CN113592005B - 一种转炉出钢参数推荐方法、系统、介质和终端 - Google Patents
一种转炉出钢参数推荐方法、系统、介质和终端 Download PDFInfo
- Publication number
- CN113592005B CN113592005B CN202110892119.4A CN202110892119A CN113592005B CN 113592005 B CN113592005 B CN 113592005B CN 202110892119 A CN202110892119 A CN 202110892119A CN 113592005 B CN113592005 B CN 113592005B
- Authority
- CN
- China
- Prior art keywords
- tapping
- data
- converter
- distance
- clustering
- 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
- 238000010079 rubber tapping Methods 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000000694 effects Effects 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 28
- 239000010959 steel Substances 0.000 claims description 23
- 229910000831 Steel Inorganic materials 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004138 cluster model Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 229910001021 Ferroalloy Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 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
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明提供一种转炉出钢参数推荐方法、系统、介质及终端，方法包括：获取转炉出钢数据，形成样本数据集；根据样本数据集，建立多个不同种类的用于聚类分析的基础模型；通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型；根据稳定的聚类结果模型，获取评价聚类效果，并将最优的评价聚类效果对应的基础模型，作为目标模型；根据目标模型，进行转炉出钢参数推荐；本发明通过自动化转炉出钢控制参数设定来知道生产，解决目前炼铁转炉自动化调整角度灵活度和精准度较低、依靠人工经验控制角度、危险度高的问题，提高了生产效率。
Description
技术领域
本发明涉及冶金自动化领域，尤其涉及一种转炉出钢参数推荐方法、系统、介质和终端。
背景技术
转炉出钢是以铁水、废钢、铁合金为主要原料，不借助外加能源，靠钢液本身的物理热和铁液本身的物理热和铁液组分间化学反应产生热量而在转炉中完成炼钢过程。在转炉炼钢末期，将钢水从转炉倾倒入钢包的过程中，如果炉渣伴随着钢液一起流入钢包内，将影响钢水的洁净度进而影响钢成品的质量。
目前，通过设备进行挡渣方法已经有很多，具有一定的挡渣效果。但是，现有的转炉出钢操作大多采用人工操作机器的方式，单纯依靠经验判断转炉倾动角度和通过人为观察移动钢包车；现有技术中的转炉出钢自动化技术方案，只能针对转炉出钢的参数进行粗略的设定，缺乏灵活性和精准度，容易造成钢水外溢、转炉出钢掉渣、操作人员安全风险系数高等问题无法满足实际生产需要。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种转炉出钢参数推荐方法、系统、介质和终端，以解决上述技术问题。
本发明提供的转炉出钢参数推荐方法，包括：
获取转炉出钢数据，形成样本数据集；
根据所述样本数据集，建立多个不同种类的用于聚类分析的基础模型；
通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型；
根据所述稳定的聚类结果模型，获取评价聚类效果，并将最优的评价聚类效果对应的基础模型，作为目标模型；
根据所述目标模型，进行转炉出钢参数推荐。
于本发明的一实施例中，所述多个不同种类的用于聚类分析的基础模型包括K-means聚类模型、AP聚类模型、DBSCAN算法模型；所述转炉出钢数据的数据类型，至少包括测距仪距离钢包车距离、钢包车总重量、模拟炉号、记录时刻、出钢角度。
于本发明的一实施例中，所述获取转炉出钢数据，形成样本数据集之后，还包括对所述转炉出钢数据进行预处理，所述预处理包括对转炉出钢数据中的空值数据进行缺失值补充，以及对超过预设范围的数据进行剔除。
