CN116305885A - 预测或控制硅钢铁损的方法、装置及存储介质 - Google Patents
预测或控制硅钢铁损的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116305885A CN116305885A CN202310202901.8A CN202310202901A CN116305885A CN 116305885 A CN116305885 A CN 116305885A CN 202310202901 A CN202310202901 A CN 202310202901A CN 116305885 A CN116305885 A CN 116305885A
- Authority
- CN
- China
- Prior art keywords
- silicon steel
- iron loss
- predicting
- variable set
- variable
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 143
- 229910000976 Electrical steel Inorganic materials 0.000 title claims abstract description 107
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 102
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 81
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 8
- 239000010959 steel Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005098 hot rolling Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000000137 annealing Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005554 pickling Methods 0.000 claims description 3
- 238000009628 steelmaking Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种预测或控制硅钢铁损的方法、装置及存储介质，该预测方法包括：S1，确定在硅钢钢卷生产全流程中用于预测硅钢铁损的工艺参数变量集，具体地，采用PLS结合递归变量消除来确定上述工艺参数变量集；S2，基于所选择的变量集和获得的历史数据集训练神经网络，得到硅钢铁损的预测模型；S3，基于所选择的变量集，在硅钢生产过程中获得当前已完成工序的工艺参数实际值及后续未完成工序工艺参数的历史中位数；S4，将步骤S3获得的数据输入硅钢铁损的预测模型进行铁损预测。利用上述技术方案，可以更准确地实现了对硅钢铁损的在线预报。
Description
技术领域
本发明涉及硅钢生产控制领域，特别是涉及一种预测或控制硅钢铁损的方法、装置及存储介质。
背景技术
硅钢具有导磁率高、矫顽力低、电阻系数大等特性，主要用作电机、变压器、电器以及电工仪表中的磁性材料。铁芯消耗，简称铁损，是硅钢最重要的质量指标，其直接决定了冷轧硅钢的使用性能。硅钢铁损低可节省大量电能，延长电机和变压器工作运转时间和简化冷却系统。因此，在保证生产安全运行的条件下，应尽可能地降低铁损，从而实现整个硅钢生产过程的优化运行。
硅钢生产过程复杂，硅钢铁损的影响因素众多，其中包括：化学成分，如C、Si、Mn、P、S、Al和N等；热轧参数，如进精轧温度、出精轧温度、卷取温度和热轧厚度等；退火参数；各炉段温度；各冷却段参数；炉内气氛参数和干燥炉温度参数等。目前对硅钢铁损的研究主要集中在工艺机理上，这些研究都是定性分析，且研究的工艺参数较少；利用统计建模方法对硅钢铁损进行预测的研究很少，目前还没有建立硅钢生产全流程工艺参数与铁损的机理模型或数据模型，也没有在生产中进行铁损控制的相关优化控制模型。
发明内容
本发明的实施例提供了一种预测或控制硅钢铁损的方法、装置及存储介质，以在硅钢生产过程中对铁损进行在线预测或控制优化。
为了实现上述目的，一方面，提供了一种预测硅钢铁损的方法，用于在硅钢生产过程中预测硅钢的铁损，该方法包括：
S1，确定在硅钢钢卷生产全流程中用于预测硅钢铁损的工艺参数变量集，包括：
S11，选择钢卷的全流程工艺参数变量作为初始变量集，获得每个已完成钢卷对应的全流程工艺参数变量值和对应的铁损值，并利用所获得的全流程工艺参数变量值和铁损值建立历史数据集；
S12，基于当前的变量集，采用偏最小二乘PLS法建立回归模型，并通过交叉验证来计算回归模型在当前变量集下的均方根误差；
S13，针对回归模型，将全流程工艺参数变量构成的变量集中回归系数绝对值最小的变量去掉；
S14，判断剩余变量的个数是否等于预定的最少变量个数；如是，则转入步骤S15，否则，返回步骤S12；
