CN114792051A - 一种带钢冷轧酸洗参数优化方法 - Google Patents
一种带钢冷轧酸洗参数优化方法 Download PDFInfo
- Publication number
- CN114792051A CN114792051A CN202210447245.3A CN202210447245A CN114792051A CN 114792051 A CN114792051 A CN 114792051A CN 202210447245 A CN202210447245 A CN 202210447245A CN 114792051 A CN114792051 A CN 114792051A
- Authority
- CN
- China
- Prior art keywords
- pickling
- parameters
- cold
- search
- rolling
- 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.)
- Pending
Links
- 238000005554 pickling Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 79
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 36
- 239000010959 steel Substances 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000005097 cold rolling Methods 0.000 title claims abstract description 29
- 239000013072 incoming material Substances 0.000 claims abstract description 29
- 239000002253 acid Substances 0.000 claims description 31
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 24
- 229910052742 iron Inorganic materials 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005406 washing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 230000003647 oxidation Effects 0.000 abstract description 3
- 238000007254 oxidation reaction Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Cleaning And De-Greasing Of Metallic Materials By Chemical Methods (AREA)
Abstract
本发明提供一种带钢冷轧酸洗参数优化方法，涉及冷轧领域。该带钢冷轧酸洗参数优化方法，包括以下由计算机执行的步骤：(a)收集来料工艺参数；(b)计算来料氧化层厚度h；(c)定义优化函数F(X)＝f(h,X)；(d)给定初始化参数X；(e)定义搜索方向；(f)对搜索方向依次进行一维搜索；(g)检查是否满足终止条件；(h)确定搜索方向；(i)调整搜索方向；(j)不调整搜索方向；(k)最终输出满足约束条件的最佳酸洗速度v以及此时对应的酸洗工艺参数组合Xzy，完成参数模型的优化。通过对冷轧酸洗机组生产参数的总结，综合多方面酸洗影响参数计算出最佳的机组酸洗速度，进一步提高生产效率。
Description
技术领域
本发明涉及冷轧技术领域，具体为一种带钢冷轧酸洗参数优化方法。
背景技术
在带钢冷轧酸洗过程中，酸洗参数优化控制是保证带钢表面质量的重要环节，同时通过调整各个酸洗参数的配比关系，在保证酸洗质量的前提下，提高酸洗速度，因此酸洗参数优化控制研究也是提高机组产量的重要手段。
