CN116259379A - 一种热轧带钢形变性能的在线智能预测方法及预测系统 - Google Patents
一种热轧带钢形变性能的在线智能预测方法及预测系统 Download PDFInfo
- Publication number
- CN116259379A CN116259379A CN202310003662.3A CN202310003662A CN116259379A CN 116259379 A CN116259379 A CN 116259379A CN 202310003662 A CN202310003662 A CN 202310003662A CN 116259379 A CN116259379 A CN 116259379A
- Authority
- CN
- China
- Prior art keywords
- deformation
- rolling
- performance
- parameters
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
-
- 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)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种热轧带钢形变性能的在线智能预测方法及系统,属于冶金生产技术领域,其特征在于,包括:S1、获取全工序的历史基本数据并进行训练;S2、建立同工况参数间的级联关系;S3、优化各工序的温度曲线;S4、设定形变性能参数的阈值空间:根据各工序的形变性能参数与参数级联特征,设定轧制参数的阈值区间,形成温度、形变、组织、性能的标准样本库,为后续轧制提供参考目标和在线设定值。本发明能够解决热轧过程中形变性能的不稳定预报问题,基于全流程的同步实际工况,利用神经网络进行类似工况的聚类分析,从而获得最佳的形变参数,从而为热轧全过程提供高精度的变形抗力及轧后冷却的力学性能预报模型。
Description
技术领域
本发明属于冶金生产技术领域,具体涉及一种热轧带钢形变性能的在线智能预测方法及预测系统。
背景技术
在热轧带钢生产过程中,其内部金属成分、轧制制度及轧后冷却过程,都直接影响轧制过程中的形变过程和轧后力学性能。在传统模型中,或者根据考虑加工硬化的实测应力应变曲线近似认为轧制过程的变形抗力,或者根据轧制力模型反推变形抗力,这两种方式都受制于现场复杂工况的影响,导致模型预报精度与实际参数差别很大,在很大程度上影响在线带钢形变过程的预报精度。考虑当前普遍存在的共性问题,有必要在机理分析模型的基础上,考虑工艺产线上的全流程大数据,进行必要的全产线因素的综合优化和智能预报,从而更加逼近客观存在的真实值,有助于实现热轧过程中的高精度全产线智能控制。
发明内容
本发明为解决公知技术中存在的技术问题,提供一种热轧带钢形变性能的在线智能预测方法及预测系统,旨在解决热轧过程中形变性能的不稳定预报问题,基于全流程的同步实际工况,利用神经网络进行类似工况的聚类分析,从而获得最佳的形变参数,从而为热轧全过程提供高精度的变形抗力及轧后冷却的力学性能预报模型。
本发明的第一目的是提供一种热轧带钢形变性能的在线智能预测方法,包括:
S1、获取全工序的历史基本数据并进行训练:基于热轧带钢金属成分,考虑坯料出炉、除磷、粗轧、精轧及卷取段的带钢温度和形变规律,并结合离线力学性能样本数据,进行数据处理形成特征数据集,再进行力学性能的神经网络大数据训练;
S2、建立同工况参数间的级联关系:基于神经网络大数据训练的结果,建立金属成分、形变过程及温度曲线的级联关系,预报各工序的力学性能参数,进行变形过程预测和组织性能预测;
S3、基于形变过程优化各工序的温度曲线,获得目标轧后力学性能:根据粗轧和精轧的形变规律特征和温度曲线的级联关系,优化坯料出炉、粗轧、精轧和轧后冷却的温度曲线,获得轧后力学性能;
S4、设定形变性能参数的阈值空间:根据各工序的形变性能参数与温度参数的级联特征,设定轧制参数的阈值区间,形成温度、形变、组织、性能的标准样本库,为后续轧制提供参考目标和在线设定值。
优选地,S1中所述的离线力学性能样本数据通过产品取样实验测量得到,并将产品的力学性能样本数据与轧制过程各工序参数进行对应,并对数据进行归一化处理和相关性分析,形成特征数据集用于进行大数据训练。
优选地,S2中所述级联关系为轧制全流程中,金属成分、形变过程及温度曲线随轧制过程的进行相互之间的影响和变化规律,通过大数据训练获得。
优选地,S3优化后的温度曲线,通过对轧制过程中力学性能的变化与产品力学性能参数的目标进行对比,分配各工序的温度变化,最终形成结合生产工艺优化后的温度变化曲线。
本发明的第二目的是提供一种热轧带钢形变性能的在线智能预测系统,包括:
