或气刀堵塞,进而影响镀层质量。另外,在动态变规格时,镀锌前后带钢的目标镀层厚度变化较大,气刀距离预设定的精确性,直接决定后续镀层厚度的控制精度,如果预设偏差较大,甚至会导致镀层厚度无法稳定控制的严重问题。所以,气刀距离控制的好与坏对镀层厚度的控制精度影响很大。
专利CN201610115522.5涉及一种连续热镀锌气刀刀距自动控制方法,该专利通过采用气刀距离预设定控制、气刀距离前馈控制和气刀距离反馈控制的综合控制方法,实现热镀锌过程中气刀距离的自动控制,但未涉及数据驱动的刀距预设定计算方法。专利CN201810446630.X涉及一种冷轧热镀锌钢板横向镀层均匀性控制方法,属于镀层均匀性技术领域,并未涉及变规格的刀距设定方法。
如上所述,随着用户对于产品质量的要求日益提高,传统的机理方法已经很难有较大的进步与改善。本发明针对热镀锌在动态变规格时,目标镀层厚度变化较大的情况下,应用数据驱动的方法来实现气刀距离调整的精准预测,进而避免因气刀距离不准确而无法实现镀层自动控制的问题。
发明内容
为了解决背景技术中所述问题,本发明提供一种镀层控制的气刀距离数据驱动预测方法,可以加快增量式运动结构恢复算法的计算效率,并提高生成点云模型的质量。
为了达到上述目的,本发明采用以下技术方案实现:
一种镀层控制的气刀距离数据驱动预测方法,包括以下步骤:
步骤1:采集带钢的生产数据,包括:目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度;
步骤2:对采集到的生产数据进行预处理,包括:计算各生产数据的平均值和标准差、对生产数据的异常值进行剔除、对剔除异常值后的生产数据进行平滑处理、对平滑处理后的生产数据进行归一化处理;
步骤3:建立三层神经网络模型,包括:采用经验公式计算经验值,然后在经验值±20%的区间内进行遍历搜索,获得隐含层神经元节点数n;遍历搜索0.1~0.5,确定隐层神经网络学习率lr;组合purelin、logsig和tansig传递函数,产生6种组合,并选取单隐层神经网络隐含层和输出层的传递函数;采用遍历方法确定隐层神经网络的训练函数;
步骤4:采用快速非支配排序遗传算法对隐层神经网络模型进行优化;
1)设置最大进化代数Emax,并令当前进化代数E=1;
2)根据训练函数对隐层神经网络模型进行训练,再将预处理后的生产数据输入到训练后的隐层神经网络模型中,进行预测并输出预测结果;
3)计算隐层神经网络模型的训练误差;
4)采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串;
5)随机产生一个由n个个体组成的种群,由该种群代表可能解的集合;
6)对种群中的每个个体i进行快速非支配排序,判断种群中两个个体的非支配排序是否相同,若相同,则取拥挤度较小的个体,继续步骤7),若不同,则取非支配序级别较小的个体,继续步骤7);
7)将所选取的个体组成为新的种群,并进行遗传操作,包括:选择操作、交叉操作、变异操作;
8)判断当前进化数E是否小于最大进化数Emax,若是,则返回步骤2),若否则输出优化后隐层神经网络模型的权值和阈值,继续步骤5;
步骤5:对神经网络的权值和阈值进行解码,并赋予神经网络模型,输出经非支配排序的遗传算法优化的神经网络模型。
进一步地,所述的步骤4中,第6)步具体如下:
步骤4.6.1:对于种群中的每个个体i,考察它所支配的个体集Si,找到所有解个体的数量ni=0的个体i,并将个体i存入当前集合F1中;
步骤4.6.2:对于当前集合F1中的每个个体j,考察它所支配的个体集Sj,将集合Sj中的每个个体k的解个体的数量nk减去1,若nk-1=0,则将个体k存入另一个集合H中;
步骤4.6.3:将当前集合F1作为第一级非支配个体集合,并赋予该集合内个体一个相同的非支配序irank,然后继续对集合H作上述分级操作并赋予相应的非支配序,直到所有的个体都被分级;
步骤4.6.4:计算群体中每个个体i的两个属性:非支配序irank和拥挤度id;
步骤4.6.5:判断种群中两个个体的非支配排序是否相同,若相同,则取拥挤度较小的个体,继续步骤7),若不同,则取非支配序级别较小的个体,继续步骤7)。
进一步地,所述的步骤4中,第7)步具体如下:
选择操作:从选取个体组成的新种群中选择a个个体并根据单隐层神经网络的训练误差,计算每个个体的适应度,选择适应度较小的b个个体作为双亲用于繁殖后代,产生新的个体;
选择操作采用锦标赛选择法,适应度函数如公式(1)所示:
交叉操作:根据交叉概率随机选择用于繁殖的每一对个体的同一基因位,将其染色体在此基因位断开并相互交换,模拟二进制选择法的公式如公式(2)所示:
