CN112711867B - 融合理论模型和大数据模型的轧制力预测方法 - Google Patents
融合理论模型和大数据模型的轧制力预测方法 Download PDFInfo
- Publication number
- CN112711867B CN112711867B CN202110070446.1A CN202110070446A CN112711867B CN 112711867 B CN112711867 B CN 112711867B CN 202110070446 A CN202110070446 A CN 202110070446A CN 112711867 B CN112711867 B CN 112711867B
- Authority
- CN
- China
- Prior art keywords
- model
- rolling force
- theoretical model
- rolling
- neural network
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明实施例公开了一种融合理论模型和大数据模型的轧制力预测方法。该轧制力预测方法包括根据平辊轧制过程的特征,确定轧制力的理论模型;以实际生产数据作为研究对象,建立BP神经网络模型;以所述理论模型计算获得的轧制力预测值作为主值,基于平均误差乘法补偿原则将所述理论模型的轧制力预测误差与所述BP神经网络模型的轧制力预测误差进行比较并形成修正系数,基于所述修正系数融合所述理论模型和所述BP神经网络模型而获得整合模型,基于所述整合模型计算最终的轧制力预测值。本发明提供的轧制力预测方法能够实现既继承理论模型的结构形式,又继承了大数据模型的精度,且便于实际应用。
Description
技术领域
本发明涉及治金的技术领域,特别是涉及一种融合理论模型和大数据模型的轧制力预测方法。
背景技术
轧制力的预测是轧制工艺与优化的重要依据。由于轧制过程是一个多参数的非线性过程,因此,以工艺参数为自变量的轧制力预测模型非常难以建立。
目前,已有学者开始将理论模型与大数据模型进行结合来进行轧制力预测。如图1(a)所示,以大数据模型的输出结果为主,将理论模型得到的轧制力预测结果仅作为大数据模型的输入参数或参数之一;这种结合方式较大利用了神经网络预测精度高的优势,弱化了理论模型在轧制参数变化上的指导意义,难以在实际中取得应用。如图1(b)所示,以理论模型为主,通过大数据模型得到一个补偿系数,将理论模型结果与大数据模型得到的补偿系数结合作为最后结果;这种结合方式下大数据模型与理论模型的运行之间是相互独立的,理论模型得到结果的相关信息反馈不到大数据模型中去,可能会出现理论模型结果经修正后精度反而降低的情况。
因此,针对上述技术问题,有必要提供一种能够实现既继承理论模型的结构形式,又继承大数据模型的精度的轧制力预测方法。
发明内容
有鉴于此,本发明实施例的目的在于提供一种融合理论模型和大数据模型的轧制力预测方法。本发明实施例提供的轧制力预测方法根据理论模型与大数据模型预测误差的特点,判定误差偏移量的正负取值,再利用理论模型和大数据模型之间的平均误差比修正理论模型的系数,从而得到轧制力的整合模型。
为了实现上述目的,本发明一实施例提供的技术方案如下:一种融合理论模型和大数据模型的轧制力预测方法包括:根据平辊轧制过程的特征,确定轧制力的理论模型;以实际生产数据作为研究对象,建立BP神经网络模型;以所述理论模型计算获得的轧制力预测值作为主值,基于平均误差乘法补偿原则将所述理论模型的轧制力预测误差与所述BP神经网络模型的轧制力预测误差进行比较并形成修正系数,基于所述修正系数融合所述理论模型和所述BP神经网络模型而获得整合模型,基于所述整合模型计算最终的轧制力预测值。
作为本发明的进一步改进,所述修正系数的表达式如下所示:
作为本发明的进一步改进,所述整合模型的表达式如下所示:
作为本发明的进一步改进,所述理论模型的具体表达式如下所示:
其中,F为理论模型计算获得的轧制力预测值,R为轧辊半径,vR为轧制速度,χ为力臂系数,Δh为压下量,Φmin为轧制能率泛函Φ的最小值。
作为本发明的进一步改进,所述轧制能率泛函Φ的表达式如下所示:
其中,σs为变形抗力,ψp为变形渗透系数,hi和hf分别为轧件在变形区入口和出口的厚度,m为摩擦系数,bm为轧件的平均宽度,θ为接触角,αn轧制泛函最小时的为中性角,U为秒体积流量,hm为轧件的平均厚度,l为接触弧长。
作为本发明的进一步改进,所述建立BP神经网络模型的过程包括步骤:以实际生产数据作为研究对象,确定输入层节点、输出层节点、隐含层层数及所述隐含层的节点数;将训练样本中的参数进行均一化处理并且设定BP神经网络训练的参数。
作为本发明的进一步改进,所述输入层节点的变量包括板厚、板宽、轧辊转速、压下率、开轧温度。
作为本发明的进一步改进,采用试凑法确定所述隐含层层数及所述隐含层的节点数。
作为本发明的进一步改进,每层隐含层节点数n及其变化范围Δn的计算公式如下所示:
n=nmid±Δn,
其中,nmax、nmid和nmin分别为参照三个计算神经元个数的经验公式所求得的最大值、中间值与最小值,所述三个计算神经元个数的经验公式的表达式如下所示:
其中,n1为输入层节点数,n0为输出层节点数,nH、nh和nh′分别为所述三个计算神经元个数的经验公式求得的隐含层神经元个数。
本发明具有以下优点:
本发明实施例提供的融合理论模型和大数据模型的轧制力预测方法根据理论模型和BP神经网络模型之间的平均误差比修正理论模型的系数,获得轧制力预测的整合模型,在所述整合模型中采用了误差特征识别与乘法补偿相结合的方法,使整合模型能够适应各种正负偏差的情况;同时,整合模型既继承理论模型的结构形式,又继承了大数据模型的精度,具有优势互补的特点,便于在实际生产中指导工艺优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所
需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1(a)为现有技术中的第一种轧制力预测方法的流程示意图;
图1(b)为现有技术中的第二种轧制力预测方法的流程示意图;
图2为本发明实施例提供的一种融合理论模型和大数据模型的轧制力预测方法的流程示意图;
图3为图2所示实施例中的另一种方式的流程示意图;
图4为本发明实施例中的BP神经网络结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,都应当属于本发明保护的范围。
如图2和图3所示,本发明实施例提供的一种融合理论模型和大数据模型的轧制力预测方法的流程示意图。在该实施例中,一种融合理论模型和大数据模型的轧制力预测方法包括三个步骤,每个步骤的具体内容如下所示。
步骤S1:根据平辊轧制过程的特征,确定轧制力的理论模型。对于平辊轧制过程,轧制力F的理论模型可按式1确定:
式1中,R为轧辊半径,vR为轧制速度,χ为力臂系数,Δh为压下量,Φmin为轧制能率泛函Φ的最小值,Φ的表达式如式2所示:
式2中,σs为变形抗力,ψp为变形渗透系数,hi和hf分别为轧件在变形区入口和出口的厚度,m为摩擦系数,bm为轧件的平均宽度,θ为接触角,αn轧制泛函最小时的为中性角,U为秒体积流量,hm为轧件的平均厚度,l为接触弧长。
步骤S2:以实际生产数据作为研究对象,建立BP神经网络模型。在该实施例中共,BP神经网络模型是大数据模型的一种具体类型。在该实施例中,建立BP神经网络模型的过程包括以下步骤。
步骤S21:以实际生产数据作为研究对象,确定输入层节点、输出层节点、隐含层层数及所述隐含层的节点数。参照式1中的理论模型的自变量,在该实施例中共,BP神经网络的输入变量包括板厚、板宽、轧辊转速、压下率和开轧温度,输出变量为BP神经网络的轧制力预测值。在确定隐含层及其节点数时,选择较少的节点数以尽量使BP神经模型的结构简单,并且优先选择较少的层数。在该实施例中共,采用试凑法确定隐含层层数与每层节点数。隐含层神经元个数的选取范围基于构件法,每层隐含层节点数n及其变化范围Δn可参考式3和式4来进行选取:
n=nmid±Δn (3)
其中,nmax、nmid和nmin分别为参照三个计算神经元个数的经验公式所求得的最大值、中间值与最小值。所述三个计算神经元个数的经验公式如式5所示:
式5中,n1为输入层节点数,n0为输出层节点数,nH、nh和nh′分别为不同经验公式求得的隐含层神经元个数。根据以上计算方法,本发明实施例的BP神经网络结构如图4所示。根据平辊轧制工艺特定及本发明实施例中的式3至式5的限定,本发明实施例中的BP神经网络每层隐含层神经元个数的试凑范围为[2,8]。
步骤S22:将训练样本中的参数进行均一化处理并且设定BP神经网络训练的参数。由于训练样本中各个参数之间的数值存在较大的差距,为了保证不同物理量在训练中的权重均相同,在进行训练之前,本发明实施例对其进行均一化处理。在本发明实施例中共,BP神经网络训练迭代次数最大值设为1000,训练的均方差目标值为1×10-3,学习率为0.01,训练函数则选择MATLAB工具箱中的拟牛顿法。为了防止神经网络过拟合,本发明实施例中将有效验证参数(validation check)的次数设置为6,即当BP神经网络的训练误差曲线连续6次迭代后都不继续下降,便认为此时的结果是最佳结果。
