CN114888092B - 一种基于跨工序数据平台的冷轧变形抗力预测方法 - Google Patents

一种基于跨工序数据平台的冷轧变形抗力预测方法 Download PDF

Info

Publication number
CN114888092B
CN114888092B CN202210485166.1A CN202210485166A CN114888092B CN 114888092 B CN114888092 B CN 114888092B CN 202210485166 A CN202210485166 A CN 202210485166A CN 114888092 B CN114888092 B CN 114888092B
Authority
CN
China
Prior art keywords
cold rolling
deformation resistance
rolling
parameters
hot 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.)
Active
Application number
CN202210485166.1A
Other languages
English (en)
Other versions
CN114888092A (zh
Inventor
赵剑威
李京栋
杨荃
武则栋
王晓晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210485166.1A priority Critical patent/CN114888092B/zh
Publication of CN114888092A publication Critical patent/CN114888092A/zh
Application granted granted Critical
Publication of CN114888092B publication Critical patent/CN114888092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明提供了一种基于跨工序数据平台的冷轧变形抗力预测方法，属于轧制自动化控制领域。所述预测方法基于跨工序数据平台获取来料钢种、热轧轧制参数及冷轧轧制参数，并计算冷轧各机架的实际变形抗力值；再以热轧轧制参数和冷轧轧制参数构建输入变量，以冷轧各机架的实际变形抗力值为对应的输出，构建训练集和验证集；针对每个机架，采用思维进化算法和反向传播神经网络构建MEA‑BP预测模型，训练和验证后得到成熟的预测模型；最后获取待预测冷轧机架的基本参数，并构建每个机架的输入变量，将所述变量输入每个机架成熟的预测模型中，得到每个冷轧机架的实时变形抗力预测值。本发明提升了冷轧变形抗力的预报精度，在线计算速度快，提升了成品质量。

Description

一种基于跨工序数据平台的冷轧变形抗力预测方法
技术领域
本发明属于轧制自动化控制领域，具体涉及一种基于跨工序数据平台的冷轧变形抗力预测方法。
背景技术
随着变形抗力作为冷连轧轧制力设定模型中最重要的参数，它的计算精度会直接影响轧制力的设定计算精度，最终影响冷轧带钢成品板形质量，因此，提高变形抗力的计算精度对轧制稳定运行与产品质量提升具有重要意义。
现有技术中，对于冷轧变形抗力的计算，基于轧制机理建立的冷轧变形抗力计算模型是依托冷轧单工序建立的，存在热轧、冷轧工序间相互孤立及运行指标分析彼此分离的问题，无法充分考虑热轧工序工艺过程参数对冷轧工序的遗传影响，变形抗力预测精度低，无法满足高精度生产的要求。
发明内容
有鉴于此，本发明实施例提供了一种基于跨工序数据平台的冷轧变形抗力预测方法，以提升冷轧变形抗力的预报精度，改善成品质量，满足市场需求，提高企业市场竞争力。
为达到上述目的，本发明的实施例采用如下技术方案：
一种基于跨工序数据平台的冷轧变形抗力预测方法，包括以下步骤：
步骤S1，基于跨工序数据平台获取来料钢种、热轧轧制参数及冷轧轧制参数；
步骤S2，根据来料钢种、热轧轧制参数及冷轧轧制参数计算冷轧各机架的实际变形抗力值；
步骤S3，以热轧轧制参数和冷轧轧制参数构建输入变量，以冷轧各机架的实际变形抗力值为对应的输出，构建训练集和验证集；
步骤S4，针对每个机架，采用思维进化算法(MEA)和反向传播(BP)神经网络构建一个MEA-BP预测模型，并采用所述训练集和验证集对模型进行训练和验证，得到成熟的预测模型；
步骤S5，获取待预测冷轧机架的基本参数，并根据基本参数构建每个机架的输入变量，将所述变量输入每个机架的成熟的预测模型中，得到每个冷轧机架的实时变形抗力预测值。
作为本发明的一个优选实施例，所述跨工序数据平台包括：数据采集机、热轧产线数据采集子系统和冷轧产线数据采集子系统；其中，
所述热轧产线数据采集子系统包括二级服务器、二级网络交换机及光电转换器、一级PLC、一级网络交换机及光电转换器，热轧产线数据采集子系统通过防火墙与数据采集机相连；
所述冷轧产线数据采集子系统包括功能开发服务器、功能开发终端、二级服务器、二级网络交换机、一级PLC、一级网络交换机、防火墙及核心交换机，并通过核心交换机与数据采集机相连；
所述数据采集机用于存储热轧产线数据采集子系统和冷轧产线数据采集子系统所采集的热轧数据和冷轧数据。
作为本发明的一个优选实施例，所述跨工序数据平台包括热轧和冷轧数据中的机架的入口厚度、出口厚度、轧制速度、道次压下率、累积压下率、热轧实际终轧温度FDT、卷取温度CT及成品厚度H0。
作为本发明的一个优选实施例，步骤S3所述构建输入变量结构，步骤如下：
步骤S31，利用3σ置信区间准则将热轧轧制参数和冷轧轧制参数中不正确的数据点进行去除，保留具有代表性的样本数据；
步骤S32，基于冶金机理筛选对冷轧变形抗力有影响的热、冷轧轧制参数作为模型的输入变量x，公式如下：
Figure BDA0003629546620000021
且：εm-1＝(hm-1-hm)/hm-1
ξm-1＝(H0-hm)/H0
Figure BDA0003629546620000022
式(3)中，FDT为热轧终轧温度；CT为热轧卷取温度；H0为热轧带钢成品厚度；
Figure BDA0003629546620000031
分别为(m-1)#机架的入口厚度、出口厚度、轧制速度、道次压下率、累积压下率和传统变形抗力模型计算值；KS为静态变形抗力；β为带钢变形速率；α为拟合系数。
本发明实施例所提供的基于跨工序数据平台的冷轧变形抗力预测方法，冷轧方能够实时获取热轧过程质量数据，同时鉴于人工智能算法的优势，采用思维进化算法(MEA)和反向传播(BP)神经网络构建冷轧变形抗力预测模型，并将传统变形抗力数学模型的预报值作为MEA-BP的一个输入项，综合考虑热轧终轧温度、卷取温度及冷轧相关参数作为输入训练模型，大大提升了冷轧变形抗力的预报精度，避免了传统依托冷轧单工序建立的变形抗力模型预测精度低，无法满足现场高精度轧制生产和参数设定的问题，且在线计算速度快，提升了冷轧带钢成品质量。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明实施例提供的基于跨工序数据平台的冷轧变形抗力预测方法流程图；
图2为本发明实施例中跨工序数据平台的网络结构示意图；
图3为采用本发明实施例的中冷轧变形抗力预测方法所预测的冷轧各机架变抗力结果。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，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作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。
