CN114798764A - 基于多磁融合在线测量冷轧带钢屈服强度方法 - Google Patents
基于多磁融合在线测量冷轧带钢屈服强度方法 Download PDFInfo
- Publication number
- CN114798764A CN114798764A CN202210194175.5A CN202210194175A CN114798764A CN 114798764 A CN114798764 A CN 114798764A CN 202210194175 A CN202210194175 A CN 202210194175A CN 114798764 A CN114798764 A CN 114798764A
- Authority
- CN
- China
- Prior art keywords
- strip steel
- yield strength
- layer
- electromagnetic
- distance
- 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 53
- 239000010959 steel Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000035699 permeability Effects 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000005330 Barkhausen effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000010960 cold rolled steel Substances 0.000 claims 4
- 238000012797 qualification Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 18
- 238000012549 training Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供了一种基于多磁融合在线测量冷轧带钢屈服强度方法,将在线检测的一组电磁参数、带钢和传感器之间的间距实际波动值、以及当前带钢厚度作为输入,通过多层前馈神经网络得到当前带钢的屈服强度,其中,所述的一组电磁参数来自于巴克豪森、增量磁导率、切向磁场和多频涡流四种方法的综合测量,每一种电磁检测方法均输出一个曲线信号,每一个曲线信号均通过定义转化为量化参数进行表征。本发明可以用来对在线运行的带钢的屈服强度进行在线检测,获取带钢全长高密度的数据值,在10%的相对误差精度范围内,样本合格率为90%以上。
Description
技术领域
本发明涉及无损检测技术领域,具体是一种基于多磁融合在线测量冷轧带钢屈服强 度方法。
背景技术
当前国内钢铁企业对冷轧薄带钢的屈服强度的检测主要是切样离线试验法,是目前 广泛采用的方法。即在一卷带钢的某个部位,如头、尾切样,然后送到实验室进行离线测试,获取试样的屈服强度,由此来推断一卷带钢的屈服强度。
切样离线试验法的优点是简单,结果直接,且精度高。但这种方法存在如下弊端:其一,数据时滞大,对生产过程的帮助有限,在线控制更无从谈起。其二,数据不完整, 仅能反应一卷带钢头、尾的值。其三,剪切浪费。机组在生产时,由于某种原因停机或 者低速生产,为了维持“头、尾合格,则中间也合格”的经验判断,此时通常要切除一 段“疑似不合格”的带钢。切多少没有判断标准,只能尽量多切,显然造成了浪费。其 四,需要全天候有人在机旁作业,劳动强度高,人工成本高。
无损检测是指在不损伤待检结构、产品等被检对象的条件下,通过一定的手段来检 测或测量被检对象中因存在缺陷或局部不均匀而带来的物理量变化,以此判断被检对象 内部结构或表面是否存在缺陷,从而判定被检对象的结构完整性、连续性、安全可靠性等物理性能。无损检测以其非破坏性、可靠性、安全性等优点在能源、机械和钢铁等领 域得到了高度重视和迅猛发展,对质量控制、节约原材料和改进工艺等方面起着十分关 键作用的技术。
发明内容
本发明为了解决现有技术的问题,提供了一种基于多磁融合在线测量冷轧带钢屈服 强度方法,可以用来对在线运行的带钢的屈服强度进行在线检测,获取带钢全长高密度的数据值,在10%的相对误差精度范围内,样本合格率为90%以上。
本发明将在线检测的一组电磁参数、带钢和传感器之间的间距实际波动值、以及当 前带钢厚度作为输入,通过多层前馈神经网络得到当前带钢的屈服强度,其中,所述的一组电磁参数来自于巴克豪森、增量磁导率、切向磁场和多频涡流四种方法的综合测量,每一种电磁检测方法均输出一个曲线信号,每一个曲线信号均通过定义转化为量化参数进行表征。
进一步改进,所述的电磁检测方法表征的电磁参数为26个。
进一步改进,所述的多层前馈神经网络模型为输入层、隐含层、输出层三层结构,模型输入层为28个参数,包括26个电磁参数,探头和带钢下表面的间距、带钢厚度, 隐含层为8-15层,输出层为屈服强度,模型层与层之间的传递函数用Sigmoid函数。
进一步改进,所述的巴克豪森噪声检测的电磁参数包括一个周期内幅值的均方根、 一个周期内幅值的平均值、最大幅值、最大幅值30%时的巴克豪森曲线宽度、最大幅值由最小到最大时的巴克豪森曲线宽度。
进一步改进,计带钢和传感器之间测量间距G,当4mm≤G≤6mm时,将带钢和传感器之间的间距实际波动值引入到数学模型中,当G>6mm或者G<4mm时,导致电磁参数 偏差大,认定系统处于异常状态。
本发明有益效果在于:通过对运行的带钢施加四种综合的电磁检测技术,实时获取 多个电磁信号,获得多个电磁参数,且所开发的方法不依赖机组的工艺实时参数,实现在线快速测量带钢屈服强度的目的,获取带钢全长高密度的数据值,在10%的相对误差 精度范围内,样本合格率为90%以上。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附 图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它 的附图。
图1为检测硬件配置示意图。
图2为检测硬件具体结构示意图。
图3为BP神经网络算法网络拓扑结构示意图。
图4为BP神经网络学习算法流程图。
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它实施例,都属于本发明保护的范围。
本发明采用的硬件配置如图1所示,完整的检测系统包括在线的检测硬件系统,配套的软件系统,数学模型,以及相应的数据接口和计算机网络等。
图2为本发明的检测硬件具体结构示意图,带钢1通常以0-300m/min的速度运行,带钢经由两根前后布置的托辊2,实现带钢的运行轨迹线稳定。托辊2之间布置有可以 升降和宽向横移的电磁检测单元3。电磁检测单元3置于运行带钢下方,由控制系统实 现其升降和横移。硬件检测系统中还包括测距仪表4,作用是实时测量电磁检测单元3 与带钢1下表面的间距并发送到控制计算机中。探头升降装置5实现电磁检测单元3的 上下动作,机械限位装置6保障电磁检测单元3与带钢1之间的安全距离。
带钢的下表面和探头表面之间的距离7是关键参数,由于带钢运行时有抖动,以及薄带钢固有的板性的波动等外部因素影响,带钢的间距是微幅波动的,通过测距仪表4 进行实时测量,其目标值为5mm,允许误差为±1mm,该参数称为Gap,简称G,作为检 测数学模型的一个输入。特别要说明的是,测量间距G,当4mm≤G≤6mm时,测量有效, 可以对检测结果进行修正,当G>6mm或者G<4mm时,系统处于异常状态,检测条件不 满足,检测无效。图2分别为电磁检测单元在线和下降位置。
本发明将在线检测的一组电磁参数、带钢和传感器之间的间距实际波动值、以及当 前带钢厚度作为输入,通过多层前馈神经网络得到当前带钢的屈服强度,其中,所述的一组电磁参数来自于巴克豪森、增量磁导率、切向磁场和多频涡流四种方法的综合测量,每一种电磁检测方法均输出一个曲线信号,每一个曲线信号均通过定义转化为量化参数进行表征。
本发明专利重点为巴克豪森噪声检测的实现。巴克豪森噪声检测的电磁参数如下表 所示。
参数 | 单位 | 解释 | |
EM1 | RMS | V | 一个周期内幅值的均方根 |
EM2 | AVE | V | 一个周期内幅值的平均值 |
EM3 | YMAX | V | 最大幅值 |
EM4 | KD | A/cm | YMAX的30%时的巴克豪森曲线宽度 |
EM5 | MAXTIME | A/cm | YMAX由最小到最大时的巴克豪森曲线宽度 |
集成的检测系统中最多输出26个电磁参数,下文以“R”代表屈服强度,阐述R值 的计算流程,和在线检测方法和数学模型。屈服强度的在线预测是基于人工神经网络(ANN)中的BP神经网络来实现的。
BP(Back Propagation)神经网络算法是一种按误差逆传播算法进行学习与训练的 多层前馈型网络,最早由Rumelhart和McCelland等科学家于1986年提出。其网络拓 扑结构如图3所示,网络结构由输入层、隐含层、输出层三部分构成,其中输入层和输 出层各只有一个,而隐含层可以有多个,各层都由若干神经元组成。层内神经元节点之 间互不相连,而层间神经元节点采用全连接的方式,即输入层的任意一个神经元节点都 与隐含层的所有节点有连接,隐含层的任意一个神经元节点都与输出层的所有节点有连 接。
图中,x=(x0,x1,…,xn-1)为输入矢量,xi,i=(0,1,…,n-1)表示输入层第i个神经元的输入量,bj,j=(0,1,…,l-1)为隐含层神经元节点的输出,yk,k=(0,1,…,m-1)为 输出层节点的输出,n、l、m分别表示输入层、隐含层、输出层的神经元节点数,vij表 示输入层第i个神经元节点到隐含层第j个节点的权值,wjk表示隐含层第j个节点到输出 层第k个节点的权值。则:
隐含层各神经元节点的输出为
输出层各神经元节点的输出为
其中,θj、φk分别表示隐含层节点、输出层节点的阈值;f1、f2分别表示隐含层、 输出层的传递函数。
假设输出层节点的期望输出结果为Ok,则总的误差
误差反向传播的目的是通过调整权值使总误差不断减小,因此权值应沿着误差的负 梯度方向进行调整,即权值的变化量应满足下式:
上述两式中,η为常数,称为学习率,通常取0<η<1。
结合式以上各式,可得隐含层、输出层权值调整公式分别为:
同理可得,隐含层、输出层阈值调整公式分别为:
根据权值和阈值调整公式计算出新的权值和阈值后,进入新一轮的正向传播过程。
上述推导过程是针对单个训练样本,基于单隐含层的BP神经网络进行的,其基本思想对于多隐含层的BP神经网络同样适用,在计算权值和阈值的调整量时,由输出层 经中间各隐含层向第一个隐含层逐层向前递推。多个训练样本的误差计算方式为各单样 本误差的累积和。
综上,BP神经网络学习算法的执行过程可以概括为两个主要部分:信号的正向传播 和误差的反向传播。对于每一个训练样本,正向传播时,输入向量从输入层逐层传向输出层;反向传播时,误差以某种形式由隐含层反向逐层传至输入层。这两个过程循环往 复,直到满足设定的终止条件。其算法流程图如图4所示。
完整的BP神经网络模型的设计需要考虑的因素包括网络结构的设计、相关参数的选取设置等。
(1)网络结构的设计
输入层和输出层固定只有一个,且输入层、输出层神经元节点数是根据需要求解的 实际问题和数据表示方式决定的,所以网络结构设计的关键在于隐含层结构的设计,包括层数和节点数的选取。对于隐含层个数的设计,通常先考虑设置一个隐含层,当一个 隐含层不能满足相关性能要求时才考虑增加隐含层个数。实验研究表明,采用两个隐含 层时,如果第一个隐含层神经元节点数多于第二个隐含层节点数,则BP网络性能会得 到一定改善。但是,对于有些实际问题,采用双隐含层所需要的神经元节点数可能少于 单隐含层节点数。隐含层个数越多,BP网络训练学习的时间也越长,局部最小误差也会 增加,即网络陷入局部最优解的概率会增大,所以只有当增加隐含层节点数不能明显改 善网络性能时,才考虑增加隐含层个数。
关于隐含层神经元节点数的确定,目前尚缺乏成熟的理论指导依据,一般根据经验 设置。可参考如下几个经验估算公式:
m=log2 n
其中,m表示隐含层神经元节点数,n表示输入层节点数,l表示输出层节点数,a取[1,10]之间的常数。
隐含层神经元节点数的选取是网络设计成功与否的关键,如果隐含层节点数过少, 则网络从训练样本中获取的学习能力就差,学习到的规律不足以体现整个样本集的规律, 对测试样本的预判误差就会增大;但若设置过多则又会造成训练时间大大延长,而且网 络可能还会学习记录样本中非规律性的内容(如噪声),出现“过拟合”问题,降低网 络的泛化能力。
(2)参数的选取
BP神经网络参数的选取包括传递函数、学习算法、初始权值和阈值,以及迭代次数、 学习率、训练目标误差等参数。
其中,传递函数是根据网络要求和输入\输出间的关系设置的,常用的传递函数为S (sigmoid)型函数,函数表达式为f(x)=1/(1+e-x)。S型函数具有非线性和处处可 导的特性,且对信号有一个较好的增益控制:在|x|值较小时,f(x)有一个较大的增益; 在|x|值较大时,f(x)有一个较小的增益,可以从一定程度上防止网络进入饱和状态,所 以该函数得到了广泛的应用。此外,比较常见的传递函数还有对数S型传递函数(logsid)、 双曲正切S型传递函数(tangsig),以及线性传递函数等,本专利选取最为常用的 sigmoid函数。
适用于带钢屈服强度在线检测的神经元模型的技术要求
模型:BP多层前馈神经网络:
模型结构:三层结构:输入层、隐含层、输出层,其中模型输入层:为28个参数, 包括电磁参数26项;探头和带钢下表面的间距:Gap(满足条件4mm≤Gap≤6mm),带 钢厚度;隐含层为8-12层,具体在模型训练时根据数据试验时优选;输出层一个参数: 屈服强度。
模型输入层与隐含层之间的传递函数采用Sigmoid函数,模型隐含层和输出层的传 递函数采用purelin函数。
模型训练阶段,包括误差分析,算法流程如图4所示。模型训练完毕,误差分析达到技术要求之后,模型可以导入到在线系统中,进行在线计算。
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,对于设备实施例而言,以上所述仅是本发明的优选实施方式,由于其基本相似于方法实施例,所 以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所述,仅为本发明 的具体实施方式,但本发明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 在本发明揭露的技术范围内,对于本技术领域的普通技术人员来说,可轻易想到的变化 或替换,在不脱离本发明原理的前提下,都应涵盖在本发明的保护范围之内。因此,本 发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于多磁融合在线测量冷轧带钢屈服强度方法,其特征在于:将在线检测的一组电磁参数、带钢和传感器之间的间距实际波动值、以及当前带钢厚度作为输入,通过多层前馈神经网络得到当前带钢的屈服强度,其中,所述的一组电磁参数来自于巴克豪森、增量磁导率、切向磁场和多频涡流四种方法的综合测量,每一种电磁检测方法均输出一个曲线信号,每一个曲线信号均通过定义转化为量化参数进行表征。
2.根据权利要求1所述的基于多磁融合在线测量冷轧带钢屈服强度方法,其特征在于:所述的电磁检测方法表征的电磁参数为26个。
3.根据权利要求2所述的基于多磁融合在线测量冷轧带钢屈服强度方法,其特征在于:所述的多层前馈神经网络模型为输入层、隐含层、输出层三层结构,模型输入层为28个参数,包括26个电磁参数,探头和带钢下表面的间距、带钢厚度,隐含层为8-15层,输出层为屈服强度,模型层与层之间的传递函数用Sigmoid函数。
4.根据权利要求1所述的基于多磁融合在线测量冷轧带钢屈服强度方法,其特征在于:所述的巴克豪森噪声检测的电磁参数包括一个周期内幅值的均方根、一个周期内幅值的平均值、最大幅值、最大幅值30%时的巴克豪森曲线宽度、最大幅值由最小到最大时的巴克豪森曲线宽度。
5.根据权利要求1所述的基于多磁融合在线测量冷轧带钢屈服强度方法,其特征在于:计带钢和传感器之间测量间距G,当4mm≤G≤6mm时,将带钢和传感器之间的间距实际波动值引入到数学模型中,当G>6mm或者G<4mm时,导致电磁参数偏差大,认定系统处于异常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194175.5A CN114798764A (zh) | 2022-03-01 | 2022-03-01 | 基于多磁融合在线测量冷轧带钢屈服强度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194175.5A CN114798764A (zh) | 2022-03-01 | 2022-03-01 | 基于多磁融合在线测量冷轧带钢屈服强度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114798764A true CN114798764A (zh) | 2022-07-29 |
Family
ID=82529436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210194175.5A Pending CN114798764A (zh) | 2022-03-01 | 2022-03-01 | 基于多磁融合在线测量冷轧带钢屈服强度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114798764A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104438350A (zh) * | 2013-09-24 | 2015-03-25 | 宝山钢铁股份有限公司 | 平整过程带钢机械性能在线检测控制方法 |
CN108595784A (zh) * | 2018-03-30 | 2018-09-28 | 南京航空航天大学 | 基于mbn信号半高全宽比与包络面积的屈服强度估计方法 |
CN109991308A (zh) * | 2019-03-18 | 2019-07-09 | 北京工业大学 | 薄带钢综合力学性能的微磁无损在线检测系统 |
AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
CN214556274U (zh) * | 2020-12-31 | 2021-11-02 | 上海能辛智能科技有限公司 | 冷轧带钢屈服延伸率的在线检测装置 |
CN113672867A (zh) * | 2021-07-29 | 2021-11-19 | 南京航空航天大学 | 基于降维技术的冷轧薄板屈服和抗拉强度在线检测方法 |
-
2022
- 2022-03-01 CN CN202210194175.5A patent/CN114798764A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104438350A (zh) * | 2013-09-24 | 2015-03-25 | 宝山钢铁股份有限公司 | 平整过程带钢机械性能在线检测控制方法 |
CN108595784A (zh) * | 2018-03-30 | 2018-09-28 | 南京航空航天大学 | 基于mbn信号半高全宽比与包络面积的屈服强度估计方法 |
CN109991308A (zh) * | 2019-03-18 | 2019-07-09 | 北京工业大学 | 薄带钢综合力学性能的微磁无损在线检测系统 |
AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
CN214556274U (zh) * | 2020-12-31 | 2021-11-02 | 上海能辛智能科技有限公司 | 冷轧带钢屈服延伸率的在线检测装置 |
CN113672867A (zh) * | 2021-07-29 | 2021-11-19 | 南京航空航天大学 | 基于降维技术的冷轧薄板屈服和抗拉强度在线检测方法 |
Non-Patent Citations (2)
Title |
---|
林刚,等: "基于卷积神经网络的带钢质量预测", 《仪表技术》 * |
陈云鹏,等: "冷轧带钢力学性能在线检测技术进展", 《理化检验(物理分册)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du | Application and analysis of forecasting stock price index based on combination of ARIMA model and BP neural network | |
WO2021174525A1 (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
CN109131452B (zh) | 一种基于长短时记忆网络的列车状态在线预测方法 | |
Yue et al. | Bayesian regularization BP Neural Network model for predicting oil-gas drilling cost | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
Huang et al. | A quality diagnosis method of GMAW based on improved empirical mode decomposition and extreme learning machine | |
CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
CN109919082A (zh) | 基于lstm与emd的模态识别方法 | |
CN111415008B (zh) | 一种基于vmd-foa-grnn的船舶流量预测方法 | |
CN114152442B (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
CN114324582A (zh) | 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 | |
CN114798764A (zh) | 基于多磁融合在线测量冷轧带钢屈服强度方法 | |
Li et al. | A recognition method of plate shape defect based on RBF-BP neural network optimized by genetic algorithm | |
CN214556274U (zh) | 冷轧带钢屈服延伸率的在线检测装置 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN110807511A (zh) | 粗糙集理论-循环神经网络模型结构 | |
CN114682633A (zh) | 冷轧带钢屈服延伸率的在线检测装置及其使用方法 | |
Bu et al. | Demand forecast of cold chain logistics of fresh agricultural products in Jiangsu province based on GA-BP model | |
CN115703130A (zh) | 低碳钢冷轧薄板屈服和抗拉强度在线测量装置的使用方法 | |
Wang | A neural network algorithm based assessment for marine ecological environment | |
CN115700367A (zh) | 一种冷轧薄带钢塑性应变比在线检测方法及其系统 | |
Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network | |
CN115436467A (zh) | 管线钢钢板硬度分布检测装置及方法 | |
CN114117880A (zh) | 一种烘烤硬化冷轧薄板的烘烤硬化值的在线检测方法 | |
Xu et al. | Application of BP Neural Network in Airport Passenger Volume Forecast |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220729 |