CN117171936A - 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 - Google Patents
基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 Download PDFInfo
- Publication number
- CN117171936A CN117171936A CN202210574404.6A CN202210574404A CN117171936A CN 117171936 A CN117171936 A CN 117171936A CN 202210574404 A CN202210574404 A CN 202210574404A CN 117171936 A CN117171936 A CN 117171936A
- Authority
- CN
- China
- Prior art keywords
- slab
- quality prediction
- prediction method
- crystallizer
- characteristic values
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000007246 mechanism Effects 0.000 title claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000011897 real-time detection Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 239000007788 liquid Substances 0.000 claims description 15
- 229910000831 Steel Inorganic materials 0.000 claims description 13
- 238000005266 casting Methods 0.000 claims description 13
- 239000010959 steel Substances 0.000 claims description 13
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 7
- 229910052786 argon Inorganic materials 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009749 continuous casting Methods 0.000 description 29
- 238000001514 detection method Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
Classifications
-
- 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
- Continuous Casting (AREA)
Abstract
本发明公开了一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,包括以下步骤:S1、按照时间序列收集来自L1系统的实时检测信息;S2、当板坯切断时,将步骤S1中收集到的实时检测信息匹配到板坯长度上,从而获知该板坯每点在结晶器所经历的生产参数;S3、根据匹配板坯长度的生产参数,提取对应板坯缺陷产生或缺陷发生现象的特征值;S4、求取各个特征值的波动指数;S5、当步骤S4中求取的某一特征值的波动指数若满足一个规则时,判定该板坯发生质量缺陷,下线进行清理;若不满足则送至下一工序;S6、当有新板坯进行切断时,重复执行步骤2至步骤S5。本发明能够进一步提升板坯质量预测的准确性,降低误判率。
Description
技术领域
本发明涉及炼钢技术领域中连铸工序,更具体地说,涉及一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法。
背景技术
连铸坯热装热送以及连轧技术可以大幅度降低设备投入及生产成本,提高产品竞争力。提升热装热送率要求有较好的板坯质量检测模型,保证流入下工序的板坯无缺陷或少缺陷。热态在线检查是进行铸坯质量控制的必要手段。热态在线检查分为基于物理手段的在线检测判定和基于模型的连铸坯质量预测判定系统,然而这种方法借助于在高温恶劣环境状态下工作的缺陷检测装置进行在线检测判定的,技术复杂,设备昂贵,需要大量的日常维护工作。而且主要是检测铸坯的表面质量,无法检测出板坯内部的质量问题。随着大数据和AI技术逐渐在工业上的应用,机器学习/深度学习方法开始应用在铸坯的在线质量检测上。
公开号CN 102937784A名称为“基于人工神经网络的铸坯质量在线预报的控制方法”的专利公开了一种基于人工神经网络的铸坯质量在线预报的控制方法,该方法首先通过训练样本对建立的三层BP神经网络进行学习和训练,得到训练和验证好的网络模型;其次利用训练和验证好的BP神经网络模型对连铸板坯中间裂纹进行在线预测的控制。公开号CN 111618265A名称为“一种基于K近邻分类的连铸坯纵裂纹在线检测方法”,公开号CN111666710A名称为“一种采用逻辑回归分类预测连铸坯纵裂纹的方法”以及公开号CN111680448 A名称为“一种基于支持向量机SVM分类的连铸述纵裂纹预测方法”,公开了采用不同机器学习分类算法(K近邻、逻辑回归以及支持向量机SVM)预测连铸坯纵裂纹的方法,该方法对纵裂纹和正常工况下同列热电偶温度的温度变化率进行拼接得到温度样本以及样本库;利用分类算法对样本库和在线实时检测的同列热电偶温度预处理结果进行分类,识别和预报连铸坯纵裂纹。以上应用到机器学习算法的公开专利具有两个不足:
(1)模型的建立基于样本库的离线学习来进行板坯质量分类。在实际连铸生产过程中,连铸设备状态随时间变化。因此,以上基于历史数据建立的模型难以适应设备状态的变化,导致通过学习的模型的准确性降低。
(2)纯粹基于数据的方法进行质量预测模型的建立,较少基于机理。对于纯数据预测模型而言,往往在提升命中率的同时,无法兼顾误判率的降低。有些质量缺陷模型,由于本质问题,无法在命中率与误判率间取得平衡,需要在模型建立时融入有效的机理基础。
基于上述问题(1),本专利申请人申请过申请号为202210016150.6,专利名称“一种在线检测和识别连铸板坯裂纹缺陷的方法”的专利,该专利申明的板坯缺陷预测或质量预测是基于一种无需样本学习的异常检测方法。该方法对当时板坯的生产数据进行异常检测,即采用异常检测算法对一段时间窗口板坯上连铸生产过程中的参数基于“自比较”而不是基于“历史数据”进行异常点的识别,获取板坯在生产上的异常概率,根据异常概率进行板坯质量的预测。然而,该申请专利没有解决上述问题(2)。该申请专利纯粹从数据的角度提出质量预测模型解决方案。从本质上,没有在模型建立时基于机理基础来进行实时数据的分析与应用,从模型解决方案上,将大量的表征连铸生产的实时生产数据(如拉速、结晶器温度)等等混在一起,提取一个特征值(异常概率),某一特征的异常被其他特征的正常掩盖,从而导致质量预测模型命中率的降低。
发明内容
针对现有技术中存在的上述缺陷,本发明的目的是提供一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,能够进一步提升板坯质量预测的准确性,降低误判率。
为实现上述目的,本发明采用如下技术方案:
一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,包括以下步骤:
S1、按照时间序列收集来自L1系统(L1级的仪表信息系统)的实时检测信息;
S2、当板坯切断时,将步骤S1中收集到的实时检测信息匹配到板坯长度上,从而获知该板坯每点在结晶器所经历的生产参数;
S3、根据所述生产参数,提取对应板坯缺陷产生或缺陷发生现象的特征值;
S4、求取各个特征值的波动指数;
S5、当步骤S4中求取的某一特征值的波动指数若满足一个规则时,判定该板坯发生质量缺陷,下线进行清理;若不满足则热送至下一工序;
S6、当有新板坯进行切断时,重复执行步骤S2至步骤S5。
较佳的,所述步骤S1中,所述实时检测信息包括结晶器温度、拉速、液位、塞棒开口度、氩气压力与流量信息;还包括来自L2系统(模型与生产控制系统)的钢种成分信息、L3系统(计划管理系统)的下一工序轧制厚度信息。
较佳的,所述步骤S2中,所述生产参数包括温度、拉速、液位、塞棒开口度、氩气压力与流量。
较佳的,所述步骤S3中,所述板坯缺陷产生或缺陷发生现象包括包晶反应、脱渣膜、液位波动和/或拉速波动。
较佳的,所述特征值的提取方式如下:
包晶反应特征值:结晶器上、下两排左、右各1/4、1/2处的温度差;
脱渣膜特征值:结晶器上、下两排左右1/16处温度波动在一个铸坯长度上的波动特征值;
液位波动特征值:结晶器的液位;
拉速波动特征值:板坯的拉速。
较佳的,所述步骤S4中,所述特征值的波动指数等于特征值在一个板坯长度上的方差除以在一个铸坯长度上的平均值;或
所述步骤S4中,所述特征值的波动指数等于特征值在一个板坯长度上的方差除以在一个铸坯长度上的极大值。
较佳的,当所述钢种成分信息中C含量在包晶范围以外时,包晶反应特征值的波动指数设定为0。
较佳的,所述包晶范围为0.07~0.16。
较佳的,所述步骤S5中,所述规则为设定波动指数超过一个阈值时,所述阈值的取值范围在0.15~0.25之间。
较佳的,所述阈值每隔3至6个月评估一次,需通过3至6个月的历史数据进行评估完善。
本发明所提供的一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,从连铸板坯缺陷产生的机理出发,从实时数据中提取特征值,这些特征值与缺陷产生的原因或产生缺陷后的现象有关,此外,还具有以下几点有益效果:
(1)从连铸板坯缺陷产生的机理出发,从实时数据中提取特征值,这些特征值表征缺陷产生的原因或产生缺陷后的现象。基于这些特征值建立的连铸板坯质量预测模型,相比于单纯通过数据集的时序异常检测,提升了缺陷板坯预测准确性,降低了误判率,有利于提升热装热送率;
(2)在实际连铸生产过程中,连铸设备状态随时间变化,根据历史数据建立的模型具有局限性,难以应用于“实时”生产。专利应用当时生产实时数据特征值的分布特点来进行连铸板坯质量预测模型判断,而不是基于历史数据学习的模型,避免了历史设备状态对预测效果的不利影响;
(3)规则群的使用,可以对多种影响板坯的质量缺陷进行判断。
附图说明
图1是本发明基于缺陷机理提取结晶器实时特征值的板坯质量预测方法的流程示意图。
具体实施方式
为了能更好地理解本发明的上述技术方案,下面结合附图和实施例进一步说明本发明的技术方案。
结合图1所示,本发明所提供的一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,包括以下步骤:
S1、按照时间序列收集来自L1系统的实时仪表检测信息;
实时仪表检测信息包括结晶器温度、拉速、液位、塞棒开口度、氩气压力与流量信息;还包括来自L2系统的钢种成分信息、L3系统的下一工序轧制厚度信息;以便根据钢种成分信息、轧制厚度信息调整步骤S5的阈值,体现钢种与下道工序对缺陷的影响;
S2、当板坯切断时,将步骤S1中收集到的实时检测信息匹配到板坯长度上,从而获知该板坯每点在结晶器所经历的生产参数;
生产参数包括温度、拉速、液位、塞棒开口度、氩气压力与流量;
S3、根据匹配板坯长度的生产参数,提取对应板坯缺陷产生或缺陷发生现象的特征值;
板坯缺陷产生或缺陷发生现象包括包晶反应、脱渣膜、液位波动和/或拉速波动;
各个特征值的提取方式如下:
包晶反应特征值:结晶器上、下两排左、右各1/4、1/2处的温度差;
脱渣膜特征值:结晶器上、下两排左右1/16处温度波动在一个铸坯长度上的波动特征值;
液位波动特征值:结晶器的液位;
拉速波动特征值:板坯的拉速;
S4、求取各个特征值的波动指数;该特征值的波动指数表征特征值在一个铸坯长度上的波动;特征值的波动指数等于特征值在一个板坯长度上的方差除以在一个铸坯长度上的平均值;或者
特征值的波动指数等于特征值在一个板坯长度上的方差除以在一个铸坯长度上的极大值;
S5、当步骤S4中求取的某一特征值的波动指数若满足一个规则时,判定该板坯发生质量缺陷,下线进行清理;若不满足则热送至下一工序;该规则通常设定当波动指数超过一个阈值;
S6、当有新板坯进行切断时,重复执行步骤S2至步骤S5。
上述步骤S1中,当钢种成分信息中C含量在包晶范围以外时,包晶反应特征值的波动指数设定为0。
当钢种成分信息中C含量在0.07~0.16时,属于包晶范围。
上述步骤S5中,规则为设定当波动指数超过一个阈值时;
阈值的取值范围在0.15~0.25之间。
阈值每隔3至6个月评估一次,需通过3至6个月的历史数据进行评估完善,值得注意的是,该评估完善仅仅评估阈值,并不同于基于历史数据建立纯数据模型的方式。
在设定阈值时,考虑钢种成分以及后工序轧制厚度的影响,即在判定时,将(1)中从L2系统与L3系统收集的信息考虑进去,进一步提升板坯质量预测的准确性,尤其是该板坯对后工序质量的影响。
由上可以看出,本发明提出的质量预测方法基于影响缺陷产生的机理出发。缺陷主要是各种表面与内部质量缺陷,产生的根源在于结晶器裂纹缘起。当结晶器坯壳内应力或内应变超过钢种临界应力或临界应变时,各种表面或内部缺陷产生。而往往包晶反应中的体积变化导致较大的内应力。当包晶反应发生时,结晶器的温度差会发生突变,因此通过结晶器温度提出了包晶反应特征值。而脱渣膜的发生往往是由于横裂纹发生导致的,因此脱渣膜特征值的提出,是为了识别横裂纹的发生。而表征液位或拉速波动特征值也是裂纹产生的主要因素。因此,通过以上特征值在铸坯长度上的波动来进行铸坯质量的判定符合缺陷产生的机理,提升缺陷命中率,减少误判率。同时,我们在设置波动规则时,充分考虑了钢种的不同以及后工序轧制的不同。另一方面可以看出,波动的表征是“自比较”,如当时板坯特征平均值与标准方差的比较,阈值往往是较固定的。这将避免在实际连铸生产过程中,连铸设备状态的变化对质量预测模型的影响。
本发明提供的一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,该方法对连铸坯质量进行在线判定,在生产中即使在线预报和检测连铸板坯质量,为连铸板坯的热装热送进行护航,减少热送板坯在后工序的缺陷率。为了实现以上目的,该方法从连铸板坯缺陷产生的机理出发,从实时数据中提取特征值,这些特征值与缺陷产生的原因或产生缺陷后发生的现象有关,这些缺陷连铸板坯常见缺陷包括纵裂纹、角横裂纹、UT探伤内部缺陷。由于裂纹在结晶器中起源,因此实时数据集中于结晶器实时数据。进一步基于特征值分布建立规则群,构成连铸板坯质量预测模型。
实施例
本实施例基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,包括以下步骤:
S1、按照时间序列收集来自L1系统地实时仪表检测信息,这些信息主要为结晶器温度、拉速、液位信息,收集来自L2系统的钢种中间包成分;
S2、收集来自L2系统的该浇次切段板坯号,当存在新板坯号时,将步骤S1中的信息匹配到板坯长度尺寸上;
S3、提取在板坯长度上的包晶反应特征值、脱渣膜特征值、液位波动特征值与拉速波动特征值;
S4、计算各个特征值在板坯长度上的波动指数,波动指数=板坯长度上的标准差/板坯长度最大值;在计算包晶反应波动指数时,当中间包成分在0.07~0.16wt.%外时,包晶反应波动指数设定为0;
S5、基于各波动指数规则群进行判定;当其中一个波动指数小于0.20时,板坯直接热送;当其中一个波动指数大于0.20时,下线进行清理;
S6、收集L2系统信息,当有新板坯时,重复步骤S2~步骤S5。
以上方法在连铸机的厚板生产与厚板的质量缺陷进行了预测。该方法简单,应用已有的仪表信息,不需要增加另外的检测设备。对板坯质量进行及时的预测,以分拣下线或采取措施,对确保生产的连续性、提升热装热送率,提高产品质量、降低生产成本具有显著的意义。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (10)
1.一种基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于,包括以下步骤:
S1、按照时间序列收集来自L1系统的实时检测信息;
S2、当板坯切断时,将步骤S1中收集到的实时检测信息匹配到板坯长度上,从而获知该板坯每点在结晶器所经历的生产参数;
S3、根据所述生产参数,提取对应板坯缺陷产生或缺陷发生现象的特征值;
S4、求取各个特征值的波动指数;
S5、当步骤S4中求取的某一特征值的波动指数若满足一个规则时,判定该板坯发生质量缺陷,下线进行清理;若不满足则送至下一工序;
S6、当有新板坯进行切断时,重复执行步骤S2至步骤S5。
2.根据权利要求1所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:所述步骤S1中,所述实时检测信息包括结晶器温度、拉速、液位、塞棒开口度、氩气压力与流量信息;还包括来自L2系统的钢种成分信息、L3系统的下一工序轧制厚度信息。
3.根据权利要求1所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:所述步骤S2中,所述生产参数包括温度、拉速、液位、塞棒开口度、氩气压力与流量。
4.根据权利要求2所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:所述步骤S3中,所述板坯缺陷产生或缺陷发生现象包括包晶反应、脱渣膜、液位波动和/或拉速波动。
5.根据权利要求4所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于,所述特征值的提取方式如下:
包晶反应特征值:结晶器上、下两排左、右各1/4、1/2处的温度差;
脱渣膜特征值:结晶器上、下两排左右1/16处温度波动在一个铸坯长度上的波动特征值;
液位波动特征值:结晶器的液位;
拉速波动特征值:板坯的拉速。
6.根据权利要求5所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:所述步骤S4中,所述特征值的波动指数等于特征值在一个板坯长度上的方差除以在一个铸坯长度上的平均值;或
所述步骤S4中,所述特征值的波动指数等于特征值在一个板坯长度上的方差除以在一个铸坯长度上的极大值。
7.根据权利要求5所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:当所述钢种成分信息中C含量在包晶范围以外时,包晶反应特征值的波动指数设定为0。
8.根据权利要求7所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:所述包晶范围为0.07~0.16。
9.根据权利要求1所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:所述步骤S5中,所述规则为设定波动指数超过一个阈值,所述阈值的取值范围在0.15~0.25之间。
10.根据权利要求9所述的基于缺陷机理提取结晶器实时特征值的板坯质量预测方法,其特征在于:所述阈值每隔3至6个月评估一次,需通过3至6个月的历史数据进行评估完善。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210574404.6A CN117171936A (zh) | 2022-05-25 | 2022-05-25 | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210574404.6A CN117171936A (zh) | 2022-05-25 | 2022-05-25 | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117171936A true CN117171936A (zh) | 2023-12-05 |
Family
ID=88928556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210574404.6A Pending CN117171936A (zh) | 2022-05-25 | 2022-05-25 | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171936A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828900A (zh) * | 2024-03-04 | 2024-04-05 | 宝鸡核力材料科技有限公司 | 一种应用于板坯轧制下的杂质去除提醒方法、系统及介质 |
-
2022
- 2022-05-25 CN CN202210574404.6A patent/CN117171936A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828900A (zh) * | 2024-03-04 | 2024-04-05 | 宝鸡核力材料科技有限公司 | 一种应用于板坯轧制下的杂质去除提醒方法、系统及介质 |
CN117828900B (zh) * | 2024-03-04 | 2024-05-07 | 宝鸡核力材料科技有限公司 | 一种应用于板坯轧制下的杂质去除提醒方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109396375B (zh) | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 | |
CN110216319B (zh) | 一种基于表面质量在线评估的中厚板优化剪切控制方法 | |
CN102581244B (zh) | 一种连铸铸坯表面质量的在线控制系统及控制方法 | |
CN113033974B (zh) | 基于改进lstm网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统 | |
CN102319883A (zh) | 一种连铸坯质量在线预报的控制方法 | |
CN111949700A (zh) | 用于石化装置的智能安全保障实时优化方法及系统 | |
CN111024513B (zh) | 一种连铸坯中间裂纹萌生临界应变测定的方法 | |
Adamy | Breakout prediction for continuous casting by fuzzy mealy automata | |
CN110991916A (zh) | 一种铸坯质量判定系统和方法 | |
CN117171936A (zh) | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
CN105014032A (zh) | 铸坯切割长度异常监测系统及监测方法 | |
CN111476348A (zh) | 一种铸坯质量预报方法 | |
Varfolomeev et al. | Statistical control of defects in a continuously cast billet based on machine learning and data analysis methods | |
Kumar et al. | Development of intelligent mould for online detection of defects in steel billets | |
CN115446276B (zh) | 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法 | |
CN117036797A (zh) | 基于特征提取与随机森林分类的连铸坯纵裂纹预测方法 | |
CN112926622A (zh) | 一种基于特征向量和swgan-gp生成对抗网络的结晶器漏钢预报方法 | |
CN111666710A (zh) | 一种采用逻辑回归分类预测连铸坯纵裂纹的方法 | |
CN111421119A (zh) | 连铸板坯表面纵裂纹在线预测的方法 | |
CN116451159A (zh) | 一种在线检测和识别连铸板坯裂纹缺陷的方法 | |
Normanton et al. | Developments in online surface and internal quality forecasting of continuously cast semis | |
CN110174409B (zh) | 一种基于实时检测结果的中厚板周期性缺陷控制方法 | |
CN103706774A (zh) | 一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法 | |
CN116451158A (zh) | 一种连铸板坯横裂纹在线预测方法 |
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 |