CN114398785A - 钢中夹杂物关键冶炼数据处理方法、装置及存储介质 - Google Patents
钢中夹杂物关键冶炼数据处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114398785A CN114398785A CN202210050964.1A CN202210050964A CN114398785A CN 114398785 A CN114398785 A CN 114398785A CN 202210050964 A CN202210050964 A CN 202210050964A CN 114398785 A CN114398785 A CN 114398785A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- smelting
- preset
- steel
- 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.)
- Pending
Links
- 238000003723 Smelting Methods 0.000 title claims abstract description 173
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 100
- 239000010959 steel Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000009628 steelmaking Methods 0.000 claims abstract description 58
- 238000007670 refining Methods 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 20
- 238000001422 normality test Methods 0.000 claims abstract description 16
- 239000012535 impurity Substances 0.000 claims abstract description 7
- 238000003756 stirring Methods 0.000 claims description 76
- 238000009749 continuous casting Methods 0.000 claims description 38
- 238000007664 blowing Methods 0.000 claims description 34
- 238000012216 screening Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000540 analysis of variance Methods 0.000 claims description 13
- 238000005266 casting Methods 0.000 claims description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 241001062472 Stokellia anisodon Species 0.000 claims description 2
- 230000008569 process Effects 0.000 description 24
- 238000009826 distribution Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000003749 cleanliness Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 238000005275 alloying Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- B22D11/18—Controlling or regulating processes or operations for pouring
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C33/00—Making ferrous alloys
- C22C33/04—Making ferrous alloys by melting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- Algebra (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Metallurgy (AREA)
- Evolutionary Computation (AREA)
- Organic Chemistry (AREA)
- Geometry (AREA)
- Materials Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本申请涉及钢中夹杂物关键冶炼数据处理方法、装置及存储介质，方法包括：收集目标钢种的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；若第二目标冶炼数据满足正态性检验，则提取数据集中区、确定集中区中数据的步长，并根据步长对集中区中的目标数据分组；针对每项冶炼数据的组数做拟合，及对夹杂物检测结果做预设方差分析验证后，将满足验证的夹杂物检测结果数据、目标冶炼数据及组数导入预设数据处理软件形成可视化数据，根据可视化数据提炼钢水杂物超过预设值所处的数值区域范围，对炼钢过程进行优化，本方案，可在海量的冶炼数据中找到对钢液洁净度影响最大的因素，进而有针对性的定量优化既有工艺，提高了炼钢过程的纯净度。
Description
技术领域
本申请涉及钢中夹杂物关键冶炼数据处理方法、装置及存储介质，属于钢炉炼钢过程中数据处理技术领域。
背景技术
炼钢过程中的脱氧合金化、耐材的侵蚀、炉渣的卷入、钢液的二次氧化等形成的夹杂物都会影响钢液的洁净度，其数量、尺寸、类型及分布对钢产品质量均会产生不同程度的影响，因此，有效控制钢中夹杂物是提高钢产品质量的关键。
钢中夹杂物的控制一直都是冶金界的一大难题，目前钢中夹杂物的去除方式包括钢包底吹气体搅拌、钢包电磁搅拌、中包气幕挡墙、结晶器电磁制动、以及渣洗和过滤器等技术，如此多的夹杂物控制措施恰恰从侧面体现了夹杂物去除的困难。其中钢包底吹气体搅拌是行业内最简单有效的夹杂物控制措施，其对夹杂物的去除起到了关键性的作用，也是行业公认的最优方案，几乎所有钢厂都配有钢包底吹装置。
然而，由于炼钢过程工艺和设备的变动极易造成“牵一发而动全身”，造成工艺上的多处漏洞基于为了保障生产顺行，因此，各厂不会轻易改变工艺流程和设备条件。所以分析炼钢过程参数与夹杂物的关系，进而根据分析出的数据之间的关系来调整工艺流程和设备条件有着极大的意义。炼钢过程受各种条件制约，造成夹杂物超标的原因有几十甚至是上百种过程参数，这些过程参数又相互影响制约，并且都会对最终结果产生大小不一的影响，如何在这些海量的冶炼数据中找到对钢液洁净度影响最大的关键因素，进而有针对性的定量优化既有工艺，成为了亟待解决的问题。
发明内容
本申请提供了一种钢中夹杂物关键冶炼数据处理方法、装置及存储介质，以解决现有技术中“无法在这些海量的冶炼数据中找到对钢液洁净度影响最大的关键因素，进而有针对性的定量优化既有工艺”的问题。
为解决上述技术问题，本申请提供如下技术方案：
第一方面，本申请实施例提供一种钢中夹杂物关键冶炼数据处理方法，其中，所述方法，包括：
收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据(关键冶炼数据)；
若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区，并确定第二目标冶炼数据集中区中的第二目标数据的步长，根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；
针对每种第二目标冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；
其中，第一目标冶炼数据包括第二目标冶炼数据。
在一个实施例中，所述炼钢过程数据包括铁水数据、转炉数据、精炼数据、连铸数据、钢包数据及班组数据；
所述夹杂物检测结果数据包括最大夹杂物尺寸、单位面积夹杂物数量及通过计算的夹杂物扣分。
在一个实施例中，所述方法，还包括：
对第一目标冶炼数据进行筛选，确定满足目标筛选条件的第二目标冶炼数据；
其中，所述第一目标冶炼数据包括精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T；所述第二目标冶炼数据为数值范围为1.0～6.0bar的精炼底吹软搅拌平均压力P和数值范围为10～60min的软搅拌开始到连铸开浇间隔时间T；且第二目标冶炼数据中包括的数据量及软搅拌开始到连铸开浇间隔时间T的数据量均大于300。
在一个实施例中，所述第二目标冶炼数据集中区，包括：
精炼底吹软搅拌平均压力的数据集中区为(μp-kpσp，μp+kpσp)，及软搅拌开始到连铸开浇间隔时间的数据集中区为(μt-ktσt，μt+ktσt)；
其中，μp为P的平均值，σp为P的标准差，kp＝0～5；μt为T的平均值，σt为T的标准差，kt＝0～5；
在一个实施例中，所述方法，还包括：
判断目标钢种在预设时间段内的炼钢过程数据与夹杂物检测结果数据是否存在预设对应关系；
如果存在，则对目标钢种在预设时间段内的炼钢过程数据代表的炼钢过程工艺信息进行预设更改；
否则，采用预设数据拟合方案，对目标钢种在预设时间段内的炼钢过程数据和夹杂物检测结果数据进行预设方式拟合，确定炼钢过程数据和夹杂物检测结果数据的匹配度，并根据所述匹配度对所述炼钢过程数据和夹杂物检测结果数据进行排序。
在一个实施例中，所述预设方差分析验证包括：
组件数据的离差平方和SSA、自由度d1、均方、F值、显著性值sig；组内数据的离差平方和SSE、自由度d2、均方MSE；总数据的离差平方和SST及自由度d3。
第二方面，根据本申请实施例提供一种钢中夹杂物关键冶炼数据处理装置，包括：
收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；
若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区，并确定第二目标冶炼数据集中区中的第二目标数据的步长，根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；
针对每种第二目标冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数(数据量)存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；
其中，第一目标冶炼数据包括的数据量大于第二目标冶炼数据包括的数据量。
在一个实施例中，所述装置，还包括：
筛选模块，用于对第一目标冶炼数据进行筛选，确定满足目标筛选条件的第二目标冶炼数据；
其中，所述第一目标冶炼数据包括精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T；所述第二目标冶炼数据为数值范围为1.0～6.0bar的精炼底吹软搅拌平均压力P和数值范围为10～60min的软搅拌开始到连铸开浇间隔时间T；且第二目标冶炼数据中包括的数据量及软搅拌开始到连铸开浇间隔时间T的数据量均大于300。
第三方面，根据本申请实施例提供钢中夹杂物关键冶炼数据处理装置，所述装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述计算机程序由所述处理器加载并执行，以实现上述任一项所述钢中夹杂物关键冶炼数据处理方法的步骤。
第四方面，根据本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时用于实现上述任一项所述钢中夹杂物关键冶炼数据处理方法的步骤。
本申请的有益效果在于：
本申请实施例提供的钢中夹杂物关键冶炼数据处理方法，通过收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；然后，若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区、确定第二目标冶炼数据集中区中的第二目标数据的步长，并根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；最后，针对每种第二目标冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数(数据量)存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；其中，第一目标冶炼数据的数量不少于第二目标冶炼数据的数量。本方案，可在海量的冶炼数据中找到对钢液洁净度影响最大的关键因素，进而有针对性的定量优化既有工艺，有效提高了炼钢过程的纯净度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1、图2分别为本申请一个实施例中钢中夹杂物关键冶炼数据处理方法的流程图；
图3为本申请一个实施例中精炼底吹软搅拌平均压力P的正态分布校验示意图；
图4为本申请一个实施例中软搅拌开始到连铸开浇间隔时间T的正态分布校验示意图；
图5为本申请一个实施例中精炼底吹软搅拌平均压力P的分组数据量高斯拟合正态性检验示意图；
图6为本申请一个实施例中软搅拌开始到连铸开浇间隔时间T的分组数据量高斯拟合正态性检验示意图；
图7为本申请一个实施例中数据量(炉数)分布三维矩阵图Lmn示意图；
图8是本申请一个实施例中夹杂物检测超标率分布三维矩阵图Imn；
图9为本申请一个实施例中提供的钢中夹杂物关键冶炼数据处理装置的示意图；
图10是本申请一个实施例提供的钢中夹杂物关键冶炼数据处理装置的框图。
具体实施方式
如下实施例用于说明本申请，但不用来限制本申请的范围。
炼钢过程工艺和设备的变动极易造成工艺上的多处漏洞。在这种情况下，分析过程冶炼参数与钢水中的夹杂物的关系有着极大的意义。但冗长复杂的炼钢过程参数如何处理分析也是棘手的问题，所以在现有实际生产中很难定量的去确定某一因素对钢水中夹杂物的影响，而现有的洁净钢生产技术针对不同钢种、不同工况、不同工艺条件，适用范围均不能统一，推广难度极大。
基于上述问题，本发明提供一种通用的炼钢过程冶炼参数分析方法，利用炼钢生产中的炼钢过程数据，在不改变既有工艺流程和设备条件的情况下，通过对目标冶炼数据的总结提炼和处理分析，采用方差分析及创建三维矩阵的方法，建立起目标冶炼数据与夹杂物检测信息的关系，从而定量剖析对夹杂物去除最有利的参数范围，实现对钢中夹杂物超标情况的控制，本方案，从炼钢实际数据出发，为钢液洁净度的提高提供指导性方向。
本申请实施例提供一种钢中夹杂物关键冶炼数据处理方法，参见图1所示，所述方法，包括：
步骤S12、收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；
本申请实施例提供的技术方案，可针对一个或多个目标钢种炼钢过程中进行分析。
本申请实施例中，收集目标钢种在预设时间段内的炼钢过程数据可以包括但不仅限于铁水数据、转炉数据、精炼数据、连铸数据、钢包数据、班组数据；而目标钢水在预设时间段内的夹杂物检测结果数据根据不同的统计方式可分为最大夹杂物尺寸、单位面积夹杂物数量、通过计算的夹杂物扣分等。
在本申请实施例中，第一目标数据包括目标钢种在预设时间段内的精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T。
步骤S14、若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区，并确定第二目标冶炼数据集中区中的第二目标数据的步长，根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；
在本申请实施例中，首先对第二目标冶炼数据进行筛选，进而确定满足目标筛选条件的第二目标冶炼数据，其中，目标筛选条件为第一目标数据中的精炼底吹软搅拌平均压力P的数值范围及目标时间段中精炼底吹软搅拌平均压力P的个数(数据量)，及软搅拌开始到连铸开浇间隔时间T的数值范围及目标时间段中软搅拌开始到连铸开浇间隔时间T的个数(数据量)。
在本申请实施例中，在筛选出第二目标数据之后，对第二目标数据作正态性检验并提取数据集中区，如，可就借助IBM SPSS Statistics21.0软件利用PP图对精炼底吹软搅拌平均压力P、目标时间段中精炼底吹软搅拌平均压力T的值做正态性检验。
在本申请实施例中，若通过所述正态性检验，提取第二目标冶炼数据集中区(μp-kpσp，μp+kpσp)、确定第二目标冶炼数据集中区中的第二目标数据的步长，并根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；作为一个可选实施例，精炼底吹软搅拌平均压力P的步长为ΔP＝0.05～0.50bar，软搅拌开始到连铸开浇间隔时间T的步长为ΔT＝1.0～10min，设定P组数定义为m，则
表1精炼底吹软搅拌平均压力P、软搅拌开始到连铸开浇间隔时间T分组示意表
步骤S16、针对第二目标冶炼数据中每项数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数(数据量)存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；
其中，第一目标冶炼数据的数量不少于第二目标冶炼数据的数量，且第一目标冶炼数据构成的集合中包含第二目标数据构成的结合。
在本申请实施例中，在对精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T做分组后，对精炼底吹软搅拌平均压力P分好的组数m和软搅拌开始到连铸开浇间隔时间T分好的组数n做高斯拟合(Gauss Amp拟合)，并将各组中的第二目标数据对应的夹杂物检测结果数据做预设方差分析验证，如ANOVA方差分析验证，若通过ANOVA方差分析验证，则可将关键冶炼数据与数据量(冶炼炉数)、夹杂物检测结果作三维矩阵表格。将已经通过方差检验的m、n按照分组从小到大排列形成矩阵，计算矩阵内各点所对应的数据量，其中，m为精炼底吹软搅拌平均压力P的分组数，n为软搅拌开始到连铸开浇间隔时T的分组数，矩阵内任意一点(mi，nj)都视为一组数据，其中i＝1,2,3……m；j＝1,2,3……n；mi表示m组中的第i组数，nj表示n组中的第j组数，(mi，nj)构成一个二维点，如表7和表8中的点。接下来计算矩阵内各点的夹杂物检测结果数据，可以是夹杂物检测结果的平均尺寸、数量、罚分，也可以是超过某一阈值的比例。分别形成数据量(炉数)三维矩阵分布Lmn以及夹杂物检测信息三维矩阵分布Imn。计算出来的三维矩阵分布可以导入包括Origin、Excel等在内的数据处理软件以形成可视化数据。最后对得到的Lmn与Imn进行叠加印证，在炉数集中区域内，以定量的角度确定钢水杂物超过预设值所处的数值区域范围，并反馈给第二目标冶炼数据，为工艺优化提供方向。
在本申请实施例中，所述炼钢过程数据根据不同的统计方式可分为铁水数据、转炉数据、精炼数据、连铸数据、钢包数据及班组数据；
所述夹杂物检测结果数据包括最大夹杂物尺寸、单位面积夹杂物数量及通过计算的夹杂物扣分。
在本申请实施例中，参见图2所示，所述方法，还包括：
步骤S13、对第一目标冶炼数据进行筛选，确定满足目标筛选条件的第二目标冶炼数据；
其中，所述第一目标冶炼数据包括精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T；所述第二目标冶炼数据为数值范围为1.0～6.0bar的精炼底吹软搅拌平均压力P和数值范围为10～60min的软搅拌开始到连铸开浇间隔时间T；且第二目标冶炼数据中包括的数据量及软搅拌开始到连铸开浇间隔时间T的数据量均大于300。
在本申请实施例中，所述第二目标冶炼数据集中区，包括：
精炼底吹软搅拌平均压力的数据集中区为(μp-kpσp，μp+kpσp)，及软搅拌开始到连铸开浇间隔时间的数据集中区为(μt-ktσt，μt+ktσt)；
其中，μp为P的平均值，σp为P的标准差，kp＝0～5；μt为T的平均值，σt为T的标准差，kt＝0～5；
在本申请实施例中，所述方法，还包括：
1)判断目标钢种在预设时间段内的炼钢过程数据与夹杂物检测结果数据是否存在预设对应关系；
2)如果存在，则对目标钢种在预设时间段内的炼钢过程数据代表的炼钢过程工艺信息进行预设更改；
3)否则，采用预设数据拟合方案，对目标钢种在预设时间段内的炼钢过程数据和夹杂物检测结果数据进行预设方式拟合，确定炼钢过程数据和夹杂物检测结果数据的匹配度，并根据所述匹配度对所述炼钢过程数据和夹杂物检测结果数据进行排序。
在此之后，若检测结果数据中的炼钢过程数据存在预设的对应关系，则不需要进行后续的步骤S12、步骤S14、步骤S16过程，仅需对工艺进行更改，而若果不存在预设对应关系，则再执行拟合过程，基于匹配度确定是否执行第一目标数据、第二目标数据提取及后续过程，作为一个可选是实施例，确定拟合度低于设定阈值时，执行步骤S12、步骤S14、步骤S16过程。
在此指出，本申请实施例仅以精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T为例进行阐述，并非是限定关键冶炼数据必须为精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T或者二者之一。
在本申请实施例中，所述预设方差分析验证包括：
组间数据的离差平方和SSA、自由度d1、均方、F值、显著性值sig；组内数据的离差平方和SSE、自由度d2、均方MSE；总数据的离差平方和SST及自由度d3。其中，
总数据的离差平方和的计算方法为:
组间数据的离差平方和的计算方法为:
组内数据的离差平方和的计算方法为:
组间数据的自由度d1的计算方法为:
d1＝k-1
组内数据的自由度d2的计算方法为:
d2＝n-k
总数据的自由度d3的计算方法为:
d3＝n-1
组间数据的均方MSA的计算方法为:
组内数据的均方MSE的计算方法为:
组间数据的F值的计算方法为:
如下，列举一个具体实施例进行阐述：
作为一个具体方案，采用某厂一年多的洁净钢生产过程数据及夹杂物检测结果数据，其炼钢生产工艺为：转炉-LF精炼-大方坯连铸，夹杂物检测结果按照检出尺寸统计。在本例中，若检出夹杂物最大尺寸超过35μm，则视当炉为不合格，以超标率作为Imn的结果显示。
在除去异常信息之后，总数据量如表2所示：
表2某厂洁净钢过程信息数据量
软搅拌过程压力由于***原因数据缺失较多，但只要通过正态性检验，确认数据的随机性，即认为数据有效。接下来对各过程数据与夹杂物检测结果数据一一对应，以转炉班组为例，结果如表3所示：
表3转炉班组与夹杂物超标情况
由表3可知，三个班组之间夹杂物超标率差异几乎可以忽略不计，即“转炉班组”这个变量对夹杂物检出情况无太大的对应关系。按照这样的方法对各过程参数分析，结果发现差异大小不一，总得来讲并没有某项参数对夹杂物检出结果数据起决定性的作用。
接下来对关键冶炼参数进行总结提炼。
首先对数据进行筛选，去除异常数据并确认数据量。每一炉钢都能提供P、T以及夹杂物检测结果数据三个数据，除去负值等异常数据之后，剩余数据量为1339炉，满足数据量大于300的需求，另外将超出P、T范围的异常数据排除，不进行统计。
然后对数据P、T作正态性检验，本发明借助IBM SPSS Statistics21.0软件对P、T做正态性检验，检验方式选择P-P图检验，将实际数据累积概率作为X轴，将对应正态分布累积概率作为Y轴，P-P图反映了变量的实际累积概率与理论累积概率的符合程度，若数据服从正态分布，则数据点应与对角线基本重合。图3图4均显示数据符合正态性分布。
在通过正态性检验之后，需要对P、T分组。首先分别计算P、T的平均值，并利用式(2)计算标准差σ，标准差系数kp取1.5，kt取2.0，区间步长ΔP取0.10bar，ΔT取3.4min，具体分组结果如表4所示：
表4P、T分组数据构成
由于分组打破了原有数据的连续性，因此有必要对分组数据做进一步的验证。首先对分组数量进行验证，利用Gauss Amp函数对分组数量拟合，结果如附图5、图6所示，Gauss Amp函数的表达式如下。
可以看到，Gauss Amp函数与正态函数的表达式基本一致，其差异仅在于前面的系数不一致。由图7、图8可以看出，P、T的分组数量拟合基本符合正态分布。额外需要说明的是：正态分布需要
这样的系数是为了保证在区间(-∞，+∞)的积分为1，此外也可以看出
在区间(-∞，+∞)的积分为
在P、T各组数量分布满足条件之后，接下来对分组所代表的实际含义，即夹杂物最大尺寸做ANOVA方差分析，以进一步确认各分组均值是否一致，通俗的来讲就是验证分组是否足以将数据的差异区分开。方差分析中的F值通过简单计算即可得知，下一步可以查F临界值表，在α＝0.05以及ɑ＝0.01两个显著性水平上，比较F和临界值Fα的大小，若F＞Fα则认为各组之间均值存在显著差异，通过方差验证。此外另一种处理F值的方法可以直接计算相对应的sig值，sig值的计算可以借助EXCEL里面的FDIST函数(返回两组数据的右尾F概率分布自由度)，X为F值，Deg_freedom1＝d1，Deg_freedom2＝d2。即：
sig＝FDIST(X，Degfreedom1，Degfreedom1)
方差验证结果如表5、表6所示：
表5P的夹杂物检测结果ANOVA方差分析表
表6T的夹杂物检测结果ANOVA方差分析表
可以看到计算出来的显著性sig<0.05，即认为通过α＝0.05水平下的方差分析，此外通过查询F临界值表，也可以得出相同结论，即方差检验通过。
通过方差检验之后，需要对P、T分别做三维数据矩阵Lmn和Imn，在本例中，Imn利用矩阵内各点超标率作为显示结果，同样的，也可以利用各点平均尺寸。其结果如表7以及表8所示：
表7数据量(炉数)分布三维矩阵Lmn
表8夹杂物检测超标率分布三维矩阵Imn
将三维矩阵数据导入Origin中将数据可视化，最终结果如图7、图8所示，由图7可知，随着P值减小，T值减小，整体夹杂物超标率呈上升趋势，形成左下和右上的明显区分，并且在P＜2.27bar，T＜34.8min的炉次中，整体超标率明显较其他区域高。结合图7、图8可知，在数据集中区里面，P＞2.72bar，P＜2.27bar，T＜34.8min的区域整体超标率较高。据此可以为现场工艺执行提供阈值参考，即钢包精炼软搅拌底吹压力最优区间为2.27～2.72bar，钢包精炼软搅拌到开浇间隔时间不得低于35min。如此，便可根据得到的该数据对工艺数据进行改进，以确保钢中夹杂物较少，进而确保炼钢过程的纯净度。
综上所述，本申请实施例提供的钢中夹杂物关键冶炼数据处理方法，通过收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；然后，若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区、确定第二目标冶炼数据集中区中的第二目标数据的步长，并根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；最后，针对每种第二目标冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数(数据量)存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；其中，第一目标冶炼数据的数量不少于第二目标冶炼数据的数量。本方案，可在海量的冶炼数据中找到对钢液洁净度影响最大的关键因素，进而有针对性的定量优化既有工艺，有效提高了炼钢过程的纯净度。
实施例2
本申请实施例还提供一种钢中夹杂物关键冶炼数据处理装置，参见图9所示，包括：
收集模块91，用于收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；
分组模块92，用于若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区，并确定第二目标冶炼数据集中区中的第二目标数据的步长，根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；
超标数据确定模块93，用于针对每种第二目标冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；
其中，第一目标冶炼数据包括的数据量大于第二目标冶炼数据包括的数据量。
在一个实施例中，钢中夹杂物关键冶炼数据处理装置，还包括：
筛选模块，用于对第一目标冶炼数据进行筛选，确定满足目标筛选条件的第二目标冶炼数据；
其中，所述第一目标冶炼数据包括精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T；所述第二目标冶炼数据为数值范围为1.0～6.0bar的精炼底吹软搅拌平均压力P和数值范围为10～60min的软搅拌开始到连铸开浇间隔时间T；且第二目标冶炼数据中包括的数据量及软搅拌开始到连铸开浇间隔时间T的数据量均大于300。
图10是本申请一个实施例提供的钢中夹杂物关键冶炼数据处理装置的框图，本实施例所述钢中夹杂物关键冶炼数据处理装置可以是桌上型计算机、笔记本电脑、掌上电脑以及云端服务器等计算设备，该装置可以包括，但不限于，处理器、存储器。本实施例所述钢中夹杂物关键冶炼数据处理装置至少包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序可在所述处理器上运行，所述处理器执行所述计算机程序时，实现上述钢中夹杂物关键冶炼数据处理方法实施例中的步骤，例如图1或2所示的钢中夹杂物关键冶炼数据处理方法的步骤。或者，所述处理器执行所述计算机程序时，实现上述钢中夹杂物关键冶炼数据处理装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或多个模块被存储在所述存储器中，并由处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述钢中夹杂物关键冶炼数据处理装置中的执行过程。例如，所述计算机程序可以被分割成收集模块、分组模块、超标数据确定模块，各模块的具体功能如下：
收集模块，用于收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；
分组模块，用于若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区，并确定第二目标冶炼数据集中区中的第二目标数据的步长，根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；
超标数据确定模块，用于针对每种第二目标冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；
其中，第一目标冶炼数据包括的数据量大于第二目标冶炼数据包括的数据量。
处理器可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field-ProgrammableGate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。一些实施例中，处理器还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。所述处理器是所述钢中夹杂物关键冶炼数据处理装置的控制中心，利用各种接口和线路连接整个钢中夹杂物关键冶炼数据处理装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述钢中夹杂物关键冶炼数据处理装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、内存器件、或其他易失性固态存储器件。
本领域技术人员可以理解，本实施例所述的装置仅仅是钢中夹杂物关键冶炼数据处理装置的示例，并不构成对钢中夹杂物关键冶炼数据处理装置的限定，其他实施方式中，还可以包括更多或更少的部件，或者组合某些部件，或者不同部件，例如钢中夹杂物关键冶炼数据处理装置还可以包括输入输出设备、网络接入设备、总线等。处理器、存储器和***设备接口之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口相连。示意性地，***设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。
当然，钢中夹杂物关键冶炼数据处理装置还可以包括更少或更多的组件，本实施例对此不作限定。
可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时用于实现上述钢中夹杂物关键冶炼数据处理方法的步骤。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现钢中夹杂物关键冶炼数据处理方法实施例的步骤。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种钢中夹杂物关键冶炼数据处理方法，其特征在于，所述方法，包括：
收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；
若第一目标冶炼数据中的满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区、确定第二目标冶炼数据集中区中的第二目标数据的步长，并根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；
针对第二目标冶炼数据中每项冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；
其中，第一目标冶炼数据的数量不少于第二目标冶炼数据的数量。
2.根据权利要求1所述的方法，其特征在于，所述炼钢过程数据包括铁水数据、转炉数据、精炼数据、连铸数据、钢包数据及班组数据；
所述夹杂物检测结果数据包括最大夹杂物尺寸、单位面积夹杂物数量及通过计算的夹杂物扣分。
3.根据权利要求1或2所述的方法，其特征在于，所述方法，还包括：
对第一目标冶炼数据进行筛选，确定满足目标筛选条件的第二目标冶炼数据；
其中，所述第一目标冶炼数据包括精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T；所述第二目标冶炼数据为数值范围为1.0～6.0bar的精炼底吹软搅拌平均压力P和数值范围为10～60min的软搅拌开始到连铸开浇间隔时间T；且第二目标冶炼数据中包括的数据量及软搅拌开始到连铸开浇间隔时间T的数据量均大于300。
4.根据权利要求1或2所述的方法，其特征在于，所述第二目标冶炼数据集中区，包括：
精炼底吹软搅拌平均压力的数据集中区为(μp-kpσp，μp+kpσp)，及软搅拌开始到连铸开浇间隔时间的数据集中区为(μt-ktσt，μt+ktσt)；
其中，μp为P的平均值，σp为P的标准差，kp＝0～5；μt为T的平均值，σt为T的标准差，kt＝0～5。
5.根据权利要求1或2所述的方法，其特征在于，所述方法，还包括：
判断目标钢种在预设时间段内的炼钢过程数据与夹杂物检测结果数据是否存在预设对应关系；
如果存在，则对目标钢种在预设时间段内的炼钢过程数据代表的炼钢过程工艺信息进行预设更改；
否则，采用预设数据拟合方案，对目标钢种在预设时间段内的炼钢过程数据和夹杂物检测结果数据进行预设方式拟合，确定炼钢过程数据和夹杂物检测结果数据的匹配度，并根据所述匹配度对所述炼钢过程数据和夹杂物检测结果数据进行排序。
6.根据权利要求1所述的方法，其特征在于，所述预设方差分析验证包括：
组件数据的离差平方和SSA、自由度d1、均方、F值、显著性值sig；组内数据的离差平方和SSE、自由度d2、均方MSE；总数据的离差平方和SST及自由度d3。
7.一种钢中夹杂物关键冶炼数据处理装置，其特征在于，包括：
收集模块，用于收集目标钢种在预设时间段内的炼钢过程数据、夹杂物检测结果数据及第一目标冶炼数据；
分组模块，用于若满足目标筛选条件的第二目标冶炼数据满足预设正态性检验，则提取第二目标冶炼数据集中区，并确定第二目标冶炼数据集中区中的第二目标数据的步长，根据所述步长对目标冶炼数据集中区中的第二目标数据进行分组；
超标数据确定模块，用于针对每种第二目标冶炼数据的组数做Gauss Amp拟合，及对夹杂物检测结果做预设方差分析验证后，将满足预设方差分析验证的夹杂物检测结果数据、目标冶炼数据及组数存储为预设格式后并导入预设数据处理软件形成可视化数据，进而根据可视化数据提炼钢水杂物超过预设值所处的数值区域范围，以供对炼钢过程进行优化；
其中，第一目标冶炼数据包括的数据量大于第二目标冶炼数据包括的数据量。
8.根据权利要求7所述的钢中夹杂物关键冶炼数据处理装置，其特征在于，还包括：
筛选模块，用于对第一目标冶炼数据进行筛选，确定满足目标筛选条件的第二目标冶炼数据；
其中，所述第一目标冶炼数据包括精炼底吹软搅拌平均压力P和软搅拌开始到连铸开浇间隔时间T；所述第二目标冶炼数据为数值范围为1.0～6.0bar的精炼底吹软搅拌平均压力P和数值范围为10～60min的软搅拌开始到连铸开浇间隔时间T；且第二目标冶炼数据中包括的数据量及软搅拌开始到连铸开浇间隔时间T的数据量均大于300。
9.一种钢中夹杂物关键冶炼数据处理装置，所述装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序由所述处理器加载并执行，以实现如权利要求1至6任一项所述钢中夹杂物关键冶炼数据处理方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时用于实现如权利要求1至6任一项所述钢中夹杂物关键冶炼数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210050964.1A CN114398785A (zh) | 2022-01-17 | 2022-01-17 | 钢中夹杂物关键冶炼数据处理方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210050964.1A CN114398785A (zh) | 2022-01-17 | 2022-01-17 | 钢中夹杂物关键冶炼数据处理方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114398785A true CN114398785A (zh) | 2022-04-26 |
Family
ID=81231841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210050964.1A Pending CN114398785A (zh) | 2022-01-17 | 2022-01-17 | 钢中夹杂物关键冶炼数据处理方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114398785A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150819A (zh) * | 2023-10-30 | 2023-12-01 | 天津市东瑞钢铁铸造股份有限公司 | 用于钢铁铸造的钢液过滤方法及*** |
-
2022
- 2022-01-17 CN CN202210050964.1A patent/CN114398785A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150819A (zh) * | 2023-10-30 | 2023-12-01 | 天津市东瑞钢铁铸造股份有限公司 | 用于钢铁铸造的钢液过滤方法及*** |
| CN117150819B (zh) * | 2023-10-30 | 2024-01-30 | 天津市东瑞钢铁铸造股份有限公司 | 用于钢铁铸造的钢液过滤方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van Ende et al. | Evolution of non-metallic inclusions in secondary steelmaking: Learning from inclusion size distributions | |
| CN114398785A (zh) | 钢中夹杂物关键冶炼数据处理方法、装置及存储介质 | |
| CN110991916A (zh) | 一种铸坯质量判定***和方法 | |
| CN110490862A (zh) | 一种提高连铸探伤合格率的方法及装置 | |
| WO2018122890A1 (ja) | ログ分析方法、システムおよびプログラム | |
| CN113656768B (zh) | 一种区块链中数字资产流向追踪的方法、***和存储介质 | |
| CN110659898B (zh) | 一种数据控制方法、装置及存储介质 | |
| CN116341750A (zh) | 一种钢材夹杂物级别预测方法、装置、终端及存储介质 | |
| CN110796381B (zh) | 风控模型的建模方法、装置、终端设备及介质 | |
| JP2001034672A (ja) | 操業計画調整方法及び操業計画調整システム | |
| JP2021110016A (ja) | モデル構築装置、予測装置、モデル構築方法、予測方法及びコンピュータプログラム | |
| CN108364095B (zh) | 基于数据挖掘的炼钢生产过程钢水质量诊断方法 | |
| Song et al. | Intelligent case-based hybrid model for process and endpoint prediction of converter via data mining technique | |
| CN114781110B (zh) | 一种基于数据分析的热轧卷板翘皮缺陷追溯方法及*** | |
| TWI831364B (zh) | 基於量化影響因子的風險評估系統及其方法 | |
| CN108803705A (zh) | 一种炼钢***的温度优化控制方法、控制装置及应用与计算机可读存储介质 | |
| CN112330206A (zh) | 一种夹杂高风险铸坯的识别方法 | |
| Kleeberg | MELTING 4.0 “–DIGITALISATION and DIGITAL CONTROL OF THE MELT SHOP OPERATIONS in FOUNDRIES AND STEEL MILLS | |
| CN115982541B (zh) | 一种基于大数据的挖掘机工况占比统计方法 | |
| CN114242179B (zh) | 精炼合金元素收得率预测方法、***、电子设备及介质 | |
| CN115007828B (zh) | 连铸混浇板坯的确定方法、装置、介质和电子设备 | |
| CN116795064B (zh) | 基于dcs的报警管理方法、电子设备及存储介质 | |
| CN110008559B (zh) | 一种板坯精整方法和装置 | |
| WO2024036713A1 (zh) | 一种计算高炉软熔带根部高度的方法、装置及存储介质 | |
| JP2012168805A (ja) | 情報処理装置、情報処理システム、及びプログラム |
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 |