于本发明的一实施例中，对根据经过预处理之后的转炉出钢数据，计算转炉出钢的回炉时间，并通过如下公式对所述回炉时间进行数据清洗：
其中，为转炉出钢数据中的模拟炉号，/>为最大炉号，/>为第/>模拟炉号转炉回炉时间。
于本发明的一实施例中，所述计算转炉出钢的回炉时间包括：
设定统计周期t；
在出钢后每隔t秒，计算t秒内的角度斜率变化；
根据角度斜率变化，判断该时间点是否为回炉时间点，进而获取转炉出钢的回炉时间。
于本发明的一实施例中，所述对所述转炉出钢数据进行预处理之后，还包括：判定特定数据类型中的异常数据，并进行异常处理，去除离群值数据，所述特定数据类型包括出钢时间、出钢重量、钢包车距离。
于本发明的一实施例中，所述异常处理包括：
根据转炉规模，删除钢水重量在转炉规模重量阈值a%之外的炉次出钢数据；
获取钢包车距离测距仪的实际距离，删除钢包车距离在实际距离阈值b%之外的炉次出钢数据；
删除出炉总时间在平均出钢时间阈值c%范围之外的数据。
于本发明的一实施例中，根据一模拟炉号记录时刻与所述模拟炉号初始记录时刻的差值，获取所述模拟炉号的出钢时间；
根据一钢包车的重量与所述钢包车的原始重量的差值，获取所述钢包车的出钢重量；
根据测距仪测量的所述钢包的车距离，与测距仪距离初始钢包车距离的差值，获取钢包车距离。
于本发明的一实施例中，所述通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型包括：
动态调整所述基础模型的模型参数；
根据调整后的模型参数，进行初步聚类得到初步聚类结果；
根据初步聚类结果是否满足去除判定条件，判断所述初步聚类结果是否需要去除离群数据，所述去除判定条件包括异常阈值的变化率；
如果需要，则去除所述初步聚类结果中各簇数据中的离群数据，并利用去除离群值的数据进行二次聚类，得到二次聚类结果，
重复上述步骤，直至得到稳定的聚类结果模型。
于本发明的一实施例中，通过如下公式去除所述初步聚类结果中各簇数据中的离群数据：
其中，，/>，/>，/>分别为聚类结果各类中各点离中心距离的第一分位数、第二分位数、第三分位数、第四分位数；/>为最小值；/>为控制离散数据的容忍度系数；/>为一个类别中离群数据的判断距离；
将初步聚类结果中到中心距离大于的数据作为离群数据。
于本发明的一实施例中，所述异常阈值的变化率通过如下方式获取：
其中，为各簇内的距离变化率，r i为第i簇内的距离变化率，/>是本次聚类结果中一个类的相对距离，/>是上一次聚类结果中一个类的相对距离。
于本发明的一实施例中，所述去除判定条件还包括聚类次数小于预设次数阈值、距离阈值变化率大于预设变化率阈值，以及当前聚类结果剩余数据量占最开始聚类数据量比例大于预设比例阈值。
于本发明的一实施例中，通过如下公式对所述稳定的聚类结果模型的聚类效果进行评价：
其中，为第/>个簇；/>为/>中的样本点；/>中的聚类中心；/>为所有样本的聚类簇内距离，表示聚类效果的好坏；/>表示控制离散数据的容忍度系数。
于本发明的一实施例中，所述将最优的评价聚类效果对应的基础模型，作为目标模型之后，还包括：
选择转炉出钢数据曲线距离最接近聚类各簇中心曲线的实际曲线，并根据目标模型选取各类别中心，作为推荐的转炉出钢控制参数，所述推荐的转炉出钢控制参数包括不同钢水重量的下的出钢控制参数阶梯数、转炉出钢倾动角度、钢包车距离、停留时间。
本发明还提供一种转炉出钢参数推荐系统，包括：
数据采集模块，用于获取转炉出钢数据，形成样本数据集；
基础模型模块，用于根据所述样本数据集，建立多个不同种类的用于聚类分析的基础模型；
聚类迭代模块，用于通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型；
评价模块，用于根据所述稳定的聚类结果模型，获取评价聚类效果，并将最优的评价聚类效果对应的基础模型，作为目标模型；
根据所述目标模型，进行转炉出钢参数推荐。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述中任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述任一项所述方法。
本发明的有益效果：本发明中的转炉出钢参数推荐方法、系统、介质和终端，通过多种基础模型的扩充选择与综合评分系统的构建，能使预测结果更加准确，通过数据匹配分析，使分析结果更加直观与现实联系更加紧密，不限于异常的量化分析，具有普适性，有利于帮助使用者优化调控。
附图说明
图1是本发明实施例中转炉出钢参数推荐方法的流程示意图。
图2是本发明实施例中转炉出钢参数推荐方法的聚类流程示意图。
图3是本发明实施例中转炉出钢参数推荐方法的聚类效果与数据聚类个数的关联示意图。
图4是本发明实施例中转炉出钢参数推荐方法的类别一所有曲线和其中心曲线图。
图5是本发明实施例中转炉出钢参数推荐方法的类别一钢包车距离曲线图。
图6是本发明实施例中转炉出钢参数推荐方法的一实施例效果图。
图7是本发明实施例中转炉出钢参数推荐方法的一实施例效果图。
图8是本发明实施例中转炉出钢参数推荐方法的一实施例效果图。
图9是本发明实施例中转炉出钢参数推荐方法的一实施例效果图。
图10是本发明实施例中转炉出钢参数推荐系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
如图1所示，本实施例中的转炉出钢参数推荐方法，包括：
S101.获取转炉出钢数据，形成样本数据集；
S102.根据所述样本数据集，建立多个不同种类的用于聚类分析的基础模型；
S103.通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型；
S104.根据所述稳定的聚类结果模型，获取评价聚类效果，并将最优的评价聚类效果对应的基础模型，作为目标模型；
S105.根据所述目标模型，进行转炉出钢参数推荐。
在本实施例中，获取转炉出钢流程生产线获取转炉出钢数据。转炉出钢数据可以由生产线实时产生，例如，获得近两个月内转炉出钢数据，数据类型具体包括测距仪距离钢包车距离、钢包车总重量、模拟炉号、记录时刻、出钢角度，得到转炉出钢数据。
在本实施例中，多个不同种类的用于聚类分析的基础模型包括K-means聚类模型、AP聚类模型、DBSCAN算法模型，对上述基础模型进行训练，得到各环式聚类算法模型，转炉出钢数据的数据类型，至少包括测距仪距离钢包车距离、钢包车总重量、模拟炉号、记录时刻、出钢角度。可选的，可以通过导入sklearn库中的上述算法，以DBSCAN算法聚类方法为例，调整DBSCAN聚类参数，统计k-distance距离大小，确定min_samples大小，进行DBSCAN聚类，得到该算法初步目标模型，然后通过根据异常阈值进行环式聚类迭代的方法得到稳定的聚类结果模型；以AP聚类方法为例，调用sklearn中sklearn.cluster.AffinityPropagation进行AP聚类,得到该算法初步目标模型，然后通过根据异常阈值进行环式聚类迭代的方法得到稳定的聚类结果模型；以K-means聚类方法为例，调整K-means参数，聚类距离类型选择曲线欧式距离，进行K-means初步聚类，可以使用“手肘法”统计数据的聚类效果与数据聚类个数的关联如图3所示。通过权衡聚类个数与各类曲线到其曲线质心的平均距离变化幅度，选择最佳的聚类个数。当K=3时，簇内数据到其质心距离变化幅度减缓，且随着K值增加，曲线降幅缩小，聚类损失降幅减少，因此确定K-means最佳的聚类个数为3，得到K-means初步算法模型。
在本实施例中，需要对生产数据数据预处理，预处理包括对转炉出钢数据中的空值数据进行缺失值补充，以及对超过预设范围的数据进行剔除。处理转炉出钢数据中的空值数据，包括按照出炉时间参数对出炉时间进行排序；对调取的工艺参数进行缺失值补充，具体方法为填充其上条数据的值；去除参数超过设定范围的数据，本实施例中的设定范围指的是，运用格拉布斯准测来消除误差值；去除不在给定正态分布范围内的数据，具体值的是去除3σ以外的数据。
在实施例中，还包括变换转炉出钢数据并进行属性构造。变换转炉出钢数据进行属性构造中的属性为：出钢时间、出钢重量、最大出钢时间、最大出钢重量、回炉时刻；出钢时间为转炉出钢数据中该模拟炉号记录时刻与该模拟炉号初始记录时刻的差值；出钢重量为钢包车重量与钢包车原始重量的差值；钢包车距离为测距仪测量钢包车距离与测距仪距离初始钢包车距离差值。
在本实施例中，结合转炉出钢工业流程，可以使用异常处理方法清洗出钢时间、钢水总重量、钢包车距离中的异常数据。具体的，异常处理可以包括使用数学方法NumericOutliers方法、Isolation Forest方法去除异常数据，结合实际生产环境去除不合理数据；异常数据的数据类型包括出钢时间、钢水总重量、测距仪距离钢包车距离。
在本实施例中，异常处理包括：根据转炉规模，删除钢水重量在转炉规模重量阈值a%之外的炉次出钢数据；获取钢包车距离测距仪的实际距离，删除钢包车距离在实际距离阈值b%之外的炉次出钢数据；删除出炉总时间在平均出钢时间阈值c%范围之外的数据。在一实施例中，可以使用Numeric Outliers方法、Isolation Forest方法去除离群值数据；根据转炉规模，删除钢水重量在转炉规模重量上下a%(a为自主设定，默认为20)之外的炉次出钢数据；依据工厂中钢包车距离测距仪的实际距离，删除钢包车距离在实际距离上下a%(b为自主设定，默认为30)之外的炉次出钢数据；删除出炉总时间在近一周平均出钢时间上下c%(c为自主设定，默认为20)范围之外的数据。在本实施例中，结合实际生产环境需要，例如，在实际生产过程中，钢包车距离不可能大于50，处理过后出钢时间由原来的[68,486]区间去除后为[275,336]区间数据；钢水总重量由原来的[0.2,240]去除后[203,230]，钢包车距离由[41.13,82.912]去除后为[41.13,47.978]区间。
在本实施例中，对根据经过预处理之后的转炉出钢数据，计算转炉出钢的回炉时间，并通过如下公式对所述回炉时间进行数据清洗：
其中，为转炉出钢数据中的模拟炉号，/>为最大炉号，/>为第/>模拟炉号转炉回炉时间。通过计算转炉出钢数据中转炉出钢的回炉时间，并根据规则选出回炉时间进行数据清洗并得到工艺数据集，即样本数据集。