在本发明实施例中,由于步骤S1和步骤S2的执行内容并不会交叉,因此,步骤S1和步骤S2的执行顺序可以进行互换。
步骤S3:以所述理论模型计算获得的轧制力预测值作为主值,基于平均误差乘法补偿原则将所述理论模型的轧制力预测误差与所述BP神经网络模型的轧制力预测误差进行比较并形成修正系数,基于所述修正系数融合所述理论模型和所述BP神经网络模型而获得整合模型,基于所述整合模型计算最终的轧制力预测值。在该实施例中共,修正系数的表达式如式6所示:
继续参考图3,本发明实施例中,整合模型的表达式如式8所示:
本发明实施例提供的融合理论模型和大数据模型的轧制力预测方法根据理论模型和BP神经网络模型之间的平均误差比修正理论模型的系数,获得轧制力预测的整合模型,在所述整合模型中采用了误差特征识别与乘法补偿相结合的方法,使整合模型能够适应各种正负偏差的情况;同时,整合模型既继承理论模型的结构形式,又继承了大数据模型的精度,具有优势互补的特点,便于在实际生产中指导工艺优化。
下面以一个具体的平辊作为研究对象,试验本发明实施例所提出的融合理论模型和大数据模型的轧制力预测方法。
①理论模型部分
在该实施例中,理论模型的轧制数据如表1所示,实施例部分采用第二道次数据进行演示。
表1理论模型计算采用轧制数据
由表1可知,轧制速度vR=1.64m/s,入口温度T=963.74℃,轧件入口厚度轧件出口厚度轧件入口宽度轧件出口宽度压下量Δh=h0-h1=0.01367m,宽展量Δb=b1-b0=0.001173m,轧件平均厚度轧件平均宽度接触弧长度接触角真应变等效应变量等效应变速率平均温度
以下进行变形抗力及其相关数据的计算:
计算出以上参数后,使用搜索法找出总功泛函的最小值,即Φmin=16.68,此时,
其余4组数据也可按照此流程算出。
②神经网络部分
在该实施例中,选取1000组实际生产数据作为数据库,操作软件为Matlab。首先确定最合适的BP神经网络结构,参照理论模型的自变量,此处的输入参数确定为5个:板厚、板宽、轧辊转速、压下率和开轧温度;输出变量为轧制力;隐含层的个数为2层。根据试凑法所得的范围[2,8]。对BP神经网络两层隐含层的神经元个数进行尝试,当尝试结束后BP神经网络最小均方误差(MSE)值时的神经网络结构即为最适合的结构。表2即为所有结构训练结束时的MSE值分布。
表2 BP网络训练结束时的MSE
2 | 3 | 4 | 5 | 6 | 7 | 8 | |
2 | 0.00326 | 0.00332 | 0.00833 | 0.00304 | 0.00334 | 0.00317 | 0.00421 |
3 | 0.00298 | 0.00344 | 0.00328 | 0.00301 | 0.00296 | 0.00346 | 0.00278 |
4 | 0.00251 | 0.00275 | 0.00254 | 0.00264 | 0.00274 | 0.0031 | 0.00281 |
5 | 0.00336 | 0.00393 | 0.00251 | 0.00323 | 0.00272 | 0.00263 | 0.00301 |
6 | 0.00313 | 0.00304 | 0.00297 | 0.00381 | 0.00292 | 0.00236 | 0.00325 |
7 | 0.00299 | 0.00395 | 0.00316 | 0.00248 | 0.00221 | 0.00369 | 0.00277 |
8 | 0.00277 | 0.00296 | 0.00256 | 0.00261 | 0.00279 | 0.00249 | 0.00253 |
表2中的纵轴为第一层隐含层神经元个数,横轴为第二层隐含层神经元个数。由表2可见,两层隐含层神经元个数分别对应7-3时,MSE值最小,因此本实例的神经网络结构确定为5-7-6-1。确定神经网络结构后进行数据预处理和参数设定,之后运行程序。表3和表4为BP神经网络所得的结果。
表3 BP神经网络训练完成时的数据统计
BP神经网络/% | |
精度误差范围 | 0~6 |
最大误差 | 5.87 |
平均误差 | 3.29 |
迭代次数 | 65 |
表4使用BP神经网络对理论模型数据的预测结果
道次数 | <![CDATA[实测值F<sub>Meas</sub>/kN]]> | <![CDATA[预测值F<sub>ANN</sub>/kN]]> | 误差Δ/% |
2 | 43607 | 44148 | 1.24 |
3 | 44006 | 43988 | -0.04 |
4 | 43172 | 43948 | 1.80 |
5 | 42269 | 43912 | 3.89 |
6 | 39061 | 39010 | -0.13 |
由表4可见,BP神经网络对第二道次轧制数据进行预测后所得到的预测值为44148kN。
③整合模型部分
参照式(6)至(8)进行误差补偿系数的计算,由于实施例中只验证第二道次数据,因此n=1,在实际应用时n采用实际验证时的数据数量。
FI=45914×0.967=44423.78 kN (11)
式(11)所计算出的FI即为整合模型的轧制力预测结果。通过预测结果可知,计算的FI为44423.78KN。
本发明实施例提供的融合理论模型和大数据的轧制力预测方法能够提供整合模型,既能继承理论模型的结构形式,又继承了大数据模型的精度,具有优势互补的特点;整合模型为一个明确的计算公式,避免了BP神经网络模型的黑箱模型形式,从而便于在实际生产中指导工艺优化。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种融合理论模型和大数据模型的轧制力预测方法,其特征在于,所述轧制力预测方法包括:
根据平辊轧制过程的特征,确定轧制力的理论模型;
以实际生产数据作为研究对象,建立BP神经网络模型;
以所述理论模型计算获得的轧制力预测值作为主值,基于平均误差乘法补偿原则将所述理论模型的轧制力预测误差与所述BP神经网络模型的轧制力预测误差进行比较并形成修正系数,基于所述修正系数融合所述理论模型和所述BP神经网络模型而获得整合模型,基于所述整合模型计算最终的轧制力预测值;
所述修正系数的表达式如下所示:
所述整合模型的表达式如下所示:
4.根据权利要求1所述的一种融合理论模型和大数据模型的轧制力预测方法,其特征在于,所述建立BP神经网络模型的过程包括步骤:
以实际生产数据作为研究对象,确定输入层节点、输出层节点、隐含层层数及所述隐含层的节点数;
将训练样本中的参数进行均一化处理并且设定BP神经网络训练的参数。
5.根据权利要求4所述的一种融合理论模型和大数据模型的轧制力预测方法,其特征在于,所述输入层节点的变量包括板厚、板宽、轧辊转速、压下率、开轧温度。
6.根据权利要求4所述的一种融合理论模型和大数据模型的轧制力预测方法,其特征在于,采用试凑法确定所述隐含层层数及所述隐含层的节点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070446.1A CN112711867B (zh) | 2021-01-19 | 2021-01-19 | 融合理论模型和大数据模型的轧制力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070446.1A CN112711867B (zh) | 2021-01-19 | 2021-01-19 | 融合理论模型和大数据模型的轧制力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711867A CN112711867A (zh) | 2021-04-27 |
CN112711867B true CN112711867B (zh) | 2023-04-18 |
Family
ID=75549388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110070446.1A Active CN112711867B (zh) | 2021-01-19 | 2021-01-19 | 融合理论模型和大数据模型的轧制力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711867B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569343A (zh) * | 2021-05-19 | 2021-10-29 | 苏州大学 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
TWI795155B (zh) * | 2021-12-30 | 2023-03-01 | 財團法人工業技術研究院 | 建立製程預測模型的方法及系統 |
CN115237054B (zh) * | 2022-09-21 | 2022-12-16 | 中科航迈数控软件(深圳)有限公司 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745101A (zh) * | 2013-12-30 | 2014-04-23 | 中冶南方(武汉)自动化有限公司 | 基于改进神经网络算法的中厚板轧制力设定值预报方法 |