S15，对比回归模型在不同变量个数下通过交叉验证获得的均方根误差，选择最小均方根误差所对应的变量集作为用于预测硅钢铁损的工艺参数变量集；
S2，基于所选择的用于预测硅钢铁损的变量集和历史数据集训练神经网络，得到硅钢铁损的预测模型；
S3，基于所选择的用于预测硅钢铁损的变量集，在硅钢生产过程中获得当前已完成工序的工艺参数实际值及后续未完成工序工艺参数的历史中位数；
S4，将所获得的工艺参数实际值和历史中位数输入硅钢铁损的预测模型进行铁损预测。
优选地，所述的方法，其中，神经网络为三层BP神经网络。
优选地，所述的方法，其中，全流程工艺参数至少包括：炼钢流程中的化学成分含量、热轧流程中的加热温度和厚度、常化酸洗机组流程中的张力和温度、轧机流程中的厚度、连续退火机组中的张力、温度和电流。
另一方面，提供了一种控制硅钢铁损的方法，用于在硅钢生产过程中控制硅钢铁损，包括：
在硅钢生产过程中，使用如上文所述的预测硅钢铁损的方法来预测硅钢铁损；
根据所预测的硅钢铁损对后续未完成工序的工艺参数进行优化。
优选地，所述的方法，其中，根据所预测的硅钢铁损对后续未完成工序的工艺参数进行优化包括：
采用粒子群优化算法，根据当前已完成工序的工艺参数实际值、后续未完成工序工艺参数的上下限来优化后续未完成工序的工艺参数。
另一方面，提供了一种预测硅钢铁损的装置，包括存储器和处理器，存储器存储有至少一段程序，至少一段程序由处理器执行以实现如上文任一所述的预测硅钢铁损的方法。
又一方面，提供了一种控制硅钢铁损的装置，其特征在于，包括存储器和处理器，存储器存储有至少一段程序，至少一段程序由处理器执行以实现如上文任一所述的控制硅钢铁损的方法。
又一方面，提供了一种计算机可读存储介质，该存储介质中存储有至少一段程序，至少一段程序由处理器执行以实现如上文任一所述的预测方法或控制方法。
上述技术方案具有如下技术效果：
本发明实施例的技术方案通过PLS结合递归变量消除进行特征筛选，可以从众多的硅钢全流程工艺参数中确定出对铁损有较大影响的、可用于预测硅钢铁损的工艺参数变量集，并利用所确定的变量集和获得的历史数据来训练神经网络获得了硅钢铁损的预测模型；利用该预测模型可对生产过程进行硅钢铁损的在线预测；相比于传统的基于生产经验的定性分析和人工控制，本发明实施例的技术方案在综合考虑硅钢生产的全流程工艺参数的基础上采用数据统计分析建立了铁损预测模型，可以实现对铁损的更准确和更可靠地在线预报。
本发明实施例的进一步方案中，通过利用在线预测的结果来调整后续工序参数可以实现对硅钢铁损的优化控制，并进而提高硅钢生产质量。
附图说明
图1为本发明一实施例的预测硅钢铁损的方法的流程示意图；
图2为本发明一实施例的控制硅钢铁损的方法的流程示意图；
图3为本发明一实施例的预测或控制硅钢铁损的装置的结构示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
本发明实施例的技术方案通过统计建模的方法对硅钢铁损进行了预测。统计建模的方法可以大致分为线性方法和非线性方法。本发明实施例的技术方案结合了线性方法和非线性方法来对硅钢铁损进行预测。其中，线性方法如偏最小二乘PLS法在处理自变量多、变量间存在严重多重相关性问题的方面具有独特的优势，通过其处理可以得到因变量和变量之间的线性表达式，从而可以分析各变量对因变量的影响程度。非线性方法如BP神经网络，无需预先给定公式，通过数据迭代训练模型，具有很强的非线性映射能力。
针对硅钢生产领域硅钢全流程工艺参数众多，如多达几百个的情况，现实中不太可能处理所有这几百个工艺参数的数据，所以本发明实施例的技术方案先采用PLS结合递归变量消除来进行特征筛选，选择出对硅钢铁损影响较大的若干工艺参数；然后基于选择出的工艺参数，采用BP神经网络建立硅钢铁损预测模型；在生产过程中，使用该模型进行铁损预测。在进一步的实施例中，根据预测出的铁损，可以进一步采用粒子群算法进行工艺参数优化，以对后续产生硅钢铁损进行优化控制。
实施例一：
图1为本发明一实施例的预测硅钢铁损的方法的流程示意图。该实施例的预测方法包括：
S1，确定在硅钢钢卷生产全流程中用于预测硅钢铁损的工艺参数变量集；其中，用于预测硅钢铁损的工艺参数变量集即为从众多如上百个全流程工艺参数中选择出的对硅钢中的铁损有一定影响或影响较大的工艺参数构成的变量集；
具体地，通过如下步骤来确定上述用于预测硅钢铁损的工艺参数变量集：
S11，选择钢卷的全流程工艺参数变量作为初始变量集，获得每个已完成钢卷对应的全流程工艺参数变量值和对应的铁损值，并利用所获得的全流程工艺参数变量值和铁损值建立历史数据集；其中，全流程工艺参数变量值为钢卷的输入数据，铁损值是钢卷的输出数据；具体地，历史数据集可以通过跟踪每个已完成钢卷的全流程工艺参数来获得；具体实现中，作为初始变量集的全流程工艺参数变量数量众多，可能多达百个；示例性地，用来作为初始变量集的可以是全流程全部的工艺参数变量，也可以是从全部的工艺参数中选择出的具有一定数量如上百个或几十个的工艺参数变量；
S12，基于当前的变量集，采用偏最小二乘PLS法建立回归模型，并通过交叉验证来计算回归模型在当前变量集下的均方根误差；该步骤中，最初是使用选择的初始变量集来通过PLS法建立回归模型，相应计算的是针对初始变量集的均方根误差；在后续的递归算法中，在变量去除后，这里的当前变量集则指的是去除变量、变量数目变少以后的变量集；
S13，针对回归模型，将全流程工艺参数变量构成的变量集中回归系数绝对值最小的变量去掉；通过该步骤将对硅钢铁损影响较小的工艺参数变量去除；
S14，判断剩余变量的个数是否等于预定的最少变量个数；如是，则转入步骤S15；否则，返回步骤S12；该步骤中的预定的最少变量个数为能实现对硅钢铁损进行预测的最少变量个数，即最后用来预测铁损的变量集中的变量个数不能少于该预定数目；本发明实施例的方法通过步骤S12至S13的递归运算来筛选特征去除变量，直至达到预定的最少变量个数，然后就结束递归算法，不再去除变量了；示例性地，这个最少变量个数例如可以是10个、15个等，具体可根据实际生产情况来设置；
S15，对比回归模型在不同变量个数下通过交叉验证获得的均方根误差，选择最小均方根误差所对应的变量集作为用于预测硅钢铁损的工艺参数变量集；通过该步骤获得了各变量集中对硅钢铁损影响最大的变量集，该变量集可用于预测硅钢铁损；
在变量消除的过程中，变量集会发生变化，包括变量集中变量的个数和具体的变量为哪个工艺参数，不同的变量集对应有不同的均方根误差；示例性地，通过上述步骤可以得到一个反应变量集和模型的均方根误差大小的关系如曲线，取最小均方根误差对应的变量集，这个变量集由一定个数的工艺参数组成；
S2，基于所选择的用于预测硅钢铁损的变量集和历史数据集训练神经网络，得到硅钢铁损的预测模型；这里用于进行模型训练使用的是历史数据集中，与所选择的变量集中的工艺参数变量相对应的历史数据；
S3，基于所选择的用于预测硅钢铁损的变量集，在硅钢生产过程中获得当前已完成工序的工艺参数实际值及后续未完成工序工艺参数的历史中位数；该步骤中，所涉及到的当前已完成工序的工艺参数和后续未完成工序工艺参数对应的是所选择的用于预测硅钢铁损的变量集中的工艺参数变量；
S4，将所获得的上述工艺参数实际值和历史中位数输入硅钢铁损的预测模型进行铁损预测。
优选地，上述神经网络为三层BP神经网络。
优选地，全流程工艺参数至少包括：炼钢流程中的化学成分含量、热轧流程中的加热温度和厚度、常化酸洗机组流程中的张力和温度、轧机流程中的厚度、连续退火机组中的张力、温度和电流。具体地，上述化学成分含量例如为C，Si，Mn等成分的含量。
本领域的技术人员知晓，全流程工艺参数还包括众多其它的工艺参数，在此不再赘述。
实施例二：
图2为本发明一实施例的控制硅钢铁损的方法，其用于在硅钢生产过程中控制硅钢铁损。如图2，该实施例的控制硅钢铁损的方法，在利用本发明实施例的预测方法预测出硅钢铁损后，还包括根据所预测的硅钢铁损对后续未完成工序的工艺参数进行优化。利用该实施例，通过给出后续工艺的工艺参数优化控制建议，可以使铁损满足设定值。由此实现了硅钢铁损的在线预报和控制。
示例性地，根据当前已完成工序的工艺参数实际值和后续未完成工序工艺参数的上下限，采用粒子群优化算法来优化后续未完成工序的工艺参数，以降低铁损，从而可实现对硅钢生产过程中硅钢铁损的优化控制，并提高硅钢的生产质量。图2中，PLSR指的是偏最小二乘法回归(Partial Least Squares Regression)，即通过PLS建立回归模型。
实施例三：
本发明还提供一种预测或控制硅钢铁损的装置，如图3所示，该装置包括处理器301、存储器302、总线303、以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序，处理器301包括一个或一个以上处理核心，存储器302通过总线303与处理器301相连，存储器302用于存储程序指令，所述处理器执行所述计算机程序时实现本发明实施例一或实施例二的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述预测或控制硅钢铁损的装置可以是计算机单元，该计算机单元可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机单元可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述计算机单元的组成结构仅仅是计算机单元的示例，并不构成对计算机单元的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件。例如所述计算机单元还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机单元的控制中心，利用各种接口和线路连接整个计算机单元的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机单元的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例四：
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述计算机单元集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (8)
1.一种预测硅钢铁损的方法，用于在硅钢生产过程中预测硅钢的铁损，其特征在于，包括：
S1，确定在硅钢钢卷生产全流程中用于预测硅钢铁损的工艺参数变量集，包括：
S11，选择钢卷的全流程工艺参数变量作为初始变量集，获得每个已完成钢卷对应的全流程工艺参数变量值和对应的铁损值，并利用所获得的全流程工艺参数变量值和铁损值建立历史数据集；
S12，基于当前的变量集，采用偏最小二乘PLS法建立回归模型，并通过交叉验证来计算所述回归模型在当前变量集下的均方根误差；
S13，针对所述回归模型，将所述全流程工艺参数变量构成的变量集中回归系数绝对值最小的变量去掉；
S14，判断剩余变量的个数是否等于预定的最少变量个数；如是，则转入步骤S15，否则，返回步骤S12；
S15，对比所述回归模型在不同变量个数下通过交叉验证获得的均方根误差，选择最小均方根误差所对应的变量集作为用于预测硅钢铁损的工艺参数变量集；
S2，基于所选择的所述用于预测硅钢铁损的变量集和所述历史数据集训练神经网络，得到硅钢铁损的预测模型；
S3，基于所选择的所述用于预测硅钢铁损的变量集，在硅钢生产过程中获得当前已完成工序的工艺参数实际值及后续未完成工序工艺参数的历史中位数；
S4，将所获得的所述工艺参数实际值和所述历史中位数输入所述硅钢铁损的预测模型进行铁损预测。
2.根据权利要求1所述的方法，其特征在于，所述神经网络为三层BP神经网络。
3.根据权利要求1所述的方法，其特征在于，所述全流程工艺参数至少包括：炼钢流程中的化学成分含量、热轧流程中的加热温度和厚度、常化酸洗机组流程中的张力和温度、轧机流程中的厚度、连续退火机组中的张力、温度和电流。
4.一种控制硅钢铁损的方法，用于在硅钢生产过程中控制硅钢铁损，其特征在于，包括：
在硅钢生产过程中，使用权利要求1-3中任一所述的方法预测硅钢铁损；
根据所预测的硅钢铁损对后续未完成工序的工艺参数进行优化。
5.根据权利要求4所述的方法，其特征在于，所述根据所预测的硅钢铁损对后续未完成工序的工艺参数进行优化包括：
采用粒子群优化算法，根据所述当前已完成工序的工艺参数实际值、后续未完成工序工艺参数的上下限来优化后续未完成工序的工艺参数。
6.一种预测硅钢铁损的装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如权利要求1至3任一所述的方法。
7.一种控制硅钢铁损的装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如权利要求4至5任一所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述至少一段程序由处理器执行以实现如权利要求1至5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310202901.8A CN116305885A (zh) | 2023-03-03 | 2023-03-03 | 预测或控制硅钢铁损的方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310202901.8A CN116305885A (zh) | 2023-03-03 | 2023-03-03 | 预测或控制硅钢铁损的方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116305885A true CN116305885A (zh) | 2023-06-23 |
Family
ID=86829980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310202901.8A Pending CN116305885A (zh) | 2023-03-03 | 2023-03-03 | 预测或控制硅钢铁损的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116305885A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116702632A (zh) * | 2023-08-08 | 2023-09-05 | 北京科技大学 | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 |
| CN117272811A (zh) * | 2023-09-25 | 2023-12-22 | 重庆望变电气（集团）股份有限公司 | 一种铁芯工艺参数确定方法及其相关设备 |
-
2023
- 2023-03-03 CN CN202310202901.8A patent/CN116305885A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116702632A (zh) * | 2023-08-08 | 2023-09-05 | 北京科技大学 | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 |