在本实施例中，计算转炉出钢的回炉时间包括：设定统计周期t；在出钢后每隔t秒，计算t秒内的角度斜率变化；根据角度斜率变化，判断该时间点是否为回炉时间点，进而获取转炉出钢的回炉时间。具体的，计算所述获取数据中转炉出钢回炉时间方法通过判断该出钢时间点之后每隔1，3，5秒，计算此1秒3秒，5秒内角度斜率变化，是否无变化或是否都转为正从而判断该点是否为回炉时间点。
在一实例中，通过判断每条出钢曲线之后间隔1s、3s、5s的倾动角度变化，确定回炉数据最早为时间为226s，并删除原数据中220s之后数据。得到清洗后转炉出钢工艺数据集。
在本实施例中，依次用不同基础模型对所述数据集进行聚类分析，本实施例中的聚类分析包括环式聚类分析，根据异常阈值进行环式聚类迭代，迭代稳定版本具体步骤还包括：
S1031.动态调整所述的转炉出钢数据聚类模型参数；
S1032.确定上述聚类模型及聚类参数进行初步聚类得到聚类结果；
S1033.根据异常阈值变化率等条件判断聚类结果是否需要去除离群数据；
S1034.如果满足去除离群数据条件，则使用数据分位法去除聚类各簇数据中离群数据，并利用去除离群值的数据进行聚类，得到聚类结果，返回到S1033继续执行；
S1035.得到稳定的聚类结果模型。
在本实施例中，以K-means聚类方法为例，首先，计算异常判断阈值，设置N为3，代入聚类结果簇内的距离阈值的计算公式：
其中，表示一个簇内距离阈值，/>表示各簇内相对距离，/>代表聚类个数，/>代表第/>簇第/>曲线数据到第/>簇聚类曲线中心的相对距离，/>代表第/>簇第/>曲线数据到第/>簇聚类曲线中心的曲线距离，/>代表第/>簇的曲线数据中位数。
在本实例中，同样依然以K-means为例，再通过异常判断阈值得到异常判断阈值变化率，聚类结果各簇内的距离阈值变化率计算公式为：
其中，为各簇内的距离变化率，即聚类结果中距离阈值变化率最大的一个，/>是本次聚类结果中一个类的相对距离，/>是上一次聚类结果中一个类的相对距离。
在本实例中，去除判定条件还包括聚类次数小于预设次数阈值、距离阈值变化率大于预设变化率阈值，以及当前聚类结果剩余数据量占最开始聚类数据量比例大于预设比例阈值。以K-means为例，最后根据异常判断阈值变化率与其他条件判断是否去除离群数据。判断条件具体包括：①聚类次数小于10；②距离阈值变化率大于20%；③当前聚类结果剩余数据量占最开始聚类数据量的比例大于60%。同时满足这三个条件，则需要去除离群数据。
在本实施例中，同样以K-means为例，去除离群数据具体选用数据分位法，具体的，数据分位法去除聚类各簇数据中离群数据的具体公式：
其中，，/>，/>，/>分别代表聚类结果各类中各点离中心距离的第一分位数、第二分位数、第三分位数、第四分位数；/>表示取最小值；/>表示控制离散数据的容忍度系数，一般为1；/>表示一个类别中离群数据的判断距离，及类中到中心距离大于/>的则为离群数据。
评价模型聚类效果的规则可以通过下公式进行：
其中，是第/>个簇；/>为/>中的样本点；/>是/>中的聚类中心、/>是所有样本的聚类簇内距离，代表聚类效果的好坏。
通过比较K-means聚类模型、AP聚类模型、DBSCAN算法模型的，最终选择聚类个数为3的K-means作为目标模型。
在本实施例中，获取的目标模型之后，还包括优化目标模型并推荐转炉出钢相关参数。优化目标模型中优化方法包括：选择转炉出钢数据曲线距离最为接近聚类各簇中心曲线的实际曲线。因生成的中心曲线不一定和类中数据重合，需要找到一条与聚类曲线最为接近的曲线贴合工业生产，因此，对类中每条曲线到其类中心曲线进行排序，选择出每一个距离聚类曲线最近的曲线。最后，确定每一个类中的聚类中心曲线，得到代表不同模式的转炉出钢相关参数。推荐的转炉出钢控制参数包括不同钢水重量的下的出钢控制参数阶梯数、转炉出钢倾动角度、钢包车距离、停留时间。可选的，使用上述得到的优化模型，统计各转炉出钢数据到各聚类中心距离并从小到大排序，因聚类个数确定为3，所以分别对3个簇内数据进行排序。之后结合所述转炉出钢数据推荐3条最终的转炉出钢倾动角度曲线，再由确定的最终转炉出钢倾动角度曲线推荐钢包车距离曲线。并且，可以通过定期采集工业生产数据，更新上述目标模型。
在本实例中，确定聚类个数为3后，计算类中心曲线到所有曲线的距离并进行聚类，迭代求出类的中心曲线。图4是第一类全部数据的出钢时间和出钢角度图，图5是第一类中心点的出钢角度对应的钢包车距离；第一类出钢倾动角度曲线数据表述了转炉中钢水质量较多的情况，从其趋势中可以看出，只需要转动较小的角度就能到达较大的出钢速度，并且能快速出钢。图6是第二类全部数据的出钢时间和出钢角度图，图7是第二类中心点的出钢角度对应的钢包车距离；第二类出钢倾动角度曲线数据表述了各中转炉平稳出钢的情况，从其趋势中可以看出，倾动角度转动平缓，出钢较安全。图8是第三类全部数据的出钢时间和出钢角度图，图9是第三类中心点的出钢角度对应的钢包车距离；第三类出钢倾动角度曲线数据表述了转炉中钢水质量较少的情况，从其趋势中可以看出，需要转动较大的角度才能到达较大的出钢速度，因为是快速转到较大倾动角度，所以也具有快速出钢的特点。