大数据训练模块:获取全工序的历史基本数据并进行训练;基于热轧带钢金属成分,考虑坯料出炉、除磷、粗轧、精轧及卷取段的带钢温度和形变规律,并结合离线力学性能样本数据,进行数据处理形成特征数据集,再进行力学性能的神经网络大数据训练;
形变分析模块:建立同工况参数间的级联关系;基于神经网络大数据训练的结果,建立金属成分、形变过程及温度曲线的级联关系,预报各工序的力学性能参数,进行变形过程预测和组织性能预测;
参数优化模块:基于形变过程优化各工序的温度曲线,获得目标轧后力学性能;根据粗轧和精轧的形变规律特征和温度曲线的级联关系,优化坯料出炉、粗轧、精轧和轧后冷却的温度曲线,获得轧后力学性能;
阈值空间设定模块:设定形变性能参数的阈值空间;根据各工序的形变性能参数与温度参数的级联特征,设定轧制参数的阈值区间,形成温度、形变、组织、性能的标准样本库,为后续轧制提供参考目标和在线设定值。
优选地,训练模块中所述的离线力学性能样本数据通过产品取样实验测量得到,并将产品的力学性能样本数据与轧制过程各工序参数进行对应,并对数据进行归一化处理和相关性分析,形成特征数据集用于进行大数据训练。
优选地,级联关系建立模块中所述级联关系为轧制全流程中,金属成分、形变过程及温度曲线随轧制过程的进行相互之间的影响和变化规律,通过大数据训练获得。
优选地,优化模块中优化后的温度曲线,通过对轧制过程中力学性能的变化与产品力学性能参数的目标进行对比,分配各工序的温度变化,最终形成结合生产工艺优化后的温度变化曲线。
本发明的第三目的是提供一种信息数据处理终端,用于实现上述的热轧带钢形变性能的在线智能预测方法。
本发明的第四目的是提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行实现上述的热轧带钢形变性能的在线智能预测方法。
本发明具有的优点和积极效果是:
本发明结合实际工况,考虑各工序的连续性条件,进行全产线的稳定工况和特殊工况的大数据智能训练,进行粗轧、精轧的形变性能协同分析,可以更好地吻合实测数据,从而提供更高精度的数学预报模型;在此基础上,结合各工序段的冷却条件及轧后冷却参数,利用力学性能的预报结果进行全流程的反馈调控,最终获得热轧带钢力学性能各工序的精在线确控制,有利于提高全产线的稳定性和产品的最终性能指标。
附图说明
图1是本发明优选实施例提供的流程图;
图2是本发明优选实施例中形变性能大数据的训练流程图;
图3是本发明优选实施例中系统的使用流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
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。基于本发明中的技术方案,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。
请参阅图1至图3。
一种热轧带钢形变性能的在线智能预测方法,主要利用热轧产线的全流程工况数据,基于神经网络,进行全产线的同步大数据拓扑结构训练,从而获得更逼近实际的形变参数,以更好地预测轧制过程中的变形抗力及轧后力学性能;包括如下步骤:
S1、获取基本数据并进行训练:基于热轧带钢金属成分,考虑皮料出炉、除磷、粗轧、精轧及卷曲段的带钢温度,并结合离线力学性能样本数据,进行数据处理后形成特征数据集,再进行力学性能大数据训练;
其中,在进行大数据训练前,首先需要对生产数据和材料成分数据进行相关性分析,选择其中与力学性能相关的关键数据进行神经网络模型的训练;对热轧带钢的抗拉强度、屈服强度和延伸率进行预报,在训练和相关性分析过程中,分别对三个力学性能进行训练和分析,方便对不同的性能指标进行对应的参数选择和模型训练。以各位置的温度为调整目标,调整次序依次为卷取温度、精轧段温度、粗轧段温度和出炉温度。
为了让训练模型的效果更好,需要对采集到的温度数据、成分数据和力学性能数据使用max-min法进行归一化处理,首先需要输入各个参数的最大最小值范围,再进行归一化处理,计算公式为:
其中,X为参数归一值,x为参数实际值,min为该参数在数据集中的最小值,max为该参数在数据集中的最大值。
为了更加准确的表征各个力学性能参数的影响因素,在进行相关性分析和影响因素选择的过程中,分别对力学性能指标中的抗拉强度、屈服强度和延伸率进相关性分析和影响因素的选择。本发明中使用Laplacian得分来对相关性进行判定,计算公式为:
式中,cov为协方差,var为方差。
在得到相关性系数后,对各数据进行筛选,为了保证预报模型的准确性,选取前80%的参数作为该力学性能参数的影响因素,选取对应数据组成新的样本数据集。
在上一步中组成的样本数据集中,随机将数据集中的数据分为训练集、测试集和验证集,其中训练集的数据组最多,占样本数据集的70%,测试集占20%,验证集占10%,供神经网络模型进行训练和验证。
S2、建立级联关系:基于大数据训练结果,建立金属成分、形变过程及温度曲线的级联关系,预报各个工序段的力学性能参数,进行变形过程预测和组织性能预测;
通过大数据训练得到的各个轧制工序段的金属成分、形变过程及温度曲线,将各类参数相互耦合得到整个生产过程中各参数之间的随时间的级联关系,方便后续对生产工艺的优化和控制。
S3、优化温度曲线,获得目标轧后力学性能:根据粗轧和精轧的形变规律特征和各参数的级联关系,优化皮料出炉、粗轧、精轧和轧后冷却的温度曲线,获得最佳的轧后力学性能,同时提高产线生产稳定性和效率;
S4、设定阈值空间:根据各工序段的形变性能参数与参数级联特征,设定轧制参数的最佳阈值区间,形成温度、形变、组织、性能的标准样本库,为后续轧制提供参考目标和在线设定值。
本发明的主要内容包括:基于现场实测数据和工艺过程,分别建立加热炉、除磷、粗轧、精轧、轧后冷却的温度场模型,利用同步边界条件进行数学模型的协同计算,从而进行热轧带钢形变性能的在线预报;结合机理模型和实测大数据,利用智能算法进行形变特征分类、样本数据集建立和边界条件相关性分析,最终完成轧制形变参数的在线优化调整与最佳参数的阈值设定;形变性能的在线预报结合了轧制过程的核心机理模型和实测大数据的智能边界条件,既可以满足轧制形变过程的准确计算要求,又可以根据形变过程和冷却过程进行高精度的终轧终冷性能预报。
如图1所示,本发明从钢坯生产数据中采集原料成分数据、在热轧位置采集原始设定数据并进行整理。采集数据包括带钢元素含量和轧制阶段所需要的所有设定参数,最后使用神经网络模型进行大数据的的同步训练,获得准确的力学性能预报结果,同时与离线设定值进行对比分析。在此基础上,形成标准样本库,在实际应用时,若超出标准样本库范围,则进行新工况的重新聚类训练,获得对应工况的最佳形变参数。
图2为图1中的具体训练过程。利用大数据的智能学习功能,获得形变参数、温度参数、性能参数的级联关系,最终构建热轧全工况的在线形变性能预报模型。
图3为上述过程的基本应用过程。在使用过程中,首先实时读取金属成分,满足基本的性能预报条件;然后综合考虑出炉温度、除磷温度、粗轧温度、精轧温度和轧后冷却温度以及所有机架的带钢形变过程,利用神经网络准确识别当前工况,自动筛选最佳的对应样本,快速计算当前工况的力学性能参数;最终根据当前工况及轧制节奏,满足热轧带钢全工况的在线力学性能精确预报。
一种热轧带钢形变性能的在线智能预测系统,包括:使用完成大数据训练的形变性能预报模型和温度曲线优化智能算法,最终形成可以进行在线生产工艺调整的智能预报系统,供产线实时进行生产监测和工艺优化。
一种信息数据处理终端,用于实现上述热轧带钢形变性能的在线智能预测方法。
一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述热轧带钢形变性能的在线智能预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种热轧带钢形变性能的在线智能预测方法,其特征在于,包括:
S1、获取全工序的历史基本数据并进行训练:基于热轧带钢金属成分,考虑坯料出炉、除磷、粗轧、精轧及卷取段的带钢温度和形变规律,并结合离线力学性能样本数据,进行数据处理形成特征数据集,再进行力学性能的神经网络大数据训练;
S2、建立同工况参数间的级联关系:基于神经网络大数据训练的结果,建立金属成分、形变过程及温度曲线的级联关系,预报各工序的力学性能参数,进行变形过程预测和组织性能预测;
S3、基于形变过程优化各工序的温度曲线,获得目标轧后力学性能:根据粗轧和精轧的形变规律特征和温度曲线的级联关系,优化坯料出炉、粗轧、精轧和轧后冷却的温度曲线,获得轧后力学性能;
S4、设定形变性能参数的阈值空间:根据各工序的形变性能参数与温度参数的级联特征,设定轧制参数的阈值区间,形成温度、形变、组织、性能的标准样本库,为后续轧制提供参考目标和在线设定值。
2.根据权利要求1所述的热轧带钢形变性能的在线智能预测方法,其特征在于,S1中所述的离线力学性能样本数据通过产品取样实验测量得到,并将产品的力学性能样本数据与轧制过程各工序参数进行对应,并对数据进行归一化处理和相关性分析,形成特征数据集用于进行大数据训练。
3.根据权利要求1所述的热轧带钢形变性能的在线智能预测方法,其特征在于,S2中所述级联关系为轧制全流程中,金属成分、形变过程及温度曲线随轧制过程的进行相互之间的影响和变化规律,通过大数据训练获得。
4.根据权利要求1所述的热轧带钢形变性能的在线智能预测方法,其特征在于,S3优化后的温度曲线,通过对轧制过程中力学性能的变化与产品力学性能参数的目标进行对比,分配各工序的温度变化,最终形成结合生产工艺优化后的温度变化曲线。
5.一种热轧带钢形变性能的在线智能预测系统,其特征在于,包括:
大数据训练模块:获取全工序的历史基本数据并进行训练;基于热轧带钢金属成分,考虑坯料出炉、除磷、粗轧、精轧及卷取段的带钢温度和形变规律,并结合离线力学性能样本数据,进行数据处理形成特征数据集,再进行力学性能的神经网络大数据训练;
形变分析模块:建立同工况参数间的级联关系;基于神经网络大数据训练的结果,建立金属成分、形变过程及温度曲线的级联关系,预报各工序的力学性能参数,进行变形过程预测和组织性能预测;
参数优化模块:基于形变过程优化各工序的温度曲线,获得目标轧后力学性能;根据粗轧和精轧的形变规律特征和温度曲线的级联关系,优化坯料出炉、粗轧、精轧和轧后冷却的温度曲线,获得轧后力学性能;
阈值空间设定模块:设定形变性能参数的阈值空间;根据各工序的形变性能参数与温度参数的级联特征,设定轧制参数的阈值区间,形成温度、形变、组织、性能的标准样本库,为后续轧制提供参考目标和在线设定值。
6.根据权利要求5所述的热轧带钢形变性能的在线智能预测系统,其特征在于,训练模块中所述的离线力学性能样本数据通过产品取样实验测量得到,并将产品的力学性能样本数据与轧制过程各工序参数进行对应,并对数据进行归一化处理和相关性分析,形成特征数据集用于进行大数据训练。
7.根据权利要求5所述的热轧带钢形变性能的在线智能预测系统,其特征在于,级联关系建立模块中所述级联关系为轧制全流程中,金属成分、形变过程及温度曲线随轧制过程的进行相互之间的影响和变化规律,通过大数据训练获得。
8.根据权利要求1所述的热轧带钢形变性能的在线智能预测系统,其特征在于,优化模块中优化后的温度曲线,通过对轧制过程中力学性能的变化与产品力学性能参数的目标进行对比,分配各工序的温度变化,最终形成结合生产工艺优化后的温度变化曲线。
9.一种信息数据处理终端,其特征在于,用于实现权利要求1-4任一项所述的热轧带钢形变性能的在线智能预测方法。
10.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行实现权利要求1-4任一项所述的热轧带钢形变性能的在线智能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310003662.3A CN116259379A (zh) | 2023-01-03 | 2023-01-03 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310003662.3A CN116259379A (zh) | 2023-01-03 | 2023-01-03 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116259379A true CN116259379A (zh) | 2023-06-13 |
Family
ID=86685482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310003662.3A Pending CN116259379A (zh) | 2023-01-03 | 2023-01-03 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116259379A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116518868A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
CN117574215A (zh) * | 2024-01-17 | 2024-02-20 | 北京科技大学 | 一种热轧带钢板形预测控制方法及装置 |
CN117787507A (zh) * | 2024-02-23 | 2024-03-29 | 宝鸡核力材料科技有限公司 | 卷带轧制工艺全链条优化方法和装置 |
-
2023
- 2023-01-03 CN CN202310003662.3A patent/CN116259379A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116518868A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
CN116518868B (zh) * | 2023-07-05 | 2023-08-25 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
CN117574215A (zh) * | 2024-01-17 | 2024-02-20 | 北京科技大学 | 一种热轧带钢板形预测控制方法及装置 |
CN117574215B (zh) * | 2024-01-17 | 2024-04-02 | 北京科技大学 | 一种热轧带钢板形预测控制方法及装置 |
