CN116702515A - 一种基于性能分析的镀镍钢带制备优化方法及系统 - Google Patents
一种基于性能分析的镀镍钢带制备优化方法及系统 Download PDFInfo
- Publication number
- CN116702515A CN116702515A CN202310966503.3A CN202310966503A CN116702515A CN 116702515 A CN116702515 A CN 116702515A CN 202310966503 A CN202310966503 A CN 202310966503A CN 116702515 A CN116702515 A CN 116702515A
- Authority
- CN
- China
- Prior art keywords
- performance
- preparation
- node
- nickel
- steel strip
- 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
- 238000002360 preparation method Methods 0.000 title claims abstract description 335
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 240
- 239000010959 steel Substances 0.000 title claims abstract description 240
- 238000004458 analytical method Methods 0.000 title claims abstract description 146
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims abstract description 111
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 65
- 239000000758 substrate Substances 0.000 claims description 40
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 30
- 238000010438 heat treatment Methods 0.000 claims description 27
- 229910052759 nickel Inorganic materials 0.000 claims description 15
- 238000007418 data mining Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007747 plating Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006978 adaptation Effects 0.000 description 10
- 238000005238 degreasing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000002253 acid Substances 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000011149 active material Substances 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002659 electrodeposit Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electroplating Methods And Accessories (AREA)
Abstract
本发明公开了一种基于性能分析的镀镍钢带制备优化方法及系统,涉及数据处理领域,其中,所述方法包括:获得多维制备工艺节点;基于镀镍钢带生产记录和M个性能指标,获得节点控制参数解析模型;基于节点控制参数解析模型对预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案,并对其进行寻优筛选,获得最优目标制备方案;将最优目标制备方案上传至镀镍钢带生产控制模块。解决了现有技术中无法根据特定性能需求适应性地制定相应的镀镍钢带生产方案,导致镀镍钢带的制备精准性不足的技术问题。达到了实现根据特定性能需求适应性地制定相应的镀镍钢带生产方案,提高镀镍钢带的制备精准性等技术效果。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种基于性能分析的镀镍钢带制备优化方法及系统。
背景技术
镀镍钢带已广泛应用于人们的生产生活。例如,在电池工业领域,通过对镀镍钢带进行冲压,获得各种型号的电池钢壳。这些电池钢壳不仅是电池的正极集流体,还是电池活性物质的容器,对于电池的密封、导电具有重要影响。同时,随着镀镍钢带的广泛应用,人们对镀镍钢带的性能需求向着多样化的方向不断发展。研究设计对镀镍钢带进行优化制备的方法,具有重要的现实意义。
现有技术中,存在无法根据特定性能需求适应性地制定相应的镀镍钢带生产方案,导致镀镍钢带的制备精准性不足的技术问题。
发明内容
本申请提供了一种基于性能分析的镀镍钢带制备优化方法及系统。解决了现有技术中无法根据特定性能需求适应性地制定相应的镀镍钢带生产方案,导致镀镍钢带的制备精准性不足的技术问题。达到了实现根据特定性能需求适应性地制定相应的镀镍钢带生产方案,提高镀镍钢带的制备精准性、制备性能适配度,提升镀镍钢带的生产质量的技术效果。
鉴于上述问题,本申请提供了一种基于性能分析的镀镍钢带制备优化方法及系统。
