CN116109012A - 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 - Google Patents
一种基于精炼炉控制参数的特种钢材性能预测方法及系统 Download PDFInfo
- Publication number
- CN116109012A CN116109012A CN202310374249.8A CN202310374249A CN116109012A CN 116109012 A CN116109012 A CN 116109012A CN 202310374249 A CN202310374249 A CN 202310374249A CN 116109012 A CN116109012 A CN 116109012A
- Authority
- CN
- China
- Prior art keywords
- steel
- refining
- performance
- information
- target
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 425
- 239000010959 steel Substances 0.000 title claims abstract description 425
- 238000007670 refining Methods 0.000 title claims abstract description 256
- 238000000034 method Methods 0.000 title claims abstract description 240
- 230000008569 process Effects 0.000 claims abstract description 211
- 238000004519 manufacturing process Methods 0.000 claims abstract description 131
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 13
- 230000036314 physical performance Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 229910045601 alloy Inorganic materials 0.000 description 4
- 239000000956 alloy Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 2
- 239000010962 carbon steel Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000009489 vacuum treatment Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及钢材数据处理技术领域，提供一种基于精炼炉控制参数的特种钢材性能预测方法及系统。所述方法包括：基于大数据技术构建特种钢精炼数据库；将特种钢材精炼工艺流程节点和历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；根据精炼工艺节点参数集合和钢材生产工艺性能信息，搭建特种钢材性能预测模型库；根据目标钢材精炼工艺数据和特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；将目标钢材精炼工艺数据输入目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。采用本方法能够达到预测智能化和针对性程度高，提高钢材性能预测准确性，进而保证钢材生产性能质量的技术效果。
Description
技术领域
本申请涉及钢材数据处理技术领域，特别是涉及一种基于精炼炉控制参数的特种钢材性能预测方法及系统。
背景技术
特种钢材主要由合金形式构成，是在碳素钢里适量地加入一种或几种合金元素，使钢的组织结构发生变化，从而使钢具有各种不同的特殊性能，普遍具有很好的抗氧化、耐腐蚀、耐高温等特性，可在极为苛刻的环境下使用。精炼是特种钢材生产环节中的重要加工工艺，通过精炼炉对初炼炉所熔钢水进行精炼，调节钢水温度，同时起到工艺缓冲作用，保证钢材使用性能。因此，对精炼炉控制参数进行钢材性能预测具有重要应用意义。
然而，现有技术存在钢材性能预测智能化程度低，且预测准确性低，导致影响钢材生产质量的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高钢材性能预测准确性，进而保证钢材生产性能质量的一种基于精炼炉控制参数的特种钢材性能预测方法及系统。
一种基于精炼炉控制参数的特种钢材性能预测方法，所述方法包括：获取特种钢材精炼工艺流程节点；基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；获得目标钢材精炼工艺数据；根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
