CN116944446B - 一种水平连铸铜管坯工艺参数异常监测方法 - Google Patents
一种水平连铸铜管坯工艺参数异常监测方法 Download PDFInfo
- Publication number
- CN116944446B CN116944446B CN202310935990.7A CN202310935990A CN116944446B CN 116944446 B CN116944446 B CN 116944446B CN 202310935990 A CN202310935990 A CN 202310935990A CN 116944446 B CN116944446 B CN 116944446B
- Authority
- CN
- China
- Prior art keywords
- continuous casting
- process variable
- monitoring
- horizontal continuous
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000009749 continuous casting Methods 0.000 title claims abstract description 34
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 29
- 239000010949 copper Substances 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 title claims description 7
- 230000008569 process Effects 0.000 claims abstract description 80
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000000556 factor analysis Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 238000005266 casting Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010998 test method Methods 0.000 claims 2
- 239000007788 liquid Substances 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000000846 Bartlett's test Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229920006351 engineering plastic Polymers 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/001—Continuous casting of metals, i.e. casting in indefinite lengths of specific alloys
- B22D11/004—Copper alloys
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及水平连铸技术领域，尤其涉及一种水平连铸铜管坯工艺参数异常监测方法，包括以下步骤：采集水平连铸铜管坯生产过程中多个截面样本，以及各截面样本对应的工艺变量数据；对工艺变量数据进行预处理，得到数据矩阵；对数据矩阵进行标准化处理，以消除各个工艺变量数据的量级影响关系，得到标准化矩阵；对标准化矩阵进行可行性检验，如果检验不通过则增加样本数量或工艺变量数据种类；使用主成分分析法对标准化后的数据进行因子分析，确定公共因子个数，建立因子载荷矩阵并进行因子旋转；通过监控模型进行实时的得分计算，超过阈值报警，同时对重要工艺变量进行单独监控，超过设定范围进行报警。
Description
技术领域
本发明涉及水平连铸技术领域，尤其涉及一种水平连铸铜管坯工艺参数异常监测方法。
背景技术
水平连铸工序作为精密铜管材铸轧工艺的首道工序，其对于铜管的质量起到至关重要的作用，然而由于水平连铸具有多物理场耦合、多因素影响、多扰动变化的特点，工艺过程复杂，产品好坏是有多种工艺参数共同作用的结果，此外，由于工艺参数与铸坯组织的检测在时间上存在差异，造成影响铸坯质量的主要因素难以确定；
现有技术中，多采用控制参数不变的方式来控制产品质量，如申请公布号为CN115519083A的中国发明专利申请于2022年12月27日公开了一种管坯钢15CrMoG连铸方坯表面质量的控制方法，其在制作过程中，通过手动测温与自动测温进行对比调节保证温度的准确性，并且通过保证水口的插入深度以及浇铸拉速的恒定，来实现对连铸质量的控制；
然而发明人发现上述方案无法对连铸过程中铸坯组织异常进行有效的监控，更无法找出出现异常的原因，对于后期如何保证工艺变量在合理范围内以实现铸坯质量的提升的问题均无法得到解决。
发明内容
鉴于以上技术问题中的至少一项，本发明提供了一种水平连铸铜管坯工艺参数异常监测方法，采用因子分析方法得到各参数对组织缺陷的贡献率，进而找出影响组织缺陷的原因。
根据本发明的第一方面，提供一种水平连铸铜管坯工艺参数异常监测方法，包括以下步骤：
采集水平连铸铜管坯生产过程中多个截面样本，以及各截面样本对应的工艺变量数据；