针对现有技术中冷轧变形抗力计算所依据的数据仅为冷轧单工序，而未充分考虑热轧、冷轧工序间的相互影响的问题，本发明提出了一种基于跨工序数据平台的冷轧变形抗力预测方法，所述跨工序数据平台包括从热轧到冷轧工序的跨工序数据，先获取带钢热轧过程数据及冷轧轧制工艺参数，构建变形抗力反算模型确定各机架实际变形抗力值，采用人工智能算法构建变形抗力预测模型并选取具有代表性的历史生产数据训练模型，针对冷轧各机架的变形抗力实现在线预测。与传统变形抗力模型相比，本发明有效地利用人工智能算法自学习能力强的优势，充分挖掘热轧数据和冷轧数据间的相互影响，对冷轧变形抗力的预测精度更高，能够满足现场高精度轧制生产，提升带钢成品质量，更适合于多辊冷连轧机在线计算机过程控制的应用的要求。
参见图1，本发明实施例所提供的基于跨工序数据平台的冷轧变形抗力预测方法，包括以下步骤：
步骤S1，基于跨工序数据平台获取来料钢种、热轧轧制参数及冷轧轧制参数。
本步骤中，跨工序数据平台至少同时包括热轧和冷轧数据，对应于当前带钢钢种，冷轧工序的数据与相应的热轧来料数据相对应，使得冷轧方能够实时获取热轧方的质量数据，如：热轧实际终轧温度FDT、卷取温度CT及成品厚度H0等。
如图2所示，所述跨工序数据平台包括：数据采集机、热轧产线数据采集子系统和冷轧产线数据采集子系统，其中，热轧产线数据采集子系统用于采集热轧产线数据，包括二级服务器、二级网络交换机及光电转换器、一级逻辑可编程控制器PLC、一级网络交换机及光电转换器，热轧产线数据采集子系统通过防火墙与总数据采集机相连，其中数据来源于二级服务器和一级PLC；冷轧产线数据采集子系统用于采集冷轧产线数据，包括功能开发服务器、功能开发终端、二级服务器、二级网络交换机、一级PLC、一级网络交换机、防火墙及核心交换机，其中数据来源于二级服务器和一级PLC。各自产线的二级服务器和一级PLC对工作状态的产线数据进行实时跟踪、采集及存储。热轧产线的历史生产数据通过核心交换机，经过光电转换器及防火墙后，将相关数据传输到冷轧方的数据采集机中；冷轧产线的相关数据通过核心交换机到数据采集机中，完成热、冷轧双方生产数据的集中统一存储；功能开发服务器通过系统的交换机从数据采集机获取所需相关数据，同时配置一台开发终端，与系统的核心交换机相连接，实现对系统功能的开发。
步骤S2，根据来料钢种、热轧轧制参数及冷轧轧制参数计算冷轧各机架的实际变形抗力值。
本步骤中，所述计算冷轧各机架的实际变形抗力值，根据来料钢种、热轧轧制参数及冷轧轧制参数信息通过变形抗力反算模型计算冷轧各机架实变形抗力值，具体包括：
步骤S21，将冷轧各机架的轧制参数代入摩擦系数模型计算实际摩擦系数；
Figure BDA0003629546620000051
式(1)中，μ0～μ5为摩擦系数参数；v代表轧制速度实测值；Nr为换辊后的轧制卷数。
步骤S22，确定实际摩擦系数后，通过变形抗力反算模型计算实际变形抗力值K，具体步骤如下：
Figure BDA0003629546620000052
且：
Figure BDA0003629546620000053
N2＝-(1.05×tb+0.1×tf+N1)
N3＝0.3×tb-1.15×tf+N2
N4＝0.15×tb2+N2×tf
Figure BDA0003629546620000054
式(2)中，N1、N2、N3、N4为中间变量；F为轧制力实测值；B为带钢的宽度；QP为摩擦力影响函数；H为轧机入口带钢厚度；h为轧机出口带钢厚度；R'为工作辊压扁半径；tf和tb分别为当前机架的前后张力实际值；ε为相对压下率。
步骤S3，以热轧轧制参数和冷轧轧制参数构建输入变量，以冷轧各机架的实际变形抗力值为对应的输出，构建训练集和验证集；
本步骤中，所述构建输入变量结构，步骤如下：
步骤S31，利用3σ置信区间准则将热轧轧制参数和冷轧轧制参数中不正确的数据点进行去除，保留具有代表性的样本数据；
步骤S32，基于冶金机理筛选对冷轧变形抗力有影响的热、冷轧轧制参数作为模型的输入变量x，公式如下：
Figure BDA0003629546620000061
且：εm-1＝(hm-1-hm)/hm-1
ξm-1＝(H0-hm)/H0
Figure BDA0003629546620000062
式(3)中，FDT为热轧终轧温度；CT为热轧卷取温度；H0为热轧带钢成品厚度；
Figure BDA0003629546620000063
分别为(m-1)#机架的入口厚度、出口厚度、轧制速度、道次压下率、累积压下率和传统变形抗力模型计算值；KS为静态变形抗力；β为带钢变形速率；α为拟合系数，由实际拟合过程或生产工况确定。
而实际变形抗力
Figure BDA0003629546620000064
为与输入值对应的输出。
步骤S4，针对每个机架，采用思维进化算法(MEA)和反向传播(BP)神经网络构建一个MEA-BP预测模型，并采用所述训练集和验证集对模型进行训练和验证，得到成熟的预测模型。
本步骤中，所构建的MEA-BP预测模型，结合了MEA算法和BP神经网络算法的优点，具有快速学习、适应性好及更强的解决非线性数值问题的能力。
步骤S5，获取待预测冷轧机架的基本参数，并根据基本参数构建每个机架的输入变量，将所述变量输入所述每个机架各自的成熟的预测模型中，得到每个冷轧机架的实时变形抗力预测值。
本步骤中，预测冷轧各机架变形抗力值，针对冷轧m个机架建立m个结构相同的如步骤S4中的预测模型，每个机架自行构成一个小网络，每个小网络即预测模型的输入项包括x中的各种参数，输出一个当前机架的变形抗力预测值
Figure BDA0003629546620000071
每个机架对应一个预测模型，多个机架可以同时进行变形抗力值的预测，形成时间和空间上的全面覆盖。
由以上技术方案可以看出，本发明实施例所提供的基于跨工序数据平台的冷轧变形抗力预测方法，冷轧方能够实时获取热轧过程质量数据，同时鉴于人工智能算法的优势，采用思维进化算法(MEA)和反向传播(BP)神经网络构建冷轧变形抗力预测模型，并将传统变形抗力数学模型的预报值作为MEA-BP的一个输入项，综合考虑热轧终轧温度、卷取温度及冷轧相关参数作为输入训练模型，大大提升了冷轧变形抗力的预报精度，避免了传统依托冷轧单工序建立的变形抗力模型预测精度低，无法满足现场高精度轧制生产和参数设定的问题，且在线计算速度快，提升了冷轧带钢成品质量。
下面以一个具体的实例，进一步对本发明进行详细说明。
以某冷轧厂1420mm冷轧生产线为例进行说明，该产线原采用传统变形抗力模型进行轧制设定；热轧数据来自1422mm热轧生产线；冷轧方搭建的跨工序数据平台包括热轧-冷轧数据。如图2所示，所述跨工序数据平台的网络结构包括：一部总数据采集机、热、冷轧方的二级服务器及一级PLC、交换机、功能开发服务器和开发终端。热轧产线的历史生产数据通过核心交换机，经过光电转换器及防火墙后，将相关数据传输到冷轧方的数据采集机中；冷轧产线的相关数据通过核心交换机到数据采集机中，完成热、冷轧双方生产数据的集中统一存储；功能开发服务器通过系统的交换机从数据采集机获取所需相关数据，同时配置一台开发终端，与系统的核心交换机相连接，实现对系统功能的开发。
采用本发明实施例的冷轧变形抗力预测方法进行变形抗力预测，执行如下步骤：
步骤S1，基于跨工序数据平台，获取同一钢种的热轧过程数据及冷轧实际轧制工艺参数等信息，共计2298条数据，将带钢钢种、实际热轧和冷轧轧制过程部分数据列入表1，如表1所示：
表1
Figure BDA0003629546620000081
步骤S2，根据来料钢种、热轧轧制参数及冷轧轧制参数计算冷轧各机架的实际变形抗力值，根据公式(1)和公式(2)计算得到实际变形抗力值列入表2，如表2所示：
表2
Figure BDA0003629546620000082
Figure BDA0003629546620000091
步骤S3，利用3σ置信区间准则将2298条样本数据中不正确的数据点进行去除，保留具有代表性的样本数据，共计2001条；再基于2001条数据构建2001个输入变量，以所计算的表2中对应的2001个实际变形抗力值作为对应的输出，组成数据对，以8：2的比例构建训练集和验证集。
步骤S4，针对每个机架，采用思维进化算法(MEA)和反向传播(BP)神经网络构建一个MEA-BP预测模型，并采用所述训练集和验证集对模型进行训练和验证，得到成熟的预测模型。
步骤S5，针对冷轧5个机架，根据每个机架的基本参数构建输入变量x，将每个机架的变量分别输入对应的5个结构相同的预测模型即小网络中，以x为输入，每个小网络输出一个当前机架的变形抗力预测值。
如图3所示，本发明实施例所预测的冷轧变形抗力值，预测结果误差均位于±5％的误差带以内，极少数异常值除外；与预测误差在±10％的传统变形抗力数学模型相比，基于“热-冷轧”跨工序数据平台的变形抗力预测方法大大提高了变形抗力的预测精度，能够满足现场高精度轧制生产的要求。
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，可轻易想到的变化或替换，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以权利要求的保护范围为准。

Claims (3)

1.一种基于跨工序数据平台的冷轧变形抗力预测方法，其特征在于，包括以下步骤：
步骤S1，基于跨工序数据平台获取来料钢种、热轧轧制参数及冷轧轧制参数；
步骤S2，根据来料钢种、热轧轧制参数及冷轧轧制参数计算冷轧各机架的实际变形抗力值；
步骤S3，以热轧轧制参数和冷轧轧制参数构建输入变量，以冷轧各机架的实际变形抗力值为对应的输出，构建训练集和验证集；
所述以热轧轧制参数和冷轧轧制参数构建输入变量，步骤如下：
步骤S31，利用3σ置信区间准则将热轧轧制参数和冷轧轧制参数中不正确的数据点进行去除，保留具有代表性的样本数据；
步骤S32，基于冶金机理筛选对冷轧变形抗力有影响的热、冷轧轧制参数作为模型的输入变量x，公式如下：
Figure FDA0003936365880000011
且：εm-1＝(hm-1-hm)/hm-1
ξm-1＝(H0-hm)/H0
Figure FDA0003936365880000012
式(3)中，FDT为热轧终轧温度；CT为热轧卷取温度；H0为热轧带钢成品厚度；hm-1,hm,vm-1,εm-1,ξm-1,
Figure FDA0003936365880000013
分别为(m-1)#机架的入口厚度、出口厚度、轧制速度、道次压下率、累积压下率和传统变形抗力模型计算值；KS为静态变形抗力；β为带钢变形速率；α为拟合系数；
步骤S4，针对每个机架，采用思维进化算法MEA和反向传播BP神经网络构建一个MEA-BP预测模型，并采用所述训练集和验证集对模型进行训练和验证，得到成熟的预测模型；
步骤S5，获取待预测冷轧机架的基本参数，并根据基本参数构建每个机架的输入变量，将所述变量输入每个机架的成熟的预测模型中，得到每个冷轧机架的实时变形抗力预测值。
2.根据权利要求1所述的基于跨工序数据平台的冷轧变形抗力预测方法，其特征在于，所述跨工序数据平台包括：数据采集机、热轧产线数据采集子系统和冷轧产线数据采集子系统；其中，
所述热轧产线数据采集子系统包括二级服务器、二级网络交换机及光电转换器、一级PLC、一级网络交换机及光电转换器，热轧产线数据采集子系统通过防火墙与数据采集机相连；
所述冷轧产线数据采集子系统包括功能开发服务器、功能开发终端、二级服务器、二级网络交换机、一级PLC、一级网络交换机、防火墙及核心交换机，并通过核心交换机与数据采集机相连；
所述数据采集机用于存储热轧产线数据采集子系统和冷轧产线数据采集子系统所采集的热轧数据和冷轧数据。
3.根据权利要求1或2所述的基于跨工序数据平台的冷轧变形抗力预测方法，其特征在于，所述跨工序数据平台包括热轧和冷轧数据中的机架的入口厚度、出口厚度、轧制速度、道次压下率、累积压下率、热轧实际终轧温度FDT、卷取温度CT及成品厚度H0。
CN202210485166.1A 2022-05-06 2022-05-06 一种基于跨工序数据平台的冷轧变形抗力预测方法 Active CN114888092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210485166.1A CN114888092B (zh) 2022-05-06 2022-05-06 一种基于跨工序数据平台的冷轧变形抗力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210485166.1A CN114888092B (zh) 2022-05-06 2022-05-06 一种基于跨工序数据平台的冷轧变形抗力预测方法

Publications (2)

Publication Number Publication Date
CN114888092A CN114888092A (zh) 2022-08-12
CN114888092B true CN114888092B (zh) 2023-01-20

Family

ID=82720402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210485166.1A Active CN114888092B (zh) 2022-05-06 2022-05-06 一种基于跨工序数据平台的冷轧变形抗力预测方法

Country Status (1)

Country Link
CN (1) CN114888092B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115815342A (zh) * 2022-11-16 2023-03-21 北京科技大学 一种基于机理和数据融合模型的冷轧轧制力预测方法
CN115608793B (zh) * 2022-12-20 2023-04-07 太原科技大学 一种机理融合数据的精轧温度调控方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4927008B2 (ja) * 2008-03-12 2012-05-09 新日本製鐵株式会社 金属ストリップの変形抵抗予測方法および冷間タンデム圧延機のセットアップ方法
CN106326525B (zh) * 2016-08-02 2019-09-10 武汉科技大学 基于广义可加模型的热轧变形抗力预报方法
CN108817103B (zh) * 2018-06-06 2020-01-14 武汉科技大学 一种轧钢模型钢族层别分类优化方法
CN113434994B (zh) * 2020-03-23 2023-10-10 上海梅山钢铁股份有限公司 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法
CN114021290B (zh) * 2022-01-04 2022-04-05 东北大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络的冷连轧机轧制力预报模型;周富强等;《中南大学学报(自然科学版)》;20061231;第37卷(第6期);第1155-1160页 *

Also Published As

Publication number Publication date
CN114888092A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114888092B (zh) 一种基于跨工序数据平台的冷轧变形抗力预测方法
WO2021197009A1 (zh) 一种水情监测数据的实时异常诊断与插补方法
US20240184956A1 (en) Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion
Lee et al. Application of neural-network for improving accuracy of roll-force model in hot-rolling mill
CN111191822A (zh) 钢材的参数预测方法及终端设备
JPH02170202A (ja) 情報処理システム及び情報処理方法
CN110814050B (zh) 一种基于bp神经网络的轧机模型控制方法
CN112037209B (zh) 一种钢板轧辊磨损量预测方法及系统
CN106991242A (zh) 一种钢板性能优化的控制方法
CN114818456B (zh) 一种冷连轧带钢全长变形抗力预测方法及优化方法
CN113849020B (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
CN103506404A (zh) 一种带钢精轧过程辊缝的控制方法
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
CN109118012A (zh) 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端
CN115121626B (zh) 一种基于误差补偿的热轧带钢瞬态热辊型预报方法
CN115815342A (zh) 一种基于机理和数据融合模型的冷轧轧制力预测方法
CN115007658B (zh) 基于深层循环神经网络的冷连轧轧制板形动态预测方法
CN111676365A (zh) 一种基于lstm的过渡钢卷退火温度设定值的预测方法
CN113373295A (zh) 基于多层感知器的退火炉数字孪生智慧报警系统及方法
CN109617071B (zh) 一种用于配电网供电能力的分析方法、装置及存储介质
CN113901725A (zh) 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法
KR20190078334A (ko) 연속 압연 패스 스케쥴 설정 장치
JPH08117827A (ja) 圧延装置
CN109840309B (zh) 一种铁水脱硫剂用量的计算方法
CN117195460A (zh) 基于动态规划算法的冷轧产品取样方法及系统

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
GR01 Patent grant
GR01 Patent grant