| CN116702632B (zh) * | 2023-08-08 | 2023-11-21 | 北京科技大学 | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 |
| CN117272811A (zh) * | 2023-09-25 | 2023-12-22 | 重庆望变电气（集团）股份有限公司 | 一种铁芯工艺参数确定方法及其相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116305885A (zh) | 预测或控制硅钢铁损的方法、装置及存储介质 | |
| KR101011546B1 (ko) | 예측식 작성장치 및 예측식 작성방법 | |
| CN110321658B (zh) | 一种板材性能的预测方法及装置 | |
| Zain et al. | Optimization of process parameters in the abrasive waterjet machining using integrated SA–GA | |
| JP4613751B2 (ja) | 製造条件計算方法、品質調整方法、鉄鋼製造方法、製造条件計算装置、品質調整システム、及びコンピュータプログラム | |
| CN111191822A (zh) | 钢材的参数预测方法及终端设备 | |
| JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
| CN110991495B (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
| JP2012081518A (ja) | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 | |
| CN116522806B (zh) | 抛光工艺参数优化方法、抛光系统、电子设备及存储介质 | |
| WO2020152993A1 (ja) | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 | |
| CN108022004A (zh) | 一种多模型加权组合电力负荷预报的自适应权重训练方法 | |
| 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 | |
| CN112700167A (zh) | 基于差分进化的产品质量指标预测方法 | |
| CN115240778A (zh) | 基于对比学习的合成致死基因搭档的推荐方法、装置、终端及介质 | |
| JP5682131B2 (ja) | 鋼材の材質予測装置 | |
| JP5375507B2 (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
| Jones et al. | Comparison of hot rolled steel mechanical property prediction models using linear multiple regression, non-linear multiple regression and non-linear artificial neural networks | |
| US11053596B2 (en) | Optimization of a sequence of strips to be pickled, on the basis of modelling of a pickling line | |
| Brezocnik et al. | Evolutionary algorithm approaches to modeling of flow stress | |
| Rajkumar et al. | A hybrid algorithm for multi-objective optimization of minimizing makespan and total flow time in permutation flow shop scheduling problems | |
| JP2006309709A (ja) | 結果予測装置、制御装置及び品質設計装置 | |
| Zhang et al. | Multiobjective operation optimization of continuous annealing based on data analytics | |
| Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
| JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム |
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 |