酸洗参数优化控制主要是将酸洗关键模型即酸洗速度预报模型和酸洗机组紊流过程有限元仿真模型结合起来，通过对酸洗参数的优化调控，使得机组在满足酸洗质量的同时，以最大酸洗速度运行，从而保证机组产量。
当前，由于带钢冷轧酸洗过程中酸洗参数的设定通常根据经验来把控，这就使得酸洗参数的设定不够精准，未能实现保证酸洗质量生产条件下的最佳酸洗速度，于是酸洗机组酸洗参数的精确设定方法也紧密地影响着最佳酸洗速度的调控。现阶段国内外对于酸洗参数优化控制的研究虽然较多，但是都是单一因素研究控制，涉及到的综合影响因素研究较少。
本文则涉及来料参数、酸液浓度、酸液温度、酸液紊流度以及拉矫参数这五个方面，深入分析各个酸洗参数间的影响关系，在以保证带钢酸洗质量使得酸洗速度最佳为目标的基础上，创新方法，并结合实际的生产信息，提出一种以酸洗机组酸洗质量和酸洗速度控制为目标的酸洗参数优化方法，最终实现对现场带钢酸洗质量和酸洗速度的优化和提升。
发明内容
针对现有技术的不足，本发明提供了一种带钢冷轧酸洗参数优化方法，解决了酸洗参数不能够实现带钢酸洗效果达到最好的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种带钢冷轧酸洗参数优化方法，包括以下由计算机执行的步骤：
(a)收集来料工艺参数；
(b)计算来料氧化层厚度h：由于来料氧化铁皮厚度与来料工艺参数存在函数关系h＝f(P,C,Si,Mn,Tj)，其中P为带钢牌号、Tj为卷取温度；根据收集的来料工艺参数进行来料氧化铁皮计算；
(c)定义优化函数F(X)＝f(h,X)；
(d)给定初始化参数X；
(e)定义搜索方向；
(f)对搜索方向依次进行一维搜索：令y0＝X(k)，依次沿d0、d1、d2、d3进行一维搜索，对一切j＝1，2，3，4，记f(y(j-1)+λ(j-1)d(j-1))＝minf(y(j-1)+λd(j-1))，y(j)＝f(y(j-1)+λ(j-1)d(j-1))，得到F2，F3；
(g)检查是否满足终止条件：取加速度方向d(n)＝y(n)-y(0)；若||d(n)||<Err，迭代终止，得yn为问题最优解，并得酸洗工艺参数组合Xzy以及最佳酸洗速度v；否则进入步骤(h)；
(h)确定搜索方向：按照上式公式确定m，若验证式子成立，进入步骤(i)；否则，进入步骤(j)；
(i)调整搜索方向：从点yn出发沿方向dn进行一维搜索，求出λn，使得f(yn+λn×dn)＝minf(yn+λ×dn)；令X(k+1)＝yn+λn×dn。再令d(j)＝d(j+1)，j＝m,m+1,...,n-1，k＝k+1，返回步骤(f)；
(j)不调整搜索方向：令X(k+1)＝yn；k＝k+1，返回步骤(f)，直至完成优化算法；
(k)最终输出满足约束条件的最佳酸洗速度v以及此时对应的酸洗工艺参数组合Xzy，完成参数模型的优化，在冷轧酸洗机组酸洗质量和酸洗速度优化控制过程中，对于具体的冷轧酸洗过程实际酸洗时间为ta，其中
只与酸洗速度和酸洗槽长度有关；而理论酸洗时间为tt，其中tt＝f(h，c，T，q，ε)，与氧化层厚度h、酸液浓度c、温度T、流量q、延伸率ε有关，此时剩余的氧化层厚度为
若要保证酸洗质量最好，就可以将h′设为0，即酸洗后没有氧化铁皮剩余，也没有过酸洗腐蚀带钢基体，这样就必须满足tt＝ta，从而构建出酸洗速度与酸洗影响因素直接的关系为v＝l/f(h，c，T，q，e)。由此，酸洗速度就由氧化层厚度h、酸液浓度c、温度T、流量q、延伸率ε所决定，在计算酸洗速度的过程中，实际上也是对酸洗参数进行优化。
优选的，所述(a)收集来料工艺参数主要包括来料牌号、C含量、Si含量、Mn含量和卷取温度。
优选的，所述给定初始化参数X中步骤如下：随机选取一组初始酸洗工艺参数数据X，其中X＝{c,T,q,e}，c为酸液浓度、T为酸液温度、q为酸液流量、ε为带钢延伸率。
优选的，所述定义搜索方向的方式为：定义4个线性无关的初始搜索方向d0、d1、d2、d3，给定允许的误差err＝0.01，定义过程参数k，并令k＝0。
本发明提供了一种带钢冷轧酸洗参数优化方法。具备以下有益效果：
1、本发明通过对冷轧酸洗机组生产参数的总结，综合多方面酸洗影响参数计算出最佳的机组酸洗速度，与常规的依靠经验手动调节方法相比，酸洗速度优化计算和酸洗参数设定方法更贴近实际，更加符合现场生产的需求，而且可以进一步提高生产效率。本模型的重要创新在于充分考虑到冷轧酸洗机组的设备与工艺特点，把酸洗过程中带钢的最佳酸洗速度作为目标函数，把实际生产质量作为约束条件，通过调节氧化层厚度h、酸液浓度c、温度T、流量q和延伸率ε这些酸洗参数，多次迭代获得满足酸洗质量的生产参数，同时满足酸洗速度最佳的重要指标的要求，对现场生产有重要的指导意义。
2、本发明通过充分考虑到不同酸洗机组的设备工艺特点与实际工况，通过对酸洗过程中的酸洗质量的控制以及对酸洗速度的把控，经过大量的现场数据回归与理论分析，建立一种以酸洗机组酸洗质量和酸洗速度控制为目标的酸洗参数优化方法，综合分析各酸洗参数的影响，保证工程上冷轧酸洗机组速度优化提升效率。
附图说明
图1为本发明的系统流程图。
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。
实施例一：
如图1所示，本发明实施例提供一种带钢冷轧酸洗参数优化方法，包括以下由计算机执行的步骤：
(a)收集来料工艺参数；
(b)计算来料氧化层厚度h：由于来料氧化铁皮厚度与来料工艺参数存在函数关系h＝f(P,C,Si,Mn,Tj)，其中P为带钢牌号、Tj为卷取温度；根据收集的来料工艺参数进行来料氧化铁皮计算；
(c)定义优化函数F(X)＝f(h,X)；
(d)给定初始化参数X；
(e)定义搜索方向；
(f)对搜索方向依次进行一维搜索：令y0＝X(k)，依次沿d0、d1、d2、d3进行一维搜索，对一切j＝1，2，3，4，记f(y(j-1)+λ(j-1)d(j-1))＝minf(y(j-1)+λd(j-1))，y(j)＝f(y(j-1)+λ(j-1)d(j-1))，得到F2，F3；
(g)检查是否满足终止条件：取加速度方向d(n)＝y(n)-y(0)；若||d(n)||<Err，迭代终止，得yn为问题最优解，并得酸洗工艺参数组合Xzy以及最佳酸洗速度v；否则进入步骤(h)；
(h)确定搜索方向：按照上式公式确定m，若验证式子成立，进入步骤(i)；否则，进入步骤(j)；
(i)调整搜索方向：从点yn出发沿方向dn进行一维搜索，求出λn，使得f(yn+λn×dn)＝minf(yn+λ×dn)；令X(k+1)＝yn+λn×dn。再令d(j)＝d(j+1)，j＝m,m+1,...,n-1，k＝k+1，返回步骤(f)；
(j)不调整搜索方向：令X(k+1)＝yn；k＝k+1，返回步骤(f)，直至完成优化算法；
(k)最终输出满足约束条件的最佳酸洗速度v以及此时对应的酸洗工艺参数组合Xzy，完成参数模型的优化，在冷轧酸洗机组酸洗质量和酸洗速度优化控制过程中，对于具体的冷轧酸洗过程实际酸洗时间为ta，其中
只与酸洗速度和酸洗槽长度有关；而理论酸洗时间为tt，其中tt＝f(h，c，T，q，ε)，与氧化层厚度h、酸液浓度c、温度T、流量q、延伸率ε有关，此时剩余的氧化层厚度为
若要保证酸洗质量最好，就可以将h′设为0，即酸洗后没有氧化铁皮剩余，也没有过酸洗腐蚀带钢基体，这样就必须满足tt＝ta，从而构建出酸洗速度与酸洗影响因素直接的关系为v＝l/f(h，c，T，q，e)。由此，酸洗速度就由氧化层厚度h、酸液浓度c、温度T、流量q、延伸率ε所决定，在计算酸洗速度的过程中，实际上也是对酸洗参数进行优化，通过充分考虑到不同酸洗机组的设备工艺特点与实际工况，通过对酸洗过程中的酸洗质量的控制以及对酸洗速度的把控，经过大量的现场数据回归与理论分析，建立一种以酸洗机组酸洗质量和酸洗速度控制为目标的酸洗参数优化方法，综合分析各酸洗参数的影响，保证工程上冷轧酸洗机组速度优化提升效率。
优选的，(a)收集来料工艺参数主要包括来料牌号、C含量、Si含量、Mn含量和卷取温度。
优选的，给定初始化参数X中步骤如下：随机选取一组初始酸洗工艺参数数据X，其中X＝{c,T,q,e}，c为酸液浓度、T为酸液温度、q为酸液流量、ε为带钢延伸率。
优选的，定义搜索方向的方式为：定义4个线性无关的初始搜索方向d0、d1、d2、d3，给定允许的误差err＝0.01，定义过程参数k，并令k＝0。
综合以上描述，本案中通过对冷轧酸洗机组生产参数的总结，综合多方面酸洗影响参数计算出最佳的机组酸洗速度，与常规的依靠经验手动调节方法相比，酸洗速度优化计算和酸洗参数设定方法更贴近实际，更加符合现场生产的需求，而且可以进一步提高生产效率。本模型的重要创新在于充分考虑到冷轧酸洗机组的设备与工艺特点，把酸洗过程中带钢的最佳酸洗速度作为目标函数，把实际生产质量作为约束条件，通过调节氧化层厚度h、酸液浓度c、温度T、流量q和延伸率ε这些酸洗参数，多次迭代获得满足酸洗质量的生产参数，同时满足酸洗速度最佳的重要指标的要求，对现场生产有重要的指导意义。
实施例二：
如图1所示，本发明实施例提供一种带钢冷轧酸洗参数优化方法，包括以下由计算机执行的步骤：
(a)收集来料工艺参数：随机收集一组某牌号带钢来料工艺参数，主要包括来料牌号A510L、C含量0.155％、Si含量0.9％、Mn含量1.85％和卷取温度500℃；
随后，在步骤(b)中，计算来料氧化层厚度h：由于来料氧化铁皮厚度与来料工艺参数存在函数关系h＝f(P,C,Si,Mn,Tj)，其中P为带钢牌号、Tj为卷取温度。根据收集的来料工艺参数进行来料氧化铁皮计算，计算结果为22μm；
随后，在步骤(c)中，定义优化函数F(X)＝f(h,X)；
随后，在步骤(d)中，随机选取一组初始酸洗工艺参数数据X，其中X＝{c,T,q,e}，1#～3#三个酸槽酸液浓度c分别为64g/L、116g/L、157g/L，1#～3#三个酸槽酸液温度T分别为84℃、80℃、70℃，1#～3#三个酸槽酸液流量q分别为116m3/h、123m3/h、105m3/h，带钢延伸率ε为1.1％；
随后，在步骤(e)中，定义了4个线性无关的初始搜索方向d0、d1、d2、d3，给定允许的误差err＝0.01，定义过程参数k，并令k＝0；
随后，在步骤(f)中，对搜索方向依次进行一维搜索：令y0＝X(k)，依次沿d0、d1、d2、d3进行一维搜索。对一切j＝1，2，3，4，记f(y(j-1)+λ(j-1)d(j-1))＝minf(y(j-1)+λd(j-1))，y(j)＝f(y(j-1)+λ(j-1)d(j-1))，得到F2＝0.0012，F3＝0.00113；
随后，在步骤(g)中，检查是否满足终止条件：取加速度方向d(n)＝y(n)-y(0)＝0.011＞Err，因此进入步骤(h)；
随后，在步骤(h)中，确定搜索方向：由于F2＞F3，所以进入步骤(j)；
随后，在步骤(j)不调整搜索方向。令X(k+1)＝yn；k＝k+1，返回步骤(f)，直至完成优化算法；
最后，在步骤(k)中，最终输出满足约束条件的最佳酸洗速度v为75.67m/min以及此时对应的酸洗工艺参数组合Xzy为114.34，完成参数模型的优化。
实施例三：
如图1所示，本发明实施例提供一种带钢冷轧酸洗参数优化方法，包括以下由计算机执行的步骤：
(a)收集来料工艺参数：随机收集一组某牌号带钢来料工艺参数，主要包括来料牌号JSH440W、C含量0.17％、Si含量1.35％、Mn含量2.1％和卷取温度500℃；
随后，在步骤(b)中，计算来料氧化层厚度h。由于来料氧化铁皮厚度与来料工艺参数存在函数关系h＝f(P,C,Si,Mn,Tj)，其中P为带钢牌号、Tj为卷取温度。根据收集的来料工艺参数进行来料氧化铁皮计算，计算结果为24μm；
随后，在步骤(c)中，定义优化函数F(X)＝f(h,X)；
随后，在步骤(d)中，随机选取一组初始酸洗工艺参数数据X，其中X＝{c,T,q,e}，1#～3#三个酸槽酸液浓度c分别为67g/L、119g/L、160g/L，1#～3#三个酸槽酸液温度T分别为85℃、80℃、71℃，1#～3#三个酸槽酸液流量q分别为125m3/h、128m3/h、106m3/h，带钢延伸率ε为1.2％；
随后，在步骤(e)中，定义了4个线性无关的初始搜索方向d0、d1、d2、d3，给定允许的误差err＝0.01，定义过程参数k，并令k＝0；
随后，在步骤(f)中，对搜索方向依次进行一维搜索。令y0＝X(k)，依次沿d0、d1、d2、d3进行一维搜索。对一切j＝1，2，3，4，记f(y(j-1)+λ(j-1)d(j-1))＝minf(y(j-1)+λd(j-1))，y(j)＝f(y(j-1)+λ(j-1)d(j-1))，得到F2＝0.0014，F3＝0.0023；
随后，在步骤(g)中，检查是否满足终止条件：取加速度方向d(n)＝y(n)-y(0)＝0.012＞Err，因此进入步骤(h)；
随后，在步骤(h)中，确定搜索方向：由于F2﹤F3，所以进入步骤(i)；
随后，在步骤(i)中，调整搜索方向：从点yn出发沿方向dn进行一维搜索，求出λn，使得f(yn+λn×dn)＝minf(yn+λ×dn)；令X(k+1)＝yn+λn×dn。再令d(j)＝d(j+1)，j＝m,m+1,...,n-1，k＝k+1，返回步骤(f)，直至完成优化算法；
最后，在步骤(k)中，最终输出满足约束条件的最佳酸洗速度v为86.59m/min以及此时对应的酸洗工艺参数组合Xzy为122.78，完成参数模型的优化。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种带钢冷轧酸洗参数优化方法，其特征在于：包括以下由计算机执行的步骤：
(a)收集来料工艺参数；
(b)计算来料氧化层厚度h：由于来料氧化铁皮厚度与来料工艺参数存在函数关系h＝f(P,C,Si,Mn,Tj)，其中P为带钢牌号、Tj为卷取温度；根据收集的来料工艺参数进行来料氧化铁皮计算；
(c)定义优化函数F(X)＝f(h,X)；
(d)给定初始化参数X；
(e)定义搜索方向；
(f)对搜索方向依次进行一维搜索：令y0＝X(k)，依次沿d0、d1、d2、d3进行一维搜索，对一切j＝1，2，3，4，记f(y(j-1)+λ(j-1)d(j-1))＝minf(y(j-1)+λd(j-1))，y(j)＝f(y(j-1)+λ(j-1)d(j-1))，得到F2，F3；
(g)检查是否满足终止条件：取加速度方向d(n)＝y(n)-y(0)；若||d(n)||<Err，迭代终止，得yn为问题最优解，并得酸洗工艺参数组合Xzy以及最佳酸洗速度v；否则进入步骤(h)；
(h)确定搜索方向：按照上式公式确定m，若验证式子成立，进入步骤(i)；否则，进入步骤(j)；
(i)调整搜索方向：从点yn出发沿方向dn进行一维搜索，求出λn，使得f(yn+λn×dn)＝minf(yn+λ×dn)；令X(k+1)＝yn+λn×dn。再令d(j)＝d(j+1)，j＝m,m+1,...,n-1，k＝k+1，返回步骤(f)；
(j)不调整搜索方向：令X(k+1)＝yn；k＝k+1，返回步骤(f)，直至完成优化算法；
(k)最终输出满足约束条件的最佳酸洗速度v以及此时对应的酸洗工艺参数组合Xzy，完成参数模型的优化。
2.根据权利要求1所述的一种带钢冷轧酸洗参数优化方法，其特征在于：所述(a)收集来料工艺参数主要包括来料牌号、C含量、Si含量、Mn含量和卷取温度。
3.根据权利要求1所述的一种带钢冷轧酸洗参数优化方法，其特征在于：所述给定初始化参数X中步骤如下：随机选取一组初始酸洗工艺参数数据X，其中X＝{c,T,q,e}，c为酸液浓度、T为酸液温度、q为酸液流量、ε为带钢延伸率。
4.根据权利要求1所述的一种带钢冷轧酸洗参数优化方法，其特征在于：所述定义搜索方向的方式为：定义4个线性无关的初始搜索方向d0、d1、d2、d3，给定允许的误差err＝0.01，定义过程参数k，并令k＝0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210447245.3A CN114792051A (zh) | 2022-04-23 | 2022-04-23 | 一种带钢冷轧酸洗参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210447245.3A CN114792051A (zh) | 2022-04-23 | 2022-04-23 | 一种带钢冷轧酸洗参数优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114792051A true CN114792051A (zh) | 2022-07-26 |
Family
ID=82461574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210447245.3A Pending CN114792051A (zh) | 2022-04-23 | 2022-04-23 | 一种带钢冷轧酸洗参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792051A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117008480A (zh) * | 2023-09-28 | 2023-11-07 | 江苏甬金金属科技有限公司 | 结合应用场景的不锈钢产品自适应加工控制方法 |