相应的，本实施例还提供一种转炉出钢参数推荐系统，如图10所示，包括：
数据采集模块1201，用于获取转炉出钢数据，形成样本数据集；
基础模型模块1202，用于根据所述样本数据集，建立多个不同种类的用于聚类分析的基础模型；
聚类迭代模块1203，用于通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型；
评价模块1204，用于根据所述稳定的聚类结果模型，获取评价聚类效果，并将最优的评价聚类效果对应的基础模型，作为目标模型；
根据所述目标模型，进行转炉出钢参数推荐。
本实施例中的转炉出钢参数推荐系统，可以通过上述方法实施例中的方式，进行转炉出钢参数推荐。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，说明书对“本实施例”、“一实施例”、“另一实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中，尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构（例如，动态RAM（DRAM））可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (15)
1.一种转炉出钢参数推荐方法，其特征在于，包括：
获取转炉出钢数据，形成样本数据集，形成样本数据集之后，还包括对所述转炉出钢数据进行预处理，对所述转炉出钢数据进行预处理之后，还包括：判定特定数据类型中的异常数据，并进行异常处理，去除离群值数据，所述特定数据类型包括出钢时间、出钢重量、钢包车距离；
根据一模拟炉号记录时刻与所述模拟炉号初始记录时刻的差值，获取所述模拟炉号的出钢时间；
根据一钢包车的重量与所述钢包车的原始重量的差值，获取所述钢包车的出钢重量；
根据测距仪测量的钢包车距离，与测距仪距离初始钢包车距离的差值，获取钢包车距离；
根据经过预处理之后的转炉出钢数据，计算转炉出钢的回炉时间，并根据回炉时间进行数据清洗，得到处理后的样本数据集；
根据处理后的样本数据集，建立多个不同种类的用于聚类分析的基础模型；
通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型；
根据所述稳定的聚类结果模型，获取评价聚类效果，并将最优的评价聚类效果对应的基础模型，作为目标模型；
根据所述目标模型，进行转炉出钢参数推荐，选择转炉出钢数据曲线距离最接近聚类各簇中心曲线的实际曲线，并根据目标模型选取各类别中心，作为推荐的转炉出钢控制参数。
2.根据权利要求1所述的转炉出钢参数推荐方法，其特征在于，所述多个不同种类的用于聚类分析的基础模型包括K-means聚类模型、AP聚类模型、DBSCAN算法模型；所述转炉出钢数据的数据类型，至少包括测距仪距离钢包车距离、钢包车总重量、模拟炉号、记录时刻、出钢角度。
3.根据权利要求2所述的转炉出钢参数推荐方法，其特征在于，所述预处理包括对转炉出钢数据中的空值数据进行缺失值补充，以及对超过预设范围的数据进行剔除。
4.根据权利要求3所述的转炉出钢参数推荐方法，其特征在于，对根据经过预处理之后的转炉出钢数据，计算转炉出钢的回炉时间，并根据如下公式选出回炉时间进行数据清洗：
其中，为转炉出钢数据中的模拟炉号，/>为最大炉号，/>为第/>模拟炉号转炉回炉时间。
5.根据权利要求4所述的转炉出钢参数推荐方法，其特征在于，所述计算转炉出钢的回炉时间包括：
设定统计周期t；
在出钢后每隔t秒，计算t秒内的角度斜率变化；
根据角度斜率变化，判断该时间点是否为回炉时间点，进而获取转炉出钢的回炉时间。
6.根据权利要求1所述的转炉出钢参数推荐方法，其特征在于，所述异常处理包括：
根据转炉规模，删除钢水重量在转炉规模重量阈值a%之外的炉次出钢数据；
获取钢包车距离测距仪的实际距离，删除钢包车距离在实际距离阈值b%之外的炉次出钢数据；
删除出炉总时间在平均出钢时间阈值c%范围之外的数据。
7.根据权利要求1所述的转炉出钢参数推荐方法，其特征在于，所述通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型包括：
步骤1、动态调整所述基础模型的模型参数；
步骤2、根据调整后的模型参数，进行初步聚类得到初步聚类结果；
步骤3、根据初步聚类结果是否满足去除判定条件，判断所述初步聚类结果是否需要去除离群数据，所述去除判定条件包括异常阈值的变化率；
步骤4、如果需要，则去除所述初步聚类结果中各簇数据中的离群数据，并利用去除离群值的数据进行二次聚类，得到二次聚类结果，
重复上述步骤3和步骤4，直至得到稳定的聚类结果模型。
8.根据权利要求7所述的转炉出钢参数推荐方法，其特征在于，通过如下公式去除所述初步聚类结果中各簇数据中的离群数据：
其中，，/>，/>，/>分别为聚类结果各类中各点离中心距离的第一分位数、第二分位数、第三分位数、第四分位数；/>为最小值；/>为控制离散数据的容忍度系数；/>为一个类别中离群数据的判断距离；