其中,x′1和x′2分别为被选中的用来交叉的两个染色体,x1和x2分别为经过交叉后的两个染色体,γi为交叉位置参数;
所述交叉位置参数γi的计算公式如公式(3)所示:
其中,μi为在0~1内的随机数,η为常数1;i为第i个采样个体;f为交叉概率;
变异操作:根据变异概率随机从群体中选择c个个体,对于选中的个体,根据高斯分布,随机选择一位用随机数进行代替。
与现有技术相比,本发明的有益效果是:
本发明提出了一种基于数据驱动的热镀锌气刀距离预测方法,利用神经网络结合快速非支配排序遗传算法来预测气刀距离,克服了在镀层厚度控制过程中参数检测困难、精度差、以及滞后大的缺陷,不仅控制精度高,而且运算速度快。本发明利用大量的生产过程数据通过直接在计算机上编程,即可实现投入使用,成本十分低廉。
附图说明
图1本发明的气刀控制过程示意图;
图2本发明的气刀距离预设定示意图;
图3本发明的应用效果曲线图1;
图4本发明的应用效果曲线图2。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
本实例是在某连续热镀锌线生产厂进行的,该生产线产品定位为建筑家电板、汽车板,生产工艺采用改良森吉米尔法,年产量大约80万吨。采用的气刀来自德国FOEN公司,生产线设备和电气及自动控制系统来自德国SIEMENS公司。镀锌层厚度范围为80-276g/m2,板宽为1004~1256mm,带钢速度变化范围为40~150m/min,气刀控制过程如图1所示。
具体实施步骤如图2:
步骤1:本实施例中,采集某热镀锌的生产数据,包括目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度,共计200个钢卷,数据包含22个特征。选取其中对于气刀距离影响最大的5个特征进行研究。
步骤2:对采集到的生产数据进行预处理,包括去除异常值、平滑处理和归一化:
(1)计算各生产数据的平均值和标准差
其中,m为生产数据的个数,xi为第i个生产数据。
(2)对生产数据的异常值进行剔除
本实施例中,对生产数据中的异常值进行剔除的方式为拉衣达准则,对满足公式(3)的生产数据进行异常值剔除:
(3)对剔除异常值后的生产数据进行平滑处理
本实施例中,采用5点3次平滑法对剔除异常值后的生产数据进行平滑处理,见公式
(4):
(4)对平滑处理后的生产数据进行归一化处理
本实施例中,采用最大最小归一化法对平滑处理后的生产数据进行归一化处理,见公式(5):
步骤3:建立隐层神经网络模型,具体步骤如下:
(1)采用经验公式计算经验值,然后在经验值±20%的区间范围内进行遍历搜索,获得最优的隐含层神经元节点数n。所述经验公式如公式(6)所示:
n=log2 T (6)
其中,T为输入特征数,n为隐含层神经元节点数。
本实施例中,根据经验公式并考虑可能存在误差,综合测试神经元数目为5~9的所有情况,最终确定7个节点为最优。
(2)遍历搜索0.1~0.5,确定最优的单隐层神经网络学习率lr。
本实施例中,以0.1为增量,从0.1至0.5分别测试5次,寻找到最优的学习率为0.2。
(3)两两组合purelin、logsig及tansig传递函数,产生6种组合,分别测试并选取最优的组合作为单隐层神经网络隐含层和输出层的传递函数。本实施例中,经过测试,选择logsig和purelin分别作为隐含层和输出层的传递函数。
(4)遍历常用的方法,选择最优的单隐层神经网络的训练函数。
本实施例中,确定列文伯格-马夸尔特法(L-M法)为最优的训练函数。
步骤4:采用快速非支配排序遗传算法对神经网络模型进行优化,具体步骤如下:
(1)设置最大进化代数Emax,并令当前进化代数E=1,本实施例中,设置最大进化代数Emax=100。
(2)根据训练函数对单隐层神经网络模型进行训练,再将预处理后的生产数据输入到训练后的单隐层神经网络模型中进行预测并输出预测结果。
(3)计算单隐层神经网络的训练误差。
(4)采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串。
(5)随机产生一个由n个个体组成的种群,由该种群代表可能解的集合。本实施例中,测试种群规模为30、40、50、60的情况,依次遍历搜索,确定最佳种群数为50,即令n=50。
(6)对种群中的每个个体i进行快速非支配排序,具体步骤如下:
步骤4.6.1:对于种群中的每个个体i,考察它所支配的个体集Si,找到所有解个体的数量ni=0的个体i,并将个体i存入当前集合F1中。
步骤4.6.2:对于当前集合F1中的每个个体j,考察它所支配的个体集Sj,将集合Sj中的每个个体k的解个体的数量nk减去1,若nk-1=0,则将个体k存入另一个集合H中。
步骤4.6.3:将当前集合F1作为第一级非支配个体集合,并赋予该集合内个体一个相同的非支配序irank,然后继续对集合H作上述分级操作并赋予相应的非支配序,直到所有的个体都被分级。
步骤4.6.4:计算群体中每个个体i的两个属性:非支配序irank和拥挤度id。
步骤4.6.5:判断种群中两个个体的非支配排序是否相同,若相同,则取拥挤度较小的个体,继续步骤(7),若不同,则取非支配序级别较小的个体,继续步骤(7)。
(7)将所选取的个体组成为新的种群,并进行遗传操作,具体步骤如下:
选择操作:从选取个体组成的新种群中选择a个个体并根据单隐层神经网络的训练误差,计算每个个体的适应度,选择适应度较小的b个个体作为双亲用于繁殖后代,产生新的个体。
本实施例中,选择操作采用锦标赛选择法,适应度函数如公式(7)所示:
交叉操作:根据交叉概率随机选择用于繁殖的每一对个体的同一基因位,将其染色体在此基因位断开并相互交换,模拟二进制选择法的公式如公式(8)所示:
其中,x1和x2分别为被选中的用来交叉的两个染色体,x′1和x′2分别为经过交叉后的两个染色体,γi为交叉位置参数。
所述交叉位置参数γi的计算公式如公式(9)所示:
其中,μi为在0~1内的随机数,η为常数1。i为第i个采样个体;f为交叉概率;
本实施例中,交叉概率一般选择较大的值,以0.1为增量,测试0.6~0.9这4种情况,交叉概率为0.8时,模型的性能最优,故选择交叉概率为0.8。
变异操作:根据变异概率随机从群体中选择c个个体,对于选中的个体,根据高斯分布,随机选择一位用随机数进行代替。
(8)判断当前进化代数E是否小于最大进化代数Emax,若是,则返回步骤(2),若否,则输出优化后单隐层神经网络模型的权值和阈值,继续步骤5。
步骤5:对神经网络的权值和阈值进行解码,并赋予神经网络模型,输出经非支配排序的遗传算法优化的神经网络模型。
根据工业生产的要求,实际刀距在设定值±0.1mm内视为合格,那么由图3-4可以看出,采用本发明提出的预测模型进行预测有95.2%的刀距预设符合要求,相对于现有实际情况中仅有59.6%的刀距预设合格是很有优势的。
以上实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解。其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,因而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种镀层控制的气刀距离数据驱动预测方法,其特征在于,包括以下步骤:
步骤1:采集带钢的生产数据,包括:目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度;
步骤2:对采集到的生产数据进行预处理,包括:计算各生产数据的平均值和标准差、对生产数据的异常值进行剔除、对剔除异常值后的生产数据进行平滑处理、对平滑处理后的生产数据进行归一化处理;
步骤3:建立三层神经网络模型,包括:采用经验公式计算经验值,然后在经验值±20%的区间内进行遍历搜索,获得隐含层神经元节点数n;遍历搜索0.1~0.5,确定隐层神经网络学习率lr;组合purelin、logsig和tansig传递函数,产生6种组合,并选取单隐层神经网络隐含层和输出层的传递函数;采用遍历方法确定隐层神经网络的训练函数;
步骤4:采用快速非支配排序遗传算法对隐层神经网络模型进行优化;
1)设置最大进化代数Emax,并令当前进化代数E=1;
2)根据训练函数对隐层神经网络模型进行训练,再将预处理后的生产数据输入到训练后的隐层神经网络模型中,进行预测并输出预测结果;
3)计算隐层神经网络模型的训练误差;
4)采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串;
5)随机产生一个由n个个体组成的种群,由该种群代表可能解的集合;
6)对种群中的每个个体i进行快速非支配排序,判断种群中两个个体的非支配排序是否相同,若相同,则取拥挤度较小的个体,继续步骤7),若不同,则取非支配序级别较小的个体,继续步骤7);
7)将所选取的个体组成为新的种群,并进行遗传操作,包括:选择操作、交叉操作、变异操作;
8)判断当前进化数E是否小于最大进化数Emax,若是,则返回步骤2),若否则输出优化后隐层神经网络模型的权值和阈值,继续步骤5;
步骤5:对神经网络的权值和阈值进行解码,并赋予神经网络模型,输出经非支配排序的遗传算法优化的神经网络模型。
