CN112845610B - 一种轧钢电耗参数推荐方法及*** - Google Patents
一种轧钢电耗参数推荐方法及*** Download PDFInfo
- Publication number
- CN112845610B CN112845610B CN202011621678.3A CN202011621678A CN112845610B CN 112845610 B CN112845610 B CN 112845610B CN 202011621678 A CN202011621678 A CN 202011621678A CN 112845610 B CN112845610 B CN 112845610B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- data set
- steel rolling
- parameter
- value
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种轧钢电耗参数推荐方法及***,包括:构建电耗参数数据集,并根据所述电耗参数数据集从预设的多个模型中选出最优模型;通过所述最优模型对所述电耗参数数据集中的参数进行重要性筛选,构建重要特征数据集,并通过所述重要特征数据集训练所述最优模型,得到电耗推荐算法模型;根据入炉温度从所述电耗参数数据集中选出多个离散点,构建离散点集,并将所述离散点集作为所述电耗推荐算法模型的输入,获取电耗值最小的参数作为电耗推荐参数;本发明可有效提高电耗参数设置的准确性。
Description
技术领域
本发明涉及冶金制造及智能化应用领域,尤其涉及一种轧钢电耗参数推荐方法及***。
背景技术
随着现代钢铁产品质量、品种数量、产量的不断提升,轧钢工序能耗随之不断增加。而在绿色环保的生产要求下,电耗作为重要的能耗指标被越来越多的关注和提及,如何实现精准控制电耗成了钢铁生产中急需解决的问题。现有技术方案主要通过操作工凭借个人经验或依据固定数学模型分析来设定重要关联参数,达到降低电耗的目的。
现有技术方案的缺陷主要在于:一是操作工凭借个人经验进行调控,通常无法使实际电耗最小,易产生浪费;二是不能随着设备、环境的变化做出及时有效的调整,三是无法实时进行调控使工艺参数始终保持最优值状态;四是现有的数据分析及建立的数学模型仅能进行粗略的最优值推荐且缺失异常参数范围分析,导致对于电耗的精细化控制并不理想。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种轧钢电耗参数推荐方法及***,主要解决现有参数设置依赖经验准确性低的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种轧钢电耗参数推荐方法,包括:
构建电耗参数数据集,并根据所述电耗参数数据集从预设的多个模型中选出最优模型;
通过所述最优模型对所述电耗参数数据集中的参数进行重要性筛选,构建重要特征数据集,并通过所述重要特征数据集训练所述最优模型,得到电耗推荐算法模型;
根据入炉温度从所述电耗参数数据集中选出多个离散点,构建离散点集,并将所述离散点集作为所述电耗推荐算法模型的输入,获取电耗值最小的参数作为电耗推荐参数。
可选地,还包括:
采集实时电耗参数数据输入所述电耗推荐算法模型,获取预测的电耗值;
判断所述预测的电耗值是否超出预设的异常值,若超出,则启动异常处理机制;若未超出,则输出所述预测电耗参数。
可选地,构建电耗参数数据集,包括:
获取轧钢电耗数据,对所述轧钢电耗数据执行清洗操作,得到所述电耗参数数据集,其中所述清洗操作包括:
删除所述轧钢电耗数据中的异常数据,并按照出炉时间对所述轧钢电耗数据进行排序;
对所述轧钢电耗数据进行缺失值填充,使用填充后的数据构建新的特征,并统计入炉出炉差异数据;
对轧钢电耗数据中字符型特征进行数字化处理;
对轧钢电耗数据中部分特征求均值处理。
可选地,所述预设的多个模型包括:线性回归、SVR、神经网络回归、随机森林回归模型、Xgboost回归模型。
可选地,根据所述电耗参数数据集从预设的多个模型中选出最优模型,包括:
计算各模型的绝对误差率均值,选出绝对误差率均值最小的模型作为所述最优模型。
可选地,所述绝对误差率均指的计算方式为:
Ni=(A-B)/B
P=(N1+N2+N3+......+Nn)/n
其中,Ni为绝对误差率(i=1、2、3......n,n为正整数);A为预测值;B为所述电耗参数数据集中的真实值,P为绝对误差率均值。
可选地,根据入炉温度从所述电耗参数数据集中选出多个离散点,构建离散点集,包括:
根据入炉温度将所述电耗参数数据集分为多个子集;
在每个所述子集中根据预设参数参考值,选出指定范围内的多个数据点,构建所述离散点集。
可选地,所述异常处理机制包括:
对所述异常的预测电耗参数进行波动,以设定时间段的历史轧钢电耗数据的方差作为所述预测电耗数据的波动方差,构建波动后的数据集用于输入所述电耗推荐算法模型,获取最低电耗对应的电耗参数作为推荐电耗参数的修改值;
启动异常报警信息。
一种轧钢电耗参数推荐***,包括:
模型选择模块,用于构建电耗参数数据集,并根据所述电耗参数数据集从预设的多个模型中选出最优模型;
推荐模型构建模块,用于通过所述最优模型对所述电耗参数数据集中的参数进行重要性筛选,构建重要特征数据集,并通过所述重要特征数据集训练所述最优模型,得到电耗推荐算法模型;
参数推荐模块,用于根据入炉温度从所述电耗参数数据集中选出多个离散点,构建离散点集,并将所述离散点集作为所述电耗推荐算法模型的输入,获取电耗值最小的参数作为电耗推荐参数。
可选地,还包括:
实时预测模块,采集实时电耗参数数据输入所述电耗推荐算法模型,获取预测的电耗值;
异常处理模块,用于判断所述预测的电耗值是否超出预设的异常值,若超出,则启动异常处理机制;若未超出,则输出所述预测的电耗值。
如上所述,本发明一种轧钢电耗参数推荐方法及***,具有以下有益效果。
本发明通过模型预测推荐参数,减少人工设置造成的数据偏差,提高准确性的同时提高效率。
附图说明
图1为本发明一实施例中轧钢电耗参数推荐方法的流程图。
图2为本发明一实施例中电耗参数推荐结果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供轧钢电耗参数推荐方法,包括以下步骤:
S101:获得轧钢电耗数据,构建电耗参数数据集;
轧钢电耗数据来源包括生产线实时产生、操作工自主设定、已有数据差值、***定期反馈更新。
轧钢电耗数据类别包括"出炉温度","机架速度运行平均值","机架速度超前率运行平均值"。
S102:对电耗参数数据集进行清洗,获得清洗后的电耗参数数据集;
在一实施例中,对电耗参数数据集进行清洗的步骤包括:
删除轧钢电耗数据的异常数据,按照出炉时间对轧钢电耗数据进行排序;
对电耗参数数据集进行缺失值填充,使用填充后的数据构建新的特征,统计入炉出炉差异数据;
对轧钢电耗数据中字符型特征进行数字化处理;
对轧钢电耗数据中部分特征求均值处理,得到清洗后的电耗参数数据集。
S103:提供算法模型,使用清洗后的电耗参数数据集进行训练,获得最优算法模型;
在一实施例中,可预先构建算法模型集合,集合中包含多个模型,如线性回归,随机森林,SVR和Xgboost模型等。
进一步地,使用所述清洗后的电耗参数数据集进行模型训练,获得最优算法模型的步骤包括:
将清洗后的电耗参数数据集分别输入各预设模型中,获取各模型的预测值。具体地,可分别对线性回归,随机森林和Xgboost模型中进行训练,获得对应的预测值。
在一实施例中,根据获取的各模型的预测值预计电耗参数数据集中的真实值,分别计算各模型的绝对误差均值。
计算各模型的绝对误差率均值,计算方式可表示如下:
Ni=(A-B)/B
P=(N1+N2+N3+......+Nn)/n
其中,Ni为绝对误差率(i=1、2、3......n,n为正整数),A为预测值,B为清洗后电耗参数数据集中的真实值,P为绝对误差率均值。
比较绝对误差率均值大小,选出最小值对应的模型为最优算法模型。
S104:启动最优算法模型,选取所述清洗后的电耗参数数据集的目标特征数据构建重要特征数据集。
具体地,可通过最优算法模型对电耗参数数据集中各参数进行重要性评分。进一步地,可选出评分达到设定阈值的电耗参数数据组成重要特征数据集。可选地,也可在未达到设定评分阈值的电耗参数数据中选出一定数量的数据作为补充数据并入重要特征数据集中,以增强后续训练过程中模型的准确性。
S105:使用所述重要特征数据集对提供的算法模型进行训练,获得最优电耗推荐算法模型;
具体地,通过重要特征数据集精简了电耗参数,可有效简化模型参数,以得到针对重要性特征的电耗推荐算法模型。
S107:依据入炉温度对所述清洗后的电耗参数数据集构建离散点数集,启动最优电耗推荐算法模型获得电耗值最小的推荐参数;
由于不同钢坯材质不同,杂质含量差异等因素,钢坯在入炉时的温度也存在个体差异。以入炉温度为依据,可有效区分不同材质的钢坯,进而得到更为准确的推荐电耗参数。具体地,构建离散点集的步骤可包括:
按照入炉温度将电耗参数数据集进行分段;
对每个分段,分成多个离散点训练集,具体地,可为每个电耗参数设置一个基准参考值,选出基准参考值附近指定波动范围内的多个离散点数据,组成离散点数据集。
将各个离散点训练集带入最优电耗模型中训练,得出电耗预测值的集合;
选取电耗预测值最小的推荐电耗参数。
进一步地,将推荐电耗参数应用到对应生产工序作为生产工艺参数。
S108:在最优电耗推荐算法模型中输入实时电耗参数数据,预测算法结果是否异常;
具体地,可设置异常值范围,将预测算法结果中预测的电耗参数与异常值范围进行比较,进而判断结果是否异常。
S108-1:若结果不异常则输出预测的电耗参数;
具体输出的电耗参数结果请参阅图2。
S108-2:若结果异常则异常数据构建为异常数据集,启动最优的电耗推荐算法模型输出最低电耗参数预测值并启动报警;
具体地,可将异常的电耗参数预测值用于构建异常数据集;
对异常的电耗参数进行波动,波动方法依赖于历史数据中对应工艺参数的波动方差,即以设定时间段的历史轧钢电耗数据的方差作为所述预测电耗数据的波动方差,异常数据加上波动方差后作为电耗推荐算法模型的输入,获取最低电耗值对应的电耗参数作为推荐电耗参数的修改值。
进一步的,启动报警的具体方式包括声控报警、弹出报警警示内容和锁定参数设定窗口。
修改值可作为报警后的参数设定参考,相关工艺负责人可根据修改值在参数设定窗口进行参数设置,以便于快速处理异常,保障生产正常进行。
S109:定期采集电耗参数更新最优算法模型,更新预测推荐参数。
请参阅图2,本实施例中还提供了一种轧钢电耗参数推荐***,用于执行前述方法实施例中所述的轧钢电耗参数推荐方法。由于***实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
在一实施例中,一种轧钢电耗参数推荐***,包括:
模型选择模块,用于构建电耗参数数据集,并根据所述电耗参数数据集从预设的多个模型中选出最优模型;
推荐模型构建模块,用于通过所述最优模型对所述电耗参数数据集中的参数进行重要性筛选,构建重要特征数据集,并通过所述重要特征数据集训练所述最优模型,得到电耗推荐算法模型;
参数推荐模块,用于根据入炉温度从所述电耗参数数据集中选出多个离散点,构建离散点集,并将所述离散点集作为所述电耗推荐算法模型的输入,获取电耗值最小的参数作为电耗推荐参数。
在一实施例中,***还包括:
实时预测模块,采集实时电耗参数数据输入所述电耗推荐算法模型,获取预测的电耗值;
异常处理模块,用于判断所述预测的电耗值是否超出预设的异常值,若超出,则启动异常处理机制;若未超出,则输出所述预测的电耗值。
综上所述,本发明一种轧钢电耗参数推荐方法及***,通过对于真实的数据进行最优值的设定推荐和异常参数的设定分析,节省人力成本,克服人工和固有分析模式带来的稳定性、准确性缺陷,更细致的实现对于轧钢电耗的精细化管理。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种轧钢电耗参数推荐方法,其特征在于,包括:
构建电耗参数数据集,并根据所述电耗参数数据集从预设的多个模型中选出最优模型;
通过所述最优模型对所述电耗参数数据集中的参数进行重要性筛选,构建重要特征数据集,并通过所述重要特征数据集训练所述最优模型,得到电耗推荐算法模型;
根据入炉温度从所述电耗参数数据集中选出多个离散点,构建离散点集,包括:根据入炉温度将所述电耗参数数据集分为多个子集;在每个所述子集中根据预设参数参考值,选出指定范围内的多个数据点,构建所述离散点集;并将所述离散点集作为所述电耗推荐算法模型的输入,获取电耗值最小的参数作为电耗推荐参数。
2.根据权利要求1所述的轧钢电耗参数推荐方法,其特征在于,还包括:
采集实时电耗参数数据输入所述电耗推荐算法模型,获取预测的电耗值;
判断所述预测的电耗值是否超出预设的异常值,若超出,则启动异常处理机制;若未超出,则输出所述预测的电耗值。
3.根据权利要求1所述的轧钢电耗参数推荐方法,其特征在于,构建电耗参数数据集,包括:
获取轧钢电耗数据,对所述轧钢电耗数据执行清洗操作,得到所述电耗参数数据集,其中所述清洗操作包括:
删除所述轧钢电耗数据中的异常数据,并按照出炉时间对所述轧钢电耗数据进行排序;
对所述轧钢电耗数据进行缺失值填充,使用填充后的数据构建新的特征,并统计入炉出炉差异数据;
对轧钢电耗数据中字符型特征进行数字化处理;
对轧钢电耗数据中部分特征求均值处理。
4.根据权利要求1所述的轧钢电耗参数推荐方法,其特征在于,所述预设的多个模型包括:线性回归、SVR、神经网络回归、随机森林回归模型、Xgboost回归模型。
5.根据权利要求1所述的轧钢电耗参数推荐方法,其特征在于,根据所述电耗参数数据集从预设的多个模型中选出最优模型,包括:
计算各模型的绝对误差率均值,选出绝对误差率均值最小的模型作为所述最优模型。
6.据权利要求5所述的轧钢电耗参数推荐方法,其特征在于,所述绝对误差率均值的计算方式为:
Ni=(A-B)/B
P=(N1+N2+N3+......+Nn)/n
其中,Ni为绝对误差率(i=1、2、3......n,n为正整数);A为预测值;B为所述电耗参数数据集中的真实值,P为绝对误差率均值。
7.根据权利要求2所述的轧钢电耗参数推荐方法,其特征在于,所述异常处理机制包括:
对异常的所述预测的电耗值进行波动,以设定时间段的历史轧钢电耗数据的方差作为所述预测的电耗值的波动方差,构建波动后的数据集用于输入所述电耗推荐算法模型,获取最低电耗对应的电耗参数作为推荐电耗参数的修改值;
启动异常报警信息。
8.一种轧钢电耗参数推荐***,其特征在于,包括:
模型选择模块,用于构建电耗参数数据集,并根据所述电耗参数数据集从预设的多个模型中选出最优模型;
推荐模型构建模块,用于通过所述最优模型对所述电耗参数数据集中的参数进行重要性筛选,构建重要特征数据集,并通过所述重要特征数据集训练所述最优模型,得到电耗推荐算法模型;
参数推荐模块,用于根据入炉温度从所述电耗参数数据集中选出多个离散点,构建离散点集,包括:根据入炉温度将所述电耗参数数据集分为多个子集;在每个所述子集中根据预设参数参考值,选出指定范围内的多个数据点,构建所述离散点集;并将所述离散点集作为所述电耗推荐算法模型的输入,获取电耗值最小的参数作为电耗推荐参数。
9.根据权利要求8所述的轧钢电耗参数推荐***,其特征在于,还包括:
实时预测模块,采集实时电耗参数数据输入所述电耗推荐算法模型,获取预测的电耗值;
异常处理模块,用于判断所述预测的电耗值是否超出预设的异常值,若超出,则启动异常处理机制;若未超出,则输出所述预测的电耗值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621678.3A CN112845610B (zh) | 2020-12-31 | 2020-12-31 | 一种轧钢电耗参数推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621678.3A CN112845610B (zh) | 2020-12-31 | 2020-12-31 | 一种轧钢电耗参数推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112845610A CN112845610A (zh) | 2021-05-28 |
CN112845610B true CN112845610B (zh) | 2023-03-14 |
Family
ID=75999147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011621678.3A Active CN112845610B (zh) | 2020-12-31 | 2020-12-31 | 一种轧钢电耗参数推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112845610B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592005B (zh) * | 2021-08-04 | 2024-03-08 | 中冶赛迪信息技术(重庆)有限公司 | 一种转炉出钢参数推荐方法、***、介质和终端 |
CN115169230A (zh) * | 2022-03-29 | 2022-10-11 | 希望知舟技术(深圳)有限公司 | 异常工况的工艺参数推荐方法和装置、芯片、介质和程序 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017073935A (ja) * | 2015-10-09 | 2017-04-13 | 新日鐵住金株式会社 | 消費電力量予測方法、装置及びプログラム |
CN107016509A (zh) * | 2017-04-12 | 2017-08-04 | 柳州市同维达豪科技有限公司 | 一种降低轧钢工序吨钢能耗的方法 |
CN109647899A (zh) * | 2018-12-26 | 2019-04-19 | 北京科技大学 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
CN209342212U (zh) * | 2019-03-23 | 2019-09-03 | 重庆市计量质量检测研究院 | 一种锅炉主蒸汽流量计在线校核测试*** |
CN110348641A (zh) * | 2019-07-16 | 2019-10-18 | 珠海格力电器股份有限公司 | 设备电耗预测方法、装置和电量采集装置 |
CN110910277A (zh) * | 2019-11-26 | 2020-03-24 | 燕山大学 | 一种基于XGBoost的水泥磨***电耗指标预测方法 |
CN111639820A (zh) * | 2020-06-09 | 2020-09-08 | 国电南瑞科技股份有限公司 | 一种水泥炉窑生产的能耗参数优化方法及*** |
CN112036085A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢燃耗参数推荐方法、***、介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11468524B2 (en) * | 2019-04-12 | 2022-10-11 | Noodle Analytics, Inc. | Reducing the cost of electrical energy in a manufacturing plant |
-
2020
- 2020-12-31 CN CN202011621678.3A patent/CN112845610B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017073935A (ja) * | 2015-10-09 | 2017-04-13 | 新日鐵住金株式会社 | 消費電力量予測方法、装置及びプログラム |
CN107016509A (zh) * | 2017-04-12 | 2017-08-04 | 柳州市同维达豪科技有限公司 | 一种降低轧钢工序吨钢能耗的方法 |
CN109647899A (zh) * | 2018-12-26 | 2019-04-19 | 北京科技大学 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
CN209342212U (zh) * | 2019-03-23 | 2019-09-03 | 重庆市计量质量检测研究院 | 一种锅炉主蒸汽流量计在线校核测试*** |
CN110348641A (zh) * | 2019-07-16 | 2019-10-18 | 珠海格力电器股份有限公司 | 设备电耗预测方法、装置和电量采集装置 |
CN110910277A (zh) * | 2019-11-26 | 2020-03-24 | 燕山大学 | 一种基于XGBoost的水泥磨***电耗指标预测方法 |
CN111639820A (zh) * | 2020-06-09 | 2020-09-08 | 国电南瑞科技股份有限公司 | 一种水泥炉窑生产的能耗参数优化方法及*** |
CN112036085A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢燃耗参数推荐方法、***、介质及终端 |
Non-Patent Citations (1)
Title |
---|
主成分分析法在热轧吨钢电耗回归预测模型中的应用;曹阳等;《能源技术》;20100220(第01期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112845610A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240000046A1 (en) | Predictive control system and regulatory method for temperature of livestock house | |
CN112845610B (zh) | 一种轧钢电耗参数推荐方法及*** | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN113544599A (zh) | 执行过程并优化在该过程中使用的控制信号的方法 | |
CN111652402A (zh) | 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法 | |
CN112036085B (zh) | 一种轧钢燃耗参数推荐方法、***、介质及终端 | |
CN114021290A (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 | |
CN111258984B (zh) | 工业大数据环境下的产品质量端-边-云协同预报方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN112100745A (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
JP7503150B2 (ja) | 複数の設備部分から成る生産設備、特に金属の半製品のような工業製品を生産するための生産設備を制御するためのシステム及び方法 | |
CN114678080A (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN111676365A (zh) | 一种基于lstm的过渡钢卷退火温度设定值的预测方法 | |
CN116187507A (zh) | 一种基于人工智能的中药生产调优*** | |
CN110991495A (zh) | 生产制造过程中产品质量预测方法、***、介质及设备 | |
CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
CN112053019B (zh) | 一种实现光纤预制棒沉积工序智能化的方法 | |
CN112348101B (zh) | 一种基于异常数据分析的轧钢燃耗预警方法及*** | |
CN111582593A (zh) | 一种基于工业用电大数据的数据清洗的集成方法 | |
JP2021030264A (ja) | 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 | |
CN108171435B (zh) | 一种考虑预防性维护的生产计划决策方法 | |
CN116048023B (zh) | 一种精细化能源管控方法、***、物联网云管控服务器及其存储介质 | |
CN112990591A (zh) | 一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型 | |
CN117696635A (zh) | 一种减定径机轧制的控制方法及*** | |
Havinga et al. | Estimating product-to-product variations in metal forming using force measurements |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |