CN115906628A - 一种基于生产条件动态调整的转炉工序合金添加方法 - Google Patents
一种基于生产条件动态调整的转炉工序合金添加方法 Download PDFInfo
- Publication number
- CN115906628A CN115906628A CN202211445631.5A CN202211445631A CN115906628A CN 115906628 A CN115906628 A CN 115906628A CN 202211445631 A CN202211445631 A CN 202211445631A CN 115906628 A CN115906628 A CN 115906628A
- Authority
- CN
- China
- Prior art keywords
- alloy
- data
- converter
- production
- content
- 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
Images
Classifications
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明提供一种基于生产条件动态调整的转炉工序合金添加方法,属于钢铁冶金行业转炉生产技术领域。所述合金添加方法,包括采集合金检测数据,建立以合金成分为基础的合金数据库;采集转炉生产数据,建立预测模型数据库;对采集的转炉生产数据进行数据清洗;建立神经网络各元素收得率预测模型;各元素收得率预测模型分别进行训练;按照合金检测成分,结合各元素预测模型的预测合金收得率,计算合金加入量等一系列过程。本发明通过基于神经网络的预测模型,解决生产现场根据操作经验进行转炉合金加入的问题,提高合金使用效率,一定程度上降低合金消耗。同时,采用全自动预测模型,有利于固化生产工艺,为将来实现智能化提供基础。
Description
技术领域
本发明涉及炼钢厂转炉生产领域,尤其涉及一种基于生产条件动态调整的转炉工序合金添加方法,在满足生产要求的条件下,降低转炉生产过程合金加入量。
背景技术
炼钢转炉工序合金化是保证产品成分满足要求的重要措施,一般根据转炉经验计算,确定各炉次的合金加入量。但受钢水重量、钢水成分、钢水氧含量、氮含量、合金质量等均存在一定差异,导致在同一批次生产中,不同炉次的合金收得率波动较大,而为保证产品成分最低要求,必须一定程度上增加合金加入量,不仅造成转炉工序合金消耗大,引起精炼工序合金化操作压力。
中国专利CN 107217120 B公开了一种转炉合金添加控制方法,包括以下步骤建立数据库;设定参考炉的标准数量;从数据库内查找与当前转炉的索引参数完全相同的参考炉,根据查找结果作选择由参考炉数据确定合金添加方案或由操作工按经验确定合金添加方案;在产品合格后,将本次转炉的数据添加到数据库内作为参考炉。本发明参考炉的数据都是已经成功的经验,以此补充在实绩时可能缺乏的现场数据,消除了LP算法计算时吹止成分缺失、游离氧数据缺失给算法带来的影响,当LP算法失败时,直接利用参考炉的数据加权得到最终的合金添加方案,同样能在一定程度上保证钢水质量,大大避免了合金计算模型无解的情况。
中国专利CN 109897931 B公开了一种大合金量易氧化元素钢种转炉流程生产合金添加优化方法,技术方案为:基于特殊钢种成分需求,易氧化合金实现在转炉生产流程批量合金化,利用转炉双渣控制技术、炉内选择性氧化特点实现钢水温度补偿机制、包内合金预热、出钢合金化、精炼合金优化调整,转炉冶炼流程大合金量添加工序组合合金化,杜绝易氧化元素合金化转炉回磷、补偿批量合金钢水温度损失、弱化批量合金对工序衔接和精炼处理的影响。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种基于生产条件动态调整的转炉工序合金添加方法,解决影响合金收得率因素多、合金收得率低且不稳定的难题,提高转炉工序合金利用效率,降低合金加入量。
为解决上述技术问题,本发明提供如下技术方案:
一种基于生产条件动态调整的转炉工序合金添加方法,所述方法包括如下步骤:
1)采集合金检测数据,建立以合金成分为基础的合金数据库。按照合金种类进行了合金数据库的构建,按照批次进行合金成分检验,并将检验数据作为后续合金添加量的计算依据。其中,合金成分分有效元素成分和无效元素成分。所述合金检测数据的有效元素成分为该合金中参与合金化的元素,即高锰合金和中锰合金的有效元素为锰,中铬合金的有效元素为铬,钒氮合金的有效元素为钒和氮,钒铁合金的有效元素为钒,硅铁合金的有效元素为硅,铌铁合金的有效元素为铌,镍板合金的有效元素为镍、金属锰合金的有效元素为锰;所述合金无效元素成分包括磷含量、硫含量、氧含量、氮含量(钒氮合金除外)。
2)采集转炉生产数据,建立预测模型数据库。所述转炉生产数据包括转生产输入数据和转炼生产输出数据,其中转炉生产输入数据包括转炉终点锰含量、碳含量、磷含量、温度、氧含量、转炉炉龄;精炼生产输出数据为钢水各合金元素含量。
3)对采集的转炉生产数据进行数据清洗,去除人为失误、设备故障等因素引起的异常数据。所述异常数据评判如式(1)所示:
其中,Xi为第i个数据,Xmax为该类数据中的最大值,Xmin为该类数据中的最小值。
4)将合金成分分有效元素成分和无效元素成分、转炉生产输入数据作为预测模型输入节点,将钢水各合金元素含量作为输出节点,建立基于径向基神经网络的各元素收得率预测模型。所述基于径向基神经网络的预测模型具有三层结构,中间层节点数通过预测值与实测值的均方差值的大小确定。
5)各元素收得率预测模型分别进行训练。
6)采集现场转炉生产数据和合金检验数据,进行预测数据与实际数据的对比,并对原预测模型进行调整。所述现场转炉生产数据和合金检验数据采集通过开放数据库连接直接从生产的二级系统和合金检验系统自动抓取,并经过(3)所述方法清洗。
7)按照合金检测成分,结合各元素预测模型的预测合金收得率,计算合金加入量,并指导现场实际生产。所述合金加入量计算按式(2)所示:
其中,Mi为第i种元素加入量,wti为第i种元素转炉工序增加含量,Ri为合金收得率,RNi为第i种合金无效元素成分回收率,n为无效元素成分类型数,本例中为4,wtNi为第i种合金中无效元素成分增加量。
8)通过在精炼工序取样进行钢水成分检验,确定合金加入量是否准确,如准确,进入下一轮生产,如偏差较大,则进行模型优化。
本发明的合金添加方法,包括采集合金检测数据,建立以合金成分为基础的合金数据库;采集转炉生产数据,建立预测模型数据库;对采集的转炉生产数据进行数据清洗;建立神经网络各元素收得率预测模型;各元素收得率预测模型分别进行训练;按照合金检测成分,结合各元素预测模型的预测合金收得率,计算合金加入量等一系列过程。
与现有技术相比,采用上述技术方案所产生的有益效果在于:
(1)提供一种能够满足动态调整的转炉生产合金加入预测模型,为生产现场的合金加入提供技术支持。
(2)通过基于神经网络的预测模型,解决生产现场根据操作经验进行转炉合金加入的问题,提高合金使用效率,一定程度上降低合金消耗。
(3)采用上述方法,可以提高钢水终点的元素含量的稳定性,为后续轧制生产的性能稳定性提供技术保证。
(4)采用全自动预测模型,有利于固化生产工艺,为将来实现智能化提供基础。
附图说明
图1为本发明流程示意图。
具体实施方式
下面以附图和具体实施方式对本发明作进一步详细的说明。
实施例1
某炼钢厂生产正火轧制可焊接细晶粒结构钢板(欧标S355NL),为满足产品各元素含量要求,在转炉出钢时随钢流加入硅铁、铌铁、镍板、金属锰。S355NL成分参见相关标准(比如EN10025-3)。原有生产中,生产人员按照生产经验计算合金加入量,并进行添加。但是实际生产中发现,该方法存在转炉出钢后各元素成分含量波动大的问题,为确保所有炉次均满足要求,必须增加各类合金的加入量,不仅会增加转炉工序合金消耗量大,且会增加精炼工序合金化的操作压力。
为解决上述问题,本发明提供一种基于生产条件动态调整的转炉工序合金添加方法,解决影响合金收得率因素多、合金收得率低且不稳定的难题,提高转炉工序合金利用效率,降低合金加入量。如图1流程所示,实施方案如下:
(1)采集合金检测数据,建立以合金成分为基础的合金数据库。按照合金种类进行了合金数据库的构建,按照批次进行合金成分检验,并将检验数据作为后续合金添加量的计算依据。其中,合金成分分为有效元素成分和无效元素成分。所述合金检测数据的有效元素成分为该合金中参与合金化的元素,即硅铁合金的有效元素为硅,铌铁合金的有效元素为铌,镍板合金的有效元素为镍、金属锰合金的有效元素为锰;所述合金无效元素成分包括磷含量、硫含量、氧含量、氮含量。
(2)采集转炉生产数据,建立预测模型数据库。所述转炉生产数据包括转生产输入数据和转炼生产输出数据,其中转炉生产输入数据包括转炉终点锰含量、碳含量、磷含量、温度、氧含量、转炉龄;精炼生产输出数据为钢水各合金元素含量。
(3)对采集的转炉生产数据进行数据清洗,去除人为失误、设备故障等因素引起的异常数据。所述异常数据评判如式(1)所示:
其中,Xi为第i个数据,Xmax为该类数据中的最大值,Xmin为该类数据中的最小值。
(4)将合金成分分有效元素成分和无效元素成分、转炉生产输入数据作为预测模型输入节点,将钢水各合金元素含量作为输出节点,建立基于径向基神经网络的各元素收得率预测模型。所述基于径向基神经网络的预测模型具有三层结构,中间层节点数通过预测值与实测值的均方差值的大小确定。
(5)各元素收得率预测模型分别进行训练。采集该厂120t转炉共12583炉生产数据。
(6)采集现场转炉生产数据和合金检验数据,进行预测数据与实际数据的对比,并对原预测模型进行调整。所述现场转炉生产数据和合金检验数据采集通过开放数据库连接直接从生产的二级系统和合金检验系统自动抓取,并经过(3)所述方法清洗。清洗后,得到10342炉数据。
(7)按照合金检测成分,结合各元素预测模型的预测合金收得率,计算合金加入量,并指导现场实际生产。所述合金加入量计算按式(2)所示:
其中,Mi为第i种元素加入量,wti为第i种元素转炉工序增加含量,Ri为合金收得率,RNi为第i种合金无效元素成分回收率,n为无效元素成分类型数,本例中为4。wtNi为第i种合金中无效元素成分增加量。
(8)通过在精炼工序取样进行钢水成分检验,确定合金加入量是否准确,如准确,进入下一轮生产,如偏差较大,则进行模型优化。
清洗后得到的10342炉数据,选择其中60%,即6205炉数据用于模型训练,40%的清洗后数据,即4137炉数据用于对模型进行验证和优化,改善预测效果。
为评估不同模型预测的准确性,选择用于性能评估指标最广泛的均方根误差和相关系数作为评估指标。
均方根误差表征的是预测值与真实值之间的偏差,数值越小表示预测值越接近真实值,表明模型预测效果越好。相关系数表征的回归平方和与总平方和之比,取值范围为[0,1],值越接近1,表明模型预测效果越好。表1为四种合金预测模型值与验证值的评估。
表1四种合金预测模型值与验证值的评估
从表1可知,各合金预测值与实测值具有良好的预测性能。
为验证本发明所述方法在实际S355NL钢种转炉生产中应用的效果,选取1组(序号为0)原工艺合金添加量和10组(序号为1-10)利用本发明所述方法的合金添加量和吨钢成本对比,具体数据见表2所示。
表2原工艺和本发明方法合金加入量和吨钢成本对比
由表2数据对比可知,硅铁吨钢添加量平均降低0.20kg,降低11.48%、铌铁吨钢添加量平均降低0.07kg,降低12.63%、镍板添加量平均降低0.18kg,降低10.34%、金属锰添加量平均降低0.40kg,降低3.24%,总合金化合金添加量降低0.85kg,吨钢成本降低元59.89/t,表明采用本发明所述方法能够降低转炉合金化的合金添加量,具有良好的经济效益。
实施例2
某炼钢厂生产Q550MD钢板,为满足产品各元素含量要求,在转炉出钢时随钢流加入中锰、中铬、铌铁、钒铁、金属锰。Q550MD成分参见GB/T 1591-2018。原有生产中,生产人员按照生产经验计算合金加入量,并进行添加。但是实际生产中发现,该方法存在转炉出钢后各元素成分含量波动大的问题,为确保所有炉次均满足要求,必须增加各类合金的加入量,不仅会增加转炉工序合金消耗量大,且会增加精炼工序合金化的操作压力。
为解决上述问题,本发明提供一种基于生产条件动态调整的转炉工序合金添加方法,解决影响合金收得率因素多、合金收得率低且不稳定的难题,提高转炉工序合金利用效率,降低合金加入量。如图1流程所示,实施方案如下:
(1)采集合金检测数据,建立以合金成分为基础的合金数据库。按照合金种类进行了合金数据库的构建,按照批次进行合金成分检验,并将检验数据作为后续合金添加量的计算依据。其中,合金成分分为有效元素成分和无效元素成分。所述合金检测数据的有效元素成分为该合金中参与合金化的元素,即中锰合金的有效元素为锰,中铬合金的有效元素为铬,铌铁合金的有效元素为铌和铁、钒铁合金的有效元素为钒和铁;金属锰合金的有效元素为锰,所述合金无效元素成分包括磷含量、硫含量、氧含量、氮含量。
(2)采集转炉生产数据,建立预测模型数据库。所述转炉生产数据包括转生产输入数据和转炼生产输出数据,其中转炉生产输入数据包括转炉终点锰含量、碳含量、磷含量、温度、氧含量、转炉龄;精炼生产输出数据为钢水各合金元素含量。
(3)对采集的转炉生产数据进行数据清洗,去除人为失误、设备故障等因素引起的异常数据。所述异常数据评判如式(1)所示:
其中,Xi为第i个数据,Xmax为该类数据中的最大值,Xmin为该类数据中的最小值。
(4)将合金成分分有效元素成分和无效元素成分、转炉生产输入数据作为预测模型输入节点,将钢水各合金元素含量作为输出节点,建立基于径向基神经网络的各元素收得率预测模型。所述基于径向基神经网络的预测模型具有三层结构,中间层节点数通过预测值与实测值的均方差值的大小确定。
(5)各元素收得率预测模型分别进行训练。采集该厂120t转炉共214炉生产数据。
(6)采集现场转炉生产数据和合金检验数据,进行预测数据与实际数据的对比,并对原预测模型进行调整。所述现场转炉生产数据和合金检验数据采集通过开放数据库连接直接从生产的二级系统和合金检验系统自动抓取,并经过(3)所述方法清洗。清洗后,得到197炉数据。
(7)按照合金检测成分,结合各元素预测模型的预测合金收得率,计算合金加入量,并指导现场实际生产。所述合金加入量计算按式(2)所示:
其中,Mi为第i种元素加入量,wti为第i种元素转炉工序增加含量,Ri为合金收得率,RNi为第i种合金无效元素成分回收率,n为无效元素成分类型数,本例中为4。wtNi为第i种合金中无效元素成分增加量。
(8)通过在精炼工序取样进行钢水成分检验,确定合金加入量是否准确,如准确,进入下一轮生产,如偏差较大,则进行模型优化。
清洗后得到的197炉数据,选择其中60%,即118炉数据用于模型训练,40%的清洗后数据,即79炉数据用于对模型进行验证和优化,改善预测效果。
为评估不同模型预测的准确性,选择用于性能评估指标最广泛的均方根误差和相关系数作为评估指标。
均方根误差表征的是预测值与真实值之间的偏差,数值越小表示预测值越接近真实值,表明模型预测效果越好。相关系数表征的回归平方和与总平方和之比,取值范围为[0,1],值越接近1,表明模型预测效果越好。表3为五种合金预测模型值与验证值的评估。
表3五种合金预测模型值与验证值的评估
从表3可知,各合金预测值与实测值具有良好的预测性能。
为验证本发明所述方法在实际Q550MD钢种转炉生产中应用的效果,选取1组(序号为0)原工艺合金添加量和10组(序号为1-10)利用本发明所述方法的合金添加量和吨钢成本对比,具体数据见表4所示。
表4原工艺和本发明方法合金加入量和吨钢成本对比
由表4数据对比可知,中锰吨钢添加量平均降低0.63kg,降低7.60%;中铬吨钢添加量平均降低0.32kg,降低9.00%;铌铁添加量平均降低0.01kg,降低5.40%;钒铁添加量平均降低0.03kg,降低9.30%;金属锰添加量平均降低0.52kg,降低7.40%,总合金化合金添加量降低1.51kg,吨钢成本降低24.09元/t,表明采用本发明所述方法能够降低转炉合金化的合金添加量,具有良好的经济效益。
本发明的工艺参数(如温度、时间等)区间上下限取值以及区间值都能实现本法,在此不一一列举实施例。
本发明未详细说明的内容均可采用本领域的常规技术知识。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应该理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于生产条件动态调整的转炉工序合金添加方法,所述转炉工序合金添加方法包括以下步骤:
1)采集合金检测数据,建立以合金成分为基础的合金数据库;
2)采集转炉生产数据,建立预测模型数据库;
3)对采集的转炉生产数据进行数据清洗,去除异常数据;
所述异常数据评判如式(1)所示:
其中,Xi为第i个数据,Xmax为该类数据中的最大值,Xmin为该类数据中的最小值;
4)将合金成分的有效元素成分和无效元素成分、转炉生产输入数据作为预测模型输入节点,将钢水各合金元素含量作为输出节点,建立基于径向基神经网络的各元素收得率预测模型;
5)各元素收得率预测模型分别进行训练;
6)采集现场转炉生产数据和合金检验数据,进行预测数据与实际数据的对比,并对原各元素收得率预测模型进行调整;
7)按照合金检测成分,结合各元素预测模型的预测合金收得率,计算合金加入量,并指导现场实际生产;所述合金加入量计算按式(2)所示:
其中,Mi为第i种元素加入量,wti为第i种元素转炉工序增加含量,Ri为合金收得率,RNi为第i种合金无效元素成分回收率,n为无效元素成分类型数,wtNi为第i种合金中无效元素成分增加量;
8)通过在精炼工序取样进行钢水成分检验,确定合金加入量是否准确,如准确,进入下一轮生产,如偏差较大,则进行模型优化。
2.根据权利要求1所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,所述步骤1)中,按照合金种类进行了合金数据库的构建,按照批次进行合金成分检验,并将检验数据作为后续合金添加量的计算依据。
3.根据权利要求1所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,步骤1)中,所述合金成分分为有效元素成分和无效元素成分;所述合金检测数据的有效元素成分为该合金中参与合金化的元素;所述合金无效元素成分包括磷含量、硫含量、氧含量、氮含量。
4.根据权利要求1所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,步骤1)中,所述合金为高锰合金、中锰合金、中铬合金、钒氮合金、钒铁合金、硅铁合金、铌铁合金、镍板合金、金属锰合金中的一种或多种。
5.根据权利要求4所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,高锰合金和中锰合金的有效元素为锰,中铬合金的有效元素为铬,钒氮合金的有效元素为钒和氮,钒铁合金的有效元素为钒,硅铁合金的有效元素为硅,铌铁合金的有效元素为铌,镍板合金的有效元素为镍,金属锰合金的有效元素为锰。
6.根据权利要求1所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,步骤2)中,所述转炉生产数据包括转炉生产输入数据和精炼生产输出数据。
7.根据权利要求6所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,所述转炉生产输入数据包括转炉终点锰含量、碳含量、磷含量、温度、氧含量、转炉炉龄;精炼生产输出数据为钢水各合金元素含量。
8.根据权利要求1所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,步骤3)中,所述基于径向基神经网络的预测模型具有三层结构,中间层节点数通过预测值与实测值的均方差值的大小确定。
9.根据权利要求1所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,所述现场转炉生产数据和合金检验数据采集通过开放数据库连接直接从生产的二级系统和合金检验系统自动抓取,并经过步骤3)所述方法进行数据清洗。
10.根据权利要求1所述的一种基于生产条件动态调整的转炉工序合金添加方法,其特征在于,为评估不同模型预测的准确性,选择均方根误差和相关系数作为评估指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211445631.5A CN115906628A (zh) | 2022-11-18 | 2022-11-18 | 一种基于生产条件动态调整的转炉工序合金添加方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211445631.5A CN115906628A (zh) | 2022-11-18 | 2022-11-18 | 一种基于生产条件动态调整的转炉工序合金添加方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906628A true CN115906628A (zh) | 2023-04-04 |
Family
ID=86473963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211445631.5A Pending CN115906628A (zh) | 2022-11-18 | 2022-11-18 | 一种基于生产条件动态调整的转炉工序合金添加方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906628A (zh) |
-
2022
- 2022-11-18 CN CN202211445631.5A patent/CN115906628A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
US11755976B2 (en) | Method for predicting oxygen load in iron and steel enterprises based on production plan | |
JP7093090B1 (ja) | ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法 | |
CN110343805B (zh) | 钢包精炼炉钢水硅锰成分控制装置及控制方法 | |
CN102033978B (zh) | 一种淬透性预报及生产窄淬透性带钢的方法 | |
CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
CN114091800A (zh) | 硅钢产品生产方案的智能设计评估方法 | |
CN113919206A (zh) | 一种炼钢合金化窄成分控制方法 | |
CN113435114A (zh) | 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 | |
Lin et al. | Consideration of green intelligent steel processes and narrow window stability control technology on steel quality | |
CN110991089A (zh) | 一种转炉炼钢冶炼后期碳含量预报方法 | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN115906628A (zh) | 一种基于生产条件动态调整的转炉工序合金添加方法 | |
CN1603424A (zh) | 一种基于智能复合动态模型的有副枪转炉吹炼控制方法 | |
CN111798023A (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
CN115270397A (zh) | 一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法 | |
CN113430333B (zh) | 一种钢包精炼炉智能化稳定冶炼控制的方法 | |
KR20130105117A (ko) | 데이터 마이닝을 이용한 tmcp 강의 충격 천이 곡선 예측 장치 및 방법 | |
CN113805537B (zh) | 一种冶炼合金成分控制系统及控制方法 | |
You et al. | Compound control method of carbon content in argon–oxygen refining ferrochromium alloy | |
CN114841277A (zh) | 一种转炉出钢合金收得率预测方法和系统 | |
CN111523255A (zh) | 基于移动极差的高炉顺行指数计算方法 | |
CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
CN114769540B (zh) | 高牌号无取向硅钢铸坯的生产方法 |
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 |