2.根据权利要求1所述的一种镀层控制的气刀距离数据驱动预测方法,其特征在于,所述的步骤4中,第6)步具体如下:
步骤4.6.1:对于种群中的每个个体i,考察它所支配的个体集Si,找到所有解个体的数量ni=0的个体i,并将个体i存入当前集合F1中;
步骤4.6.2:对于当前集合F1中的每个个体j,考察它所支配的个体集Sj,将集合Sj中的每个个体k的解个体的数量nk减去1,若nk-1=0,则将个体k存入另一个集合H中;
步骤4.6.3:将当前集合F1作为第一级非支配个体集合,并赋予该集合内个体一个相同的非支配序irank,然后继续对集合H作上述分级操作并赋予相应的非支配序,直到所有的个体都被分级;
步骤4.6.4:计算群体中每个个体i的两个属性:非支配序irank和拥挤度id;
步骤4.6.5:判断种群中两个个体的非支配排序是否相同,若相同,则取拥挤度较小的个体,继续步骤7),若不同,则取非支配序级别较小的个体,继续步骤7)。
3.根据权利要求1所述的一种镀层控制的气刀距离数据驱动预测方法,其特征在于,所述的步骤4中,第7)步具体如下:
选择操作:从选取个体组成的新种群中选择a个个体并根据单隐层神经网络的训练误差,计算每个个体的适应度,选择适应度较小的b个个体作为双亲用于繁殖后代,产生新的个体;
选择操作采用锦标赛选择法,适应度函数如公式(1)所示:
交叉操作:根据交叉概率随机选择用于繁殖的每一对个体的同一基因位,将其染色体在此基因位断开并相互交换,模拟二进制选择法的公式如公式(2)所示:
其中,x1和x2分别为被选中的用来交叉的两个染色体,x′1和x′2分别为经过交叉后的两个染色体,γi为交叉位置参数;
所述交叉位置参数γi的计算公式如公式(3)所示:
其中,μi为在0~1内的随机数,η为常数1;i为第i个采样个体;f为交叉概率;
变异操作:根据变异概率随机从群体中选择c个个体,对于选中的个体,根据高斯分布,随机选择一位用随机数进行代替。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127634.2A CN111222627A (zh) | 2019-11-18 | 2019-11-18 | 一种镀层控制的气刀距离数据驱动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127634.2A CN111222627A (zh) | 2019-11-18 | 2019-11-18 | 一种镀层控制的气刀距离数据驱动预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222627A true CN111222627A (zh) | 2020-06-02 |
Family
ID=70807684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911127634.2A Withdrawn CN111222627A (zh) | 2019-11-18 | 2019-11-18 | 一种镀层控制的气刀距离数据驱动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222627A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882030A (zh) * | 2020-06-29 | 2020-11-03 | 武汉钢铁有限公司 | 一种基于深度强化学习的加锭策略方法 |
CN112199813A (zh) * | 2020-08-18 | 2021-01-08 | 华电电力科学研究院有限公司 | 面向工艺系统控制优化问题建模方法与遗传算法求解方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059154A1 (en) * | 2000-04-24 | 2002-05-16 | Rodvold David M. | Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms |
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 |
CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
-
2019