一种基于精炼炉控制参数的特种钢材性能预测系统，所述系统包括：工艺流程节点获取模块，用于获取特种钢材精炼工艺流程节点；精炼数据库构建模块，用于基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；生产工艺匹配模块，用于将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；预测模型库搭建模块，用于根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；精炼工艺数据获得模块，用于获得目标钢材精炼工艺数据；模型匹配模块，用于根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；模型性能预测模块，用于将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取特种钢材精炼工艺流程节点；
基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；
将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；
根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；
获得目标钢材精炼工艺数据；
根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；
将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取特种钢材精炼工艺流程节点；
基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；
将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；
根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；
获得目标钢材精炼工艺数据；
根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；
将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
上述一种基于精炼炉控制参数的特种钢材性能预测方法及系统，解决了现有技术钢材性能预测智能化程度低，且预测准确性低，导致影响钢材生产质量的技术问题，达到了通过搭建特种钢材性能预测模型库对特种钢材进行应用性能预测，预测智能化和针对性程度高，提高钢材性能预测准确性，进而保证钢材生产性能质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种基于精炼炉控制参数的特种钢材性能预测方法的流程示意图；
图2为一个实施例中一种基于精炼炉控制参数的特种钢材性能预测方法中构建特种钢精炼数据库的流程示意图；
图3为一个实施例中一种基于精炼炉控制参数的特种钢材性能预测系统的结构框图；
图4为一个实施例中计算机设备的内部结构图。
附图标记说明：工艺流程节点获取模块11，精炼数据库构建模块12，生产工艺匹配模块13，预测模型库搭建模块14，精炼工艺数据获得模块15，模型匹配模块16，模型性能预测模块17。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种基于精炼炉控制参数的特种钢材性能预测方法，所述方法包括：
步骤S100：获取特种钢材精炼工艺流程节点；
具体而言，特种钢材主要由合金形式构成，是在碳素钢里适量地加入一种或几种合金元素，使钢的组织结构发生变化，从而使钢具有各种不同的特殊性能，普遍具有很好的抗氧化、耐腐蚀、耐高温等特性，可在极为苛刻的环境下使用。精炼是特种钢材生产环节中的重要加工工艺，通过精炼炉对初炼炉所熔钢水进行精炼，调节钢水温度，同时起到工艺缓冲作用，保证钢材使用性能。因此，对精炼炉控制参数进行钢材性能预测具有重要应用意义。
首先通过特种钢材生产厂商获取特种钢材精炼工艺流程节点，所述特种钢材精炼工艺流程节点为钢材的精炼工序节点，主要工艺节点包括脱氧、造渣、温度控制、吹氩搅拌、脱硫、真空处理等，通过钢材精炼工艺处理达到对钢材成分控制、去除夹杂物、提高钢材生产纯净度等精炼目的，进而提高特种钢的生产质量，缩短冶炼时间，降低生产成本。
步骤S200：基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；
在一个实施例中，如图2所示，所述构建特种钢精炼数据库，本申请步骤S200还包括：
步骤S210：基于大数据获取历史特种钢精炼数据信息；
步骤S220：通过特种钢特征决策树对所述历史特种钢精炼数据信息进行分类标记，获得特种钢材分类特征信息；
步骤S230：根据所述特种钢材分类特征信息，确定钢材属性特征参数；
步骤S240：基于所述钢材属性特征参数对所述历史特种钢精炼数据信息中的数据信息进行聚类划分，获得特种钢材聚类信息结果；
步骤S240：基于所述特种钢材聚类信息结果进行数据整合，构建所述特种钢精炼数据库。
具体而言，基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息，用于为后续特种钢材性能预测模型构建提供数据基础。首先基于大数据获取海量的历史特种钢精炼数据信息，再通过特种钢特征决策树对所述历史特种钢精炼数据信息进行分类标记，所述特种钢特征决策树通过钢材特种节点构建，包括特种钢材类型、规格、应用等节点，获得决策树节点分类后对应的特种钢材分类特征信息。将所述特种钢材分类特征信息，作为钢材属性特征参数，所述钢材属性特征参数由分类特征具体等级参数组成。
基于所述钢材属性特征参数对所述历史特种钢精炼数据信息中的数据信息进行聚类划分，即将相同钢材属性特征参数对应的特种钢精炼数据信息划分为一类，获得数据划分后的特种钢材聚类信息结果。基于所述特种钢材聚类信息结果进行数据整合，将同一聚类结果数据整合至一起，进而构建数据标准化整合的特种钢精炼数据库，存储数据全面标准，提高后续数据处理效率。
步骤S300：将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；
具体而言，将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，即按照精炼工艺流程节点进行相关精炼炉控制参数匹配对应，示例性的，造渣这一工艺节点，与之相关匹配的精炼炉控制参数包括温度、气体流量、加料成分以及加载电压电流等，输出各精炼工艺流程节点及其关联精炼炉控制参数的精炼工艺节点参数集合。
步骤S400：根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；
在一个实施例中，所述搭建特种钢材性能预测模型库，本申请步骤S400还包括：
步骤S410：分别获取所述精炼工艺节点参数集合中各工艺节点参数和所述钢材生产工艺性能信息的精炼工艺节点参数-钢材性能映射关系；
步骤S420：根据所述精炼工艺节点参数-钢材性能映射关系，构建精炼工艺节点性能预测模型集合；
步骤S430：将所述精炼工艺节点性能预测模型集合中的各模型进行融合，获得钢材生产性能预测模型；
步骤S440：基于所述各钢材属性特征参数的钢材生产性能预测模型，搭建所述特种钢材性能预测模型库。
在一个实施例中，获取所述精炼工艺节点参数-钢材性能映射关系，本申请步骤S410还包括：
步骤S411：根据所述各工艺节点参数，获得工艺参数因素集合，所述工艺参数因素集合中的各因素与工艺节点参数一一对应；
步骤S412：对所述工艺参数因素集合进行量化取值，确定工艺参数水平因子集合；
步骤S413：基于所述工艺参数因素集合和所述工艺参数水平因子集合，构建精炼正交测试表；
步骤S414：基于所述精炼正交测试表和所述钢材生产工艺性能信息进行关联分析，获得所述精炼工艺节点参数-钢材性能映射关系。
在一个实施例中，本申请步骤S411还包括：
步骤S4111：根据特种钢精炼生产经验，从所述精炼工艺节点参数集合选取基准精炼工艺节点参数；
步骤S4112：获取所述各工艺节点参数的流程节点序列；
步骤S4113：根据所述流程节点序列和所述基准精炼工艺节点参数，确定标定精炼工艺节点参数；
步骤S4114：基于所述标定精炼工艺节点参数进行工艺参数因素提取。
具体而言，根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，进行钢材性能预测模型构建。首先分别获取所述精炼工艺节点参数集合中各工艺节点参数和所述钢材生产工艺性能信息的精炼工艺节点参数-钢材性能映射关系，即各工艺节点的精炼炉控制参数与钢材生产性能之间的关联关系。具体为根据特种钢精炼生产经验，从所述精炼工艺节点参数集合选取基准精炼工艺节点参数，所述基准精炼工艺节点参数为该特种钢材精炼经验中常采取的各精炼工艺节点对应的精炼炉控制参数。
在进行关联关系确定前，首先获取所述各工艺节点参数的流程节点序列，即各工艺节点对应的生产节点序号。根据所述流程节点序列和所述基准精炼工艺节点参数，确定标定精炼工艺节点参数，所述标定精炼工艺节点参数为将进行关联分析的工艺节点参数，除该序号工艺节点之外的流程节点控制参数维持稳定不变，示例性的，在进行造渣这一工艺节点的性能关联分析时，对除该节点之外的其他工艺节点参数维持基准精炼工艺节点参数不变，仅对造渣工艺节点和钢材生产性能之间进行关联分析，并基于所述标定精炼工艺节点参数进行工艺参数因素提取，即对造渣工艺节点工艺参数类型进行因素提取。
根据所述各工艺节点参数，获得各工艺节点对应的工艺参数类型，即工艺参数因素集合，所述工艺参数因素集合中的各因素与工艺节点参数一一对应，即各工艺节点的每个参数类型对应作为一个参数因素。对所述工艺参数因素集合进行量化取值，即对每个参数类型进行可取值量化，例如温度这一参数因素在精炼生产中可取10个控制数值，以此确定各参数因素对应的工艺参数水平因子集合，每个可取数值对应一个水平因子。为保证映射关系分析可代表性和分析充分性，基于所述工艺参数因素集合和所述工艺参数水平因子集合，构建精炼正交测试表，以对每个参数因素的每个水平因子互相搭配进行挑选分析验证。并基于所述精炼正交测试表和所述钢材生产工艺性能信息进行关联分析，获得各工艺节点的精炼炉控制参数与钢材生产性能之间的函数关联，即精炼工艺节点参数-钢材性能映射关系，有效提升分析效率。
根据所述精炼工艺节点参数-钢材性能映射关系，构建精炼工艺节点性能预测模型集合，所述精炼工艺节点性能预测模型集合包括各精炼工艺节点对应的钢材性能预测模型。再将所述精炼工艺节点性能预测模型集合中的各模型进行融合，可对各模型进行加权融合，即按照各工艺节点重要程度即权重进行赋值融合，对应获得各预测模型融合后的钢材生产性能预测模型。为提高预测模型应用全面性，训练获得所述各钢材属性特征参数的钢材生产性能预测模型，并根据不同属性特征类型的特种钢材生产性能预测模型集合，搭建特种钢材性能预测模型库，使得特种钢材性能预测模型库应用更加全面，提高模型预测精细度和预测智能化。
步骤S500：获得目标钢材精炼工艺数据；
步骤S600：根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；
具体而言，获取待生产性能预测的目标钢材精炼工艺数据，所述目标钢材精炼工艺数据包括待预测目标钢材的钢材属性特征参数以及所设定的精炼炉控制参数。根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，通过待预测目标钢材的钢材属性特征参数进行钢材性能预测模型匹配，获得与特征参数相对应的目标钢材生产性能预测模型，实现钢材性能预测模型的个性化匹配和针对性预测，进而提高性能预测准确性。
