CN112749505A - 一种机理融合数据的热轧带钢截面形状预测方法 - Google Patents
一种机理融合数据的热轧带钢截面形状预测方法 Download PDFInfo
- Publication number
- CN112749505A CN112749505A CN202011485336.3A CN202011485336A CN112749505A CN 112749505 A CN112749505 A CN 112749505A CN 202011485336 A CN202011485336 A CN 202011485336A CN 112749505 A CN112749505 A CN 112749505A
- Authority
- CN
- China
- Prior art keywords
- data
- steps
- rolling
- following
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000005096 rolling process Methods 0.000 claims abstract description 60
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 17
- 239000010959 steel Substances 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005299 abrasion Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013000 roll bending Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005098 hot rolling Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B2001/225—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length by hot-rolling
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明属于热轧控制技术领域,具体涉及一种机理融合数据的热轧带钢截面形状预测方法,包括下列步骤:现场采集相关变量及特征数据;结合轧制过程数据建立轧制机理模型;计算轧制机理数据并对其增维处理,获得实验训练数据集合;对实验训练数据进行预处理,提高数据质量;建立机理融合数据的热轧带钢截面形状的M‑SVR预测模型。本发明通过分析热轧轧制过程中的诸多变量特征以及影响板凸度与板厚度的主要因素,从而现场采集相关变量及特征数据,同时计算有关机理数据并对其增维处理;并且本发明建立机理融合数据的热轧带钢截面形状的M‑SVR预测模型并采用NSGA‑II算法优化模型参数,进一步提高预测精度。本发明用于对热轧带钢截面形状的预测。
Description
技术领域
本发明属于热轧控制技术领域,具体涉及一种机理融合数据的热轧带钢截面形状预测方法。
背景技术
近年来,随着计算机科学以及大数据技术的兴起和蓬勃发展,机器学习方法在许多领域已得到普遍应用,包括轧制领域。随着厚度自动控制技术(AGC)的成熟应用,厚度控制精度作为衡量热轧带钢产品尺寸精度重要指标之一,已经很大程度上满足了市场要求,反观其板形控制却仍然存在控制精度不足的突出问题。因此,对热轧板形控制模型的研究和开发仍是板带轧制领域的热门方向。目前,大多数研究的焦点仍然是如何通过各种智能学习算法优化模型参数和变量特征来提高预测精度。机器学习(ML)能够通过输入特征和输出目标建立基于统计的直接相关性,但是没有考虑相关的机制特征,所用的数据源通常比较理想,较少考虑输入不确定性、多维性以及设备所处环境等复杂因素,影响预测结果。并且在模型预测过程中,由于机理信息的缺乏和对输入特征参数难以综合考虑,对数据库质量的依赖性增加,降低了模型的通用性。
发明内容
针对上述在模型预测过程中机理信息的缺乏和对输入特征参数难以综合考虑的技术问题,本发明提供了一种准确度高、通用性好、误差小的机理融合数据的热轧带钢截面形状预测方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种机理融合数据的热轧带钢截面形状预测方法,包括下列步骤:
S1、现场采集相关变量及特征数据;
S2、结合轧制过程数据建立轧制机理模型;
S3、计算轧制机理数据并对其增维处理,获得实验训练数据集合;
S4、对实验训练数据进行预处理,提高数据质量;
S5、建立机理融合数据的热轧带钢截面形状的M-SVR预测模型。
所述S1中的采集相关变量及特征数据为:轧制力、弯辊力、辊缝值、窜辊量、轧制速度、轧制入口温度及出口温度、带钢的出口厚度和出口宽度以及计算机架间温度、轧辊的热凸度以及轧辊磨损量。
所述S2结合轧制过程数据建立轧制机理模型的方法为:包括以下步骤:
S2.1、根据实际测得的精轧区入口温度和出口温度,计算精轧区各机架出口对应的温度,计算公式为:
其中,i表示机架数;TRC为粗轧出口的温度;ΔTA、ΔTW、ΔTF、ΔTC、ΔTR分别是空气冷却下降的温度、水冷下降的温度、摩擦温升、接触温度下降、轧制的入口下降温度;
S2.2、建立轧辊的热凸度模型,先建立轧辊温度场,然后根据轧辊的温度场模型确定热变形模型;
S2.3、采用离散等距切分法建立工作辊磨损模型。
所述S2.2中确定热变形模型的方法为:包括下列步骤:
S2.2.1、采用二维差分法研究温度场,假设轧辊是各向同性的,不包含内部热源,则轧辊内部单元的热传导微分方程为:
所述T为轧辊温度场;所述t为时间;所述ρ、c、k分别代表轧辊密度、比热、导热系数;所述x、r是轴向坐标和径向坐标;
S2.2.2、轧辊直径热膨胀计算公式如下:
所述v、γ、R分别为泊松比、线膨胀系数、轧辊半径;所述T0为辊的初始温度。
所述S2.3中采用离散等距切分法建立工作辊磨损模型的方法为:将辊体均匀划分,得到工作辊的整体磨损分布,建立轧辊磨损计算模型结构公式如下:
所述P为单位宽度轧制力的影响项;所述F为不规则边磨损的影响项;所述T为辊面温度的影响项;所述D为接触弧长影响项;所述ΔyWij表示第i机架轧机轧辊每转一圈j片的磨损量;所述Pi为单位宽度的轧制力。