- 2019-11-18 CN CN201911127634.2A patent/CN111222627A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059154A1 (en) * | 2000-04-24 | 2002-05-16 | Rodvold David M. | Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms |
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 |
CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882030A (zh) * | 2020-06-29 | 2020-11-03 | 武汉钢铁有限公司 | 一种基于深度强化学习的加锭策略方法 |
CN111882030B (zh) * | 2020-06-29 | 2023-12-05 | 武汉钢铁有限公司 | 一种基于深度强化学习的加锭策略方法 |
CN112199813A (zh) * | 2020-08-18 | 2021-01-08 | 华电电力科学研究院有限公司 | 面向工艺系统控制优化问题建模方法与遗传算法求解方法 |
CN112199813B (zh) * | 2020-08-18 | 2023-07-11 | 华电电力科学研究院有限公司 | 面向工艺系统控制优化问题建模方法与遗传算法求解方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
US11755976B2 (en) | Method for predicting oxygen load in iron and steel enterprises based on production plan | |
CN109558677A (zh) | 一种基于数据驱动的热轧板凸度预测方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN111222627A (zh) | 一种镀层控制的气刀距离数据驱动预测方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN104375478A (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN111832215A (zh) | 一种在线预测钢板组织性能的方法 | |
CN113128124B (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
Wang et al. | Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN113689049A (zh) | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN116484745A (zh) | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 | |
CN112149976A (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN111222762A (zh) | 太阳能电池板镀膜工艺状态监控及质量控制系统 | |
Tian et al. | Dynamic operation optimization based on improved dynamic multi-objective dragonfly algorithm in continuous annealing process. | |
CN113361097B (zh) | 一种基于大数据的工程项目管理系统 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN112845610B (zh) | 一种轧钢电耗参数推荐方法及系统 | |
CN110874672A (zh) | 基于量子遗传算法的farima模型电力负荷预测方法 | |
CN116384254A (zh) | 一种用于lf精炼炉钢水温度预测的误差修正方法及系统 | |
CN112487700B (zh) | 一种基于nsga与felm的冷轧轧制力预测方法 | |
CN115138472A (zh) | 分选悬浮液密度给定方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200602 |