CN111476348A - 一种铸坯质量预报方法 - Google Patents
一种铸坯质量预报方法 Download PDFInfo
- Publication number
- CN111476348A CN111476348A CN202010149259.8A CN202010149259A CN111476348A CN 111476348 A CN111476348 A CN 111476348A CN 202010149259 A CN202010149259 A CN 202010149259A CN 111476348 A CN111476348 A CN 111476348A
- Authority
- CN
- China
- Prior art keywords
- casting blank
- temperature
- quality
- slice
- blank
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Continuous Casting (AREA)
Abstract
本发明公开了一种铸坯质量预报方法,涉及冶金技术领域,采用基于BP算法的多层前馈神经网络模型,通过收集现场生产数据,将工艺参数作为输入,铸坯质量缺陷作为输出,应用数学方法研究输入与输出信息的关系,开发出基于人工神经网络的大方坯质量在线预报模型。实现了对特殊钢大方坯铸坯质量进行在线及时预报,并根据预报结果对铸坯的下一步走向做出判断,保证热送热装坯的质量,从而满足节能降耗、提高钢材成材率以及降低生产成本的目的。
Description
技术领域
本发明涉及冶金技术领域,特别是涉及一种铸坯质量预报方法。
背景技术
BP神经网络的全称是基于误差反向传播的多层前馈神经网络(error backpropagation learning algorithm),这是一种多层非线性映射网络,属于静态网。BP网络可以实现输入到输出的任意非线性映射,在工程应用中最成熟、性能最稳定、最广泛的神经网络类型即为BP型神经网络。BP神经网络是多层前馈神经网络,BP网络包括一个输入层、一个输出层、一个或多个隐含层,各层神经元之间形成全互联连接,各层内的神经元之间没有连接,其结构如图1所示。由于网络各层之间的连接权的调整采用误差反向传播(BackPropagation)的学习算法,所以将其简称为BP神经网络。BP网络模型已成为神经网络的重要模型之一,在很多领域得到了应用,但它也存在一些不足。如从数学上看,它是一个非线性优化问题,这就不可避免地存在局部极小点问题;BP网络的学习算法收敛速度较慢,且收敛速度与网络的初始权值有关;网络的结构设计,即隐含层及其节点数的选择尚无理论指导,而是根据经验选取。
随着国家大力提倡发展循环经济,冶金企业对节能降耗的要求也越来越高。在以具有能耗低、投资省、成材率高、生产周期短等明显特征的近终形连铸连轧、热送热装和直接轧制为代表的工艺紧凑化技术快速发展的今天,传统的冷态取样检查铸坯质量的判定方法已远远不能适应这一要求。因此,如何根据铸坯缺陷形成机理,利用现代数学与人工智能技术建立铸坯质量在线预报***受到广泛关注。
连铸是一个边充填、边凝固并涉及凝固体高温塑性变形的复杂的动态凝固工艺,铸坯缺陷产生的机理非常复杂,影响铸坯质量的因素繁多,应用基于凝固机理的数学模型建立的铸坯质量预报模型很难达到令人满意的预报精度,所以在实际应用中具有相当大的局限性。而神经网络的出现给缺陷诊断提供了可能,借助于神经网络良好的自适应性、非线性逼近能力、记忆能力以及泛化能力,就可以很好地解决连铸坯质量预报这种多因素、不确定和不精确的复杂的非线性问题。
发明内容
本发明针对上述技术问题,克服现有技术的缺点,提供一种铸坯质量预报方法,选择三层BP网络结构来建立板坯铸坯内部质量预报模型,从而获得铸坯缺陷等级与工艺参数之间的复杂非线性函数关系。
为了解决以上技术问题,本发明提供一种铸坯质量预报方法,其特征在于:针对特殊钢大方坯连铸生产过程中出现的中心裂纹、中间裂纹和中心偏析三种内部缺陷来建立基于BP神经网络的铸坯质量预报模型,该模型包括输入层、隐含层和输出层,具体:
①输入层和输出层节点数的确定
输入层的节点包括出结晶器坯壳厚度X1、出结晶器表面温度X2、第一个矫直点坯壳厚度X3、第一个矫直点表面温度X4、出结晶器回温速率X5、出足辊段回温速率X6、出一冷段回温速率X7、出二冷段回温速率X8、出三冷段回温速率X9、出四冷段回温速率X10、电磁搅拌处坯壳厚度X11、过冶金长度中心降温速率X12、过冶金长度中心周围降温速率X13、过热度X14、平均拉速X15、比水量X16、拉速波动量X17、压下量X18、液芯长度X19、C含量X20、P含量X21、S含量X22;
输出层的节点包括中心裂纹等级Y1、中间裂纹等级Y2、中心偏析等级Y3;
②隐含层节点数的确定
采用试凑法,计算公式如下:其中n为输入层节点数,m为输出层节点数,a为1-10之间的常数,在该范围内选取不同的数值进行网络训练学习,在网络学习过程中观察权值、误差下降情况,直至确定出最佳的隐含层节点数;
③铸坯质量预报模型建立
模型将铸坯从结晶器弯月面到控制区末端划分为若干个切片,切片厚度为100mm,每个切片都是独立的信息单元,这些信息包括切片的寿命、中心温度、表面温度、位置以及步骤①中铸坯质量预报模型所需要的22个输入变量和3个输出变量,通过动态跟踪每个切片在不同时刻的信息,确定每个切片在不同时刻下的凝固传热微分方程边界条件,对每个切片的凝固传热微分方程进行周期性求解,动态描述出每个切片在不同时刻、不同位置下的温度场,由于每个切片温度场的变化都代表该切片所处位置上铸坯温度场的变化,因而将所有切片串起来,动态描述出整个铸坯的温度场分布,为铸坯质量预报提供温度场数据,最终得到中心裂纹曲线、中间裂纹曲线、中心偏析曲线的预报结果。
本发明进一步限定的技术方案是:
进一步的,步骤③获得的原始数据在传入神经网络前进行预处理,包括空值处理、噪声值处理和归一化处理,
空值处理:空值即缺失值,采用平均值替换缺失值;
噪声值处理:对采集的工艺参数设置有效值范围,当传感器采集的数据超出该有效值范围时,视为噪声信号,直接将其删除,不予采用;
归一化处理:训练前对样本集中的数据采用最大最小值标准化方法进行归一化处理。
本发明的有益效果是:
(1)本发明采用基于BP算法的多层前馈神经网络模型,通过收集现场生产数据,将工艺参数作为输入,铸坯质量缺陷作为输出,应用数学方法研究输入与输出信息的关系,开发出基于人工神经网络的大方坯质量在线预报模型。实现了对特殊钢大方坯铸坯质量进行在线及时预报,并根据预报结果对铸坯的下一步走向做出判断,保证热送热装坯的质量,从而满足节能降耗、提高钢材成材率以及降低生产成本的目的;
(2)本发明分析中心裂纹、中间裂纹和中心偏析三种常见铸坯内部缺陷的形成机理以及主要影响因素,阐述了铸坯凝固进程和温度场对这些缺陷形成的影响,为质量预报模型制定输入变量提供理论基础;
(3)本发明建立了预报铸坯中心裂纹、中间裂纹和中心偏析等主要内部缺陷的三层BP神经网络模型,模型的拓扑结构为22-12-3,并利用来自生产现场的实际数据制做了训练样本和测试样本,对神经网络模型进行了训练和测试,证明得到精度可靠的神经网络模型。
附图说明
图1为BP神经网络的结构示意图;
图2为铸坯质量预报模型结构示意图;
图3为铸坯质量预报模型切片的划分示意图;
图4为铸坯质量预报***结构示意图;
图5为试凑法流程图。
具体实施方式
本实施例提供的一种铸坯质量预报方法,结构如图2所示,针对特殊钢大方坯连铸生产过程中出现的中心裂纹、中间裂纹和中心偏析三种内部缺陷来建立基于BP神经网络的铸坯质量预报模型,该模型包括输入层、隐含层和输出层。
建立基于神经网络的铸坯质量预测模型对铸坯缺陷的产生情况进行在线预测,就是利用连铸生产过程中的与质量有关的各种信息来实现的。连铸过程是集流体流动、热传输、凝固、结晶相变于一体的复杂的工艺过程,在这个过程中产生的缺陷类型很多,不同钢厂、不同铸机产生的缺陷也多种多样、不尽相同,但撇开具体铸机缺陷产生特殊性的一面,对各种缺陷类型产生及其影响因素共性的规律进行必要的归纳总结有助于选择预测模型所需要的主要特征参数。
①输入层和输出层节点数的确定
输入向量的维数代表输入层的单元个数,输出向量的维数就是输出层的单元个数,这两个参数由建立的质量模型所要实现的预报缺陷目标以及影响这些缺陷产生的因素来确定。针对特殊钢大方坯连铸生产过程中常出现的中心裂纹、中间裂纹和中心偏析这三种内部缺陷来建立基于BP神经网络的铸坯质量预报模型,所以输出层的节点数为3,分别为中心裂纹等级Y1、中间裂纹等级Y2、中心偏析等级Y3。
建立铸坯质量预报模型时,不考虑设备因素,即假定连铸过程中铸机处于良好的运行状态。这是因为铸坯质量预报模型进行的是数值计算,它的输入量必须是数值类型,而设备因素比如二冷区扇形段的辊子不转、喷嘴堵塞以及对弧不中等,这些因素在连铸过程中不能实时获取,而且也很难用数值来准确描述。这种情况下,缺陷的产生主要是由于化学成份以及各种工艺参数偏离了正常范围造成的。
影响这三种缺陷的工艺参数很多,它们中的有些参数之间是线性相关的,比如钢水过热度和中包温度、比水量与二冷区各回路水量、各区水量分配系数,相互之间都存在着明显的线性关系。在建立基于BP神经网络的质量预报模型时,为了避免网络结构过于复杂而易造成网络训练时间过长甚至不收敛的情况,必须对这些参数进行选择和提取,从而降低输入向量的维数,避免大量的计算机开销,也有利于实现生产***对这些参数的在线监测和采集。影响铸坯鼓肚应力、矫直应力和辊子不对中应力的因素很多,如坯壳厚度、坯壳表面温度、钢水静压力、辊间距等等,所以需要选择合适位置的坯壳厚度和铸坯表面温度作为输入向量,将三种应力应变对裂纹产生的影响体现出来。
铸坯出结晶器时,坯壳较薄,对表面温度回升引起的热应力非常敏感,铸坯表面温度回升,凝固前沿会产生拉应力,当温度高于1300℃时极易产生裂纹;凝固结束时,由于凝固潜热全部释放完毕,中心温度相对周围的温度下降较快,此时铸坯中心产生拉应力,容易产生中心裂纹。另外,降低浇注温度,钢水过热度减小,有利于在铸坯中形成等轴晶组织,从而可减小内裂倾向。增大拉速会加剧冷却的不均匀性,使铸坯温度升高强度降低,容易产生鼓肚,增加铸坯产生内裂纹的倾向。铸坯的中间裂纹以及中心裂纹主要是在二冷段形成的,因此,为了确保铸坯质量必须制定出合理的二冷制度。不合理的二冷配水会使铸坯表面温度波动太大,出现温度回升过快过大等现象,这些都容易导致铸坯内裂纹的产生。
连铸坯中心偏析是指钢液在凝固过程中,由于溶质元素在固液相中的再分配形成了铸坯化学成份的不均匀性,中心部位的C、S、P等含量明显高于其它部位。枝晶间金属液体的流动、铸坯的凝固组织、钢的化学成分、冷却条件等方面,都对铸坯中心宏观偏析有影响。而这几个方面涉及到连铸的工艺参数和浇铸钢种等因素,具体归纳如下:钢中的易偏析元素C、P、S含量越高,铸坯的中心偏析倾向就越大;降低浇注温度,有利于等轴晶的形成,高的等轴晶率可以减少柱状晶之间的搭桥,从而降低中心偏析;电磁搅拌在钢液中产生强烈流动,一方面使液相穴内温度均匀,另一方面可以打碎部分树枝晶,被打碎的树枝晶部分被熔化掉,部分作为等轴晶的形核核心,这两方面的因素都有助于消除钢液内的剩余过热度,降低凝固前沿的温度梯度,从而使柱状晶的发展受到控制,增加等轴晶率,从而抑制中心偏析;高拉速或浇注过程中拉速的频繁变化都会增加中心偏析的倾向;增加冷却强度使铸坯快速凝固,以缩短凝固时间,减小液相流动的总量,可以减轻中心偏析。
连铸过程中的基本工艺参数,比如中包温度、拉速、比水量作为输入向量。基于以上冶金理论分析,并结合生产实践经验和连铸板坯生产中的数据统计分析,最终确定22个输入变量,见表1,温度场和坯壳厚度数据由铸坯凝固参数动态跟踪模型提供。
表1铸坯质量预报模型的输入变量
输入节点 | 参数名称 | 输入节点 | 参数名称 |
X<sub>1</sub> | 出结晶器坯壳厚度 | X<sub>12</sub> | 过冶金长度中心降温速率 |
X<sub>2</sub> | 出结晶器表面温度 | X<sub>13</sub> | 过冶金长度中心周围降温速率 |
X<sub>3</sub> | 第一个矫直点坯壳厚度 | X<sub>14</sub> | 过热度 |
X<sub>4</sub> | 第一个矫直点表面温度 | X<sub>15</sub> | 平均拉速 |
X<sub>5</sub> | 出结晶器回温速率 | X<sub>16</sub> | 比水量 |
X<sub>6</sub> | 出足辊段回温速率 | X<sub>17</sub> | 拉速波动量 |
X<sub>7</sub> | 出一冷段回温速率 | X<sub>18</sub> | 压下量 |
X<sub>8</sub> | 出二冷段回温速率 | X<sub>19</sub> | 液芯长度 |
X<sub>9</sub> | 出三冷段回温速率 | X<sub>20</sub> | C含量 |
X<sub>10</sub> | 出四冷段回温速率 | X<sub>21</sub> | P含量 |
X<sub>11</sub> | 电磁搅拌处坯壳厚度 | X<sub>22</sub> | S含量 |
②隐含层节点数的确定
隐含层节点数目的选择是一个十分复杂的问题,目前尚无理论上的指导,事实证明,隐单元数太少的网络可能不能训练出来,或者网络不够“强壮”,不能识别以前没有看到的样本,容错性差,铸坯缺陷影响因素与铸坯缺陷不能建立复杂映射函数,或者建立的铸坯缺陷影响因素与铸坯缺陷映射函数过于简单,不能预测其他工况下铸坯质量数据;但隐单元数太多又使学习时间过长,误差也不一定最佳,铸坯缺陷影响因素与铸坯缺陷映射函数过于复杂,训练得到铸坯缺陷影响因素与铸坯缺陷映射函数过程变长,且不能保证铸坯缺陷影响因素与铸坯缺陷映射函数的合适计算误差。本发明采用试凑法,计算公式如式(1):其中n为输入层节点数,m为输出层节点数,a为1-10之间的常数。代入公式(1),计算出隐含层节点数的范围为6~15,然后在该范围内选取不同的数值进行网络训练学习,在网络学习过程中观察权值、误差下降情况,直至确定出最佳的隐含层节点数,如图5所示。根据这种方法逐一试探,最终确定隐含层的最优单元数为12。
③铸坯质量预报模型建立
如图3所示,模型将铸坯从结晶器弯月面到控制区末端划分为若干个切片,切片厚度为100mm,每个切片都是独立的信息单元,这些信息包括切片的寿命、中心温度、表面温度、位置以及步骤①中铸坯质量预报模型所需要的22个输入变量和3个输出变量。在实际生产过程中,由于拉速、中包钢水过热度、各冷却区的水量等因素在实时变化,切片在不同时刻就具有不同的信息,通过动态跟踪每个切片在不同时刻的信息,确定每个切片在不同时刻下的凝固传热微分方程边界条件,对每个切片的凝固传热微分方程进行周期性求解,动态描述出每个切片在不同时刻、不同位置下的温度场,由于每个切片温度场的变化都代表该切片所处位置上铸坯温度场的变化,因而将所有切片串起来,动态描述出整个铸坯的温度场分布,为铸坯质量预报提供温度场数据,最终得到中心裂纹曲线、中间裂纹曲线、中心偏析曲线的预报结果。
表2大方坯铸坯质量预报模型的预报精度
从上表可以看出,铸坯质量预报模型训练很成功,得到的网络预报模型具有很强的泛化能力。对训练集的学习样本,***对中心裂纹、中间裂纹以及中心偏析三种缺陷的预报准确率分别达到100%、100%和90%。而对没有参加学习的测试样本集中的样本,三种缺陷的预报准确率也分别达到90%、85%和70%。所以,可以将该网络的结构参数保存以备在生产现场进行质量预报时直接调用。
以下为具体应用:
针对某钢厂方坯连铸机,建立了基于BP神经网络的铸坯质量预报模型。在得到与质量有关的所有过程参数后,不能把这些数据简单地作为输入向量直接传入神经网络,而必须从这些时间序列的数据中提取出符合神经网络输入特征矢量要求的样本数据,这就需要对原始数据进行一系列的预处理,即:
空值处理:空值即缺失值,比如传感器的偶发性故障、数据传输失败、数据库存贮错误等造成的数据缺失,采用平均值替换缺失值;
噪声值处理:对采集的工艺参数设置有效值范围,当传感器采集的数据超出该有效值范围时,视为噪声信号,直接将其删除,不予采用;
归一化处理:训练前对样本集中的数据采用最大最小值标准化方法进行归一化处理。
本发明在铸坯凝固参数动态跟踪模型的基础上,建立了大方坯质量在线预报模型。铸坯质量在线预测就是采用训练好的三层BP神经网络模型来实现对铸坯质量的在线评估,其实质就是将连铸生产过程中采集的各种工艺参数进行预处理后,将其作为网络的输入特征矢量送入网络的相应输入单元中,利用训练好的神经网络的前向计算得到铸坯缺陷的产生情况。本方面开发的实时铸坯质量预测***整体结构如图4,可见,随着现场生产管理水平(包括应用三级网络管理***)的提高,以及增加现场信号检测设备,扩大质量预报***数据收集量,所建立的预报模型准确率和现场长期应用稳定性会得到不断提高。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (2)
1.一种铸坯质量预报方法,其特征在于:针对特殊钢大方坯连铸生产过程中出现的中心裂纹、中间裂纹和中心偏析三种内部缺陷来建立基于BP神经网络的铸坯质量预报模型,该模型包括输入层、隐含层和输出层,具体:
①输入层和输出层节点数的确定
输入层的节点包括出结晶器坯壳厚度X1、出结晶器表面温度X2、第一个矫直点坯壳厚度X3、第一个矫直点表面温度X4、出结晶器回温速率X5、出足辊段回温速率X6、出一冷段回温速率X7、出二冷段回温速率X8、出三冷段回温速率X9、出四冷段回温速率X10、电磁搅拌处坯壳厚度X11、过冶金长度中心降温速率X12、过冶金长度中心周围降温速率X13、过热度X14、平均拉速X15、比水量X16、拉速波动量X17、压下量X18、液芯长度X19、C含量X20、P含量X21、S含量X22;
输出层的节点包括中心裂纹等级Y1、中间裂纹等级Y2、中心偏析等级Y3;
②隐含层节点数的确定
采用试凑法,计算公式如下:其中n为输入层节点数,m为输出层节点数,a为1-10之间的常数,在该范围内选取不同的数值进行网络训练学习,在网络学习过程中观察权值、误差下降情况,直至确定出最佳的隐含层节点数;
③铸坯质量预报模型建立
模型将铸坯从结晶器弯月面到控制区末端划分为若干个切片,切片厚度为100mm,每个切片都是独立的信息单元,这些信息包括切片的寿命、中心温度、表面温度、位置以及步骤①中铸坯质量预报模型所需要的22个输入变量和3个输出变量,通过动态跟踪每个切片在不同时刻的信息,确定每个切片在不同时刻下的凝固传热微分方程边界条件,对每个切片的凝固传热微分方程进行周期性求解,动态描述出每个切片在不同时刻、不同位置下的温度场,由于每个切片温度场的变化都代表该切片所处位置上铸坯温度场的变化,因而将所有切片串起来,动态描述出整个铸坯的温度场分布,为铸坯质量预报提供温度场数据,最终得到中心裂纹曲线、中间裂纹曲线、中心偏析曲线的预报结果。
2.根据权利要求1所述的一种铸坯质量预报方法,其特征在于:步骤③获得的原始数据在传入神经网络前进行预处理,包括空值处理、噪声值处理和归一化处理,
空值处理:空值即缺失值,采用平均值替换缺失值;
噪声值处理:对采集的工艺参数设置有效值范围,当传感器采集的数据超出该有效值范围时,视为噪声信号,直接将其删除,不予采用;
归一化处理:训练前对样本集中的数据采用最大最小值标准化方法进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010149259.8A CN111476348A (zh) | 2020-03-06 | 2020-03-06 | 一种铸坯质量预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010149259.8A CN111476348A (zh) | 2020-03-06 | 2020-03-06 | 一种铸坯质量预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476348A true CN111476348A (zh) | 2020-07-31 |
Family
ID=71747338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010149259.8A Withdrawn CN111476348A (zh) | 2020-03-06 | 2020-03-06 | 一种铸坯质量预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476348A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115229149A (zh) * | 2022-06-24 | 2022-10-25 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种基于压下过程结晶器液位波动的连铸坯坯壳/液芯厚度与凝固终点确定方法 |
CN116579650A (zh) * | 2023-04-28 | 2023-08-11 | 华院计算技术(上海)股份有限公司 | 连铸质量判定方法及装置、计算机可读存储介质、终端 |
CN116748352A (zh) * | 2023-08-14 | 2023-09-15 | 江苏新恒基特种装备股份有限公司 | 一种金属弯管机加工参数监测控制方法、***及存储介质 |
CN117371626A (zh) * | 2023-12-07 | 2024-01-09 | 小米汽车科技有限公司 | 铸件质量预测方法、装置及介质 |
WO2024084824A1 (ja) * | 2022-10-17 | 2024-04-25 | Jfeスチール株式会社 | 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法 |
-
2020
- 2020-03-06 CN CN202010149259.8A patent/CN111476348A/zh not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
常运合 等: "基于BP神经网络的大方坯质量在线预报模型" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115229149A (zh) * | 2022-06-24 | 2022-10-25 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种基于压下过程结晶器液位波动的连铸坯坯壳/液芯厚度与凝固终点确定方法 |
CN115229149B (zh) * | 2022-06-24 | 2024-03-01 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种基于压下过程结晶器液位波动的连铸坯坯壳/液芯厚度与凝固终点确定方法 |
WO2024084824A1 (ja) * | 2022-10-17 | 2024-04-25 | Jfeスチール株式会社 | 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法 |
CN116579650A (zh) * | 2023-04-28 | 2023-08-11 | 华院计算技术(上海)股份有限公司 | 连铸质量判定方法及装置、计算机可读存储介质、终端 |
CN116579650B (zh) * | 2023-04-28 | 2024-04-26 | 华院计算技术(上海)股份有限公司 | 连铸质量判定方法及装置、计算机可读存储介质、终端 |
CN116748352A (zh) * | 2023-08-14 | 2023-09-15 | 江苏新恒基特种装备股份有限公司 | 一种金属弯管机加工参数监测控制方法、***及存储介质 |
CN116748352B (zh) * | 2023-08-14 | 2023-11-07 | 江苏新恒基特种装备股份有限公司 | 一种金属弯管机加工参数监测控制方法、***及存储介质 |
CN117371626A (zh) * | 2023-12-07 | 2024-01-09 | 小米汽车科技有限公司 | 铸件质量预测方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476348A (zh) | 一种铸坯质量预报方法 | |
CN109047683B (zh) | 一种连铸坯智能定重定尺在线控制*** | |
CN102189237B (zh) | 连铸坯动态轻压下***集成技术 | |
CN106180619A (zh) | 一种连铸过程智能控制的***方法 | |
CN101480709B (zh) | 基于凝固壳生长形貌分析的连铸板坯中心偏析的改善方法 | |
CN103611734A (zh) | 一种层流冷却温度控制方法及*** | |
CN102814481A (zh) | 基于在线测温与传热模型的连铸二冷动态控制方法 | |
CN106077555A (zh) | 一种连铸协调优化控制方法 | |
CN101920323A (zh) | 基于压力反馈检测铸坯凝固液芯末端的动态轻压下方法 | |
CN112418538A (zh) | 一种基于随机森林分类的连铸坯夹杂预测方法 | |
CN107052292A (zh) | 一种基于热物性参数分布计算的连铸坯热跟踪计算方法 | |
CN114817830B (zh) | 一种铸坯凝固末端精准预测方法 | |
CN103111593B (zh) | 一种连铸浇钢前基于压力反馈的扇形段辊缝设置方法 | |
CN101554650B (zh) | 一种大方坯连铸机轻压下拉矫辊辊缝在线标定的控制方法 | |
CN101927269A (zh) | 一种三辊轧机辊缝控制器调节方法 | |
CN102416456B (zh) | 板坯连铸二次冷却控制***与方法 | |
CN102228973A (zh) | 多点连续测量模拟连铸结晶器内钢液凝固传热过程的方法 | |
Zhao et al. | Intelligent prediction method of quality for continuous casting process | |
CN116738518B (zh) | 一种连铸轻压下裂纹位置的数值模拟验证方法及内部质量控制方法 | |
CN108959810A (zh) | 一种铸坯传热参数的快速辨识方法、装置及连铸设备 | |
Duan et al. | Modeling of breakout prediction approach integrating feature dimension reduction with K-means clustering for slab continuous casting | |
CN109047698A (zh) | 一种连铸坯定重定尺在线预测方法 | |
CN117548639A (zh) | 一种厚板坯连铸生产的过程监控方法 | |
CN1596163A (zh) | 用于连续铸造的方法 | |
Liu et al. | Dynamic water modeling and application of billet continuous casting |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200731 |