所述S3中获得实验训练数据集合的方法为:包括以下步骤:
S3.1、根据S2所建立的机架间温度、轧辊的热凸度、工作辊磨损理论模型,计算相应的轧制机理数据;
S3.2、将轧制机理数据以额外的向量维度结合轧制过程数据经数据处理后参与模型的训练过程。
所述S4中对实验训练数据进行预处理的方法为:包括以下步骤:
S4.1、使用pauta标准对所采集的数据进行数据清理;
S4.2、利用数据归一化对数据进行规范化或标准化处理。
所述S4.2中数据归一化公式为:
f:x→y=[x-x(min)]/[x(max)-x(min)]
所述x、x(min)、x(max)为原始数据以及其最小值和最大值。
所述S5建立机理融合数据的热轧带钢截面形状的M-SVR预测模型的方法为:包括以下步骤:
S5.1、选择确定核函数,表达式如下:
所述xi为样本数据点,x为内核函数的中心点,σ为宽度参数;
S5.2、采用NSGA-II优化算法对M-SVR模型进行参数优化,将训练集数据与测试集数据按7:3比例分配,借助NSGA-II优化最佳M-SVR参数;
S5.3、建立M-SVR板凸度-厚度预测模型并对其预测结果进行分析。
所述S5.3中建立M-SVR板凸度-厚度预测模型的方法为:
采用均方误差MSE和相关系数R和来评价M-SVR模型的预测性能,公式如下:
本发明与现有技术相比,具有的有益效果是:
本发明通过分析热轧轧制过程中的诸多变量特征以及影响板凸度与板厚度的主要因素,从而现场采集相关变量及特征数据;并且本发明建立机理融合数据的热轧带钢截面形状的M-SVR预测模型并采用NSGA-II算法优化模型参数,进一步提高预测精度。
附图说明
图1为本发明的总体流程示意图;
图2为本发明的增维处理模型描述简图;
图3为本发明的NSGA-II优化算法流程图;
图4为本发明的板凸度预测结果图;
图5为本发明的板厚度预测结果图。
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。
一种机理融合数据的热轧带钢截面形状预测方法,如图1所示,包括下列步骤:
步骤1、分析热轧轧制过程中的诸多变量特征以及影响板凸度与板厚度的主要因素,从而现场采集相关变量及特征数据,包括轧制力、弯辊力、辊缝值、窜辊量、轧制速度、轧制入口温度及出口温度、带钢的出口厚度和出口宽度以及计算机架间温度、轧辊的热凸度以及轧辊磨损量。
步骤2、结合轧制过程数据根据轧制机理建立轧制机理理论模型。
步骤2.1、根据实际测得的精轧区入口温度和出口温度,计算精轧区各机架出口对应的温度,计算公式为:
其中,i表示机架数;TRC为粗轧出口的温度;ΔTA,ΔTW,ΔTF,ΔTC,ΔTR分别是空气冷却下降的温度,水冷下降的温度,摩擦温升,接触温度下降,轧制的入口下降温度。
步骤2.2、根据轧辊的温度场与热膨胀确定轧辊热变形;
步骤2.2.1、本发明采用二维差分法研究温度场,假设轧辊是各向同性的,不包含内部热源,则轧辊内部单元的热传导微分方程为:
式中,T为轧辊温度场;t为时间;ρ,c,k分别代表轧辊密度,比热和导热系数,x,r是轴向坐标和径向坐标;
步骤2.2.2、轧辊直径热膨胀计算公式如下:
式中,v,γ,R分别为泊松比、线膨胀系数和轧辊半径;T0为辊的初始温度。
步骤2.3、采用离散等距切分法计算工作辊磨损模型;
将辊体均匀划分,得到工作辊的整体磨损分布,建立轧辊磨损计算模型结构公式如下:
式中,P为单位宽度轧制力的影响项;F为不规则边磨损的影响项;T为辊面温度的影响项;D为接触弧长影响项;ΔyWij表示第i机架轧机轧辊每转一圈j片的磨损量;Pi为单位宽度的轧制力。
步骤3、如图2所示,计算轧制机理数据并对其增维处理,获得实验训练数据集合。
步骤3.1、根据步骤2所建立的机架间温度、轧辊的热凸度、工作辊磨损理论模型,计算相应的轧制机理数据;
步骤3.2、将轧制机理数据以额外的向量维度结合轧制过程数据经数据处理后参与模型的训练过程。
步骤4、对实验数据进行预处理,提高数据质量,包括以下步骤:
步骤4.1、使用pauta标准对所搜集的数据进行清理;
步骤4.2、利用数据归一化对数据进行规范化或标准化处理。数据归一化公式为:
f:x→y=[x-x(min)]/[x(max)-x(min)]
其中,x,x(min),x(max)为原始数据以及其最小值和最大值。
步骤5、建立机理融合数据的热轧带钢截面形状的M-SVR预测模型,包括以下步骤:
步骤5.1、选择RBF核函数,表达式如下:
式中,xi为样本数据点,x为内核函数的中心点,σ为宽度参数。
步骤5.2、采用NSGA-II优化算法对M-SVR模型进行参数优化;
将训练集数据与测试集数据按7:3比例分配,借助NSGA-II优化最佳M-SVR参数,NSGA-II优化算法流程图如图3所示。
步骤5.3、建立M-SVR板凸度-厚度预测模型并对其预测结果进行分析;
步骤5.3.1、模型预测性能评价指标;
采用均方误差(MSE)和相关系数(R)和来评价M-SVR模型的预测性能,公式如下:
M-SVR模型预测结果如图4(板凸度预测结果)以及图5(板厚度预测结果)所示。
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做出各种变化,各种变化均应包含在本发明的保护范围之内。
Claims (10)
1.一种机理融合数据的热轧带钢截面形状预测方法,其特征在于:包括下列步骤:
S1、现场采集相关变量及特征数据;
S2、结合轧制过程数据建立轧制机理模型;
S3、计算轧制机理数据并对其增维处理,获得实验训练数据集合;
S4、对实验训练数据进行预处理,提高数据质量;
S5、建立机理融合数据的热轧带钢截面形状的M-SVR预测模型。
2.根据权利要求1所述的一种机理融合数据的热轧带钢截面形状预测方法,其特征在于:所述S1中的采集相关变量及特征数据为:轧制力、弯辊力、辊缝值、窜辊量、轧制速度、轧制入口温度及出口温度、带钢的出口厚度和出口宽度以及计算机架间温度、轧辊的热凸度以及轧辊磨损量。
6.根据权利要求1所述的一种机理融合数据的热轧带钢截面形状预测方法,其特征在于:所述S3中获得实验训练数据集合的方法为:包括以下步骤:
S3.1、根据S2所建立的机架间温度、轧辊的热凸度、工作辊磨损理论模型,计算相应的轧制机理数据;
S3.2、将轧制机理数据以额外的向量维度结合轧制过程数据经数据处理后参与模型的训练过程。
7.根据权利要求1所述的一种机理融合数据的热轧带钢截面形状预测方法,其特征在于:所述S4中对实验训练数据进行预处理的方法为:包括以下步骤:
S4.1、使用pauta标准对所采集的数据进行数据清理;
S4.2、利用数据归一化对数据进行规范化或标准化处理。
8.根据权利要求7所述的一种机理融合数据的热轧带钢截面形状预测方法,其特征在于:所述S4.2中数据归一化公式为:
f:x→y=[x-x(min)]/[x(max)-x(min)]
所述x、x(min)、x(max)为原始数据以及其最小值和最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485336.3A CN112749505B (zh) | 2020-12-16 | 2020-12-16 | 一种机理融合数据的热轧带钢截面形状预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485336.3A CN112749505B (zh) | 2020-12-16 | 2020-12-16 | 一种机理融合数据的热轧带钢截面形状预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749505A true CN112749505A (zh) | 2021-05-04 |
CN112749505B CN112749505B (zh) | 2023-10-24 |
Family
ID=75648534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485336.3A Active CN112749505B (zh) | 2020-12-16 | 2020-12-16 | 一种机理融合数据的热轧带钢截面形状预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749505B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113617852A (zh) * | 2021-08-09 | 2021-11-09 | 太原科技大学 | 一种基于数据驱动的楔横轧智能化控制系统 |
CN113687633A (zh) * | 2021-06-29 | 2021-11-23 | 云南昆钢电子信息科技有限公司 | 一种钢筋质量管理系统和方法 |
CN114091352A (zh) * | 2021-12-01 | 2022-02-25 | 东北大学 | 基于Elman神经网络的热连轧出口板凸度动态预测方法 |
CN114818512A (zh) * | 2022-05-25 | 2022-07-29 | 浙大宁波理工学院 | 一种通过svr模型对片状塑料模成型工艺的优化方法 |
CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
WO2023130666A1 (zh) * | 2022-01-04 | 2023-07-13 | 东北大学 | 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 |
CN117055487A (zh) * | 2023-08-24 | 2023-11-14 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
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 |
CN117875137A (zh) * | 2024-03-11 | 2024-04-12 | 东北大学 | 一种基于数据驱动的轧制过程轧辊磨损预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011006642A (ja) * | 2009-06-29 | 2011-01-13 | Chugoku Electric Power Co Inc:The | 漏油対策シートおよび漏油対策方法 |
CN105013832A (zh) * | 2014-04-28 | 2015-11-04 | 宝山钢铁股份有限公司 | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 |
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 |
CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
CN111209967A (zh) * | 2020-01-08 | 2020-05-29 | 太原科技大学 | 一种基于支持向量机的轧制过程板凸度预测方法 |
CN111250548A (zh) * | 2020-01-18 | 2020-06-09 | 太原科技大学 | 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 |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
-
2020
- 2020-12-16 CN CN202011485336.3A patent/CN112749505B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011006642A (ja) * | 2009-06-29 | 2011-01-13 | Chugoku Electric Power Co Inc:The | 漏油対策シートおよび漏油対策方法 |
CN105013832A (zh) * | 2014-04-28 | 2015-11-04 | 宝山钢铁股份有限公司 | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 |
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 |
CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
CN111209967A (zh) * | 2020-01-08 | 2020-05-29 | 太原科技大学 | 一种基于支持向量机的轧制过程板凸度预测方法 |
CN111250548A (zh) * | 2020-01-18 | 2020-06-09 | 太原科技大学 | 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 |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687633A (zh) * | 2021-06-29 | 2021-11-23 | 云南昆钢电子信息科技有限公司 | 一种钢筋质量管理系统和方法 |
CN113617852A (zh) * | 2021-08-09 | 2021-11-09 | 太原科技大学 | 一种基于数据驱动的楔横轧智能化控制系统 |
CN114091352A (zh) * | 2021-12-01 | 2022-02-25 | 东北大学 | 基于Elman神经网络的热连轧出口板凸度动态预测方法 |
WO2023130666A1 (zh) * | 2022-01-04 | 2023-07-13 | 东北大学 | 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 |
CN114818512A (zh) * | 2022-05-25 | 2022-07-29 | 浙大宁波理工学院 | 一种通过svr模型对片状塑料模成型工艺的优化方法 |
CN114818512B (zh) * | 2022-05-25 | 2024-05-07 | 浙大宁波理工学院 | 一种通过svr模型对片状塑料模成型工艺的优化方法 |
CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
CN117055487A (zh) * | 2023-08-24 | 2023-11-14 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
CN117055487B (zh) * | 2023-08-24 | 2024-04-16 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
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 |
CN117875137A (zh) * | 2024-03-11 | 2024-04-12 | 东北大学 | 一种基于数据驱动的轧制过程轧辊磨损预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112749505B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749505A (zh) | 一种机理融合数据的热轧带钢截面形状预测方法 | |
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 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN113434994B (zh) | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 | |
CN111209967A (zh) | 一种基于支持向量机的轧制过程板凸度预测方法 | |
CN115608793B (zh) | 一种机理融合数据的精轧温度调控方法 | |
CN110802114A (zh) | 一种冷轧板带轧制力方法 | |
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 | |
CN113987949A (zh) | 一种基于数据驱动的板带钢变形抗力预测方法 | |
CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
Ji et al. | Prediction of strip section shape for hot-rolled based on mechanism fusion data model | |
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 | |
Dong et al. | A simple approach to multivariate monitoring of production processes with non-Gaussian data | |
CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
Wu et al. | A novel GPR-based prediction model for strip crown in hot rolling by using the improved local outlier factor | |
CN112387791B (zh) | 冷轧带钢的轧制温度确定方法及确定系统 | |
CN112170502A (zh) | 一种轧制过程弯辊力的预测方法 | |
CN117655118A (zh) | 多模融合的带钢板形控制方法和装置 | |
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 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
CN114331195A (zh) | 一种影响热轧带钢全长质量的过程曲线风险评价方法 | |
CN115203903A (zh) | 一种基于钢坯目标升温过程的温度状态评价方法 | |
CN110947771B (zh) | 一种热连轧轧制能耗计算方法 |
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 |