-
2022
- 2022-04-23 CN CN202210447245.3A patent/CN114792051A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117008480A (zh) * | 2023-09-28 | 2023-11-07 | 江苏甬金金属科技有限公司 | 结合应用场景的不锈钢产品自适应加工控制方法 |
| CN117008480B (zh) * | 2023-09-28 | 2023-12-08 | 江苏甬金金属科技有限公司 | 结合应用场景的不锈钢产品自适应加工控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN102151704B (zh) | 一种以温度为直控参数的高速线材斯太尔摩线冷却方法 | |
| CN105740467B (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
| CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
| CN104517162B (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
| CN102323981B (zh) | 一种预测热轧钢材奥氏体静态再结晶组织演变的方法 | |
| CN104846306B (zh) | 一种镀锌厚度控制系统及方法 | |
| WO2023130666A1 (zh) | 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 | |
| CN107377634A (zh) | 一种热轧带钢出口凸度预报方法 | |
| CN103593719B (zh) | 一种基于板坯与合同优化匹配的轧制节能方法 | |
| CN108845501B (zh) | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 | |
| CN103341503B (zh) | 一种自适应凸度变化热轧板形控制模型 | |
| CN106345823A (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
| CN104915518A (zh) | 一种高炉铁水硅含量二维预报模型的构建方法及应用 | |
| CN108817103A (zh) | 一种轧钢模型钢族层别分类优化方法 | |
| CN109033505A (zh) | 一种基于深度学习的超快冷温度控制方法 | |
| CN114792051A (zh) | 一种带钢冷轧酸洗参数优化方法 | |
| CN109858780B (zh) | 一种炼钢-连铸生产调度优化方法 | |
| CN113361195B (zh) | 一种基于lstm和相似日的配电网线路超短期负荷预测方法 | |
| CN104680012A (zh) | 一种烧结配料计算模型 | |
| CN113849020A (zh) | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 | |
| CN113836786A (zh) | 一种结合焦炉加热制度参数的智能冶金焦炭预测方法 | |
| CN114118355A (zh) | 基于神经网络的不锈钢酸洗工艺参数控制方法 | |
| CN106200381A (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
| CN103778466A (zh) | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 |
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 |