CN114798760A - 钢材生产线的精轧机辊缝调整方法、装置、终端及介质 - Google Patents
钢材生产线的精轧机辊缝调整方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN114798760A CN114798760A CN202210458313.6A CN202210458313A CN114798760A CN 114798760 A CN114798760 A CN 114798760A CN 202210458313 A CN202210458313 A CN 202210458313A CN 114798760 A CN114798760 A CN 114798760A
- Authority
- CN
- China
- Prior art keywords
- semi
- finishing mill
- prediction model
- steel material
- roll gap
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 280
- 239000010959 steel Substances 0.000 title claims abstract description 280
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 239000011265 semifinished product Substances 0.000 claims abstract description 122
- 239000000463 material Substances 0.000 claims abstract description 110
- 239000000047 product Substances 0.000 claims description 87
- 238000012937 correction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 239000004566 building material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/58—Roll-force control; Roll-gap control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本申请适用于钢材生产技术领域,提供了一种钢材生产线的精轧机辊缝调整方法、装置、终端及介质,所述精轧机辊缝调整方法包括:获取所述半成品钢材通过一精轧机后的至少一种状态信息;将所述至少一个状态信息输入至对应预测模型中,由所述预测模型输出所述半成品钢材的预测重量;若所述半成品钢材的所述预测重量与对应理论重量之间的负公差不满足设定规则,基于所述负公差对所述半成品钢材当前通过的所述精轧机的辊缝进行调整。通过上述精轧机辊缝调整方法可以提高钢材生产的成材率。
Description
技术领域
本申请属于钢材生产技术领域,尤其涉及一种钢材生产线的精轧机辊缝调整方法、装置、终端及介质。
背景技术
随着城市化和工业化的发展,传统建材逐渐迈向生命周期高位“拐点”期,以满足现代绿色节能建筑和建筑部品化、工厂化生产、装配化施工要求的新型建材,成为建材行业未来发展和转型升级的重中之重。其中,由于随着建材市场量的扩大,对螺纹钢等钢材的需求越来越大,而在以工业化生产钢材的过程中,由原材料的重量得出的半成品钢材的理论重量与实际生产过程中半成品钢材的实际重量通常存在差异,该差异称为负公差,国家针对负公差有对应的标准。
目前在实际轧制的过程中,由于在精轧时对半成品钢材进行称重得到的半成品钢材的实际重量与最终轧制完成的成品钢材的实际重量之间存在差异,容易导致根据该实际重量预测出的负公差数值精确度较低,在基于该负公差数值对对生产线上的设备进行调整将存在误差,进而导致钢材生产的成材率较低。
发明内容
本申请实施例提供了一种钢材生产线的精轧机辊缝调整方法、装置、终端及介质,可以提高钢材生产的成材率。
本申请实施例的第一方面提供了一种钢材生产线的精轧机辊缝调整方法,所述钢材生产线上包括至少一个精轧机,每个精轧机用于对半成品钢材进行轧制处理,所述精轧机辊缝调整方法包括:获取所述半成品钢材通过一精轧机后的至少一种状态信息,所述至少一种状态信息对应一个预测模型;
将所述至少一个状态信息输入至对应预测模型中,由所述预测模型输出所述半成品钢材的预测重量;
若所述半成品钢材的所述预测重量与对应理论重量之间的负公差不满足设定规则,则基于所述负公差对所述半成品钢材当前通过的所述精轧机的辊缝进行调整。
本申请实施例的第二方面提供了一种钢材生产线的精轧机辊缝调整装置,所述精轧机辊缝调整装置包括:
获取模块,用于获取半成品钢材通过一精轧机后的至少一种状态信息,所述至少一种状态信息对应一个预测模型;
预测模块,用于将所述至少一个状态信息输入至对应预测模型中,由所述预测模型输出所述半成品钢材的预测重量;
调整模块,用于若所述半成品钢材的所述预测重量与对应理论重量之间的负公差不满足设定规则,则基于所述负公差对所述半成品钢材当前通过的所述精轧机的辊缝进行调整。
