CN117399435B - 一种铜管轧制过程自适应补偿调整方法及系统 - Google Patents
一种铜管轧制过程自适应补偿调整方法及系统 Download PDFInfo
- Publication number
- CN117399435B CN117399435B CN202311692480.8A CN202311692480A CN117399435B CN 117399435 B CN117399435 B CN 117399435B CN 202311692480 A CN202311692480 A CN 202311692480A CN 117399435 B CN117399435 B CN 117399435B
- Authority
- CN
- China
- Prior art keywords
- rolling
- copper pipe
- copper
- batch
- parameters
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 301
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 286
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 286
- 239000010949 copper Substances 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009785 tube rolling Methods 0.000 claims abstract description 46
- 239000000463 material Substances 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明涉及铜管轧制技术领域,尤其涉及一种铜管轧制过程自适应补偿调整方法及系统,方法包括:获取铜管在各个轧制过程中的轧制目标直径,并计算轧制标准差值;获得待轧制铜管批次材料信息,构建批次铜管轧制控制模版,批次铜管轧制控制模版为同批次铜材轧制设置标准,并对同批次铜材进行轧制参数调整控制;自适应调整模型对轧制参数进行调整,并将调整后的轧制参数传输至批次铜管轧制控制模版;将铜管轧制状态信息和调整后的轧制标准差输入至自适应调整模型中,输出得到轧制补偿参数。通过本发明,有效解决了面对不同铜材轧制工艺调整准度低的问题,可以实现轧制工艺前序轧制和后序轧制的自动协作,且通过智能系统,深度学习可以代替人工监控。
Description
技术领域
本发明涉及铜管轧制技术领域,尤其涉及铜管轧制过程自适应补偿调整方法及系统。
背景技术
铜管轧制是铜管生产的重要制造过程,包括旋轧、联拉和盘拉多个工序,每一后序轧制对前序轧制都为铜管的直径、壁厚和表面质量进行进一步的调整。
然而,由于加工铜管的材质、规格和生产目标的不同,轧制过程对不同批次以及不同属性颗粒结构的铜材形成不同的轧制效果,前序轧制结果会对后序轧制过程产生重要影响,通过人工对不同批次的铜管进行工艺参数调整效率较低,且轧制过程需要人为监控。
公开于该背景技术部分的信息仅仅旨在加深对本公开总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
本发明提供了铜管轧制过程自适应补偿调整方法及系统,可有效解决背景技术中的问题。
为了达到上述目的,本发明所采用的技术方案是:
一种铜管轧制过程自适应补偿调整方法,所述方法包括:
获取铜管在各个轧制过程中的轧制目标直径,并通过各个所述轧制目标直径计算轧制标准差值;
获得待轧制铜管批次材料信息,基于所述轧制目标直径构建批次铜管轧制控制模版,所述批次铜管轧制控制模版为同批次铜材轧制设置标准,并对所述同批次铜材进行轧制参数调整控制;
所述批次铜管轧制控制模板根据所述待轧制铜管批次材料信息对所述轧制标准差值进行预调整;
对所述铜管的轧制过程进行监测,并获得铜管轧制状态信息;
建立自适应调整模型,所述自适应调整模型对所述铜管的轧制参数进行调整,并将调整后的所述轧制参数传输至所述批次铜管轧制控制模版;
将所述铜管轧制状态信息和调整后的所述轧制标准差输入至所述自适应调整模型中,输出得到轧制补偿参数,所述轧制补偿参数为下个轧制过程提供调整依据。
进一步地,构建批次铜管轧制控制模版,包括:
采集历史铜管轧制数据信息,并对所述历史铜管轧制数据信息进行预处理;
