CN111814861B - 一种基于双自学习模型的在线冷却控制方法 - Google Patents
一种基于双自学习模型的在线冷却控制方法 Download PDFInfo
- Publication number
- CN111814861B CN111814861B CN202010620805.1A CN202010620805A CN111814861B CN 111814861 B CN111814861 B CN 111814861B CN 202010620805 A CN202010620805 A CN 202010620805A CN 111814861 B CN111814861 B CN 111814861B
- Authority
- CN
- China
- Prior art keywords
- cooling
- target
- grid
- model
- deep neural
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 19
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 25
- 239000010959 steel Substances 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000000295 complement effect Effects 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 235000004257 Cordia myxa Nutrition 0.000 claims description 3
- 244000157795 Cordia myxa Species 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 abstract description 7
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Metal Rolling (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明提供了一种基于双自学习模型的在线冷却控制方法，属于轧钢技术领域。本发明结合无监督空间聚类模型和有监督的深度神经网络预测模型的特点，优势互补，建立双自学习模型并行、权重共享的系统结构。本发明能实现在低成本数据量条件下，快速进行组合式自学习，短时间内完成非线性耦合计算，提高整体控冷系统的鲁棒性和学习效率。
Description
技术领域
本发明属于轧钢技术领域，尤其涉及一种结合无监督和有监督学习模型的轧后冷却温度精度的控制方法。
背景技术
钢铁产品一直都是国民经济的重要原材料之一。随着社会发展和技术进步，市场对钢铁产品的规格和质量都提出更高需求，企业的生产模式也从大批量单一化向小批量多样化的模式转变。复杂的工况和多变的产品规格，使得传统的控制系统面临巨大挑战，尤其对控制系统的自适应能力和强大的调整能力提出更高要求。
如今，随着自动化水平的提高，越来越多的钢企已经开始采用有自学习功能的轧后冷却系统。但是，在工况复杂、产品多样化的大生产中，仅依靠一种类型的自学习模型很难保证冷却控制的可靠性，效率高的模型短期调整速度快但缺乏长期稳定性，准确率高的模型学习效率低、学习成本大，导致高效率和高准确率不可兼得的局限。
如何让控制系统精度提高的同时，提高其灵活性，即模型的自学习能力是工业智能的发展趋势，钢企也迫切需要一种自动化程度高的轧后冷却系统来保证稳定高效的多品种、小批量生产。
发明内容
针对现有技术中存在的问题，本发明提供一种可提高轧后冷却温度控制精度稳定性和调整效率的方法。
本发明的技术方案为：
一种基于双自学习模型的在线冷却控制方法，包括以下步骤：
第一步，建立适合短期小样本量的无监督聚类模型
建立一种多维空间网格，如图1所示；具体建立过程如下：
建立多维空间坐标系，将每个影响冷却的因素视为多维空间中的一个坐标维度，通过已知待冷却钢板的工况和规格，可以在这个多维空间中找到与其对应的点。由此，在多维空间坐标系中，历史冷却样本对应点与目标冷却钢板对应点的关系可以利用反距离权重法来衡量，即历史冷却样本对应点与目标冷却钢板对应点间的空间距离远其影响权重小、空间距离近则影响权重大。通过历史样本对目标冷却钢板的影响权重分布，即可推算出目标冷却换热系数。
为了提高计算效率，基于上述多维空间坐标系，根据每个维度的坐标节点，将整个多维空间划分成有限个单元，每个单元网格内以其质心作为该单元网格内全部点的代表，以二维坐标系为例，如图2所示，通过网格聚类化最终预测目标冷却换热系数，具体计算步骤如下：
(1)基于多维空间坐标系确定目标价值点所属的网格单元：
Xn+1∈ei i＝1,…,m (1)
式中，X为空间点；e代表单个网格，这样ei以外的网格单元内的质心可直接参与后续模型的计算。
(2)空间两点的相关性S用欧式距离表示，计算式如下：
式中，Sp为网格单元ei内的目标点与历史样本点的距离；Sc为网格单元ei外的目标点与各质心的距离，如图2中(c)所示；Xj为网格单元ei内样本点；Ck为网格单元ei外样本点。
根据反距离加权IDW算法原则，权重w表示为：
w＝S-1 (3)
权重确定后，通过加权平均的方法得到目标点的换热系数hn+1：
式中，wj为目标点与网格单元内点之间权重；hj为网格单元内点对应换热系数；wk为目标点与网格单元外点之间权重；hk为网格单元外点对应换热系数。
第二步，建立适合长期大样本量的有监督深度神经网络模型
采用主成分分析法对冷却过程数据进行预处理，选出8个权重较大影响因子(板材厚度、C含量、Cr含量、Mn含量、冷却水温、气温、温降、目标终冷温度)作为输入层单元；输出层单元设定为冷却换热系数。
建立深度神经网络框架，遵循精确度、训练时间相对最优的条件，确定网络结构为隐含层4层，每层隐含层含有1024个隐层单元，每层之间所用激活函数为Selu激活函数。经过试验对比，网络结构用到的优化算法为Adam算法、学习率衰减。为了防止过拟合，通过L2正则化与Dropout正则化并用，并且对各个超参数进行调优。深度神经网络建立后，用现场大数据对其进行训练，最终达到可准确预测冷却时间、满足投入生产的条件。
第三步，将第一步建立的无监督聚类模型和第二步建立的有监督深度神经网络模型并联，构成整个冷却控制系统的核心双自学习模型(如图3所示是一个无监督空间聚类模型，适合短期快速自学习；另一个是有监督的深度神经网络预测模型，适合高度非线性的逻辑回归)，该双自学习模型结构充分结合两种模型优势为一体，加快系统自适应效率提升控制精度。
双自学习模型并行运作方式是：将目标待冷却钢板的初始数据(包括PDI信息及工况参数)传入至冷却控制系统，系统利用多维空间网格自主搜寻与目标冷却钢板最接近的历史样本数，最接近的判定条件为空间相关性S<ε，其中ε为相关性阈值。若最接近样本数少于20～50个，则直接进入无监督空间聚类模型通过反距离加权计算出目标冷却换热系数；若最接近样本数大于20～50个，则进入有监督深度神经网络模型中，通过已经积累大量数据训练好的网络模型，预测出目标冷却换热系数。进入无监督空间聚类模型的样本将得到保存，累积至一定数量后供有监督深度神经网络模型训练使用，同样有监督深度神经网络模型自身也会不断累积数据进行在线的网络权重同步，如图4所示，具体的步骤如下：
(1)系统同时运行A、B两套具有相同网络结构的有监督深度神经网络模型，其中A网络模型为在线预测用，B网络模型为在线训练用；
(2)B网络模型周期性采集已经冷却完成的钢板数据作为样本集，所述周期为1～3日，并进行数据清洗和数据补全等预处理；
(3)将预处理后的数据输入B网络模型进行在线训练，若训练后准确率大于上一次训练结果，则将本次训练结果权重保存至共享内存；否则继续训练；
(4)A网络模型实时读取共享内存中新的网络权重，完成在线的网络权重同步。
第四步，将目标冷却换热系数带入经典热平衡微分方程中，计算在目标温降条件下，所需冷却时间和流量等冷却规程信息。
本发明的有益效果：在中厚板轧后控冷系统中，使用的无监督聚类的自学习模型具有响应速度快，计算效率高的特点，可是仍有非线性耦合不高，鲁棒性不强等局限性。深度学习作为自学习模型，具有强大的数据特征信息挖掘和高非线性耦合能力，但存在数据成本大、学习周期长等不足。本发明结合两种模型特点，优势互补，建立双模型并行、权重共享的系统结构。在低成本数据量条件下，快速进行组合式自学习，短时间内完成非线性耦合计算，提高整体控冷系统的鲁棒性和学习效率。
附图说明
图1是聚类模型的多维空间网格示意图；其中，Δdk为第k个厚度坐标步长，Δtk为第k个板温坐标步长，Δti第i个板温坐标步长，Δwk为第k个水温坐标步长。
图2是多维空间模型的网格聚类化示意图：其中，(a)空间有限网格划分；(b)网格内质点；(c)目标值的预测。
图3是双自学习模型并行架构示意图。
图4是有监督深度神经网络模型在线权重同步原理图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提供一种基于双自学习模型的在线冷却控制方法，包括以下步骤：
(1)获得待冷却钢板的初始数据(Primary Data Input,PDI)和工况参数，包括钢板规格、终轧温度、目标冷却温度和水温等。
(2)对采集到的数据进行数据清洗，即对异常、重复数据进行清理，存在空缺值的数据通过类比插值进行补全，并通过主成分法进行降维处理。
(3)通过(2)中的数据预处理，选出8个权重较大的影响因子：板材厚度、C含量、Cr含量、Mn含量、冷却水温、气温、温降和目标终冷温度。将这些数据再进一步标准化，转化成为无量纲的数值。
(4)将(3)中的每项影响因子作为一个维度，构成一个八维空间坐标系。已知这八项数据即可在空间中确定唯一点。由此可以把所有的历史样本数据在空间中形成点云，便于利用欧氏距离计算公式(2)计算各点之间的相关性，至此建立了无监督的空间聚类模型。
(5)将(3)中的8项影响因子作为建立深度神经网络的输入层，隐含层4层，每层隐含层含有1024个隐层单元，每层之间所用激活函数为Selu激活函数，输出层单元设定为冷却换热系数，优化算法为Adam算法、学习率衰减。为了防止过拟合，应用了L2正则化与Dropout正则化并用，至此建立了有监督的深度神经网络模型。
(6)将无监督的空间聚类模型和有监督的深度神经网络模型并联，构成双自学习模型。其运行方式为：
当有新的待冷却钢板时，根据其初始数据和实时工况参数，在8维空间坐标系中找到与待冷却钢板最接近的历史样本数，即空间相关性S<ε。
若最接近历史样本数少于20～50个，则进入无监督空间聚类模型，通过待冷却钢板与历史样本钢板的空间相关性，反距离加权计算出目标冷却换热系数。
若最接近历史样本数大于20～50个，则进入有监督深度神经网络模型，通过已经积累大量数据训练好的网络模型，预测出目标冷却换热系数。
(7)通过换热系数计算冷却过程所需时间及相应的冷却规程。
Claims (2)
1.一种基于双自学习模型的在线冷却控制方法，其特征在于，该方法包括以下步骤：
第一步，建立适合短期小样本量的无监督聚类模型
建立一种多维空间网格，建立过程如下：
建立多维空间坐标系，将每个影响冷却的因素视为多维空间中的一个坐标维度，通过已知待冷却钢板的工况和规格，在这个多维空间中找到与其对应的点；由此，在多维空间坐标系中，历史冷却样本对应点与目标冷却钢板对应点的关系可以利用反距离权重法来衡量，通过历史样本对目标冷却钢板的影响权重分布推算出目标冷却换热系数；
基于上述多维空间坐标系，根据每个维度的坐标节点，将整个多维空间划分成有限个单元，每个单元网格内以其质心作为该单元网格内全部点的代表，当是二维坐标系时，通过网格聚类化最终预测目标冷却换热系数，具体计算步骤如下：
(1)基于多维空间坐标系确定目标价值点所属的网格单元：
Xn+1∈ei i＝1,…,m (1)
式中，X为空间点；e代表单个网格，这样ei以外的网格单元内的质心可直接参与后续模型的计算；
(2)空间两点的相关性S用欧式距离表示，计算式如下：
Sp＝||Xn+1-Xj||2Xj∈ei
Sc＝||Xn+1-Ck||2 k＝1,…,m&k≠i (2)
式中，Sp为网格单元ei内的目标点与历史样本点的距离；Sc为网格单元ei外的目标点与各质心的距离；Xj为网格单元ei内样本点；Ck为网格单元ei外样本点；
根据反距离加权IDW算法原则，权重w表示为：
w＝S-1 (3)
权重确定后，通过加权平均的方法得到目标点的换热系数hn+1：
式中，wj为目标点与网格单元内点之间权重；hj为网格单元内点对应换热系数；wk为目标点与网格单元外点之间权重；hk为网格单元外点对应换热系数；
第二步，建立适合长期大样本量的有监督深度神经网络模型
采用主成分分析法对冷却过程数据进行预处理，选出8个权重大的影响因子作为输入层单元；输出层单元设定为冷却换热系数；
建立深度神经网络框架：确定网络结构为隐含层4层，每层隐含层含有1024个隐层单元，每层之间所用激活函数为Selu激活函数；优化算法为Adam算法、学习率衰减；为了防止过拟合，通过L2正则化与Dropout正则化并用，并且对各个超参数进行调优；深度神经网络建立后，用现场大数据对其进行训练，最终达到准确预测冷却时间、满足投入生产的条件；
第三步，将第一步建立的无监督聚类模型和第二步建立的有监督深度神经网络模型并联，构成整个冷却控制系统的核心双自学习模型；
所述双自学习模型并行运作方式为：将目标待冷却钢板的初始数据传入至冷却控制系统，系统利用多维空间网格自主搜寻与目标冷却钢板最接近的历史样本数，最接近的判定条件为空间相关性S<ε，其中ε为相关性阈值；若最接近历史样本数少于20～50个，则直接进入无监督空间聚类模型，通过反距离加权计算出目标冷却换热系数；若最接近历史样本数大于20～50个，则进入有监督深度神经网络模型中，通过已经积累大量数据训练好的网络模型，预测出目标冷却换热系数；进入无监督空间聚类模型的样本将得到保存，累积至一定数量后供有监督深度神经网络模型训练使用，同样有监督深度神经网络模型自身也会不断累积数据进行在线的网络权重同步；
结合无监督聚类模型和有监督深度神经网络模型进行在线网络权重同步的具体步骤如下：
(1)系统同时运行A、B两套具有相同网络结构的有监督深度神经网络模型，其中A网络模型为在线预测用，B网络模型为在线训练用；
(2)B网络模型周期性采集已经冷却完成的钢板数据作为样本集，所述周期为1～3日，并进行数据清洗和数据补全预处理；
(3)将预处理后的数据输入B网络模型进行在线训练，若训练后准确率大于上一次训练结果，则将本次训练结果权重保存至共享内存；否则继续训练；
(4)A网络模型实时读取共享内存中新的网络权重，完成在线的网络权重同步；
第四步，将目标冷却换热系数带入经典热平衡微分方程中，计算在目标温降条件下包括所需冷却时间、流量在内的冷却规程信息。
2.根据权利要求1所述的一种基于双自学习模型的在线冷却控制方法，其特征在于，第二步中，8个权重大的影响因子为板材厚度、C含量、Cr含量、Mn含量、冷却水温、气温、温降和目标终冷温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010620805.1A CN111814861B (zh) | 2020-07-01 | 2020-07-01 | 一种基于双自学习模型的在线冷却控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010620805.1A CN111814861B (zh) | 2020-07-01 | 2020-07-01 | 一种基于双自学习模型的在线冷却控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111814861A CN111814861A (zh) | 2020-10-23 |
| CN111814861B true CN111814861B (zh) | 2023-08-01 |
Family
ID=72856682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010620805.1A Active CN111814861B (zh) | 2020-07-01 | 2020-07-01 | 一种基于双自学习模型的在线冷却控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814861B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112496054B (zh) * | 2020-11-26 | 2022-08-05 | 南京高精工程设备有限公司 | 一种热轧棒线材轧后闭环控冷系统及控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105032951A (zh) * | 2015-07-14 | 2015-11-11 | 东北大学 | 一种提高超快冷温度模型精度和自学习效率的控制方法 |
| CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
-
2020
- 2020-07-01 CN CN202010620805.1A patent/CN111814861B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105032951A (zh) * | 2015-07-14 | 2015-11-11 | 东北大学 | 一种提高超快冷温度模型精度和自学习效率的控制方法 |
| CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| A Novel Variable Scale Grid Model for Temperature Self‐Adaptive Control: An Application on Plate Cooling Process after Rolling;Tian Zhang等;《Steel Research International》;第87卷(第9期);1213–1219 * |
| 基于超快冷的中厚板温控形变耦合工艺及控冷模型的研究与工业应用;张田;《中国博士学位论文全文数据库 工程科技Ⅰ辑》(第6期);B022-68 * |
| 深度学习在中厚板轧后控冷系统中的研究与应用;张子豪;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第4期);B022-801 * |
| 深度学习在中厚板轧后超快速冷却系统中的研究与应用;张田等;《东北大学学报(自然科学版)》;第40卷(第5期);635-640 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111814861A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Thermal error modeling of machine tool spindle based on the improved algorithm optimized BP neural network | |
| CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN107729943B (zh) | 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用 | |
| CN110008575B (zh) | 循环冷却水系统工艺介质多温度目标设定值切换多参数预测控制算法 | |
| CN109558677A (zh) | 一种基于数据驱动的热轧板凸度预测方法 | |
| CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
| Zurita et al. | Industrial time series modelling by means of the neo-fuzzy neuron | |
| CN111814861B (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
| CN111090939A (zh) | 石化装置异常工况的预警方法和系统 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
| CN110110447B (zh) | 一种混合蛙跳反馈极限学习机带钢厚度预测方法 | |
| 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 | |
| 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 | |
| CN113705897B (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
| Yan et al. | Rolling force prediction during FGC process of tandem cold rolling based on IQGA-WNN ensemble learning | |
| CN113075883B (zh) | 一种制水业中混凝投药优化方法 | |
| Zheng et al. | Dynamic rolling force prediction of reversible cold rolling mill based on BP neural network with improved PSO | |
| CN117390960A (zh) | 一种数控机床用加工精度智能分析方法 | |
| He et al. | Prediction of mechanical properties of hot rolled strips with generalized RBFNN and composite expectile regression | |
| CN116880201A (zh) | 基于模糊神经网络的水网渠道状态控制系统 | |
| Tang et al. | A novel distributed CVRAE-based spatio-temporal process monitoring method with its application | |
| Hajizadeh | Developing an optimized artificial intelligence model for S&P 500 option pricing: A hybrid GARCH model | |
| Zhong et al. | Prediction of Energy Consumption in Horizontal Roughing Process of Hot Rolling Strip Based on TDADE Algorithm | |
| Liu et al. | A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Tian Inventor after: Liao Shijun Inventor after: Wang Bingxing Inventor after: Tian Yong Inventor after: Sun Xudong Inventor after: Wang Zhaodong Inventor before: Zhang Tian Inventor before: Tian Yong Inventor before: Wang Bingxing Inventor before: Wang Zhaodong Inventor before: Liao Shijun |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |