CN115512455A - 一种融合机理与模型迁移的加热炉钢坯温度预测方法 - Google Patents
一种融合机理与模型迁移的加热炉钢坯温度预测方法 Download PDFInfo
- Publication number
- CN115512455A CN115512455A CN202211157364.1A CN202211157364A CN115512455A CN 115512455 A CN115512455 A CN 115512455A CN 202211157364 A CN202211157364 A CN 202211157364A CN 115512455 A CN115512455 A CN 115512455A
- Authority
- CN
- China
- Prior art keywords
- model
- heating furnace
- data
- billet
- temperature
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Metallurgy (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Crystallography & Structural Chemistry (AREA)
- Thermal Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明公开了一种融合机理与模型迁移的加热炉钢坯温度预测方法,包括以下步骤:建立钢坯温度预测机理模型;获取正在加热的钢坯外形尺寸数据及化学成分参数,确定各控制参量的额定值和稳定运行区间;对获取的数据进行清理、规范化以及更新,得到历史运行数据集和实时运行数据集;确定钢坯温度预测机理模型的参数;基于建立的钢坯温度机理预测模型,利用采集的实时运行数据集,通过联合适配正则化模型迁移技术快速建立加热炉的迁移预测模型;利用实时运行数据验证所建立的加热炉的迁移预测模型的预测效果;利用获得的迁移预测模型,对加热炉钢坯温度进行预测。
Description
技术领域
本发明涉及一种加热炉钢坯温度模型的构建方法,具体是一种基于加热炉热传质机理建模与联合适配正则化模型迁移技术的加热炉钢坯温度快速预测建模方法,属于热轧钢坯加热过程温度预测建模技术领域。
背景技术
加热炉是钢铁生产过程中的热工设备,能耗占轧制工序的50%左右,占整个钢铁生产能耗的20%左右,是钢铁生产的耗能大户;同时加热炉对钢材加热质量的好坏直接影响钢材质量,合理控制钢坯出炉温度与分布,是保证钢坯轧制质量的关键。受测量技术的限制,目前轧钢加热炉生产过程中无法精确获得钢坯在炉内的温度分布的在线测量数据,只能依赖于炉内钢坯温度分布的数学模型实现对各炉区温度的控制。但在实际过程中,模型与实际生产存在较大偏差,导致钢坯加热效果常常不能达到预期效果;此外,入炉钢坯温度波动幅度大有时甚至冷坯热坯混装,出钢节奏波动大、混合煤气热值波动剧烈等多种因素,都会引起钢坯加热进程无序变化,从而导致建立的钢温模型与实际生产过程失配,钢坯温度控制效果无法满足轧制要求。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种融合机理与模型迁移的加热炉钢坯温度预测方法,建立精度高、适应性好的加热炉内钢坯温度预测模型,将有利于炉内钢坯温度预测以及加热炉的优化控制。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明的实施例提供了一种融合机理与模型迁移的加热炉钢坯温度预测方法,包括以下步骤:
步骤1建立钢坯温度预测机理模型;
步骤2获取正在加热的钢坯外形尺寸数据及化学成分参数,确定加热炉控制参量额定值和稳定运行区间;对获取的数据进行数据清理、数据规范化以及数据更新,得到模型测试样本数据;
步骤3确定钢坯温度预测机理模型的参数;
步骤4利用步骤1、步骤3建立的机理模型,结合步骤2中所采集的加热炉实际运行数据通过联合适配正则化模型迁移技术快速建立加热炉的迁移预测模型;
步骤5利用步骤2中得到的模型测试样本数据验证所建立的加热炉的迁移预测模型的预测效果,若建立的迁移预测模型的预测误差小于设定值,则模型迁移训练结束,获得新模型;否则就返回步骤2中增加实验数据,采集更多的实验数据样本进行模型迁移训练,直至迁移预测模型的预测误差小于设定值;
步骤6利用步骤5中获得的新模型,对加热炉钢坯温度进行预测。
上述本发明的实施例的有益效果如下:
本发明通过融合机理分析与模型迁移技术来建立加热炉的钢坯温度预测模型,充分利用加热炉热传质机理与先决经验知识(加热炉炉型、黑度、综合传热系数以及钢坯加热工艺要求、设计参数和吸热特性曲线等),在历史运行数据与少量实际运行数据情况下能够快速开发加热炉钢坯温度预测模型,大大节省了模型的开发时间与成本;同时采用联合适配正则化模型迁移技术构建钢坯温度预测模型,提高了模型的学习速度和泛化能力,提高了建模效率和准确度。该方法比基于机理或数据的建模方法预测精度要高很多,几乎接近实际输出,取得了很好的应用效果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明提出的基于机理分析与模型迁移的加热炉钢坯温度预测建模实施步骤;
图2是钢坯温度机理预测模型构成;
图3是数据采集与处理过程;
图4是联合适配正则化模型迁移过程;
图5是黑匣子及热电偶测温点位置分布;
图6是钢坯上表面热电偶测量温度与模型预测温度曲线;
图7.是钢坯下表面热电偶测量温度与模型预测温度曲线;
图8.是钢坯中部热电偶测量温度与模型预测温度曲线;
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非本发明另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
本发明的一种典型的实施方式中,如图1所示,以下结合附图和具体实施例,对本发明作详细说明。
本发明提出的基于机理分析与模型迁移的加热炉钢坯温度快速预测建模方法,如图1所示,具体步骤如下:
a.钢坯温度机理预测模型
在加热炉生产过程中,无法精确获得钢坯在加热炉内的温度分布的在线测量数据,建立钢坯温度机理预测模型可实现加热炉内钢坯温度场的分布。基于能量守恒定律与傅里叶定律,建立加热炉内钢坯温度机理预测模型,包括钢坯内部传热模型和钢坯上、下表面传热模型三部分,如图2所示。
钢坯内部非稳态导热差分方程:
钢坯上表面非稳态传热差分方程:
钢坯下表面非稳态传热差分方程:
为便于分析工况变化对热流密度影响,本发明从分析加热炉内的热交换机理入手,建立钢坯上下表面的热流密度机理公式:
综合式(1)-(5),得到基于总括吸收率的加热炉内钢坯温度机理预测模型;
b.数据采集与处理
数据采集与处理包括参量约束、数据清理、数据规范化与数据更新,如图3所示。
b.1参量约束:
通过现场管理系统获取正在加热的钢坯外形尺寸数据及化学成分参数,利用加热炉的先决经验知识和钢坯种类确定各控制参量的额定值和稳定运行区间。先决经验知识包括加热炉炉型、黑度、综合传热系数以及钢坯加热工艺要求、设计参数和吸热特性曲线等;控制参量包括钢坯出炉温度、钢坯通支温差、煤气压力、煤气热值、煤气流量、空气预热温度、空气压力、空气流量、氧化烧损率、残氧分量、氮氧化物含量等与钢坯、煤气、空气、氧化烧损相关的控制变量。
b.2数据清理:
首先,采集加热炉以往运行数据,建立历史数据集,并利用K均值聚类方法检测离群点,剔除历史数据集异常点;然后,根据唯一性、连续性、空值等规则校对检测数据;最后,进行偏差检测;
b.3数据规范化:
首先,将步骤b.2得到的历史数据集进行尺度转换处理,将其转换至加热炉内钢坯温度预测模型的稳定运行区间内;然后,根据b.1确定的加热炉控制参量额定值,利用最小最大规范化对步骤b.2得到的数据进行线性变换,进行归一化处理,如式(6)所示。
b.4数据更新:
采集加热炉实时运行数据,建立实时运行数据集。在实时运行数据集/历史数据集进行相似性分析的基础上,对历史数据集划分优先级(与当前实时运行数据相似度较小的历史数据赋予较高的优先级),按照由高到低的顺序进行“遗忘”,并利用加热炉内钢坯温度预测模型预测置信域的评估结果对历史数据的“遗忘”。
利用滑动窗口,对钢坯温度机理预测模型预测误差和钢坯温度机理预测模型的预测置信度的进行评估,通过判断预测结果的准确性和可靠性实现钢坯温度机理预测模型的迁移模型的在线更新。
c.机理模型参数确定
钢坯温度机理预测模型中,总括吸收率和通常依据经验公式确定,而和的值与炉气和钢坯的黑度εg和εs,炉壁对钢坯的角度系数和ηws,强制对流系数和θ直接相关,而εg、εs、ηws、θ等值需要查表或根据经验反复试凑,调节过程繁琐且计算量巨大。本发明利用自适应遗传算法代替经验公式反复试凑过程,完成求解上下炉膛总括吸收率和的繁琐过程:
c.2在加热炉的稳定运行区间,从历史数据集内选择离散、稀疏数据组成实验数据样本,再将数据样本分为训练数据和测试数据两部分:利用训练数据对模型进行训练,求得和最优值后,选择测试数据对模型进行测试,利用自适应遗传算法求得最佳的上下炉膛总括吸收率系数和
d.模型迁移训练
融合步骤a、c的结果,建立参数已知的钢坯温度机理预测模型,结合步骤b.4中所采集的加热炉实际运行数据集,通过联合适配正则化模型迁移技术快速建立的钢坯温度机理预测模型的迁移模型,如图4所示:
d.1利用联合矩阵分解抽取b.2中的历史数据集与实时运行数据集的隐含特征,然后利用图正则化对联合矩阵分解抽取的隐含结构进行精化,进而建立联合矩阵分解和图正则化的统一优化准则;
d.2利用经验最大均值差异(Maximum Mean Di screpancy,MMD)度量不同概率分布的失配程度,建立历史数据领域和实时运行数据领域在无穷维核空间中的边缘分布适配均值距离函数和条件分布适配均值距离函数进而建立联合分布适配正则化项
d.3与结构风险最小化、流行正则化结合,建立联合适配正则化贝叶斯无监督迁移学习的模型迁移方法;
d.4步骤c获得的参数已知的钢坯温度机理预测模型作为基础模型,d.3的模型迁移方法,利用步骤b.4的实时运行数据集,建立钢坯温度迁移预测模型。
e.模型迁移测试
从步骤b实时运行数据集中抽取部分数据作为钢坯温度迁移预测模型的测试数据集,验证所建立的钢坯温度迁移预测模型的预测效果。若建立的钢坯温度迁移预测模型的预测误差小于设定值,则钢坯温度迁移预测模型迁移训练结束,获得新模型并应用,否则就返回步骤b中增加实验数据到实时运行数据集,采集更多的实验数据样本进行迁移预测模型迁移训练。
与现有技术相比,本发明采用机理分析与模型迁移相结合的策略来建立加热炉钢坯温度预测模型,充分利用加热炉内部辐射、对流传热原理及钢坯内部热传导机理,以及加热炉的先决经验知识(加热炉炉型、黑度、综合传热系数以及钢坯加热工艺要求、设计参数和吸热特性曲线等),在少量实际运行数据的情况下能够快速建立加热炉钢坯温度预测模型,节省了模型的开发时间与成本;同时采用联合适配正则化模型迁移技术构建钢坯温度预测模型,提高了模型的学习速度和泛化能力,提高了建模效率和准确度。该方法将联合适配正则化模型迁移技术应用到钢坯温度模型构建中,结合加热炉、钢坯热传质机理,实现加热炉钢坯温度预测模型的快速构建。
具体的应用案例如下:
为了验证快速预测模型的效果,采集加热炉历史数据及实际运行数据建立钢坯温度快速预测模型,利用炉温跟踪仪(俗称“黑匣子”)对钢坯在加热炉内的加热过程进行跟踪测试。
f.1在埋偶实验中,温度传感采用K型铠装热电偶,精度Ⅰ级,钢坯尺寸、黑匣子及热电偶测温点位置分布如图5所示,热电偶及测试孔深度在表1中说明。
表1 热电偶测点描述及测试孔深度
f.2钢坯非轧机侧温度(T7、T8、T9)与快速预测模型预测曲线如图6、7、8所示,图6位钢坯上表面埋偶热电偶测量温度与模型预测温度对比曲线,图7位钢坯下表面埋偶热电偶测量温度与模型预测温度对比曲线,图8为钢坯中部埋偶热电偶测量温度与模型预测温度对比曲线。模型预测最大预测误差为70℃,预测精度均在5%以内。
由埋偶实验结果可知,本发明通过融合机理分析与模型迁移技术来建立加热炉的钢坯温度预测模型,充分利用加热炉热传质机理与先决经验知识(加热炉炉型、黑度、综合传热系数以及钢坯加热工艺要求、设计参数和吸热特性曲线等),在历史运行数据与少量实际运行数据情况下能够快速开发加热炉钢坯温度预测模型,大大节省了模型的开发时间与成本;同时采用联合适配正则化模型迁移技术构建钢坯温度预测模型,提高了模型的学习速度和泛化能力,提高了建模效率和准确度。该方法比基于机理或数据的建模方法预测精度要高很多,几乎接近实际输出,取得了很好的应用效果。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,包括以下步骤:
步骤1建立钢坯温度预测机理模型;
步骤2获取正在加热的钢坯外形尺寸数据及化学成分参数,确定加热炉控制参量额定值和稳定运行区间;对获取的数据进行数据清理、数据规范化以及数据更新,得到模型测试样本数据;
步骤3确定钢坯温度预测机理模型的参数;
步骤4利用步骤1、步骤3建立的机理模型,结合步骤2中所采集的加热炉实际运行数据通过联合适配正则化模型迁移技术快速建立加热炉的迁移预测模型;
步骤5利用步骤2中得到的模型测试样本数据验证所建立的加热炉的迁移预测模型的预测效果,若建立的迁移预测模型的预测误差小于设定值,则模型迁移训练结束,获得新模型;否则就返回步骤2中增加实验数据,采集更多的实验数据样本进行模型迁移训练,直至迁移预测模型的预测误差小于设定值;
步骤6利用步骤5中获得的新模型,对加热炉钢坯温度进行预测。
2.如权利要求1所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,所述的钢坯温度预测机理模型,包括钢坯内部传热模型、钢坯上、下表面传热模型三部分。
3.如权利要求2所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,步骤1中的钢坯温度预测机理模型的建立方法如下:
1-1建立钢坯内部非稳态导热差分方程;
1-2建立钢坯上表面非稳态传热差分方程;
1-3建立钢坯下表面非稳态传热差分方程;
1-4建立钢坯上下表面的热流密度机理公式;
1-5综合步骤1-1至步骤1-4,得到基于总括吸收率的加热炉内钢坯温度预测模型。
4.如权利要求1所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,所述的步骤2通过现场管理系统获取正在加热的钢坯外形尺寸数据及化学成分参数,利用加热炉的先决经验知识和钢坯种类确定各参量的额定值和稳定运行区间。
