CN117707096A - 基于性能需求的特种钢材加工工艺动态优化方法及系统 - Google Patents
基于性能需求的特种钢材加工工艺动态优化方法及系统 Download PDFInfo
- Publication number
- CN117707096A CN117707096A CN202410137103.6A CN202410137103A CN117707096A CN 117707096 A CN117707096 A CN 117707096A CN 202410137103 A CN202410137103 A CN 202410137103A CN 117707096 A CN117707096 A CN 117707096A
- Authority
- CN
- China
- Prior art keywords
- target
- special steel
- preset
- factor
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 181
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 143
- 239000010959 steel Substances 0.000 title claims abstract description 143
- 238000005457 optimization Methods 0.000 title claims abstract description 117
- 238000012545 processing Methods 0.000 title claims abstract description 56
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 125
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000003754 machining Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 230000001105 regulatory effect Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000003723 Smelting Methods 0.000 description 7
- 238000005266 casting Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000007664 blowing Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- PYLLWONICXJARP-UHFFFAOYSA-N manganese silicon Chemical compound [Si].[Mn] PYLLWONICXJARP-UHFFFAOYSA-N 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 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
- General Factory Administration (AREA)
Abstract
本发明提供了基于性能需求的特种钢材加工工艺动态优化方法及系统，涉及数据处理技术领域，该方法包括：读取目标特钢的目标加工工序；组建第一工序的第一工序因子集；组建目标候选因子列表；对第一候选因子进行分析，将第一候选因子添加至目标关键因子列表；提取所述目标关键因子列表中的目标因子，作为预定优化变量；随机获取第一初始参数集；基于预定优化规则进行寻优分析，得到最优变量决策；对目标特钢的加工工艺进行动态优化控制，解决了现有技术中存在的优化效率不足，且优化结果与性能需求的匹配度不高的技术问题，实现针对性地对特种钢材的工艺参数进行优化，达到提升特种钢材的应用性能与实际需求的契合度的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于性能需求的特种钢材加工工艺动态优化方法及系统。
背景技术
特种钢材是机械、汽车、军工、化工、家电、船舶、交通、铁路以及新兴产业等大部分行业用钢最主要的钢类，通过对特种钢材的加工工艺进行优化，可以有效提升特种钢材的性能。
目前，现有技术中存在由于对特钢加工工艺参数与特钢性能的相关性分析不足，进而导致工艺优化耗时耗力，优化效率不足，且优化结果与性能需求的匹配度不高的技术问题。
发明内容
本发明提供了基于性能需求的特种钢材加工工艺动态优化方法及系统，用以解决现有技术中存在由于对特钢加工工艺参数与特钢性能的分析不足，进而导致工艺优化耗时耗力，优化效率不足，且优化结果与性能需求的匹配度不高的技术问题。
根据本发明的第一方面，提供了基于性能需求的特种钢材加工工艺动态优化方法，包括：读取目标特钢的目标加工工序，其中，所述目标加工工序包括M个工序，且M为大于1的整数；提取所述M个工序中的第一工序，并组建所述第一工序的第一工序因子集，其中，所述第一工序因子集包括N个因子，且N为大于1的整数；根据所述N个因子组建目标候选因子列表，其中，所述目标候选因子列表包括多个候选因子；对所述多个候选因子中的第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将所述第一候选因子添加至目标关键因子列表；提取所述目标关键因子列表中的目标因子，并将所述目标因子作为预定优化变量；基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，所述第一初始参数集包括P个初始参数，且所述P个初始参数中的各个初始参数均处于预定变量阈；读取预定优化规则，并基于所述预定优化规则对所述P个初始参数进行寻优分析，得到所述预定优化变量的最优变量决策；基于所述最优变量决策生成最优工艺方案，并根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制。