JP6315818B2 (ja) * | 2014-10-07 | 2018-04-25 | 株式会社日立製作所 | タンデム圧延ミルの制御装置および制御方法 |
CN109351785B (zh) * | 2018-11-28 | 2020-09-08 | 北京首钢冷轧薄板有限公司 | 一种轧制力优化方法及装置 |
CN110705179A (zh) * | 2019-09-30 | 2020-01-17 | 山东大学 | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 |
CN111241657B (zh) * | 2019-12-30 | 2023-03-10 | 新大陆数字技术股份有限公司 | 一种基于深度学习的冷轧带钢板形预测方法 |
CN111291513B (zh) * | 2020-01-22 | 2024-01-05 | 苏州大学 | 一种基于bp神经网络的差厚板轧制力的预测方法 |
-
2021
- 2021-01-19 CN CN202110070446.1A patent/CN112711867B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112711867A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112711867B (zh) | 融合理论模型和大数据模型的轧制力预测方法 | |
Thiede et al. | Data mining in battery production chains towards multi-criterial quality prediction | |
Deng et al. | Application of neural networks for predicting hot-rolled strip crown | |
CN108510006B (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN111209708B (zh) | 基于机器学习的桩-土相互作用预测分析方法 | |
CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
CN111291513B (zh) | 一种基于bp神经网络的差厚板轧制力的预测方法 | |
WO2022116571A1 (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
CN102880908B (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN110981021B (zh) | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 | |
CN105929812A (zh) | 带钢热连轧质量的故障诊断方法及装置 | |
CN116000106B (zh) | 一种冷连轧升降速阶段的轧制力设定方法 | |
CN110032146B (zh) | 一种基于多机协同因子的复杂加工过程稳定性评估方法 | |
CN112037209A (zh) | 一种钢板轧辊磨损量预测方法及系统 | |
CN103488887B (zh) | 一种基于混合专家网络的产品可靠性评估方法 | |
CN109433830A (zh) | 一种冷轧板形闭环控制方法及系统 | |
CN113011491A (zh) | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 | |
CN114662406A (zh) | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 | |
CN113688458B (zh) | 一种基于层次分析法的地基基础方案优选方法 | |
CN114580940A (zh) | 基于灰色关联度分析法的注浆效果模糊综合评价方法 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN114510864A (zh) | 一种基于K-means聚类算法的神经网络预报轧制力的预报方法 |
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 |