步骤S700：将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
在一个实施例中，所述输出目标特种钢材预测性能信息，申请步骤S700还包括：
步骤S710：获得目标钢材生产性能预测模型，所述目标钢材生产性能预测模型包括钢材力学性能预测模型、钢材化学性能预测模型和钢材物理性能预测模型；
步骤S720：将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中，基于所述目标钢材生产性能预测模型，分别获得钢材力学性能预测信息、钢材化学性能预测信息和钢材物理性能预测信息；
步骤S730：基于所述钢材力学性能预测信息、钢材化学性能预测信息和钢材物理性能预测信息，输出所述目标特种钢材预测性能信息。
在一个实施例中，本申请步骤S730还包括：
步骤S731：对所述目标钢材生产性能预测模型进行预测效果验证，获得模型预测精确度；
步骤S732：将所述模型预测精确度和预设预测精确度的差值，作为模型预测优化度；
步骤S733：基于PSO算法初始化粒子群参数，根据所述模型预测优化度和所述粒子群参数迭代计算粒子群适应度函数；
步骤S734：当达到预设终止条件时，获得所述粒子群适应度函数的输出最优结果粒子，并将所述输出最优结果粒子映射到所述目标钢材生产性能预测模型进行优化更新训练。
具体而言，将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，所述目标钢材生产性能预测模型为三维预测模型，包括钢材力学性能预测模型、钢材化学性能预测模型和钢材物理性能预测模型。将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行分析预测，基于所述目标钢材生产性能预测模型，分别获得所述钢材力学性能预测模型、钢材化学性能预测模型和钢材物理性能预测模型所输出的钢材力学性能预测信息，包括拉伸性能、弯曲性能、塑性、韧性等；钢材化学性能预测信息和钢材物理性能预测信息。基于所述钢材力学性能预测信息、钢材化学性能预测信息，包括抗氧化能力、耐腐蚀能力等和钢材物理性能预测信息，包括导电性、导热性、密度、熔点等，结合确定输出目标特种钢材预测性能信息，全方面预测钢材生产性能信息。
为保证钢材性能预测准确性，可通过实际生产检测数据对所述目标钢材生产性能预测模型进行预测效果验证，获得模型预测精确度。若所述模型预测精确度未达到预设精确标准，则将所述模型预测精确度和预设预测精确度的差值，作为模型预测优化度，模型预测优化度越大，表明模型的预测精确性越差，需要进行优化。因此选择PSO算法对所述目标钢材生产性能预测模型进行优化，即粒子群优化算法，是一种基于种群的随机优化算法，可以模拟并不断迭代最终直到平衡或最优状态，并保存平衡或最优状。
首先基于PSO算法初始化粒子群参数，所述粒子群参数是用于优化所述目标钢材生产性能预测模型的虚拟空间参数，根据所述模型预测优化度和所述粒子群参数迭代计算粒子群适应度函数，进一步更新粒子群内粒子的位置和速度，将所有粒子输入模型内进行训练，通过计算粒子群的适应度函数来评估粒子的好坏，以适应度函数来调整每个粒子的位置和速度，以降低模型输出信息的误差度。当达到预设终止条件时，一种是粒子得到平衡或最优状态，另一种是超过运算限制，对超过运算限制状况不进行具体分析，获得所述粒子群适应度函数的输出结果，所述输出结果包括输出最优结果粒子即为粒子的最优状态。并将所述输出最优结果粒子映射到所述目标钢材生产性能预测模型进行优化更新训练，优化训练后的钢材生产性能预测模型的输出精确度提高，使得模型输出误差度减小，提高模型输出结果的精准度，进而保证钢材生产性能质量。
在一个实施例中，如图3所示，提供了一种基于精炼炉控制参数的特种钢材性能预测系统，包括：工艺流程节点获取模块11，精炼数据库构建模块12，生产工艺匹配模块13，预测模型库搭建模块14，精炼工艺数据获得模块15，模型匹配模块16，模型性能预测模块17，其中：
工艺流程节点获取模块11，用于获取特种钢材精炼工艺流程节点；
精炼数据库构建模块12，用于基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；
生产工艺匹配模块13，用于将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；
预测模型库搭建模块14，用于根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；
精炼工艺数据获得模块15，用于获得目标钢材精炼工艺数据；
模型匹配模块16，用于根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；
模型性能预测模块17，用于将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
在一个实施例中，所述系统还包括：
精炼数据获取单元，用于基于大数据获取历史特种钢精炼数据信息；
分类标记单元，用于通过特种钢特征决策树对所述历史特种钢精炼数据信息进行分类标记，获得特种钢材分类特征信息；
钢材属性特征参数确定单元，用于根据所述特种钢材分类特征信息，确定钢材属性特征参数；
数据聚类划分单元，用于基于所述钢材属性特征参数对所述历史特种钢精炼数据信息中的数据信息进行聚类划分，获得特种钢材聚类信息结果；