对处理后的所述历史铜管轧制数据信息的铜材数据特征进行特征提取;
对所述铜材数据特征与所述轧制标准差值的关联性进行分析,获得关联分析结果;
根据所述关联分析结果对所述历史铜管轧制数据信息进行分类,并按照分类结果对应建立若干所述批次铜管轧制控制模版。
进一步地,根据所述关联分析结果对所述历史铜管轧制数据信息进行分类,包括:
对所述关联分析结果进行深度分析,获得相关度系数,并将相关度系数分为正相关和负相关;
根据所述相关度系数为各个所述批次铜管轧制控制模版设置兼容性标签,所述兼容性标签将不同铜材生成的相同相关度系数聚类为一个所述批次铜管轧制控制模版,标识为选择所述批次铜管轧制控制模版的判断条件;
根据所述兼容性标签对所述历史铜管轧制数据信息进行分类。
进一步地,对所述批次铜管轧制控制模板设置反馈调整,包括:
周期性获得所述铜管轧制的质量参数;
对所述质量参数进行评估,获得质量评估结果;
判断所述质量评估结果是否需要调整轧制工艺参数;
若是,将所述质量评估结果反馈给所述批次铜管轧制控制模板,并对相关参数进行反馈调整。
进一步地,所述轧制补偿参数为下个轧制过程提供调整依据,包括:
所述自适应调整模型获取上一个所述轧制补偿参数;
所述轧制补偿参数对所述轧制标准差值进行补偿调整;
再次输入所述自适应调整模型进行检验并相应调整;
覆盖该所述批次铜管轧制控制模板内的相关工艺参数。
进一步地,对所述铜管的轧制过程进行监测,并获得铜管轧制状态信息,包括:
确定待轧制的铜管规格,并获得铜管基础信息;
根据所述铜管基础信息对所述铜管进行检测区域进行分段处理;
确定分段区域,并根据所述分段区域对所述铜管建立坐标系;
通过所述分段区域和坐标系对所述铜管的轧制过程进行监测,并获得所述铜管轧制状态信息。
进一步地,所述批次铜管轧制控制模版对所述同批次铜材进行轧制参数调整控制,包括:
确定所述铜管轧制状态信息;
根据所述铜管轧制状态信息对所述铜管进行待调整位置确定;
获取轧制设备的工作参数,并根据所述工作参数计算获得轧制时间延迟,所述轧制时间延迟为轧制工序间同一位置的位移时间;
根据所述轧制时间延迟和待调整位置对所述同批次铜材进行轧制参数调整控制。
进一步地,建立自适应调整模型,包括:
选择深度学习器对预处理后的所述历史铜管轧制数据信息进行深度学习;
根据所述历史铜管轧制数据信息构建验证数据集和测试数据集;
通过所述验证数据集和测试数据集对深度学习的结果进行测试和验证;
基于调试后的所述深度学习器建立自适应调整模型,并添加多道输入层和输出层。
铜管轧制过程自适应补偿调整系统,所述系统包括:
轧制数据获取模块,获取铜管在各个轧制过程中的轧制目标直径,并通过各个所述轧制目标直径计算轧制标准差值;
铜材批次模板模块,获得待轧制铜管批次材料信息,基于所述轧制目标直径构建批次铜管轧制控制模版,所述批次铜管轧制控制模版为同批次铜材轧制设置标准,并对所述同批次铜材进行轧制参数调整控制;
标准差预调整模块,所述批次铜管轧制控制模板根据所述待轧制铜管批次材料信息对所述轧制标准差值进行预调整;
铜管轧制监测模块,对所述铜管的轧制过程进行监测,并获得铜管轧制状态信息;
自适应模型建立模块,建立自适应调整模型,所述自适应调整模型对所述铜管的轧制参数进行调整,并将调整后的所述轧制参数传输至所述批次铜管轧制控制模版;
自适应补偿调整模块,将所述铜管轧制状态信息和调整后的所述轧制标准差输入至所述自适应调整模型中,输出得到轧制补偿参数,所述轧制补偿参数为下个轧制过程提供调整依据。
进一步地,所述铜管轧制监测模块包括:
基础信息获取单元,确定待轧制的铜管规格,并获得铜管基础信息;
铜管区域划分单元,根据所述铜管基础信息对所述铜管进行检测区域进行分段处理;
坐标系建立单元,确定分段区域,并根据所述分段区域对所述铜管建立坐标系;
监测获取信息单元,通过所述分段区域和坐标系对所述铜管的轧制过程进行监测,并获得所述铜管轧制状态信息。
通过本发明的技术方案,可实现以下技术效果:
有效解决了面对不同铜材轧制工艺调整准度低的问题,可以实现轧制工艺前序轧制和后序轧制的自动协作,且通过智能系统,深度学习可以代替人工监控,提高工作效率,降低人工成本。
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为铜管轧制过程自适应补偿调整方法及系统的流程示意图;
图2为构建批次铜管轧制控制模版的流程示意图;
图3为对批次铜管轧制控制模板设置反馈调整的流程示意图;
图4为轧制补偿参数为下个轧制过程提供调整依据的流程示意图;
图5为获得铜管轧制状态信息的流程示意图;
图6为建立自适应调整模型的流程示意图;
图7为铜管轧制过程自适应补偿调整系统的结构示意图。
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。
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。
实施例一
如图1所示,本申请提供了一种铜管轧制过程自适应补偿调整方法,方法包括:
S100:获取铜管在各个轧制过程中的轧制目标直径,并通过各个轧制目标直径计算轧制标准差值;
S200:获得待轧制铜管批次材料信息,基于轧制目标直径构建批次铜管轧制控制模版,批次铜管轧制控制模版为同批次铜材轧制设置标准,并对同批次铜材进行轧制参数调整控制;
S300:批次铜管轧制控制模板根据待轧制铜管批次材料信息对轧制标准差值进行预调整;
S400:对铜管的轧制过程进行监测,并获得铜管轧制状态信息;
S500:建立自适应调整模型,自适应调整模型对铜管的轧制参数进行调整,并将调整后的轧制参数传输至批次铜管轧制控制模版;
S600:将铜管轧制状态信息和调整后的轧制标准差输入至自适应调整模型中,输出得到轧制补偿参数,轧制补偿参数为下个轧制过程提供调整依据。
具体而言,批次铜管轧制模板具备两个功能,其一为识别相同轧制参数的批次铜材而对铜管轧制工艺的预调整,其次为对实际轧制操作进行控制,将调整过后的参数与检测得到的实时数据输入至自适应调整模型,待自适应调整模型输出得到轧制补偿参数,根据轧制补偿参数对批次铜管轧制模板下达指令,进而对实际轧制参数进行调整;在上述步骤中,目标直径为一个绝对值,即理想状态下各个轧制铜管的壁厚以及直径等参数,由于实际过程中由于多种因素的制约导致预设轧制标准差值和实际值存在偏差,其中很重要的一个因素便是相同预设值可能要面对不同批次的铜材,不同铜材之间由于颗粒结构的不稳定,有些铜管的位置可能会受力/不受力,这直接导致了轧制后的铜管质量受到影响,批次铜管轧制模板的建立正是考虑了这一因素,为铜材制作适配的模板模型,为预设值进行初步调整,避免与实际差异质量过大导致出现废品,而自适应调整模型则是在批次铜管轧制模板的基础之上进一步对轧制的参数进行调整,由两个模型完成对铜管轧制过程的自适应控制。
通过本发明的技术方案,有效解决了面对不同铜材轧制工艺调整准度低的问题,可以实现轧制工艺前序轧制和后序轧制的自动协作,且通过智能系统,深度学习可以代替人工监控,提高工作效率,降低人工成本。
进一步来说,如图2所示,构建批次铜管轧制控制模版,包括:
S210:采集历史铜管轧制数据信息,并对历史铜管轧制数据信息进行预处理;
S220:对处理后的历史铜管轧制数据信息的铜材数据特征进行特征提取;
S230:对铜材数据特征与轧制标准差值的关联性进行分析,获得关联分析结果;
S240:根据关联分析结果对历史铜管轧制数据信息进行分类,并按照分类结果对应建立若干批次铜管轧制控制模版。
作为上述实施例的优选,采集历史铜管轧制数据是为了建立控制模板时能够基于丰富的历史信息,并可以使用数据采集系统,收集历史铜管轧制的直径、壁厚、温度等相关数据,预处理历史数据有助于去除异常值、平滑数据,确保数据的准确性和一致性,特征提取从庞大的数据中提取关键信息,降低数据维度,便于后续的关联性分析和建模,可以使用数据分析工具或编程语言,提取铜管轧制数据中的关键特征,如平均值、标准差、最小值、最大值等,提取的特征能够更好地代表铜管轧制数据的特性,简化了数据集,提高了后续分析的效率,在这个基础上,可以使用相关性分析、回归分析等统计方法,探索铜材数据特征与轧制标准差值之间的关系,并通过分析铜材数据特征与轧制标准差值的关联性,能够找到不同特征对轧制过程影响的关键因素,为分类建模提供依据。
进一步来说,根据关联分析结果对历史铜管轧制数据信息进行分类,包括:
对关联分析结果进行深度分析,获得相关度系数,并将相关度系数分为正相关和负相关;
根据相关度系数为各个批次铜管轧制控制模版设置兼容性标签,兼容性标签将不同铜材生成的相同相关度系数聚类为一个批次铜管轧制控制模版,标识为选择批次铜管轧制控制模版的判断条件;
根据兼容性标签对历史铜管轧制数据信息进行分类。
在上述实施方式的基础之上,可以使用统计工具或编程语言对关联分析结果进行详细分析,计算相关度系数,对于正相关和负相关的划分,一般可以设定一个阈值,超过该阈值为正相关,低于该阈值为负相关,而多种铜材状态下的参数设定可以使用同一种批次铜管轧制控制模板,那么就需要为选择适配的批次铜管轧制控制模板,兼容性标签可将分类的区别特征提取,并将若干区别特征作为选择批次铜管轧制控制模板的唯一标识,它既对选择批次铜管轧制控制模板提供选择依据,又通过区别特征对历史铜管轧制数据信息进行分类,并以此建立批次铜管轧制控制模板,通过这样的分类和标签设置,不仅提高了模板的泛化性,还实现了对具有相似特性的不同铜材的聚类,降低了生产过程中因材料变化导致的波动,提供了更具体、更精准的控制策略。
进一步来说,如图3所示,对批次铜管轧制控制模板设置反馈调整,包括:
S201:周期性获得铜管轧制的质量参数;
S202:对质量参数进行评估,获得质量评估结果;
S203:判断质量评估结果是否需要调整轧制工艺参数;
S204:若是,将质量评估结果反馈给批次铜管轧制控制模板,并对相关参数进行反馈调整。
作为上述实施例的优选,获得铜管轧制的质量参数可以设置传感器或在线检测系统,以固定的周期监测和记录铜管轧制的质量参数,如直径、壁厚、表面光洁度等,并对采集到的结果进行质量评估,若得到的评估结果为不达标,那么立刻对批次铜管轧制控制模板内的控制系统进行调整,即依据评估结果对下个铜管的轧制参数进行相应调节,整个过程为即时反馈调整,特别是当刚进入一组新的铜材轧制时,可以通过控制周期性来控制监测评估频率,具体地可以将前几根铜管的监测频率提升,评估结果趋于稳定合格,再将监测频率降低,周期拉长。
进一步来说,如图4所示,轧制补偿参数为下个轧制过程提供调整依据,包括:
S610:自适应调整模型获取上一个轧制补偿参数;
S620:轧制补偿参数对轧制标准差值进行补偿调整;
S630:再次输入自适应调整模型进行检验并相应调整;
S640:覆盖该批次铜管轧制控制模板内的相关工艺参数。
在本实施例的方式中,上一个轧制补偿参数记录在系统中,并由自适应调整模型获取该参数的数值,将获取的轧制补偿参数与当前轧制标准差值结合,进行补偿调整,再次输入自适应调整模型,将调整后的轧制标准差值再次输入,检验模型的输出,并根据需要进行进一步的参数调整。最后,将调整后的轧制参数应用到该批次铜管轧制控制模板内,覆盖原有的参数设定,需要注意的是补偿参数的调整和反馈调整是存在一定的区别的,补偿参数主要为对自适应模型以及批次铜管轧制控制模板进行调整,而反馈调整则是对控制端进行的即时性调整,避免出现数量较多的不合格产品。
进一步来说,如图5所示,对铜管的轧制过程进行监测,并获得铜管轧制状态信息,包括:
S410:确定待轧制的铜管规格,并获得铜管基础信息;
S420:根据铜管基础信息对铜管进行检测区域进行分段处理;
S430:确定分段区域,并根据分段区域对铜管建立坐标系;
S440:通过分段区域和坐标系对铜管的轧制过程进行监测,并获得铜管轧制状态信息。
在轧制过程中,首先需要确定待轧制铜管的规格并获取基础信息,可以通过使用传感器和激光测量等技术手段进行测量,确保高精度和高效率,随后,根据基础信息对铜管进行分段处理,利用自动化设备对每个分段进行检测,并根据基础信息确定分段区域,并在此基础上建立坐标系,有助于准确描述铜管轧制过程中的位置信息,且配合分段区域可以清楚的对铜管直径或内壁厚度进行定位,这一系列步骤能够实现对铜管轧制过程的全面监测,为调整提供详细数据支持,确保产品质量的稳定性。
进一步来说,批次铜管轧制控制模版对同批次铜材进行轧制参数调整控制,包括:
确定铜管轧制状态信息;
根据铜管轧制状态信息对铜管进行待调整位置确定;
获取轧制设备的工作参数,并根据工作参数计算获得轧制时间延迟,轧制时间延迟为轧制工序间同一位置的位移时间;
根据轧制时间延迟和待调整位置对同批次铜材进行轧制参数调整控制。
作为上述实施例的优选,首先,确定铜管轧制状态信息,例如铜管的经过前序轧制后的达标情况,其中确定铜管的哪些局部参数还有待进行区别轧制等,根据这些信息,进一步确定待调整位置,通过坐标系和分段区域明确需要进行参数调整的具体区域;接着,获取轧制设备的工作参数,包括轧辊压力、轧辊间隙、前序和后序的轧制速度以及铜管经过轧制的前进速度等,然后根据这些参数计算轧制时间延迟,即轧制工序间同一位置的位移时间,例如从坐标上判断出点A位置的铜管区域出现直径的波动,那么延迟时间则是获得点A位置区域到达后序轧制需要的位移时间,这和轧制速度以及铜管经过轧制后的前进速度相关,最后,结合轧制时间延迟和待调整位置,实施同批次铜材的轧制参数调整控制。
进一步来说,如图6所示,建立自适应调整模型,包括:
S510:选择深度学习器对预处理后的历史铜管轧制数据信息进行深度学习;
S520:根据历史铜管轧制数据信息构建验证数据集和测试数据集;
S530:通过验证数据集和测试数据集对深度学习的结果进行测试和验证;
S540:基于调试后的深度学习器建立自适应调整模型,并添加多道输入层和输出层。
在上述实施例的基础之上,通过建立自适应调整模型,可以更智能地对铜管轧制过程进行调整,在选择深度学习器对预处理后的历史铜管轧制数据信息进行深度学习时,深度学习的能力能够捕捉复杂的数据关系,提高模型对轧制过程的理解,利用深度学习框架,如TensorFlow或PyTorch,选择合适的神经网络结构进行训练,并根据历史铜管轧制数据信息构建验证数据集和测试数据集,通过这些数据集对深度学习的结果进行测试和验证确保模型对历史数据的泛化能力,提高了模型的鲁棒性,自适应调整模型能够根据历史数据学习并适应轧制过程的变化,实现更精准、实时的参数调整,提高了铜管轧制的自适应性和智能化水平。
实施例二:
基于与前述实施例中一种铜管轧制过程自适应补偿调整方法同样发明构思,如图7所示,本发明还提供了铜管轧制过程自适应补偿调整系统,系统包括:
轧制数据获取模块,获取铜管在各个轧制过程中的轧制目标直径,并通过各个轧制目标直径计算轧制标准差值;
铜材批次模板模块,获得待轧制铜管批次材料信息,基于轧制目标直径构建批次铜管轧制控制模版,批次铜管轧制控制模版为同批次铜材轧制设置标准,并对同批次铜材进行轧制参数调整控制;
标准差预调整模块,批次铜管轧制控制模板根据待轧制铜管批次材料信息对轧制标准差值进行预调整;
铜管轧制监测模块,对铜管的轧制过程进行监测,并获得铜管轧制状态信息;
自适应模型建立模块,建立自适应调整模型,自适应调整模型对铜管的轧制参数进行调整,并将调整后的轧制参数传输至批次铜管轧制控制模版;
自适应补偿调整模块,将铜管轧制状态信息和调整后的轧制标准差输入至自适应调整模型中,输出得到轧制补偿参数,轧制补偿参数为下个轧制过程提供调整依据。
本发明中的上述调整系统可有效的实现铜管轧制过程自适应补偿调整方法,能够起到的技术效果如上述实施例所描述的,此处不再赘述。
进一步地,铜管轧制监测模块包括:
基础信息获取单元,确定待轧制的铜管规格,并获得铜管基础信息;
铜管区域划分单元,根据铜管基础信息对铜管进行检测区域进行分段处理;
坐标系建立单元,确定分段区域,并根据分段区域对铜管建立坐标系;
监测获取信息单元,通过分段区域和坐标系对铜管的轧制过程进行监测,并获得铜管轧制状态信息。
同样地,对系统的上述优化方案,也分别地可对应实现实施例一中方法对应的优化效果,此处同样不再赘述。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种铜管轧制过程自适应补偿调整方法,其特征在于,所述方法包括:
获取铜管在各个轧制过程中的轧制目标直径,并通过各个所述轧制目标直径计算轧制标准差值;
获得待轧制铜管批次材料信息,基于所述轧制目标直径构建批次铜管轧制控制模板,所述批次铜管轧制控制模板为同批次铜管轧制设置标准,并对所述同批次铜管进行轧制参数调整控制;
构建批次铜管轧制控制模板,包括:
采集历史铜管轧制数据信息,并对所述历史铜管轧制数据信息进行预处理;
对预处理后的所述历史铜管轧制数据信息的铜管数据特征进行特征提取;
对所述铜管数据特征与所述轧制标准差值的关联性进行分析,获得关联分析结果;
根据所述关联分析结果对所述历史铜管轧制数据信息进行分类,并按照分类结果对应建立若干所述批次铜管轧制控制模板;
所述批次铜管轧制控制模板根据所述待轧制铜管批次材料信息对所述轧制标准差值进行预调整;
对所述铜管的轧制过程进行监测,并获得铜管轧制状态信息;
建立自适应调整模型,所述自适应调整模型对所述铜管的轧制参数进行调整,并将调整后的所述轧制参数传输至所述批次铜管轧制控制模板;
建立自适应调整模型,包括:
选择深度学习器对预处理后的所述历史铜管轧制数据信息进行深度学习;
根据所述历史铜管轧制数据信息构建验证数据集和测试数据集;
通过所述验证数据集和测试数据集对深度学习的结果进行测试和验证;
基于调试后的所述深度学习器建立自适应调整模型,并添加多道输入层和输出层;
将所述铜管轧制状态信息和调整后的所述轧制标准差输入至所述自适应调整模型中,输出得到轧制补偿参数,所述轧制补偿参数为下个轧制过程提供预调整依据。
2.根据权利要求1所述的铜管轧制过程自适应补偿调整方法,其特征在于,根据所述关联分析结果对所述历史铜管轧制数据信息进行分类,包括:
对所述关联分析结果进行深度分析,获得相关度系数,并将相关度系数分为正相关和负相关;
根据所述相关度系数为各个所述批次铜管轧制控制模板设置兼容性标签,所述兼容性标签将不同铜管生成的相同相关度系数聚类为一个所述批次铜管轧制控制模板,所述兼容性标签为选择所述批次铜管轧制控制模板的判断条件;
根据所述兼容性标签对所述历史铜管轧制数据信息进行分类。
3.根据权利要求2所述的铜管轧制过程自适应补偿调整方法,其特征在于,
对所述批次铜管轧制控制模板设置反馈调整,包括:
周期性获得所述铜管轧制的质量参数;
对所述质量参数进行评估,获得质量评估结果;
根据所述质量评估结果,判断是否需要进行轧制工艺参数的调整;
若是,将所述质量评估结果反馈给所述批次铜管轧制控制模板,并对相关参数进行反馈调整。
4.根据权利要求1所述的铜管轧制过程自适应补偿调整方法,其特征在于,
所述轧制补偿参数为下个轧制过程提供调整依据,包括:
所述自适应调整模型获取上一个所述轧制补偿参数;
根据所述轧制补偿参数对所述轧制标准差值进行补偿调整;
再次通过所述自适应调整模型进行检验并相应调整;
覆盖该所述批次铜管轧制控制模板内的相关工艺参数。
5.根据权利要求1所述的铜管轧制过程自适应补偿调整方法,其特征在于,对所述铜管的轧制过程进行监测,并获得铜管轧制状态信息,包括:
确定待轧制的铜管规格,并获得铜管基础信息;
根据所述铜管基础信息对所述铜管的检测区域进行分段处理;
确定分段区域,并根据所述分段区域对所述铜管建立坐标系;
通过所述分段区域和坐标系对所述铜管的轧制过程进行监测,并获得所述铜管轧制状态信息。
6.根据权利要求5所述的铜管轧制过程自适应补偿调整方法,其特征在于,所述批次铜管轧制控制模板对所述同批次铜管进行轧制参数调整控制,包括:
确定所述铜管轧制状态信息;
根据所述铜管轧制状态信息对所述铜管进行待调整位置确定;
获取轧制设备的工作参数,并根据所述工作参数计算获得轧制时间延迟,所述轧制时间延迟为轧制工序间同一位置的位移时间;
根据所述轧制时间延迟和待调整位置对所述同批次铜管进行轧制参数调整控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311692480.8A CN117399435B (zh) | 2023-12-11 | 2023-12-11 | 一种铜管轧制过程自适应补偿调整方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311692480.8A CN117399435B (zh) | 2023-12-11 | 2023-12-11 | 一种铜管轧制过程自适应补偿调整方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117399435A CN117399435A (zh) | 2024-01-16 |
CN117399435B true CN117399435B (zh) | 2024-03-15 |
Family
ID=89496436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311692480.8A Active CN117399435B (zh) | 2023-12-11 | 2023-12-11 | 一种铜管轧制过程自适应补偿调整方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117399435B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1979496A (zh) * | 2005-12-02 | 2007-06-13 | 中国科学院金属研究所 | 铜合金管材铸轧工艺参数设计及优化的方法 |
CN102591286A (zh) * | 2012-02-20 | 2012-07-18 | 宝山钢铁股份有限公司 | 在线轧制计划动态预分析自调整系统及其方法 |
CN104511481A (zh) * | 2013-09-26 | 2015-04-15 | 宝山钢铁股份有限公司 | 一种粗轧宽度多目标轧制的长行程控制方法 |
CN113569343A (zh) * | 2021-05-19 | 2021-10-29 | 苏州大学 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
CN115121626A (zh) * | 2022-06-28 | 2022-09-30 | 燕山大学 | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 |
-
2023
- 2023-12-11 CN CN202311692480.8A patent/CN117399435B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1979496A (zh) * | 2005-12-02 | 2007-06-13 | 中国科学院金属研究所 | 铜合金管材铸轧工艺参数设计及优化的方法 |
CN102591286A (zh) * | 2012-02-20 | 2012-07-18 | 宝山钢铁股份有限公司 | 在线轧制计划动态预分析自调整系统及其方法 |
CN104511481A (zh) * | 2013-09-26 | 2015-04-15 | 宝山钢铁股份有限公司 | 一种粗轧宽度多目标轧制的长行程控制方法 |
CN113569343A (zh) * | 2021-05-19 | 2021-10-29 | 苏州大学 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
CN115121626A (zh) * | 2022-06-28 | 2022-09-30 | 燕山大学 | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117399435A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109222208B (zh) | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 | |
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN115993807B (zh) | 一种碳化硅的生产监测优化控制方法及系统 | |
CN114754824B (zh) | 一种拉丝机的监测预警方法及系统 | |
TW201615844A (zh) | 異因分析與校正方法與系統 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
CN114329940A (zh) | 一种基于极限学习机的连铸坯质量预测方法 | |
CN115993856B (zh) | 一种厂房多区域环境条件管控方法及系统 | |
CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
CN111950577A (zh) | 一种点检方法及装置 | |
CN115826516A (zh) | 一种智能化的不锈钢链条生产管理方法及系统 | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
CN117086117A (zh) | 一种钛带热轧过程温度控制方法及系统 | |
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 | |
CN114742987A (zh) | 一种用于非金属材料切割的自动定位控制方法及系统 | |
CN117399435B (zh) | 一种铜管轧制过程自适应补偿调整方法及系统 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
CN117148803B (zh) | 一种用于自动居中调宽流水线的调节控制方法 | |
CN111368833B (zh) | 一种基于机器视觉的板坯号检测全自动装钢方法 | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
CN116611850B (zh) | 发动机装配质量曲线的检测和追溯系统 | |
CN116915122B (zh) | 一种煤矿变频设备的自适应控制方法及系统 | |
CN117259447B (zh) | 一种铜管旋轧生产参数自适应调整方法及系统 | |
CN117870034B (zh) | 洁净室环境参数的控制方法、装置及系统 |
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 |