CN117724433B - 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 - Google Patents
基于多通道分布式深度集成预测的冷轧生产前馈控制方法 Download PDFInfo
- Publication number
- CN117724433B CN117724433B CN202410174379.1A CN202410174379A CN117724433B CN 117724433 B CN117724433 B CN 117724433B CN 202410174379 A CN202410174379 A CN 202410174379A CN 117724433 B CN117724433 B CN 117724433B
- Authority
- CN
- China
- Prior art keywords
- prediction
- cold
- cold rolling
- data
- base
- 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
- 238000005097 cold rolling Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000010354 integration Effects 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000011217 control strategy Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 abstract description 17
- 239000010959 steel Substances 0.000 abstract description 17
- 241000282373 Panthera pardus Species 0.000 abstract description 3
- 238000013000 roll bending Methods 0.000 description 10
- 241001455214 Acinonyx jubatus Species 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010960 cold rolled steel Substances 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
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000000195 production control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法，涉及钢铁生产的智能化核心技术领域，采集冷轧过程数据和质量检测设备的K个通道的冷轧产品质量数据，构建原始数据集；对经过预处理后的原始数据集按照预定的比例进行划分，得到训练集，留出集和测试集；使用训练集用来训练基学习器；采用分布式框架为每个通道的冷轧产品质量数据构建多通道分布式深度集成模型；使用多通道分布式深度集成模型对测试集进行预测得到K个通道的冷轧产品质量预测值；基于预测结果制定不同的控制策略；根据控制策略采用猎豹优化算法对多机架控制参数进行前馈修正，实现对冷轧生产的控制。本方法预测速度快，控制精度高，提升了冷轧生产的控制精度。
Description
技术领域
本发明涉及钢铁生产的智能化核心技术领域，尤其涉及一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法。
背景技术
冷轧钢铁产品广泛应用于车辆、家电、建筑和机械制造等领域，随着各工业领域对原材料要求的不断提高，冷轧生产对产品质量的要求也越来越严格，实现对冷轧生产过程的精确控制对提高冷轧产品质量具有至关重要的作用。冷轧生产过程是典型的流程工业，下游机架轧制会受到上游机架的影响，使得整个冷轧生产过程具有遗传性、非线性和强耦合性。因此，对冷轧生产中前馈控制的研究充满着挑战。
目前，随着计算机技术和信息化的发展，冷轧生产自动控制技术得到了广泛地应用。有人提出了一种冷轧带钢质量智能检测方法，该方法通过获取待检测带钢的表面图像的灰度图像，对灰度图像进行图像处理，从而得到各个油污待测区域；并通过确定每个油污待测区域的条状特征位置显著值和纹理特征指标值来确定每个油污待测区域的油污附着显著度，进而确定待检测带钢的质量；但该方法仅能对冷轧表面质量进行检测，而不能对冷轧生产进行控制；还有人通过考虑热轧来料信息建立了一种基于生产数据训练预设的带钢冷轧变形抗力预测模型，得到带钢冷轧第一机架的全长变形抗力波动，进而得到各机架的变形抗力波动；将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量，实现了冷连轧自动厚度前馈控制，但并未考虑冷轧的多通道质量数据。此外，还有一种均匀控制冷轧带钢质量参数的方法实现了连续值参数的时间、空间相互转化，该方法保证钢卷头尾和长度对齐，按工序顺序反推轧前参数位置，依次找到所有工序对应最终工序参数位置的参数值；对全流程质量点进行采集，将单值和连续值均变为按空间存储的参数；对每一个自变项和每一个因变项均进行一次相关性分析和一元线性分析，得出参数之间的相关性；但该方法只对冷轧参数进行一次相关性分析和一元线性分析，忽略了参数间的非线性关系。
目前，上述研究中冷轧生产控制方法取得一定成果，但还存在一定缺陷。上述研究往往采用传统经验模型计算冷轧产品质量，但这种模型存在大量简化，使得其计算精度和泛化性有限，进而影响控制精度。
发明内容
针对上述现有技术对冷轧生产控制方面的不足，本发明提出了一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法，实现基于多通道分布式深度集成预测的冷轧生产前馈控制。
本发明提出的一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法，该方法包括如下步骤：
步骤1：采集冷轧过程数据和质量检测设备的K个通道的冷轧产品质量数据，并构建原始数据集；
所述冷轧过程数据包括：包括各个机架轧制力、各个机架工作辊弯辊力、各个机架中间辊弯辊力、各个机架中间辊窜辊量、各个机架轧辊倾斜量、各个机架轧制速度、各个机架间张力、入口设定厚度、出口设定厚度、设定宽度；
步骤2：对原始数据集进行数据预处理；
步骤2.1：采用拉依达准则判断原始数据集中的异常值，并进行剔除；
步骤2.2：对剔除异常值后的原始数据集进行归一化处理；
步骤3：对经过预处理后的原始数据集按照预定的比例进行划分，得到训练集，留出集和测试集；
步骤4：使用训练集训练基学习器；具体步骤如下：
步骤4.1：选取极端随机树、多输出轻型梯度提升机和多输出类别型特征提升作为基学习器；
步骤4.2：采用交叉验证法和贪婪搜索确定各个基学习器的超参数，确保每个基学习器均具有最优的预测性能；
步骤4.3：确定每个基学习器的超参数后，将各个基学习器依次拟合训练集，完成训练，得到3个基预测器；
步骤5：采用分布式框架为每个通道的冷轧产品质量数据构建多通道分布式深度集成模型；
步骤5.1：使用基预测器依次对留出集的样本进行预测，得到3组n行K列的留出集基预测质量值，其中n为留出集样本数，K为冷轧产品质量数据的通道数；
步骤5.2：分别从每组留出集基预测质量值提取第1列，并将留出集中的冷轧产品质量数据提取第1列，然后将这4列数据进行横向堆叠，得到1个元数据集；
步骤5.3：依序操作，直到提取完每组留出集基预测质量值和留出集中的冷轧产品质量数据的所有K列数据，共得到K个元数据集；
步骤5.4：选取线性回归Linear Regression模型作为元学习器；
步骤5.5：使用线性回归依次拟合K个元数据集，即通过元学习器拟合元数据集得到元预测器，共得到K个通道质量的元预测器，即多通道分布式深度集成模型，分别命名为第一元预测器、第二元预测器、……、第K元预测器。
步骤6：使用多通道分布式深度集成模型对测试集进行预测得到K个通道的冷轧产品质量预测值；
步骤6.1：使用训练好的基预测器依次对测试集的样本进行预测，得到3组S行K列的测试集基预测质量值，其中S为测试集样本数；
步骤6.2：分别从每组测试集基预测质量值提取第1列，然后将3列数据进行横向堆叠，得到第一元预测集；依序操作，可得到第二元预测集、第三元预测集、……、第K元预测集；
步骤6.3：依次使用K个元预测器对对应的元预测集进行预测，得到K个S行1列的预测值，即每个通道的冷轧产品质量预测值；
步骤6.4：将K个S行1列的预测板形值进行横向堆叠，得到多通道的冷轧产品质量预测值。
步骤7：基于多通道分布式深度集成模型的预测结果，为不同的质量缺陷类型制定相应的控制策略，并根据制定好的控制策略，采用猎豹优化算法对多机架控制参数进行前馈修正，实现对冷轧生产的控制。
采用上述技术方案所产生的有益效果在于：
本发明提供了一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法，考虑了冷轧产线的多通道产品质量数据，构建了一种基于多通道分布式深度集成模型对冷轧产品质量进行预测，且该模型的预测精度优于其它机器学习方法，是一种兼顾预测时间和预测精度的预测模型，实现了高精度的冷轧质量预测；基于该模型的预测结果制定相应的控制策略，依据该控制策略采用猎豹优化算法对冷轧轧制参数进行前馈修正，修正后冷轧带钢质量得到大幅改善。本发明方法提出的多通道分布式深度集成预测的冷轧生产前馈控制方法预测速度快，控制精度高，同时弥补了传统方法的缺陷，提升了冷轧生产的控制精度，可以广泛地投入到工业生产当中。
附图说明
图1为本实施方式中多通道分布式深度集成模型的工作原理图；
图2为本实施方式中基于多通道分布式深度集成预测的冷轧生产前馈控制方法的流程图；
图3为本实施方式中控制前后预测板形值的对比图。
具体实施方式
为了便于理解本申请，下面结合附图和实施方式，对本发明的具体实施方式作进一步详细描述。以下实施方式用于说明本发明，但不用来限制本发明的范围。相反地，提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。
为验证基于多通道分布式深度集成预测的冷轧生产前馈控制方法的有效性，以某冷轧产线的生产过程数据和多通道板形数据为例，对带钢板形进行前馈控制。
基于多通道分布式深度集成预测的冷轧生产前馈控制方法，如图1、图2所示，其中图2中圆圈表示轧辊，6个轧辊是一个机架，本方法包括如下步骤：
步骤1：采集冷轧过程数据和质量检测设备的20个通道的冷轧板形数据，并构建原始数据集；
所述冷轧过程数据包括：包括各个机架轧制力、各个机架工作辊弯辊力、各个机架中间辊弯辊力、各个机架中间辊窜辊量、各个机架轧辊倾斜量、各个机架轧制速度、各个机架间张力、入口设定厚度、出口设定厚度、设定宽度；
本实施方式中，采集某冷轧轧产线的冷轧过程数据和冷轧板形数据，并构建原始数据集，如表1所示。
表1本实施方式中原始数据集的数据分布表
步骤2：对原始数据集进行数据预处理；
步骤2.1：采用拉依达准则Pauta criterion判断原始数据集中的异常值，并进行剔除；
步骤2.2：对剔除异常值后的原始数据集进行归一化处理；
在本实施方式中，通过对剔除异常值后的原始数据集进行归一化处理来消除数据量纲。
步骤3：对经过预处理后的原始数据集按照预定的比例进行划分，得到训练集，留出集和测试集；
在本实施方式中，将经过预处理后的原始数据集中70%的数据划分为训练集，10%的数据划分为留出集，其余数据作为测试集。
步骤4：使用训练集训练基学习器；具体步骤如下：
步骤4.1：选取极端随机树ET、多输出轻型梯度提升机MO-LightGBM和多输出类别型特征提升MO-CatBoost作为基学习器；
步骤4.2：采用交叉验证法和贪婪搜索确定各个基学习器的超参数；将各个基学习器依次拟合训练集，完成训练，得到3个基预测器；
步骤5：采用分布式框架为20个通道的冷轧板形构建多通道分布式深度集成模型；
步骤5.1：使用基预测器依次对留出集的样本进行预测，得到3组n行20列的留出集基预测质量值，其中n为留出集样本数；
步骤5.2：分别从每组留出集基预测质量值提取第1列，并将留出集中的冷轧产品质量数据提取第1列，然后将这4列数据进行横向堆叠，得到1个元数据集；
步骤5.3：依序操作，直到提取完每组留出集基预测质量值和留出集中的冷轧产品质量数据的所有20列数据，共得到20个元数据集；
步骤5.4：选取线性回归Linear Regression模型作为元学习器；
步骤5.5：使用线性回归依次拟合20个元数据集，即通过元学习器拟合元数据集得到元预测器，共得到20个通道质量的元预测器，分别命名为第一元预测器、第二元预测器、……、第二十元预测器；
构建多通道分布式深度集成模型，以多通道冷轧板形标准差Q-std为控制目标，采用决定系数R2、均方误差RMSE、平均绝对误差MAE评价指标对基预测器进行调参和模型性能测试，公式如下：
其中为各个通道的预测板形值；y i 是第i个样本的真实板形标准差；/>为第i个样本的预测板形标准差；/>为所有样本的真实板形标准差均值；S为测试集样本数量，K为板形通道的数量。
步骤6：使用多通道分布式深度集成模型对测试集进行预测得到20个通道的冷轧产品质量预测值；
步骤6.1：使用训练好的基预测器依次对测试集的样本进行预测，得到3组S行20列的测试集基预测质量值，其中S为测试集样本数；
步骤6.2：分别从每组测试集基预测质量值提取第1列，然后将3列数据进行横向堆叠，得到第一元预测集；依序操作，可得到第二元预测集、第三元预测集、……、第二十元预测集；
步骤6.3：依次使用20个元预测器对对应的元预测集进行预测，得到20个S行1列的预测值，即每个通道的预测板形值；
步骤6.4：将20个S行1列的预测板形值进行横向堆叠，得到多通道的冷轧产品预测板形值。
采用交叉验证法和贪婪搜索策略确定极端随机树、多输出轻型梯度提升机和多输出类别型特征提升的超参数，如表2所示。
表2多通道分布式深度集成模型与对比模型的最优超参数表
采用测试集数据对多通道分布式深度集成模型的预测性能进行评估，将多通道分布式深度集成模型与选取极端随机树、多输出轻型梯度提升机、多输出类别型特征提升、多输出极端梯度提升、随机森林、深度森林等先进方法进行性能对比。各个方法的性能对比如表3所示。
表3多通道分布式深度集成模型与对比模型的诊断性能对比表
| 方法 | 单次预测时间(s) | MAE | RMSE | R2 |
| 多通道分布式深度集成模型 | 0.003 | 0.3715 | 0.5226 | 0.9848 |
| ET | 0.001 | 0.3823 | 0.5654 | 0.9452 |
| MO-LightGBM | 0.0015 | 0.4171 | 0.5933 | 0.9316 |
| MO-CatBoost | 0.0025 | 0.3761 | 0.5411 | 0.9565 |
| MO-XGBoost | 0.0021 | 0.4115 | 0.5876 | 0.9344 |
| RF | 0.0013 | 0.4214 | 0.6048 | 0.9158 |
| gcForest | 0.0013 | 0.3850 | 0.5717 | 0.9422 |
本发明提出的多通道分布式深度集成模型的MAE为0.3715、RMSE为0.5226、R2为0.9848，在三个指标上都大幅领先其它先进的机器学习方法。此外，多通道分布式深度集成模型的单次预测时间为0.003秒，尽管其预测速度不是最快的，但是仍可以满足冷轧生产实时控制的要求。总之，本发明提出的多通道分布式深度集成模型是一种兼顾预测时间和预测精度的预测方法。
步骤7：基于多通道分布式深度集成模型的预测结果，为不同的板形缺陷制定不同的控制策略；
若预测结果为单侧边浪缺陷，则修正各个机架的轧辊倾斜量；
若预测结果为中浪或双侧边浪缺陷，则修正各个机架的中间辊弯辊力和工作辊弯辊力；
若预测结果为高次浪形缺陷，则修正各个机架的中间辊弯辊力、中间辊窜辊量和工作辊弯辊力；
采用猎豹优化算法对多机架控制参数进行前馈修正，实现对冷轧生产的控制。在本实施方式中，以测试集的第40号样本为例，当带钢轧过1机架后，将1机架的实际参数和后续机架的设定参数带入预测模型进行预测，其预测结果如图3所示，其中横坐标为板形通道，纵坐标为板形值，预测板形标准差为6.419IU，表现为双侧边浪且左侧浪高大于右侧，则控制策略为修正后续机架的中间辊弯辊力、工作辊弯辊力和工作辊倾斜量。根据该控制策略，采用猎豹优化算法对后续机架中间辊弯辊力、工作辊弯辊力和工作辊倾斜量设定值进行修正，修正结果如表4所示，经修正后的板形如图3所示，板形标准差为1.671IU，双侧边浪基本消失。
表4控制前后的设定参数对比表
本实施例中，如图1所示，将经过预处理后的原始数据集中70%的数据划分为训练集，10%的数据划分为留出集，其余数据作为测试集；训练极端随机树ET、多输出轻型梯度提升机MO-LightGBM和多输出类别型特征提升MO-CatBoost，得到第一基预测器、第二基预测器以及第三基预测器；使用基预测器依次对留出集的样本进行预测，得到三组留出集基预测质量值，即第一基预测质量值、第二基预测质量值以及第三基预测质量值；依次从每组留出集基预测质量值提取每一列，并与将留出集中的冷轧产品质量数据横向堆叠，共得到K个元数据集，即第一元数据集至第K元数据集；使用线性回归依次拟合K个元数据集，得到K个元预测器，即多通道分布式深度集成模型训练完成；最后，使用多通道分布式深度集成模型对测试集进行预测，得到多通道的产品质量预测值；
如图2所示，图2为实施例中基于多通道分布式深度集成预测对冷轧板形进行前馈控制的过程，前馈控制包含控制策略和采用猎豹优化算法对多机架控制参数进行前馈修正，包括当带钢轧过1机架后对2、3、4、5机架进行前馈控制；当带钢轧过2机架后对3、4、5机架进行前馈控制；当带钢轧过3机架后对4、5机架进行前馈控制；以及当带钢轧过4机架后对5机架进行前馈控制。图2以当带钢轧过1机架后对2、3、4、5机架进行前馈控制为例进行说明。图2中原设定值即本实施例步骤7“采用猎豹优化算法对后续机架中间辊弯辊力、工作辊弯辊力和工作辊倾斜量设定值进行修正”中修正之前的原设定值，预测板形为基于多通道分布式深度集成模型的板形预测值，理想板形为实际生产中期望达到的板形值，一般为板形标准差小于2IU，控制策略即本实施例步骤7控制策略，前馈修正即步骤7中采用猎豹优化算法对多机架控制参数进行前馈修正的过程；
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法，其特征在于，包括以下步骤：
步骤1：采集冷轧过程数据和质量检测设备的K个通道的冷轧产品质量数据，并构建原始数据集；
步骤2：对原始数据集进行数据预处理；
步骤3：对经过预处理后的原始数据集按照预定的比例进行划分，得到训练集，留出集和测试集；
步骤4：使用训练集训练基学习器；
步骤4.1：选取极端随机树、多输出轻型梯度提升机和多输出类别型特征提升作为基学习器；
步骤4.2：采用交叉验证法和贪婪搜索确定各个基学习器的超参数；
步骤4.3：确定每个基学习器的超参数后，将各个基学习器依次拟合训练集，完成训练，得到3个基预测器；
步骤5：采用分布式框架为每个通道的冷轧产品质量数据构建多通道分布式深度集成模型；
步骤5.1：使用基预测器依次对留出集的样本进行预测，得到3组n行K列的留出集基预测质量值，其中n为留出集样本数，K为冷轧产品质量数据的通道数；
步骤5.2：分别从每组留出集基预测质量值提取第1列，并将留出集中的冷轧产品质量数据提取第1列，然后将这4列数据进行横向堆叠，得到1个元数据集；
步骤5.3：依序操作，直到提取完每组留出集基预测质量值和留出集中的冷轧产品质量数据的所有K列数据，共得到K个元数据集；
步骤5.4：利用线性回归Linear Regression模型构建元学习器；
步骤5.5：使用线性回归依次拟合K个元数据集，即通过元学习器拟合元数据集得到元预测器，共得到K个通道质量的元预测器，即多通道分布式深度集成模型，分别命名为第一元预测器、第二元预测器、……、第K元预测器；
步骤6：使用多通道分布式深度集成模型对测试集进行预测得到K个通道的冷轧产品质量预测值；
步骤6.1：使用训练好的基预测器依次对测试集的样本进行预测，得到3组S行K列的测试集基预测质量值，其中S为测试集样本数；
步骤6.2：分别从每组测试集基预测质量值提取第1列，然后将3列数据进行横向堆叠，得到第一元预测集；依序操作，得到第二元预测集、第三元预测集、……、第K元预测集；
步骤6.3：依次使用K个元预测器对对应的元预测集进行预测，得到K个S行1列的预测值，即每个通道的冷轧产品质量预测值；
步骤6.4：将K个S行1列的预测板形值进行横向堆叠，得到多通道的冷轧产品质量预测值；
步骤7：基于多通道分布式深度集成模型的预测结果，为不同的质量缺陷类型制定相应的控制策略，并根据制定好的控制策略，采用猎豹优化算法对多机架控制参数进行前馈修正，实现对冷轧生产的控制。
2.根据权利要求1所述的一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法，其特征在于，步骤1中所述冷轧过程数据包括：包括各个机架轧制力、各个机架工作辊弯辊力、各个机架中间辊弯辊力、各个机架中间辊窜辊量、各个机架轧辊倾斜量、各个机架轧制速度、各个机架间张力、入口设定厚度、出口设定厚度、设定宽度。
3.根据权利要求1所述的一种基于多通道分布式深度集成预测的冷轧生产前馈控制方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2.1：采用拉依达准则判断原始数据集中的异常值，并进行剔除；
步骤2.2：对剔除异常值后的原始数据集进行归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174379.1A CN117724433B (zh) | 2024-02-07 | 2024-02-07 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174379.1A CN117724433B (zh) | 2024-02-07 | 2024-02-07 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117724433A CN117724433A (zh) | 2024-03-19 |
| CN117724433B true CN117724433B (zh) | 2024-04-19 |
Family
ID=90203821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410174379.1A Active CN117724433B (zh) | 2024-02-07 | 2024-02-07 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117724433B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117753795B (zh) * | 2024-02-07 | 2024-05-31 | 东北大学 | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001269706A (ja) * | 2000-03-27 | 2001-10-02 | Nisshin Steel Co Ltd | 連続冷間圧延時の形状制御方法 |
| CN114519920A (zh) * | 2022-01-10 | 2022-05-20 | 广西大学 | 基于微震多前兆特征的硬岩塌方智能预警方法、系统及设备 |
| WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
| CN114881308A (zh) * | 2022-04-25 | 2022-08-09 | 燕山大学 | 基于元学习的网联车辆速度预测方法 |
| CN115846418A (zh) * | 2022-11-22 | 2023-03-28 | 东北大学 | 一种热轧钢材高温氧化速率的预测方法 |
| CN117000780A (zh) * | 2023-08-17 | 2023-11-07 | 燕山大学 | 一种自适应冷轧带材多通道板形预报方法 |
| CN117077735A (zh) * | 2023-09-06 | 2023-11-17 | 南京信息工程大学 | 基于卷积神经网络的维度相关集成服务质量预测方法 |
| WO2023227071A1 (zh) * | 2022-05-25 | 2023-11-30 | 中国电子科技集团公司第十研究所 | 一种多模型融合的航空电子产品健康评估方法 |
| CN117171521A (zh) * | 2023-09-05 | 2023-12-05 | 东北大学 | 一种针对缺陷检测的钢铁产品性能智能诊断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180046967A1 (en) * | 2016-08-10 | 2018-02-15 | Conduent Business Services, Llc | Fairness evaluation framework for incentive schemes in a service-based environment |
| JP7200982B2 (ja) * | 2020-09-14 | 2023-01-10 | Ｊｆｅスチール株式会社 | 材料特性値予測システム及び金属板の製造方法 |
| JP7311043B2 (ja) * | 2020-11-06 | 2023-07-19 | Ｊｆｅスチール株式会社 | 合金化亜鉛めっき鋼板，電着塗装鋼板，自動車部品，電着塗装鋼板の製造方法，及び合金化亜鉛めっき鋼板の製造方法 |
-
2024
- 2024-02-07 CN CN202410174379.1A patent/CN117724433B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001269706A (ja) * | 2000-03-27 | 2001-10-02 | Nisshin Steel Co Ltd | 連続冷間圧延時の形状制御方法 |
| WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
| CN114519920A (zh) * | 2022-01-10 | 2022-05-20 | 广西大学 | 基于微震多前兆特征的硬岩塌方智能预警方法、系统及设备 |
| CN114881308A (zh) * | 2022-04-25 | 2022-08-09 | 燕山大学 | 基于元学习的网联车辆速度预测方法 |
| WO2023227071A1 (zh) * | 2022-05-25 | 2023-11-30 | 中国电子科技集团公司第十研究所 | 一种多模型融合的航空电子产品健康评估方法 |
| CN115846418A (zh) * | 2022-11-22 | 2023-03-28 | 东北大学 | 一种热轧钢材高温氧化速率的预测方法 |
| CN117000780A (zh) * | 2023-08-17 | 2023-11-07 | 燕山大学 | 一种自适应冷轧带材多通道板形预报方法 |
| CN117171521A (zh) * | 2023-09-05 | 2023-12-05 | 东北大学 | 一种针对缺陷检测的钢铁产品性能智能诊断方法 |
| CN117077735A (zh) * | 2023-09-06 | 2023-11-17 | 南京信息工程大学 | 基于卷积神经网络的维度相关集成服务质量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Remaining Useful Life Prediction Method for Rolling Bearing Based on Multi-channel Fusion Hierarchical Vision Transformer;Zhixuan Li等;2023 IEEE 12th Data Driven Control and Learning Systems Conference;20230906;1025-1029 * |
| Prediction and Analysis of the Force and Shape Parameters in Variable Gauge Rolling;Yuanming Liu等;Chinese Journal of Mechanical Engineering;20220707;1-14 * |
| 测厚控制系统在莱钢冷轧机的应用;马平;自动化应用;20160229(第2期);3、10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117724433A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
| CN114021290B (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
| CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
| CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
| CN111209967A (zh) | 一种基于支持向量机的轧制过程板凸度预测方法 | |
| CN112170501B (zh) | 一种轧辊磨损凸度和热凸度的预测方法 | |
| CN113011491A (zh) | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 | |
| CN101417292B (zh) | 依托常规轧制模型控制中低牌号电工钢轧制的方法 | |
| CN111241750A (zh) | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 | |
| CN111570533B (zh) | 热轧卷取温度与终轧温度对平整变形抗力影响预测方法 | |
| CN111790762A (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
| CN114091352B (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
| CN114757000A (zh) | 一种高精度自适应弹簧钢拉拔过程优化控制方法 | |
| CN107900114A (zh) | 一种对冷轧带钢板形质量进行评价的方法及装置 | |
| CN117314187A (zh) | 一种无缝钢管的性能评估方法及系统 | |
| CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
| CN117696635A (zh) | 一种减定径机轧制的控制方法及系统 | |
| CN115106384B (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 | |
| CN112170502A (zh) | 一种轧制过程弯辊力的预测方法 | |
| CN111530941B (zh) | 层流冷却中提高带钢卷取温度控制精度的水温补偿方法 | |
| CN110989522B (zh) | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 | |
| CN117753795B (zh) | 一种针对多钢种、多规格热轧产品的前馈控制方法 | |
| CN112966870A (zh) | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |