CN115049260A - 认知智能连铸钢包质量预判模型的应用方法及系统 - Google Patents
认知智能连铸钢包质量预判模型的应用方法及系统 Download PDFInfo
- Publication number
- CN115049260A CN115049260A CN202210680441.5A CN202210680441A CN115049260A CN 115049260 A CN115049260 A CN 115049260A CN 202210680441 A CN202210680441 A CN 202210680441A CN 115049260 A CN115049260 A CN 115049260A
- Authority
- CN
- China
- Prior art keywords
- quality
- ladle
- continuous casting
- steel
- intelligent continuous
- 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.)
- Granted
Links
- 238000009749 continuous casting Methods 0.000 title claims abstract description 140
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 53
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 160
- 239000010959 steel Substances 0.000 claims abstract description 160
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 10
- 238000002844 melting Methods 0.000 claims description 8
- 230000008018 melting Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 229910052760 oxygen Inorganic materials 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 229910001208 Crucible steel Inorganic materials 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052717 sulfur Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011593 sulfur Substances 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
Abstract
本发明公开了一种认知智能连铸钢包质量预判模型的应用方法及系统,该应用方法包括:获取钢包的目标数据;其中,所述目标数据与钢包的质量参数相关;将所述目标数据输入所述认知智能连铸钢包质量预判模型;根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常,和/或所述钢包的质量发生异常的概率。本发明通过获取与钢包质量参数相关的目标数据,输入认知智能连铸钢包质量预判模型,并根据模型输出的结果分析钢包的质量是否异常、异常的原因以及异常的概率;可以充分利用认知智能在数据处理方面的技术,解决连铸过程中难以准确分析钢包质量的问题,提高连铸的效率,同时改善连铸钢坯的质量。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种认知智能连铸钢包质量预判模型的应用方法及系统。
背景技术
在连续铸钢(下文简称“连铸”)过程中,钢包内钢水的温度、钢水的成分以及钢包的材料等诸多因素都会影响钢包内钢水的质量,进而影响铸成的钢坯的质量。目前,在连铸工艺中对钢包质量的分析与控制主要采取人工的方式,然而,这种方式存在难以对所有影响因素进行全面监控、导致质量分析准确性低的问题,进而影响铸成的钢坯的质量。
发明内容
本发明要解决的技术问题是为了克服现有技术中采用人工的方式分析连铸钢包的质量,难以对所有影响因素进行全面监控、导致质量分析准确性低的缺陷,提供一种认知智能连铸钢包质量预判模型的应用方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种认知智能连铸钢包质量预判模型的应用方法,包括:
获取钢包的目标数据;其中,所述目标数据与钢包的质量参数相关;