根据本发明的第二方面，提供了基于性能需求的特种钢材加工工艺动态优化系统，包括：加工工序读取模块，所述加工工序读取模块用于读取目标特钢的目标加工工序，其中，所述目标加工工序包括M个工序，且M为大于1的整数；工序因子集组建模块，所述工序因子集组建模块用于提取所述M个工序中的第一工序，并组建所述第一工序的第一工序因子集，其中，所述第一工序因子集包括N个因子，且N为大于1的整数；候选因子列表组建模块，所述候选因子列表组建模块用于根据所述N个因子组建目标候选因子列表，其中，所述目标候选因子列表包括多个候选因子；候选因子分析模块，所述候选因子分析模块用于对所述多个候选因子中的第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将所述第一候选因子添加至目标关键因子列表；预定优化变量确定模块，所述预定优化变量确定模块用于提取所述目标关键因子列表中的目标因子，并将所述目标因子作为预定优化变量；第一初始参数集获取模块，所述第一初始参数集获取模块用于基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，所述第一初始参数集包括P个初始参数，且所述P个初始参数中的各个初始参数均处于预定变量阈；寻优分析模块，所述寻优分析模块用于读取预定优化规则，并基于所述预定优化规则对所述P个初始参数进行寻优分析，得到所述预定优化变量的最优变量决策；动态优化控制模块，所述动态优化控制模块用于基于所述最优变量决策生成最优工艺方案，并根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制。
根据本发明采用的一个或者多个技术方案，可达到的效果如下：
1.读取目标特钢的目标加工工序，组建第一工序的第一工序因子集，组建目标候选因子列表，对第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将第一候选因子添加至目标关键因子列表，提取目标关键因子列表中的目标因子，并作为预定优化变量，基于预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，第一初始参数集包括P个初始参数，并基于预定优化规则对P个初始参数进行寻优分析，得到预定优化变量的最优变量决策，基于最优变量决策生成最优工艺方案，并根据最优工艺方案对目标特钢的加工工艺进行动态优化控制，实现根据需求性能对特种钢材的工艺参数进行针对性地优化，达到提升特种钢材的应用性能与实际需求的契合度，进而提升特钢生产质量的技术效果。
2.获取历史特钢加工记录中的第一历史记录，获取历史特钢加工记录中的第二历史记录，其中，第二历史记录包括第一候选因子的第二候选因子历史数据，根据第一候选因子历史数据和第二候选因子历史数据得到第一候选因子的第一参数波动区间，依次提取第一历史记录中的第一性能指标数据和第二历史记录中的第二性能指标数据，计算第一性能指标数据和第二性能指标数据的均值，记作第一均值，对第一参数波动区间和第一均值进行加权计算，得到第一候选因子的第一影响指数，根据第一影响指数组建目标关键因子列表，实现针对性地对目标关键因子列表中的因子进行工艺优化，达到提升工艺优化的针对性和优化效率的技术效果。
3.获取基于最优工艺方案得到目标特钢产品，基于预定检测方案对目标特钢产品的边部晶粒度进行检测，得到第一平均晶粒度，对目标特钢产品的心部晶粒度进行检测，得到第二晶粒度，获取第一平均晶粒度与第二晶粒度的偏差，记作目标偏差，其中，目标偏差用于表征目标特钢产品的综合性能，达到对目标需求性能的量化，便于用户直观了解特种钢材的工艺、性能优化结果的技术效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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的介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于性能需求的特种钢材加工工艺动态优化方法的流程示意图；
图2为本发明实施例中组建目标候选因子列表的流程示意图；
图3为本发明实施例中确定最优变量决策的流程示意图；
图4为本发明实施例提供的基于性能需求的特种钢材加工工艺动态优化系统的结构示意图。
附图标记说明：加工工序读取模块11，工序因子集组建模块12，候选因子列表组建模块13，候选因子分析模块14，预定优化变量确定模块15，第一初始参数集获取模块16，寻优分析模块17，动态优化控制模块18。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例1
图1为本发明实施例提供的基于性能需求的特种钢材加工工艺动态优化方法图，所述方法包括：
步骤S100：读取目标特钢的目标加工工序，其中，所述目标加工工序包括M个工序，且M为大于1的整数；
具体而言，所述目标特钢是指任意一种类型的特种钢材，比如钨钢、锰钢、锰硅钢、钼钢等，所述目标加工工序是指用于生产目标特钢的工艺流程，可基于所述目标特钢的生产车间直接读取，所述目标加工工序包括M个工序，且M为大于1的整数，比如原材料准备、熔炼、铸造、轧制、热处理、表面处理等工序。
步骤S200：提取所述M个工序中的第一工序，并组建所述第一工序的第一工序因子集，其中，所述第一工序因子集包括N个因子，且N为大于1的整数；
具体而言，提取所述M个工序中的第一工序，所述第一工序泛指所述M个工序中的任一工序，并组建所述第一工序的第一工序因子集，其中，所述第一工序因子集包括N个因子，且N为大于1的整数，N个因子是指在目标特钢的生产工序中，会对目标特钢的性能产生影响的工艺参数，比如，熔炼时的炉温、炉压、炉内气体成分，铸造时的铸造温度、铸造速度、模具温度等工艺参数。
步骤S300：根据所述N个因子组建目标候选因子列表，其中，所述目标候选因子列表包括多个候选因子；
其中，如图2所示，本发明实施例步骤S300还包括：
步骤S310：根据所述第一工序和所述N个因子的第一映射关系，构建所述目标特钢的工序微观流程图；
步骤S320：读取所述目标特钢的目标性能需求，其中，所述目标性能需求是指所述目标特钢实际需求的性能指标；
步骤S330：将所述目标性能需求作为所述工序微观流程图的输出结果，并以所述输出结果为约束筛选得到候选因子集；
步骤S340：提取所述候选因子集中的第一因子，并判断所述第一因子是否符合预定要求；
步骤S350：若是符合，将所述第一因子添加进所述目标候选因子列表，若是不符合，将所述第一因子添加进非目标候选因子列表。
具体而言，任意一个工序对应一个工序因子集，每一个工序因子集中包含N个因子，且不同工序对应的N可以不同，根据所述第一工序和所述N个因子的第一映射关系，构建所述目标特钢的工序微观流程图，工序微观流程图即为在对第一工序进行进一步细化后的洗消流程，比如转炉熔炼工序还包括顶吹、熔炉搅拌、底吹等流程，将这些细小流程顺序连接，即为第一工序对应的工序微观流程图。读取所述目标特钢的目标性能需求，其中，所述目标性能需求是指所述目标特钢实际需求的性能指标，简单来说，就是不同的应用场景对特钢的硬度、柔韧性、耐磨性、耐腐蚀性等性能要求不同，因此，可结合目标特钢实际需求获取目标性能需求，比如制造金属加工工具、拖拉机履带和车轴等工具对特钢的硬度要求较高，硬度即为目标性能需求；制造弹簧片、弹簧圈等对特钢的柔韧性要求较高，柔韧性即为目标性能需求。需要说明的是，第一工序泛指M个工序中的任意一个工序，因此，获得的目标性能需求也是所有工序的性能需求。
将所述目标性能需求作为所述工序微观流程图的输出结果，并以所述输出结果为约束筛选得到候选因子集，简单来说，就是根据所述目标性能需求，在所述第一工序因子集中进行筛选，将对目标性能需求有影响的所有工序因子组合到一起的集合作为候选因子集，比如对特钢的硬度产生影响的含碳量、炉温等因子。
预定要求是指是否可调控，可调控的话，就可以对该因子进行调整，实现工艺优化，不可调控即为不可对因子进行调整，即不能通过优化该因子实现工艺的优化，预定要求可由本领域技术人员根据实际情况设置，比如炉温、铸造温度等可以进行调控，原料成分不可调控。基于此，提取所述候选因子集中的第一因子，第一因子泛指候选因子集中的任意一个因子，进而判断所述第一因子是否符合预定要求，若是符合，即第一因子可以调控，就将所述第一因子作为其中一个候选因子添加进所述目标候选因子列表，所述目标候选因子列表包括多个候选因子；若是不符合，即第一因子不可可以调控，将所述第一因子添加进非目标候选因子列表。由此实现对特钢生产的工序因子进行性能影响和可调控分析，为后续的工艺优化提供基础，可针对性地对候选因子进行优化，提升工艺优化效率。
步骤S400：对所述多个候选因子中的第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将所述第一候选因子添加至目标关键因子列表；
其中，本发明实施例步骤S400还包括：
步骤S410：获取历史特钢加工记录中的第一历史记录，其中，所述第一历史记录包括所述第一候选因子的第一候选因子历史数据；
步骤S420：获取所述历史特钢加工记录中的第二历史记录，其中，所述第二历史记录包括所述第一候选因子的第二候选因子历史数据；
步骤S430：根据所述第一候选因子历史数据和所述第二候选因子历史数据得到所述第一候选因子的第一参数波动区间；
步骤S440：依次提取所述第一历史记录中的第一性能指标数据和所述第二历史记录中的第二性能指标数据；
步骤S450：计算所述第一性能指标数据和所述第二性能指标数据的均值，记作第一均值；
步骤S460：对所述第一参数波动区间和所述第一均值进行加权计算，得到所述第一候选因子的第一影响指数。
具体而言，历史特钢加工记录是指在过去一段时间内生产所述目标特钢的历史生产记录，包括所有工序的N个因子的记录数据和对应的目标特钢的性能指标参数。提取历史特钢加工记录中的第一历史记录，泛指多个记录中的任一记录，其中，所述第一历史记录包括所述第一候选因子的第一候选因子历史数据，第一候选因子即为所述多个候选因子中的任意一个候选因子，第一候选因子历史数据即为第一候选因子的历史参数，比如历史炉温、历史炉压等。
获取所述历史特钢加工记录中的第二历史记录，第二历史记录是指中与第一历史记录不同的任意一个记录，其中，所述第二历史记录包括所述第一候选因子的第二候选因子历史数据，简单来说，第一候选因子历史数据和第二候选因子历史数据泛指同一候选因子的不同历史记录，不仅指代两个历史记录，是所述历史特钢加工记录中的所有历史记录，比如不同生产记录下的炉温参数，根据所述第一候选因子历史数据和所述第二候选因子历史数据得到所述第一候选因子的第一参数波动区间，第一参数波动区间可根据所述第一候选因子历史数据和所述第二候选因子历史数据中的第一候选因子的最大参数值和最小参数值组建，简单来说，就是以最大参数值和最小参数值最为一个区间范围，即为第一参数波动区间。
进一步地，依次提取所述第一历史记录中的第一性能指标数据和所述第二历史记录中的第二性能指标数据，第一性能指标数据和第一候选因子历史数据具有对应关系，比如第一候选因子历史数据对应的特钢强度、硬度等指标参数，第二性能指标数据和第二候选因子历史数据具有对应关系。计算所述第一性能指标数据和所述第二性能指标数据的均值，记作第一均值，对所述第一参数波动区间和所述第一均值进行加权计算，简单来说，就是以第一参数波动区间的区间跨度乘以所述第一均值，计算结果即为所述第一候选因子的第一影响指数。以此类推，采用同样的方法，获取所述多个候选因子分别对应的第一影响指数。由此通过分析候选因子对特钢需求性能的影响，为后续的工艺优化提供基础。
根据获得的第一影响指数，判断第一影响指数是否符合预定影响阈值，预定影响阈值由本领域技术人员根据实际情况自行设定，可基于历史经验设置。也就是说，如果第一影响指数较小，说明对应的候选因子的变化对特钢性能影响度较小，那么就没有必要对该候选因子进行工艺优化，优化后的意义不大，反而增加工艺优化复杂度。如果第一影响指数符合预定影响阈值，将所述第一候选因子添加至目标关键因子列表，后续可针对性地对目标关键因子列表中的因子进行工艺优化，提升工艺优化效率。
步骤S500：提取所述目标关键因子列表中的目标因子，并将所述目标因子作为预定优化变量；
具体而言，所述目标关键因子列表中包括多个关键因子，进一步对多个关键因子进行是否可调控的判断，将可以调控的因子作为目标因子，即预定优化变量，具体来说，可由本领域技术人员根据实际生产车间的特钢生产工艺，组建可调控因子集，然后将目标关键因子列表中的多个关键因子分别在可调控因子集中进行遍历比对，比对成功的即为目标因子，后续可对目标因子即预定优化变量进行针对性地优化。
步骤S600：基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，所述第一初始参数集包括P个初始参数，且所述P个初始参数中的各个初始参数均处于预定变量阈；
其中，本发明实施例步骤S600还包括：
步骤S610：匹配所述预定优化变量的预定目标设备，并获取所述预定目标设备的出厂控制阈，其中，所述出厂控制阈包括出厂控制上限和出厂控制下限；
步骤S620：对所述出厂控制阈进行调整得到所述预定变量阈。
具体而言，第一预定变量参数是指用于调控第一预定变量的控制参数，比如控制电弧炉温度的电压、电流等参数，第一预定变量参数可由本领域技术人员接好历史经验，将常用的预定优化变量地控制参数作为第一预定变量参数，基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，简单来说，就是对第一预定变量参数中的参数进行随机调整，获取调整后的参数集作为第一初始参数集，其中，所述第一初始参数集包括P个初始参数，比如控制电弧炉温度的电压、电流等，P为大于等于1的整数，且所述P个初始参数中的各个初始参数均处于预定变量阈。
具体地，获取预定变量阈的过程如下：匹配所述预定优化变量的预定目标设备，预定目标设备即为可对所述预定优化变量进行调控的用于生产目标特钢的设备，比如电弧炉等设备，获取所述预定目标设备的出厂控制阈，其中，所述出厂控制阈包括出厂控制上限和出厂控制下限，出厂控制阈即为所述预定目标设备的预定优化变量的调控范围，出厂控制上限即为调控范围的最大值，出厂控制下限即为调控范围的最小值，比如电弧炉可以调控的最高电压和最低电压，对所述出厂控制阈进行调整得到所述预定变量阈，此处的调整由本领域技术人员结合历史经验进行主观调整，简单来说，根据历史中预定目标设备的预定优化变量的历史参数，获取历史参数的范围，对历史参数的范围进行适当调整后作为预定变量阈，便于后续进行参数寻优时，限定寻优范围，提高寻优效率。
步骤S700：读取预定优化规则，并基于所述预定优化规则对所述P个初始参数进行寻优分析，得到所述预定优化变量的最优变量决策；
其中，如图3所示，本发明实施例步骤S700还包括：
步骤S710：提取所述P个初始参数中的第一初始参数，并计算所述第一初始参数与所述第一预定变量参数的第一参数偏差；
步骤S720：利用变异系数法对所述第一参数偏差进行分析，得到所述第一初始参数的第一权重系数；
步骤S730：提取所述预定优化规则中的预定优化约束，并结合所述第一权重系数构建第一适应度函数；
步骤S740：根据所述第一适应度函数得到所述第一初始参数的第一适应度，并根据所述第一适应度确定所述最优变量决策。
具体而言，提取所述P个初始参数中的任意一个初始参数作为第一初始参数，并计算所述第一初始参数与所述第一预定变量参数的差值记为第一参数偏差，第一参数偏差泛指所述P个初始参数的P个参数偏差，基于此，利用变异系数法对所述第一参数偏差进行分析，简单来说，就是第一参数偏差越大，对应的第一权重系数越大，由此得到所述第一初始参数的第一权重系数，变异系数法是本领域技术人员获取不同指标的权重的常用技术手段，故在此不进行展开。提取所述预定优化规则中的预定优化约束，预定优化约束是对初始参数的寻优进行约束的规则，就是说，目标性能需求中性能指标参数越大，说明寻优获得的参数越优。结合预定优化约束和所述第一权重系数构建第一适应度函数，所述第一适应度函数如下：
；
其中，是指所述P个初始参数中所述第一初始参数/>的适应度函数，/>是指所述第一初始参数的权重系数，即第一权重系数，/>是指所述第一初始参数的第一性能指标参数，具体来说，可以第一预定变量参数为基准，对目标特钢进行试冶炼，获得试冶炼样品后，基于现有技术进行样品性能检测，获得硬度等预定性能指标参数，进一步基于所述第一初始参数，用第一初始参数代替第一预定变量参数中与第一初始参数同类型的参数，再次进行试冶炼，再次基于现有技术进行样品性能检测，获得第一初始参数对应的硬度等样品性能指标参数，以预定性能指标参数和样品性能指标参数的差值作为述第一初始参数的第一性能指标参数。
根据所述第一适应度函数得到所述第一初始参数的第一适应度，并根据所述第一适应度确定所述最优变量决策，简单来说，就是对第一适应度进行比较，获取最大适应度对应的初始参数作为最优变量决策，需要说明的是，通过第一适应度函数可计算获得不同性能指标参数对应的第一初始参数的最大适应度，比如硬度和柔韧性对应的最大适应度的电弧炉的电压参数不同，就是一个电压参数可以使硬度达到最优，一个电压参数可以使柔韧性达到最优，此时可基于目标需求性能中对各个性能的重视程度，设置不同的权重系数，然后按照权重系数对不同的电压参数进行加权计算，将加权计算结果添加至最优变量决策，由此实现对特钢生产的工艺控制参数的优化，提升目标特钢的性能。
步骤S800：基于所述最优变量决策生成最优工艺方案，并根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制。
具体而言，以所述最优变量决策生成最优工艺方案，简单来说，所述最优变量决策包含M个工序中对于目标特钢的目标需求性能影响较大，且可以进行调控的因子的优化结果，因此，以所述最优变量决策代替原生产工艺方案中的同类型参数，并与对目标特钢的目标需求性能影响较小，且不可以进行调控的因子组合，组合结果即为最优工艺方案，本领域工作人员可根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制，由此实现对目标特钢加工工艺的动态优化，从而提升目标特钢的应用性能。
其中，本发明实施例还包括步骤S900：
步骤S910：获取基于所述最优工艺方案得到的所述目标特钢的目标特钢产品；
步骤S920：基于预定检测方案对所述目标特钢产品的边部晶粒度进行检测，得到第一平均晶粒度；
步骤S930：对所述目标特钢产品的心部晶粒度进行检测，得到第二晶粒度；
步骤S940：获取所述第一平均晶粒度与所述第二晶粒度的偏差，记作目标偏差，其中，所述目标偏差用于表征所述目标特钢产品的综合性能。
具体而言，以所述最优工艺方案对目标特钢进行试冶炼生产，获取基于所述最优工艺方案得到的所述目标特钢的目标特钢产品，基于预定检测方案对所述目标特钢产品的边部晶粒度进行检测，并计算边部晶粒度的平均值，得到第一平均晶粒度，对所述目标特钢产品的心部晶粒度进行检测，得到第二晶粒度，边部即为边缘部位，心部即为中心部位。晶粒度是金属晶粒尺寸大小的量度，是金属材料的重要显微组织参量，可基于金相显微镜，分别在目标特钢产品的边部和心部，进行晶粒度检测，比如SEM（扫描电子显微镜）、TEM（透射电子显微镜）等进行检测获取，通过金相显微镜进行金属粒度检测，是本领域技术人员常用技术手段，在此不进行展开。计算所述第一平均晶粒度与所述第二晶粒度的差异值，记作目标偏差，其中，所述目标偏差用于表征所述目标特钢产品的综合性能，简单来说，目标偏差越小，说明目标特钢产品的综合性能越高，达到对目标需求性能的量化，便于用户直观了解特种钢材的工艺、性能优化结果的技术效果。
基于上述分析可知，根据本发明采用的一个或者多个技术方案，可达到的效果如下：
1.读取目标特钢的目标加工工序，组建第一工序的第一工序因子集，组建目标候选因子列表，对第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将第一候选因子添加至目标关键因子列表，提取目标关键因子列表中的目标因子，并作为预定优化变量，基于预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，第一初始参数集包括P个初始参数，并基于预定优化规则对P个初始参数进行寻优分析，得到预定优化变量的最优变量决策，基于最优变量决策生成最优工艺方案，并根据最优工艺方案对目标特钢的加工工艺进行动态优化控制，实现根据需求性能对特种钢材的工艺参数进行针对性地优化，达到提升特种钢材的应用性能与实际需求的契合度，进而提升特钢生产质量的技术效果。
2.获取历史特钢加工记录中的第一历史记录，获取历史特钢加工记录中的第二历史记录，其中，第二历史记录包括第一候选因子的第二候选因子历史数据，根据第一候选因子历史数据和第二候选因子历史数据得到第一候选因子的第一参数波动区间，依次提取第一历史记录中的第一性能指标数据和第二历史记录中的第二性能指标数据，计算第一性能指标数据和第二性能指标数据的均值，记作第一均值，对第一参数波动区间和第一均值进行加权计算，得到第一候选因子的第一影响指数，根据第一影响指数组建目标关键因子列表，实现针对性地对目标关键因子列表中的因子进行工艺优化，达到提升工艺优化的针对性和优化效率的技术效果。
3.获取基于最优工艺方案得到目标特钢产品，基于预定检测方案对目标特钢产品的边部晶粒度进行检测，得到第一平均晶粒度，对目标特钢产品的心部晶粒度进行检测，得到第二晶粒度，获取第一平均晶粒度与第二晶粒度的偏差，记作目标偏差，其中，目标偏差用于表征目标特钢产品的综合性能，达到对目标需求性能的量化，便于用户直观了解特种钢材的工艺、性能优化结果的技术效果。
实施例2
基于与前述实施例中基于性能需求的特种钢材加工工艺动态优化方法同样的发明构思，如图4所示，本发明还提供了基于性能需求的特种钢材加工工艺动态优化系统，所述系统包括：
加工工序读取模块11，所述加工工序读取模块11用于读取目标特钢的目标加工工序，其中，所述目标加工工序包括M个工序，且M为大于1的整数；
工序因子集组建模块12，所述工序因子集组建模块12用于提取所述M个工序中的第一工序，并组建所述第一工序的第一工序因子集，其中，所述第一工序因子集包括N个因子，且N为大于1的整数；
候选因子列表组建模块13，所述候选因子列表组建模块13用于根据所述N个因子组建目标候选因子列表，其中，所述目标候选因子列表包括多个候选因子；
候选因子分析模块14，所述候选因子分析模块14用于对所述多个候选因子中的第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将所述第一候选因子添加至目标关键因子列表；
预定优化变量确定模块15，所述预定优化变量确定模块15用于提取所述目标关键因子列表中的目标因子，并将所述目标因子作为预定优化变量；
第一初始参数集获取模块16，所述第一初始参数集获取模块16用于基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，所述第一初始参数集包括P个初始参数，且所述P个初始参数中的各个初始参数均处于预定变量阈；
寻优分析模块17，所述寻优分析模块17用于读取预定优化规则，并基于所述预定优化规则对所述P个初始参数进行寻优分析，得到所述预定优化变量的最优变量决策；
动态优化控制模块18，所述动态优化控制模块18用于基于所述最优变量决策生成最优工艺方案，并根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制。
进一步而言，所述候选因子列表组建模块13还用于：
根据所述第一工序和所述N个因子的第一映射关系，构建所述目标特钢的工序微观流程图；
读取所述目标特钢的目标性能需求，其中，所述目标性能需求是指所述目标特钢实际需求的性能指标；
将所述目标性能需求作为所述工序微观流程图的输出结果，并以所述输出结果为约束筛选得到候选因子集；
提取所述候选因子集中的第一因子，并判断所述第一因子是否符合预定要求；
若是符合，将所述第一因子添加进所述目标候选因子列表，若是不符合，将所述第一因子添加进非目标候选因子列表。
进一步而言，所述候选因子分析模块14还用于：
获取历史特钢加工记录中的第一历史记录，其中，所述第一历史记录包括所述第一候选因子的第一候选因子历史数据；
获取所述历史特钢加工记录中的第二历史记录，其中，所述第二历史记录包括所述第一候选因子的第二候选因子历史数据；
根据所述第一候选因子历史数据和所述第二候选因子历史数据得到所述第一候选因子的第一参数波动区间；
依次提取所述第一历史记录中的第一性能指标数据和所述第二历史记录中的第二性能指标数据；
计算所述第一性能指标数据和所述第二性能指标数据的均值，记作第一均值；
对所述第一参数波动区间和所述第一均值进行加权计算，得到所述第一候选因子的第一影响指数。
进一步而言，所述预定优化变量确定模块15还用于：
匹配所述预定优化变量的预定目标设备，并获取所述预定目标设备的出厂控制阈，其中，所述出厂控制阈包括出厂控制上限和出厂控制下限；
对所述出厂控制阈进行调整得到所述预定变量阈。
进一步而言，所述寻优分析模块17还用于：
提取所述P个初始参数中的第一初始参数，并计算所述第一初始参数与所述第一预定变量参数的第一参数偏差；
利用变异系数法对所述第一参数偏差进行分析，得到所述第一初始参数的第一权重系数；
提取所述预定优化规则中的预定优化约束，并结合所述第一权重系数构建第一适应度函数；
根据所述第一适应度函数得到所述第一初始参数的第一适应度，并根据所述第一适应度确定所述最优变量决策。
进一步而言，所述寻优分析模块17还包括：
所述第一适应度函数如下：
；
其中，是指所述P个初始参数中所述第一初始参数/>的适应度函数，/>是指所述第一初始参数的权重系数，即第一权重系数，/>是指所述第一初始参数的第一性能指标参数。
进一步而言，所述还包括综合性能分析模块，所述综合性能分析模块用于：
获取基于所述最优工艺方案得到的所述目标特钢的目标特钢产品；
基于预定检测方案对所述目标特钢产品的边部晶粒度进行检测，得到第一平均晶粒度；
对所述目标特钢产品的心部晶粒度进行检测，得到第二晶粒度；
获取所述第一平均晶粒度与所述第二晶粒度的偏差，记作目标偏差，其中，所述目标偏差用于表征所述目标特钢产品的综合性能。
前述实施例一中的基于性能需求的特种钢材加工工艺动态优化方法具体实例同样适用于本实施例的基于性能需求的特种钢材加工工艺动态优化系统，通过前述对基于性能需求的特种钢材加工工艺动态优化方法的详细描述，本领域技术人员可以清楚地知道本实施例中基于性能需求的特种钢材加工工艺动态优化系统，所以为了说明书的简洁，在此不再详述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行，也可以顺序地执行，也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所做的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (8)
1.基于性能需求的特种钢材加工工艺动态优化方法，其特征在于，包括：
读取目标特钢的目标加工工序，其中，所述目标加工工序包括M个工序，且M为大于1的整数；
提取所述M个工序中的第一工序，并组建所述第一工序的第一工序因子集，其中，所述第一工序因子集包括N个因子，且N为大于1的整数；
根据所述N个因子组建目标候选因子列表，其中，所述目标候选因子列表包括多个候选因子；
对所述多个候选因子中的第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将所述第一候选因子添加至目标关键因子列表；
提取所述目标关键因子列表中的目标因子，并将所述目标因子作为预定优化变量；
基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，所述第一初始参数集包括P个初始参数，且所述P个初始参数中的各个初始参数均处于预定变量阈；
读取预定优化规则，并基于所述预定优化规则对所述P个初始参数进行寻优分析，得到所述预定优化变量的最优变量决策；
基于所述最优变量决策生成最优工艺方案，并根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制。
2.根据权利要求1所述的方法，其特征在于，所述根据所述N个因子组建目标候选因子列表，包括：
根据所述第一工序和所述N个因子的第一映射关系，构建所述目标特钢的工序微观流程图；
读取所述目标特钢的目标性能需求，其中，所述目标性能需求是指所述目标特钢实际需求的性能指标；
将所述目标性能需求作为所述工序微观流程图的输出结果，并以所述输出结果为约束筛选得到候选因子集；
提取所述候选因子集中的第一因子，并判断所述第一因子是否符合预定要求；
若是符合，将所述第一因子添加进所述目标候选因子列表，若是不符合，将所述第一因子添加进非目标候选因子列表。
3.根据权利要求2所述的方法，其特征在于，所述对所述多个候选因子中的第一候选因子进行分析，包括：
获取历史特钢加工记录中的第一历史记录，其中，所述第一历史记录包括所述第一候选因子的第一候选因子历史数据；
获取所述历史特钢加工记录中的第二历史记录，其中，所述第二历史记录包括所述第一候选因子的第二候选因子历史数据；
根据所述第一候选因子历史数据和所述第二候选因子历史数据得到所述第一候选因子的第一参数波动区间；
依次提取所述第一历史记录中的第一性能指标数据和所述第二历史记录中的第二性能指标数据；
计算所述第一性能指标数据和所述第二性能指标数据的均值，记作第一均值；
对所述第一参数波动区间和所述第一均值进行加权计算，得到所述第一候选因子的第一影响指数。
4.根据权利要求1所述的方法，其特征在于，所述基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，所述第一初始参数集包括P个初始参数，且所述P个初始参数中的各个初始参数均处于预定变量阈，包括：
匹配所述预定优化变量的预定目标设备，并获取所述预定目标设备的出厂控制阈，其中，所述出厂控制阈包括出厂控制上限和出厂控制下限；
对所述出厂控制阈进行调整得到所述预定变量阈。
5.根据权利要求1所述的方法，其特征在于，所述读取预定优化规则，并基于所述预定优化规则对所述P个初始参数进行寻优分析，得到所述预定优化变量的最优变量决策，包括：
提取所述P个初始参数中的第一初始参数，并计算所述第一初始参数与所述第一预定变量参数的第一参数偏差；
利用变异系数法对所述第一参数偏差进行分析，得到所述第一初始参数的第一权重系数；
提取所述预定优化规则中的预定优化约束，并结合所述第一权重系数构建第一适应度函数；
根据所述第一适应度函数得到所述第一初始参数的第一适应度，并根据所述第一适应度确定所述最优变量决策。
6.根据权利要求5所述的方法，其特征在于，所述第一适应度函数如下：
；
其中，是指所述P个初始参数中所述第一初始参数/>的适应度函数，/>是指所述第一初始参数的权重系数，即第一权重系数，/>是指所述第一初始参数的第一性能指标参数。
7.根据权利要求6所述的方法，其特征在于，在所述根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制之后，还包括：
获取基于所述最优工艺方案得到的所述目标特钢的目标特钢产品；
基于预定检测方案对所述目标特钢产品的边部晶粒度进行检测，得到第一平均晶粒度；
对所述目标特钢产品的心部晶粒度进行检测，得到第二晶粒度；
获取所述第一平均晶粒度与所述第二晶粒度的偏差，记作目标偏差，其中，所述目标偏差用于表征所述目标特钢产品的综合性能。
8.基于性能需求的特种钢材加工工艺动态优化系统，其特征在于，用于执行权利要求1-7所述的基于性能需求的特种钢材加工工艺动态优化方法中任意一项方法的步骤，所述系统包括：
加工工序读取模块，所述加工工序读取模块用于读取目标特钢的目标加工工序，其中，所述目标加工工序包括M个工序，且M为大于1的整数；
工序因子集组建模块，所述工序因子集组建模块用于提取所述M个工序中的第一工序，并组建所述第一工序的第一工序因子集，其中，所述第一工序因子集包括N个因子，且N为大于1的整数；
候选因子列表组建模块，所述候选因子列表组建模块用于根据所述N个因子组建目标候选因子列表，其中，所述目标候选因子列表包括多个候选因子；
候选因子分析模块，所述候选因子分析模块用于对所述多个候选因子中的第一候选因子进行分析，并判断是否符合预定影响阈值，若是符合，将所述第一候选因子添加至目标关键因子列表；
预定优化变量确定模块，所述预定优化变量确定模块用于提取所述目标关键因子列表中的目标因子，并将所述目标因子作为预定优化变量；
第一初始参数集获取模块，所述第一初始参数集获取模块用于基于所述预定优化变量的第一预定变量参数随机获取第一初始参数集，其中，所述第一初始参数集包括P个初始参数，且所述P个初始参数中的各个初始参数均处于预定变量阈；
寻优分析模块，所述寻优分析模块用于读取预定优化规则，并基于所述预定优化规则对所述P个初始参数进行寻优分析，得到所述预定优化变量的最优变量决策；
动态优化控制模块，所述动态优化控制模块用于基于所述最优变量决策生成最优工艺方案，并根据所述最优工艺方案对所述目标特钢的加工工艺进行动态优化控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137103.6A CN117707096A (zh) | 2024-02-01 | 2024-02-01 | 基于性能需求的特种钢材加工工艺动态优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137103.6A CN117707096A (zh) | 2024-02-01 | 2024-02-01 | 基于性能需求的特种钢材加工工艺动态优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117707096A true CN117707096A (zh) | 2024-03-15 |
Family
ID=90155574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410137103.6A Pending CN117707096A (zh) | 2024-02-01 | 2024-02-01 | 基于性能需求的特种钢材加工工艺动态优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117707096A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1885328A (zh) * | 2006-06-20 | 2006-12-27 | 东北大学 | 一种炼钢－连铸中间包批量计划方法及系统 |
| WO2016101181A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
| CN115438929A (zh) * | 2022-08-22 | 2022-12-06 | 大连理工大学 | 一种面向航空发动机装配车间可重入工序的调度方法 |
| CN116993233A (zh) * | 2023-09-28 | 2023-11-03 | 南通华隆微电子股份有限公司 | 一种提高二极管封装质量的方法与系统 |
| CN117114381A (zh) * | 2023-08-01 | 2023-11-24 | 西北工业大学 | 智能制造服务链动态优化配置方法及系统 |
| CN117148804A (zh) * | 2023-10-30 | 2023-12-01 | 张家港广大特材股份有限公司 | 结合应用需求的特种钢材冶炼控制方法及系统 |
-
2024
- 2024-02-01 CN CN202410137103.6A patent/CN117707096A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1885328A (zh) * | 2006-06-20 | 2006-12-27 | 东北大学 | 一种炼钢－连铸中间包批量计划方法及系统 |
| WO2016101181A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
| CN115438929A (zh) * | 2022-08-22 | 2022-12-06 | 大连理工大学 | 一种面向航空发动机装配车间可重入工序的调度方法 |
| CN117114381A (zh) * | 2023-08-01 | 2023-11-24 | 西北工业大学 | 智能制造服务链动态优化配置方法及系统 |
| CN116993233A (zh) * | 2023-09-28 | 2023-11-03 | 南通华隆微电子股份有限公司 | 一种提高二极管封装质量的方法与系统 |
| CN117148804A (zh) * | 2023-10-30 | 2023-12-01 | 张家港广大特材股份有限公司 | 结合应用需求的特种钢材冶炼控制方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 冀秀梅;王龙;高克伟;刘玠;: "极限学习机在中厚板轧制力预报中的应用", 钢铁研究学报, no. 05, 15 May 2020 (2020-05-15) * |
| 宁涛;王旭坪;焦璇;: "基于混沌量子算法和MAGTD的多目标FJSP求解策略", 运筹与管理, no. 01, 25 January 2017 (2017-01-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116501003B (zh) | 一种用于特种钢材冶炼的加工管控方法及系统 | |
| CN113176761B (zh) | 多加工特征薄板零件质量预测与工艺参数优化方法 | |
| CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
| CN114091800A (zh) | 硅钢产品生产方案的智能设计评估方法 | |
| CN112418538A (zh) | 一种基于随机森林分类的连铸坯夹杂预测方法 | |
| CN116694919B (zh) | 一种轴承贝氏体热处理工艺的优化方法及系统 | |
| Rao | Optimizing machining parameters of wire-EDM process to cut Al7075/SiCp composites using an integrated statistical approach | |
| CN117275635B (zh) | 一种结晶器铜管的电镀优化方法与系统 | |
| CN117707096A (zh) | 基于性能需求的特种钢材加工工艺动态优化方法及系统 | |
| CN116822342A (zh) | 一种锆合金激光切割的工艺识别与性能预测方法 | |
| CN116597239B (zh) | 一种建筑用回收钢管的加工处理方法及系统 | |
| JP2010007150A (ja) | 溶鋼炭素濃度推定方法 | |
| Pansari et al. | An investigation of burr formation and cutting parameter optimization in micro-drilling of brass C-360 using image processing | |
| JP3943841B2 (ja) | 鋼材の材質推定装置 | |
| CN115456264A (zh) | 一种中小型转炉的终点碳含量和终点温度预测方法 | |
| 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 | |
| CN113570145A (zh) | 一种炼铁高炉炉芯死料柱温度的预测方法 | |
| CN117265214B (zh) | 一种特种钢生产的优化控制方法及系统 | |
| Vora | Optimization of ANN Architecture and Training Parameters Using Taguchi Method | |
| CN117745308A (zh) | 一种基于产品性能分析的特种钢冶炼工艺溯源优化方法 | |
| CN117708708B (zh) | 一种炼钢用铁合金的品质评级及推荐方法 | |
| CN111618265B (zh) | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 | |
| CN111553048B (zh) | 一种基于高斯过程回归的烧结过程运行性能预测的方法 | |
| Acharya et al. | Process Parameter Optimization for Sand Inclusion Defect in Furan No-Bake Casting by Grey Relational Analysis | |
| CN116151456A (zh) | 一种基于rnn模型的难推焦预警方法 |
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 |