5.如权利要求4所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,步骤2中,所述的数据清理过程如下:
采集加热炉以往运行数据,建立历史数据集,并利用K均值聚类方法检测离群点,剔除历史数据集异常点;
根据唯一性、连续性、空值规则校对检测数据;
进行偏差检测,对错误数据进行数据变换,得到清理后的数据。
6.如权利要求5所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,步骤2中,步骤2中,所述的数据规范化的过程如下:
将数据进行尺度转换处理,将其转换至模型的稳定运行区间内;
根据加热炉控制参量额定值,利用最小最大规范化对清理后的数据进行线性变换,进行归一化处理。
7.如权利要求6所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,步骤2中,所述的数据更新过程如下:
采集加热炉实时运行数据,建立实时运行数据集,在实时运行数据集和历史数据集进行相似性分析的基础上,对历史数据集划分优先级,按照由高到低的顺序进行“遗忘”,并利用加热炉内钢坯温度预测模型预测置信域的评估结果对历史数据的“遗忘”。
8.如权利要求7所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,利用滑动窗口,对钢坯温度机理预测模型预测误差和钢坯温度机理预测模型的预测置信度的进行评估,通过判断预测结果的准确性和可靠性实现钢坯温度机理预测模型的迁移模型的在线更新。
9.如权利要求1所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,步骤3中,所述的机理模型参数确定过程如下:
将上下炉膛总括吸收率作为自变量,采用实数编码方式,以实际钢坯出炉温度与机理模型预测值得差值作为适应度函数;
在加热炉的稳定运行区间内,从历史数据集内选择离散、稀疏数据组成实验数据样本,再将数据样本分为模型训练样本数据和模型测试样本数据两部分:利用训练数据对模型进行训练,求得上下炉膛总括吸收率最优值后,选择测试数据对模型进行测试,利用自适应遗传算法求得最佳的上下炉膛总括吸收率系数。
10.如权利要求5所述的融合机理与模型迁移的加热炉钢坯温度预测方法,其特征在于,步骤4的具体过程如下:
步骤4-1利用联合矩阵分解抽取历史数据集与实际运行数据的隐含特征,然后利用图正则化对联合矩阵分解抽取的隐含结构进行精化,进而建立联合矩阵分解和图正则化的统一优化准则;
步骤4-2利用经验最大均值差异度量不同概率分布的失配程度,建立历史数据领域和实时运行数据在无穷维核空间中的边缘分布适配均值距离函数和条件分布适配均值距离函数,进而建立联合分布适配正则化项;
步骤4-3与结构风险最小化、流行正则化结合,建立联合适配正则化贝叶斯无监督迁移学习的模型迁移方法;
步骤4-4步骤3获得的参数已知的钢坯温度机理预测模型作为基础模型,步骤4-3的模型迁移方法,利用实时运行数据集,建立钢坯温度迁移预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211157364.1A CN115512455B (zh) | 2022-09-22 | 2022-09-22 | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211157364.1A CN115512455B (zh) | 2022-09-22 | 2022-09-22 | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115512455A true CN115512455A (zh) | 2022-12-23 |
CN115512455B CN115512455B (zh) | 2023-07-25 |
Family
ID=84506669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211157364.1A Active CN115512455B (zh) | 2022-09-22 | 2022-09-22 | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512455B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013209692A (ja) * | 2012-03-30 | 2013-10-10 | Jfe Steel Corp | 連続式加熱炉の自動燃焼制御方法及び装置 |
JP2018003084A (ja) * | 2016-06-30 | 2018-01-11 | 株式会社神戸製鋼所 | 鋼材の温度予測方法 |
US20190352738A1 (en) * | 2016-12-20 | 2019-11-21 | Arcelormittal | A method of dynamical adjustment for manufacturing a thermally treated steel sheet |
CN111411215A (zh) * | 2020-03-31 | 2020-07-14 | 北京科技大学设计研究院有限公司 | 一种多钢坯对象的炉温综合决策方法 |
CN111950176A (zh) * | 2020-07-13 | 2020-11-17 | 首钢集团有限公司 | 钢坯加热模型的优化方法、优化装置及电子设备 |
CN112418522A (zh) * | 2020-11-23 | 2021-02-26 | 重庆邮电大学 | 一种基于三支集成预测模型的工业加热炉钢温预测方法 |
CN113191080A (zh) * | 2021-04-26 | 2021-07-30 | 辽宁省交通高等专科学校 | 基于hmpso算法的加热炉钢坯温度场预报模型优化方法 |
CN113621791A (zh) * | 2021-08-30 | 2021-11-09 | 广东韶钢松山股份有限公司 | 一种基于黑匣子试验横向分区数据提高加热炉钢坯温度跟踪模型计算精度的方法 |
CN113821984A (zh) * | 2021-10-18 | 2021-12-21 | 重庆赛迪热工环保工程技术有限公司 | 一种基于时域卷积模型的加热炉钢坯温度计算方法 |
CN114015863A (zh) * | 2021-11-05 | 2022-02-08 | 南京罕华流体技术有限公司 | 一种钢坯加热模型自修正算法 |
CN114764547A (zh) * | 2022-03-11 | 2022-07-19 | 重庆邮电大学 | 融合机理与深度学习的加热炉钢坯温度预测方法及装置 |
-
2022
- 2022-09-22 CN CN202211157364.1A patent/CN115512455B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013209692A (ja) * | 2012-03-30 | 2013-10-10 | Jfe Steel Corp | 連続式加熱炉の自動燃焼制御方法及び装置 |
JP2018003084A (ja) * | 2016-06-30 | 2018-01-11 | 株式会社神戸製鋼所 | 鋼材の温度予測方法 |
US20190352738A1 (en) * | 2016-12-20 | 2019-11-21 | Arcelormittal | A method of dynamical adjustment for manufacturing a thermally treated steel sheet |
CN111411215A (zh) * | 2020-03-31 | 2020-07-14 | 北京科技大学设计研究院有限公司 | 一种多钢坯对象的炉温综合决策方法 |
CN111950176A (zh) * | 2020-07-13 | 2020-11-17 | 首钢集团有限公司 | 钢坯加热模型的优化方法、优化装置及电子设备 |
CN112418522A (zh) * | 2020-11-23 | 2021-02-26 | 重庆邮电大学 | 一种基于三支集成预测模型的工业加热炉钢温预测方法 |
CN113191080A (zh) * | 2021-04-26 | 2021-07-30 | 辽宁省交通高等专科学校 | 基于hmpso算法的加热炉钢坯温度场预报模型优化方法 |
CN113621791A (zh) * | 2021-08-30 | 2021-11-09 | 广东韶钢松山股份有限公司 | 一种基于黑匣子试验横向分区数据提高加热炉钢坯温度跟踪模型计算精度的方法 |
CN113821984A (zh) * | 2021-10-18 | 2021-12-21 | 重庆赛迪热工环保工程技术有限公司 | 一种基于时域卷积模型的加热炉钢坯温度计算方法 |
CN114015863A (zh) * | 2021-11-05 | 2022-02-08 | 南京罕华流体技术有限公司 | 一种钢坯加热模型自修正算法 |
CN114764547A (zh) * | 2022-03-11 | 2022-07-19 | 重庆邮电大学 | 融合机理与深度学习的加热炉钢坯温度预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115512455B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Multi‐similarity measurement driven ensemble just‐in‐time learning for soft sensing of industrial processes | |
Yuan et al. | Sampling-interval-aware LSTM for industrial process soft sensing of dynamic time sequences with irregular sampling measurements | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN112001527A (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
Fang et al. | Soft sensors based on adaptive stacked polymorphic model for silicon content prediction in ironmaking process | |
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 | |
Xiao et al. | The chaotic characteristic of the carbon-monoxide utilization ratio in the blast furnace | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
Liu et al. | Model fusion and multiscale feature learning for fault diagnosis of industrial processes | |
Chen et al. | Detection of blast furnace stockline based on a spatial–temporal characteristic cooperative method | |
Zhou et al. | A new Co/Co $ _2 $ prediction model based on labeled and unlabeled process data for sintering process | |
CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
Sun et al. | Design of an adaptive nonnegative garrote algorithm for multi-layer perceptron-based soft sensor | |
Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
CN116821695B (zh) | 一种半监督神经网络软测量建模方法 | |
CN113517037A (zh) | 一种数据与知识融合的烧结矿FeO预测方法及系统 | |
CN115512455B (zh) | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 | |
Wang et al. | Highway Cost Prediction Based on LSSVM Optimized by Intial Parameters. | |
Li et al. | Adaptive soft sensor based on a moving window just-in-time learning LS-SVM for distillation processes | |
Jiang et al. | Soft sensor modeling method based on target-guided related feature learning and its application | |
Hu et al. | Soft-Sensing of Burn-Through Point Based on Weighted Kernel Just-in-Time Learning and Fuzzy Broad-Learning System in Sintering Process | |
CN115525697A (zh) | 一种基于中药生产数据挖掘的工艺优化方法 | |
CN115688865A (zh) | 面向脱硫工艺烟气的长短期记忆网络工业软测量方法 | |
Zhu et al. | Soft sensor model based on improved Elman neural network with variable data preprocessing and its application |
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 |