对工艺变量数据进行预处理，得到数据矩阵；
对数据矩阵进行标准化处理，以消除各个工艺变量数据的量级影响关系，得到标准化矩阵；
对标准化矩阵进行可行性检验，如果检验不通过则增加样本数量或工艺变量数据种类；
使用主成分分析法对标准化后的数据进行因子分析，确定公共因子个数，建立因子载荷矩阵并进行因子旋转；
通过监控模型对每个截面样本的得分进行计算；
取得分大于阈值的样品A集，求A集各个标准化工艺变量数据对应的方差，确定方差最大的若干个；
同时取同A集数量的得分最低的样品B集，求B集各个标准化工艺变量数据对应的方差，确定方差最大的若干个；将包含于A集却不包含于B集的工艺变量作为重要工艺变量数据，并对其他A集B集重合项进行单独判断；
通过监控模型进行实时的得分计算，超过阈值报警，同时对重要工艺变量进行单独监控，超过设定范围进行报警。
在本发明的一些实施例中，所述工艺变量数据包括牵引速度、保温炉铜液温度、一次进水压力、一次进水温度、一次回水温度、一次进水流量和一次回水流量。
在本发明的一些实施例中，所述可行性检验的方法为KMO检验和bartlett球形检验方法，当KMO值大于0.5且bartlett球形度检验结果小于0.05时，判定为检验通过。
在本发明的一些实施例中，所述工艺变量为影响铸坯金相组织均匀性的工艺变量。
在本发明的一些实施例中，对于影响铸坯金相组织均匀性的p个工艺变量x1，x2，…xp，进行采集，得到对应的一个样本，n个样本构成的数据矩阵Xn×p为：
在本发明的一些实施例中，对数据矩阵进行标准化处理的公式为：
在本发明的一些实施例中，在所述监控模型中，其统计量GT2的计算公式为：
GT2＝fTf～X2(a)
其中，a为选取的因子个数。
在本发明的一些实施例中，在所述监控模型中，控制限的CGT2的计算公式为：
CGT2＝X2 1-a (a)
其中，α为显著度。
在本发明的一些实施例中，在所述监控模型中，特殊因子得分S的计算公式为：
S＝||ei||2
其中，ei为样本向量与主因子组合重构后的差值，当GT2统计量超过控制限时，说明公共因子空间存在异常，此时通过特殊因子得分情况判断引起故障的原因。
本发明的有益效果为：本发明通过建立基于因子分析方法的铜管坯生产过程组织异常的监控与诊断模型，对水平连铸生产过程中的所产生的组织缺陷进行了分析，通过上述方法，可以在生产过程中监测出对水平连铸铜管的组织均匀性影响较为显著的工艺参数，为后续铜管坯生产的稳定性和质量的提升提供了保证。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中因子分析方法的分析流程图；
图2为本发明实施例中水平连铸铜管坯工艺参数异常监测方法的步骤流程图；；
图3为本发明实施例中样本点的金相组织截面图；
图4为本发明实施例中因子分析中组织缺陷的误差统计量的统计图；
图5为本发明实施例中水平连铸过程中1次进水压力曲线图；
图6为本发明实施例中水平连铸过程中1次回水温度曲线图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
相关研究结果表明，特殊取向的组织，比如连续柱状晶的高取向性、平直的小角度晶界以及高组分的软取向织构，和其可加工塑性性能具有直接的关系，说明铸坯的组织和其均匀性确实会对管坯的后续成形性能乃至产品的质量产生明显的影响，但是在现有复杂工艺条件下，如何建立工艺参数和水平连铸组织之间的关系，仍然是一个难点。本发明实施例中将因子分析应用于铜铸坯组织缺陷诊断中，通过因子旋转划分工艺参数类别，通过GT2统计量对因子空间进行监控，通过因子得分情况判断各工艺参数对铜铸坯质量的影响长度，得到了各参数对组织缺陷的贡献率，最终找出影响组织缺陷的原因。这里还需要指出的是，在本发明实施例中，因子分析为现有的分析方法，其具体分析流程如图1中所示，在本发明实施例中，对因子分析的具体原理不再进行赘述。
如图2中所示的水平连铸铜管坯工艺参数异常监测方法，包括以下步骤：
S10：采集水平连铸铜管坯生产过程中多个截面样本，以及各截面样本对应的工艺变量数据；如图3中所示，为水平连铸铜管坯的截面样本，从图3中可以看出该铸坯宏观金相组织存在明显粗大的晶粒；在本发明实施例中，工艺变量是指对水平连铸过程中同一时间下不同工艺参数进行采集，例如牵引速率、进水温度、回水温度等等；
S20：对工艺变量数据进行预处理，得到数据矩阵；
S30：对数据矩阵进行标准化处理，以消除各个工艺变量数据的量级影响关系，得到标准化矩阵；这里的预处理是指对与影响铸坯金相组织均匀性相关的p个工艺变量数据x1，x2，…xp，进行采集，得到对应的一个样本，n个样本构成的数据矩阵Xn×p为：
在本发明实施例中，所采用的的工艺变量数据如表1所示；
表1水平连铸工艺参数测量指标
S40：对标准化矩阵进行可行性检验，如果检验不通过则增加样本数量或工艺变量数据种类；在开展因子分析之前，所要分析的数据需要满足较好的相关性，才适合采用该方法进行分析，因此需要先对数据展开可行性检验，在本发明实施例中，可行性检验的方法为KMO检验和bartlett球形检验方法，当KMO值大于0.5且bartlett球形度检验结果小于0.05时，判定为检验通过。这里还需要指出的是，一般KMO值越接近1，则表明越适合做因子分析。由表2可知，KMO值为0.71，Bartlett检验统计量的观测值为1614.363，显著性为0.000<0.05，说明数据适合做因子分析。
表2 KMO和Bartlett检验
S50：使用主成分分析法对标准化后的数据进行因子分析，确定公共因子个数；如表3中所示，
为使用主成分分析法对标准化数据进行因子分析，过量变量的最终方差贡献率；
表3解释的总方差
从表中可以看出，3个因子初始特征值均大于1，其方差贡献率分别为49.268％、25.582％和15.341，因子累计方差贡献率为90.19％，表明提取的3个公因子能够代表原10个变量指标90.19％的信息。因此，选择三个公因子较为合适且分别用F1、F2和F3来表示；
建立因子载荷矩阵并进行因子旋转；在本发明实施例中，因子分析模型的矩阵形式还可以表示为：
X-μ＝AF+ε (4)
X和F的协方差表达式为：
COV(X，F)＝COV(AF+ε，F)＝A (5)
将X的协方差矩阵COV(X)定义为∑，满足如下关系：
∑＝COV(X)＝COV(AF)+COV(ε)+COV(AF，ε)＝AAT+Ψ (6)
由因子模型的矩阵形式(3)及因子模型的协方差矩阵(5)表达式，可以通过协方差矩阵进行载荷矩阵的估计，基于∑的谱分解可知：
其中，(λj，ej)分别是∑的特征值和特征向量
当最后p-m个特征值很小时，可以定义：
在样本层面，可以使用样本协方差矩阵S代替∑，因此基于主成分法获得的载荷矩阵定理为：为样本协方差矩阵S的排序后标准化特征对，记m(m＜p)为公共因子的数目，则因子载荷矩阵估计的主成分解为：
利用凯撒正态化最大方差法对计算得出的因子载荷矩阵进行因子旋转。表4为旋转后的因子载荷表，从中可以看出，因子F1在07、08、09、10上有较大载荷，对其命名为水流因子；因子F2在01、02、03、04上有较大载荷，将其命名为控制因子；因子F3在05和06上有较大载荷，可称为水温因子。
表4旋转后因子载荷表
S60：通过监控模型对每个截面样本的得分进行计算；在本发明实施例中，可以定义GT2统计量和因子得分用于主因子空间和特殊因子空间的监控。主因子服从单位方差标准正态分布，其统计量GT2的计算公式为：
GT2＝ftf～X2 (a)，其中，a为选取的因子个数；控制限的CGT2的计算公式为：
CGT2＝X2 1-a (a)，其中，α为显著度。特殊因子得分S的计算公式为：
S＝||ei||2，其中，ei为样本向量与主因子组合重构后的差值，利用上述模型，选取89个样本数据进行生产过程监控，监控结果如图4中所示，从图中可以看出，绝大多数样点在控制限以内，第1号、第2号、第45号和第46号样本点超出控制限，说明该四个样本点对应的金相组织存在异常；
S70：取得分大于阈值的样品A集，求A集各个标准化工艺变量数据对应的方差，确定方差最大的若干个；在本发明实施例中，为了进一步筛选出重要的工艺变量，先从不合格样品A集中确定工艺变量数据大的例如1、2、3、4号工艺变量；为了进一步验证1、2、3、4号工艺变量的重要程度，还在样品B集中去做进一步的筛选，具体如步骤S80中所示；
S80：同时取同A集数量的得分最低的样品B集，求B集各个标准化工艺变量数据对应的方差，确定方差最大的若干个；由于B集得分低，所以B集样品质量好，例如在B集中3、4、5、6号工艺变量数据变化大；将包含于A集却不包含于B集的工艺变量作为重要工艺变量数据，并对其他A集B集重合项进行单独判断；由于工艺变量3、4既在A集中又在B集中，说明3、4号变量对产品质量的影响并不是很大，故将1，2号工艺变量作为重要的工艺变量；在对其他A集B集重合项进行单独判断(这些项有可能是与其他参数的变化共同作用，也有可能是不重要项)；对于3，计算△3幅值/△1幅值、△3幅值/△2幅值，每个结果都小于阈值则能将3剔除，若有一个结果大于阈值说明3与对应参数有较大相关性可能，将3也保留成重要工艺变量数据；4的判断同理；通过上述分析最终得出影响金相组织异常的主要原因在于一次进水压力和一次回水温度工艺参数设定的不合适；为了进一步验证，对一次进水压力和一次回水温度的数据进行采集，具体如图5和图6中所示，通过分析可以得出，进水压力的控制以及回水温度的控制对产品的质量影响最大。
S90：通过监控模型进行实时的得分计算，超过阈值报警，同时对重要工艺变量进行单独监控，超过设定范围进行报警。在后续的生产过程中，就对进水压力和回水温度进行控制和监控，进而提高产品的稳定性。
本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种水平连铸铜管坯工艺参数异常监测方法，其特征在于，包括以下步骤：
采集水平连铸铜管坯生产过程中多个截面样本，以及各截面样本对应的工艺变量数据；
对工艺变量数据进行预处理，得到数据矩阵；
对数据矩阵进行标准化处理，以消除各个工艺变量数据的量级影响关系，得到标准化矩阵；
对标准化矩阵进行可行性检验，如果检验不通过则增加样本数量或工艺变量数据种类；
使用主成分分析法对标准化后的数据进行因子分析，确定公共因子个数，建立因子载荷矩阵并进行因子旋转；
通过监控模型对每个截面样本的得分进行计算；
取得分大于阈值的样品A集，求A集各个标准化工艺变量数据对应的方差，确定方差最大的若干个，若从不合格样A集中确定的为1、2、3、4号工艺变量，为进一步验证1、2、3、4号工艺变量的重要程度，同时取同A集数量的得分最低的样品B集，求B集各个标准化工艺变量数据对应的方差，确定方差最大的若干个，若从B集合中确定的为3、4、5、6号工艺变量；将包含于A集却不包含于B集的工艺变量1、2作为重要工艺变量数据，并对其他A集B集重合项3、4进行单独判断；所述单独判断包括以下步骤，计算△3幅值/△1幅值、△3幅值/△2幅值，每个结果都小于阈值则能将3剔除，若有一个结果大于阈值说明3与对应参数有较大相关性可能，将3也保留成重要工艺变量数据；
通过监控模型进行实时的得分计算，超过阈值报警，同时对重要工艺变量进行单独监控，超过设定范围进行报警；
所述工艺变量数据包括牵引速度、保温炉铜液温度、一次进水压力、一次进水温度、一次回水温度、一次进水流量和一次回水流量；所述工艺变量为影响铸坯金相组织均匀性的工艺变量。
2.根据权利要求1所述的水平连铸铜管坯工艺参数异常监测方法，其特征在于，所述可行性检验的方法为KMO检验和bartlett球形检验方法，当KMO值大于0.5且bartlett球形度检验结果小于0.05时，判定为检验通过。
3.根据权利要求1所述的水平连铸铜管坯工艺参数异常监测方法，其特征在于，对于影响铸坯金相组织均匀性的p个工艺变量x1，x2，…xp，进行采集，得到对应的一个样本，n个样本构成的数据矩阵Xn×p为：
4.根据权利要求3所述的水平连铸铜管坯工艺参数异常监测方法，其特征在于，对数据矩阵进行标准化处理的公式为：
5.根据权利要求4所述的水平连铸铜管坯工艺参数异常监测方法，其特征在于，在所述监控模型中，其统计量GT2的计算公式为：
GT2＝fTf～X2(a)
其中，a为选取的因子个数。
6.根据权利要求5所述的水平连铸铜管坯工艺参数异常监测方法，其特征在于，在所述监控模型中，控制限的CGT2的计算公式为：
CGT2＝X2 1-a (a)
其中，α为显著度。
7.根据权利要求6所述的水平连铸铜管坯工艺参数异常监测方法，其特征在于，在所述监控模型中，特殊因子得分S的计算公式为：
S＝||ei||2
其中，ei为样本向量与主因子组合重构后的差值，当GT2统计量超过控制限时，说明公共因子空间存在异常，此时通过特殊因子得分情况判断引起故障的原因。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935990.7A CN116944446B (zh) | 2023-07-27 | 2023-07-27 | 一种水平连铸铜管坯工艺参数异常监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935990.7A CN116944446B (zh) | 2023-07-27 | 2023-07-27 | 一种水平连铸铜管坯工艺参数异常监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116944446A CN116944446A (zh) | 2023-10-27 |
| CN116944446B true CN116944446B (zh) | 2024-02-09 |
Family
ID=88444305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310935990.7A Active CN116944446B (zh) | 2023-07-27 | 2023-07-27 | 一种水平连铸铜管坯工艺参数异常监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116944446B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6564119B1 (en) * | 1998-07-21 | 2003-05-13 | Dofasco Inc. | Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts |
| US6885907B1 (en) * | 2004-05-27 | 2005-04-26 | Dofasco Inc. | Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention |
| KR20130099318A (ko) * | 2012-02-29 | 2013-09-06 | 현대제철 주식회사 | 연속주조 시 강의 품질 제어 방법 |
| JP2017060965A (ja) * | 2015-09-25 | 2017-03-30 | Ｊｆｅスチール株式会社 | 連続鋳造鋳片の表面欠陥判定方法及び装置、該表面欠陥判定方法を用いた鋼片の製造方法 |
| CN106649986A (zh) * | 2016-11-10 | 2017-05-10 | 燕山大学 | 一种基于procast仿真平台对铜管水平连铸参数最优化匹配方法 |
| CN107498015A (zh) * | 2017-08-08 | 2017-12-22 | 唐山不锈钢有限责任公司 | 一种预报板坯连铸中心偏析的方法 |
| CN110991916A (zh) * | 2019-12-10 | 2020-04-10 | 马鞍山钢铁股份有限公司 | 一种铸坯质量判定系统和方法 |
| CN113468479A (zh) * | 2021-06-16 | 2021-10-01 | 北京科技大学 | 一种基于数据驱动的冷连轧工业过程监测与异常检测方法 |
| CN116274916A (zh) * | 2021-12-20 | 2023-06-23 | 斯凯孚公司 | 用于钢坯连铸过程的实时监测方法和稳定性分析方法 |
-
2023
- 2023-07-27 CN CN202310935990.7A patent/CN116944446B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6564119B1 (en) * | 1998-07-21 | 2003-05-13 | Dofasco Inc. | Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts |
| US6885907B1 (en) * | 2004-05-27 | 2005-04-26 | Dofasco Inc. | Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention |
| KR20130099318A (ko) * | 2012-02-29 | 2013-09-06 | 현대제철 주식회사 | 연속주조 시 강의 품질 제어 방법 |
| JP2017060965A (ja) * | 2015-09-25 | 2017-03-30 | Ｊｆｅスチール株式会社 | 連続鋳造鋳片の表面欠陥判定方法及び装置、該表面欠陥判定方法を用いた鋼片の製造方法 |
| CN106649986A (zh) * | 2016-11-10 | 2017-05-10 | 燕山大学 | 一种基于procast仿真平台对铜管水平连铸参数最优化匹配方法 |
| CN107498015A (zh) * | 2017-08-08 | 2017-12-22 | 唐山不锈钢有限责任公司 | 一种预报板坯连铸中心偏析的方法 |
| CN110991916A (zh) * | 2019-12-10 | 2020-04-10 | 马鞍山钢铁股份有限公司 | 一种铸坯质量判定系统和方法 |
| CN113468479A (zh) * | 2021-06-16 | 2021-10-01 | 北京科技大学 | 一种基于数据驱动的冷连轧工业过程监测与异常检测方法 |
| CN116274916A (zh) * | 2021-12-20 | 2023-06-23 | 斯凯孚公司 | 用于钢坯连铸过程的实时监测方法和稳定性分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多变量统计对连铸结晶器过程的监测;杨尚玉等;钢铁研究学报;第19卷(第10期);第59-62页 * |
| 李荣钧等.基于微生物行为机制的粒子群优化算法.华南理工大学出版社,2015,第172-173页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116944446A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458474B (zh) | 一种卷烟卷制物理质量综合评价方法 | |
| CN104360677B (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
| CN106649755B (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
| CN105425779B (zh) | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 | |
| US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
| CN105302123B (zh) | 在线测量数据的监控方法 | |
| CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
| CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
| CN109828548B (zh) | 基于时间序列变化突变点检测的性能退化特征评估方法 | |
| CN107564000A (zh) | 基于计算机视觉的猴头菇无损检测分级方法 | |
| CN113757093A (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
| CN110705785A (zh) | 一种连铸机结晶器热状态的监测方法及装置 | |
| CN117872900B (zh) | 基于物联网技术的无纺布生产设备远程监控系统 | |
| CN111721834A (zh) | 一种电缆局部放电在线监测缺陷辨识方法 | |
| CN111145895A (zh) | 异常数据的检测方法及终端设备 | |
| CN114872290B (zh) | 一种注塑件的自适应生产异常监测方法 | |
| CN114594106B (zh) | 一种铜管电镀工艺的实时监测方法及系统 | |
| CN116944446B (zh) | 一种水平连铸铜管坯工艺参数异常监测方法 | |
| CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
| CN117609929A (zh) | 基于大数据的工业生产线故障在线诊断方法及系统 | |
| CN114611067A (zh) | 一种基于典型变量相异性分析的化工过程缓变故障检测方法 | |
| CN111983994B (zh) | 一种基于复杂工业化工过程的v-pca故障诊断方法 | |
| CN106204324A (zh) | 一种确定电厂复杂设备关键监测参数及各参数权重分配的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |