CN114757660B - 一种基于应用分析的冷轧钢带制备方法及系统 - Google Patents
一种基于应用分析的冷轧钢带制备方法及系统 Download PDFInfo
- Publication number
- CN114757660B CN114757660B CN202210654261.XA CN202210654261A CN114757660B CN 114757660 B CN114757660 B CN 114757660B CN 202210654261 A CN202210654261 A CN 202210654261A CN 114757660 B CN114757660 B CN 114757660B
- Authority
- CN
- China
- Prior art keywords
- cold
- steel strip
- rolled steel
- application
- preparation
- 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
- 239000010960 cold rolled steel Substances 0.000 title claims abstract description 259
- 238000002360 preparation method Methods 0.000 title claims abstract description 154
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 230000000694 effects Effects 0.000 claims abstract description 121
- 238000004519 manufacturing process Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000007726 management method Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013524 data verification Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000004615 ingredient Substances 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 description 18
- 239000010959 steel Substances 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 239000000203 mixture Substances 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000004566 building material Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000005097 cold rolling Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005098 hot rolling Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001953 recrystallisation Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- -1 electric power Substances 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于应用分析的冷轧钢带制备方法及系统,涉及数据处理技术领域,所述方法包括:对应用场景信息进行要素提取,获得预设应用场景要素;将预设应用场景要素输入冷轧钢带应用分析模型中,获得冷轧钢带应用效果信息;根据冷轧钢带应用效果信息和冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合;基于遗传算法对冷轧钢带制备成分方案集合中的成分参数进行计算,获得预测应用效果信息;根据预测应用效果信息进行筛选确定,获得第一冷轧钢带制备方案,并基于第一冷轧钢带制备方案进行冷轧钢带生产管理。达到通过遗传算法对制备成分进行筛选确定,保证冷轧钢带制备成分的合理准确性和应用效果。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于应用分析的冷轧钢带制备方法及系统。
背景技术
冷轧钢带是以热轧卷为原料,在室温下在再结晶温度以下进行轧制而成,包括板和卷,其中成张交货的称为钢板,也称盒板或平板;长度很长、成卷交货的称为钢带,也称卷板。冷轧钢带生产是钢带轧制的精加工过程,要制备获得高质量的冷轧钢带,必须对钢的化学成分、纯净度及热轧工艺参数进行精准控制。
然而,现有技术对冷轧钢带的制备成分确定不够合理准确,导致影响冷轧钢带的应用效果的技术问题。
发明内容
本申请通过提供一种基于应用分析的冷轧钢带制备方法及系统,解决了现有技术对冷轧钢带的制备成分确定不够合理准确,导致影响冷轧钢带的应用效果的技术问题,达到通过对冷轧钢带的应用场景进行效果分析,确定制备钢带的应用效果,进而通过遗传算法对制备成分进行筛选确定,保证冷轧钢带制备成分的合理准确性和应用效果的技术效果。
鉴于上述问题,本发明提供了一种基于应用分析的冷轧钢带制备方法及系统。
第一方面,本申请提供了一种基于应用分析的冷轧钢带制备方法,所述方法包括:采集获得冷轧钢带的应用场景信息;对所述应用场景信息进行要素提取,获得预设应用场景要素;将所述预设应用场景要素输入冷轧钢带应用分析模型中,获得冷轧钢带应用效果信息;构建冷轧钢带制备成分方案库;根据所述冷轧钢带应用效果信息和所述冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合;基于遗传算法对所述冷轧钢带制备成分方案集合中的成分参数进行计算,获得预测应用效果信息;根据所述预测应用效果信息进行筛选确定,获得第一冷轧钢带制备方案,并基于所述第一冷轧钢带制备方案进行冷轧钢带生产管理。
另一方面,本申请还提供了一种基于应用分析的冷轧钢带制备系统,所述系统包括:第一获得单元,所述第一获得单元用于采集获得冷轧钢带的应用场景信息;第二获得单元,所述第二获得单元用于对所述应用场景信息进行要素提取,获得预设应用场景要素;第三获得单元,所述第三获得单元用于将所述预设应用场景要素输入冷轧钢带应用分析模型中,获得冷轧钢带应用效果信息;第一构建单元,所述第一构建单元用于构建冷轧钢带制备成分方案库;第四获得单元,所述第四获得单元用于根据所述冷轧钢带应用效果信息和所述冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合;第五获得单元,所述第五获得单元用于基于遗传算法对所述冷轧钢带制备成分方案集合中的成分参数进行计算,获得预测应用效果信息;第一处理单元,所述第一处理单元用于根据所述预测应用效果信息进行筛选确定,获得第一冷轧钢带制备方案,并基于所述第一冷轧钢带制备方案进行冷轧钢带生产管理。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了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任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了首先采集获得冷轧钢带的应用场景信息,再对应用场景信息进行要素提取,将提取的预设应用场景要素输入冷轧钢带应用分析模型中,获得模型输出结果即冷轧钢带应用效果信息;根据冷轧钢带应用效果信息和构建的冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合,再基于遗传算法对冷轧钢带制备成分方案集合中的成分参数进行计算,获得对应的预测应用效果信息,最后根据预测应用效果信息进行筛选确定,获得最优应用效果第一冷轧钢带制备方案,并基于第一冷轧钢带制备方案进行冷轧钢带生产管理的技术方案。进而达到通过对冷轧钢带的应用场景进行效果分析,确定制备钢带的应用效果,进而通过遗传算法对制备成分进行筛选确定,保证冷轧钢带制备成分的合理准确性和应用效果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种基于应用分析的冷轧钢带制备方法的流程示意图;
图2为本申请一种基于应用分析的冷轧钢带制备方法中获得第一冷轧钢带制备方案的流程示意图;
图3为本申请一种基于应用分析的冷轧钢带制备方法中获得第二冷轧钢带制备方案的流程示意图;
图4为本申请一种基于应用分析的冷轧钢带制备系统的结构示意图;
图5为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一构建单元14,第四获得单元15,第五获得单元16,第一处理单元17,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种基于应用分析的冷轧钢带制备方法,所述方法包括:
步骤S100:采集获得冷轧钢带的应用场景信息;
具体而言,冷轧钢带是以热轧卷为原料,在室温下在再结晶温度以下进行轧制而成,包括板和卷,其中成张交货的称为钢板,也称盒板或平板;长度很长、成卷交货的称为钢带,也称卷板。冷轧钢带生产是钢带轧制的精加工过程,要制备获得高质量的冷轧钢带,必须对钢的化学成分、纯净度及热轧工艺参数进行精准控制。
冷轧钢带具有良好的性能,即通过冷轧,可以得到厚度更薄、精度更高的冷轧带钢和钢板,平直度高、表面光洁度高、冷轧板表面清洁光亮、易于进行涂镀加工、品种多,用途广,同时具有冲压性能高的特点。因此所述冷轧钢带的应用场景信息范围广泛,主要应用于各大类型的制造业当中,同时也被作为建材工业的重要原料,包括汽车、印制铁桶、建筑、建材、电力、煤炭、家电、自行车等行业,同时还是生产有机涂层钢板的最佳选材。
步骤S200:对所述应用场景信息进行要素提取,获得预设应用场景要素;
具体而言,对所述应用场景信息进行场景要素提取,获得对应的预设应用场景要素,所述预设应用场景要素包括应用产业领域、应用设备要素、应用规格、应用机械强度、应用特性、应用年限、应用理化性能等要素,为应用效果分析提供要素依据。