本申请实施例的第三方面提供了一种终端,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的钢材生产线的精轧机辊缝调整方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的钢材生产线的精轧机辊缝调整方法。
本申请实施例的第五方面提供了一种计算机程序产品,当所述计算机程序产品在终端上运行时,使得所述终端执行上述第一方面所述的钢材生产线的精轧机辊缝调整方法。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例的钢材生产线上包括至少一个精轧机,首先可以获取半成品钢材通过一精轧机后的至少一种状态信息,由于至少一种状态信息可以对应一个预测模型,所以在对半成品钢材的重量进行预测时,可以将至少一个状态信息输入至对应预测模型中,并由预测模型输出半成品钢材的预测重量,若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,可以基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。上述方案中不同预测模型对应的至少一种状态信息不同,可以提高预测模型的预测精度,进而提高负公差的预测精度,由于负公差的预测精度较高,则在对精轧机的辊缝进行调整时的调整也较为准确,进而可以提高钢材生产的成材率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图;
图2是本申请实施例二提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图;
图3是本申请实施例三提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图;
图4是本申请实施例四提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图;
图5是本申请实施例五提供的一种钢材生产线的精轧机辊缝调整装置的结构示意图;
图6是本申请实施例六提供的一种终端的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
通过研究发现,随着建材市场量的扩大,市场上对螺纹钢等钢材的需求越来越多,但目前在实际轧制的过程中,由于在精轧时对半成品钢材进行称重得到的半成品钢材的实际重量与最终轧制完成的成品钢材的实际重量之间存在差异,容易导致根据该实际重量预测出的负公差数值精确度较低,在基于该负公差数值对对生产线上的设备进行调整将存在误差,进而导致钢材生产的成材率较低。
本申请提供了一种钢材生产线的精轧机辊缝调整方法,可以获取半成品钢材通过一精轧机后的至少一种状态信息,由于至少一种状态信息可以对应一个预测模型,所以在对半成品钢材的重量进行预测时,可以将至少一个状态信息输入至对应预测模型中,并由预测模型输出半成品钢材的预测重量,若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,则基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。本申请实施例中的不同预测模型对应的至少一种状态信息不同,可以提高预测模型的预测精度,进而提高负公差的预测精度,由于负公差的预测精度较高,则在对精轧机的辊缝进行调整时的调整也较为准确,进而可以提高钢材生产的成材率。
应理解,本申请的钢材生产线指螺纹钢棒材生产线,半成品钢材是指半成品螺纹钢棒材,成品钢材是指成品螺纹钢棒材。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来说明。
参照图1,示出了本申请实施例一提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图。如图1所示,该钢材生产线的精轧机辊缝调整方法可以包括如下步骤:
步骤101,获取半成品钢材通过一精轧机后的至少一种状态信息。
在本申请实施例中,至少一种状态信息对应一个预测模型,且不同预测模型对应的至少一种状态信息不同,预测模型用于预测半成品钢材的重量,即预测重量。终端可以通过多种外设装置获取半成品钢材通过一精轧机后的至少一种状态信息。例如终端可以通过在精轧机的出口处安装图像采集装置采集半成品钢材的图像;还可以通过在精轧机出口处安装测温仪采集半成品钢材的温度,以得到温度对应的膨胀系数,膨胀系数可用于计算半成品钢材的体积。
应理解,在本申请实施例中,至少一种状态信息可以是指与半成品钢材相关的物理状态信息,例如半成品钢材的长度、温度、形状、宽度等,上述状态信息可通过对应外设装置得到,也可通过提取半成品钢材的图像特征得到。
在本申请实施例中,钢材生产线上包括至少一个精轧机,每个精轧机用于对半成品钢材进行轧制处理,因此,半成品钢材每通过一个精轧机,就可以获取对应的至少一种状态信息。
在一种可能的实施方式中,获取半成品钢材通过一精轧机后的至少一种状态信息,包括:
基于用户对预测模型的选择,根据预测模型与至少一种状态信息之间的映射关系,确定预测模型对应至少一种状态信息的类别;
根据预测模型对应至少一种状态信息的类别,采集至少一种状态信息。
在本申请实施例中,由于不同预测模型对应的至少一种状态信息不同,因此可以基于用户对预测模型的选择,获取对应的至少一种状态信息。