CN117787507A (zh) * | 2024-02-23 | 2024-03-29 | 宝鸡核力材料科技有限公司 | 卷带轧制工艺全链条优化方法和装置 |
CN117787507B (zh) * | 2024-02-23 | 2024-05-03 | 宝鸡核力材料科技有限公司 | 卷带轧制工艺全链条优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116259379A (zh) | 一种热轧带钢形变性能的在线智能预测方法及预测系统 | |
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN106345823B (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
CN115815345A (zh) | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
Zhao et al. | Prediction of mechanical properties of cold rolled strip based on improved extreme random tree | |
CN114757660B (zh) | 一种基于应用分析的冷轧钢带制备方法及系统 | |
Song et al. | The prediction model for transverse thickness difference of electric steel in 6‐high cold rolling mills based on GA‐PSO‐SVR approach | |
Li et al. | Deep learning for predictive mechanical properties of hot-rolled strip in complex manufacturing systems | |
CN102277477A (zh) | 一种冷轧钢带抗拉强度预测模型的建立方法 | |
Ma et al. | Effect of strip profile of hot-rolled silicon steel on transverse thickness difference of cold-rolled strip | |
He et al. | Whole process prediction model of silicon steel strip on transverse thickness difference based on Takagi-Sugeno fuzzy network | |
CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
US11987855B2 (en) | Method and system for determining converter tapping quantity | |
Meng et al. | Crown Prediction of Hot‐Rolled Silicon Steel Using Transfer Learning Network Fused with Whale Optimization Algorithm | |
Wang et al. | Quantitative study on the relationship between the transverse thickness difference of cold-rolled silicon strip and incoming section profile based on the mechanism-intelligent model | |
Xiao et al. | Online thickness prediction of hot-rolled strip based on ISSA-OSELM | |
CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
Wang et al. | A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel | |
CN117265214B (zh) | 一种特种钢生产的优化控制方法及系统 | |
CN117831659B (zh) | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
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 |