步骤S300:将所述预设应用场景要素输入冷轧钢带应用分析模型中,获得冷轧钢带应用效果信息;
具体而言,不同的场景应用要素,所需的冷轧钢带应用效果也不同。将所述预设应用场景要素输入冷轧钢带应用分析模型中,所述冷轧钢带应用分析模型为循环神经网络模型,用于对冷轧钢带应用效果进行分析,获得所述模型的训练输出结果即冷轧钢带应用效果信息,所述冷轧钢带应用效果信息是所制备的冷轧钢带需要达到的应用效果信息,包括应用性能和应用强度信息。
步骤S400:构建冷轧钢带制备成分方案库;
具体而言,冷轧钢带的制备化学成分对最终冷轧钢带产品的组织、性能有极大的影响,冷轧钢带的化学成分是保证生产出优质冷轧钢带的基础,与钢带的成形性能有密切的关系。所述冷轧钢带制备成分方案库包括各种类型规格冷轧钢带的制备成分方案,例如铁、碳、硅、锰、铜等化学成分要素的组合方案。
步骤S500:根据所述冷轧钢带应用效果信息和所述冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合;
具体而言,制备成分的变化会影响冷轧钢带的应用性能,举例而言,钢的碳含量对钢带成形性能的影响是通过影响钢的屈服极限和塑性应变比来实现的,碳是提高钢的强度最显著的元素之一,碳含量增加,屈服极限提高,塑性应变比值减小、成形性能变坏。因此首先根据所述冷轧钢带应用效果信息和所述冷轧钢带制备成分方案库进行预先匹配,获得对应相匹配的冷轧钢带制备成分方案集合,确定预先方案后再进行下一步的制备成分方案筛选。
步骤S600:基于遗传算法对所述冷轧钢带制备成分方案集合中的成分参数进行计算,获得预测应用效果信息;
具体而言,基于遗传算法对所述冷轧钢带制备成分方案集合中的成分参数进行计算,遗传算法是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。通过遗传算法获得各计算结果对应的预测应用效果信息,以作为筛选评判依据对制备成分方案进行进一步筛选确定。
步骤S700:根据所述预测应用效果信息进行筛选确定,获得第一冷轧钢带制备方案,并基于所述第一冷轧钢带制备方案进行冷轧钢带生产管理。
具体而言,根据所述预测应用效果信息进行筛选确定,获得最优效果方案即第一冷轧钢带制备方案,所述第一冷轧钢带制备方案包括冷轧钢带的制备成分参数及其成分比例,并基于所述第一冷轧钢带制备方案进行冷轧钢带生产管理。通过对冷轧钢带的应用场景进行效果分析,确定制备钢带的应用效果,进而通过遗传算法对制备成分进行筛选确定,保证冷轧钢带制备成分的合理准确性和应用效果。
如图2所示,进一步而言,所述获得第一冷轧钢带制备方案,本申请步骤S700还包括:
步骤S710:根据所述冷轧钢带制备成分方案集合,获得制备成分参数取值阈值;
步骤S720:从所述制备成分参数取值阈值中随机获得N个制备成分参数,其中,N为正整数;
步骤S730:根据遗传算法对所述N个制备成分参数进行计算,获得N个预测应用效果信息,其中,所述N个预测应用效果信息与所述N个制备成分参数一一对应;
步骤S740:将所述N个预测应用效果信息和所述冷轧钢带应用效果信息进行对比,获得第一制备成分参数,其中,所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度最大;
步骤S750:如果所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度满足相似度要求,根据所述第一制备成分参数确定所述第一冷轧钢带制备方案。
具体而言,根据所述冷轧钢带制备成分方案集合,确定制备成分参数取值阈值,所述制备成分参数取值阈值为根据生产要求所设置的化学成分参数范围,系统首先从所述制备成分参数取值阈值中随机均匀抽取一定数量的制备成分参数,进一步基于遗传算法所述N个制备成分参数进行计算,计算各制备成分参数值对应的预测应用效果信息。各制备成分参数值唯一对应一个预测应用效果信息。遗传算法的本质是在解空间中不断进行随机搜索,在搜索过程中不断地产生新的解,并保留更优解的算法,其实现难度较低,并且能够在短时间内获得较为满意的结果。
遗传算法在使用时直接对结构对象进行操作,不存在求导和函数连续性的限定,并且具有内在的隐并行性和更好的全局寻优能力,采用概率化的寻优方法,不需要确定规则就能自动获取和指导优化的搜索空间,自适应地调整搜索方向,故作为一种搜索算法广泛应用于各个领域。将系统预测得到的所有预测应用效果信息和所述冷轧钢带应用效果信息进行对比,从而得到所述第一制备成分参数。所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度最大。
进一步判断所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度是否满足相似度要求,当所述第一制备成分参数对应预测应用效果信息与所述冷轧钢带应用效果信息的相似度满足相似度要求时,则可确定所述第一制备成分参数。并根据所述第一制备成分参数确定所述第一冷轧钢带制备方案,其中,系统预设相似度要求是指系统基于冷轧钢带制备应用要求等综合确定的最低相似度数值。通过随机均匀选取制备成分参数并预测不同制备成分参数下预测应用效果情况,进而得到最接近所述冷轧钢带应用效果信息即最优效果信息的制备成分参数,提高系统预测准确性、有效性,保证冷轧钢带制备成分的合理准确性和应用效果。
如图3所示,进一步而言,本申请步骤还包括:
步骤S810:根据所述冷轧钢带制备方案和所述冷轧钢带的生产要求信息,获得冷轧钢带生产工艺信息;
步骤S820:对所述冷轧钢带的生产条件进行评估,获得生产能力系数;
步骤S830:根据所述冷轧钢带生产工艺信息和所述生产能力系数,设置寻优约束条件;
步骤S840:根据所述寻优约束条件,设置方案寻优空间;
步骤S850:基于寻优评价参数,在所述方案寻优空间内对进行寻优修正,获得第二冷轧钢带制备方案。
具体而言,为使冷轧钢带制备方案更加准确合理,满足实际应用需求,进行制备方案的进一步优化。所述冷轧钢带的生产要求信息是对冷轧钢带进行制备时的生产目标要求,包括生产规格尺寸、生产厚度、生产质量要求等。根据所述冷轧钢带制备方案和所述冷轧钢带的生产要求信息,结合确定冷轧钢带生产工艺信息,包括生产工艺流程、生产原料、卷取温度、酸洗盐酸浓度及温度、冷轧总压下率、乳化液浓度、轧辊辊径等生产工艺参数。
再对所述冷轧钢带的生产条件进行评估,获得对应的生产能力系数,所述生产能力系数用于表明生产冷轧钢带的生产水平,系数越大,生产水平越高。根据所述冷轧钢带生产工艺信息和所述生产能力系数,设置寻优约束条件,所述寻优约束条件是冷轧钢带制备方案优化的限定条件。根据所述寻优约束条件,设置方案寻优空间,在所述方案寻优空间之内对冷轧钢带的制备参数进行多次迭代寻优。
所述寻优评价参数是对冷轧钢带制备方案进行效果评定的参数,基于寻优评价参数,在所述方案寻优空间内对进行寻优比较,根据最优解进行优化修正,获得最优应用效果方案即第二冷轧钢带制备方案。通过结合生产工艺和生产能力对制备成分方案进行优化修正,使得制备方案更加符合实际应用效果,进而保证冷轧钢带制备成分的合理准确性和应用效果。
进一步而言,本申请步骤S850还包括:
步骤S851:基于所述冷轧钢带应用效果信息,获得多维应用指标属性集合;
步骤S852:根据所述多维应用指标属性集合进行关键度评估,获得应用指标属性关键度分配结果;
步骤S853:根据应用指标属性关键度分配结果和所述多维应用指标属性集合,确定所述寻优评价参数。
具体而言,基于所述冷轧钢带应用效果信息,获得多维应用指标属性集合,所述多维应用指标属性集合是用于评价冷轧钢带应用效果的指标集合,包括应用机械强度、表面精度、热稳定性、理化性能等。对所述多维应用指标属性集合进行关键度评估,即对各指标重要程度进行分析评估,获得各应用指标属性关键度分配结果,即各指标重要程度的权重分配结果。根据应用指标属性关键度分配结果和所述多维应用指标属性集合,确定所述寻优评价参数,示例性的,机械强度评估指标参数关键度为0.7。通过对各应用评价指标进行关键度分析,使得寻优评价参数更加准确合理。
进一步而言,本申请步骤还包括:
步骤S910:获得历史应用场景要素集合;
步骤S920:获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
步骤S930:将所述历史应用场景要素集合作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
步骤S940:将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,依次迭代训练,构建所述冷轧钢带应用分析模型。
具体而言,通过企业管理平台获得历史应用场景要素集合,所述历史应用场景要素集合为企业数据库中存储的应用场景数据信息。根据所述历史应用场景要素集合对循环神经网络进行训练,循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络,包括输入层,隐藏层和输出层。循环神经网络内处理层处理输入信息的过程中,其除了根据当前输入信息进行处理以外,还会保存上一时序的输出信息,将该输出信息作为当前时序的输入信息一同进行处理,进而得到输出,而随着时序的推进,处理层是不断更新的。循环神经网络通过使用带自反馈的神经元,使得网络的输出不仅和当前的输入有关,还和上一时刻的输出相关,于是在处理任意长度的时序数据时,就具有短期记忆能力。
所述初始隐藏层值可通过自定义的方式进行获得,基于所述初始隐藏层值获得第一输入权重矩阵,在处理的过程中,当前输入信息和上个时序的输出信息按照一定权重比值进行输出信息的预测,即为上述的权重矩阵,且在处理层更新的过程中,该权重矩阵内的权重值是稳定不变的。将所述历史应用场景要素集合作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练,将每次的输入层和上一次的隐藏层作为每次的隐藏层,此处的每次的隐藏层即为所述下一次隐藏层值,通过依次迭代训练,当循环神经网络的输出结果达到一定的准确率或收敛时,完成监督训练,构建所述冷轧钢带应用分析模型。所述冷轧钢带应用分析模型用于对冷轧钢带应用效果进行分析,使得输出的冷轧钢带应用效果更加准确合理,从而保证冷轧钢带制备成分的合理准确性和应用效果。
进一步而言,本申请步骤S940还包括:
步骤S941:将所述历史应用场景要素集合按照预设划分规则划分,获得数据训练样本、数据验证样本和数据测试样本;
步骤S942:采用所述数据训练样本、数据验证样本和数据测试样本对所述冷轧钢带应用分析模型进行监督训练、验证和测试,至所述冷轧钢带应用分析模型的输出结果的准确率达到预设要求,获得所述冷轧钢带应用分析模型;
步骤S943:评估所述冷轧钢带应用分析模型的稳定性,若所述稳定性符合预设稳定性要求,则将所述冷轧钢带应用分析模型投入使用。
具体而言,将所述历史应用场景要素集合按照预设划分规则划分,即按照预定比例对样本数量进行随机划分,获得划分后的数据训练样本、数据验证样本和数据测试样本,示例性的,可将数据训练样本、数据验证样本和数据测试样本划分比例确定为7:2:1。采用所述数据训练样本、数据验证样本和数据测试样本对所述冷轧钢带应用分析模型分别进行监督训练、模型验证和模型测试,直至所述冷轧钢带应用分析模型的输出结果的准确率达到预设准确率要求,例如模型准确率需达到95%以上。
最后评估所述冷轧钢带应用分析模型的稳定性,可通过交叉验证对模型稳定性进行验证,再通过稳定度指标衡量测试样本及模型开发样本评分的分布差异,防止模型过度拟合或不拟合。若所述稳定性符合预设稳定性要求,则将所述冷轧钢带应用分析模型投入使用。通过对模型进行及时测试和验证,保证使用模型的准确性和稳定性,进而提高模型输出结果的准确性。
进一步而言,本申请步骤S943还包括:
步骤S9431:基于所述冷轧钢带的应用等级信息,选择数据加密算法;
步骤S9432:根据所述数据加密算法对所述历史应用场景要素集合进行数据加密;
步骤S9433:基于数据加密后的所述历史应用场景要素集合进行模型迭代训练,获得所述冷轧钢带应用分析模型。
具体而言,不同冷轧钢带的应用等级,需要保证不同的数据安全等级,例如冷轧钢带的应用等级较高,在精密度较高的方面进行应用,就需要进行安全保密。基于所述冷轧钢带的应用等级信息,选择数据加密算法,通过加密算法对数据进行加密训练,常用加密算法包括AES、RSA/ECC、Diffie-hellman、SHA-1/SHA-256。根据所述数据加密算法对所述历史应用场景要素集合进行数据加密,再基于数据加密后的所述历史应用场景要素集合进行模型迭代训练,获得所述冷轧钢带应用分析模型。达到按照冷轧钢带应用等级进行相应数据加密,保证模型训练数据安全性,进而提高模型训练精度的技术效果。
综上所述,本申请所提供的一种基于应用分析的冷轧钢带制备方法及系统具有如下技术效果:
由于采用了首先采集获得冷轧钢带的应用场景信息,再对应用场景信息进行要素提取,将提取的预设应用场景要素输入冷轧钢带应用分析模型中,获得模型输出结果即冷轧钢带应用效果信息;根据冷轧钢带应用效果信息和构建的冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合,再基于遗传算法对冷轧钢带制备成分方案集合中的成分参数进行计算,获得对应的预测应用效果信息,最后根据预测应用效果信息进行筛选确定,获得最优应用效果第一冷轧钢带制备方案,并基于第一冷轧钢带制备方案进行冷轧钢带生产管理的技术方案。进而达到通过对冷轧钢带的应用场景进行效果分析,确定制备钢带的应用效果,进而通过遗传算法对制备成分进行筛选确定,保证冷轧钢带制备成分的合理准确性和应用效果的技术效果。
实施例二
基于与前述实施例中一种基于应用分析的冷轧钢带制备方法同样发明构思,本发明还提供了一种基于应用分析的冷轧钢带制备系统,如图4所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于采集获得冷轧钢带的应用场景信息;
第二获得单元12,所述第二获得单元12用于对所述应用场景信息进行要素提取,获得预设应用场景要素;
第三获得单元13,所述第三获得单元13用于将所述预设应用场景要素输入冷轧钢带应用分析模型中,获得冷轧钢带应用效果信息;
第一构建单元14,所述第一构建单元14用于构建冷轧钢带制备成分方案库;
第四获得单元15,所述第四获得单元15用于根据所述冷轧钢带应用效果信息和所述冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合;
第五获得单元16,所述第五获得单元16用于基于遗传算法对所述冷轧钢带制备成分方案集合中的成分参数进行计算,获得预测应用效果信息;
第一处理单元17,所述第一处理单元17用于根据所述预测应用效果信息进行筛选确定,获得第一冷轧钢带制备方案,并基于所述第一冷轧钢带制备方案进行冷轧钢带生产管理。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于根据所述冷轧钢带制备成分方案集合,获得制备成分参数取值阈值;
第七获得单元,所述第七获得单元用于从所述制备成分参数取值阈值中随机获得N个制备成分参数,其中,N为正整数;
第八获得单元,所述第八获得单元用于根据遗传算法对所述N个制备成分参数进行计算,获得N个预测应用效果信息,其中,所述N个预测应用效果信息与所述N个制备成分参数一一对应;
第九获得单元,所述第九获得单元用于将所述N个预测应用效果信息和所述冷轧钢带应用效果信息进行对比,获得第一制备成分参数,其中,所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度最大;
第一确定单元,所述第一确定单元用于如果所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度满足相似度要求,根据所述第一制备成分参数确定所述第一冷轧钢带制备方案。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于根据所述冷轧钢带制备方案和所述冷轧钢带的生产要求信息,获得冷轧钢带生产工艺信息;
第十一获得单元,所述第十一获得单元用于对所述冷轧钢带的生产条件进行评估,获得生产能力系数;
第一设置单元,所述第一设置单元用于根据所述冷轧钢带生产工艺信息和所述生产能力系数,设置寻优约束条件;
第二设置单元,所述第二设置单元用于根据所述寻优约束条件,设置方案寻优空间;
第十二获得单元,所述第十二获得单元用于基于寻优评价参数,在所述方案寻优空间内对进行寻优修正,获得第二冷轧钢带制备方案。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于基于所述冷轧钢带应用效果信息,获得多维应用指标属性集合;
第十四获得单元,所述第十四获得单元用于根据所述多维应用指标属性集合进行关键度评估,获得应用指标属性关键度分配结果;
第二确定单元,所述第二确定单元用于根据应用指标属性关键度分配结果和所述多维应用指标属性集合,确定所述寻优评价参数。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于获得历史应用场景要素集合;
第十六获得单元,所述第十六获得单元用于获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
第二处理单元,所述第二处理单元用于将所述历史应用场景要素集合作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
第二构建单元,所述第二构建单元用于将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,依次迭代训练,构建所述冷轧钢带应用分析模型。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于将所述历史应用场景要素集合按照预设划分规则划分,获得数据训练样本、数据验证样本和数据测试样本;
第十八获得单元,所述第十八获得单元用于采用所述数据训练样本、数据验证样本和数据测试样本对所述冷轧钢带应用分析模型进行监督训练、验证和测试,至所述冷轧钢带应用分析模型的输出结果的准确率达到预设要求,获得所述冷轧钢带应用分析模型;
第三处理单元,所述第三处理单元用于评估所述冷轧钢带应用分析模型的稳定性,若所述稳定性符合预设稳定性要求,则将所述冷轧钢带应用分析模型投入使用。
进一步的,所述系统还包括:
第一选择单元,所述第一选择单元用于基于所述冷轧钢带的应用等级信息,选择数据加密算法;
第四处理单元,所述第四处理单元用于根据所述数据加密算法对所述历史应用场景要素集合进行数据加密;
第十九获得单元,所述第十九获得单元用于基于数据加密后的所述历史应用场景要素集合进行模型迭代训练,获得所述冷轧钢带应用分析模型。
前述图1实施例一中的一种基于应用分析的冷轧钢带制备方法的各种变化方式和具体实例同样适用于本实施例的一种基于应用分析的冷轧钢带制备系统,通过前述对一种基于应用分析的冷轧钢带制备方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于应用分析的冷轧钢带制备系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图5所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了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控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于应用分析的冷轧钢带制备方法,其特征在于,所述方法包括:
采集获得冷轧钢带的应用场景信息;
对所述应用场景信息进行要素提取,获得预设应用场景要素;
将所述预设应用场景要素输入冷轧钢带应用分析模型中,获得冷轧钢带应用效果信息,其中,所述冷轧钢带应用分析模型为循环神经网络模型;
构建冷轧钢带制备成分方案库;
根据所述冷轧钢带应用效果信息和所述冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合;
基于遗传算法对所述冷轧钢带制备成分方案集合中的成分参数进行计算,获得预测应用效果信息;
根据所述预测应用效果信息进行筛选确定,获得第一冷轧钢带制备方案,并基于所述第一冷轧钢带制备方案进行冷轧钢带生产管理。
2.如权利要求1所述的方法,其特征在于,所述获得第一冷轧钢带制备方案,包括:
根据所述冷轧钢带制备成分方案集合,获得制备成分参数取值阈值;
从所述制备成分参数取值阈值中随机获得N个制备成分参数,其中,N为正整数;
根据遗传算法对所述N个制备成分参数进行计算,获得N个预测应用效果信息,其中,所述N个预测应用效果信息与所述N个制备成分参数一一对应;
将所述N个预测应用效果信息和所述冷轧钢带应用效果信息进行对比,获得第一制备成分参数,其中,所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度最大;
如果所述第一制备成分参数对应的预测应用效果信息与所述冷轧钢带应用效果信息的相似度满足相似度要求,根据所述第一制备成分参数确定所述第一冷轧钢带制备方案。
3.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述冷轧钢带制备方案和所述冷轧钢带的生产要求信息,获得冷轧钢带生产工艺信息;
对所述冷轧钢带的生产条件进行评估,获得生产能力系数;
根据所述冷轧钢带生产工艺信息和所述生产能力系数,设置寻优约束条件;
根据所述寻优约束条件,设置方案寻优空间;
基于寻优评价参数,在所述方案寻优空间内对进行寻优修正,获得第二冷轧钢带制备方案。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
基于所述冷轧钢带应用效果信息,获得多维应用指标属性集合;
根据所述多维应用指标属性集合进行关键度评估,获得应用指标属性关键度分配结果;
根据应用指标属性关键度分配结果和所述多维应用指标属性集合,确定所述寻优评价参数。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
获得历史应用场景要素集合;
获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
将所述历史应用场景要素集合作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,依次迭代训练,构建所述冷轧钢带应用分析模型。
6.如权利要求5所述的方法,其特征在于,所述方法包括:
将所述历史应用场景要素集合按照预设划分规则划分,获得数据训练样本、数据验证样本和数据测试样本;
采用所述数据训练样本、数据验证样本和数据测试样本对所述冷轧钢带应用分析模型进行监督训练、验证和测试,至所述冷轧钢带应用分析模型的输出结果的准确率达到预设要求,获得所述冷轧钢带应用分析模型;
评估所述冷轧钢带应用分析模型的稳定性,若所述稳定性符合预设稳定性要求,则将所述冷轧钢带应用分析模型投入使用。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
基于所述冷轧钢带的应用等级信息,选择数据加密算法;
根据所述数据加密算法对所述历史应用场景要素集合进行数据加密;
基于数据加密后的所述历史应用场景要素集合进行模型迭代训练,获得所述冷轧钢带应用分析模型。
8.一种基于应用分析的冷轧钢带制备系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于采集获得冷轧钢带的应用场景信息;
第二获得单元,所述第二获得单元用于对所述应用场景信息进行要素提取,获得预设应用场景要素;
第三获得单元,所述第三获得单元用于将所述预设应用场景要素输入冷轧钢带应用分析模型中,获得冷轧钢带应用效果信息,其中,所述冷轧钢带应用分析模型为循环神经网络模型;
第一构建单元,所述第一构建单元用于构建冷轧钢带制备成分方案库;
第四获得单元,所述第四获得单元用于根据所述冷轧钢带应用效果信息和所述冷轧钢带制备成分方案库进行匹配,获得冷轧钢带制备成分方案集合;
第五获得单元,所述第五获得单元用于基于遗传算法对所述冷轧钢带制备成分方案集合中的成分参数进行计算,获得预测应用效果信息;
第一处理单元,所述第一处理单元用于根据所述预测应用效果信息进行筛选确定,获得第一冷轧钢带制备方案,并基于所述第一冷轧钢带制备方案进行冷轧钢带生产管理。
9.一种基于应用分析的冷轧钢带制备电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一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如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210654261.XA CN114757660B (zh) | 2022-06-10 | 2022-06-10 | 一种基于应用分析的冷轧钢带制备方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210654261.XA CN114757660B (zh) | 2022-06-10 | 2022-06-10 | 一种基于应用分析的冷轧钢带制备方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757660A CN114757660A (zh) | 2022-07-15 |
CN114757660B true CN114757660B (zh) | 2022-09-06 |
Family
ID=82336346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210654261.XA Active CN114757660B (zh) | 2022-06-10 | 2022-06-10 | 一种基于应用分析的冷轧钢带制备方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757660B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702515B (zh) * | 2023-08-03 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种基于性能分析的镀镍钢带制备优化方法及系统 |
CN117113853B (zh) * | 2023-09-22 | 2024-04-02 | 德耐尔能源装备有限公司 | 一种提高活塞机运行稳定性的方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107083519A (zh) * | 2017-02-22 | 2017-08-22 | 广东鑫发精密金属科技有限公司 | 一种不锈钢冷轧精密弹簧钢带及其制备方法 |
CN110614416B (zh) * | 2019-08-19 | 2021-02-05 | 江苏师范大学 | 一种双相高强钢焊接参数优化方法 |
CN111191822A (zh) * | 2019-12-18 | 2020-05-22 | 河钢股份有限公司承德分公司 | 钢材的参数预测方法及终端设备 |
-
2022
- 2022-06-10 CN CN202210654261.XA patent/CN114757660B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114757660A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757660B (zh) | 一种基于应用分析的冷轧钢带制备方法及系统 | |
CN108287808B (zh) | 一种面向结构可靠性分析的通用动态追踪序列采样方法 | |
Zamanzade et al. | Variance estimation in ranked set sampling using a concomitant variable | |
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 | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
CN109766593B (zh) | 一种带钢在炉内瓢曲风险的评估方法和装置 | |
JP2017120640A (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
CN112446599B (zh) | 一种供电可靠性指标的预测方法、装置、设备和存储介质 | |
CN116029598A (zh) | 一种城市洪涝灾害适灾韧性的评估方法、装置及应用 | |
CN110491443B (zh) | 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法 | |
Yan et al. | Functional principal components analysis on moving time windows of longitudinal data: dynamic prediction of times to event | |
Zhou et al. | A two-stage point selection strategy for probability density evolution method-based reliability analysis | |
Pak et al. | Evaluation of transfer learning models for predicting the lateral strength of reinforced concrete columns | |
CN109636184B (zh) | 一种品牌的账号资产的评估方法及系统 | |
CN109299541B (zh) | 一种带钢的拉矫处理方法及装置 | |
CN112241832B (zh) | 一种产品质量分级评价标准设计方法及系统 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
Yuan et al. | What causes the mean bias of the likelihood ratio statistic with many variables? | |
CN107784167B (zh) | 一种基于依赖性的集成唯象本构的多目标优化方法 | |
CN113988676B (zh) | 一种水处理设备的安全管理方法及系统 | |
JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム | |
CN110852605B (zh) | 一种基于信息效能的产品设计决策的确定方法及系统 | |
US20130332225A1 (en) | Risk-profile generation device | |
Mohamadi et al. | Process capability analysis in the presence of autocorrelation |
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 |