CN116738231A - 一种连铸质量判定离线数据分析系统 - Google Patents

一种连铸质量判定离线数据分析系统 Download PDF

Info

Publication number
CN116738231A
CN116738231A CN202310701418.4A CN202310701418A CN116738231A CN 116738231 A CN116738231 A CN 116738231A CN 202310701418 A CN202310701418 A CN 202310701418A CN 116738231 A CN116738231 A CN 116738231A
Authority
CN
China
Prior art keywords
data
module
model
continuous casting
mechanism model
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
Application number
CN202310701418.4A
Other languages
English (en)
Inventor
余炯
包忞立
董武军
李磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huayuan Computing Technology Shanghai Co ltd
Original Assignee
Huayuan Computing Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huayuan Computing Technology Shanghai Co ltd filed Critical Huayuan Computing Technology Shanghai Co ltd
Priority to CN202310701418.4A priority Critical patent/CN116738231A/zh
Publication of CN116738231A publication Critical patent/CN116738231A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Continuous Casting (AREA)

Abstract

本发明公开了一种连铸质量判定离线数据分析系统，包括离线数据分析模块和离线数据验证模块；离线数据分析模块包括用于采集连铸工艺中的各种数据的数据采集模块、用于基于设定规则对数据进行标签标注的数据预处理模块、用于对已经标注的数据进行分类，并获取数据特征的特征提取模块、用于根据机理模型的方式对连铸工艺不同阶段进行模型搭建，获得机理模型的机理模型模块和用于将数据特征输入至对应的机理模型进行训练的模型训练模块；离线数据验证模块，用于将数据对训练完成的机理模型进行验证。本发明能全方位的进行连铸质量数据采集和分析，同时进行相应的质量判定。

Description

一种连铸质量判定离线数据分析系统
技术领域
本发明涉及连铸质量判定的数据分析技术领域，尤其涉及一种连铸质量判定离线数据分析系统。
背景技术
目前，国内已经申请的专利一部分主要针对连铸质量判定离线分析系统，但是并没有全线离线下的离线分析系统。例如专利201310130078.0，本发明是一种用于连铸坯表面离线检测的试验台，包括：小车运动控制平台、试验台运动平台、移动小车平台和成像系统，其中：小车运动控制平台驱动试验台运动；试验台运动平台，用于固定移动小车并使移动小车可滑动地安装于轨道上；移动小车平台，可移动地安装在试验运动平台上，供放置连铸坯样板和对连铸坯样板调平；成像系统，横跨安装在试验运动平台上并随之同步移动。本发明试验台可使小车推出运动轨道，对连铸坯底部进行水平调整，保证其成像位置满足相机的景深要求，成像系统可沿试验台运动轨道方向移动调整，相机能够在检测样板的全长全宽范围内成像。本发明的试验台运行可靠，使用方便，能够实现厚板低倍离线在线检测。该技术主要使用离线试验台的方式来进行表面离线检测，通过硬件的方式进行检测，无法适用在在线产线环境下的离线数据分析
专利200610117522.5，本发明提供了一种板坯连铸二次冷却及动态轻压下离线仿真系统,主要解决在生产实际中进行动态轻压下参数的调整成本过高的技术问题。仿真系统的计算机内包含有:模拟器内核单元,实现主要浇注条件过程参数的模拟仿真；工艺模型参数设定单元,用于对模型中的工艺及控制参数进行设定；模型计算内核单元,结合模拟浇注条件参数进行工艺模型计算；监控显示单元,主要完成对仿真结果的界面显示；模拟器内核单元和模型计算内核单元通过共享内存实现过程参数数据的交互,模型计算内核单元和监控显示单元通过ETHERNET局域网络交互仿真结果数据,模型计算内核单元和工艺模型参数设定单元通过模型参数数据库实现工艺模型参数的交互。本发明主要用于对板坯连铸二次冷却配水及动态轻压下具体控制过程的模拟仿真。该技术特点是针对连铸二冷配水区域以及动态轻压下区域下的离线仿真，而不适用全线离线下的离线分析系统。
发明内容
针对上述问题中存在的不足之处，本发明提供一种连铸质量判定离线数据分析系统。
为实现上述目的，本发明提供一种连铸质量判定离线数据分析系统，包括离线数据分析模块和离线数据验证模块；
所述离线数据分析模块包括数据采集模块、数据预处理模块、特征提取模块、机理模型模块和模型训练模块；
所述数据采集模块，用于采集连铸工艺中的各种数据；
所述数据预处理模块，用于基于设定规则对所述数据进行标签标注，标签分为正常标签和非正常标签；
所述特征提取模块，用于对已经标注的所述数据进行分类，并获取数据特征；
所述机理模型模块，用于根据机理模型的方式对连铸工艺不同阶段进行模型搭建，获得机理模型；
所述模型训练模块，用于将所述数据特征输入至对应的所述机理模型进行训练；
所述离线数据验证模块，用于将所述数据对训练完成的所述机理模型进行验证。
优选的是，所述数据包括钢包温度、钢包钢水重量、中间包温度、中间包钢水重量、拉速和铸坯缺陷位置。
优选的是，所述数据采集模块通过Kafka的消息中间件模式进行数据通道采集方式。
优选的是，所述数据预处理模块还用于对所述数据进行清洗、去噪和异常值处理。
优选的是，所述机理模型模块中构建的机理模型包括钢包钢水质量变化模型、钢包钢水温度变化模型、中间包钢水质量变化模型、中间包钢水温度变化模型、，凝固稳态机理模型、二冷配水机理模型。
优选的是，所述离线数据分析模块还包括所述相关性系数统计模块，其用于计算所述数据与连铸机质量间的相关性系数，并根据所述相关性系数从所述数据中筛选出目标数据。
优选的是，所述离线数据验证模块验证所述机理模型的准确率、精度、召回率、F1值。
优选的是，所述离线数据验证模块还用于将所述数据对训练完成的所述机理模型进行优化。
优选的是，所述离线数据验证模块优化步骤包括去除对所述机理模型没有贡献的数据特征和调整所述机理模型的参数。
优选的是，调整所述机理模型的参数包括自适应参数调整、增量式参数调整、深度增强学习、面向目标的参数调整和多目标参数调整。
与现有技术相比，本发明的有益效果为：
本发明能全方位的进行连铸质量数据采集和分析，同时进行相应的质量判定。
附图说明
图1是本发明连铸质量判定离线数据分析系统的模块流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
参照图1，本发明提供一种连铸质量判定离线数据分析系统，包括：
离线数据分析模块和离线数据验证模块；
离线数据分析模块包括数据采集模块、数据预处理模块、特征提取模块、机理模型模块、模型训练模块、和相关性系数统计模块；
数据采集模块，用于采集连铸工艺中的各种数据；
具体地，负责采集连铸生产过程中的各种数据，如钢包温度、钢包钢水重量、中间包温度、中间包钢水重量、拉速和铸坯缺陷位置。L1、L2、L3的数据采集方式通过增加摄像头的方式进行采集，通过摄像头方式的采集的方式进行缺陷检测和铸坯形状分析。同时采集过程中采用新的大数据分析技术手段，加入Kafka的消息中间件模式进行数据通道采集方式，提供了数据量的增益采集，加大传统情况下的数据采集量和响应程度，同时通过传感器网络进行无线通信5G和云端数据采集，形成多点数据采集模式。同时传感节点之间的数据通过数据验证方式进行节点间的协作验证来保证传感节点数据通信的可靠性。通过整体传感器网络的接入，为离线分析系统提供了一个全新和全方位的数据采集模式。
数据预处理模块，用于基于设定规则对数据进行标签标注，标签分为正常标签和非正常标签；
具体地，由于加入了多通道传感器网络的接入，多数据形式下的数据预处理需要进行数据清洗、去噪、异常值处理等手段清理，该离线系统采用手动和自动模式情况下的标签式离线数据预处理模式，在数据进入到离线数据系统过程中，通过手动标签的形式来提供数据的打标方法，同时针对结合数据之间协调的关系型的验证，自动获取数据的标签功能，比如：当钢水处于中间包状态过程中，温度标签自动设定为1300度至1600度，高于1600度以后的标签直接设定为非正常标签，由此进行标签数据的下步异常值处理步骤。这类自动标签采用背后的新型规则引擎方式进行自动标签判定，实时进行规则判定自动打标，通过这种方式下的规则配置来极大提高自动化标签的效率和准确性，自动打标的做法同时可以延展到在线系统中，进行在线系统异常事件记录。数据去噪模块采用偏离值异常去噪算法进行算法去噪，通过偏离值异常状态高于阈值下的异常数据进行详细的算法去噪，比如针对数据进行3Sigma的统计检验分析，分析超过3Sigma的异常值下的数据作为数据的噪音，通过平滑数据的方式进行异常值处理，进行相应的滤波和去噪。
特征提取模块，用于对已经标注的数据进行分类，并获取数据特征；
具体地，经过数据预处理后，针对数据的特征进行提取，特征提取的方式在基于传统的算法基础上，由于在数据预处理环节已有规则引擎进行了一系列的标签信息，因此在通过这类数据采用机器学习和深度学习的方式进行数据的特征提取，机器学习方式主要通过算法分类进行各类数据的分类处理，通过将含有缺陷和不含缺陷的各类数据进行有效的分类，来获取数据的特征，同时针对每类数据进行特征的信息增益，例如在整体工艺参数拉速、温度值、浇铸速度等常规的工艺参数过程中，加入和板坯质量相关的特征信息增益，如：表面微裂纹面积、夹渣面积等信息，组成了一个包含反馈信息内容的特征信息内容，用于模型的特征提取。深度学习方式使用卷积神经网络来进行分类计算，卷积网络采用256层的深度进行构建，通过加深网络来进行分类精度的提高。
机理模型模块，用于根据机理模型的方式对连铸工艺不同阶段进行模型搭建，获得机理模型；
具体地，通过机理模型的方式进行模块的搭建，分别针对钢包、中间包、结晶器、扇形段、二冷区域模块的机理模型搭建，比如针对钢包的模块，里面包含钢包重量机理模型，侧面反应钢包中钢水在浇注到中间包的过程中钢包钢水重量变化的情况，
钢包钢水区域机理模型有钢包钢水质量变化模型、钢包钢水温度变化模型。
MLD(τ)＝mLD(τ+dr)+mTDout(τ)
其中：
中间包钢水区域机理模型有：
中间包钢水质量变化模型、中间包钢水温度变化模型。
如：
MTD(τ)＝MTD(τ-dr)+mLDout(τ)+mTDout(τ)
其中：MTD(τ)≤mTDfull
同时针对结晶器和扇形段等区域，有凝固稳态模型机理模型进行工艺段的表征来反映现场工艺的情况，凝固稳态机理模型为：(拉速)
根据上述热传导方程来预判铸坯的温度分布，从确定铸坯中体积单元从结晶器弯月面开始，以拉速u向下运动的初始条件，以及经过结晶器、二冷区和辐射区的铸坯表面边界条件。
初始条件设定如下：规定在开始浇注时(t＝0)结晶器弯月面钢水温度等于浇注温度Tc。
t＝0，0＜＝X＜＝a，0＜＝Y＜＝b，T(X，Y)＝Tc(5)
边界条件：铸坯内热流密度连续。铸坯表面的边界条件在各冷却区不同。
二冷配水机理模型有：
Q’＝f(Vcal)
ΔT＝TCal-TAim
ΔQi＝ki·ΔTi
Q＝Q’+ΔQ
通过机理模型模块的加载，可以采用机理模型建模来实现现场关键工艺参数之间的关联，达到参数间有效的推导形式。
模型训练模块，用于将数据特征输入至对应的机理模型进行训练；
具体地，由于之前采用了相应的特征方式，因此针对模型可以进行相应的训练，模型训练模块可选进行各类模型的选择和设置构建模型网络，通过选择各类模型来进行数据的分开训练，同时通过模型的构建来进行网络结构的构建，例如：可以自由定义模型的层数，同时可以自由定义模型子项模块，如池化层，卷积层。对于模型部分也可以有效的管理，以及版本的管理，通过这些方式进行一组模型的训练。通过模型训练模块，可以有效的进行数据的建模，建立好的数据模型可以有效地应用在相关的分类系统中。
相关性系数统计模块，其用于计算数据与连铸机质量间的相关性系数，并根据相关性系数从数据中筛选出目标数据；
具体地，因为工艺参数与工艺参数间存在相关性，因此针对工艺参数与参数之间的相关系数进行计算，该模块将各类工艺参数进行相关性的统计，同时该模块进行各类相关系数进行排序，通过排序来将密切相关的工艺参数进行相应的统计分析，达到相关性参数提取比较的目的。然后根据相关性的参数进行系统分析，来判定最终成品质量如龟裂、中心疏松等缺陷和哪类工艺参数有关，获取工艺参数后，然后如何监控和调整来减小质量问题的产生，优化输出质量结果。
离线数据验证模块，用于将数据对训练完成的机理模型进行验证。
具体地，采用离线数据模型验证方法，可以将每种数据进行离线验证，通过验证数据模型来获取到最优化的模型来进行在线分析，采用离线数据验证模块，主要验证模型的准确率、精度、召回率、F1值等信息，通过验证模型的准确率来判定模型的具体表现，通过该项指标来进行模型的筛选和验证，同时针对同种模型也可以通过调节模型参数来看模型的具体表现来获取模型的指标信息，达到离线数据模型验证的效果。
针对表面质量判定等特定场景，评估模型和验证模型模块主要采用混淆矩阵、ROC曲线，交叉验证、偏差和方差等增益评价参数，通过评价参数的增加来更加准确的进行模型的评估。其中针对各类表面质量的场景，采用多类混淆矩阵的方式进行评估，例如：针对表面夹渣、表面氧化铁皮、表面龟裂等作为一类混淆矩阵评估，通过这类混淆矩阵可以评估出模型针对以上三类缺陷所具有的特征之间的关联性，同时也可以针对表面夹渣、表面龟裂、表面半径裂纹等进行评估，针对模型评估以上三类缺陷之间的关联性。
离线数据验证模块还用于将数据对训练完成的机理模型进行优化。由于在离线验证过程中需要进行离线数据模型的调整和优化，因此针对离线数据模型的优化主要包含以下内容：
特征选择：离线数据模型优化可以通过特征选择来优化模型，去除对模型没有贡献的特征，提高模型的准确性和性能。比如：在大量工艺参数的输入下，有相当一部分的参数对于模型并没有贡献，为了提高模型的准确性和性能，通过专家知识和方法来对特征进行筛选，排除掉对于输出不相关的特征参数，例如：对于拉速、浇铸速度、钢包温度、钢水流量等主要影响输出特征的参数进行相关的特征选择，而对于扇形段温度，扇形段曲面度，钢包体积等没有特殊影响的参数，进行优化选择，去除相应的特征参数，来提高模型的性能，同时提高模型的特征。通过结合专家经验和专家知识方式的特征选择方式作为一种新型的特征提取方式应用在离线分析系统内。
参数调整：通过调整模型的参数，可以改善模型的准确性和性能，提高模型的泛化能力。参数调整过程中采用多样性的数据集来进行验证，可以通过多类数据进行参数调整和应用。
参数调整的目的是通过调整模型的参数，提高模型的准确性和性能，达到最优的效果。在传统的参数调整方法中，常用的方法包括网格搜索、随机搜索、贝叶斯优化等。但是在实际应用中，为了提高参数调整的效率和精度，以及应对一些特殊的应用场景，该离线系统采用了一些创新性的参数调整方法，例如：
自适应参数调整：自适应参数调整是指通过监控模型的训练过程，自动地调整模型的参数。在模型的训练过程中，自适应参数调整会监控模型的训练误差、梯度大小等指标，根据监控结果来动态地调整模型的参数，以提高模型的训练效果。通过自适应的参数调整方式可以达到有效的实现自动调参，形成有效的自适应参数调整的效果。
增量式参数调整：增量式参数调整是指在训练过程中，通过增量式地调整模型的参数，来提高模型的准确性和性能。在增量式参数调整中，模型的参数会根据每一次迭代的结果进行微调，以逐步优化模型的性能。通过增量式的参数调整，可以实现逐步提高模型性能的目标，由于模型性能可以做到增量式调整，因此，针对该种调整方式可以有效的加速模型性能。
深度增强学习：深度增强学习是一种结合深度学习和强化学习的参数调整方法。在深度增强学习中，模型的参数会通过强化学习的方式进行优化，以在特定的任务中获得最佳的行动策略。例如，针对模型训练输出的指标设置一定的奖励参数，通过奖励参数进行模型的强化学习，不断加强调整模型的参数，优化模型参数，从而达到模型的最优性能。
面向目标的参数调整：面向目标的参数调整是一种通过定义目标函数来进行参数调整的方法。在面向目标的参数调整中，可以通过指定特定的目标函数，来达到更好的调整效果，例如优化模型的分类准确率、降低模型的误差等。
多目标参数调整：多目标参数调整是一种同时优化多个目标函数的参数调整方法。在多目标参数调整中，可以同时优化模型的多个性能指标，针对例如准确率、召回率、F1分数等。通过同时优化多个性能指标，可以达到模型精度和性能的最高值，找到模型精度和性能的最优点
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种连铸质量判定离线数据分析系统，其特征在于，包括离线数据分析模块和离线数据验证模块；
所述离线数据分析模块包括数据采集模块、数据预处理模块、特征提取模块、机理模型模块和模型训练模块；
所述数据采集模块，用于采集连铸工艺中的各种数据；
所述数据预处理模块，用于基于设定规则对所述数据进行标签标注，标签分为正常标签和非正常标签；
所述特征提取模块，用于对已经标注的所述数据进行分类，并获取数据特征；
所述机理模型模块，用于根据机理模型的方式对连铸工艺不同阶段进行模型搭建，获得机理模型；
所述模型训练模块，用于将所述数据特征输入至对应的所述机理模型进行训练；
所述离线数据验证模块，用于将所述数据对训练完成的所述机理模型进行验证。
2.根据权利要求1所述的连铸质量判定离线数据分析系统，其特征在于，所述数据包括钢包温度、钢包钢水重量、中间包温度、中间包钢水重量、拉速和铸坯缺陷位置。
3.根据权利要求1所述的连铸质量判定离线数据分析系统，其特征在于，所述数据采集模块通过Kafka的消息中间件模式进行数据通道采集方式。
4.根据权利要求1所述的连铸质量判定离线数据分析系统，其特征在于，所述数据预处理模块还用于对所述数据进行清洗、去噪和异常值处理。
5.根据权利要求1所述的连铸质量判定离线数据分析系统，其特征在于，所述机理模型模块中构建的机理模型包括钢包钢水质量变化模型、钢包钢水温度变化模型、中间包钢水质量变化模型、中间包钢水温度变化模型、，凝固稳态机理模型、二冷配水机理模型。
6.根据权利要求1所述的连铸质量判定离线数据分析系统，其特征在于，所述离线数据分析模块还包括所述相关性系数统计模块，其用于计算所述数据与连铸机质量间的相关性系数，并根据所述相关性系数从所述数据中筛选出目标数据。
7.根据权利要求1所述的连铸质量判定离线数据分析系统，其特征在于，所述离线数据验证模块验证所述机理模型的准确率、精度、召回率、F1值。
8.根据权利要求7所述的连铸质量判定离线数据分析系统，其特征在于，所述离线数据验证模块还用于将所述数据对训练完成的所述机理模型进行优化。
9.根据权利要求8所述的连铸质量判定离线数据分析系统，其特征在于，所述离线数据验证模块优化步骤包括去除对所述机理模型没有贡献的数据特征和调整所述机理模型的参数。
10.根据权利要求9所述的连铸质量判定离线数据分析系统，其特征在于，调整所述机理模型的参数包括自适应参数调整、增量式参数调整、深度增强学习、面向目标的参数调整和多目标参数调整。
CN202310701418.4A 2023-06-13 2023-06-13 一种连铸质量判定离线数据分析系统 Pending CN116738231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310701418.4A CN116738231A (zh) 2023-06-13 2023-06-13 一种连铸质量判定离线数据分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310701418.4A CN116738231A (zh) 2023-06-13 2023-06-13 一种连铸质量判定离线数据分析系统

Publications (1)

Publication Number Publication Date
CN116738231A true CN116738231A (zh) 2023-09-12

Family

ID=87902343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310701418.4A Pending CN116738231A (zh) 2023-06-13 2023-06-13 一种连铸质量判定离线数据分析系统

Country Status (1)

Country Link
CN (1) CN116738231A (zh)

Similar Documents

Publication Publication Date Title
He et al. Mold breakout prediction in slab continuous casting based on combined method of GA-BP neural network and logic rules
CN110070074B (zh) 一种构建行人检测模型的方法
JP4681426B2 (ja) 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
CN109492940A (zh) 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法
CN109658396A (zh) 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法
CN113704956A (zh) 一种基于数字孪生技术的城市道路在线微观仿真方法及系统
CN115995063A (zh) 作业车辆检测与跟踪方法和系统
CN114564880B (zh) 一种增材制造过程数字孪生模块构建方法
CN112418538A (zh) 一种基于随机森林分类的连铸坯夹杂预测方法
CN113506269B (zh) 一种基于深度学习的道岔与非道岔轨道紧固件定位方法
CN116728783B (zh) 一种基于3d打印机的仿真方法及系统
CN110032952A (zh) 一种基于深度学习的道路边界点检测方法
CN114626673A (zh) 一种基于贝叶斯网络的连铸坯质量预报方法
CN108628288A (zh) 一种用于一阶时滞组合积分控制系统的性能评价方法
CN115759409A (zh) 多时间模式注意力机制优化lstm模型的水闸形变预测方法
CN114692983A (zh) 一种特种车辆自动换挡预测方法及系统
CN113077423B (zh) 基于卷积神经网络的激光选区熔化熔池图像分析系统
CN116738231A (zh) 一种连铸质量判定离线数据分析系统
CN113095164A (zh) 基于强化学习和标志点表征的车道线检测定位方法
CN111402321A (zh) 一种固体颗粒在高温熔池中目标识别及体积估计的方法
CN115625317A (zh) 一种用于压铸调控的表面水纹优化处理方法及系统
CN113888494B (zh) 一种汽车域控制器的人工智能接口引脚质量检测方法
JP2003141215A (ja) 製造プロセスにおける操業分析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法
CN112767380A (zh) 一种宽厚板端部形状预测方法

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