CN112966870A - 一种基于神经网络的冷轧硅钢质量缺陷预测方法 - Google Patents
一种基于神经网络的冷轧硅钢质量缺陷预测方法 Download PDFInfo
- Publication number
- CN112966870A CN112966870A CN202110275380.XA CN202110275380A CN112966870A CN 112966870 A CN112966870 A CN 112966870A CN 202110275380 A CN202110275380 A CN 202110275380A CN 112966870 A CN112966870 A CN 112966870A
- Authority
- CN
- China
- Prior art keywords
- data
- silicon steel
- cold
- neural network
- rolled silicon
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 52
- 229910000976 Electrical steel Inorganic materials 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 30
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 9
- 239000010959 steel Substances 0.000 claims abstract description 9
- 239000002994 raw material Substances 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000007621 cluster analysis Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 6
- 238000005554 pickling Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000013000 roll bending Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000002950 deficient Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于神经网络的冷轧硅钢质量缺陷预测方法，其可包括如下步骤：S1：对冷轧硅钢进行全流程物料跟踪，完成钢卷所经历各机组的工艺数据采集以及硅钢质量缺陷结果采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果；S2：确定冷轧硅钢质量缺陷的影响因素，并构建数据集；S3：对数据集的输入项进行K‑means聚类分析；S4：对聚类后的数据选取最具特征的数据集；S5：建立BP神经网络训练数据；S6：使用神经网络预测冷轧硅钢质量缺陷概率。本发明克服了机理模型研究过程的技术瓶颈，能够更优更灵敏地捕捉工艺参数的变化对质量缺陷的影响。
Description
技术领域
本发明属于冷轧硅钢技术领域，具体地涉及一种基于神经网络的冷轧硅钢质量缺陷预测方法。
背景技术
冷轧硅钢属于附加值较高的一类钢铁品种，质量缺陷问题是影响硅钢最终产品质量的一个关键要素。即使铁损和磁性能达标并稳定后,表面质量出现问题,同样会造成成品降级处理甚至报废。缺陷问题还将影响成材率，并对下游工序造成影响。
冷轧硅钢质量缺陷的影响因素复杂多变，建立精确的机理预报模型十分困难。为此，首先分析影响质量缺陷的主要工艺参数，通过一些智能的数据驱动的方法建立纯数据模型，例如，公开号为CN111563686A的发明专利《一种基于全流程数据的冷轧硅钢质量判定方法》(公开时间：2020年08月21日)，通过获取全流程过程中影响硅钢质量的工艺参数，并使用主成分分析法对这些工艺参数进行特征降维分析，再采用Logistic回归模型进行回归分析来判断冷轧硅钢的质量。
上述专利尚未考虑到的问题是：①针对质量缺陷，检测结果和预测的结果要么是有缺陷，要么是没有缺陷。而实际生产中，针对同一套工艺参数和原料数据如果生产100卷，可能发生缺陷的卷有2卷。如果将来再生产这个原料数据的钢卷，且采用同样的工艺参数，这时候到底是预报为有缺陷还是没有缺陷呢？②如何更优更灵敏的捕捉工艺参数的变化对质量缺陷的影响？即需要一种合适有效的数据模型数据选取机制。
发明内容
本发明旨在提供一种基于神经网络的冷轧硅钢质量缺陷预测方法，以解决上述技术问题。为此，本发明采用的具体技术方案如下：
进一步地，一种基于神经网络的冷轧硅钢质量缺陷预测方法，其可包括如下步骤：
S1：对冷轧硅钢进行全流程物料跟踪，完成钢卷所经历各机组的工艺数据采集以及硅钢质量缺陷结果采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果；
S2：确定冷轧硅钢质量缺陷的影响因素，并构建数据集；
S3：对数据集的输入项进行K-means聚类分析；
S4：对聚类后的数据选取最具特征的数据集；
S5：建立BP神经网络训练数据；
S6：使用神经网络预测冷轧硅钢质量缺陷概率。
进一步地，在步骤S1中，机组包括常化酸洗机组、轧机、连续退火涂层机组、重卷机组和包装机组。
进一步地，在步骤S2中，冷轧硅钢质量缺陷的影响因素包括常化温度、酸洗浓度、轧制力、轧制时弯辊量和连退温度。
进一步地，在步骤S2中，数据集包括多组数据，每组数据对应于每卷钢的每个原料位置，均包括输入数据和输出数据，其中，输入数据为多个工艺数据，输出数据为0或1，其中0表示没有缺陷，1表示有缺陷。
进一步地，在步骤S3中，k的取值范围为2～4，并且计算距离的方法采用欧式距离。
进一步地，步骤S4中：对于k组聚类后的数据，每组数据做如下处理：
S41：计算输出的平均值，该平均值＝缺陷样本数/总样本数；
S42：选择若干个输入数据，对这些数据分别与零点求欧式距离，选择距离最大和距离最小的各cnt个数据，其中对于该2×cnt个输入数据，其输出均为步骤S41所计算的平均值。
进一步地，在步骤S5中，BP神经网络采用四层网络，其中，首层神经元个数为工艺数据个数E，第一隐层神经元个数为E/2.5并取整数，第二隐层神经元个数为2，输出层神经元个数为1，传递函数为Sigmoid。
本发明采用上述技术方案，具有的有益效果是：
1.采用神经网络建立了冷轧各机组工艺对冷轧硅钢质量缺陷的数据关系模型，克服了机理模型研究过程的技术瓶颈。
2.基于聚类算法分类，选出更能代表工艺特征的数据作为神经网络的训练集，能够更优更灵敏地捕捉工艺参数的变化对质量缺陷的影响。
附图说明
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
图1是本发明的一种基于神经网络的冷轧硅钢质量缺陷预测方法的流程图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，一种基于神经网络的冷轧硅钢质量缺陷预测方法，其可包括如下步骤：
S1：对冷轧硅钢进行全流程物料跟踪，完成钢卷所经历各机组的工艺数据采集，以及硅钢质量缺陷结果采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果。其中，机组可包括常化酸洗机组、轧机、连续退火涂层机组，重卷机组和包装机组等。
S2：确定冷轧硅钢质量缺陷的影响因素，并构建数据集。工艺人员确定影响硅钢质量缺陷的因素，例如常化温度、酸洗浓度、轧制力、轧制时弯辊量和连退温度等。这样，对于每卷钢的每个原料位置，将会得到一组数据d，且其包括输入数据di(多个工艺数据)及输出数据do(其中，有缺陷表示1，没有缺陷表示0)。
S3：对数据集的输入项进行K-means聚类分析。具体的步骤为：
S31：首先输入k的值，即我们希望将数据集经过聚类得到k个分组。
S32：从数据集中随机选择k个数据点作为质心。
S33：对数据集中每一组数据，计算其与各个质心的距离，离哪个质心距离近，就划分到那个质心一组。
S34：这时每一个质心都包含了很多数据了，然后这些数据共同选出新的质心。
S35：如果新的质心和上一次的质心的距离小于某一个设置的阈值(表示重新计算的质心的位置变化不大，趋于稳定，或者说收敛)，可以认为我们进行的聚类已经达到期望的结果，算法终止。
S36：如果新的质心和上一次的质心距离变化很大，需要迭代S33～S35步骤。
一般来说，k的取值范围是2～4。计算距离的方法采用欧式距离。
S4：对聚类后的数据选取最具特征的数据集。对于上述k组聚类后的数据，每组数据做如下处理：
S41：计算输出的平均值。例如某一组数据包含200个样本，其中2个为质量缺陷(取1)，其余198没有质量缺陷，取平均值即为2/200＝0.01。
S42：选择若干个输入数据。对这些数据分别与零点求欧式距离，选择距离最大和距离最小的各cnt个数据。其中，对于这2×cnt个输入数据，其输出均为步骤S41所计算的平均值。这样处理的优点在于：由于质量缺陷出现的概率本身很低，选择特征更特殊的数据，更加利于神经网络训练过程中发现其内在规律；且输出由bool转为数字类型，即可用于神经网络训练。
S5：建立BP神经网络训练数据。步骤S5中，获取同钢种的多个钢卷步骤S4所得到的数据集，建立的BP神经网络进行训练。显然，BP神经网络的输入数据为输入数据集Di，输出数据为输出数据集Do。BP神经网络采用四层网络，首层神经元个数为工艺数据个数E，第一隐层神经元个数为E/2.5并取整数，优选地，第一隐层神经元个数大于6小于10，第二隐层神经元个数为2，输出神经元个数为1，传递函数为Sigmoid。输入数据归一化，输出很小，一定要0、1线性归一化。
S6：使用神经网络预测质量缺陷概率。使用训练好的神经网络可以对新的硅钢钢卷进行质量缺陷预测，基于此神经网络的预测结果为一个浮点数，即产生缺陷的概率。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (7)
1.一种基于神经网络的冷轧硅钢质量缺陷预测方法，其特征在于，包括如下步骤：
S1：对冷轧硅钢进行全流程物料跟踪，完成钢卷所经历各机组的工艺数据采集以及硅钢质量缺陷结果采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及质量缺陷结果；
S2：确定冷轧硅钢质量缺陷的影响因素，并构建数据集；
S3：对数据集的输入项进行K-means聚类分析；
S4：对聚类后的数据选取最具特征的数据集；
S5：建立BP神经网络训练数据；
S6：使用神经网络预测冷轧硅钢质量缺陷概率。
2.如权利要求1所述的方法，其特征在于，在步骤S1中，机组包括常化酸洗机组、轧机、连续退火涂层机组、重卷机组和包装机组。
3.如权利要求1所述的方法，其特征在于，在步骤S2中，冷轧硅钢质量缺陷的影响因素包括常化温度、酸洗浓度、轧制力、轧制时弯辊量和连退温度。
4.如权利要求1所述的方法，其特征在于，在步骤S2中，数据集包括多组数据，每组数据对应于每卷钢的每个原料位置，均包括输入数据和输出数据，其中，输入数据为多个工艺数据，输出数据为0或1，其中0表示没有缺陷，1表示有缺陷。
5.如权利要求1所述的方法，其特征在于，在步骤S3中，k的取值范围为2～4，并且计算距离的方法采用欧式距离。
6.如权利要求5所述的方法，其特征在于，步骤S4中：对于k组聚类后的数据，每组数据做如下处理：
S41：计算输出的平均值，该平均值＝缺陷样本数/总样本数；
S42：选择若干个输入数据，对这些数据分别与零点求欧式距离，选择距离最大和距离最小的各cnt个数据，其中对于该2×cnt个输入数据，其输出均为步骤S41所计算的平均值。
7.如权利要求1所述的方法，其特征在于，在步骤S5中，BP神经网络采用四层网络，其中，首层神经元个数为工艺数据个数E，第一隐层神经元个数为E/2.5并取整数，第二隐层神经元个数为2，输出层神经元个数为1，传递函数为Sigmoid。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275380.XA CN112966870B (zh) | 2021-03-15 | 2021-03-15 | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275380.XA CN112966870B (zh) | 2021-03-15 | 2021-03-15 | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966870A true CN112966870A (zh) | 2021-06-15 |
| CN112966870B CN112966870B (zh) | 2023-05-26 |
Family
ID=76279085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110275380.XA Active CN112966870B (zh) | 2021-03-15 | 2021-03-15 | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966870B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778893A (zh) * | 2016-12-28 | 2017-05-31 | 东北大学 | 一种基于降维与聚类的高光谱样本选择方法 |
| CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
| CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
| CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
| JP2018163622A (ja) * | 2017-03-27 | 2018-10-18 | 国立大学法人鳥取大学 | 製造不良原因の探索支援方法及び情報処理装置 |
| CN111563686A (zh) * | 2020-05-13 | 2020-08-21 | 中冶南方工程技术有限公司 | 一种基于全流程数据的冷轧硅钢质量判定方法 |
-
2021
- 2021-03-15 CN CN202110275380.XA patent/CN112966870B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778893A (zh) * | 2016-12-28 | 2017-05-31 | 东北大学 | 一种基于降维与聚类的高光谱样本选择方法 |
| JP2018163622A (ja) * | 2017-03-27 | 2018-10-18 | 国立大学法人鳥取大学 | 製造不良原因の探索支援方法及び情報処理装置 |
| CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
| CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
| CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
| CN111563686A (zh) * | 2020-05-13 | 2020-08-21 | 中冶南方工程技术有限公司 | 一种基于全流程数据的冷轧硅钢质量判定方法 |
Non-Patent Citations (4)
| Title |
|---|
| ANDREW W.NELSON等: "Probabilistic Force Prediction in cold sheet rolling by bayesian infernce" * |
| 刘倩颖等: "基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测", 《热能动力工程》 * |
| 化春键;周海英;: "改进组合分类器的冷轧带钢表面缺陷识别研究" * |
| 常运合等: "基于BP神经网络的大方坯质量在线预报模型", 《钢铁》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966870B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311402A (zh) | 一种基于XGBoost的互联网金融风控模型 | |
| CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
| CN110472349B (zh) | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 | |
| CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
| CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
| CN109858544B (zh) | 基于区间阴影集和密度峰值聚类的钢材质量检测方法 | |
| CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
| CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
| CN106777652B (zh) | 一种预测高炉透气性的方法 | |
| 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 | |
| CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| CN113128124A (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
| CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
| CN110287456A (zh) | 基于数据挖掘的大盘卷轧制表面缺陷分析方法 | |
| CN117171521A (zh) | 一种针对缺陷检测的钢铁产品性能智能诊断方法 | |
| CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
| CN112598026B (zh) | 基于不平衡数据深度学习的连退生产过程故障诊断方法 | |
| CN112966870A (zh) | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 | |
| CN112488188A (zh) | 一种基于深度强化学习的特征选择方法 | |
| CN113523904A (zh) | 一种刀具磨损检测方法 | |
| CN115394381A (zh) | 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置 | |
| CN113111092B (zh) | 一种基于冷轧全流程数据的硅钢铁损预测方法 | |
| CN111814861B (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
| CN114742289A (zh) | 一种面向生产工艺参数的高斯过程稳健优化方法 | |
| CN117840232B (zh) | 一种基于增量学习的热轧过程宽度预测方法 |
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 |