CN117195460A - 基于动态规划算法的冷轧产品取样方法及*** - Google Patents
基于动态规划算法的冷轧产品取样方法及*** Download PDFInfo
- Publication number
- CN117195460A CN117195460A CN202210636029.3A CN202210636029A CN117195460A CN 117195460 A CN117195460 A CN 117195460A CN 202210636029 A CN202210636029 A CN 202210636029A CN 117195460 A CN117195460 A CN 117195460A
- Authority
- CN
- China
- Prior art keywords
- sampling
- steel coil
- coil
- steel
- judging
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 60
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 202
- 239000010959 steel Substances 0.000 claims abstract description 202
- 238000005457 optimization Methods 0.000 claims abstract description 67
- 238000013461 design Methods 0.000 claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 239000000463 material Substances 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000005097 cold rolling Methods 0.000 claims abstract description 12
- 239000002436 steel type Substances 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000000137 annealing Methods 0.000 description 6
- 238000005098 hot rolling Methods 0.000 description 4
- 238000007747 plating Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- QFGIVKNKFPCKAW-UHFFFAOYSA-N [Mn].[C] Chemical compound [Mn].[C] QFGIVKNKFPCKAW-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000009713 electroplating Methods 0.000 description 2
- 238000005246 galvanizing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000009240 nasopharyngitis Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 229910000617 Mangalloy Inorganic materials 0.000 description 1
- 241000353097 Molva molva Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003618 dip coating Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供了一种基于动态规划算法的冷轧产品取样方法及***,包括:对材料钢种分组规则进行管理,确定能够参与取样优化的钢卷;针对能够参与取样优化的钢卷的每一个单卷进行制造工艺过程判异,对取样优化成功的钢卷输出取样数据;匹配或新建试批组,形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。本发明实现了材料相关前序过程工艺的自动判定、单卷基于过程工艺的动态优化取样检测指令设计的功能、基于不同条件的按批次取样检测功能。
Description
技术领域
本发明涉及冶金钢铁行业冷轧产品取样要求设计,具体地,涉及基于动态规划算法的冷轧产品取样方法及***。
背景技术