将所述目标数据输入所述认知智能连铸钢包质量预判模型;
根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常,和/或所述钢包的质量发生异常的概率;
其中,所述认知智能连铸钢包质量预判模型基于连铸过程中产生的历史数据构建。
较佳地,所述目标数据包括所述钢包内钢水的成分数据;
所述认知智能连铸钢包质量预判模型的参数基于所述历史数据拟合得到;
所述根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常的步骤包括:
判断所述认知智能连铸钢包质量预判模型输出的结果是否在允许的误差范围内;
若是,则确定所述钢包的质量正常;
若否,则确定所述钢包的质量异常。
较佳地,所述应用方法还包括:
若所述钢包的质量异常,则检测当前所述钢包内所述钢水的各个成分、所述钢水的温度和/或所述钢包内侧材料的成分,以确定质量异常的原因。
较佳地,所述目标数据包括所述钢包内钢水的过热度,所述过热度表征所述钢水的实际温度与熔点之间的温度差;
所述认知智能连铸钢包质量预判模型基于所述历史数据训练得到,所述历史数据包括所述钢水的过热度以及对应的连铸钢坯的纵裂数据;
所述根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量发生异常的概率的步骤包括:
根据所述认知智能连铸钢包质量预判模型输出的纵裂数据确定所述钢包的质量发生异常的概率。
本发明还提供一种认知智能连铸钢包质量预判模型的应用系统,包括:
数据获取模块,用于获取钢包的目标数据;其中,所述目标数据与钢包的质量参数相关;
数据输入模块,用于将所述目标数据输入认知智能连铸钢包质量预判模型;
质量分析模块,用于根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常,和/或所述钢包的质量发生异常的概率;
其中,所述认知智能连铸钢包质量预判模型基于连铸过程中产生的历史数据构建。
较佳地,所述目标数据包括所述钢包内钢水的成分数据;
所述认知智能连铸钢包质量预判模型的参数基于所述历史数据拟合得到;
所述质量分析模块还用于判断所述认知智能连铸钢包质量预判模型输出的结果是否在允许的误差范围内;
若是,则确定所述钢包的质量正常;
若否,则确定所述钢包的质量异常。
较佳地,所述认知智能连铸钢包质量预判模型的应用系统还包括异常原因确定模块,若所述钢包的质量异常,则检测当前所述钢包内所述钢水的各个成分、所述钢水的温度和/或所述钢包内侧材料的成分,以确定质量异常的原因。
较佳地,所述目标数据包括所述钢包内钢水的过热度,所述过热度表征所述钢水的实际温度与熔点之间的温度差;
所述认知智能连铸钢包质量预判模型基于所述历史数据训练得到,所述历史数据包括所述钢水的过热度以及对应的连铸钢坯的纵裂数据;
所述质量分析模块还用于根据所述认知智能连铸钢包质量预判模型输出的纵裂数据确定所述钢包的质量发生异常的概率。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,处理器执行计算机程序时实现上述的认知智能连铸钢包质量预判模型的应用方法。
本发明还提供一种计算机可读存储介质,存储计算机程序,计算机程序被处理器执行时实现上述的认知智能连铸钢包质量预判模型的应用方法。
在符合本领域常识的基础上,所述各优选条件,可任意组合,即得本发明各较佳实施例。
本发明的积极进步效果在于:通过获取与钢包质量参数相关的目标数据,输入认知智能连铸钢包质量预判模型,并根据模型输出的结果分析钢包的质量是否异常、异常的原因以及异常的概率;可以充分利用认知智能在数据处理方面的技术,解决连铸过程中难以准确分析钢包质量的问题,提高连铸的效率,同时改善连铸钢坯的质量。
附图说明
图1为本发明实施例1的认知智能连铸钢包质量预判模型的应用方法的流程图。
图2为本发明实施例2的认知智能连铸钢包质量预判模型的应用方法的误差范围示意图。
图3为本发明实施例2的认知智能连铸钢包质量预判模型的应用方法的质量问题追溯流程图。
图4为本发明实施例3的认知智能连铸钢包质量预判模型的应用系统的模块示意图。
图5为本发明实施例4的认知智能连铸钢包质量预判模型的应用系统的模块示意图。
图6为本发明实施例5的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种认知智能连铸钢包质量预判模型的应用方法,参照图1,该应用方法包括以下步骤:
S1、获取钢包的目标数据;其中,所述目标数据与钢包的质量参数相关;
S2、将所述目标数据输入所述认知智能连铸钢包质量预判模型;
S3、根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常,和/或所述钢包的质量发生异常的概率;
其中,所述认知智能连铸钢包质量预判模型基于连铸过程中产生的历史数据构建。
具体地,在连铸过程中,钢包内钢水的温度、钢水的成分以及钢包内侧材料等诸多种因素都会影响连铸钢坯的质量。步骤S1中所获取的目标数据包括与钢包质量参数相关的各种数据,将目标数据输入到认知智能连铸钢包质量预判模型中,根据模型输出的结果便可分析钢包的质量是否异常,进而还能分析异常产生的原因以及概率。其中,认知智能连铸钢包质量预判模型基于历史数据构建,历史数据包括但不限于历史连铸生产过程中产生的数据和实验测试中记录的数据。
本实施例还可以通过下列方式提高认知智能连铸钢包质量预判模型的准确性:
(1)数据过滤:通过专用过滤算法对上述数据进行过滤,例如,可以采用Bloom-Filter(布隆过滤器)过滤器检验目标数据和历史数据等是否在正常范围内,剔除明显偏移正常范围的数据,保证数据的可信度,进而提高认知智能连铸钢包质量预判模型的预判结果的准确性。
(2)小样本及冷启动:在开始构建认知智能连铸钢包质量预判模型时作为样本的历史数据较少,因此采用小样本对认知智能连铸钢包质量预判模型进行冷启动,可以优化认知智能连铸钢包质量预判模型的性能。
本实施例提供的认知智能连铸钢包质量预判模型的应用方法,通过获取与钢包质量参数相关的目标数据,输入认知智能连铸钢包质量预判模型,并根据模型输出的结果分析钢包的质量是否异常、异常的原因以及异常的概率;可以充分利用认知智能在数据处理方面的技术,解决连铸过程中难以准确分析钢包质量的问题,提高连铸的效率,同时改善连铸钢坯的质量。
实施例2
在实施例1的基础上,本实施例提供一种认知智能连铸钢包质量预判模型的应用方法。
在一可实施的方案中,所述目标数据包括所述钢包内钢水的成分数据;
所述认知智能连铸钢包质量预判模型的参数基于所述历史数据拟合得到;
步骤S3包括:
判断所述认知智能连铸钢包质量预判模型输出的结果是否在允许的误差范围内;
若是,则确定所述钢包的质量正常;
若否,则确定所述钢包的质量异常。
具体地,钢水内含有的S(硫)、P(磷)、N(氮)、H(氢)、O(氧)等各种成分会影响连铸钢包的质量,进而影响铸成的钢坯的质量。在连铸过程中,通常会将各种成分数据与权重的乘积之和作为综合成分数据,间接反应钢包的实际成分和运行状态,当综合成分数据反应的钢包质量偏离正常范围时,再去定位具体的成分问题。本实施例中的认知智能连铸钢包质量预判模型的参数通过拟合历史数据得到,得到的参数即为钢水中各个成分对应的权重,同时认知智能连铸钢包质量预判模型输出的结果为计算各种成分数据与权重的乘积之和得到的综合成分数据。
在进行连铸钢包质量预判时,通过将认知智能连铸钢包质量预判模型输出的当前钢包的综合成分数据和与历史综合成分数据进行比较,得出差值;当该差值在允许的误差范围内时,表示钢包的质量正常;当该差值超出允许的误差范围,表示钢包的质量异常。
具体地,参照图2,计算当前钢包的综合成分数据如下:
δ=A*S+B*P+C*N+D*H+E*O
其中,A为硫的权重,B为磷的权重,C为氮的权重,D为氢的权重,E为氧的权重。
将当前钢包的综合成分数据与历史的综合成分数据(即图中所示中值)比较,根据允许的误差范围确定综合成分数据的上限和下限(即图中所示的历史工艺值范围上限与历史工艺值范围下限),若当前钢包的综合成分数据在历史工艺范围的上限与下限范围内,则确定当前钢包的质量正常,反之,则确定当前钢包的质量异常。
在一可实施的方案中,本实施例的认知智能连铸钢包质量预判模型的应用方法还包括:
若所述钢包的质量异常,则检测当前所述钢包内所述钢水的各个成分、所述钢水的温度和/或所述钢包内侧材料的成分,以确定质量异常的原因。
当确定当前钢包的质量异常后,要对引起异常的原因进行追溯和调整。首先,检测钢包内钢水的温度是否偏离正常的连铸工艺的温度范围(例如明显低于钢的熔点)。在钢水的温度没有异常的情况下,检测当前钢包内钢水的各个成分以及钢包内侧材料的成分,确定钢包质量异常的原因。例如,氧含量通过钢包内侧耐火材料氧势指数的增减、耐火材料的碱性向中性和酸性的顺序变化及温度的升高来评估;硫含量通过成分分析仪来评估等。至于如何确定各成分的精准含量,可以根据实际需求来选取相应的技术方式。
具体地,参照图3,在钢包质量处于异常时,开启异常追溯:一方面检测钢包内侧材料的成分,另一方面检测钢包内钢水内的S、P、N、H、O等成分,确定钢包质量异常的成因。
在一可实施的方案中,所述目标数据包括钢包内钢水的过热度,所述过热度表征钢水的实际温度与熔点之间的温度差;
所述认知智能连铸钢包质量预判模型基于所述历史数据训练得到,所述历史数据包括钢水的过热度以及对应的连铸钢坯的纵裂数据;
所述根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量发生异常的概率的步骤包括:
根据所述认知智能连铸钢包质量预判模型输出的纵裂数据确定所述钢包的质量发生异常的概率。
具体地,为了保证连铸钢坯的质量,要对钢坯的纵裂进行控制,由于钢坯的纵裂主要与钢包内钢水的过热度有关,故通过测试不同过热度与纵裂的对应关系建立相应的认知智能连铸钢包质量预判模型。例如,在下列各个过热度区间中选取多个测试温度(下述数值为钢水实际温度减去钢的熔点得到的过热度数值,并非钢水的温度值):0~5,10~15,15~20,20~25,25~30,30~35,35~40,45测试得到相应的0.05,0.08,0.12,0.18,0.25,0.44,0.52,0.74纵裂经验值(连铸钢坯纵裂的概率)作为对应关系。采用PSO-LSTM(粒子群优化长短期记忆神经网络)算法对认知智能连铸钢包质量预判模型进行训练,得到训练好的认知智能连铸钢包质量预判模型。将当前钢包内钢水的过热度输入认知智能连铸钢包质量预判模型中,可预测得到纵裂数据,进而确定所述钢包的质量发生异常的概率。
通过本实施例提供的认知智能连铸钢包质量预判模型的应用方法,可以对钢包质量缺陷的成因进行定位,进一步提高连铸的效率;同时由过热度和纵裂发生概率的对应关系,预判钢包的质量发生异常的概率,并通过控制钢包内钢水的过热度来提高连铸钢坯的质量。
实施例3
本实施例提供一种认知智能连铸钢包质量预判模型的应用系统,参照图4,该系统包括:
数据获取模块1,用于获取钢包的目标数据;其中,所述目标数据与钢包的质量参数相关;
数据输入模块2,用于将所述目标数据输入认知智能连铸钢包质量预判模型;
质量分析模块3,用于根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常,和/或所述钢包的质量发生异常的概率;
其中,所述认知智能连铸钢包质量预判模型基于连铸过程中产生的历史数据构建。
由于本实施例提供的认知智能连铸钢包质量预判模型的应用系统与实施例1的认知智能连铸钢包质量预判模型的应用方法的实现原理类似、有益效果类似,故在此不再赘述。
实施例4
在实施例3的基础上,参照图5,本实施例提供一种认知智能连铸钢包质量预判模型的应用系统。
在一可实施的方案中,所述目标数据包括钢包内钢水的成分数据;
所述认知智能连铸钢包质量预判模型的参数基于所述历史数据拟合得到;
所述质量分析模块3还用于判断所述认知智能连铸钢包质量预判模型输出的结果是否在允许的误差范围内;
若是,则确定所述钢包的质量正常;
若否,则确定所述钢包的质量异常。
在一可实施的方案中,所述认知智能连铸钢包质量预判模型的应用系统还包括异常原因确定模块4,若所述钢包的质量异常,则检测当前所述钢包内钢水的各个成分、所述钢水的温度和/或所述钢包内侧材料的成分,以确定质量异常的原因。
在一可实施的方案中,所述目标数据包括钢包内钢水的过热度,所述过热度表征钢水的实际温度与熔点之间的温度差;
所述认知智能连铸钢包质量预判模型基于所述历史数据训练得到,所述历史数据包括钢水的过热度以及对应的连铸钢坯的纵裂数据;
所述质量分析模块3还用于根据所述认知智能连铸钢包质量预判模型输出的纵裂数据确定所述钢包的质量发生异常的概率。
由于本实施例提供的认知智能连铸钢包质量预判模型的应用系统与实施例2的认知智能连铸钢包质量预判模型的应用方法的实现原理类似、有益效果类似,故在此不再赘述。
实施例5
本实施例提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、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,其中处理器执行计算机程序时可以实现实施例1或2所提供的认知智能连铸钢包质量预判模型的应用方法。
如图6所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1或2所提供的认知智能连铸钢包质量预判模型的应用方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备9使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1或2所提供的认知智能连铸钢包质量预判模型的应用方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1或2所提供的认知智能连铸钢包质量预判模型的应用方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种认知智能连铸钢包质量预判模型的应用方法,其特征在于,所述应用方法包括:
获取钢包的目标数据;其中,所述目标数据与钢包的质量参数相关;
将所述目标数据输入所述认知智能连铸钢包质量预判模型;
根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常,和/或所述钢包的质量发生异常的概率;
其中,所述认知智能连铸钢包质量预判模型基于连铸过程中产生的历史数据构建。
2.如权利要求1所述的认知智能连铸钢包质量预判模型的应用方法,其特征在于,所述目标数据包括所述钢包内钢水的成分数据;
所述认知智能连铸钢包质量预判模型的参数基于所述历史数据拟合得到;
所述根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常的步骤包括:
判断所述认知智能连铸钢包质量预判模型输出的结果是否在允许的误差范围内;
若是,则确定所述钢包的质量正常;
若否,则确定所述钢包的质量异常。
3.如权利要求2所述的认知智能连铸钢包质量预判模型的应用方法,其特征在于,所述应用方法还包括:
若所述钢包的质量异常,则检测当前所述钢包内所述钢水的各个成分、所述钢水的温度和/或所述钢包内侧材料的成分,以确定质量异常的原因。
4.如权利要求1-3中任一项所述的认知智能连铸钢包质量预判模型的应用方法,其特征在于,所述目标数据包括所述钢包内钢水的过热度,所述过热度表征所述钢水的实际温度与熔点之间的温度差;
所述认知智能连铸钢包质量预判模型基于所述历史数据训练得到,所述历史数据包括所述钢水的过热度以及对应的连铸钢坯的纵裂数据;
所述根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量发生异常的概率的步骤包括:
根据所述认知智能连铸钢包质量预判模型输出的纵裂数据确定所述钢包的质量发生异常的概率。
5.一种认知智能连铸钢包质量预判模型的应用系统,其特征在于,包括:
数据获取模块,用于获取钢包的目标数据;其中,所述目标数据与钢包的质量参数相关;
数据输入模块,用于将所述目标数据输入所述认知智能连铸钢包质量预判模型;
质量分析模块,用于根据所述认知智能连铸钢包质量预判模型输出的结果确定所述钢包的质量是否异常,和/或所述钢包的质量发生异常的概率;
其中,所述认知智能连铸钢包质量预判模型基于连铸过程中产生的历史数据构建。
6.如权利要求5所述的认知智能连铸钢包质量预判模型的应用系统,其特征在于,所述目标数据包括所述钢包内钢水的成分数据;
所述认知智能连铸钢包质量预判模型的参数基于所述历史数据拟合得到;
所述质量分析模块还用于判断所述认知智能连铸钢包质量预判模型输出的结果是否在允许的误差范围内;
若是,则确定所述钢包的质量正常;
若否,则确定所述钢包的质量异常。
7.如权利要求6所述的认知智能连铸钢包质量预判模型的应用系统,其特征在于,所述认知智能连铸钢包质量预判模型的应用系统还包括异常原因确定模块,若所述钢包的质量异常,则检测当前所述钢包内所述钢水的各个成分、所述钢水的温度和/或所述钢包内侧材料的成分,以确定质量异常的原因。
8.如权利要求5-7中任一项所述的认知智能连铸钢包质量预判模型的应用系统,其特征在于,所述目标数据包括所述钢包内钢水的过热度,所述过热度表征所述钢水的实际温度与熔点之间的温度差;
所述认知智能连铸钢包质量预判模型基于所述历史数据训练得到,所述历史数据包括所述钢水的过热度以及对应的连铸钢坯的纵裂数据;
所述质量分析模块还用于根据所述认知智能连铸钢包质量预判模型输出的纵裂数据确定所述钢包的质量发生异常的概率。
9.一种电子设备,包括存储器、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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述的认知智能连铸钢包质量预判模型的应用方法。
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权利要求1-4中任一项所述的认知智能连铸钢包质量预判模型的应用方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210680441.5A CN115049260B (zh) | 2022-06-15 | 2022-06-15 | 认知智能连铸钢包质量预判模型的应用方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210680441.5A CN115049260B (zh) | 2022-06-15 | 2022-06-15 | 认知智能连铸钢包质量预判模型的应用方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049260A true CN115049260A (zh) | 2022-09-13 |
CN115049260B CN115049260B (zh) | 2023-08-04 |
Family
ID=83161200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210680441.5A Active CN115049260B (zh) | 2022-06-15 | 2022-06-15 | 认知智能连铸钢包质量预判模型的应用方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049260B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579654A (zh) * | 2023-05-15 | 2023-08-11 | 苏州宝联重工股份有限公司 | 一种用于if钢的质量在线智能监测方法和系统 |
CN116579650A (zh) * | 2023-04-28 | 2023-08-11 | 华院计算技术(上海)股份有限公司 | 连铸质量判定方法及装置、计算机可读存储介质、终端 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102319883A (zh) * | 2011-10-09 | 2012-01-18 | 北京首钢自动化信息技术有限公司 | 一种连铸坯质量在线预报的控制方法 |
CN106077555A (zh) * | 2016-08-12 | 2016-11-09 | 湖南千盟物联信息技术有限公司 | 一种连铸协调优化控制方法 |
CN108921839A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 连铸坯质量检测方法、装置、电子设备及存储介质 |
CN109977535A (zh) * | 2019-03-22 | 2019-07-05 | 南方电网科学研究院有限责任公司 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
CN110490259A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁(张家港)有限公司 | 一种连铸中心偏析的预测方法和装置 |
CN110850915A (zh) * | 2018-08-21 | 2020-02-28 | 上海梅山钢铁股份有限公司 | 一种基于自学习的炼钢钢水过程温度控制系统和控制方法 |
CN110930065A (zh) * | 2019-12-09 | 2020-03-27 | 马鞍山钢铁股份有限公司 | 铸坯质量判定方法及系统 |
CN110991916A (zh) * | 2019-12-10 | 2020-04-10 | 马鞍山钢铁股份有限公司 | 一种铸坯质量判定系统和方法 |
CN111666710A (zh) * | 2020-05-06 | 2020-09-15 | 大连理工大学 | 一种采用逻辑回归分类预测连铸坯纵裂纹的方法 |
CN112149866A (zh) * | 2020-08-17 | 2020-12-29 | 江苏大学 | 一种基于边云协同的智能制造车间异常预测与管控方法 |
-
2022
- 2022-06-15 CN CN202210680441.5A patent/CN115049260B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102319883A (zh) * | 2011-10-09 | 2012-01-18 | 北京首钢自动化信息技术有限公司 | 一种连铸坯质量在线预报的控制方法 |
CN106077555A (zh) * | 2016-08-12 | 2016-11-09 | 湖南千盟物联信息技术有限公司 | 一种连铸协调优化控制方法 |
CN108921839A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 连铸坯质量检测方法、装置、电子设备及存储介质 |
CN110850915A (zh) * | 2018-08-21 | 2020-02-28 | 上海梅山钢铁股份有限公司 | 一种基于自学习的炼钢钢水过程温度控制系统和控制方法 |
CN109977535A (zh) * | 2019-03-22 | 2019-07-05 | 南方电网科学研究院有限责任公司 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
CN110490259A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁(张家港)有限公司 | 一种连铸中心偏析的预测方法和装置 |
CN110930065A (zh) * | 2019-12-09 | 2020-03-27 | 马鞍山钢铁股份有限公司 | 铸坯质量判定方法及系统 |
CN112232703A (zh) * | 2019-12-09 | 2021-01-15 | 马鞍山钢铁股份有限公司 | 铸坯质量判定方法及系统 |
CN110991916A (zh) * | 2019-12-10 | 2020-04-10 | 马鞍山钢铁股份有限公司 | 一种铸坯质量判定系统和方法 |
CN111666710A (zh) * | 2020-05-06 | 2020-09-15 | 大连理工大学 | 一种采用逻辑回归分类预测连铸坯纵裂纹的方法 |
CN112149866A (zh) * | 2020-08-17 | 2020-12-29 | 江苏大学 | 一种基于边云协同的智能制造车间异常预测与管控方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579650A (zh) * | 2023-04-28 | 2023-08-11 | 华院计算技术(上海)股份有限公司 | 连铸质量判定方法及装置、计算机可读存储介质、终端 |
CN116579650B (zh) * | 2023-04-28 | 2024-04-26 | 华院计算技术(上海)股份有限公司 | 连铸质量判定方法及装置、计算机可读存储介质、终端 |
CN116579654A (zh) * | 2023-05-15 | 2023-08-11 | 苏州宝联重工股份有限公司 | 一种用于if钢的质量在线智能监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115049260B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049260B (zh) | 认知智能连铸钢包质量预判模型的应用方法及系统 | |
US10809153B2 (en) | Detecting apparatus, detection method, and program | |
CN108280543B (zh) | 基于分类回归模式的工况自适应的设备健康度评估方法 | |
CN110059894B (zh) | 设备状态评估方法、装置、系统及存储介质 | |
US8761909B2 (en) | Batch process monitoring using local multivariate trajectories | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN109388888B (zh) | 一种基于车辆荷载空间分布的桥梁结构使用性能预测方法 | |
CN110082285B (zh) | 一种设备腐蚀评估和寿命预测方法及装置 | |
CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
CN112396250A (zh) | 一种柴油机故障预测方法、装置、设备及存储介质 | |
CN116485552A (zh) | 一种基金投资风控方法、装置、介质及终端 | |
CN116306062A (zh) | 建设工程智能监测方法、系统、装置和存储介质 | |
WO2022091639A1 (ja) | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 | |
CN116776289B (zh) | 数控机床加工方法、装置、电子设备及可读存储介质 | |
Gandur et al. | Uncertainty Quantification in the Prediction of Remaining Useful Life Considering Multiple Failure Modes | |
CN116862109A (zh) | 一种区域碳排放态势感知预警方法 | |
CN114382490A (zh) | 一种盾构机刀盘磨损评估预测方法 | |
CN110413482B (zh) | 检测方法和装置 | |
CN114254904A (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
CN116258467B (zh) | 一种电力施工管控系统 | |
CN116482994B (zh) | 一种加热炉的实时控制方法、装置、介质及计算机设备 | |
CN116431454B (zh) | 一种大数据的计算机性能控制系统及方法 | |
CN115292146B (zh) | 一种系统容量预估方法、系统、设备及存储介质 | |
RU2800740C1 (ru) | Система и способ выявления аномалий в киберфизической системе | |
Zhang et al. | Analysis of tensile damage of titanium alloy in seawater environment based on deep learning |
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 |