CN117732886B - 一种基于级联智能诊断的热轧质量预控制方法 - Google Patents
一种基于级联智能诊断的热轧质量预控制方法 Download PDFInfo
- Publication number
- CN117732886B CN117732886B CN202410174372.XA CN202410174372A CN117732886B CN 117732886 B CN117732886 B CN 117732886B CN 202410174372 A CN202410174372 A CN 202410174372A CN 117732886 B CN117732886 B CN 117732886B
- Authority
- CN
- China
- Prior art keywords
- quality
- hot rolling
- diagnosis
- samples
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 88
- 238000005098 hot rolling Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007547 defect Effects 0.000 claims abstract description 36
- 238000005096 rolling process Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000011217 control strategy Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013000 roll bending Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 abstract description 2
- 239000002184 metal Substances 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 13
- 229910000831 Steel Inorganic materials 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- 238000005452 bending Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
本发明提出一种基于级联智能诊断的热轧质量预控制方法，属于金属轧制智能化控制技术领域；首先采集热轧过程数据和质量数据，将两者结合构建Xlsx格式原始数据集；并对构建的原始数据集进行预处理，得到用于建模的数据集；其次利用得到的建模数据集构建级联诊断结构中的第一级模型；然后利用得到的建模数据集构建级联诊断结构中的第二级模型；将训练好的级联诊断结构对热轧设定参数进行诊断，基于热轧设定参数的诊断结果，制定不同的控制策略，然后采用人工蜂鸟算法对热轧设定参数进行修正；本发明提出的一种基于级联智能诊断的热轧质量预控制方法诊断精度高，控制速度快，并且弥补了传统方法热轧设定方法的缺陷，可以广泛地投入到工业生产当中。
Description
技术领域
本发明属于金属轧制智能化控制技术领域，具体涉及一种基于级联智能诊断的热轧质量预控制方法。
背景技术
热轧钢铁产品是桥梁、船舶、钢管等工业的重要原材料，随着各工业领域对原材料要求的不断提高，热轧生产对产品质量的要求也越来越严格，实现热轧产品质量的精确控制对提高钢铁生产水平具有至关重要的作用。
目前，随着计算机技术和信息化的发展，热轧生产过程自适应设定和自动控制得到了广泛地应用。中国专利“CN 104841700B一种热轧带钢轧制力的优化设定方法”通过实验室热模拟单道次试验测得材料的应力应变曲线，并回归成为单向压缩状态的变形抗力模型，然后根据实际轧制过程参数修正实际轧制状态下的变形抗力模型系数，用于轧制力设定计算，从而提高了热轧板带钢轧制力模型的设定精度；中国专利“CN 109772897B一种提高热连轧带钢全长凸度和楔形精度的设定控制方法”通过对历史生产的带钢凸度和楔形均良好时PC角的设定范围的统计，确定楔形良好的时候PC角的设定上限，根据统计结果，确定合理分配PC角和弯辊力的控制范围，将统计出的PC角的上限作为PC角设定上限，并由弯辊力来补偿PC角对凸度控制能力不足的部分；中国专利“CN 113319127A一种考虑目标凸度的板形目标曲线设定方法” 首先获得各道次的目标凸度和轧后凸度以及各道次的判别因子，然后判断各道次的判别因子和轧后凸度是否满足要求；重复以上步骤，直到可以计算出板形和轧后凸度都满足要求的板形目标曲线为止；
上述研究中热轧产品设定方法和控制方法虽取得一定成果，但还存在一定缺陷。一方面，上述研究中针对历史生产数据，只进行了浅层次的分析从而确定受控机构的控制范围，而没有进一步深度挖掘各个受控机构间的非线性关系。另一方面，上述研究的设定方法往往采用传统半机理半经验模型设定轧制参数，但这种模型存在大量的简化和假设，使得其计算精度有限，导致轧制参数出现设定偏差，进而影响热轧质量控制精度。
发明内容
针对现有技术存在的不足，本发明提出了一种基于级联智能诊断的热轧质量预控制方法，针对热轧质量控制方面，建立了级联诊断结构对预设定的轧制参数和质量进行智能诊断，采用极端梯度提升检测不合格质量，采用轻型梯度提升机诊断质量缺陷类型；基于智能诊断结果，对于不同质量缺陷类型制定不同的控制策略，并采用人工蜂鸟算法对预设定轧制参数进行修正，实现基于级联智能诊断的热轧质量预控制。
一种基于级联智能诊断的热轧质量预控制方法，包括以下步骤：
步骤1：采集热轧过程数据和质量数据，将两者结合并构建Xlsx格式原始数据集；所述过程数据包括各机架轧制力、弯辊力、窜辊量、压下率、轧制速度；所述质量数据是热轧过程任何一个质量指标和其对应的质量标签，标签包括：质量是否合格以及质量缺陷类型；
步骤2：对步骤1得到的原始数据集进行数据预处理，得到用于建模的数据集；
步骤2.1：采用拉依达准则剔除原始数据集中的异常值，公式如下：
其中是原始数据集中的第i个样本，/>是原始数据集中所有样本的平均值，/>是标准差，/>为原始数据集样本数量；若数据集中某样本的数据与其平均值之差的绝对值大于3倍的标准差，则该样本将被视为异常值予以剔除；
步骤2.2：对剔除异常值后的原始数据集进行归一化处理；公式如下：
式中为归一化后的无量纲数据，/>为归一化前的有量纲数据，/>为剔除异常值后的原始数据集中的最小数据，/>为剔除异常值后的原始数据集中的最大数据；
步骤3：利用步骤2得到的数据集构建级联诊断结构中的第一级模型；
步骤3.1：采用基于K均值聚类的生成少数类过采样技术生成质量不合格样本，以平衡质量不合格样本数量和质量合格样本数量；
步骤3.2：由于新生成的质量不合格样本会与质量合格样本重叠，进而产生大量重叠样本，采用编辑近邻样本方法对重叠样本进行清洗，清洗规则如下：如果某一个样本的5个最近邻样本中，大于等于3个样本与该样本不属于同一类别，则该样本被清洗；其中最近邻根据欧氏距离进行判断；
步骤3.3：将平衡后的质量不合格样本和质量合格样本作为第一级数据集，用于训练第一级模型：极端梯度提升；
步骤3.4：采用交叉验证法和贪婪搜索确定极端梯度提升的基学习器数量、学习率、最大树深度、惩罚系数参数，使极端梯度提升具有最优的诊断性能；
步骤4：利用步骤2得到的数据集中质量不合格样本构建级联诊断结构中的第二级模型；
步骤4.1：提取归一化后的数据集中的质量不合格样本，并采用自适应生成采样技术平衡不同质量缺陷类型的样本数量；
步骤4.2：将平衡后的不同质量缺陷类型的样本作为第二级数据集，用于训练第二级模型：轻型梯度提升机；
步骤4.3：采用交叉验证法和贪婪搜索确定轻型梯度提升机的基学习器数量、学习率、最大树深度、叶子节点数量参数，使轻型梯度提升机具有最优的诊断性能；
步骤5：将训练好的级联诊断结构对热轧设定参数进行诊断，基于热轧设定参数的诊断结果，制定不同的控制策略，然后采用人工蜂鸟算法对热轧设定参数进行修正；所述热轧设定参数包括各机架设定弯辊力、轧制力、压下量、窜辊量、轧制速度；
步骤5.1：采用级联诊断结构的第一级模型对热轧设定参数进行诊断，若诊断结果为质量合格，则采用设定参数进行轧制；若诊断结果为质量不合格，则进行步骤5.2；
步骤5.2：采用级联诊断结构的第二级模型继续对设定参数进行诊断，确定缺陷类型；
步骤5.3：为不同的缺陷类型制定相应的控制策略，并按照制定好的策略，采用人工蜂鸟算法对热轧设定参数进行修正，直到第一级模型对修正后的诊断结果为合格质量。
本发明有益技术效果：
本发明提供一种基于级联智能诊断的热轧质量预控制方法，首先对采集的热轧过程数据和质量数据进行数据预处理，然后基于K均值的生成少数类过采样技术和编辑近邻样本方法平衡数据构建第一级数据集用于训练第一级模型极端梯度提升；接着提取不合格产品的数据，并采用自使用生成采样技术平衡数据以构建第二级数据集用于训练第二级模型轻型梯度提升机；然后用级联诊断结构对热轧设定数据进行智能诊断，诊断精度高优于其它方法，诊断速度快；最后用人工蜂鸟算法对诊断结果为质量不合格的设定参数进行修正，修正后消除了质量缺陷。本发明提出的基于智能诊断的热轧质量预控制方法诊断精度高，控制速度快，并且弥补了传统方法热轧设定方法的缺陷，可以广泛地投入到工业生产当中。
附图说明
图1为本发明实施例一种基于级联智能诊断的热轧质量预控制方法流程图；
图2为本发明实施例基于级联智能诊断的热轧质量预控制方法示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步详细描述。
本发明以某热轧产线的生产过程数据和凸度数据为例，建立了基于智能诊断的热轧质量预控制方法，提出了一种级联诊断结构对预设定轧制参数进行高精度的智能诊断，并采用人工蜂鸟算法对诊断结果为质量不合格的设定参数进行修正。本发明提出的基于智能诊断的预控制方法弥补了传统方法的缺陷，提升了热轧生产的设定精度。
为验证基于级联智能诊断的热轧质量预控制方法的有效性，以某热轧产线的生产过程数据和凸度数据为例，对带钢凸度进行基于智能诊断的预控制。
一种基于级联智能诊断的热轧质量预控制方法，如附图1所示，包括以下步骤：
步骤1：采集热轧过程数据和质量数据，将两者结合并构建Xlsx格式原始数据集；所述过程数据包括各机架轧制力、弯辊力、窜辊量、压下率、轧制速度；所述质量数据是热轧过程任何一个质量指标和其对应的质量标签，标签包括：质量是否合格以及质量缺陷类型；
本实施例采集某热轧产线的生产过程数据和质量数据，质量数据采用凸度数据，将两者结合并构建Xlsx格式原始数据集；
步骤2：对步骤1得到的原始数据集进行数据预处理，得到用于建模的数据集；
步骤2.1：采用拉依达准则Pauta criterion剔除原始数据集中的异常值，公式如下：
其中是原始数据集中的第i个样本，/>是原始数据集中所有样本的平均值，/>是标准差，/>为原始数据集样本数量；若数据集中某样本的数据与其平均值之差的绝对值大于3倍的标准差，则该样本将被视为异常值予以剔除；
步骤2.2：对剔除异常值后的原始数据集进行归一化处理；公式如下：
式中为归一化后的无量纲数据，/>为归一化前的有量纲数据，/>为剔除异常值后的原始数据集中的最小数据，/>为剔除异常值后的原始数据集中的最大数据；
本实施例中，从预处理后的数据中，随机提取80%数据作为训练数据，其余数据作为测试数据评估诊断精度和控制精度。
步骤3：利用步骤2得到的数据集作为第一级数据集来构建级联诊断结构中的第一级模型；第一级数据集的数据分布如表1所示；
表1第一级数据集的数据分布；
步骤3.1：采用基于K均值聚类的生成少数类过采样技术Kmeans-SMOTE， K-meansbased Synthetic Minority Over-sampling Technique生成质量不合格样本，以平衡质量不合格样本数量和质量合格样本数量；
步骤3.2：由于新生成的质量不合格样本会与质量合格样本重叠，进而产生大量重叠样本，采用编辑近邻样本方法ENN，Edited Nearest Neighbor对重叠样本进行清洗，清洗规则如下：如果某一个样本的5个最近邻样本中，大于等于3个样本与该样本不属于同一类别，则该样本被清洗；其中最近邻根据欧氏距离进行判断；
步骤3.3：将平衡后的质量不合格样本和质量合格样本作为第一级数据集，用于训练第一级模型：极端梯度提升XGBoost， Extreme Gradient Boosting；
步骤3.4：采用交叉验证法和贪婪搜索确定极端梯度提升的基学习器数量、学习率、最大树深度、惩罚系数参数，使极端梯度提升具有最优的诊断性能；
步骤4：利用步骤2得到的数据集中质量不合格样本作为第二级数据集来构建级联诊断结构中的第二级模型；第二级数据集的数据分布如表2所示；
表2第二级数据集的数据分布；
步骤4.1：提取归一化后的数据集中的质量不合格样本，并采用自适应生成采样技术ADASYN，Adaptive Synthetic Sampling平衡不同质量缺陷类型的样本数量；
步骤4.2：将平衡后的不同质量缺陷类型的样本作为第二级数据集，用于训练第二级模型：轻型梯度提升机LightGBM, Light Gradient Boosting Machine；
步骤4.3：采用交叉验证法和贪婪搜索确定轻型梯度提升机的基学习器数量、学习率、最大树深度、叶子节点数量参数，使轻型梯度提升机具有最优的诊断性能；
本实施例中分别将第一级数据集和第二级数据集用于训练级联诊断结构中的第一级模型和第二级模型，进而提升质量不合格检出率；
本实施例采用Accuracy、AUC、G-mean等评价指标对第一级模型和第二级模型进行调参并对级联诊断结构进行性能测试，在第一级模型中类别为凸度合格和凸度缺陷，在第二级模型中类别为欠凸度缺陷和过凸度缺陷，在级联诊断结构中类别为凸度合格、欠凸度缺陷和过凸度缺陷，公式如下：
式中，Accuracy为准确率，是某一类别的真阳性率，/>为某一类别的真阴性率，为某一类别的假阳性率，/>为某一类别的假阴性率；
式中，AUC为接受者操作特性曲线下方的面积，和 /> 分别是实际为类别j的样本被分类为类别i的概率和实际为类别i的样本被分类为类别j的概率；c为数据中类别的数量；
式中，G-mean为几何平均值，、c和 />分别是第i类别、数据中类别的数量以及每一类的召回率。
本实施例采用交叉验证法和贪婪搜索策略确定极端梯度提升和轻型梯度提升机的主要超参数，如表3所示。
表3级联诊断结构与对比模型的最优超参数；
表3中，n_estimators为基学习器数量，learning_rate为学习率，gamma为惩罚系数，max_depth为最大深度，num_leaves为叶子节点数量，criterion为分裂基准，min_samples_split为分裂所需最小样本数，min_samples_leaf为叶子节点所需最小样本数，iterations为迭代次数，depth为深度，l2_leaf_reg为二次正则化项；
步骤5：将训练好的级联诊断结构对热轧设定参数进行诊断，基于热轧设定参数的诊断结果，制定不同的控制策略，然后采用人工蜂鸟算法对热轧设定参数进行修正；所述热轧设定参数包括各机架设定弯辊力、轧制力、压下量、窜辊量、轧制速度；
步骤5.1：采用级联诊断结构的第一级模型对热轧设定参数进行诊断，若诊断结果为质量合格，则采用设定参数进行轧制；若诊断结果为质量不合格，则进行步骤5.2；
步骤5.2：采用级联诊断结构的第二级模型继续对设定参数进行诊断，确定缺陷类型；
步骤5.3：为不同的缺陷类型制定相应的控制策略，并按照制定好的策略，采用人工蜂鸟算法对热轧设定参数进行修正，直到第一级模型对修正后的诊断结果为合格质量。
本实施例中将构建好的级联诊断结构用于热轧设定参数的诊断，根据凸度缺陷类型制定相应控制策略；
若诊断结果为过凸度缺陷，则控制策略为适当增大上游机架弯辊力、适当微调下游机架弯辊力；
若诊断结果为欠凸度缺陷，适当减小上游机架弯辊力、适当微调下游机架弯辊力。
另外，其他缺陷类型还有：楔形缺陷包括楔形过大和楔形过小，边降缺陷为边降过大，平直度缺陷包括单边浪、双边浪、中浪、W浪、M浪等，但本实施例仅以凸度缺陷为例进行说明；
对诊断结果为凸度缺陷的样本进行预控制。热轧测试集中某样本诊断结果为欠凸度，遵循控制策略，采用人工蜂鸟算法对各机架弯辊力设定值进行修正，如附图2所示，图中圆圈表示轧辊，四个轧辊组成一个机架，修正结果如表4所示，经修正后的样本的诊断结果为凸度合格。
表4预控制前后的设定参数对比；
最后采用热轧测试数据对级联诊断结构的诊断性能进行评估，将本发明提出的级联诊断结构与极端梯度提升、轻型梯度提升机、随机森林、类别型梯度提升等先进方法进行性能对比。各个方法的性能对比如表5所示。
表5级联诊断结构与对比模型的诊断性能对比；
本发明提出的级联诊断结构的Accuracy为0.9646、AUC为0.9597、G-mean为0.9190，在三个指标上都大幅领先其它先进的机器学习方法。此外，级联诊断结构的诊断时间为0.010秒，尽管其诊断速度不是最快的，但是仍可以满足钢铁生产实时控制的要求。总之，本发明提出的级联诊断结构是一种兼顾诊断时间和诊断精度的智能诊断方法。
Claims (1)
1.一种基于级联智能诊断的热轧质量预控制方法，其特征在于，包括以下步骤：
步骤1：采集热轧过程数据和质量数据，将两者结合并构建Xlsx格式原始数据集；所述质量数据是热轧过程任何一个质量指标和其对应的质量标签，标签包括：质量是否合格以及质量缺陷类型；
步骤2：对步骤1得到的原始数据集进行数据预处理，得到用于建模的数据集；
步骤3：利用步骤2得到的数据集构建级联诊断结构中的第一级模型；
步骤4：利用步骤2得到的数据集中质量不合格样本构建级联诊断结构中的第二级模型；
步骤5：将训练好的级联诊断结构对热轧设定参数进行诊断，基于热轧设定参数的诊断结果，制定不同的控制策略，然后采用人工蜂鸟算法对热轧设定参数进行修正；
所述过程数据包括各机架轧制力、弯辊力、窜辊量、压下率、轧制速度；
所述热轧设定参数包括各机架设定弯辊力、轧制力、压下量、窜辊量、轧制速度；
步骤2具体为：
步骤2.1：采用拉依达准则剔除原始数据集中的异常值，公式如下：
其中xoi是原始数据集中的第i个样本，是原始数据集中所有样本的平均值，σ是标准差，S为原始数据集样本数量；若数据集中某样本的数据与其平均值之差的绝对值大于3倍的标准差，则该样本将被视为异常值予以剔除；
步骤2.2：对剔除异常值后的原始数据集进行归一化处理；公式如下：
式中x′i为归一化后的无量纲数据，xi为归一化前的有量纲数据，xmin为剔除异常值后的原始数据集中的最小数据，xmax为剔除异常值后的原始数据集中的最大数据；
步骤3具体为：
步骤3.1：采用基于K均值聚类的生成少数类过采样技术生成质量不合格样本，以平衡质量不合格样本数量和质量合格样本数量；
步骤3.2：由于新生成的质量不合格样本会与质量合格样本重叠，进而产生大量重叠样本，采用编辑近邻样本方法对重叠样本进行清洗，清洗规则如下：如果某一个样本的5个最近邻样本中，大于等于3个样本与该样本不属于同一类别，则该样本被清洗；其中最近邻根据欧氏距离进行判断；
步骤3.3：将平衡后的质量不合格样本和质量合格样本作为第一级数据集，用于训练第一级模型：极端梯度提升；
步骤3.4：采用交叉验证法和贪婪搜索确定极端梯度提升的基学习器数量、学习率、最大树深度、惩罚系数参数，使极端梯度提升具有最优的诊断性能；
步骤4具体为：
步骤4.1：提取步骤2得到的数据集中的质量不合格样本，并采用自适应生成采样技术平衡不同质量缺陷类型的样本数量；
步骤4.2：将平衡后的不同质量缺陷类型的样本作为第二级数据集，用于训练第二级模型：轻型梯度提升机；
步骤4.3：采用交叉验证法和贪婪搜索确定轻型梯度提升机的基学习器数量、学习率、最大树深度、叶子节点数量参数，使轻型梯度提升机具有最优的诊断性能；
步骤5具体为：
步骤5.1：采用级联诊断结构的第一级模型对热轧设定参数进行诊断，若诊断结果为质量合格，则采用设定参数进行轧制；若诊断结果为质量不合格，则进行步骤5.2；
步骤5.2：采用级联诊断结构的第二级模型继续对设定参数进行诊断，确定缺陷类型；
步骤5.3：为不同的缺陷类型制定相应的控制策略，并按照制定好的策略，采用人工蜂鸟算法对热轧设定参数进行修正，直到第一级模型对修正后的诊断结果为合格质量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174372.XA CN117732886B (zh) | 2024-02-07 | 2024-02-07 | 一种基于级联智能诊断的热轧质量预控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174372.XA CN117732886B (zh) | 2024-02-07 | 2024-02-07 | 一种基于级联智能诊断的热轧质量预控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117732886A CN117732886A (zh) | 2024-03-22 |
| CN117732886B true CN117732886B (zh) | 2024-04-30 |
Family
ID=90283544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410174372.XA Active CN117732886B (zh) | 2024-02-07 | 2024-02-07 | 一种基于级联智能诊断的热轧质量预控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117732886B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008296251A (ja) * | 2007-05-31 | 2008-12-11 | Jfe Steel Kk | 熱延金属帯の品質判定結果記録用コンピュータシステム、製造・品質実績管理および通過工程指示・管理用ビジコンシステムと、それらを用いた後工程での熱延金属帯の品質不良部切除方法 |
| CN104841700A (zh) * | 2015-04-28 | 2015-08-19 | 武汉科技大学 | 一种热轧带钢轧制力的优化设定方法 |
| CN109772897A (zh) * | 2017-11-14 | 2019-05-21 | 宝山钢铁股份有限公司 | 一种提高热连轧带钢全长凸度和楔形精度的设定控制方法 |
| CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
| CN110321658A (zh) * | 2019-07-10 | 2019-10-11 | 江苏金恒信息科技股份有限公司 | 一种板材性能的预测方法及装置 |
| CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
| CN113319127A (zh) * | 2021-06-10 | 2021-08-31 | 燕山大学 | 一种考虑目标凸度的板形目标曲线设定方法 |
| CN114445397A (zh) * | 2022-02-16 | 2022-05-06 | 唐山工业职业技术学院 | 一种基于浅层神经网络的带钢缺陷检测方法 |
| CN115374858A (zh) * | 2022-08-24 | 2022-11-22 | 东北大学 | 基于混合集成模型的流程工业生产品质的智能诊断方法 |
| CN116958662A (zh) * | 2023-07-07 | 2023-10-27 | 云南大学滇池学院 | 一种基于卷积神经网络的钢带缺陷分类方法 |
| 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 |
-
2024
- 2024-02-07 CN CN202410174372.XA patent/CN117732886B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008296251A (ja) * | 2007-05-31 | 2008-12-11 | Jfe Steel Kk | 熱延金属帯の品質判定結果記録用コンピュータシステム、製造・品質実績管理および通過工程指示・管理用ビジコンシステムと、それらを用いた後工程での熱延金属帯の品質不良部切除方法 |
| CN104841700A (zh) * | 2015-04-28 | 2015-08-19 | 武汉科技大学 | 一种热轧带钢轧制力的优化设定方法 |
| CN109772897A (zh) * | 2017-11-14 | 2019-05-21 | 宝山钢铁股份有限公司 | 一种提高热连轧带钢全长凸度和楔形精度的设定控制方法 |
| CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
| CN110321658A (zh) * | 2019-07-10 | 2019-10-11 | 江苏金恒信息科技股份有限公司 | 一种板材性能的预测方法及装置 |
| CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
| CN113319127A (zh) * | 2021-06-10 | 2021-08-31 | 燕山大学 | 一种考虑目标凸度的板形目标曲线设定方法 |
| CN114445397A (zh) * | 2022-02-16 | 2022-05-06 | 唐山工业职业技术学院 | 一种基于浅层神经网络的带钢缺陷检测方法 |
| CN115374858A (zh) * | 2022-08-24 | 2022-11-22 | 东北大学 | 基于混合集成模型的流程工业生产品质的智能诊断方法 |
| CN116958662A (zh) * | 2023-07-07 | 2023-10-27 | 云南大学滇池学院 | 一种基于卷积神经网络的钢带缺陷分类方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| A high-precision and transparent step-wise diagnostic framework for hot-rolled strip crown;Chengyan Ding等;Journal of Manufacturing Systems;20231231;第71卷;144-157 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117732886A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
| 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 | |
| CN110569566B (zh) | 一种板带力学性能预测方法 | |
| CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
| CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
| CN117171521A (zh) | 一种针对缺陷检测的钢铁产品性能智能诊断方法 | |
| CN111790762B (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
| CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| CN110287456A (zh) | 基于数据挖掘的大盘卷轧制表面缺陷分析方法 | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN117732886B (zh) | 一种基于级联智能诊断的热轧质量预控制方法 | |
| CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
| CN113359435A (zh) | 用于火电机组动态工况数据的修正方法 | |
| CN115374858B (zh) | 基于混合集成模型的流程工业生产品质的智能诊断方法 | |
| CN111931425A (zh) | 一种基于rf算法的热轧q355b钢种的性能预测系统 | |
| 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 | |
| CN115470595A (zh) | 一种数据与机理融合的热轧带钢凸度预测方法 | |
| CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
| CN111258996B (zh) | 一种面向工业大数据的产品质量多源深度融合预报方法 | |
| CN110704956B (zh) | 一种冷轧机数据驱动的工艺参数优化方法 | |
| CN117753795B (zh) | 一种针对多钢种、多规格热轧产品的前馈控制方法 | |
| CN115062431B (zh) | 一种基于CS-Elman神经网络模型的热轧板凸度预测方法 | |
| CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 |
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 |