性能检测环节是保障出厂性能满足用户使用要求的重要环节,性能指标的检测实绩是产品质量的数字化表征,在产品质量管理中有着重要的地位。但另一方面,质量又是生产出来的,而不是检测出来的,产品检测需要投入大量的设备和人力,是生产成本的重要组成部分,如果能够在质量稳定的前提下降低检测成本,对整个企业的降本增效会带来极大的贡献。
在现有技术中,目前的产品设计框架下,产品的取样设计是针对合同和产线进行的统一化设计,由于炼钢、热轧、冷轧等在实际制造过程中,工艺往往都会存在波动和不稳定,为了保证整卷的性能均满足要求,只能按照最严的标准对同一卷的多个位置同时进行检测,但对于整卷工艺都非常稳定的钢卷,整卷的性能也会非常接近,多个位置的检测其实是多余的。而对于集批生产的同钢种的钢卷,如果工艺保持稳定,多个卷之间的性能也同样会非常接近,在标准允许的前提下,理论上按同一批次检测的结果就可以代表所有集批卷的性能。
在这些情况下,多余的取样检测带来的就是检测成本的提高,而对质量稳定并没有明显的益处。为此,非常有必要对产品的取样设计模块进行***优化,改变目前针对合同产线的单一化取样指令设计,而是根据材料过程工艺稳定性的评价实现基于材料的个性化取样指令设计,同时还要实现多个工艺相同卷的按批取样设计,从而在满足质量要求的前提下最大限度地减少试样检测量,降低检测成本。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于动态规划算法的冷轧产品取样方法及***。
根据本发明提供的一种基于动态规划算法的冷轧产品取样***,包括:
材料钢种分组模块M1:对材料钢种分组规则进行管理,确定能够参与取样优化的钢卷;
单卷制造过程判异及取样优化模块M2:针对能够参与取样优化的钢卷的每一个单卷进行制造工艺过程判异,对取样优化成功的钢卷输出取样数据;
多卷组批取样设计模块M3:匹配或新建试批组,形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。
优选地,所述材料钢种分组模块M1包括:
子模块M1.1:针对接收到的钢卷号根据数据取值逻辑,获取该钢卷号指示的钢卷有关的标准、链路、实绩数据,作为传入参数;
子模块M1.2:根据所述传入参数,对钢卷执行材料钢种分组逻辑规则,获得匹配的分组号;
子模块M1.3:根据分组号对应的逻辑判定规则,判断钢卷是否能够参与取样优化,若是,则触发单卷制造过程判异及取样优化模块M2继续执行,若否,则按合同原取样设计要求常规流转。
优选地,所述单卷制造过程判异及取样优化模块M2包括:
子模块M2.1:收集并输出能够参与取样优化的钢卷的相关各类数据;
子模块M2.2:按照该钢卷所在分组的组内逻辑规则进行判断是否存在异常,输出结果:如果存在异常,则判为取样优化失败,按合同原取样设计要求常规流转;如果不存在异常,则判为取样优化成功,输出取样钢卷头部、中部、尾部的取样块数数据。
优选地,所述多卷组批取样设计模块M3包括:
子模块M3.1:收集并输出钢卷同批条件用到的相关各类数据;
子模块M3.2:根据传入的分组号,以及钢卷同批条件用到的相关各类数据,计算组同批条件,优先判断是否能够作为被代表钢卷加入已存在的试批组内;如果匹配不到,则创建新试批组,并且当前钢卷直接作为代表卷;如果匹配到,则自动重新计算已存在的试批组内被代表钢卷取样块数、总取样块数这些数据;并形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息;其中,所述相关各类数据包括子模块M2.2输出的取样钢卷头部、中部、尾部的取样块数数据。
优选地,还包括:
接口模块:用于制造管理***、制造执行***、检化验管理***多***间智能取样设计启动、单卷取样优化结果和多卷同批关系等信息传递一致、上下***联动,指导现场取样送样和实验室样板登记管理、以及性能数据收集和判定这些后续流程处理;支持将产品性能预报模型计算结果、在线检测推荐结果作为判定条件,用于参与单卷取样优化设计,做到无缝集成。
根据本发明提供的一种基于动态规划算法的冷轧产品取样方法,包括:
材料钢种分组步骤S1:对材料钢种分组规则进行管理,确定能够参与取样优化的钢卷;
单卷制造过程判异及取样优化步骤S2:针对能够参与取样优化的钢卷的每一个单卷进行制造工艺过程判异,对取样优化成功的钢卷输出取样数据;
多卷组批取样设计步骤S3:匹配或新建试批组,形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。
优选地,所述材料钢种分组步骤S1包括:
子步骤S1.1:针对接收到的钢卷号根据数据取值逻辑,获取该钢卷号指示的钢卷有关的标准、链路、实绩数据,作为传入参数;
子步骤S1.2:根据所述传入参数,对钢卷执行材料钢种分组逻辑规则,获得匹配的分组号;
子步骤S1.3:根据分组号对应的逻辑判定规则,判断钢卷是否能够参与取样优化,若是,则触发单卷制造过程判异及取样优化步骤S2继续执行,若否,则按合同原取样设计要求常规流转。
优选地,所述单卷制造过程判异及取样优化步骤S2包括:
子步骤S2.1:收集并输出能够参与取样优化的钢卷的相关各类数据;
子步骤S2.2:按照该钢卷所在分组的组内逻辑规则进行判断是否存在异常,输出结果:如果存在异常,则判为取样优化失败,按合同原取样设计要求常规流转;如果不存在异常,则判为取样优化成功,输出取样钢卷头部、中部、尾部的取样块数数据。
优选地,所述多卷组批取样设计步骤S3包括:
子步骤S3.1:收集并输出钢卷同批条件用到的相关各类数据;
子步骤S3.2:根据传入的分组号,以及钢卷同批条件用到的相关各类数据,计算组同批条件,优先判断是否能够作为被代表钢卷加入已存在的试批组内;如果匹配不到,则创建新试批组,并且当前钢卷直接作为代表卷;如果匹配到,则自动重新计算已存在的试批组内被代表钢卷取样块数、总取样块数这些数据;并形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息;其中,所述相关各类数据包括子步骤S2.2输出的取样钢卷头部、中部、尾部的取样块数数据。
优选地,还包括:
接口步骤:用于制造管理***、制造执行***、检化验管理***多***间智能取样设计启动、单卷取样优化结果和多卷同批关系等信息传递一致、上下***联动,指导现场取样送样和实验室样板登记管理、以及性能数据收集和判定这些后续流程处理;支持将产品性能预报模型计算结果、在线检测推荐结果作为判定条件,用于参与单卷取样优化设计,做到无缝集成。
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过建立冷轧产品全工序一贯制工艺判异取样优化分组规则,实现材料相关前序过程工艺的自动判定。
2、本发明通过建立冷轧不同钢种的过程工艺判异规则,在此基础上进一步通过***实现单卷基于过程工艺的动态优化取样检测指令设计的功能。
3、本发明通过建立冷轧不同钢种多卷按批取样的试样组生成规则,在此基础上进一步通过***实现基于不同条件的按批次取样检测功能。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为冷轧产品智慧取样流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供的一种基于动态规划算法的冷轧产品取样***,包括:材料钢种分组模块M1、单卷制造过程判异及取样优化模块M2、多卷组批取样设计模块M3。
所述材料钢种分组模块M1:对材料钢种分组规则进行管理。具体地,所述材料钢种分组模块M1包括:
子模块M1.1:根据接收到的钢卷号,根据数据取值逻辑,获取该钢卷号指示的钢卷有关的标准、链路、实绩数据,作为传入参数;
子模块M1.2:根据所述传入参数,对钢卷执行材料钢种分组逻辑规则,获得匹配的分组号;
子模块M1.3:根据分组号对应的逻辑判定规则,判断钢卷是否能够参与取样优化,若是,则触发单卷制造过程判异及取样优化模块M2继续执行,若否,则按合同原取样设计要求常规流转。
预先建立关键项目清单以及每个关键项目的数据取值逻辑,将普冷、热镀、电镀、镀锡、镀铬、酸洗等冷轧产品进行分组管理;定义分组的分组号以及分组关键标签内容;对每一个分组号编制逻辑判定规则;通过关键项目的特征值,自动判断每一个钢卷是否能够参与取样优化,以及归属的分组号。
对于热镀和连退机组,启动点设置在在钢卷产出后;对于其他冷轧机组,启动点设置在生产计划确定后。传入到钢卷号,子模块M1.1获取制造管理***中跟这个钢卷有关的标准、链路、实绩各类数据,并作为传入参数;启动子模块M1.2和子模块M1.3,执行材料钢种分组逻辑规则,获得匹配分组号结果,如果获取到有效的分组号,则触发单卷制造过程判异及取样优化模块M2,进行下一步处理,否则退出后按合同原取样设计要求常规流转。
所述单卷制造过程判异及取样优化模块M2:通过搭建单卷过程判异规则和取样优化算法,对每一个单卷进行制造工艺过程判异,决定取样设计是否能够优化,以及取样块数的优化算法。具体地,所述单卷制造过程判异及取样优化模块M2包括:
子模块M2.1:收集并输出能够参与取样优化的钢卷的相关各类数据;
子模块M2.2:按照该钢卷所在分组的组内逻辑规则进行判断是否存在异常,输出结果:如果存在异常,则判为取样优化失败,按合同原取样设计要求常规流转;如果不存在异常,则判为取样优化成功,输出取样钢卷头部、中部、尾部的取样块数数据;
预先建立关键项目清单以及每个关键项目的数据取值逻辑,对每一个分组号编制单卷过程判异逻辑判定规则。业务人员是基于丰富的经验积累和大量历史数据充分验证分析,形成一套成熟的逻辑判定规则,实现对每个钢卷的工艺过程数据是否异常进行逐一判别,决定单卷是否满足取样优化的条件,以及推荐每个单卷最优的取样块数。
启动点设置材料钢种分组模块M1执行后,根据输出结果是获取分组号成功,则传入钢卷号、分组号,子模块M2.1收集并输出钢卷相关各类数据,子模块M2.2按照组内逻辑规则进行判断是否存在异常,输出结果:如果存在异常,则判为取样优化NG,按合同原取样设计要求常规流转;如果不存在异常,则判为取样优化OK,启动取样块数优化算法,输出取样钢卷优化后头部、中部、尾部分别的取样块数等数据;继续触发多卷组批取样设计模块M3,进行下一步处理。
所述多卷组批取样设计模块M3:用于构建典型钢种的试样组自动同批集成规则库。具体地,所述多卷组批取样设计模块M3包括:
子模块M3.1:收集并输出钢卷同批条件用到的相关各类数据;
子模块M3.2:根据传入的分组号,以及钢卷同批条件用到的相关各类数据,其中,所述相关各类数据包括子模块M2.2输出的取样钢卷头部、中部、尾部的取样块数数据,计算组同批条件,优先判断是否能够作为被代表钢卷加入已存在的试批组内,如果匹配不到,则创建新试批组,并且当前钢卷直接作为代表卷;如果匹配到,则自动重新计算已存在的试批组内被代表钢卷取样块数、总取样块数这些数据;并形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。
预先建立关键项目清单以及每个关键项目的数据取值逻辑,对每一个分组号编制是否可以组在同一各试批组的逻辑判定规则。
启动点设置在单卷制造过程判异及取样优化模块M2执行后,根据输出结果是获取单卷取样设计结果,子模块M3.1收集并输出钢卷同批条件用到的相关各类数据,子模块M3.2根据传入的分组号,以及钢卷相关各类数据,计算组同批条件,优先判断是否可以作为被代表钢卷加入已存在的试批组内,如果匹配不到,则创建新试批组,并且当前钢卷直接作为代表卷;如果匹配到,则自动重新计算已存在的试批组内被代表钢卷取样块数、总取样块数等数据;并形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。
接口模块,其用于制造管理***、制造执行***、检化验管理***多***间智能取样设计启动、单卷取样优化结果和多卷同批关系等信息传递一致、上下***联动,用于指导现场取样送样和实验室样板登记管理、以及性能数据收集和判定等后续流程处理。支持将产品性能预报模型计算结果、在线检测推荐结果作为判定条件,用于参与单卷取样优化设计,做到无缝集成。
下面对本发明进行更为具体的说明。
在所述材料钢种分组模块M1中:
所述关键项目清单以及每个关键项目的数据取值逻辑,例如钢种、标准、内部钢种、最终用户、最终用途、规格、分选度、供料来源、经过机组、Ra、PPI、WCA性能标准要求等,将普冷、热镀、电镀、镀锡、镀铬、酸洗等冷轧产品进行分组管理。
所述定义分组号以及分组关键标签内容,例如普冷锰碳钢相关的机组、钢种、钢级等。
所述对每一个分组号编制逻辑判定规则。例如普冷碳锰钢.27CM焊丝钢的特征值涉及钢级代码、出钢记号、产品规范码、退火/热镀锌经过机组等。
上述建立和定义的规则等信息,经过在线历史数据充分模拟验证后,可审核发布生效,用于在线自动钢卷取样优化判定。
在所述单卷制造过程判异及取样优化模块M2中:
所述建立关键项目清单以及每个关键项目的数据取值逻辑,例如,合同设计标准类、炉次成分标准、热轧关键温度标准、平整率目标、退火关键温度/速度标准,以及钢卷前工序生产实绩、板坯位置、本炉内部钢种、前/后炉内部钢种、重要化学成分实际值、热轧各类关键温度均值/曲线/极差值、平整率均值/曲线/极差值、退火关键温度均值/曲线/极差值等等,形成参数池,也支持部分参数项目二次计算。
所述对每一个分组号编制单卷过程判异的逻辑判定规则,例如普冷析出强化钢.45LA的炼钢炉次重要元素实绩值必须在标准范围内、热轧和连退等核心工艺必须在标准范围内等。
上述建立和定义的规则等信息,经过在线历史数据充分模拟验证后,可审核发布生效,用于在线自动钢卷取样优化判定。
在所述多卷组批取样设计模块M3中:
所述建立关键项目清单以及每个关键项目的数据取值逻辑,例如,标准、钢种、产品大类、炉号、试批组吨数上限、累计吨数、成分差值等。
所述对每一个分组号编制是否可以组在同一各试批组的逻辑判定规则,例如镀铬DR材.TF8MCM的同一个试批组内多个钢卷的同标准、同钢种、同规格、同取样要求、同试验标准要求、多种元素差值或工艺过程类实绩差值在可控范围内等。
上述建立和定义的规则等信息,经过在线历史数据充分模拟验证后,可审核发布生效,用于在线自动钢卷取样优化判定。
在所述接口模块中:
冷轧酸洗/精整等机组计划确定后或者连退/热镀锌类机组产出实绩接收后,调用智能取样优化接口函数;
向冷轧制造执行***发送取样优化后取样要求、同批关系;
制造管理***向检化验管理***发送取样优化后取样要求、同批关系;
现场按照取样指令要求取样、送样到实验室;
样板登记和性能检测实绩上传;
钢卷性能判定调用取样优化接口函数获取试批与钢卷对照关系,收集代表卷的性能实绩进行判定;后续流程不变。
下面对本发明进一步说明。
通过本发明能够使得工艺稳定的钢种材料取样量降低。通过跟踪统计,每个月约6000个钢卷属于工艺稳定的钢种产品,经过严密逻辑判定和优化计算后,其中约2000个钢卷优化成功,减少取样块数2100多块,优化比例占35%左右,极大地降低了冷轧产品的检测成本。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
本发明还提供一种基于动态规划算法的冷轧产品取样方法,本领域技术人员可以通过执行所述基于动态规划算法的冷轧产品取样方法的步骤流程实现所述基于动态规划算法的冷轧产品取样***,即可以将所述基于动态规划算法的冷轧产品取样方法理解为所述基于动态规划算法的冷轧产品取样***的优选实施方式。
根据本发明提供的一种基于动态规划算法的冷轧产品取样方法,包括:
材料钢种分组步骤S1:对材料钢种分组规则进行管理,确定能够参与取样优化的钢卷;
单卷制造过程判异及取样优化步骤S2:针对能够参与取样优化的钢卷的每一个单卷进行制造工艺过程判异,对取样优化成功的钢卷输出取样数据;
多卷组批取样设计步骤S3:匹配或新建试批组,形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。
接口步骤:用于制造管理***、制造执行***、检化验管理***多***间智能取样设计启动、单卷取样优化结果和多卷同批关系等信息传递一致、上下***联动,指导现场取样送样和实验室样板登记管理、以及性能数据收集和判定这些后续流程处理;支持将产品性能预报模型计算结果、在线检测推荐结果作为判定条件,用于参与单卷取样优化设计,做到无缝集成。
所述材料钢种分组步骤S1包括:
子步骤S1.1:针对接收到的钢卷号根据数据取值逻辑,获取该钢卷号指示的钢卷有关的标准、链路、实绩数据,作为传入参数;
子步骤S1.2:根据所述传入参数,对钢卷执行材料钢种分组逻辑规则,获得匹配的分组号;
子步骤S1.3:根据分组号对应的逻辑判定规则,判断钢卷是否能够参与取样优化,若是,则触发单卷制造过程判异及取样优化步骤S2继续执行,若否,则按合同原取样设计要求常规流转。
所述单卷制造过程判异及取样优化步骤S2包括:
子步骤S2.1:收集并输出能够参与取样优化的钢卷的相关各类数据;
子步骤S2.2:按照该钢卷所在分组的组内逻辑规则进行判断是否存在异常,输出结果:如果存在异常,则判为取样优化失败,按合同原取样设计要求常规流转;如果不存在异常,则判为取样优化成功,输出取样钢卷头部、中部、尾部的取样块数数据。
所述多卷组批取样设计步骤S3包括:
子步骤S3.1:收集并输出钢卷同批条件用到的相关各类数据;
子步骤S3.2:根据传入的分组号,以及钢卷同批条件用到的相关各类数据,计算组同批条件,优先判断是否能够作为被代表钢卷加入已存在的试批组内;如果匹配不到,则创建新试批组,并且当前钢卷直接作为代表卷;如果匹配到,则自动重新计算已存在的试批组内被代表钢卷取样块数、总取样块数这些数据;并形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息;其中,所述相关各类数据包括子步骤S2.2输出的取样钢卷头部、中部、尾部的取样块数数据。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于动态规划算法的冷轧产品取样***,其特征在于,包括:
材料钢种分组模块M1:对材料钢种分组规则进行管理,确定能够参与取样优化的钢卷;
单卷制造过程判异及取样优化模块M2:针对能够参与取样优化的钢卷的每一个单卷进行制造工艺过程判异,对取样优化成功的钢卷输出取样数据;
多卷组批取样设计模块M3:匹配或新建试批组,形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。
2.根据权利要求1所述的基于动态规划算法的冷轧产品取样***,其特征在于,所述材料钢种分组模块M1包括:
子模块M1.1:针对接收到的钢卷号根据数据取值逻辑,获取该钢卷号指示的钢卷有关的标准、链路、实绩数据,作为传入参数;
子模块M1.2:根据所述传入参数,对钢卷执行材料钢种分组逻辑规则,获得匹配的分组号;
子模块M1.3:根据分组号对应的逻辑判定规则,判断钢卷是否能够参与取样优化,若是,则触发单卷制造过程判异及取样优化模块M2继续执行,若否,则按合同原取样设计要求常规流转。
3.根据权利要求2所述的基于动态规划算法的冷轧产品取样***,其特征在于,所述单卷制造过程判异及取样优化模块M2包括:
子模块M2.1:收集并输出能够参与取样优化的钢卷的相关各类数据;
子模块M2.2:按照该钢卷所在分组的组内逻辑规则进行判断是否存在异常,输出结果:如果存在异常,则判为取样优化失败,按合同原取样设计要求常规流转;如果不存在异常,则判为取样优化成功,输出取样钢卷头部、中部、尾部的取样块数数据。
4.根据权利要求3所述的基于动态规划算法的冷轧产品取样***,其特征在于,所述多卷组批取样设计模块M3包括:
子模块M3.1:收集并输出钢卷同批条件用到的相关各类数据;
子模块M3.2:根据传入的分组号,以及钢卷同批条件用到的相关各类数据,计算组同批条件,优先判断是否能够作为被代表钢卷加入已存在的试批组内;如果匹配不到,则创建新试批组,并且当前钢卷直接作为代表卷;如果匹配到,则自动重新计算已存在的试批组内被代表钢卷取样块数、总取样块数这些数据;并形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息;其中,所述相关各类数据包括子模块M2.2输出的取样钢卷头部、中部、尾部的取样块数数据。
5.根据权利要求4所述的基于动态规划算法的冷轧产品取样***,其特征在于,还包括:
接口模块:用于制造管理***、制造执行***、检化验管理***多***间智能取样设计启动、单卷取样优化结果和多卷同批关系等信息传递一致、上下***联动,指导现场取样送样和实验室样板登记管理、以及性能数据收集和判定这些后续流程处理;支持将产品性能预报模型计算结果、在线检测推荐结果作为判定条件,用于参与单卷取样优化设计,做到无缝集成。
6.一种基于动态规划算法的冷轧产品取样方法,其特征在于,包括:
材料钢种分组步骤S1:对材料钢种分组规则进行管理,确定能够参与取样优化的钢卷;
单卷制造过程判异及取样优化步骤S2:针对能够参与取样优化的钢卷的每一个单卷进行制造工艺过程判异,对取样优化成功的钢卷输出取样数据;
多卷组批取样设计步骤S3:匹配或新建试批组,形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息。
7.根据权利要求6所述的基于动态规划算法的冷轧产品取样方法,其特征在于,所述材料钢种分组步骤S1包括:
子步骤S1.1:针对接收到的钢卷号根据数据取值逻辑,获取该钢卷号指示的钢卷有关的标准、链路、实绩数据,作为传入参数;
子步骤S1.2:根据所述传入参数,对钢卷执行材料钢种分组逻辑规则,获得匹配的分组号;
子步骤S1.3:根据分组号对应的逻辑判定规则,判断钢卷是否能够参与取样优化,若是,则触发单卷制造过程判异及取样优化步骤S2继续执行,若否,则按合同原取样设计要求常规流转。
8.根据权利要求7所述的基于动态规划算法的冷轧产品取样方法,其特征在于,所述单卷制造过程判异及取样优化步骤S2包括:
子步骤S2.1:收集并输出能够参与取样优化的钢卷的相关各类数据;
子步骤S2.2:按照该钢卷所在分组的组内逻辑规则进行判断是否存在异常,输出结果:如果存在异常,则判为取样优化失败,按合同原取样设计要求常规流转;如果不存在异常,则判为取样优化成功,输出取样钢卷头部、中部、尾部的取样块数数据。
9.根据权利要求8所述的基于动态规划算法的冷轧产品取样方法,其特征在于,所述多卷组批取样设计步骤S3包括:
子步骤S3.1:收集并输出钢卷同批条件用到的相关各类数据;
子步骤S3.2:根据传入的分组号,以及钢卷同批条件用到的相关各类数据,计算组同批条件,优先判断是否能够作为被代表钢卷加入已存在的试批组内;如果匹配不到,则创建新试批组,并且当前钢卷直接作为代表卷;如果匹配到,则自动重新计算已存在的试批组内被代表钢卷取样块数、总取样块数这些数据;并形成钢卷与试批关系,作为后续取样指令下达、钢卷性能判定的关键索引信息;其中,所述相关各类数据包括子步骤S2.2输出的取样钢卷头部、中部、尾部的取样块数数据。
10.根据权利要求9所述的基于动态规划算法的冷轧产品取样方法,其特征在于,还包括:
接口步骤:用于制造管理***、制造执行***、检化验管理***多***间智能取样设计启动、单卷取样优化结果和多卷同批关系等信息传递一致、上下***联动,指导现场取样送样和实验室样板登记管理、以及性能数据收集和判定这些后续流程处理;支持将产品性能预报模型计算结果、在线检测推荐结果作为判定条件,用于参与单卷取样优化设计,做到无缝集成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636029.3A CN117195460A (zh) | 2022-06-07 | 2022-06-07 | 基于动态规划算法的冷轧产品取样方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636029.3A CN117195460A (zh) | 2022-06-07 | 2022-06-07 | 基于动态规划算法的冷轧产品取样方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117195460A true CN117195460A (zh) | 2023-12-08 |
Family
ID=88996693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210636029.3A Pending CN117195460A (zh) | 2022-06-07 | 2022-06-07 | 基于动态规划算法的冷轧产品取样方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726149A (zh) * | 2024-02-08 | 2024-03-19 | 天津大学 | 一种基于人工智能的智能制造资源配置方法和*** |
-
2022
- 2022-06-07 CN CN202210636029.3A patent/CN117195460A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726149A (zh) * | 2024-02-08 | 2024-03-19 | 天津大学 | 一种基于人工智能的智能制造资源配置方法和*** |
CN117726149B (zh) * | 2024-02-08 | 2024-05-03 | 天津大学 | 一种基于人工智能的智能制造资源配置方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Review of seru production | |
CN106779220B (zh) | 一种炼钢-连铸-热轧集成调度方法与*** | |
CN108376315B (zh) | 一种基于图模型的不确定炼钢-连铸柔性优化调度方法及*** | |
CN105045236A (zh) | 一种流水线生产调度方法及*** | |
CN102915027B (zh) | 一种基于模式识别技术构建的高炉冶炼专家***及其方法 | |
CN106862283B (zh) | 热轧超快冷过程控制*** | |
Backman et al. | Methods and tools of improving steel manufacturing processes: Current state and future methods | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断*** | |
CN117195460A (zh) | 基于动态规划算法的冷轧产品取样方法及*** | |
CN108265157A (zh) | 智能电弧炉炼钢*** | |
CN114888092A (zh) | 一种基于跨工序数据平台的冷轧变形抗力预测方法 | |
CN100449431C (zh) | 用于控制生产钢的设备的方法和装置 | |
CN104942251B (zh) | 炼钢厂连铸机的开浇时间确定方法 | |
CN114153185A (zh) | 一种基于动态多目标差分进化算法的炼钢-连铸弹性调度优化方法及*** | |
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 | |
Wang et al. | An integrated production batch planning approach for steelmaking-continuous casting with cast batching plan as the core | |
CN111861299B (zh) | 一种钢铁企业全流程库存水平预警与控制方法 | |
Qian et al. | Cooperative Bargaining Game-Based Scheduling Model With Variable Multiobjective Weights in a UWB and 5G Embedded Workshop | |
Nestic et al. | Optimization of the maintenance process using genetic algorithms | |
Gajdzik | The importance of prediction methods in industry 4.0 on the example of steel industry | |
Xu et al. | A subpopulation-based differential evolution algorithm for scheduling with batching decisions in steelmaking-continuous casting production | |
KR20010047209A (ko) | 미니밀 공정에서의 품질예지방법 | |
CN117217098B (zh) | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 | |
Lin et al. | Study on Alloying Yield in Deoxidization and Alloying of Iron and Steel | |
Gangadaran et al. | Application of close loop expert system for heating control of rolling mill furnaces in a steel plant |
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 |