CN115608793B - 一种机理融合数据的精轧温度调控方法 - Google Patents
一种机理融合数据的精轧温度调控方法 Download PDFInfo
- Publication number
- CN115608793B CN115608793B CN202211636090.4A CN202211636090A CN115608793B CN 115608793 B CN115608793 B CN 115608793B CN 202211636090 A CN202211636090 A CN 202211636090A CN 115608793 B CN115608793 B CN 115608793B
- Authority
- CN
- China
- Prior art keywords
- temperature
- model
- finish rolling
- sub
- prediction model
- 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
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
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种机理融合数据的精轧温度调控方法,包括:基于传热学理论构建精轧机组温度预测模型;基于工业大数据构建思维进化算法优化BP神经网络的精轧出口温度预测模型;根据精轧出口温度预测模型,通过机理融合数据的温度模型自学习方法,对精轧机组温度预测模型进行修正;建立模型预测控制系统,基于模型预测控制系统对精轧温度进行在线控制。本发明根据精轧出口温度预测结果对精轧机组温度预测模型进行补偿修正,建立的精轧温度预测模型具有更高的精度,将预测模型用于MPC系统,反馈调整轧制速度和冷却水量。本发明所述方法可实现精轧温度的在线调控,能够保证板形质量。
Description
技术领域
本发明属于热连轧温度控制领域,特别是涉及一种机理融合数据的精轧温度调控方法。
背景技术
随着现代化轧钢技术蓬勃发展,精轧区域温度越来越受到重视。精轧区域温度的控制是保证板厚、板形及板宽命中率的关键。精轧区域温度过高会引起带钢表面氧化影响板带质量,精轧区域温度过低会降低带钢机械性能。精轧区域温度受到多种因素的影响,比如精轧入口温度、轧制力、轧制速度、轧辊辊缝值、冷却水量。精轧区域温度对带钢表面质量影响较大,对带钢精轧温度进行实时监控并进行控制,可以消除温度变化产生的不良影响,进一步保证板形质量。建立一种具有高精度的温度预测模型,并应用于在线温度闭环反馈控制系统,对提高板形质量具有重要意义。
发明内容
本发明的目的是建立一种速度快、精度高,适用于精轧温度调控的精轧温度预测模型,保证精轧区域的带钢温度。
为实现上述目的,本发明提供了如下方案:一种机理融合数据的精轧温度调控方法,包括:
基于传热学理论构建精轧机组温度预测模型;基于工业大数据构建思维进化算法优化BP神经网络的精轧出口温度预测模型;
根据所述精轧出口温度预测模型,通过机理融合数据的温度模型自学习方法,对所述精轧机组温度预测模型进行修正;
建立模型预测控制系统,基于所述模型预测控制系统对精轧温度进行在线控制。
优选地,所述精轧机组温度预测模型为:
式中:表示第架机架出口温度,表示精轧入口温度,表示精轧出口温度,表示空冷温降,表示水冷温降,表示轧辊与轧件摩擦温升,表示轧辊与轧件接触温降,表示轧件塑性变形引起的温升。
优选地,基于工业大数据构建思维进化算法优化BP神经网络的精轧出口温度预测模型的过程包括:
获取工业现场原始数据集,基于所述工业现场原始数据集筛选获得特征参数,所述特征参数包括输入特征参数、输出特征参数;
对所述特征参数进行预处理后划分训练集和测试集,然后进行数据缩放,将数据归一化消除不同特征数据数量级差异的影响;
建立BP神经网络模型,初始化BP神经网络参数;通过思维进化算法确定BP神经网络最佳权重和偏置,将最佳权重和偏置输入BP神经网络进行回归预测,获得预测结果。
优选地,所述输入特征参数包括精轧入口温度、F1~F7机架轧制力、F1~F7机架轧制速度、F1~F7机架轧辊辊缝值、F1~F7机架间冷却水量;
所述输出特征参数为精轧出口温度。
优选地,对所述特征参数进行预处理的过程包括:
采用均值插补法对轧制过程中的缺失数据进行插补处理;
采用马氏距离算法对轧制过程中的异常数据进行删除处理;
采用非线性小波变换阈值法对异常值处理后的数据进行平滑处理。
优选地,通过思维进化算法确定BP神经网络最佳权重和偏置的过程包括:
根据实际需求进行参数设置,其中,所述参数包括种群大小、优胜子种群个数、临时子种群个数、子群体大小、迭代次数;
在初始解空间中随机生成个体,计算BP神经网络模型的适应度值并对个体评分,搜寻得分高于预设阈值的个体作为优胜个体和临时个体,分别以优胜个体和临时个体为中心,生成优胜子种群和临时子种群;