具体地,终端可以获取用户对预测模型的选择,例如终端获取用户选择的一预测模型,该预测模型对应的至少一种状态信息包括半成品钢材的长度、温度以及宽度。在获取用户选择的一预测模型之后,终端可以通过该预测模型与半成品钢材的长度、温度以及宽度之间的映射关系,确定该预测模型对应的至少一种状态信息的类别为长度、温度以及宽度,进而根据上述类别,采集半成品钢材的长度信息、温度信息以及宽度信息,若钢材为圆柱形钢材,其类别为宽度对应的状态信息为圆柱形钢材的直径信息。应理解,不论类别为宽度对应的状态信息为宽度信息还是直径信息,均可以通过辊缝检测仪采集精轧机的辊缝后得到,即可以确认精轧机的辊缝为采集所需的宽度信息和直径信息。
在一种可能的实施方式中,获取半成品钢材通过一精轧机后的至少一种状态信息,包括:
采集半成品钢材通过一精轧机后的至少一种状态信息,并基于用户对预测模型的选择,从至少一种状态信息中选取预测模型对应的状态信息,以获取预测模型输入的对应状态信息。
应理解,本申请实施例对采集至少一种状态信息和选择预测模型的执行顺序不作限定,用户可以在采集到至少一种状态信息后选择预测模型,还可以在选择预测模型后采集预测模型的对应状态信息。
步骤102,将至少一种状态信息输入至对应预测模型中,由预测模型输出半成品钢材的预测重量。
在本申请实施例中,基于用户选择的预测模型,终端可以将至少一种状态信息输入至对应预测模型中,预测模型可以根据至少一种状态信息对半成品钢材的重量进行预测,并输出半成品钢材的预测重量。
示例性地,假设用户选择的预测模型的对应状态信息为半成品钢材的长度信息、温度信息以及宽度信息,且半成品钢材为圆柱形钢材,那么预测模型首先可以根据温度信息获取半成品钢材在该温度信息下体积的膨胀系数,并根据长度信息和宽度信息得出该半成品钢材的体积,基于膨胀系数、长度信息以及宽度信息,获取半成品钢材在该温度信息下的体积,基于该体积以及预测模型中该半成品钢材的单位密度,可预测出该半成品钢材的重量,并可以输出该半成品钢材的预测重量。
应理解,钢材生产线上包括至少一个精轧机,且每个精轧机对应的预测模型不同,可基于用户选择对应的预测模型,若钢材生产线上包括3个精轧机,半成品钢材依次经过每个精轧机时分别对应的预测模型可以为预测模型1、预测模型2、预测模型3。其中,预测模型1、预测模型2和预测模型3为三个不同的模型,均为预测模型的示例。
步骤103,若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,则基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。
在本申请实施例中,对于半成品钢材的预测重量和对应理论重量之间的负公差,终端中具有对应的设定规则,例如6mm至12mm的螺纹钢允许最大负公差为-7%,14mm至20mm的螺纹钢允许最大负公差为-5%,22mm至50mm的螺纹钢允许最大负公差为-4%。若半成品螺纹钢的预测重量与对应理论重量之间的负公差不满足以上规则,可以基于上述负公差对半成品钢材当前通过的精轧机的辊缝进行调整,以改变螺纹钢的状态信息(即直径信息),进而改变螺纹钢的重量,直到预测重量和对应理论重量之间的负公差满足对应的设定规则,可进行下一工业流程。
在一种可能的实施方式中,基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整,包括:
若负公差小于设定规则中的标准负公差,则控制精轧机增大辊缝;
若负公差大于设定规则中的标准负公差且大于零,则控制精轧机减小辊缝。
在本申请实施例中,若负公差小于设定规则中的标准负公差,则可以确认半成品钢材的预测重量过小,即不满足钢材的售卖标准,此时需要控制精轧机增大辊缝以增大半成品钢材的预测重量,直到预测重量满足钢材的售卖标准;若负公差大于设定规则中的标准公差且大于零,则可以确认半成品钢材的预测重量过大,预测重量大于理论重量虽可以进行售卖,但会给加工钢材的工厂带来较大的损失,所以此时需要控制精轧机减小辊缝以减小半成品钢材的预测重量,直到预测重量与对应理论重量之间的负公差满足设定规则。
在本申请实施例中,钢材生产线上包括至少一个精轧机,终端首先可以获取半成品钢材通过一精轧机后的至少一种状态信息,由于至少一种状态信息可以对应一个预测模型,所以在对半成品钢材的重量进行预测时,可以将至少一个状态信息输入至对应预测模型中,并由预测模型输出半成品钢材的预测重量,若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,可以基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。上述方案中不同预测模型对应的至少一种状态信息不同,可以提高预测模型的预测精度,进而提高负公差的预测精度,由于负公差的预测精度较高,则在对精轧机的辊缝进行调整时的调整也较为准确,进而可以提高钢材生产的成材率。
参见图2,示出了本申请实施例二提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图。如图2所示,该钢材生产线的精轧机辊缝调整方法可以包括如下步骤:
步骤201,基于用户对预测模型的选择,利用图像采集装置采集得到包括半成品钢材形状的图像。
在本申请实施例中,状态信息包括半成品钢材形状,相对应地,预测模型的输入为半成品钢材形状,在用户选择该预测模型时,由于该预测模型的输入为半成品钢材形状,因此终端可以利用图像采集装置采集得到包括半成品钢材形状的图像。
其中,图像采集装置可以由一个或几个高清摄像机组成,半成品钢材形状可以是指螺纹钢棒材形状。
步骤202,将图像输入至预测模型中,由预测模型识别图像中的半成品钢材形状,并基于半成品钢材形状与对应标准形状之间的差异值,确定并输出半成品钢材的预测重量。
在本申请实施例中,终端可以将采集得到的包括半成品钢材形状的图像输入至预测模型,该预测模型中包括不同型号的半成品钢材对应的标准形状,在将图像输入至预测模型中之后,预测模型可以识别该图像中半成品钢材的形状,并可以根据该半成品钢材的型号对应的标准形状,确定两者之间的差异值,该差异值可以是指体积上的差异值;在得到体积上的差异值之后,可以基于该差异值与该半成品钢材的单位密度的乘积,得到重量上的差异值,根据该重量上的差异值,确定半成品钢材的预测重量。
应理解,在本申请实施例中的预测模型主要是基于半成品钢材形状与对应标准形状上的差异值,确定半成品钢材的预测重量的。
步骤203,若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,则基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。
本实施例步骤203与前述实施例步骤103相同,可以相互参阅,本实施例在此不再赘述。
在本申请实施例中,通过将图像采集装置采集到的包括半成品钢材形状的图像输入至对应预测模型中,确定出半成品钢材的预测重量,本申请实施例既比较了半成品钢材在形状上与标准形状的差异,还比较了半成品钢材在重量上与理论重量的差异,可以使半成品钢材的预测重量更加接近于成品重量,而且在形状上也更加接近于标准的成品钢材,提高了钢材生产的成材率。
参见图3,示出了本申请实施例三提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图。如图3所示,该钢材生产线的精轧机辊缝调整方法可以包括如下步骤:
步骤301,基于用户对预测模型的选择,利用编码器采集半成品钢材的长度,利用测温仪采集半成品钢材的温度,以及利用辊缝检测仪采集精轧机的辊缝。
在本申请实施例中,以半成品钢材为螺纹钢棒材为例,状态信息包括半成品钢材长度、半成品钢材温度以及精轧机的辊缝,相对应地,预测模型的输入为半成品钢材长度和温度以及精轧机的辊缝,因此终端设备可以利用编码器采集半成品钢材的长度,利用测温仪采集半成品钢材的温度,以及利用辊缝检测仪采集精轧机的辊缝。
其中,测温仪可以是指测量温度的仪器,例如红外线测温仪,本申请对比不作限定。
应理解,在本申请实施例中,采用测温仪采集半成品钢材的温度用于获取该温度对应的膨胀系数,该膨胀系数用于预测模型计算半成品钢材的体积;采用辊缝检测仪采集精轧机的辊缝用于获取半成品钢材的宽度信息,且该宽度信息在半成品钢材为圆柱形钢材(即螺纹钢棒材)时用于指代半成品钢材的直径信息。
步骤302,将半成品钢材长度、半成品钢材温度对应的膨胀系数以及精轧机的辊缝输入至预测模型中,由预测模型计算当前修正参数、半成品钢材长度、半成品钢材温度对应的膨胀系数以及精轧机的辊缝之间的乘积值,并基于乘积值确认并输出半成品钢材的预测重量。
在本申请实施例中,预测模型可以根据当前修正参数、半成品钢材长度、半成品钢材温度对应的膨胀系数以及精轧机的辊缝计算得出半成品钢材温度的在该温度下的体积,基于该体积和半成品钢材的单位密度计算得出半成品钢材的预测重量。
应理解,该预测模型为计算模型。
在一种可能的实施方式中,每隔设定时长,终端可以根据钢材生产线中设备的磨损度重新确定修正参数,并用重新确定的修正参数代替预测模型中的当前修正参数。
在本申请实施例中,修正参数用于修正半成品钢材的预测重量,可以理解为在钢材生产线上的若各生产设备均为新设备,即无磨损,则此时预测模型输入的各状态信息均为无误差的状态信息,且得到的预测重量也不会因生产设备的磨损而产生误差。但随着各生产设备的长时间使用,每个生产设备均会出现不同程度的磨损,因此随着各生产设备的长时间使用,以及生产线的不同,终端需要每个设定时长,根据钢材生产线中设备的磨损度重新确定预测模型中的当前修正参数,以保证预测模型的精确度和计算得出的预测重量的精确度。
步骤303,若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,则基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。
本实施例步骤303与前述实施例步骤103相同,可以相互参阅,本实施例在此不再赘述。
在本申请实施例中,终端通过编码器采集半成品钢材的长度,利用测温仪采集半成品钢材的温度,以及利用辊缝检测仪采集精轧机的辊缝,将各状态信息输入预测模型中进行计算,并随着生产线上各生产设备的磨损度的增加,定时更新预测模型中的当前修正参数,以以保证预测模型的精确度和计算得出的预测重量的精确度,进而提高钢材生产的成材率。
参见图4,示出了本申请实施例四提供的一种钢材生产线的精轧机辊缝调整方法的流程示意图。如图4所示,该钢材生产线的精轧机辊缝调整方法可以包括如下步骤:
步骤401,基于用户对预测模型的选择,利用图像采集装置采集得到半成品钢材的图像。
在本申请实施例中,预测模型是基于不同型号的半成品钢材的图像组成的训练数据集对神经网络进行训练后得到的,在对该神经网络进行训练时,将半成品钢材的真实重量作为标签,基于半成品钢材图像的图像特征和未训练完成的神经网络,得出半成品钢材的初始预测重量,根据半成品钢材的初始预测重量以及真实重量之间的损失值,训练神经网络,在损失值满足设定要求时,获取神经网络中的权重值,得到训练完成的预测模型。
其中,根据预测模型的训练过程可以得知该预测模型的输入为半成品钢材的图像。
应理解,半成品钢材图像的图像特征可以包括颜色特征、纹理特征、形状特征等,例如可根据颜色特征,确认半成品钢材的温度;根据形状特征,确认半成品钢材的长度和宽度等。
步骤402,将半成品钢材的图像输入至预测模型中,由预测模型提取图像的图像特征,并基于图像特征确定并输出半成品钢材的预测重量。
在本申请实施例中,预测模型为神经网络模型,由于该神经网络模型是基于不同型号的半成品钢材的图像组成的训练数据集训练后得到的,因此该神经网络可以基于输入的半成品钢材的图像,提取图像特征,并基于图像特征确定半成品钢材的预测重量。
应理解,神经网络模型可预测各图像特征的权重,确定出各图像特征的重要性,并基于重要性较高的图像特征,对半成品钢材的重量进行预测,预测的更为准确。
步骤403,若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,则基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。
本实施例步骤403与前述实施例步骤103相同,可以相互参阅,本实施例在此不再赘述。
在本申请实施例中,预测模型是基于不同型号的半成品钢材的图像组成的训练数据集对神经网络进行训练后得到的,在训练过程中,可确定出各图像特征的重要性,并基于重要性较高的图像特征,对半成品钢材的重量进行预测,使预测的重量更为准确,进而提高负公差的预测精度,由于负公差的预测精度较高,则在对精轧机的辊缝进行调整时的调整也较为准确,进而可以提高钢材生产的成材率。
参见图5,示出了本申请实施例五提供的一种钢材生产线的精轧机辊缝调整装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
钢材生产线的精轧机辊缝调整装置具体可以包括如下模块:
获取模块501,用于获取半成品钢材通过一精轧机后的至少一种状态信息,至少一种状态信息对应一个预测模型;
预测模块502,用于将至少一个状态信息输入至对应预测模型中,由预测模型输出半成品钢材的预测重量;
调整模块503,用于若半成品钢材的预测重量与对应理论重量之间的负公差不满足设定规则,则基于负公差对半成品钢材当前通过的精轧机的辊缝进行调整。
在本申请实施例中,获取模块501具体可以包括如下子模块:
类别确定子模块,用于基于用户对预测模型的选择,根据预测模型与至少一种状态信息之间的映射关系,确定预测模型对应至少一种状态信息的类别;
采集子模块,用于根据预测模型对应至少一种状态信息的类别,采集至少一种状态信息。
在本申请实施例中,在状态信息包括半成品钢材形状,相对应地,预测模型的输入为半成品钢材形状时,获取模块501具体可以包括如下子模块:
第一图像采集子模块,用于利用图像采集装置采集得到包括半成品钢材形状的图像;对应地,预测模块502具体可以包括如下子模块:
第一预测子模块,用于将图像输入至预测模型中,由预测模型识别图像中的半成品钢材形状,并基于半成品钢材形状与对应标准形状之间的差异值,确定并输出半成品钢材的预测重量。
在本申请实施例中,在状态信息包括半成品钢材长度、半成品钢材温度以及精轧机的辊缝,相对应地,预测模型的输入为半成品钢材长度和温度以及精轧机的辊缝时,获取模块501具体可以包括如下子模块:
状态采集子模块,用于利用编码器采集半成品钢材的长度,利用测温仪采集半成品钢材的温度,以及利用辊缝检测仪采集精轧机的辊缝;
对应地,预测模块502具体可以包括如下子模块:
第二预测子模块,用于将半成品钢材长度、半成品钢材温度对应的膨胀系数以及精轧机的辊缝输入至预测模型中,由预测模型计算当前修正参数、半成品钢材长度、半成品钢材温度对应的膨胀系数以及精轧机的辊缝之间的乘积值,并基于乘积值确认并输出半成品钢材的预测重量;当前修正参数用于修正半成品钢材的预测重量。
在本申请实施例中,预测模块502具体还可以包括如下子模块:
修正参数更新模块,用于每隔设定时长,根据钢材生产线中生产设备的磨损度重新确定修正参数,并用重新确定的修正参数代替预测模型中的当前修正参数。
在本申请实施例中,在预测模型是基于不同型号的半成品钢材的图像组成的训练数据集对神经网络进行训练后得到的,相对应地,预测模型的输入为半成品钢材的图像时,获取模块501具体可以包括如下子模块:
第二图像采集子模块,用于利用图像采集装置采集得到半成品钢材的图像;
对应地,预测模块502具体可以包括如下子模块:
第三预测子模块,用于将半成品钢材的图像输入至预测模型中,由预测模型提取图像的图像特征,并基于图像特征确定并输出半成品钢材的预测重量。
在本申请实施例中,调整模块503具体可以包括如下子模块:
第一控制子模块,用于若负公差小于设定规则中的标准负公差,则控制精轧机增大辊缝;
第二控制子模块,用于若负公差大于设定规则中的标准负公差且大于零,则控制精轧机减小辊缝。
本申请实施例提供的钢材生产线的精轧机辊缝调整装置可以应用在前述方法实施例中,详情参见上述方法实施例的描述,在此不再赘述。
图6是本申请实施例六提供的终端的结构示意图。如图6所示,该实施例的终端600包括:至少一个处理器610(图6中仅示出一个)处理器、存储器620以及存储在所述存储器620中并可在所述至少一个处理器610上运行的计算机程序621,所述处理器610执行所述计算机程序621时实现上述钢材生产线的精轧机辊缝调整方法实施例中的步骤。
所述终端600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端可包括,但不仅限于,处理器610、存储器620。本领域技术人员可以理解,图6仅仅是终端600的举例,并不构成对终端600的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器610可以是中央处理单元(Central Processing Unit,CPU),该处理器610还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器620在一些实施例中可以是所述终端600的内部存储单元,例如终端600的硬盘或内存。所述存储器620在另一些实施例中也可以是所述终端600的外部存储设备,例如所述终端600上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器620还可以既包括所述终端600的内部存储单元也包括外部存储设备。所述存储器620用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器620还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当所述计算机程序产品在终端上运行时,使得所述终端执行时可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制。尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种钢材生产线的精轧机辊缝调整方法,其特征在于,所述钢材生产线上包括至少一个精轧机,每个精轧机用于对半成品钢材进行轧制处理,所述精轧机辊缝调整方法包括:获取所述半成品钢材通过一精轧机后的至少一种状态信息,所述至少一种状态信息对应一个预测模型;
将所述至少一个状态信息输入至对应预测模型中,由所述预测模型输出所述半成品钢材的预测重量;
若所述半成品钢材的所述预测重量与对应理论重量之间的负公差不满足设定规则,则基于所述负公差对所述半成品钢材当前通过的所述精轧机的辊缝进行调整。
2.如权利要求1所述的精轧机辊缝调整方法,其特征在于,所述获取所述半成品钢材通过一精轧机后的至少一种状态信息,包括:
基于用户对所述预测模型的选择,根据所述预测模型与所述至少一种状态信息之间的映射关系,确定所述预测模型对应至少一种状态信息的类别;
根据所述预测模型对应至少一种状态信息的类别,采集所述至少一种状态信息。
3.如权利要求2所述的精轧机辊缝调整方法,其特征在于,所述状态信息包括半成品钢材形状,相对应地,所述预测模型的输入为所述半成品钢材形状;所述获取所述半成品钢材通过一精轧机后的至少一种状态信息,包括:
利用图像采集装置采集得到包括所述半成品钢材形状的图像;所述将所述至少一个状态信息输入至对应预测模型中,包括:
将所述图像输入至所述预测模型中,由所述预测模型识别所述图像中的半成品钢材形状,并基于所述半成品钢材形状与对应标准形状之间的差异值,确定并输出所述半成品钢材的预测重量。
4.如权利要求2所述的精轧机辊缝调整方法,其特征在于,所述状态信息包括半成品钢材长度、半成品钢材温度以及所述精轧机的辊缝,相对应地,所述预测模型的输入为所述半成品钢材长度和温度以及所述精轧机的辊缝;所述获取所述半成品钢材通过一精轧机后的至少一种状态信息,包括:
利用编码器采集所述半成品钢材的长度,利用测温仪采集所述半成品钢材的温度,以及利用辊缝检测仪采集所述精轧机的辊缝;
所述将所述至少一个状态信息输入至对应预测模型中,包括:
将所述半成品钢材长度、所述半成品钢材温度对应的膨胀系数以及所述精轧机的辊缝输入至所述预测模型中,由所述预测模型计算当前修正参数、所述半成品钢材长度、所述半成品钢材温度对应的膨胀系数以及所述精轧机的辊缝之间的乘积值,并基于所述乘积值确认并输出所述半成品钢材的预测重量;
所述当前修正参数用于修正所述半成品钢材的预测重量。
5.如权利要求4所述的精轧机辊缝调整方法,其特征在于,还包括:
每隔设定时长,根据钢材生产线中生产设备的磨损度重新确定修正参数,并用重新确定的修正参数代替所述预测模型中的当前修正参数。
6.如权利要求2所述的精轧机辊缝调整方法,其特征在于,所述预测模型是基于不同型号的所述半成品钢材的图像组成的训练数据集对神经网络进行训练后得到的,相对应地,所述预测模型的输入为所述半成品钢材的图像;所述获取所述半成品钢材通过一精轧机后的至少一种状态信息,包括:
利用图像采集装置采集得到所述半成品钢材的图像;
所述将所述至少一个状态信息输入至对应预测模型中,包括:
将所述半成品钢材的图像输入至所述预测模型中,由所述预测模型提取所述图像的图像特征,并基于所述图像特征确定并输出所述半成品钢材的预测重量。
7.如权利要求6所述的精轧机辊缝调整方法,其特征在于,所述基于所述负公差对所述半成品钢材当前通过的所述精轧机的辊缝进行调整,包括:
若所述负公差小于所述设定规则中的标准负公差,则控制所述精轧机增大所述辊缝;
若所述负公差大于所述设定规则中的标准负公差且大于零,则控制所述精轧机减小所述辊缝。
8.一种钢材生产线的精轧机辊缝调整装置,其特征在于,所述精轧机辊缝调整装置包括:
获取模块,用于获取半成品钢材通过一精轧机后的至少一种状态信息,所述至少一种状态信息对应一个预测模型;
预测模块,用于将所述至少一个状态信息输入至对应预测模型中,由所述预测模型输出所述半成品钢材的预测重量;
调整模块,用于若所述半成品钢材的所述预测重量与对应理论重量之间的负公差不满足设定规则,则基于所述负公差对所述半成品钢材当前通过的所述精轧机的辊缝进行调整。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458313.6A CN114798760A (zh) | 2022-04-28 | 2022-04-28 | 钢材生产线的精轧机辊缝调整方法、装置、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458313.6A CN114798760A (zh) | 2022-04-28 | 2022-04-28 | 钢材生产线的精轧机辊缝调整方法、装置、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114798760A true CN114798760A (zh) | 2022-07-29 |
Family
ID=82509725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210458313.6A Pending CN114798760A (zh) | 2022-04-28 | 2022-04-28 | 钢材生产线的精轧机辊缝调整方法、装置、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114798760A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5861909A (ja) * | 1981-10-08 | 1983-04-13 | Sumitomo Metal Ind Ltd | 板巾制御方法 |
JPH07223010A (ja) * | 1994-02-14 | 1995-08-22 | Nippon Steel Corp | 形鋼連続圧延時のロ−ル隙制御方法 |
CN1483526A (zh) * | 2002-09-19 | 2004-03-24 | 鞍钢集团新钢铁有限责任公司 | 带钢精轧机辊缝的控制方法 |
CN102371279A (zh) * | 2010-08-26 | 2012-03-14 | 宝山钢铁股份有限公司 | 利用辊缝自适应提高精轧带钢厚度精度的控制方法 |
CN104858242A (zh) * | 2015-04-07 | 2015-08-26 | 江苏永钢集团有限公司 | 一种带肋钢筋负偏差监测系统及负偏差检测计算方法 |
CN107042234A (zh) * | 2017-03-15 | 2017-08-15 | 中冶华天工程技术有限公司 | 基于棒材全流程大数据采集的智能化工艺生产线及生产方法 |
CN107363105A (zh) * | 2017-07-20 | 2017-11-21 | 首钢集团有限公司 | 一种热轧卷头部厚度的控制方法及装置 |
CN107983778A (zh) * | 2017-12-12 | 2018-05-04 | 张家港联峰钢铁研究所有限公司 | 一种称重轧制方法 |
CN108126988A (zh) * | 2017-12-13 | 2018-06-08 | 中冶京诚工程技术有限公司 | 棒材负偏差在线测量方法和系统 |
JP2018089645A (ja) * | 2016-12-01 | 2018-06-14 | Jfe条鋼株式会社 | 圧延ロール圧下圧上自動制御システム |
CN109926452A (zh) * | 2019-04-16 | 2019-06-25 | 河北津西钢铁集团股份有限公司 | 应用于轧钢的过程控制方法、过程控制装置及终端 |
KR20190078338A (ko) * | 2017-12-26 | 2019-07-04 | 주식회사 포스코 | 열연 공정에서의 캠버 제어 장치 |
CN113843288A (zh) * | 2021-09-24 | 2021-12-28 | 中冶华天南京工程技术有限公司 | 一种棒线轧制过程负公差预测方法及系统 |
-
2022
- 2022-04-28 CN CN202210458313.6A patent/CN114798760A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5861909A (ja) * | 1981-10-08 | 1983-04-13 | Sumitomo Metal Ind Ltd | 板巾制御方法 |
JPH07223010A (ja) * | 1994-02-14 | 1995-08-22 | Nippon Steel Corp | 形鋼連続圧延時のロ−ル隙制御方法 |
CN1483526A (zh) * | 2002-09-19 | 2004-03-24 | 鞍钢集团新钢铁有限责任公司 | 带钢精轧机辊缝的控制方法 |
CN102371279A (zh) * | 2010-08-26 | 2012-03-14 | 宝山钢铁股份有限公司 | 利用辊缝自适应提高精轧带钢厚度精度的控制方法 |
CN104858242A (zh) * | 2015-04-07 | 2015-08-26 | 江苏永钢集团有限公司 | 一种带肋钢筋负偏差监测系统及负偏差检测计算方法 |
JP2018089645A (ja) * | 2016-12-01 | 2018-06-14 | Jfe条鋼株式会社 | 圧延ロール圧下圧上自動制御システム |
CN107042234A (zh) * | 2017-03-15 | 2017-08-15 | 中冶华天工程技术有限公司 | 基于棒材全流程大数据采集的智能化工艺生产线及生产方法 |
CN107363105A (zh) * | 2017-07-20 | 2017-11-21 | 首钢集团有限公司 | 一种热轧卷头部厚度的控制方法及装置 |
CN107983778A (zh) * | 2017-12-12 | 2018-05-04 | 张家港联峰钢铁研究所有限公司 | 一种称重轧制方法 |
CN108126988A (zh) * | 2017-12-13 | 2018-06-08 | 中冶京诚工程技术有限公司 | 棒材负偏差在线测量方法和系统 |
KR20190078338A (ko) * | 2017-12-26 | 2019-07-04 | 주식회사 포스코 | 열연 공정에서의 캠버 제어 장치 |
CN109926452A (zh) * | 2019-04-16 | 2019-06-25 | 河北津西钢铁集团股份有限公司 | 应用于轧钢的过程控制方法、过程控制装置及终端 |
CN113843288A (zh) * | 2021-09-24 | 2021-12-28 | 中冶华天南京工程技术有限公司 | 一种棒线轧制过程负公差预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109945420B (zh) | 基于负荷预测的空调控制方法、装置及计算机存储介质 | |
CN112734494A (zh) | 一种销量预测方法、装置、终端设备及可读存储介质 | |
CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
CN117035948B (zh) | 基于大数据的任务智能处理方法及系统 | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN115171825A (zh) | 型材产品规格参数控制方法、装置、电子设备及介质 | |
CN114997528A (zh) | 一种基于注塑产品质量分析的生产参数调节方法及系统 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN115230106A (zh) | 一种注塑件加工工艺控制方法及系统 | |
CN114798760A (zh) | 钢材生产线的精轧机辊缝调整方法、装置、终端及介质 | |
CN111768246B (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
CN116341770B (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
CN110866829A (zh) | 一种基于集成学习模型的股价预测方法 | |
CN108171425B (zh) | 电能质量分区方法、装置及存储介质 | |
CN113626578A (zh) | 一种密封材料的智能分析方法及系统 | |
CN117635202B (zh) | 碳资产价格预测方法、装置、电子设备及存储介质 | |
CN115712243B (zh) | 一种校正方法、装置、设备及介质 | |
US20240046208A1 (en) | Decision support system of industrial copper procurement | |
CN112017194B (zh) | 图像分割方法、装置、设备和存储介质 | |
CN116776958A (zh) | 用于神经网络模型的模型参数更新方法及装置 | |
CN116526479B (zh) | 一种供电量预测方法、装置、设备及介质 | |
JPH07191967A (ja) | 関数近似装置及び電力需要予測装置 | |
WO2021201189A1 (ja) | 装置、方法、およびプログラム | |
CN118247078A (zh) | 铝型材生产管控方法、系统及设备 | |
CN118096351A (zh) | 一种授信额度生成方法、装置、可读存储介质及终端设备 |
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 |