数据整合单元，用于基于所述特种钢材聚类信息结果进行数据整合，构建所述特种钢精炼数据库。
在一个实施例中，所述系统还包括：
映射关系获取单元，用于分别获取所述精炼工艺节点参数集合中各工艺节点参数和所述钢材生产工艺性能信息的精炼工艺节点参数-钢材性能映射关系；
工艺节点性能预测模型集合构建单元，用于根据所述精炼工艺节点参数-钢材性能映射关系，构建精炼工艺节点性能预测模型集合；
钢材生产性能预测模型获得单元，用于将所述精炼工艺节点性能预测模型集合中的各模型进行融合，获得钢材生产性能预测模型；
钢材性能预测模型库搭建单元，用于基于所述各钢材属性特征参数的钢材生产性能预测模型，搭建所述特种钢材性能预测模型库。
在一个实施例中，所述系统还包括：
工艺参数因素集合获得单元，用于根据所述各工艺节点参数，获得工艺参数因素集合，所述工艺参数因素集合中的各因素与工艺节点参数一一对应；
工艺参数水平因子确定单元，用于对所述工艺参数因素集合进行量化取值，确定工艺参数水平因子集合；
精炼正交测试表构建单元，用于基于所述工艺参数因素集合和所述工艺参数水平因子集合，构建精炼正交测试表；
关联分析单元，用于基于所述精炼正交测试表和所述钢材生产工艺性能信息进行关联分析，获得所述精炼工艺节点参数-钢材性能映射关系。
在一个实施例中，所述系统还包括：
基准精炼工艺节点参数选取单元，用于根据特种钢精炼生产经验，从所述精炼工艺节点参数集合选取基准精炼工艺节点参数；
流程节点序列获取单元，用于获取所述各工艺节点参数的流程节点序列；
标定精炼工艺节点参数确定单元，用于根据所述流程节点序列和所述基准精炼工艺节点参数，确定标定精炼工艺节点参数；
工艺参数因素提取单元，用于基于所述标定精炼工艺节点参数进行工艺参数因素提取。
在一个实施例中，所述系统还包括：
目标钢材生产性能预测模型构成单元，用于获得目标钢材生产性能预测模型，所述目标钢材生产性能预测模型包括钢材力学性能预测模型、钢材化学性能预测模型和钢材物理性能预测模型；
模型输入预测单元，用于将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中，基于所述目标钢材生产性能预测模型，分别获得钢材力学性能预测信息、钢材化学性能预测信息和钢材物理性能预测信息；
钢材预测性能信息输出单元，用于基于所述钢材力学性能预测信息、钢材化学性能预测信息和钢材物理性能预测信息，输出所述目标特种钢材预测性能信息。
在一个实施例中，所述系统还包括：
预测效果验证单元，用于对所述目标钢材生产性能预测模型进行预测效果验证，获得模型预测精确度；
模型预测优化度获得单元，用于将所述模型预测精确度和预设预测精确度的差值，作为模型预测优化度；
适应度函数计算单元，用于基于PSO算法初始化粒子群参数，根据所述模型预测优化度和所述粒子群参数迭代计算粒子群适应度函数；
优化更新训练单元，用于当达到预设终止条件时，获得所述粒子群适应度函数的输出最优结果粒子，并将所述输出最优结果粒子映射到所述目标钢材生产性能预测模型进行优化更新训练。
关于一种基于精炼炉控制参数的特种钢材性能预测系统的具体实施例可以参见上文中对于一种基于精炼炉控制参数的特种钢材性能预测方法的实施例，在此不再赘述。上述一种基于精炼炉控制参数的特种钢材性能预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于精炼炉控制参数的特种钢材性能预测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取特种钢材精炼工艺流程节点；基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；获得目标钢材精炼工艺数据；根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取特种钢材精炼工艺流程节点；基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；获得目标钢材精炼工艺数据；根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于精炼炉控制参数的特种钢材性能预测方法，其特征在于，所述方法包括：
获取特种钢材精炼工艺流程节点；
基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；
将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；
根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；
获得目标钢材精炼工艺数据；
根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；
将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
2.如权利要求1所述的方法，其特征在于，所述构建特种钢精炼数据库，包括：
基于大数据获取历史特种钢精炼数据信息；
通过特种钢特征决策树对所述历史特种钢精炼数据信息进行分类标记，获得特种钢材分类特征信息；
根据所述特种钢材分类特征信息，确定钢材属性特征参数；
基于所述钢材属性特征参数对所述历史特种钢精炼数据信息中的数据信息进行聚类划分，获得特种钢材聚类信息结果；
基于所述特种钢材聚类信息结果进行数据整合，构建所述特种钢精炼数据库。
3.如权利要求1所述的方法，其特征在于，所述搭建特种钢材性能预测模型库，包括：
分别获取所述精炼工艺节点参数集合中各工艺节点参数和所述钢材生产工艺性能信息的精炼工艺节点参数-钢材性能映射关系；
根据所述精炼工艺节点参数-钢材性能映射关系，构建精炼工艺节点性能预测模型集合；
将所述精炼工艺节点性能预测模型集合中的各模型进行融合，获得钢材生产性能预测模型；
基于所述各钢材属性特征参数的钢材生产性能预测模型，搭建所述特种钢材性能预测模型库。
4.如权利要求3所述的方法，其特征在于，获取所述精炼工艺节点参数-钢材性能映射关系，包括：
根据所述各工艺节点参数，获得工艺参数因素集合，所述工艺参数因素集合中的各因素与工艺节点参数一一对应；
对所述工艺参数因素集合进行量化取值，确定工艺参数水平因子集合；
基于所述工艺参数因素集合和所述工艺参数水平因子集合，构建精炼正交测试表；
基于所述精炼正交测试表和所述钢材生产工艺性能信息进行关联分析，获得所述精炼工艺节点参数-钢材性能映射关系。
5.如权利要求4所述的方法，其特征在于，所述方法包括：
根据特种钢精炼生产经验，从所述精炼工艺节点参数集合选取基准精炼工艺节点参数；
获取所述各工艺节点参数的流程节点序列；
根据所述流程节点序列和所述基准精炼工艺节点参数，确定标定精炼工艺节点参数；
基于所述标定精炼工艺节点参数进行工艺参数因素提取。
6.如权利要求1所述的方法，其特征在于，所述输出目标特种钢材预测性能信息，包括：
获得目标钢材生产性能预测模型，所述目标钢材生产性能预测模型包括钢材力学性能预测模型、钢材化学性能预测模型和钢材物理性能预测模型；
将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中，基于所述目标钢材生产性能预测模型，分别获得钢材力学性能预测信息、钢材化学性能预测信息和钢材物理性能预测信息；
基于所述钢材力学性能预测信息、钢材化学性能预测信息和钢材物理性能预测信息，输出所述目标特种钢材预测性能信息。
7.如权利要求1所述的方法，其特征在于，所述方法包括：
对所述目标钢材生产性能预测模型进行预测效果验证，获得模型预测精确度；
将所述模型预测精确度和预设预测精确度的差值，作为模型预测优化度；
基于PSO算法初始化粒子群参数，根据所述模型预测优化度和所述粒子群参数迭代计算粒子群适应度函数；
当达到预设终止条件时，获得所述粒子群适应度函数的输出最优结果粒子，并将所述输出最优结果粒子映射到所述目标钢材生产性能预测模型进行优化更新训练。
8.一种基于精炼炉控制参数的特种钢材性能预测系统，其特征在于，所述系统包括：
工艺流程节点获取模块，用于获取特种钢材精炼工艺流程节点；
精炼数据库构建模块，用于基于大数据技术构建特种钢精炼数据库，所述特种钢精炼数据库包括各钢材属性特征参数的历史精炼炉控制参数信息、历史钢材生产工艺性能信息；
生产工艺匹配模块，用于将所述特种钢材精炼工艺流程节点和所述历史精炼炉控制参数信息进行生产工艺匹配，输出精炼工艺节点参数集合；
预测模型库搭建模块，用于根据所述精炼工艺节点参数集合和所述钢材生产工艺性能信息，搭建特种钢材性能预测模型库；
精炼工艺数据获得模块，用于获得目标钢材精炼工艺数据；
模型匹配模块，用于根据所述目标钢材精炼工艺数据和所述特种钢材性能预测模型库进行匹配，获得目标钢材生产性能预测模型；
模型性能预测模块，用于将所述目标钢材精炼工艺数据输入所述目标钢材生产性能预测模型中进行预测，输出目标特种钢材预测性能信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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至7中任一项所述的方法的步骤。
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至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374249.8A CN116109012B (zh) | 2023-04-10 | 2023-04-10 | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374249.8A CN116109012B (zh) | 2023-04-10 | 2023-04-10 | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116109012A true CN116109012A (zh) | 2023-05-12 |
| CN116109012B CN116109012B (zh) | 2023-07-28 |
Family
ID=86262395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310374249.8A Active CN116109012B (zh) | 2023-04-10 | 2023-04-10 | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109012B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
| CN116501003A (zh) * | 2023-06-29 | 2023-07-28 | 张家港广大特材股份有限公司 | 一种用于特种钢材冶炼的加工管控方法及系统 |
| CN116842768A (zh) * | 2023-09-01 | 2023-10-03 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产工艺优化方法及系统 |
| CN116931530A (zh) * | 2023-09-15 | 2023-10-24 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
| CN117265214A (zh) * | 2023-11-22 | 2023-12-22 | 张家港广大特材股份有限公司 | 一种特种钢生产的优化控制方法及系统 |
| CN117370871A (zh) * | 2023-12-05 | 2024-01-09 | 张家港广大特材股份有限公司 | 一种特种钢材的质量分析方法与系统 |
| CN117522100A (zh) * | 2023-11-16 | 2024-02-06 | 永久电力金具有限公司 | 一种电力金具生产过程的优化方法 |
| CN117574784A (zh) * | 2024-01-16 | 2024-02-20 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005036289A (ja) * | 2003-07-16 | 2005-02-10 | Kobe Steel Ltd | モデルパラメータ決定方法及びそのプログラム，モデル予測方法及びそのプログラム |
| CN103123483A (zh) * | 2012-12-20 | 2013-05-29 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
| JP2021111132A (ja) * | 2020-01-10 | 2021-08-02 | 日本製鉄株式会社 | 計画作成支援装置、予測モデル構築装置、方法及びプログラム |
| CN113430333A (zh) * | 2021-07-13 | 2021-09-24 | 北京科技大学 | 一种钢包精炼炉智能化稳定冶炼控制的方法 |
| CN114678080A (zh) * | 2022-03-28 | 2022-06-28 | 北京科技大学 | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 |
| CN114819085A (zh) * | 2022-04-24 | 2022-07-29 | 河钢股份有限公司承德分公司 | 钢材性能预测模型的训练方法、预测方法及设备 |
-
2023
- 2023-04-10 CN CN202310374249.8A patent/CN116109012B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005036289A (ja) * | 2003-07-16 | 2005-02-10 | Kobe Steel Ltd | モデルパラメータ決定方法及びそのプログラム，モデル予測方法及びそのプログラム |
| CN103123483A (zh) * | 2012-12-20 | 2013-05-29 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
| JP2021111132A (ja) * | 2020-01-10 | 2021-08-02 | 日本製鉄株式会社 | 計画作成支援装置、予測モデル構築装置、方法及びプログラム |
| CN113430333A (zh) * | 2021-07-13 | 2021-09-24 | 北京科技大学 | 一种钢包精炼炉智能化稳定冶炼控制的方法 |
| CN114678080A (zh) * | 2022-03-28 | 2022-06-28 | 北京科技大学 | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 |
| CN114819085A (zh) * | 2022-04-24 | 2022-07-29 | 河钢股份有限公司承德分公司 | 钢材性能预测模型的训练方法、预测方法及设备 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307405B (zh) * | 2023-05-25 | 2023-08-04 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
| CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
| CN116501003A (zh) * | 2023-06-29 | 2023-07-28 | 张家港广大特材股份有限公司 | 一种用于特种钢材冶炼的加工管控方法及系统 |
| CN116501003B (zh) * | 2023-06-29 | 2023-10-24 | 张家港广大特材股份有限公司 | 一种用于特种钢材冶炼的加工管控方法及系统 |
| CN116842768B (zh) * | 2023-09-01 | 2023-11-28 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产工艺优化方法及系统 |
| CN116842768A (zh) * | 2023-09-01 | 2023-10-03 | 日照鼎立钢构股份有限公司 | 一种钢结构件生产工艺优化方法及系统 |
| CN116931530B (zh) * | 2023-09-15 | 2023-12-26 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
| CN116931530A (zh) * | 2023-09-15 | 2023-10-24 | 山东星科智能科技股份有限公司 | 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法 |
| CN117522100A (zh) * | 2023-11-16 | 2024-02-06 | 永久电力金具有限公司 | 一种电力金具生产过程的优化方法 |
| CN117522100B (zh) * | 2023-11-16 | 2024-04-05 | 永久电力金具有限公司 | 一种电力金具生产过程的优化方法 |
| CN117265214A (zh) * | 2023-11-22 | 2023-12-22 | 张家港广大特材股份有限公司 | 一种特种钢生产的优化控制方法及系统 |
| CN117265214B (zh) * | 2023-11-22 | 2024-04-02 | 张家港广大特材股份有限公司 | 一种特种钢生产的优化控制方法及系统 |
| CN117370871A (zh) * | 2023-12-05 | 2024-01-09 | 张家港广大特材股份有限公司 | 一种特种钢材的质量分析方法与系统 |
| CN117370871B (zh) * | 2023-12-05 | 2024-04-02 | 张家港广大特材股份有限公司 | 一种特种钢材的质量分析方法与系统 |
| CN117574784A (zh) * | 2024-01-16 | 2024-02-20 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
| CN117574784B (zh) * | 2024-01-16 | 2024-04-02 | 诚联恺达科技有限公司 | 一种真空回流焊工艺文件辅助编译方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116109012B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116109012B (zh) | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 | |
| CN115186555B (zh) | 基于数字孪生的干燥设备实况仿真方法及相关设备 | |
| Trutschel et al. | Experiment design beyond gut feeling: statistical tests and power to detect differential metabolites in mass spectrometry data | |
| Degroote et al. | Reinforcement learning for automatic online algorithm selection-an empirical study | |
| CN110909005B (zh) | 一种模型特征分析方法、装置、设备及介质 | |
| CN115392592A (zh) | 一种存储产品参数配置推荐方法、装置、设备及介质 | |
| CN116842853B (zh) | 用于不确定度量化的导弹气动特性预测模型构建方法 | |
| CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
| CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
| CN116756536B (zh) | 数据识别方法、模型训练方法、装置、设备及存储介质 | |
| CN112232429A (zh) | 一种高炉整体状态的判断方法、终端设备及存储介质 | |
| CN114968824B (zh) | 一种基于链式多路径覆盖的测试方法与系统 | |
| CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
| CN114697127B (zh) | 一种基于云计算的业务会话风险处理方法及服务器 | |
| CN115546218A (zh) | 置信度阈值确定方法和装置、电子设备和存储介质 | |
| CN114627963A (zh) | 蛋白数据填充方法、系统、计算机设备及可读存储介质 | |
| CN114462294A (zh) | 一种两阶段代理模型辅助参数估计方法以及系统 | |
| CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
| CN113435519A (zh) | 基于对抗插值的样本数据增强方法、装置、设备及介质 | |
| CN111383052A (zh) | 一种智能柜选址模型建模方法、装置、服务器及存储介质 | |
| CN116705210A (zh) | 电芯老化模型构建方法和电芯全生命周期性能预测方法 | |
| CN113298256B (zh) | 自适应曲线学习方法、装置、计算机设备及存储介质 | |
| WO2024070170A1 (ja) | 試作条件提案システム、試作条件提案方法 | |
| CN111506038B (zh) | 一种麦芽监控巡检数据处理方法及系统 | |
| CN117172056A (zh) | 接触电阻预测模型的训练方法、装置和计算机设备 |
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 |