对每个子种群都进行趋同操作,直到子种群成熟,子种群中得分最高的个体作为所述子种群的最佳个体,并将得分作为所述子种群的得分记录在当地公告栏上;在所述优胜子种群和所述临时子种群之间进行异化操作,替换和删除各子种群中的个体并生成新的子种群,将得分最高的子种群记录在全球公告栏上;重复趋同和异化操作,直到找到全局最优得分,即为全局最优解。
优选地,通过机理融合数据的温度模型自学习方法,对精轧机组温度预测模型进行修正的过程包括:
分别基于所述精轧机组温度预测模型、精轧出口温度预测模型进行出口温度预测,获得对应的第一预测结果、第二预测结果;
基于所述第一预测结果、第二预测结果,引入机架间的温度补偿,对精轧机组的温度预测模型进行修正,获得修正后的精轧机组温度预测模型。
优选地,基于所述第一预测结果、第二预测结果,引入各机架间的温度补偿,对精轧机组的温度预测模型进行修正的过程包括,
初始化各机架间温度补偿值;基于第一预测结果与第二预测结果的偏差与各机架间引入温度补偿值前后的温度预测偏差建立第一目标函数与第一约束条件;通过思维进化算法计算获得优化后各机架间的温度补偿值,得到修正后的精轧机组温度预测模型。
优选地,建立模型预测控制系统,基于所述模型预测控制系统对精轧温度进行在线控制的过程包括,
基于修正后的精轧机组温度预测模型和轧制速度、冷却水量建立模型预测控制系统;
建立第二目标函数与第二约束条件,所述模型预测控制系统基于所述第二目标函数与第二约束条件对精轧温度进行在线控制。
本发明公开了以下技术效果:
本发明提供的一种机理融合数据的精轧温度调控方法,基于机理模型与数据驱动模型,采用温度模型自学习方法建立了一种具有高精度的精轧温度预测模型,并应用于MPC系统,解决了传统MPC系统中预测模型精度不高的问题,本发明提出的调控方法速度快,精度高,适用于工业现场应用,对实现精轧区域温度的精确控制具有重要意义。
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他的附图。
图1为本发明实施例中的工作流程图;
图2为本发明实施例中的MEA-BP神经网络预测流程图;
图3为本发明实施例中的思维进化算法结构图;
图4为本发明实施例中的精轧出口温度预测误差图;
图5为本发明实施例中的MPC系统控制结构图。
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他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种机理融合数据的精轧温度调控方法,包括以下步骤:
(1)基于传热学理论建立精轧机组温度预测模型;
(2)基于工业大数据建立思维进化算法优化BP神经网络(MEA-BP)的精轧出口温度预测模型;
(3)提出机理融合数据的温度模型自学习方法,对精轧机组温度预测模型进行修正;
(4)建立模型预测控制(MPC)系统,对精轧温度进行在线控制。
进一步地,基于传热学理论建立精轧机组温度预测模型:
精轧机组的温度控制是保证良好带钢质量的关键,精轧温度受多种因素的影响,建立的温度预测模型如下:
式中:表示第架机架出口温度,表示精轧入口温度,表示精轧出口温度,表示空冷温降,表示水冷温降,表示轧辊与轧件摩擦温升,表示轧辊与轧件接触温降,表示轧件塑性变形引起的温升。
进一步地,基于工业数据建立思维进化算法优化BP神经网络(MEA-BP)的精轧出口温度预测模型,具体步骤如下:
步骤1:获取工业现场原始数据集,采用高精度监测装置采集到的现场数据包括:
精轧入口温度,F1~F7机架轧制力,F1~F7机架轧制速度,F1~F7机架轧辊辊缝值,F1~F7机架间冷却水量与精轧出口温度;
步骤2:对筛选后的特征参数进行预处理,对轧制过程中的缺失数据进行插补处理,采用均值插补法;对轧制过程中的异常数据进行删除处理,采用马氏距离算法;对异常值处理后的数据进行平滑处理,采用非线性小波变换阈值法;处理过程如下:
均值插补法,选取缺失位置前后各组数据,取均值对缺失位置进行插补,具体公式如下:
式中:表示插补结果,表示缺失位置前后的样本数据,取值为0或1,当某位置缺失数据时=0,存在数据时=1;
马氏距离算法,删除原始数据样本中的异常数据,具体公式如下:
式中:表示第个样本的马氏距离,表示第个样本数据,表示样本数据的均值,表示协方差矩阵;在所有样本中筛选出马氏距离最大的一部分(2%)并将其删除;
非线性小波变换阈值法,对数据平滑处理,具体步骤如下:
选择小波基函数和分解层数;采用“symN”小波基函数,分解层数N选为3;
选择阈值函数和阈值;采用软阈值函数,阈值选取为启发式(heursure)阈值,软阈值函数如下:
式中:表示处理后的小波系数,表示未处理的小波系数,表示所选阈值;
将处理后的小波系数进行逆变换,得到平滑后的数据;
步骤3:将处理过的数据划分为训练集和测试集,根据帕累托准则,通常采用的训练集与测试集比率为8:2;
步骤4:数据缩放,将数据归一化消除不同特征数据数量级差异的影响;归一化处理如下:
式中:表示归一化数据,表示原始数据,和分别表示样本中最大和最小数据;
步骤5:建立BP神经网络模型,初始化BP神经网络参数;
步骤6:采用一种启发式优化算法:思维进化算法确定BP神经网络最佳权重和偏置;
步骤7:将最佳权重和偏置输入BP神经网络进行回归预测。
进一步地,如图2-3所示,步骤6采用思维进化算法确定BP神经网络最佳权重和偏置,具体步骤如下:
参数设置:种群大小p=300,优胜子种群个数s=5,临时子种群个数t=5,子群体大小m=30,迭代次数n=50;
生成个体和子种群:在初始解空间中随机生成个体,计算模型的适应度值(MSE)并对个体评分,搜寻得分较高的个体作为优胜个体和临时个体,分别以优胜个体和临时个体为中心,生成优胜子种群和临时子种群;
子种群的趋同和异化操作:每个子种群都进行趋同操作,直到子种群成熟,子种群中得分最高的个体作为该子种群的最佳个体,将其得分作为该子种群的得分并记录在当地公告栏上;在优胜子种群和临时子种群之间进行异化操作,替换和删除各子种群中的个体并生成新的子种群,将得分最高的子种群记录在全球公告栏上;重复趋同和异化操作,直到找到全局最优得分,即为全局最优解;
进一步地,提出机理融合数据的温度模型自学习方法,对精轧机组温度预测模型进行修正:
利用工业现场采集到的高精度数据,可以实现对精轧出口温度的高精度快速预测;由于机架间的温度难以直接测量,以数据驱动方式预测机架间温度难以实现,通常基于传热学理论建立机架间温度预测模型,但由于工业现场环境复杂,机架间的温度变化模型并不能完整的反映实际温度变化,模型不够准确,模型修正思路如下:
如图4所示,基于工业大数据建立的精轧出口温度预测模型得到的预测结果,对精轧机组温度预测模型进行修正;若基于精轧机组温度预测模型得到的出口温度预测结果与基于工业大数据得到的精轧出口温度预测模型的出口温度预测结果相近,则在一定程度上证明了精轧机组温度预测模型的可靠性,以此为目标,引入机架间的温度补偿,对精轧机组的温度预测模型进行修正,建立修正后精轧机组温度预测模型为:
式中:表示修正后的第i架机架出口温度,表示各机架的温度补偿值;
当时,为修正后基于机理模型的精轧出口温度预测模型,表示如下:
式中:表示基于机理模型修正后的精轧出口温度预测值;
各机架间温度补偿值的确定;温度补偿值的确定是一个多目标协调优化问题,通过思维进化算法(MEA)计算,具体步骤如下:
初始化温度补偿值:设置机架间初始温度补偿值为:
式中:表示基于工业大数据的精轧出口温度预测值;
建立目标函数:建立精轧区域温度预测偏差的目标函数:
建立约束条件:
式中:表示设定的机架间温度预测偏差限;
采用MEA求解温度补偿值,优化求解过程与MEA优化BP神经网络过程类似,输出优化后的各机架温度补偿值,得到修正后的精轧机组温度预测模型。
进一步地,建立模型预测控制(MPC)系统,对精轧温度进行在线控制:
对于轧制过程,轧辊辊缝、轧制力、精轧入口温度、轧制速度和冷却水量等都是影响精轧温度的重要因素,但大部分是稳定因素,一般通过调整轧制速度与冷却水量对精轧温度进行控制;所述MPC系统,基于自学习修正的预测模型,通过引入约束条件和目标函数,进而迭代求解出最优控制量并反馈到调节装置;所述MPC系统以预测和反馈结合的方式实现精轧温度控制,轧制速度和冷却水量根据对温度的影响因子协同调整,通过改变轧机加速度调整轧制速度,通过改变调节阀开口度和喷嘴集管开闭数量调整冷却水量;所述MPC系统将修正的预测模型与MPC策略结合实现动态调整轧制速度和冷却水量,实现对未来短期精轧温度的调控。
进一步地,如图5所示,MPC系统根据温度预测模型和现场参数建立:
建立预测模型;热连轧过程具有很强的非线性和时滞性,精轧温度控制的预测模型为:
式中:表示时刻实测温度,表示温度函数,表示时刻的轧制速度,表示时刻的冷却水量;
建立目标函数和约束条件;预测控制的目的是得到最优的轧制速度与冷却水量调节量,建立的目标函数如下:
式中:表示时刻参考输出值,表示时刻修正后的预测温度,表示时刻的轧制速度调节量,表示时刻的冷却水量调节量,表示轧制速度影响因子,表示冷却水量影响因子,和表示拟合系数;
在精轧温度调控过程中,应保证轧制速度和冷却水量的调节在合理的范围内;硬约束条件:冷却水量和轧制速度不低于设定的临界值;软约束条件:在能达到控制要求的前提下,调整幅度尽可能小,降低能耗。
所述的一种机理融合数据的精轧温度调控方法,基于机理模型和数据驱动模型,通过温度模型自学习方法得到高精度的精轧温度预测模型,并应用于MPC系统;本发明通过新的MPC系统获得最优的轧制速度和冷却水量调节量,并即时反馈到调节装置,能够实现精轧温度的有效控制。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种机理融合数据的精轧温度调控方法,其特征在于,包括:
基于传热学理论构建精轧机组温度预测模型;基于工业大数据构建思维进化算法优化BP神经网络的精轧出口温度预测模型;
根据所述精轧出口温度预测模型,通过机理融合数据的温度模型自学习方法,对所述精轧机组温度预测模型进行修正;
建立模型预测控制系统,基于所述模型预测控制系统对精轧温度进行在线控制;
基于工业大数据构建思维进化算法优化BP神经网络的精轧出口温度预测模型的过程包括:
获取工业现场原始数据集,基于所述工业现场原始数据集筛选获得特征参数,所述特征参数包括输入特征参数、输出特征参数;
对所述特征参数进行预处理后划分训练集和测试集,然后进行数据缩放,将数据归一化消除不同特征数据数量级差异的影响;
建立BP神经网络模型,初始化BP神经网络参数;通过思维进化算法确定BP神经网络最佳权重和偏置,将最佳权重和偏置输入BP神经网络进行回归预测,获得预测结果;
通过机理融合数据的温度模型自学习方法,对精轧机组温度预测模型进行修正的过程包括:
分别基于所述精轧机组温度预测模型、精轧出口温度预测模型进行出口温度预测,获得对应的第一预测结果、第二预测结果;
基于所述第一预测结果、第二预测结果,引入机架间的温度补偿,对精轧机组的温度预测模型进行修正,获得修正后的精轧机组温度预测模型;
基于所述第一预测结果、第二预测结果,引入各机架间的温度补偿,对精轧机组的温度预测模型进行修正的过程包括:
初始化各机架间温度补偿值;基于第一预测结果与第二预测结果的偏差与各机架间引入温度补偿值前后的温度预测偏差建立第一目标函数与第一约束条件;通过思维进化算法计算获得优化后各机架间的温度补偿值,得到修正后的精轧机组温度预测模型。
2.根据权利要求1所述的机理融合数据的精轧温度调控方法,其特征在于,所述精轧机组温度预测模型为:
式中:表示第架机架出口温度,表示精轧入口温度,表示精轧出口温度,表示空冷温降,表示水冷温降,表示轧辊与轧件摩擦温升,表示轧辊与轧件接触温降,表示轧件塑性变形引起的温升。
3.根据权利要求1所述的机理融合数据的精轧温度调控方法,其特征在于,
所述输入特征参数包括精轧入口温度、F1~F7机架轧制力、F1~F7机架轧制速度、F1~F7机架轧辊辊缝值、F1~F7机架间冷却水量;
所述输出特征参数为精轧出口温度。
4.根据权利要求1所述的机理融合数据的精轧温度调控方法,其特征在于,对所述特征参数进行预处理的过程包括:
采用均值插补法对轧制过程中的缺失数据进行插补处理;
采用马氏距离算法对轧制过程中的异常数据进行删除处理;
采用非线性小波变换阈值法对异常值处理后的数据进行平滑处理。
5.根据权利要求1所述的机理融合数据的精轧温度调控方法,其特征在于,通过思维进化算法确定BP神经网络最佳权重和偏置的过程包括:
根据实际需求进行参数设置,其中,所述参数包括种群大小、优胜子种群个数、临时子种群个数、子群体大小、迭代次数;
在初始解空间中随机生成个体,计算BP神经网络模型的适应度值并对个体评分,搜寻得分高于预设阈值的个体作为优胜个体和临时个体,分别以优胜个体和临时个体为中心,生成优胜子种群和临时子种群;
对每个子种群都进行趋同操作,直到子种群成熟,子种群中得分最高的个体作为所述子种群的最佳个体,并将得分作为所述子种群的得分记录在当地公告栏上;在所述优胜子种群和所述临时子种群之间进行异化操作,替换和删除各子种群中的个体并生成新的子种群,将得分最高的子种群记录在全球公告栏上;重复趋同和异化操作,直到找到全局最优得分,即为全局最优解。
6.根据权利要求1所述的一种机理融合数据的精轧温度调控方法,其特征在于,建立模型预测控制系统,基于所述模型预测控制系统对精轧温度进行在线控制的过程包括:
基于修正后的精轧机组温度预测模型和轧制速度、冷却水量建立模型预测控制系统;
建立第二目标函数与第二约束条件,所述模型预测控制系统基于所述第二目标函数与第二约束条件对精轧温度进行在线控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636090.4A CN115608793B (zh) | 2022-12-20 | 2022-12-20 | 一种机理融合数据的精轧温度调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636090.4A CN115608793B (zh) | 2022-12-20 | 2022-12-20 | 一种机理融合数据的精轧温度调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115608793A CN115608793A (zh) | 2023-01-17 |
CN115608793B true CN115608793B (zh) | 2023-04-07 |
Family
ID=84880166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636090.4A Active CN115608793B (zh) | 2022-12-20 | 2022-12-20 | 一种机理融合数据的精轧温度调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115608793B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055487B (zh) * | 2023-08-24 | 2024-04-16 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
CN117655118B (zh) * | 2024-01-29 | 2024-04-19 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1031529B (de) * | 1957-01-07 | 1958-06-04 | Hoesch Walzwerke Ag | Beruehrungsloses Breitenmessgeraet |
CN102941232A (zh) * | 2012-11-12 | 2013-02-27 | 东北大学 | 一种热连轧精轧过程控制方法 |
JP2013123734A (ja) * | 2011-12-14 | 2013-06-24 | Jfe Steel Corp | 熱間仕上温度制御方法、及び熱間仕上温度制御装置 |
JP2019087152A (ja) * | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
CN110802115A (zh) * | 2019-11-13 | 2020-02-18 | 北京科技大学 | 基于数据驱动的热连轧精轧入口温度预测方法 |
CN113102516A (zh) * | 2021-03-05 | 2021-07-13 | 东北大学 | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 |
WO2022038751A1 (ja) * | 2020-08-20 | 2022-02-24 | 東芝三菱電機産業システム株式会社 | 熱間圧延ラインの制御装置 |
WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101391268B (zh) * | 2008-11-07 | 2010-07-28 | 东北大学 | 一种钢板控轧控冷过程温度制度的逆向优化方法 |
CN101403890B (zh) * | 2008-11-08 | 2010-06-09 | 山西太钢不锈钢股份有限公司 | 利用神经元网络分类建模法提高模型预报精度的方法 |
JP6068146B2 (ja) * | 2013-01-10 | 2017-01-25 | 東芝三菱電機産業システム株式会社 | 設定値計算装置、設定値計算方法、及び設定値計算プログラム |
CN106714220B (zh) * | 2017-01-06 | 2019-05-17 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
DE102020205655A1 (de) * | 2020-05-05 | 2021-11-11 | Sms Group Gmbh | Verfahren zum Steuern oder Regeln der Temperatur eines Stahlbandes bei der Warmumformung in einer Warmbandstraße |
CN112749505B (zh) * | 2020-12-16 | 2023-10-24 | 太原科技大学 | 一种机理融合数据的热轧带钢截面形状预测方法 |
CN114888092B (zh) * | 2022-05-06 | 2023-01-20 | 北京科技大学 | 一种基于跨工序数据平台的冷轧变形抗力预测方法 |
CN115470595A (zh) * | 2022-10-14 | 2022-12-13 | 东北大学 | 一种数据与机理融合的热轧带钢凸度预测方法 |
-
2022
- 2022-12-20 CN CN202211636090.4A patent/CN115608793B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1031529B (de) * | 1957-01-07 | 1958-06-04 | Hoesch Walzwerke Ag | Beruehrungsloses Breitenmessgeraet |
JP2013123734A (ja) * | 2011-12-14 | 2013-06-24 | Jfe Steel Corp | 熱間仕上温度制御方法、及び熱間仕上温度制御装置 |
CN102941232A (zh) * | 2012-11-12 | 2013-02-27 | 东北大学 | 一种热连轧精轧过程控制方法 |
JP2019087152A (ja) * | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
CN110802115A (zh) * | 2019-11-13 | 2020-02-18 | 北京科技大学 | 基于数据驱动的热连轧精轧入口温度预测方法 |
WO2022038751A1 (ja) * | 2020-08-20 | 2022-02-24 | 東芝三菱電機産業システム株式会社 | 熱間圧延ラインの制御装置 |
WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
CN113102516A (zh) * | 2021-03-05 | 2021-07-13 | 东北大学 | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 |
Non-Patent Citations (2)
Title |
---|
A. D. Richardson等.The simulated cooling of the hot-rolled structural steel sections.Computers & Mathematics with Applications.1996,第31卷(第31期),全文. * |
Chenchen Zhi等.Dependence of deformation behaviors on temperature for twin-roll casted AZ31 alloy by processing maps. Journal of Materials Research and Technology.2019,第8卷(第8期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115608793A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115608793B (zh) | 一种机理融合数据的精轧温度调控方法 | |
CN108637020B (zh) | 一种自适应变异pso-bp神经网络带钢凸度预测方法 | |
CN101758084A (zh) | 模型自适应的板形预测控制方法 | |
CN112287550B (zh) | 基于主成分分析控制器的带钢头部厚差过程参数优化方法 | |
CN113102516B (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
CN103406370B (zh) | 基于模糊双曲模型冷轧机工作辊乳化液分段冷却控制方法 | |
CN110851994B (zh) | 一种冷轧带材在线板形目标曲线调整方法 | |
CN112037209A (zh) | 一种钢板轧辊磨损量预测方法及系统 | |
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 | |
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN117655118B (zh) | 多模融合的带钢板形控制方法和装置 | |
Hu et al. | A novel forecast model based on CF-PSO-SVM approach for predicting the roll gap in acceleration and deceleration process | |
Li et al. | Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models | |
CN114117919A (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
Zheng et al. | Dynamic rolling force prediction of reversible cold rolling mill based on bp neural network with improved pso | |
Ma et al. | Effect of strip profile of hot-rolled silicon steel on transverse thickness difference of cold-rolled strip | |
Jia et al. | Cloud neural fuzzy PID hybrid integrated algorithm of flatness control | |
Zhang et al. | Rolling force prediction in heavy plate rolling based on uniform differential neural network | |
JPH04190910A (ja) | 圧延機の設定計算装置 | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
CN111814861A (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
Cheri et al. | An online intelligent control method for surface roughness of cold-rolled strip steel | |
CN111856932B (zh) | 一种基于影响矩阵递推辨识的冷带轧机板形闭环控制方法 | |
US20240184956A1 (en) | Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion |
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 |