第一方面,本申请提供了一种基于性能分析的镀镍钢带制备优化方法,其中,所述方法应用于一种基于性能分析的镀镍钢带制备优化系统,所述方法包括:基于镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点,其中,所述多维制备工艺节点包括基材预处理节点、电沉积镀镍节点和热处理节点;连接所述镀镍钢带生产控制模块,获得镀镍钢带生产记录;基于大数据,获得镀镍钢带的M个性能指标,其中,M为大于1的正整数;基于所述镀镍钢带生产记录和所述M个性能指标,对所述多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;基于所述M个性能指标,获得预设目标钢带性能数据;基于所述节点控制参数解析模型对所述预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;基于所述多个目标制备方案进行寻优筛选,获得最优目标制备方案;将所述最优目标制备方案上传至所述镀镍钢带生产控制模块,所述镀镍钢带生产控制模块按照所述最优目标制备方案进行镀镍钢带制备优化。
第二方面,本申请还提供了一种基于性能分析的镀镍钢带制备优化系统,其中,所述系统包括:节点提取模块,所述节点提取模块用于基于镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点,其中,所述多维制备工艺节点包括基材预处理节点、电沉积镀镍节点和热处理节点;生产记录获得模块,所述生产记录获得模块用于连接所述镀镍钢带生产控制模块,获得镀镍钢带生产记录;性能指标获得模块,所述性能指标获得模块用于基于大数据,获得镀镍钢带的M个性能指标,其中,M为大于1的正整数;数据挖掘模块,所述数据挖掘模块用于基于所述镀镍钢带生产记录和所述M个性能指标,对所述多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;预设目标获得模块,所述预设目标获得模块用于基于所述M个性能指标,获得预设目标钢带性能数据;制备参数匹配模块,所述制备参数匹配模块用于基于所述节点控制参数解析模型对所述预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;寻优筛选模块,所述寻优筛选模块用于基于所述多个目标制备方案进行寻优筛选,获得最优目标制备方案;制备优化模块,所述制备优化模块用于将所述最优目标制备方案上传至所述镀镍钢带生产控制模块,所述镀镍钢带生产控制模块按照所述最优目标制备方案进行镀镍钢带制备优化。
第三方面,本申请还提供了一种电子设备,包括:存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现本申请提供的一种基于性能分析的镀镍钢带制备优化方法。
第四方面,本申请还提供了一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请提供的一种基于性能分析的镀镍钢带制备优化方法。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过对镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点;通过镀镍钢带生产记录和M个性能指标,对多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;通过节点控制参数解析模型对预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;通过对多个目标制备方案进行寻优筛选,获得最优目标制备方案;将最优目标制备方案上传至镀镍钢带生产控制模块,镀镍钢带生产控制模块按照最优目标制备方案进行镀镍钢带制备优化。达到了实现根据特定性能需求适应性地制定相应的镀镍钢带生产方案,提高镀镍钢带的制备精准性、制备性能适配度,提升镀镍钢带的生产质量的技术效果。
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
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种基于性能分析的镀镍钢带制备优化方法的流程示意图;
图2为本申请一种基于性能分析的镀镍钢带制备优化方法中获得第一性能支持度的流程示意图;
图3为本申请一种基于性能分析的镀镍钢带制备优化系统的结构示意图;
图4为本申请示例性电子设备的结构示意图。
附图标记说明:节点提取模块11,生产记录获得模块12,性能指标获得模块13,数据挖掘模块14,预设目标获得模块15,制备参数匹配模块16,寻优筛选模块17,制备优化模块18,处理器31,存储器32,输入装置33,输出装置34。
具体实施方式
本申请通过提供一种基于性能分析的镀镍钢带制备优化方法及系统。解决了现有技术中无法根据特定性能需求适应性地制定相应的镀镍钢带生产方案,导致镀镍钢带的制备精准性不足的技术问题。达到了实现根据特定性能需求适应性地制定相应的镀镍钢带生产方案,提高镀镍钢带的制备精准性、制备性能适配度,提升镀镍钢带的生产质量的技术效果。
实施例一
请参阅附图1,本申请提供一种基于性能分析的镀镍钢带制备优化方法,其中,所述方法应用于一种基于性能分析的镀镍钢带制备优化系统,所述系统包括镀镍钢带生产控制模块,所述方法具体包括如下步骤:
步骤S100:基于镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点,其中,所述多维制备工艺节点包括基材预处理节点、电沉积镀镍节点和热处理节点;
步骤S200:连接所述镀镍钢带生产控制模块,获得镀镍钢带生产记录;
步骤S300:基于大数据,获得镀镍钢带的M个性能指标,其中,M为大于1的正整数;
具体而言,基于大数据,对镀镍钢带的工艺信息、性能信息进行采集,获得镀镍钢带制备工艺信息、镀镍钢带的M个性能指标。进而,通过对镀镍钢带制备工艺信息进行节点提取,获得镀镍钢带的多维制备工艺节点。连接镀镍钢带生产控制模块,获得镀镍钢带生产记录。其中,镀镍钢带制备工艺信息包括镀镍钢带的多维制备工艺节点。镀镍钢带的多维制备工艺节点包括基材预处理节点、电沉积镀镍节点和热处理节点。基材预处理节点是指对钢带进行除油、除锈等清洁处理。电沉积镀镍节点是指将经过清洁处理的钢带在镍电镀液中进行电沉积镀镍。热处理节点是指将经过电沉积镀镍后的钢带进行水洗烘干之后,将其置于真空退火炉中,然后随炉冷却。所述镀镍钢带生产记录包括多个历史镀镍钢带对应的多个历史生产控制参数。所述镀镍钢带的M个性能指标包括镀镍钢带的抗氧化性、抗腐蚀性、柔韧性等多个性能指标。M为大于1的正整数。达到了确定镀镍钢带的多维制备工艺节点、M个性能指标,以及镀镍钢带生产记录,为后续对镀镍钢带进行优化制备奠定基础的技术效果。
步骤S400:基于所述镀镍钢带生产记录和所述M个性能指标,对所述多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;
进一步的,本申请步骤S400还包括:
步骤S410:基于所述镀镍钢带生产记录和所述M个性能指标,对所述基材预处理节点进行制备性能特征分析,获得基材预处理节点-性能特征拓扑层;
进一步的,本申请步骤S410还包括:
步骤S411:根据所述基材预处理节点,获得多个节点制备指标;
步骤S412:基于所述多个节点制备指标,遍历所述镀镍钢带生产记录进行特征提取,获得所述基材预处理节点的多个节点制备因子;
步骤S413:基于所述多个节点制备因子,获得多个基础拓扑端点,并将所述多个基础拓扑端点进行连接,获得节点基础拓扑层;
具体而言,对基材预处理节点进行制备指标查询,获得多个节点制备指标。进一步,基于多个节点制备指标,遍历镀镍钢带生产记录进行特征提取,获得基材预处理节点的多个节点制备因子。继而,将多个节点制备因子设置为多个基础拓扑端点,并将多个基础拓扑端点进行连接,获得节点基础拓扑层。其中,所述多个节点制备指标包括基材预处理节点的钢带尺寸、超声波除油设备类型、超声波除油加热温度、超声波除油加热时间、除油清洁剂成分含量、除锈酸液成分含量、除锈酸液浸泡时间等多个基材预处理指标。每个节点制备因子包括多个节点制备指标对应的多个历史生产控制参数。即,每个节点制备因子包括多个节点制备指标对应的历史钢带尺寸参数、历史超声波除油设备类型参数、历史超声波除油加热温度参数、历史超声波除油加热时间参数、历史除油清洁剂成分含量参数、历史除锈酸液成分含量参数、历史除锈酸液浸泡时间参数等。所述多个基础拓扑端点包括多个节点制备因子。所述节点基础拓扑层包括多个基础拓扑端点。达到了通过多个节点制备指标,遍历镀镍钢带生产记录进行特征提取,构建节点基础拓扑层,为后续对基材预处理节点进行制备性能特征分析提供数据支持的技术效果。
步骤S414:基于所述M个性能指标对所述多个节点制备因子进行性能分析,获得多个因子性能特征信息;
进一步的,本申请步骤S414还包括:
步骤S4141:根据所述M个性能指标,获得多个节点性能影响指标,并将所述多个节点性能影响指标设置为检索目标特征;
步骤S4142:根据所述多个节点制备指标,获得检索约束特征;
步骤S4143:基于所述检索目标特征和所述检索约束特征进行大数据查询,获得节点性能分析记录;
步骤S4144:基于所述节点性能分析记录,训练节点性能分析模型,获取训练损失数据集,其中,所述训练损失数据集为输出准确率不满足预设准确率的节点性能分析记录;
步骤S4145:基于所述训练损失数据集,获得训练损失数据量;
步骤S4146:判断所述训练损失数据量是否小于训练损失数据量阈值;
步骤S4147:当所述训练损失数据量小于所述训练损失数据量阈值时,视为所述节点性能分析模型收敛;
步骤S4148:将所述多个节点制备因子输入所述节点性能分析模型,获得所述多个因子性能特征信息。
步骤S415:基于所述多个因子性能特征信息,对所述节点基础拓扑层进行标识,获得所述基材预处理节点-性能特征拓扑层。
具体而言,将M个性能指标作为基材预处理节点的多个节点性能影响指标,并将多个节点性能影响指标设置为检索目标特征。将多个节点制备指标设置为检索约束特征。基于检索目标特征和检索约束特征进行大数据查询,获得节点性能分析记录。所述节点性能分析记录包括基材预处理节点对应的多组节点性能分析数据。每组节点性能分析数据包括多个节点制备指标对应的多个节点制备指标样本参数,以及多个节点性能影响指标对应的多个节点性能影响指标样本参数。
进一步,基于节点性能分析记录进行不断的自我训练学习,获得节点性能分析模型及训练损失数据集。对训练损失数据集进行数据量统计,获得训练损失数据量。对训练损失数据量是否小于训练损失数据量阈值进行判断,如果训练损失数据量小于训练损失数据量阈值,则,节点性能分析模型收敛。进而,将多个节点制备因子作为输入信息,输入节点性能分析模型,获得多个因子性能特征信息,并根据多个因子性能特征信息对节点基础拓扑层中的多个基础拓扑端点进行标识,生成基材预处理节点-性能特征拓扑层。
其中,所述训练损失数据集包括输出准确率不满足预设准确率的节点性能分析记录。所述预设准确率包括预先设置确定的节点性能分析模型的输出准确率阈值。示例性地,在获得训练损失数据集时,对节点性能分析记录中的多组节点性能分析数据进行随机选取,获得第一训练数据和第一期望输出数据。第一训练数据可以为任意一组节点性能分析数据中的多个节点制备指标样本参数。第一期望输出数据包括第一训练数据对应的多个节点性能影响指标样本参数。将第一训练数据输入节点性能分析模型,获得第一训练输出数据。对第一期望输出数据、第一训练输出数据进行关联性评估,获得输出准确率。如果输出准确率不满足预设准确率,则将输出准确率对应的多个节点制备指标样本参数、多个节点性能影响指标样本参数添加至训练损失数据集。所述训练损失数据量包括训练损失数据集对应的数据量信息。所述训练损失数据量阈值包括预先设置确定的训练损失数据集的数据量阈值信息。所述节点性能分析模型包括输入层、隐含层、输出层。所述节点性能分析模型具备对输入的多个节点制备因子进行智能分析及性能标识的功能。每个因子性能特征信息包括每个节点制备因子对应的M个性能指标参数。所述基材预处理节点-性能特征拓扑层包括多个基础拓扑端点,且,多个基础拓扑端点都具有对应标识的多个因子性能特征信息。达到了通过对基材预处理节点进行制备性能特征分析,构建基材预处理节点-性能特征拓扑层,从而提高根据性能需求制定镀镍钢带生产方案的适配度的技术效果。
进一步的,本申请步骤S4146还包括:
步骤S41461:当所述训练损失数据量不小于所述训练损失数据量阈值时,基于所述训练损失数据集,对所述节点性能分析模型进行增量学习,获得优化节点性能分析模型;
步骤S41462:基于所述优化节点性能分析模型,对所述多个节点制备因子进行性能分析,获得多个因子性能特征信息。
具体而言,在对训练损失数据量是否小于训练损失数据量阈值进行判断时,如果训练损失数据量不小于训练损失数据量阈值,则,根据训练损失数据集对节点性能分析模型进行增量学习,获得优化节点性能分析模型。将多个节点制备因子输入优化节点性能分析模型,通过优化节点性能分析模型对多个节点制备因子进行性能分析,获得多个因子性能特征信息。其中,增量学习是指一个学习系统能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。节点性能分析模型是多个神经元相互连接组成的神经网络,因此,通过训练损失数据集的训练使得优化节点性能分析模型保留了节点性能分析模型的基本功能,并维持模型不断更新的性能,从而提高了对多个节点制备因子进行性能分析的准确性。
步骤S420:基于所述镀镍钢带生产记录和所述M个性能指标,对所述电沉积镀镍节点进行制备性能特征分析,获得电沉积镀镍节点-性能特征拓扑层;
步骤S430:基于所述镀镍钢带生产记录和所述M个性能指标,对所述热处理节点进行制备性能特征分析,获得热处理节点-性能特征拓扑层;
步骤S440:基于所述基材预处理节点-性能特征拓扑层、所述电沉积镀镍节点-性能特征拓扑层和所述热处理节点-性能特征拓扑层,获得所述节点控制参数解析模型。
具体而言,基于镀镍钢带生产记录和M个性能指标,分别对电沉积镀镍节点、热处理节点进行制备性能特征分析,获得电沉积镀镍节点-性能特征拓扑层、热处理节点-性能特征拓扑层。继而,将基材预处理节点-性能特征拓扑层、电沉积镀镍节点-性能特征拓扑层和热处理节点-性能特征拓扑层进行连接,得到节点控制参数解析模型。其中,所述节点控制参数解析模型包括基材预处理节点-性能特征拓扑层、电沉积镀镍节点-性能特征拓扑层和热处理节点-性能特征拓扑层。电沉积镀镍节点-性能特征拓扑层、热处理节点-性能特征拓扑层与基材预处理节点-性能特征拓扑层的构建方式相同,为了说明书的简洁,在此不再赘述。达到了通过镀镍钢带生产记录和M个性能指标,对多维制备工艺节点进行制备性能特征分析,构建全面的节点控制参数解析模型,从而提高根据性能需求制定镀镍钢带生产方案的精准性、适配度的技术效果。
步骤S500:基于所述M个性能指标,获得预设目标钢带性能数据;
步骤S600:基于所述节点控制参数解析模型对所述预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;
具体而言,基于M个性能指标,获得预设目标钢带性能数据。将预设目标钢带性能数据输入节点控制参数解析模型,通过节点控制参数解析模型对预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案。其中,所述预设目标钢带性能数据包括预先设置确定的M个性能指标对应的抗氧化性需求参数、抗腐蚀性需求参数、柔韧性需求参数等多个性能指标需求参数。每个目标制备方案包括预设目标钢带性能数据对应的多个基材预处理节点制备参数、多个电沉积镀镍节点制备参数和多个热处理节点制备参数。达到了通过节点控制参数解析模型对预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案,实现根据特定性能需求适应性地制定相应的镀镍钢带生产方案,提高镀镍钢带的制备性能适配度的技术效果。
步骤S700:基于所述多个目标制备方案进行寻优筛选,获得最优目标制备方案;
进一步的,本申请步骤S700还包括:
步骤S710:根据所述多个目标制备方案,获得第一目标制备方案;
步骤S720:基于所述预设目标钢带性能数据,对所述第一目标制备方案进行性能支持度分析,获得第一性能支持度;
进一步的,如附图2所示,本申请步骤S720还包括:
步骤S721:连接数字化仿真平台,通过所述数字化仿真平台对所述第一目标制备方案进行多次模拟生产,获得多个仿真制备钢带,且,每个仿真制备钢带具备性能标识数据;
步骤S722:基于所述预设目标钢带性能数据,对所述多个仿真制备钢带进行性能比对,获得多个性能契合指数;
步骤S723:基于所述多个性能契合指数进行均值计算,获得所述第一性能支持度。
具体而言,对多个目标制备方案进行随机选择,获得第一目标制备方案。所述第一目标制备方案为多个目标制备方案中的任意一个目标制备方案。进一步,本申请中的一种基于性能分析的镀镍钢带制备优化系统与数字化仿真平台通信连接,将第一目标制备方案上传至数字化仿真平台,通过数字化仿真平台对第一目标制备方案进行多次模拟生产,获得多个仿真制备钢带。所述数字化仿真平台可以为现有技术中的AnyLogic Cloud等云计算仿真软件。所述数字化仿真平台具备按照第一目标制备方案进行钢带仿真生产、钢带性能标识的功能。所述多个仿真制备钢带包括通过数字化仿真平台对第一目标制备方案进行多次仿真生产,获得的多个仿真镀镍钢带。且,每个仿真制备钢带具备性能标识数据。性能标识数据包括每个仿真制备钢带对应的抗氧化性参数、抗腐蚀性参数、柔韧性参数等多个性能指标参数。进而,基于预设目标钢带性能数据,对多个仿真制备钢带进行性能比对,获得多个性能契合指数,并对多个性能契合指数进行均值计算,生成第一性能支持度。多个性能契合指数是用于表征多个仿真制备钢带的多个性能标识数据与预设目标钢带性能数据之间的一致性的参数信息。仿真制备钢带的性能标识数据与预设目标钢带性能数据之间的一致性越高,则,对应的性能契合指数越大。所述第一性能支持度包括多个性能契合指数的平均值。达到了通过数字化仿真平台对第一目标制备方案进行多次模拟生产,获得多个仿真制备钢带,并对多个仿真制备钢带进行性能支持度分析,获得准确的第一性能支持度,从而提高对多个目标制备方案进行寻优筛选的可靠性、准确度的技术效果。
步骤S730:获得第二目标制备方案,并基于所述第二目标制备方案进行性能支持度分析,获得第二性能支持度;
步骤S740:判断所述第一性能支持度是否小于所述第二性能支持度;
步骤S750:若所述第一性能支持度不小于所述第二性能支持度,将所述第一目标制备方案设置为当前最优制备方案,将所述第二目标制备方案添加至淘汰方案组;
步骤S760:若所述第一性能支持度小于所述第二性能支持度,将所述第二目标制备方案设置为所述当前最优制备方案,将所述第一目标制备方案添加至所述淘汰方案组;
步骤S770:基于所述当前最优制备方案进行迭代寻优,直至满足迭代寻优约束条件后,将满足迭代寻优约束条件的当前最优制备方案输出为所述最优目标制备方案。
步骤S800:将所述最优目标制备方案上传至所述镀镍钢带生产控制模块,所述镀镍钢带生产控制模块按照所述最优目标制备方案进行镀镍钢带制备优化。
具体而言,再次对多个目标制备方案进行随机选择,获得第二目标制备方案,并对第二目标制备方案进行性能支持度分析,获得第二性能支持度。所述第二目标制备方案为多个目标制备方案中,与第一目标制备方案不同的任意一个目标制备方案。第二性能支持度与第一性能支持度的获得方式相同,为了说明书的简洁,在此不再赘述。
进一步,对第一性能支持度是否小于第二性能支持度进行判断。如果第一性能支持度不小于第二性能支持度,则,将第一目标制备方案设置为当前最优制备方案,将第二目标制备方案添加至淘汰方案组。如果第一性能支持度小于第二性能支持度,则,将第二目标制备方案设置为当前最优制备方案,将第一目标制备方案添加至淘汰方案组。且,淘汰方案组中的数据信息不参与后续的迭代寻优。继而,迭代寻优约束条件包括预先设置确定的迭代寻优次数阈值。基于当前最优制备方案继续进行迭代寻优,直至当前最优制备方案的迭代寻优次数满足迭代寻优约束条件后,将满足迭代寻优约束条件的当前最优制备方案输出为最优目标制备方案。即,所述最优目标制备方案包括满足迭代寻优约束条件的迭代寻优次数对应的当前最优制备方案。进而,将最优目标制备方案上传至镀镍钢带生产控制模块,镀镍钢带生产控制模块按照最优目标制备方案进行镀镍钢带制备优化。达到了通过对多个目标制备方案进行寻优筛选,获得可靠的最优目标制备方案,提高根据特定性能需求制定镀镍钢带生产方案的适配度、精确度,提高镀镍钢带的生产质量的技术效果。
综上所述,本申请所提供的一种基于性能分析的镀镍钢带制备优化方法具有如下技术效果:
1.通过对镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点;通过镀镍钢带生产记录和M个性能指标,对多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;通过节点控制参数解析模型对预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;通过对多个目标制备方案进行寻优筛选,获得最优目标制备方案;将最优目标制备方案上传至镀镍钢带生产控制模块,镀镍钢带生产控制模块按照最优目标制备方案进行镀镍钢带制备优化。达到了实现根据特定性能需求适应性地制定相应的镀镍钢带生产方案,提高镀镍钢带的制备精准性、制备性能适配度,提升镀镍钢带的生产质量的技术效果。
2.通过镀镍钢带生产记录和M个性能指标,对多维制备工艺节点进行制备性能特征分析,构建全面的节点控制参数解析模型,从而提高根据性能需求制定镀镍钢带生产方案的精准性、适配度。
3.通过数字化仿真平台对第一目标制备方案进行多次模拟生产,获得多个仿真制备钢带,并对多个仿真制备钢带进行性能支持度分析,获得准确的第一性能支持度,从而提高对多个目标制备方案进行寻优筛选的可靠性、准确度。
实施例二
基于与前述实施例中一种基于性能分析的镀镍钢带制备优化方法,同样发明构思,本发明还提供了一种基于性能分析的镀镍钢带制备优化系统,所述系统包括镀镍钢带生产控制模块,请参阅附图3,所述系统还包括:
节点提取模块11,所述节点提取模块11用于基于镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点,其中,所述多维制备工艺节点包括基材预处理节点、电沉积镀镍节点和热处理节点;
生产记录获得模块12,所述生产记录获得模块12用于连接所述镀镍钢带生产控制模块,获得镀镍钢带生产记录;
性能指标获得模块13,所述性能指标获得模块13用于基于大数据,获得镀镍钢带的M个性能指标,其中,M为大于1的正整数;
数据挖掘模块14,所述数据挖掘模块14用于基于所述镀镍钢带生产记录和所述M个性能指标,对所述多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;
预设目标获得模块15,所述预设目标获得模块15用于基于所述M个性能指标,获得预设目标钢带性能数据;
制备参数匹配模块16,所述制备参数匹配模块16用于基于所述节点控制参数解析模型对所述预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;
寻优筛选模块17,所述寻优筛选模块17用于基于所述多个目标制备方案进行寻优筛选,获得最优目标制备方案;
制备优化模块18,所述制备优化模块18用于将所述最优目标制备方案上传至所述镀镍钢带生产控制模块,所述镀镍钢带生产控制模块按照所述最优目标制备方案进行镀镍钢带制备优化。
进一步的,所述系统还包括:
第一执行模块,所述第一执行模块用于基于所述镀镍钢带生产记录和所述M个性能指标,对所述基材预处理节点进行制备性能特征分析,获得基材预处理节点-性能特征拓扑层;
第二执行模块,所述第二执行模块用于基于所述镀镍钢带生产记录和所述M个性能指标,对所述电沉积镀镍节点进行制备性能特征分析,获得电沉积镀镍节点-性能特征拓扑层;
第三执行模块,所述第三执行模块用于基于所述镀镍钢带生产记录和所述M个性能指标,对所述热处理节点进行制备性能特征分析,获得热处理节点-性能特征拓扑层;
第四执行模块,所述第四执行模块用于基于所述基材预处理节点-性能特征拓扑层、所述电沉积镀镍节点-性能特征拓扑层和所述热处理节点-性能特征拓扑层,获得所述节点控制参数解析模型。
进一步的,所述系统还包括:
节点制备指标获得模块,所述节点制备指标获得模块用于根据所述基材预处理节点,获得多个节点制备指标;
因子特征提取模块,所述因子特征提取模块用于基于所述多个节点制备指标,遍历所述镀镍钢带生产记录进行特征提取,获得所述基材预处理节点的多个节点制备因子;
端点连接模块,所述端点连接模块用于基于所述多个节点制备因子,获得多个基础拓扑端点,并将所述多个基础拓扑端点进行连接,获得节点基础拓扑层;
第五执行模块,所述第五执行模块用于基于所述M个性能指标对所述多个节点制备因子进行性能分析,获得多个因子性能特征信息;
性能标识模块,所述性能标识模块用于基于所述多个因子性能特征信息,对所述节点基础拓扑层进行标识,获得所述基材预处理节点-性能特征拓扑层。
进一步的,所述系统还包括:
检索目标特征确定模块,所述检索目标特征确定模块用于根据所述M个性能指标,获得多个节点性能影响指标,并将所述多个节点性能影响指标设置为检索目标特征;
检索约束特征确定模块,所述检索约束特征确定模块用于根据所述多个节点制备指标,获得检索约束特征;
节点性能分析记录确定模块,所述节点性能分析记录确定模块用于基于所述检索目标特征和所述检索约束特征进行大数据查询,获得节点性能分析记录;
训练模块,所述训练模块用于基于所述节点性能分析记录,训练节点性能分析模型,获取训练损失数据集,其中,所述训练损失数据集为输出准确率不满足预设准确率的节点性能分析记录;
数据量获得模块,所述数据量获得模块用于基于所述训练损失数据集,获得训练损失数据量;
判断模块,所述判断模块用于判断所述训练损失数据量是否小于训练损失数据量阈值;
第六执行模块,所述第六执行模块用于当所述训练损失数据量小于所述训练损失数据量阈值时,视为所述节点性能分析模型收敛;
第七执行模块,所述第七执行模块用于将所述多个节点制备因子输入所述节点性能分析模型,获得所述多个因子性能特征信息。
进一步的,所述系统还包括:
增量学习模块,所述增量学习模块用于当所述训练损失数据量不小于所述训练损失数据量阈值时,基于所述训练损失数据集,对所述节点性能分析模型进行增量学习,获得优化节点性能分析模型;
第八执行模块,所述第八执行模块用于基于所述优化节点性能分析模型,对所述多个节点制备因子进行性能分析,获得多个因子性能特征信息。
进一步的,所述系统还包括:
第一目标制备方案获得模块,所述第一目标制备方案获得模块用于根据所述多个目标制备方案,获得第一目标制备方案;
第一性能支持度获得模块,所述第一性能支持度获得模块用于基于所述预设目标钢带性能数据,对所述第一目标制备方案进行性能支持度分析,获得第一性能支持度;
第二性能支持度获得模块,所述第二性能支持度获得模块用于获得第二目标制备方案,并基于所述第二目标制备方案进行性能支持度分析,获得第二性能支持度;
支持度判断模块,所述支持度判断模块用于判断所述第一性能支持度是否小于所述第二性能支持度;
第九执行模块,所述第九执行模块用于若所述第一性能支持度不小于所述第二性能支持度,将所述第一目标制备方案设置为当前最优制备方案,将所述第二目标制备方案添加至淘汰方案组;
第十执行模块,所述第十执行模块用于若所述第一性能支持度小于所述第二性能支持度,将所述第二目标制备方案设置为所述当前最优制备方案,将所述第一目标制备方案添加至所述淘汰方案组;
迭代寻优模块,所述迭代寻优模块用于基于所述当前最优制备方案进行迭代寻优,直至满足迭代寻优约束条件后,将满足迭代寻优约束条件的当前最优制备方案输出为所述最优目标制备方案。
进一步的,所述系统还包括:
模拟生产模块,所述模拟生产模块用于连接数字化仿真平台,通过所述数字化仿真平台对所述第一目标制备方案进行多次模拟生产,获得多个仿真制备钢带,且,每个仿真制备钢带具备性能标识数据;
性能契合指数获得模块,所述性能契合指数获得模块用于基于所述预设目标钢带性能数据,对所述多个仿真制备钢带进行性能比对,获得多个性能契合指数;
均值计算模块,所述均值计算模块用于基于所述多个性能契合指数进行均值计算,获得所述第一性能支持度。
本发明实施例所提供的一种基于性能分析的镀镍钢带制备优化系统可执行本发明任意实施例所提供的一种基于性能分析的镀镍钢带制备优化方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图4为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图4所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图4中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种基于性能分析的镀镍钢带制备优化方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述一种基于性能分析的镀镍钢带制备优化方法。
本申请提供了一种基于性能分析的镀镍钢带制备优化方法,其中,所述方法应用于一种基于性能分析的镀镍钢带制备优化系统,所述方法包括:通过对镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点;通过镀镍钢带生产记录和M个性能指标,对多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;通过节点控制参数解析模型对预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;通过对多个目标制备方案进行寻优筛选,获得最优目标制备方案;将最优目标制备方案上传至镀镍钢带生产控制模块,镀镍钢带生产控制模块按照最优目标制备方案进行镀镍钢带制备优化。解决了现有技术中无法根据特定性能需求适应性地制定相应的镀镍钢带生产方案,导致镀镍钢带的制备精准性不足的技术问题。达到了实现根据特定性能需求适应性地制定相应的镀镍钢带生产方案,提高镀镍钢带的制备精准性、制备性能适配度,提升镀镍钢带的生产质量的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于性能分析的镀镍钢带制备优化方法,其特征在于,所述方法应用于一种基于性能分析的镀镍钢带制备优化系统,所述系统包括镀镍钢带生产控制模块,所述方法包括:
基于镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点,其中,所述多维制备工艺节点包括基材预处理节点、电沉积镀镍节点和热处理节点;
连接所述镀镍钢带生产控制模块,获得镀镍钢带生产记录;
基于大数据,获得镀镍钢带的M个性能指标,其中,M为大于1的正整数;
基于所述镀镍钢带生产记录和所述M个性能指标,对所述多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;
基于所述M个性能指标,获得预设目标钢带性能数据;
基于所述节点控制参数解析模型对所述预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;
基于所述多个目标制备方案进行寻优筛选,获得最优目标制备方案;
将所述最优目标制备方案上传至所述镀镍钢带生产控制模块,所述镀镍钢带生产控制模块按照所述最优目标制备方案进行镀镍钢带制备优化。
2.如权利要求1所述的方法,其特征在于,基于所述镀镍钢带生产记录和所述M个性能指标,对所述多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型,包括:
基于所述镀镍钢带生产记录和所述M个性能指标,对所述基材预处理节点进行制备性能特征分析,获得基材预处理节点-性能特征拓扑层;
基于所述镀镍钢带生产记录和所述M个性能指标,对所述电沉积镀镍节点进行制备性能特征分析,获得电沉积镀镍节点-性能特征拓扑层;
基于所述镀镍钢带生产记录和所述M个性能指标,对所述热处理节点进行制备性能特征分析,获得热处理节点-性能特征拓扑层;
基于所述基材预处理节点-性能特征拓扑层、所述电沉积镀镍节点-性能特征拓扑层和所述热处理节点-性能特征拓扑层,获得所述节点控制参数解析模型。
3.如权利要求2所述的方法,其特征在于,基于所述镀镍钢带生产记录和所述M个性能指标,对所述基材预处理节点进行制备性能特征分析,获得基材预处理节点-性能特征拓扑层,包括:
根据所述基材预处理节点,获得多个节点制备指标;
基于所述多个节点制备指标,遍历所述镀镍钢带生产记录进行特征提取,获得所述基材预处理节点的多个节点制备因子;
基于所述多个节点制备因子,获得多个基础拓扑端点,并将所述多个基础拓扑端点进行连接,获得节点基础拓扑层;
基于所述M个性能指标对所述多个节点制备因子进行性能分析,获得多个因子性能特征信息;
基于所述多个因子性能特征信息,对所述节点基础拓扑层进行标识,获得所述基材预处理节点-性能特征拓扑层。
4.如权利要求3所述的方法,其特征在于,基于所述M个性能指标对所述多个节点制备因子进行性能分析,获得多个因子性能特征信息,包括:
根据所述M个性能指标,获得多个节点性能影响指标,并将所述多个节点性能影响指标设置为检索目标特征;
根据所述多个节点制备指标,获得检索约束特征;
基于所述检索目标特征和所述检索约束特征进行大数据查询,获得节点性能分析记录;
基于所述节点性能分析记录,训练节点性能分析模型,获取训练损失数据集,其中,所述训练损失数据集为输出准确率不满足预设准确率的节点性能分析记录;
基于所述训练损失数据集,获得训练损失数据量;
判断所述训练损失数据量是否小于训练损失数据量阈值;
当所述训练损失数据量小于所述训练损失数据量阈值时,视为所述节点性能分析模型收敛;
将所述多个节点制备因子输入所述节点性能分析模型,获得所述多个因子性能特征信息。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
当所述训练损失数据量不小于所述训练损失数据量阈值时,基于所述训练损失数据集,对所述节点性能分析模型进行增量学习,获得优化节点性能分析模型;
基于所述优化节点性能分析模型,对所述多个节点制备因子进行性能分析,获得多个因子性能特征信息。
6.如权利要求1所述的方法,其特征在于,基于所述多个目标制备方案进行寻优筛选,获得最优目标制备方案,包括:
根据所述多个目标制备方案,获得第一目标制备方案;
基于所述预设目标钢带性能数据,对所述第一目标制备方案进行性能支持度分析,获得第一性能支持度;
获得第二目标制备方案,并基于所述第二目标制备方案进行性能支持度分析,获得第二性能支持度;
判断所述第一性能支持度是否小于所述第二性能支持度;
若所述第一性能支持度不小于所述第二性能支持度,将所述第一目标制备方案设置为当前最优制备方案,将所述第二目标制备方案添加至淘汰方案组;
若所述第一性能支持度小于所述第二性能支持度,将所述第二目标制备方案设置为所述当前最优制备方案,将所述第一目标制备方案添加至所述淘汰方案组;
基于所述当前最优制备方案进行迭代寻优,直至满足迭代寻优约束条件后,将满足迭代寻优约束条件的当前最优制备方案输出为所述最优目标制备方案。
7.如权利要求6所述的方法,其特征在于,基于所述预设目标钢带性能数据,对所述第一目标制备方案进行性能支持度分析,获得第一性能支持度,包括:
连接数字化仿真平台,通过所述数字化仿真平台对所述第一目标制备方案进行多次模拟生产,获得多个仿真制备钢带,且,每个仿真制备钢带具备性能标识数据;
基于所述预设目标钢带性能数据,对所述多个仿真制备钢带进行性能比对,获得多个性能契合指数;
基于所述多个性能契合指数进行均值计算,获得所述第一性能支持度。
8.一种基于性能分析的镀镍钢带制备优化系统,其特征在于,所述系统包括镀镍钢带生产控制模块,所述系统还包括:
节点提取模块,所述节点提取模块用于基于镀镍钢带制备工艺信息进行节点提取,获得多维制备工艺节点,其中,所述多维制备工艺节点包括基材预处理节点、电沉积镀镍节点和热处理节点;
生产记录获得模块,所述生产记录获得模块用于连接所述镀镍钢带生产控制模块,获得镀镍钢带生产记录;
性能指标获得模块,所述性能指标获得模块用于基于大数据,获得镀镍钢带的M个性能指标,其中,M为大于1的正整数;
数据挖掘模块,所述数据挖掘模块用于基于所述镀镍钢带生产记录和所述M个性能指标,对所述多维制备工艺节点进行数据挖掘,获得节点控制参数解析模型;
预设目标获得模块,所述预设目标获得模块用于基于所述M个性能指标,获得预设目标钢带性能数据;
制备参数匹配模块,所述制备参数匹配模块用于基于所述节点控制参数解析模型对所述预设目标钢带性能数据进行制备参数匹配,获得多个目标制备方案;
寻优筛选模块,所述寻优筛选模块用于基于所述多个目标制备方案进行寻优筛选,获得最优目标制备方案;
制备优化模块,所述制备优化模块用于将所述最优目标制备方案上传至所述镀镍钢带生产控制模块,所述镀镍钢带生产控制模块按照所述最优目标制备方案进行镀镍钢带制备优化。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至7任一项所述的一种基于性能分析的镀镍钢带制备优化方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的一种基于性能分析的镀镍钢带制备优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966503.3A CN116702515B (zh) | 2023-08-03 | 2023-08-03 | 一种基于性能分析的镀镍钢带制备优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966503.3A CN116702515B (zh) | 2023-08-03 | 2023-08-03 | 一种基于性能分析的镀镍钢带制备优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702515A true CN116702515A (zh) | 2023-09-05 |
CN116702515B CN116702515B (zh) | 2023-11-17 |
Family
ID=87841794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310966503.3A Active CN116702515B (zh) | 2023-08-03 | 2023-08-03 | 一种基于性能分析的镀镍钢带制备优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702515B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055513A (zh) * | 2023-10-10 | 2023-11-14 | 张家港市卓华金属科技有限公司 | 基于人工智能的设备自动化控制方法及装置 |
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 |
CN117291477A (zh) * | 2023-11-27 | 2023-12-26 | 沈阳华钛实业有限公司 | 一种金属热加工质量控制方法及系统 |
CN117408572A (zh) * | 2023-12-13 | 2024-01-16 | 南通纳科达聚氨酯科技有限公司 | 力致变色弹性薄膜的制备优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091800A (zh) * | 2021-07-09 | 2022-02-25 | 宝山钢铁股份有限公司 | 硅钢产品生产方案的智能设计评估方法 |
CN114757660A (zh) * | 2022-06-10 | 2022-07-15 | 苏州翔楼新材料股份有限公司 | 一种基于应用分析的冷轧钢带制备方法及系统 |
CN115840431A (zh) * | 2023-02-27 | 2023-03-24 | 一夫科技股份有限公司 | 一种ⅱ型无水石膏的生产控制方法及系统 |
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 |
-
2023
- 2023-08-03 CN CN202310966503.3A patent/CN116702515B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091800A (zh) * | 2021-07-09 | 2022-02-25 | 宝山钢铁股份有限公司 | 硅钢产品生产方案的智能设计评估方法 |
CN114757660A (zh) * | 2022-06-10 | 2022-07-15 | 苏州翔楼新材料股份有限公司 | 一种基于应用分析的冷轧钢带制备方法及系统 |
CN115840431A (zh) * | 2023-02-27 | 2023-03-24 | 一夫科技股份有限公司 | 一种ⅱ型无水石膏的生产控制方法及系统 |
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 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055513A (zh) * | 2023-10-10 | 2023-11-14 | 张家港市卓华金属科技有限公司 | 基于人工智能的设备自动化控制方法及装置 |
CN117055513B (zh) * | 2023-10-10 | 2024-04-26 | 张家港市卓华金属科技有限公司 | 基于人工智能的设备自动化控制方法及装置 |
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 |
CN117291477A (zh) * | 2023-11-27 | 2023-12-26 | 沈阳华钛实业有限公司 | 一种金属热加工质量控制方法及系统 |
CN117291477B (zh) * | 2023-11-27 | 2024-01-30 | 沈阳华钛实业有限公司 | 一种金属热加工质量控制方法及系统 |
CN117408572A (zh) * | 2023-12-13 | 2024-01-16 | 南通纳科达聚氨酯科技有限公司 | 力致变色弹性薄膜的制备优化方法及系统 |
CN117408572B (zh) * | 2023-12-13 | 2024-04-19 | 南通纳科达聚氨酯科技有限公司 | 力致变色弹性薄膜的制备优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116702515B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116702515B (zh) | 一种基于性能分析的镀镍钢带制备优化方法及系统 | |
CN110825579B (zh) | 服务器性能监控方法、装置、计算机设备及存储介质 | |
CN111401460B (zh) | 一种基于限值学习的异常电量数据辨识方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
Cao et al. | Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
CN116780781B (zh) | 智能电网接入的功率管理方法 | |
CN114359674A (zh) | 基于度量学习的非侵入式负荷识别方法 | |
CN113515512A (zh) | 一种工业互联网平台数据的质量治理及提升方法 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN112287980A (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
CN110909786A (zh) | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN109656887A (zh) | 一种海量高铁轴温数据的分布式时间序列模式检索方法 | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN114386535B (zh) | 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 | |
CN105373583A (zh) | 基于数据压缩的支撑向量机建模方法 | |
CN115130620A (zh) | 一种电力设备用电模式识别模型生成方法及装置 | |
CN115169721A (zh) | 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统 |
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 |