CN110773578B - 基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法 - Google Patents
基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法 Download PDFInfo
- Publication number
- CN110773578B CN110773578B CN201911125983.0A CN201911125983A CN110773578B CN 110773578 B CN110773578 B CN 110773578B CN 201911125983 A CN201911125983 A CN 201911125983A CN 110773578 B CN110773578 B CN 110773578B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- water tank
- artificial intelligence
- opening degree
- 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
Images
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
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
- B21B37/76—Cooling control on the run-out table
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
- B21B45/0203—Cooling
- B21B45/0209—Cooling devices, e.g. using gaseous coolants
- B21B45/0215—Cooling devices, e.g. using gaseous coolants using liquid coolants, e.g. for sections, for tubes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2201/00—Special rolling modes
- B21B2201/06—Thermomechanical rolling
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法。所述的***包括监测采集子***:通过物联网技术以及产线上布置的各个工序的的传感器,对热轧螺纹钢轧后控冷全流程进行监测采集,实时采集数据;控制子***:通过物联网和自动控制技术,对各水箱开口度进行控制;开口度控制范围为0‑100;人工智能子***,用于建立人工智能模型,并利用监测采集子***采集的数据对人工智能模型进行训练和测试,生成最终人工智能模型。通过该人工智能模型实现生产工艺过程的自动控制,对水冷和空冷工段进行自动调节,以适应生产的需要,并达到生产过程中的节能减耗。
Description
技术领域
本发明涉及一种通过人工智能学习控冷前后各输入输出关键参数,建立控冷前后温度和水箱开度的人工智能模型的方法。通过该方法实现生产工艺过程的自动控制,对水冷和空冷工段进行自动调节,以适应生产的需要,并达到生产过程中的节能减耗。
背景技术
为了得到品质较高、稳定性良好的热轧螺纹钢棒材,通常要求使用控轧控冷、在线热处理、精密轧制等先进工艺技术,以得到在规格、产量、质量和性能方面都具有较强的竞争力的产品。已有大量的研究和实际生产应用结果表明,控轧控冷工艺是改变钢材的微观组织和晶粒尺寸,进而对其性能进行调控的重要方法手段之一。
为了保证钢材各部位的冷却均匀,并使其达到组织的均匀性,改善钢材的表面质量,需要根据要求的始冷温度和终冷温度,合理调控水冷工艺,对水冷和空冷序列、水冷开口度以及长度等参数进行实时调控。传统方法一般通过数据表对比,实现对冷却环节反算,提供可达到目标温度的最佳冷却模式水箱开口度值序列。这种静态方法一般用于产线生产之前的各水箱开口布置,无法实现生产过程中的水箱开口动态控制。
为此本发明提出一种基于人工智能计算的方法,通过人工智能建立控冷各环节参数模型。达到水箱开口度的实时计算,实现生产工艺过程的自动控制,对水冷和空冷工段进行自动调节,以适应生产的需要,并达到生产过程中的节能减耗。
发明内容
为克服上述缺陷,本发明在于设计了一种基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法。
为达到上述目的,本发明基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的方法,其特征在于,所述的方法包括下述步骤:
a)监测采集产线上的相关数据,包括但不限于轧机规格,轧后钢表面温度,各水箱长度,各水箱开口度,各水箱之间距离,各水箱水压值,水冷后最终钢表面温度;
b)对给定的数据进行组织性能检测,分为合格1和不合格0;并在数据中进行标注。随后预处理模块根据9:1的比例,随机抽样分出训练数据和测试数据;
c)以组织性能及水箱开口度为输出指标,其他为输入指标,建立人工智能模型;
d)用步骤b)建立好的训练数据进行对步骤C)建立人工智能模型进行训练,调测模型参数,使得模型训练拟合度较高;
e)用步骤b)建立好的测试数据进行对步骤d)训练出来的人工智能模型进行进行测试,使测试样本的准确率较高;
f)调整模型参数,并循环的执行步骤d)和e);
g)得到最终模型后,接收采集***传过来的数据让模型计算出需要的水箱开口度参数。
h)把水箱开口度参数序列输出以控制调整水箱的开口度。
进一步的,模型采用的算法包括但不限于逻辑回归、BP神经网络、SVM、决策树、随机森林、深度学习。
为达到上述目的,本发明基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***,包括:
监测采集子***:通过物联网技术以及产线上布置的各个工序的的传感器,对热轧螺纹钢轧后控冷全流程进行监测采集,实时采集数据;
控制子***:通过物联网和自动控制技术,对各水箱开口度进行控制;开口度控制范围为0-100;
人工智能子***,包括
数据预处理模块:从监测采集***实时采集大量数据,并保存在数据库中,并对数据按照9:1划分为训练样本数据和测试样本数据,
组织性能预处理模块:通过已有数据,根据工艺算法,计算出在该数据情况下出来的钢材结构的组织性能是否达到要求,达到要求为1,没有达到要求为0;
人工智能模型模块:建立用于智能学习的模型;
人工智能模型训练模块:采用训练样本对人工智能模型进行训练,调测模型参数,使得模型训练拟合度较高;
人工智能模型测试模块:采用测试样本数据对训练得到的模型进行样本测试,使得测试样本的准确度较高;
参数反馈调整模块:通过参数调整的不断进行学习,最后得到最终的准确度,拟合度最高的模型;
最终模型生成模块:输出最终模型,以通过控制子***对开口度进行控制。
进一步的,所述的监测采集子***实时采集的数据,包含但不限于:轧机规格,轧后钢表面温度,各水箱长度,各水箱开口度,各水箱之间距离,各水箱水压值,水冷后最终钢表面温度。
附图说明
图1:***结构图
图2:控制***流程图。
具体实施方式
下面结合图1对本发明的***进行说明。
如图1所示,本发明主要有3个子***组成:
1.监测采集子***A:通过物联网技术对热轧螺纹钢轧后控冷全流程进行监测采集,实时采集数据包含但不限于如下,轧机规格,轧后钢表面温度,各水箱长度,各水箱开口度,各水箱之间距离,各水箱水压值,水冷后最终钢表面温度等。其中水箱的个数是在产线建设的时候就固定的。
2.控制子***B:通过物联网和自动控制技术,对各水箱开口度进行控制。开口度控制范围为0-100.开口度的大小表面水箱里水的多少。
3.人工智能子***X:本专利的核心模块,由6个部分组成,分别是:
数据预处理模块C:从监测采集***实时采集大量数据,并保存在数据库中,并对数据按照9:1划分为训练样本数据和测试样本数据,训练样本数据主要用于人工智能的模型训练,测试样本数据用于测试该模型的准确性。通过组织性能预处理模块I,数据又被区分为是否达到组织性能。目标输出值是水箱的开口数量和开口度,其他都是输入值。
本发明的最终模型H不是一个静态的模型,随着人工智能的不断深入在线学习,总会出现一个模型H1的准确度和拟合度都超过先前模型H,那么这个时候就把H1替换为H。
因为控冷水箱的个数和长度在产线建设的时候就固定了,所以本发明主要是通过人工智能方法控制每个水箱的开口度,进而进一步控制水箱的出水量,达到节能减耗的目的。最终的目的是在满足工艺对产品组织性能要求的同时,减少水箱的工作的数量和工作水箱开口度(出水量)。
下面结合图2对本发明的方法进行说明。
本方法主要是指导在确保钢件满足组织性能要求的同时每个水箱的开口度。开口度为0即代表水箱不在运行。
i)监测采集***A通过在产线上布置的各个工序的的传感器,监测采集相关数据,包括但不限于轧机规格,轧后钢表面温度,各水箱长度,各水箱开口度,各水箱之间距离,各水箱水压值,水冷后最终钢表面温度。
j)采集***把数据传输给预处理模块,预处理模块先调用组织性能预测模块I,对给定的数据进行组织性能检测,分为合格1和不合格0。并在数据中进行标注。随后预处理模块根据9:1的比例,随机抽样分出训练数据和测试数据。
k)以组织性能及水箱开口度为输出指标,其他为输入指标,建立人工智能模型,模型采用的算法包括但不限于逻辑回归、BP神经网络、SVM、决策树、随机森林、深度学习等。
l)用步骤b)建立好的训练数据进行训练,调测模型参数,使得模型训练拟合度较高。
m)步骤d)训练出来的模型进行测试,使测试样本的准确率较高。
n)调整模型参数,并循环的执行步骤d)和e)。查看是否有测试样本准确率更高的参数设置(防止过拟合或欠拟合),保存训练和测试样本准确率最高的模型结果。
o)得到最终模型H后,接收采集***传过来的数据(主要是轧件出轧机后的温度),默认组织性能都是合格的,在此基础上让模型计算出需要的水箱开口度参数。
p)把水箱开口度参数序列(即每个水箱的开口度值,如果不用水箱的开口度为0)传递给控制***B。由控制***最终来控制调整水箱的开口度。
q)这样***就可以根据轧件的表面温度,实时控制开口度,确保达到控温指标,又能确保组织性能,同时还可以进行能耗节省。
r)人工智能***X,会不停的进行优化计算,使得模型控制达到最优情况,并且把更优的模型覆盖替换现有已保存模型。
Claims (1)
1.一种基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***,其特征在于,所述的***包括:
监测采集子***:通过物联网技术以及产线上布置的各个工序的传感器,对热轧螺纹钢轧后控冷全流程进行监测采集,实时采集数据;
控制子***:通过物联网和自动控制技术,对各水箱开口度进行控制;开口度控制范围为0-100;
人工智能子***,包括
数据预处理模块:从监测采集子***实时采集大量数据,并保存在数据库中,并对数据按照9:1划分为训练样本数据和测试样本数据,
组织性能预处理模块:通过已有数据,根据工艺算法,计算出在该数据情况下出来的钢材结构的组织性能是否达到要求,达到要求为1,没有达到要求为0;
人工智能模型模块:建立用于智能学习的模型;
人工智能模型训练模块:采用训练样本数据对人工智能模型进行训练,调测模型参数,使得模型训练拟合度较高;
人工智能模型测试模块:采用测试样本数据对训练得到的模型进行样本测试,使得测试样本的准确度较高;
参数反馈调整模块:通过参数调整的不断进行学习,最后得到最终的准确度、拟合度最高的模型;
最终模型生成模块:输出最终模型,以通过控制子***对开口度进行控制;
其中,基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的方法,包括下述步骤:
a)监测采集产线上的相关数据,包括轧机规格,轧后钢表面温度,各水箱长度,各水箱开口度,各水箱之间距离,各水箱水压值,水冷后最终钢表面温度;
b)对采集的数据进行组织性能检测,分为合格1和不合格0;并在数据中进行标注;随后数据预处理模块根据9:1的比例,随机抽样分出训练样本数据和测试样本数据;
c)以组织性能及水箱开口度为输出指标,其他为输入指标,建立人工智能模型;
d)用步骤b)建立好的训练样本数据进行对步骤c)建立人工智能模型进行训练,调测模型参数,使得模型训练拟合度较高;
e)用步骤b)建立好的测试样本数据进行对步骤d)训练出来的人工智能模型进行样本测试,使测试样本的准确度较高;
f)调整模型参数,并循环的执行步骤d)和e);
g)得到最终模型后,接收监测采集子***传过来的数据让模型计算出需要的水箱开口度参数;
h)把水箱开口度参数序列输出以控制调整水箱的开口度;
模型采用的算法包括逻辑回归、BP神经网络、SVM、决策树、随机森林、深度学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125983.0A CN110773578B (zh) | 2019-11-15 | 2019-11-15 | 基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125983.0A CN110773578B (zh) | 2019-11-15 | 2019-11-15 | 基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110773578A CN110773578A (zh) | 2020-02-11 |
CN110773578B true CN110773578B (zh) | 2021-09-10 |
Family
ID=69391477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911125983.0A Active CN110773578B (zh) | 2019-11-15 | 2019-11-15 | 基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110773578B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105132855A (zh) * | 2015-09-29 | 2015-12-09 | 武汉赛恩冶金技术开发有限公司 | 一种热轧螺纹钢轧后穿水控冷工艺生产在线表面防锈的新工艺 |
CN206643132U (zh) * | 2017-03-31 | 2017-11-17 | 中冶南方工程技术有限公司 | 热轧棒线材预水冷装置控制*** |
CN109108094B (zh) * | 2018-08-27 | 2019-07-09 | 合肥东方节能科技股份有限公司 | 一种螺纹钢细晶轧制智能控制方法 |
CN108921364A (zh) * | 2018-09-30 | 2018-11-30 | 中冶华天工程技术有限公司 | 基于人工智能的污水处理厂鼓风机节能降耗方法 |
-
2019
- 2019-11-15 CN CN201911125983.0A patent/CN110773578B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110773578A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022166919A1 (zh) | 一种畜禽舍养殖环境温度预测控制***及其调控方法 | |
CN105805822B (zh) | 基于神经网络预测的供热节能控制方法与*** | |
CN102980272B (zh) | 一种基于负荷预测的空调***节能优化方法 | |
CN102147613B (zh) | 一种对烟叶复烤机水分、温度的模型预测控制方法及*** | |
CN106227038A (zh) | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 | |
CN103128107B (zh) | 一种热连轧粗轧短行程曲线参数的在线计算方法 | |
CN103611734A (zh) | 一种层流冷却温度控制方法及*** | |
CN103464474A (zh) | 棒材控冷***的温度自动控制方法 | |
CN107273633B (zh) | 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 | |
WO2022062339A1 (zh) | 一种变风量布风器风阀的控制***及其控制方法 | |
CN112100745A (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN110410960A (zh) | 一种风机盘管预测控制方法 | |
CN103792845B (zh) | 一种金霉素发酵过程补糖速率优化控制的方法和*** | |
CN110851994B (zh) | 一种冷轧带材在线板形目标曲线调整方法 | |
CN110773578B (zh) | 基于人工智能对热轧螺纹钢轧后控冷水箱参数调整的***和方法 | |
Zheng et al. | Dynamic rolling force prediction of reversible cold rolling mill based on BP neural network with improved PSO | |
CN112845610B (zh) | 一种轧钢电耗参数推荐方法及*** | |
CN105290122B (zh) | 一种rbf网络支持的agc***厚度测量装置 | |
CN112588424A (zh) | 一种基于云端智能模型的球磨制粉***有效控制方法 | |
CN115218603B (zh) | 冷却流量控制方法及装置 | |
CN110883105A (zh) | 热轧螺纹钢轧后控冷寻优水箱参数实时调整的方法 | |
CN115469614A (zh) | 一种基于多元线性回归烟草加工控制方法 | |
CN103162731B (zh) | 一种高炉热风炉燃烧效果在线分析及量化方法 | |
JPH04190910A (ja) | 圧延機の設定計算装置 | |
CN104281054A (zh) | 全氢罩式炉加热过程智能模糊控制方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210818 Address after: 243000 Fu Chang Industrial Park, 259 HSI Nan Road, Ma'anshan economic and Technological Development Zone, Anhui Applicant after: HUATIAN ENGINEERING & TECHNOLOGY CORPORATION, MCC Applicant after: HUATIAN NANJING ENGINEERING & TECHNOLOGY CORPORATION, MCC Address before: No.699, Hunan West Road, Ma'anshan City, Anhui Province Applicant before: HUATIAN ENGINEERING & TECHNOLOGY CORPORATION, MCC |
|
GR01 | Patent grant | ||
GR01 | Patent grant |