将初步聚类结果中到中心距离大于的数据作为离群数据。
9.根据权利要求7所述的转炉出钢参数推荐方法，其特征在于，所述异常阈值的变化率通过如下方式获取：
其中，为各簇内的距离变化率，r i为第i簇内的距离变化率，/>是本次聚类结果中一个类的相对距离，/>是上一次聚类结果中一个类的相对距离。
10.根据权利要求9所述的转炉出钢参数推荐方法，其特征在于，所述去除判定条件还包括聚类次数小于预设次数阈值、距离阈值变化率大于预设变化率阈值，以及当前聚类结果剩余数据量占最开始聚类数据量比例大于预设比例阈值。
11.根据权利要求1所述的转炉出钢参数推荐方法，其特征在于，通过如下公式对所述稳定的聚类结果模型的聚类效果进行评价：
其中，为第/>个簇；/>为/>中的样本点；/>中的聚类中心；/>为所有样本的聚类簇内距离，表示聚类效果的好坏；/>表示控制离散数据的容忍度系数。
12.根据权利要求1所述的转炉出钢参数推荐方法，其特征在于，所述将最优的评价聚类效果对应的基础模型，作为目标模型之后，还包括：
所述推荐的转炉出钢控制参数包括不同钢水重量下的出钢控制参数阶梯数、转炉出钢倾动角度、钢包车距离、停留时间。
13.一种转炉出钢参数推荐系统，其特征在于，包括：
数据采集模块，用于获取转炉出钢数据，形成样本数据集；
基础模型模块，用于根据处理后的样本数据集，建立多个不同种类的用于聚类分析的基础模型；
聚类迭代模块，用于通过预先设置的异常阈值进行聚类迭代，形成稳定的聚类结果模型；
评价模块，用于根据所述稳定的聚类结果模型，获取评价聚类效果，并将最优的评价聚类效果对应的基础模型，作为目标模型；
形成样本数据集之后，还包括对所述转炉出钢数据进行预处理，对所述转炉出钢数据进行预处理之后，还包括：判定特定数据类型中的异常数据，并进行异常处理，去除离群值数据，所述特定数据类型包括出钢时间、出钢重量、钢包车距离；
根据一模拟炉号记录时刻与所述模拟炉号初始记录时刻的差值，获取所述模拟炉号的出钢时间；
根据一钢包车的重量与所述钢包车的原始重量的差值，获取所述钢包车的出钢重量；
根据测距仪测量的钢包车距离，与测距仪距离初始钢包车距离的差值，获取钢包车距离；
根据经过预处理之后的转炉出钢数据，计算转炉出钢的回炉时间，并根据回炉时间进行数据清洗，得到处理后的样本数据集；
根据所述目标模型，进行转炉出钢参数推荐，选择转炉出钢数据曲线距离最接近聚类各簇中心曲线的实际曲线，并根据目标模型选取各类别中心，作为推荐的转炉出钢控制参数。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至12中任一项所述方法。
15.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子终端执行如权利要求1至12中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110892119.4A CN113592005B (zh) | 2021-08-04 | 2021-08-04 | 一种转炉出钢参数推荐方法、系统、介质和终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110892119.4A CN113592005B (zh) | 2021-08-04 | 2021-08-04 | 一种转炉出钢参数推荐方法、系统、介质和终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592005A CN113592005A (zh) | 2021-11-02 |
| CN113592005B true CN113592005B (zh) | 2024-03-08 |
Family
ID=78255069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110892119.4A Active CN113592005B (zh) | 2021-08-04 | 2021-08-04 | 一种转炉出钢参数推荐方法、系统、介质和终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592005B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1595923A1 (ru) * | 1988-05-24 | 1990-09-30 | Всесоюзный научно-исследовательский институт охраны труда и техники безопасности черной металлургии | Способ прогнозировани сталеплавильного процесса |
| CN103778466A (zh) * | 2013-12-30 | 2014-05-07 | 浙江中控研究院有限公司 | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 |
