CN114854978A - 一种预测带钢跑偏值的方法和装置 - Google Patents
一种预测带钢跑偏值的方法和装置 Download PDFInfo
- Publication number
- CN114854978A CN114854978A CN202210360159.9A CN202210360159A CN114854978A CN 114854978 A CN114854978 A CN 114854978A CN 202210360159 A CN202210360159 A CN 202210360159A CN 114854978 A CN114854978 A CN 114854978A
- Authority
- CN
- China
- Prior art keywords
- deviation
- training data
- continuous annealing
- value
- strip 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 62
- 239000010959 steel Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000000137 annealing Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 238000012545 processing Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/26—Methods of annealing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Thermal Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本申请涉及图像数据处理技术领域，公开了一种预测带钢跑偏值的方法，包括获取训练数据，向连退跑偏值预测模型输入所述训练数据；所述连退跑偏预测模型根据所述训练数据生成跑偏预测曲线和输出超出预设的上限值的异常数据信息；将所述跑偏预测曲线和所述异常数据信息作为预测结果输出，用于优化连退线的纠偏机制。本申请通过连退跑偏值预测模型获得带钢在连退工序中的跑偏预测结果；通过预测结果提前采取纠偏措施，调整生产工艺带钢纠偏的控制参数，将带钢在连退工序中跑偏值控制在行业误差允许范围内，提高带钢加工质量和生产效率，降低生产成本，提高经济效益。
Description
技术领域
本申请涉及图像数据处理技术领域，尤其涉及一种预测带钢跑偏值的方法和装置。
背景技术
带钢完成冷轧工序后，带钢板形对后续机组的加工质量有着重大影响。在连退机组生产中，带钢板形的应力分布是造成带钢跑偏的重要因素；在快速生产的连续退火机组中，如果带钢板形偏差严重，带钢在连退机组就会严重跑偏，造成生产降速，甚至断带等恶性生产事故。
当带钢在连退机组跑偏时，操作人员通常采取降速的方式来逐渐纠正带钢位置，但对带钢降速一方面会导致带钢在炉内停留的时间增加，带钢加热时间过长也对带钢最终的产品性能造成影响；另一方面降速的方式使一种被动控制策略，控制效率不高且滞后。
发明内容
为了***带钢跑偏情况，从而提前设置连退机组内带钢纠偏机制，将带钢跑偏值控制在产品误差允许范围内，
第一方面，本申请提供了一种预测带钢跑偏值的方法，包括：
获取训练数据，向连退跑偏值预测模型输入所述训练数据；
所述连退跑偏预测模型根据所述训练数据生成跑偏预测曲线和超出预设的上限值的异常数据信息；
将所述跑偏预测曲线和所述异常数据信息作为预测结果输出，用于优化连退线的纠偏机制。
进一步，所述训练数据包括带钢的板形数据和跑偏数据；所述板形数据包括带钢每帧板形沿宽度方向或长度方向的板形应力值；所述跑偏数据包括每帧板形数据在连退线对应的跑偏值。
进一步，所述板形数据通过现场板形仪采集获得；所述跑偏数据通过连退线纠偏辊编码器采集获得。
进一步，所述预设的上限值的异常数据信息包括，预警数量值或预警百分比上限值的板形帧数量，以及所述跑偏值大于所述预警数量值或所述预警百分比上限值的区域位置及长度。
进一步，本申请提供的一种预测带钢跑偏值的方法还包括：
通过所述训练数据生成训练数据格式列表；
将所述训练数据格式列表输入机器学习算法，生成所述连退跑偏值预测模型。
进一步，所述训练数据格式列表包括初始训练数据格式列表，和由所述初始训练数据格式列表降维生成的二级训练数据格式列表；所述初始训练格式列表由所述训练数据排序得到；所述降维方式包括采用五次勒让德正交多项式对所述初始训练数据格式列表拟合，得到每帧的拟合多项式系数。
进一步，所述将训练数据格式列表代入机器学习算法，包括判断是否更新所述二级训练数据格式列表；当判断结果为是，采用更新的所述二级训练数据格式列表重构所述连退跑偏值预测模型；当判断结果为否，采用当前所述二级训练数据格式列表构建的所述连退跑偏值预测模型。
第二方面，本申请提供了一种预测带钢跑偏值的装置，包括：
输入单元，用于向连退跑偏值预测模型输入所述训练数据；
计算单元，用于根据所述训练数据生成跑偏预测曲线，输出超出预设的上限值的异常数据信息；
输出单元，用于将所述跑偏预测曲线和所述异常数据信息作为预测结果输出，优化连退线的纠偏机制。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面任一所述的方法步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一所述的方法步骤。
有益效果：
本申请中，连退跑偏值预测模型根据带钢的板形数据和跑偏数据生成跑偏预测曲线和超出预设的上限值的异常数据信息，跑偏预测曲线能直观展示所预测的带钢在连退机组加工时的跑偏情况；通过分析预设的上限值的异常数据信息提前设置纠偏机制，调整生产工艺带钢纠偏的控制参数，将带钢在连退工序中跑偏值控制在行业误差允许范围内，提高带钢加工质量和生产效率，降低生产成本，提高经济效益。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例1提供的一种预测带钢跑偏值的方法流程图；
图2是本申请实施例2提供的一种预测带钢跑偏值的装置结构示意图；
图3是本申请实施例3提供的一种电子设备结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例1
结合附图1，实施例1提供了一种预测带钢跑偏值的方法，包括以下步骤，
S101，输入训练数据，所述训练数据包括带钢的板形数据和跑偏数据；
通过现场板形仪采集不同品牌、不同型号带钢的板形数据；通过连退线纠偏辊编码器采集不同品牌、不同型号带钢在连退线内的跑偏数据；将板形数据和跑偏数据作为训练数据；
S102，通过训练数据生成训练数据格式列表；
为初始训练数据设置格式，如表1所示，
表1：初始训练数据格式列表
| Zone1 | Zone2 | Zone3 | …… | Zone(n-2) | Zone(n-1) | Zonen | 跑偏值 |
其中，Zone1...Zonen为带钢每一帧板形沿宽度方向的各个板形应力值，通过板形仪传感器测量得到；跑偏值为相应的一帧板形在连退线对应的跑偏值；
将(Zone1,Zone2,Zone3,……Zonen)作为特征值，将跑偏值作为目标值；
由于使用的板形仪传感器数量较多，一般为几十到上百个，因此对应的将(Zone1,Zone2,Zone3,……Zonen)作为特征向量的维数也较高，直接将高维度特征向量代入机器学习算法会导致维数***的缺陷，所以应当先进行降维；
对每一帧板形数据Zone1～Zonen，选择五次勒让德正交多项式进行拟合，得到每一帧的拟合多项式系数：(c0,c1,c2,c3,c4)，
为更新训练数据设置格式，如表2所示，
表2：二级训练数据格式列表
| C0 | C1 | C2 | C3 | C4 | 跑偏值 |
S103，将完成降维的更新训练数据代入机器学习算法进行KNN训练，得到当前连退跑偏值预测模型；
S104.1，判断是否更新当前连退跑偏值预测模型；
S104.2，当判断结果为是，重构连退跑偏值预测模型；
S104.3，当判断结果为否，采用当前连退跑偏值预测模型；
S105，通过跑偏预测模型计算跑偏预测曲线；设置预警上限值，统计超出预警上限值的异常数据信息，将跑偏预测曲线和异常数据信息作为预测结果；
S106，输出连退跑偏值预测模型的预测结果。
实施例2
与实施例1不同之处在于，实施例2提供了一种预测带钢跑偏值的装置，结合附图2，一种预测带钢跑偏值的装置包括：
输入单元201，包括数据库2011和数据选择栏2012，数据库2011用于采集和录入训练数据；数据选择栏2012用于选择训练数据；所述训练数据包括带钢的板形数据和跑偏数据；
计算单元202，用于通过训练数据生成训练数据格式列表；将训练数据格式列表代入机器学习算法，得到连退跑偏值预测模型；通过跑偏预测模型计算跑偏预测曲线；设置预警上限值，统计超出预警上限值的异常数据信息，将跑偏预测曲线和异常数据信息作为预测结果；
输出单元203，用于输出连退跑偏值预测模型的预测结果，包括连退跑偏曲线展示框架2031和跑偏值统计结果输出栏2032；所述连退跑偏曲线展示框架2031用于展示连退跑偏曲线，所述跑偏值统计结果输出栏2032用于展示异常数据信息；
实施例2提供的一种预测带钢跑偏值的装置，采用图形化的人机对话界面200，图形化界面有助于提高分析处理效率；
用户向跑偏值统计结果输出栏输入需要预测的钢卷品牌和型号，输入单元201采集相应的训练数据，计算模块202通过训练数据生成二级训练数据格式列表，计算模块202计算带钢的跑偏值，从定量的角度计算出整卷带钢整体的跑偏曲线；根据设定的预警上限值，计算模块202统计超出预警上限值的异常数据信息，将跑偏预测曲线和异常数据信息作为预测结果；
输出单元203将连退跑偏曲线显示在连退跑偏曲线展示框架2031上；将连退跑偏值统计的异常数据信息显示在跑偏值统计结果输出栏2032上，异常数据信息包括，超出预警数量值或预警百分比上限值的板形帧数量，以及跑偏值大于预警数量值或预警百分比上限值的区域位置及长度。
工作人员根据预测结果，控制后续生产过程：
设置预警值，实施例2中设定观察对象为A段带钢，观察长度为50m，设定预警值上线比例为30％，
当A段带钢50m长度内跑偏值大于预警值的数量多于5个，则该段带钢有较大概率出现跑偏问题。在后续连退生产时，对连退线带钢纠偏装置设定值进行参数修订，或对需要降速的带钢段进行降速处理。
在生产时，可设定当一卷带钢从酸轧下线后，根据该钢卷的板形数据，自动计算出此卷的跑偏预测数据。若存在降速的区段和需要锁定的问题钢卷，***将发送计算结果给生产控制管理窗口，给出报警提示，以便于操作人员和管理人员进行下一步处理。
如果全部钢卷累计跑偏值超报警值数量百分比到达30％或者某局部带钢跑偏值超过预警值比例30％，则判定该钢卷为板形问题钢卷，并在生产***中锁定该钢卷。此卷在质检员进一步质检前不允许进入下一生产工序。
本实施例2采用连退跑偏值预测模型装置，通过图形化的人机对话界面提高分析处理效率，协助质检人员了解带钢板形情况，提前采取纠偏措施，通过调整带钢纠偏的控制参数，将带钢在连退工序中跑偏值控制在行业误差允许范围内，提高带钢加工质量和生产效率，降低生产成本，提高经济效益。
实施例3
基于相同的发明构思，本申请实施例3提供一种电子设备，如附图3所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现上述有向图绘制方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例4
基于相同的发明构思，本申请实施例4提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述预测带钢跑偏值的方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
以上所述的仅是本申请的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本申请结构的前提下，还可以作出若干变形和改进，这些也应该视为本申请的保护范围，这些都不会影响本申请实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种预测带钢跑偏值的方法，其特征在于，包括：
获取训练数据，向连退跑偏值预测模型输入所述训练数据；
所述连退跑偏预测模型根据所述训练数据生成跑偏预测曲线和超出预设的上限值的异常数据信息；
将所述跑偏预测曲线和所述异常数据信息作为预测结果输出，用于优化连退线的纠偏机制。
2.如权利要求1所述的一种预测带钢跑偏值的方法，其特征在于：所述训练数据包括带钢的板形数据和跑偏数据；所述板形数据包括带钢每帧板形沿宽度方向或长度方向的板形应力值；所述跑偏数据包括每帧板形数据在连退线对应的跑偏值。
3.如权利要求2所述的一种预测带钢跑偏值的方法，其特征在于：所述板形数据通过现场板形仪采集获得；所述跑偏数据通过连退线纠偏辊编码器采集获得。
4.如权利要求1所述的一种预测带钢跑偏值的方法，其特征在于：所述预设的上限值的异常数据信息包括，预警数量值或预警百分比上限值的板形帧数量，以及所述跑偏值大于所述预警数量值或所述预警百分比上限值的区域位置及长度。
5.如权利要求1所述的一种预测带钢跑偏值的方法，其特征在于，还包括：
通过所述训练数据生成训练数据格式列表；
将所述训练数据格式列表输入机器学习算法，生成所述连退跑偏值预测模型。
6.如权利要求5所述的一种预测带钢跑偏值的方法，其特征在于：所述训练数据格式列表包括初始训练数据格式列表，和由所述初始训练数据格式列表降维生成的二级训练数据格式列表；所述初始训练格式列表由所述训练数据排序得到；所述降维方式包括采用五次勒让德正交多项式对所述初始训练数据格式列表拟合，得到每帧的拟合多项式系数。
7.如权利要求6所述的一种预测带钢跑偏值的方法，其特征在于：所述将训练数据格式列表代入机器学习算法，包括判断是否更新所述二级训练数据格式列表；当判断结果为是，采用更新的所述二级训练数据格式列表重构所述连退跑偏值预测模型；当判断结果为否，采用当前所述二级训练数据格式列表构建的所述连退跑偏值预测模型。
8.一种预测带钢跑偏值的装置，其特征在于，包括：
输入单元，用于向连退跑偏值预测模型输入所述训练数据；
计算单元，用于根据所述训练数据生成跑偏预测曲线，输出超出预设的上限值的异常数据信息；
输出单元，用于将所述跑偏预测曲线和所述异常数据信息作为预测结果输出，优化连退线的纠偏机制。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210360159.9A CN114854978A (zh) | 2022-04-06 | 2022-04-06 | 一种预测带钢跑偏值的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210360159.9A CN114854978A (zh) | 2022-04-06 | 2022-04-06 | 一种预测带钢跑偏值的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114854978A true CN114854978A (zh) | 2022-08-05 |
Family
ID=82630022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210360159.9A Pending CN114854978A (zh) | 2022-04-06 | 2022-04-06 | 一种预测带钢跑偏值的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114854978A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116603869A (zh) * | 2023-07-20 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于反馈优化的纠偏控制方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107541597A (zh) * | 2016-06-29 | 2018-01-05 | 宝山钢铁股份有限公司 | 连续退火机组均热炉的带钢跑偏监测与诊断方法及*** |
| CN112029990A (zh) * | 2020-07-16 | 2020-12-04 | 宝钢湛江钢铁有限公司 | 一种冷轧带钢连退加热炉自动纠偏控制方法 |
| WO2020248365A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能分配模型训练内存方法、装置及计算机可读存储介质 |
| CN112446130A (zh) * | 2020-10-15 | 2021-03-05 | 宝钢日铁汽车板有限公司 | 连续热镀锌机组退火炉的带钢跑偏仿真***及控制方法 |
| CN112598026A (zh) * | 2020-12-07 | 2021-04-02 | 东北大学 | 基于不平衡数据深度学习的连退生产过程故障诊断方法 |
| HUE052799T2 (hu) * | 2017-05-29 | 2021-05-28 | Andritz Ag Maschf | Eljárás egy fémszalag feltekercselési hõmérsékletének szabályozására |
| CN113850020A (zh) * | 2021-09-16 | 2021-12-28 | 北京科技大学 | 一种基于神经网络的连退张力设定方法及装置 |
| US20220100932A1 (en) * | 2019-01-21 | 2022-03-31 | Jfe Steel Corporation | Design support method for metal material, prediction model generation method, metal material production method, and design support apparatus |
-
2022
- 2022-04-06 CN CN202210360159.9A patent/CN114854978A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107541597A (zh) * | 2016-06-29 | 2018-01-05 | 宝山钢铁股份有限公司 | 连续退火机组均热炉的带钢跑偏监测与诊断方法及*** |
| HUE052799T2 (hu) * | 2017-05-29 | 2021-05-28 | Andritz Ag Maschf | Eljárás egy fémszalag feltekercselési hõmérsékletének szabályozására |
| US20220100932A1 (en) * | 2019-01-21 | 2022-03-31 | Jfe Steel Corporation | Design support method for metal material, prediction model generation method, metal material production method, and design support apparatus |
| WO2020248365A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能分配模型训练内存方法、装置及计算机可读存储介质 |
| CN112029990A (zh) * | 2020-07-16 | 2020-12-04 | 宝钢湛江钢铁有限公司 | 一种冷轧带钢连退加热炉自动纠偏控制方法 |
| CN112446130A (zh) * | 2020-10-15 | 2021-03-05 | 宝钢日铁汽车板有限公司 | 连续热镀锌机组退火炉的带钢跑偏仿真***及控制方法 |
| CN112598026A (zh) * | 2020-12-07 | 2021-04-02 | 东北大学 | 基于不平衡数据深度学习的连退生产过程故障诊断方法 |
| CN113850020A (zh) * | 2021-09-16 | 2021-12-28 | 北京科技大学 | 一种基于神经网络的连退张力设定方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 西德钢铁工程师协会，武汉钢铁设计研究院技术情报科: "《Python 项目实战从入门到精通》", 北京机械工业出版社, pages: 129 - 130 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116603869A (zh) * | 2023-07-20 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于反馈优化的纠偏控制方法及*** |
| CN116603869B (zh) * | 2023-07-20 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种基于反馈优化的纠偏控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113468479B (zh) | 一种基于数据驱动的冷连轧工业过程监测与异常检测方法 | |
| JPH11338848A (ja) | データ異常検出装置 | |
| KR20120095273A (ko) | 에너지 소비량 예측 장치 | |
| US20090259331A1 (en) | Automated system for checking proposed human adjustments to operational or planning parameters at a plant | |
| CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
| CN114854978A (zh) | 一种预测带钢跑偏值的方法和装置 | |
| CN115993856B (zh) | 一种厂房多区域环境条件管控方法及*** | |
| KR102426172B1 (ko) | 조임 발생 예측 시스템 | |
| JP2020157327A (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| CN113834828A (zh) | 产品品质分析支援*** | |
| CN116203903A (zh) | 一种热连轧过程质量异常的时空根源诊断方法 | |
| KR102338546B1 (ko) | 철강 플랜트의 메인터넌스 지원 장치 | |
| KR20200000783A (ko) | 철강 플랜트용 감시 작업 지원 시스템 | |
| JP7211386B2 (ja) | モデル学習方法、走間板厚変更方法、鋼板の製造方法、モデル学習装置、走間板厚変更装置および鋼板の製造装置 | |
| US20160195857A1 (en) | Apparatus and method for model adaptation | |
| KR101840419B1 (ko) | 조질압연기 및 형상교정기 설비장애 예지 정비 시스템 및 방법 | |
| CN117831659B (zh) | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 | |
| JP2934178B2 (ja) | 熱間圧延における板厚精度予測方法 | |
| CN114611376B (zh) | 一种基于神经网络的连退跑偏预测方法及装置 | |
| EP3923094A1 (en) | Inspection rate adaptation | |
| CN116765283B (zh) | 基于裁剥铆拧一体机的校正***及其方法 | |
| CN111266405B (zh) | 一种板带材热轧过程控制方法和控制装置 | |
| CN114367545B (zh) | 一种轧制力的修正方法和装置 | |
| JP2000263113A (ja) | 圧延機における異常圧延状態修正方法および装置 | |
| CN114101337B (zh) | 一种单机架可逆轧机的厚度控制方法、装置 |
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 |