CN111411215A - 一种多钢坯对象的炉温综合决策方法 - Google Patents
一种多钢坯对象的炉温综合决策方法 Download PDFInfo
- Publication number
- CN111411215A CN111411215A CN202010243261.1A CN202010243261A CN111411215A CN 111411215 A CN111411215 A CN 111411215A CN 202010243261 A CN202010243261 A CN 202010243261A CN 111411215 A CN111411215 A CN 111411215A
- Authority
- CN
- China
- Prior art keywords
- influence
- factors
- factor
- state
- billet
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/70—Furnaces for ingots, i.e. soaking pits
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Organic Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Thermal Sciences (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明提供一种多钢坯对象的炉温综合决策方法,属于热轧加热炉控制技术领域。该方法通过对加热炉某加热段内的每块钢坯按照预设的多种影响因素的状态特征进行对照和匹配,得出各块钢坯在当前工况下每种影响因素的状态和对应的状态影响因子,并形成二维状态影响因子矩阵,然后由各影响因素在当前工况下对最终炉温的影响程度大小组成影响因子向量,最后将上述两者进行矩阵运算得出该段燃烧加热的综合炉温。该方法可以对加热段内多块钢坯的变钢种不变规格、冷热混装、钢温目标突变、待轧换辊等不同工况和影响因素进行识别,决策出科学合理的最优加热炉温。该方法应用性强、效果明显,可有效提高热轧加热炉的生产效率和加热质量产量。
Description
技术领域
本发明涉及热轧加热炉控制技术领域,特别是指一种多钢坯对象的炉温综合决策方法。
背景技术
在热轧加热炉的控制领域,炉温设定是一种核心关键技术,不仅直接影响到钢坯加热质量和产量,而且也影响加热炉的能耗水平。由于加热炉是分段控制的,每个加热段同时加热多块不同的钢坯,这些钢坯的钢种、规格、入炉温度、出炉温度要求、成品规格等参数可能都不同,造成每块钢坯所需要的炉温也不同。但加热段的能够提供的炉温只有一个,选择一个最合适的炉温最大程度同时满足段内所有钢坯的加热要求,是加热炉燃烧控制和节能领域内的一个重要和关键的技术问题。
目前,在生产上,加热炉的炉温设定决策主要依靠人工经验,由工艺人员制订各钢种的加热规范,确定各段的加热温度和调整范围,工人在此范围内按照生产经验和轧制温度实测反馈值调整炉温。但该方法受限于工人的知识技术能力,炉温的设定决策准确性波动大,调整及时性不能保证,造成不同班组、不同工人的加热水平参差不一,影响钢坯的加热质量和能耗水平。
有些加热炉配有加热炉数学模型,可以实时计算炉内钢坯的当前温度,工人可根据钢坯位置和当前温度及趋势,结合经验及时调整炉温。这些加热炉数学模型种很多也具有炉温设定功能,但模型设定的炉温大部分只适应单一钢种规格且正常连续出钢的工况,对变钢种变规格、冷热混装、待轧换辊等特殊工况适应性差,需要人工频繁干预。造成上述问题的一个重要原因是这些模型在设定炉温时,对多钢坯对象的需求炉温计算一般采用简单加权平均的方法,因此只能适应一种单一的简单普通工况,出现其它特殊工况时就不能适应,造成模型设定结果不准确,需要人工干预,大大影响模型投用率,影响钢坯的加热质量和能耗的提高。
发明内容
本发明要解决的技术问题是提供一种多钢坯对象的炉温综合决策方法,该方法用于一个加热段内多块钢坯多个炉温要求下的综合炉温计算和决策,从而有效提高热轧加热炉的生产效率和钢坯加热的质量及产量。
该方法通过对加热炉某加热段内的每块钢坯按照预设的多种影响因素的状态特征进行对照和匹配,得出各块钢坯在当前工况下每种影响因素的状态和对应的状态影响因子,并形成二维状态影响因子矩阵,然后由各影响因素在当前工况下对最终炉温的影响程度大小组成影响因子向量,最后将上述两者进行矩阵运算得出该段燃烧加热的综合炉温。
该方法具体包括步骤如下:
(1)对每块钢坯进行分析计算,决策出每块钢坯达到理想的出段(或出炉)温度时本加热段的需要炉温,并分别记作TF1,TF2,TF3,……,TFx,其中x为钢坯块数,得到一维行矩阵TF:
TF=(TF1…TFx);
分析计算钢坯需求炉温TFi(i取1到x)的方法一般是借助加热炉数学模型的钢温预报功能,通过预先设定不同的炉温,然后试算出在该炉温下钢坯能否在出段时达到理想的出段温度;如果刚刚能够达到,则该炉温即为该钢坯的理想需求炉温TFi;
分析计算钢坯需求炉温TFi也可通过其它有效方法,如工艺技术人员制订的工艺规程表、人工累计经验等。
(2)分析影响加热炉炉温决策设定的关键因素,列举主要影响因素种类,包含:需求炉温T0、位置顺序T1、冷热混装T2、出钢温度变化T3、待轧换辊T4、……、Tn,共计n+1类,其中每种影响因素最多包含有m个状态。以影响因素种类为行、状态为列,制作影响因素状态表,影响因素状态表如下:
(3)对步骤(2)所得的影响因素状态表的不同影响因素下的不同状态赋值影响因子,其影响因子分别记作Sij,i取0~n,j取1~m;赋值时让每类影响因素的所有状态的影响因子之和为1,即加热炉所有影响因子Sij组成影响因子分布表,如下表所示;
(4)对照步骤(2)所述的影响因素状态表为每块钢坯进行归类和匹配,钢坯对应每种影响因素的某一状态,记作Pxn;
(5)按照步骤(3)所述的影响因子分布表,为步骤(4)匹配的每块钢坯所处的每种影响因素的状态设置状态影响因子,记作Kij,i取1~x,j取0~n,x为钢坯数量,n为影响因素数量;若无该种影响因素,则各状态影响因子均为0;否则则对每种影响因素的所有钢坯的状态影响因子大小按影响因素状态的分布比例进行调整,使它们之和为1。调整算法如下:
(6)为每种影响因素设置因素因子,记作gi,i取0~n,因素因子用于量化每种影响因素对决策炉温的影响大小。
将上述因素因子组成一个一维向量G,即:
将不同的因素因子分别对应不同的工况模式,即:
(7)将步骤(5)所述的所有钢坯的状态影响因子列为二维矩阵,记作D,矩阵D的行数为钢坯对象数量x,矩阵的列数为影响因素数量n,即:
(8)将所有钢坯的状态影响因子矩阵D与工况因子向量G相乘,得出综合权值向量λ:
(9)将所有钢坯的需求炉温行矩阵TF与综合权值向量λ相乘,得到综合决策炉温TFSet:
其中,步骤(1)中每块钢坯达到理想的出段温度时本加热段的需要炉温借助加热炉数学模型、人工经验、工艺规范的规定等途径分析得到。
步骤(5)中若多块钢坯具有相同的影响因素状态,则这些钢坯共同均分该影响因素状态的影响因子。
步骤(6)中工况模式包括正常工况、停炉待轧、包含换辊坯、保温、大幅升温、大幅降温等。
本发明的上述技术方案的有益效果如下:
(1)由于同时考虑了影响加热炉炉温设定值的多种而非一种的工况变化影响因素,并综合量化计算了每种影响因素对炉温决策的影响大小,因此本发明的设定炉温更加准确、对工况变化的适应性更广、出现人工干预的频率更低。
(2)由于对各种工况和影响因素的影响因子进行量化设置,便于调试和适应性维护。
(3)本发明的炉温决策结果是随着钢坯位置、加热状态和工况的变化而动态变化的,因此调整值比较准确和及时,可有效提高热轧加热炉的生产效率和钢坯加热质量及产量。
附图说明
图1为本发明的多钢坯对象的炉温综合决策方法工艺流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种多钢坯对象的炉温综合决策方法,该方法首先借助加热炉数学模型,对每块钢坯进行分析计算,获取该块钢坯若达到理想的出段(或出炉)温度时本加热段的需要炉温。然后列举影响加热炉炉温决策设定的关键因素,包括各钢坯的需求炉温、位置顺序、冷热混装、出钢温度变化、待轧换辊等。然后对所述每种影响因素划分不同状态,并对照所述影响因素列表,为每块钢坯所处的每种影响因素的状态进行归类和匹配。然后对每块钢坯的所处各种影响因素的状态设置影响因子。
如图1所示,该方法具体过程如下:
(1)对每块钢坯进行分析计算,决策出每块钢坯达到理想的出段温度时本加热段的需要炉温,并分别记作TF1,TF2,TF3,……,TFx,其中x为钢坯块数,得到一维行矩阵TF:
TF-(TF1...TFx);
分析计算钢坯需求炉温TFi(i取1到x)的方法一般是借助加热炉数学模型的钢温预报功能,通过预先设定不同的炉温,然后试算出在该炉温下钢坯能不能在出段时达到理想的出段温度;如果刚刚能够达到,则该炉温即该钢坯的理想需求炉温TFi。
分析计算钢坯需求炉温TFi也可通过其它有效方法,如工艺技术人员制订的工艺规程表、人工累计经验等。
(2)分析影响加热炉炉温决策设定的关键因素,列举主要影响因素种类,包含:需求炉温T0、位置顺序T1、冷热混装T2、出钢温度变化T3、待轧换辊T4、……、Tn,共计n+1类,其中每种影响因素最多包含有m个状态,以影响因素种类为行、状态为列,制作影响因素状态表;
(3)对步骤(2)所得的影响因素状态表的不同影响因素下的不同状态赋值影响因子,其影响因子分别记作Sij,i取0~n,j取1~m;赋值时让每类影响因素的所有状态的影响因子之和为1,即加热炉所有影响因子Sij组成影响因子分布表;
(4)对照步骤(2)所述的影响因素状态表为每块钢坯进行归类和匹配,每块钢坯对应每种影响因素的某一状态,记作Pxn;
(5)按照步骤(3)所述的影响因子分布表,为步骤(4)匹配的每块钢坯所处的每种影响因素的状态设置状态影响因子,记作Kij,i取1~x,j取0~n,x为钢坯数量,n为影响因素数量;若无该种影响因素,则各状态影响因子均为0;否则则对每种影响因素的所有钢坯的状态影响因子大小按影响因素状态的分布比例进行调整,使它们之和为1。调整算法如下:
(6)为每种影响因素设置因素因子,记作gi,i取0~n,因素因子用于量化每种影响因素对决策炉温的影响大小。
将上述因素因子组成一个一维向量G,即:
将不同的因素因子分别对应不同的工况模式,即:
(7)将步骤(5)所述的所有钢坯的状态影响因子列为二维矩阵,记作D,矩阵D的行数为钢坯对象数量x,矩阵的列数为影响因素数量n,即:
(8)将所有钢坯的状态影响因子矩阵D与工况因子向量G相乘,得出综合权值向量λ:
(9)将所有钢坯的需求炉温行矩阵TF与综合权值向量λ相乘,得到综合决策炉温TFSet:
下面结合具体实施例予以说明。
实施例1
本实施例以某热轧加热炉加热二段为例,该加热段共有5块钢坯,第三块坯包含换辊坯(即该坯出炉后暂停出钢,进行换辊待轧),具体实施包括以下步骤:
(1)借助加热炉数学模型,获取所有钢坯若达到理想的出段温度时本加热段的需要炉温,分别为1200、1200、1230、1245、1245,这些需求炉温组成一个一维行向量TF:
TF=(1200 1200 1230 1245 1245)
(2)分析影响加热炉炉温决策设定的关键因素,列举5类主要影响因素:需求炉温、位置顺序、冷热混装、温度变化、待轧换辊,其中每种影响因素包含有2~5个状态,影响因素状态表如下所示:
影响因素 | 状态1 | 状态2 | 状态3 | 状态4 | 状态5 | |
0 | 需求炉温 | 高 | 中 | 低 | ||
1 | 位置顺序 | 最前 | 前 | 中 | 后 | 最后 |
2 | 冷热混装 | 冷 | 热 | |||
3 | 出钢温度变化 | 升温 | 平稳 | 降温 | ||
4 | 待轧换辊 | 无 | 待轧前 | 待轧后 |
(3)对步骤(2)所述的影响因素状态表的影响因子进行赋值,让每类影响因素的所有状态的影响因子之和为1,如下表所示:
(4)对照步骤(2)所述的影响因素状态表为每块钢坯进行归类和匹配,每块钢坯对应每种影响因素的某一状态,如下表所示:
(5)按照步骤(3)所述的每种影响因素状态的影响因子分布表,为每块钢坯所处的每种影响因素的状态设置状态影响因子,各因子分布如下表所示:
(6)为步骤(5)所述5类影响因素设置因素因子,由于本实施例包含换辊坯,选用换辊坯工况模式的因素因子向量(使各因素因子之和为1),设为:
(7)将步骤(5)所述的所有钢坯的状态影响因子列为二维矩阵(记作D),矩阵D的行数为钢坯对象数量5,矩阵的列数为影响因素数量5,即:
(8)将所有钢坯的状态影响因子矩阵D与因素因子向量G相乘,得出综合权值向量λ:
(9)将所有钢坯的需求炉温行矩阵TF与综合权值向量λ相乘,得出综合决策炉温TFSet,结果为1243℃:
实施例2
本实施例以某热轧加热炉加热二段为例,该加热段共有5块钢坯,没有换辊坯,具体包括以下步骤:
(1)借助加热炉数学模型,获取所有钢坯若达到理想的出段温度时本加热段的需要炉温,分别为1200、1200、1230、1245、1245,这些需求炉温组成一个一维行向量TF:
TF=(1200 1200 1230 1245 1245)
(2)分析影响加热炉炉温决策设定的关键因素,列举5类主要影响因素:需求炉温、位置顺序、冷热混装、温度变化、待轧换辊,其中每种影响因素包含有2~5个状态,影响因素状态表如下所示:
(3)对步骤(2)所述的影响因素状态表的影响因子进行赋值,让每类影响因素的所有状态的影响因子之和为1,如下表所示:
(4)对照步骤(2)所述的影响因素状态表为每块钢坯进行归类和匹配,每块钢坯对应每种影响因素的某一状态,如下表所示:
(5)按照步骤(3)所述的每种影响因素状态的影响因子分布表,为每块钢坯所处的每种影响因素的状态设置状态影响因子。若多块钢坯具有相同的影响因素状态,则这些钢坯共同均分该影响因素状态的影响因子。对每种影响因素的所有钢坯的状态影响因子大小按影响因素状态的分布比例进行调整,使它们之和设为1,各因子分布如下表所示:
(6)为步骤(5)所述5类影响因素设置因素因子,由于本实施例为普通工况,选用正常工况模式的因素因子向量(使各因素因子之和为1),设为:
(7)将步骤(5)所述的所有钢坯的状态影响因子列为二维矩阵(记作D),权值矩阵D的行数为钢坯对象数量x,矩阵的列数为影响因素数量n,即:
(8)将所有钢坯的状态影响因子D与工况因子向量G相乘,得出综合权值向量λ:
(9)将所有钢坯的需求炉温行向量TF与综合权值向量λ相乘,得出综合决策炉温TFSet,结果为1236℃:
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种多钢坯对象的炉温综合决策方法,其特征在于:包括步骤如下:
(1)对每块钢坯进行分析计算,决策出每块钢坯达到理想的出段温度时本加热段的需要炉温,并分别记作TF1,TF2,TF3,……,TFx,其中x为钢坯块数,得到一维行矩阵TF:
TF=(TF1...TFx);
(2)分析影响加热炉炉温决策设定的关键因素,列举主要影响因素种类,包含:需求炉温T0、位置顺序T1、冷热混装T2、出钢温度变化T3、待轧换辊T4、……、Tn,共计n+1类,其中每种影响因素最多包含有m个状态,以影响因素种类为行、状态为列,制作影响因素状态表;
(3)对步骤(2)所得的影响因素状态表的不同影响因素下的不同状态赋值影响因子,其影响因子分别记作Sij,i取0~n,j取1~m,赋值时让每类影响因素的所有状态的影响因子之和为1,即加热炉所有影响因素下的所有状态对应的影响因子Sij组成加热炉影响因子分布表;
(4)对照步骤(2)所述的影响因素状态表为每块钢坯进行归类和匹配,钢坯对应每种影响因素的某一状态,记作Pxn;
(5)按照步骤(3)所述的影响因子分布表,为步骤(4)匹配的每块钢坯所处的每种影响因素的状态设置状态影响因子,记作Kij,i取1~x,j取0~n,x为钢坯数量,n为影响因素数量;若无该种影响因素,则各状态影响因子均为0;否则则每种影响因素的所有钢坯的状态影响因子大小按影响因素状态的分布比例进行调整,使它们之和为1;调整算法如下:
(6)为每种影响因素设置因素因子,记作gi,i取0~n,因素因子用于量化每种影响因素对决策炉温的影响大小,
将上述因素因子组成一个一维向量G,即:
将不同的因素因子分别对应不同的工况模式,即:
(7)将步骤(5)所述的所有钢坯的状态影响因子列为二维矩阵,记作D,矩阵D的行数为钢坯对象数量x,矩阵的列数为影响因素数量n,即:
(8)将所有钢坯的状态影响因子矩阵D与工况因子向量G相乘,得出综合权值向量λ:
(9)将所有钢坯的需求炉温行矩阵TF与综合权值向量λ相乘,得到综合决策炉温TFSet:
2.根据权利要求1所述的多钢坯对象的炉温综合决策方法,其特征在于:所述步骤(1)中每块钢坯达到理想的出段温度时本加热段的需要炉温借助加热炉数学模型、人工经验、工艺规范的规定分析得到。
3.根据权利要求1所述的多钢坯对象的炉温综合决策方法,其特征在于:所述步骤(5)中若多块钢坯具有相同的影响因素状态,则这些钢坯共同均分该影响因素状态的影响因子。
4.根据权利要求1所述的多钢坯对象的炉温综合决策方法,其特征在于:所述步骤(6)中工况模式包括正常工况、停炉待轧、包含换辊坯、保温、大幅升温、大幅降温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243261.1A CN111411215B (zh) | 2020-03-31 | 2020-03-31 | 一种多钢坯对象的炉温综合决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243261.1A CN111411215B (zh) | 2020-03-31 | 2020-03-31 | 一种多钢坯对象的炉温综合决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111411215A true CN111411215A (zh) | 2020-07-14 |
CN111411215B CN111411215B (zh) | 2021-09-21 |
Family
ID=71489488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010243261.1A Active CN111411215B (zh) | 2020-03-31 | 2020-03-31 | 一种多钢坯对象的炉温综合决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111411215B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512455A (zh) * | 2022-09-22 | 2022-12-23 | 济南汉升节能技术有限公司 | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 |
CN116607001A (zh) * | 2023-07-21 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL198442B1 (pl) * | 2000-08-09 | 2008-06-30 | Thyssenkrupp Acciai Speciali | Sposób wytwarzania teksturowanych taśm ze stali elektrotechnicznej |
CN104785535A (zh) * | 2015-01-30 | 2015-07-22 | 北京科技大学 | 一种基于模糊算法的冷轧平坦度质量判定方法 |
CN107201440A (zh) * | 2017-04-21 | 2017-09-26 | 上海联达节能科技有限公司 | 一种加热炉炉温制度设定方法与系统 |
CN108998653A (zh) * | 2018-08-27 | 2018-12-14 | 合肥东方节能科技股份有限公司 | 一种螺纹钢智能加热控制技术 |
CN109976280A (zh) * | 2019-04-11 | 2019-07-05 | 北京科技大学设计研究院有限公司 | 一种精确预报热轧板坯剩余在炉时间的方法 |
-
2020
- 2020-03-31 CN CN202010243261.1A patent/CN111411215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL198442B1 (pl) * | 2000-08-09 | 2008-06-30 | Thyssenkrupp Acciai Speciali | Sposób wytwarzania teksturowanych taśm ze stali elektrotechnicznej |
CN104785535A (zh) * | 2015-01-30 | 2015-07-22 | 北京科技大学 | 一种基于模糊算法的冷轧平坦度质量判定方法 |
CN107201440A (zh) * | 2017-04-21 | 2017-09-26 | 上海联达节能科技有限公司 | 一种加热炉炉温制度设定方法与系统 |
CN108998653A (zh) * | 2018-08-27 | 2018-12-14 | 合肥东方节能科技股份有限公司 | 一种螺纹钢智能加热控制技术 |
CN109976280A (zh) * | 2019-04-11 | 2019-07-05 | 北京科技大学设计研究院有限公司 | 一种精确预报热轧板坯剩余在炉时间的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512455A (zh) * | 2022-09-22 | 2022-12-23 | 济南汉升节能技术有限公司 | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 |
CN115512455B (zh) * | 2022-09-22 | 2023-07-25 | 济南汉升节能技术有限公司 | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 |
CN116607001A (zh) * | 2023-07-21 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
CN116607001B (zh) * | 2023-07-21 | 2023-11-14 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111411215B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106636610B (zh) | 一种基于时间和炉长的双维度步进式加热炉升温曲线优化设定方法 | |
CN111411215B (zh) | 一种多钢坯对象的炉温综合决策方法 | |
CN110773573B (zh) | 一种板形调控功效系数实测数据处理方法 | |
CN110479776B (zh) | 热轧棒线材轧后闭环控冷系统及控制方法 | |
CN109248928B (zh) | 一种热轧加热炉动态炉温控制方法 | |
CN106636606B (zh) | 一种基于仿真模型的加热炉炉温控制方法 | |
CN104517162B (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
CN110516312B (zh) | 一种无弯辊中厚板末阶段板形锁定规程分配方法 | |
CN114021290B (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 | |
CN105018718B (zh) | 一种基于热负荷分配的加热炉工艺炉温控制方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN110918655A (zh) | 一种精细化加热控制方法 | |
CN107716560B (zh) | 一种板带热连轧负荷分配方法 | |
CN109492335B (zh) | 一种退火炉炉温预测方法及系统 | |
CN113343514A (zh) | 一种步进式加热炉加热制度优化方法 | |
CN106906352A (zh) | 一种轧钢加热炉钢坯混装时的加热方法 | |
CN103406370A (zh) | 基于模糊双曲模型冷轧机工作辊乳化液分段冷却控制方法 | |
CN107016509B (zh) | 一种降低轧钢工序吨钢能耗的方法 | |
CN101387868A (zh) | 自适应不同加热炉炉况的轧线模型控制系统及控制方法 | |
CN108984943A (zh) | 加热炉钢坯温度跟踪模型修正方法 | |
CN110656234B (zh) | 一种轧钢加热炉最大加热温度的自动区分控制方法 | |
CN111062571B (zh) | 一种面向铝行业的锭型选择与合同组批的集成优化方法 | |
CN112387791A (zh) | 冷轧带钢的轧制温度确定方法及确定系统 | |
CN115106384B (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 |
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 |