| CN108008702A (zh) * | 2016-11-01 | 2018-05-08 | 北京明诚技术开发有限公司 | 智能化自动炼钢监控方法及系统 |
| CN108004368A (zh) * | 2016-11-01 | 2018-05-08 | 北京明诚技术开发有限公司 | 智能化自动炼钢方法及装置 |
| CN110458190A (zh) * | 2019-07-04 | 2019-11-15 | 平安科技（深圳）有限公司 | 人群特征分类方法、装置、计算机设备和可读存储介质 |
| KR20200013143A (ko) * | 2018-07-17 | 2020-02-06 | 현대제철 주식회사 | 고로의 용선온도 예측 장치 및 방법 |
| 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 |
| CN112036085A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢燃耗参数推荐方法、系统、介质及终端 |
| CN112069633A (zh) * | 2020-08-10 | 2020-12-11 | 国网上海市电力公司 | 一种采用大数据聚类的基于粒子群原理的配电网数据预处理方法 |
| CN112505680A (zh) * | 2019-09-13 | 2021-03-16 | 动态Ad有限责任公司 | 使用雷达的扩展对象跟踪 |
| CN112845610A (zh) * | 2020-12-31 | 2021-05-28 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢电耗参数推荐方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10839256B2 (en) * | 2017-04-25 | 2020-11-17 | The Johns Hopkins University | Method and apparatus for clustering, analysis and classification of high dimensional data sets |
| CN110909507A (zh) * | 2018-09-12 | 2020-03-24 | 台达电子工业股份有限公司 | 焊锡制程参数建议方法 |
| US11762819B2 (en) * | 2019-10-15 | 2023-09-19 | Target Brands, Inc. | Clustering model analysis for big data environments |
| US11308366B2 (en) * | 2019-10-28 | 2022-04-19 | MakinaRocks Co., Ltd. | Method for determining optimal anomaly detection model for processing input data |
-
2021
- 2021-08-04 CN CN202110892119.4A patent/CN113592005B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1595923A1 (ru) * | 1988-05-24 | 1990-09-30 | Всесоюзный научно-исследовательский институт охраны труда и техники безопасности черной металлургии | Способ прогнозировани сталеплавильного процесса |
| CN103778466A (zh) * | 2013-12-30 | 2014-05-07 | 浙江中控研究院有限公司 | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 |
| CN108008702A (zh) * | 2016-11-01 | 2018-05-08 | 北京明诚技术开发有限公司 | 智能化自动炼钢监控方法及系统 |
| CN108004368A (zh) * | 2016-11-01 | 2018-05-08 | 北京明诚技术开发有限公司 | 智能化自动炼钢方法及装置 |
| KR20200013143A (ko) * | 2018-07-17 | 2020-02-06 | 현대제철 주식회사 | 고로의 용선온도 예측 장치 및 방법 |
| CN110458190A (zh) * | 2019-07-04 | 2019-11-15 | 平安科技（深圳）有限公司 | 人群特征分类方法、装置、计算机设备和可读存储介质 |
| CN112505680A (zh) * | 2019-09-13 | 2021-03-16 | 动态Ad有限责任公司 | 使用雷达的扩展对象跟踪 |
| 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 |
| CN112069633A (zh) * | 2020-08-10 | 2020-12-11 | 国网上海市电力公司 | 一种采用大数据聚类的基于粒子群原理的配电网数据预处理方法 |
| CN112036085A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢燃耗参数推荐方法、系统、介质及终端 |
| CN112845610A (zh) * | 2020-12-31 | 2021-05-28 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢电耗参数推荐方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| DE＿kmeans预测液压缸零件工时定额;潘彩霞;陆宝春;张均利;;机械设计与制造(第04期);全文 * |
| 基于广义线性模型的高速公路事故预测能力对比研究;孟祥海;刘振博;温程;;交通信息与安全(第02期);全文 * |
| 转炉终点预测模型中异常数据检验的研究;冯明霞;李强;邹宗树;;中国冶金(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592005A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Energy consumption modelling using deep learning technique—a case study of EAF | |
| CN102117731A (zh) | 半导体工艺生产流程中的测量数据的监测方法和装置 | |
| CN115099693B (zh) | 一种烧结钕铁硼磁钢材料的生产控制方法及系统 | |
| CN111882363A (zh) | 销量预测方法、系统及终端 | |
| CN114140034A (zh) | 基于工况的质量监控方法及相关装置 | |
| CN113592005B (zh) | 一种转炉出钢参数推荐方法、系统、介质和终端 | |
| CN114118629A (zh) | 车间布局的优化管理方法、装置、计算机介质和电子设备 | |
| CN117252411A (zh) | 工程变更申请的风险评估方法、评审方法、装置及产品 | |
| CN110456356B (zh) | 一种面向资料同化的天气雷达径向速度质量控制方法 | |
| CN116167604A (zh) | 一种基于生产全流程跟踪的电力产品生产智能管理系统 | |
| CN114242179B (zh) | 精炼合金元素收得率预测方法、系统、电子设备及介质 | |
| CN109840309A (zh) | 一种铁水脱硫剂用量的计算方法 | |
| CN116151975A (zh) | 交易异常告警方法和装置 | |
| CN114875196A (zh) | 一种转炉出钢量的确定方法和系统 | |
| CN113625669A (zh) | 产品质量预测方法以及系统 | |
| JP5402621B2 (ja) | 製造負荷予測装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 | |
| CN114004384A (zh) | 一种项目进度偏差预警方法及装置 | |
| CN113326584B (zh) | 一种兼顾鲁棒性和可靠性的电工装备优化设计方法 | |
| TWI826087B (zh) | 派工系統和派工方法 | |
| CN111242350A (zh) | 一种连续重整装置分馏与抽提优化方法、系统及介质 | |
| CN112101652B (zh) | 预测任务数量的方法、装置、可读存储介质和电子设备 | |
| CN117807760A (zh) | 一种转炉终点碳含量建模方法 | |
| Xue et al. | Prediction of Converter Tapping Weight Based on Principal Component Analysis–Whale Optimization Algorithm–Backpropagation Algorithm Neural Network Model | |
| US20240352554A1 (en) | Smelting optimization method and device of copper-containing concentrate | |
| TWI787954B (zh) | 鋼液溫度預測方法與電腦系統 |
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 | ||
| CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |