CN117648629A - 一种基于认知智能的连铸智能判坯方法 - Google Patents
一种基于认知智能的连铸智能判坯方法 Download PDFInfo
- Publication number
- CN117648629A CN117648629A CN202311684563.2A CN202311684563A CN117648629A CN 117648629 A CN117648629 A CN 117648629A CN 202311684563 A CN202311684563 A CN 202311684563A CN 117648629 A CN117648629 A CN 117648629A
- Authority
- CN
- China
- Prior art keywords
- data
- continuous casting
- model
- intelligent
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 189
- 238000009749 continuous casting Methods 0.000 title claims abstract description 136
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 142
- 230000007547 defect Effects 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims abstract description 98
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 238000005266 casting Methods 0.000 claims description 64
- 229910000831 Steel Inorganic materials 0.000 claims description 54
- 239000010959 steel Substances 0.000 claims description 54
- 239000007788 liquid Substances 0.000 claims description 21
- 238000013075 data extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 57
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 32
- 229910052802 copper Inorganic materials 0.000 description 32
- 239000010949 copper Substances 0.000 description 32
- 238000012545 processing Methods 0.000 description 15
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 12
- 239000011575 calcium Substances 0.000 description 12
- 229910052791 calcium Inorganic materials 0.000 description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 8
- 229910052799 carbon Inorganic materials 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 229910052760 oxygen Inorganic materials 0.000 description 8
- 239000001301 oxygen Substances 0.000 description 8
- 238000010079 rubber tapping Methods 0.000 description 8
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 4
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 4
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 4
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 4
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 4
- 229910052787 antimony Inorganic materials 0.000 description 4
- WATWJIUSRGPENY-UHFFFAOYSA-N antimony atom Chemical compound [Sb] WATWJIUSRGPENY-UHFFFAOYSA-N 0.000 description 4
- 229910052785 arsenic Inorganic materials 0.000 description 4
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 4
- 229910052796 boron Inorganic materials 0.000 description 4
- 229910052804 chromium Inorganic materials 0.000 description 4
- 239000011651 chromium Substances 0.000 description 4
- 230000003920 cognitive function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000007791 liquid phase Substances 0.000 description 4
- 229910052748 manganese Inorganic materials 0.000 description 4
- 239000011572 manganese Substances 0.000 description 4
- 229910052750 molybdenum Inorganic materials 0.000 description 4
- 239000011733 molybdenum Substances 0.000 description 4
- 229910052759 nickel Inorganic materials 0.000 description 4
- 229910052758 niobium Inorganic materials 0.000 description 4
- 239000010955 niobium Substances 0.000 description 4
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 229910001220 stainless steel Inorganic materials 0.000 description 4
- 239000010935 stainless steel Substances 0.000 description 4
- 229910052717 sulfur Inorganic materials 0.000 description 4
- 239000011593 sulfur Substances 0.000 description 4
- 239000010936 titanium Substances 0.000 description 4
- 229910052719 titanium Inorganic materials 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Continuous Casting (AREA)
Abstract
本发明公开了一种基于认知智能的连铸智能判坯方法,其中,基于认知智能的连铸智能判坯模型的训练方法的步骤包括:获取历史工艺数据,历史工艺数据用于表征生产板坯的连铸***产生的数据;从历史工艺数据中提取异常数据;获取基于历史工艺数据所生成的板坯的缺陷种类;将异常数据作为预训练模型的输入数据,将缺陷种类作为对应的标签数据训练预训练模型以得到连铸智能判坯模型。本发明通过从历史工艺数据中提取异常数据,作为模型的输入数据训练模型;通过获取生成的板坯的缺陷种类,可将缺陷种类作为对应的标签数据来训练模型,从而训练得到能够在板坯的在线生产过程中自动且准确地预测板坯质量的模型,提高生产质量并降低人工成本。
Description
技术领域
本发明涉及人工智能的深度学习领域,具体涉及一种基于认知智能的连铸智能判坯方法。
背景技术
随着人们对金属质量的需求越来越高,在铸造的过程当中,需要预先对板坯的质量进行判断,从而在板坯生成前,就能够得知现在的工艺能否生产出满足质量要求的板坯,从而及时对板坯的制造工艺进行调整,以提升板坯的良品率,降低制造成本,并提高生产质量。但是在现有连铸技术当中,工业连铸环境下的判坯方法还是采用比较原始的人工判坯模式,通过人工的方式进行相应的判坯计算,但这样的判断方法并不准确,且人工成本较高,难以保证生产效率与生产质量。
相关的现有技术可通过离线试验台的方式能够通过硬件对板坯进行表面离线检测,但无法适用于在线生产环境下的离线数据分析。现有技术还可用于对板坯连铸二次冷却配水及动态轻压下具体控制过程的模拟仿真,并且同样无法适用于在线生产环境当中。因此,现有技术中缺乏能够应用于在线生产环境当中的自动判坯方法。
发明内容
本发明要解决的技术问题是为了克服现有技术中没有能够应用于在线生产环境下的自动判断板坯质量方法的缺陷,提供一种基于认知智能的连铸智能判坯方法。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种基于认知智能的连铸智能判坯模型的训练方法,所述训练方法的步骤包括:
获取历史工艺数据,所述历史工艺数据用于表征生产板坯的连铸***产生的数据;
从所述历史工艺数据中提取异常数据;
获取基于所述历史工艺数据所生成的板坯的缺陷种类;
将所述异常数据作为预训练模型的输入数据,将所述缺陷种类作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型。
可选地,所述训练方法的步骤还包括:
获取所述缺陷种类所对应的缺陷等级;
所述将所述异常数据作为预训练模型的输入数据,将所述缺陷种类作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型的步骤具体包括:
将所述异常数据作为预训练模型的输入数据,将所述缺陷种类以及对应的缺陷等级作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型。
可选地,所述从所述历史工艺数据中提取异常数据的步骤包括:
所述历史工艺数据包括结晶器液面数据的波动值,若所述结晶器液面数据的波动值超过对应的预设范围,则将所述结晶器液面数据的波动值提取为异常数据。
可选地,所述历史工艺数据包括拉速,若所述拉速超过对应的预设范围,则将所述拉速提取为异常数据。
可选地,所述历史工艺数据包括铸坯中间包钢水重量,若所述铸坯中间包钢水重量超过对应的预设范围,则将所述铸坯中间包钢水重量提取为异常数据。
可选地,所述历史工艺数据包括铸坯中间包钢水温度,若所述铸坯中间包钢水温度过对应的预设范围,则将所述铸坯中间包钢水温度提取为异常数据。
本发明还提供一种基于认知智能的连铸智能判坯方法,所述判断方法的步骤包括:
获取工艺数据,所述工艺数据用于表征生产板坯的连铸***产生的数据;
从所述工艺数据中提取异常数据;
在铸坯进入下一连铸***前将所述异常数据输入连铸智能判坯模型,获取所述连铸智能判坯模型输出的判断结果,所述判断结果包括所述板坯的缺陷种类;
其中,所述板坯质量判断模型根据权利要求1-3中任一项所述的基于认知智能的连铸智能判坯模型的训练方法训练得到。
可选地,所述判断结果还包括所述板坯的缺陷种类对应的缺陷等级。
可选地,所述从所述工艺数据中提取异常数据的步骤包括:
将所述板坯按照预设尺寸进行模拟切片以得到若干个板坯切片;
从所述若干个板坯切片的工艺数据中提取所述异常数据;
其中,所述判断结果包括所述异常数据对应的板坯切片的缺陷种类。
本发明还提供一种基于认知智能的连铸智能判坯模型的训练***,其特征在于,所述训练***包括:
历史数据获取模块,用于获取历史工艺数据,所述历史工艺数据用于表征生产板坯的连铸***产生的数据;
历史异常数据提取模块,用于从所述历史工艺数据中提取异常数据;
缺陷种类获取模块,用于获取基于所述历史工艺数据所生成的板坯的缺陷种类;
判坯模型训练模块,用于将所述异常数据作为预训练模型的输入数据,将所述缺陷种类作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型。
可选地,所述缺陷种类获取模块还用于获取所述缺陷种类所对应的缺陷等级;
所述判坯模型训练模块还用于将所述异常数据作为预训练模型的输入数据,将所述缺陷种类以及对应的缺陷等级作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型。
可选地,所述历史异常数据提取模块还用于在所述历史工艺数据超过对应的预设范围的情况下,将所述历史工艺数据提取为异常数据。
可选地,所述历史工艺数据包括结晶器液面数据的波动值,所述历史异常数据提取模块还用于在所述结晶器液面数据的波动值超过对应的预设范围的情况下,将所述结晶器液面数据的波动值提取为异常数据。
可选地,所述历史工艺数据包括拉速,所述历史异常数据提取模块还用于在所述拉速超过对应的预设范围的情况下,将所述拉速提取为异常数据。
可选地,所述历史工艺数据包括铸坯中间包钢水重量,所述历史异常数据提取模块还用于在所述铸坯中间包钢水重量超过对应的预设范围的情况下,将所述铸坯中间包钢水重量提取为异常数据。
可选地,所述历史工艺数据包括铸坯中间包钢水温度,所述历史异常数据提取模块还用于在所述铸坯中间包钢水温度过对应的预设范围的情况下,将所述铸坯中间包钢水温度提取为异常数据。
本发明还提供一种基于认知智能的连铸智能判坯***,所述判坯***包括:
数据获取模块,用于获取工艺数据,所述工艺数据用于表征生产板坯的连铸***产生的数据;
数据提取模块,用于从所述工艺数据中提取异常数据;
质量判断模块,用于在铸坯进入下一连铸***前将所述异常数据输入如前所述的连铸智能判坯模型,获取所述连铸智能判坯模型输出的判断结果,所述判断结果包括所述板坯的缺陷种类;
其中,所述连铸智能判坯模型根据如前所述的连铸智能判坯模型的训练***训练得到。
可选地,所述判断结果还包括所述板坯的缺陷种类对应的缺陷等级。
可选地,所述数据提取模块还用于将所述板坯按照预设尺寸进行模拟切片以得到若干个板坯切片;
从所述若干个板坯切片的工艺数据中提取所述异常数据。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明的基于认知智能的连铸智能判坯模型的训练方法或者基于认知智能的连铸智能判坯方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明的基于认知智能的连铸智能判坯模型的训练方法或者基于认知智能的连铸智能判坯方法。
在符合本领域常识的基础上,上述各可选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:通过获取历史工艺数据,可得到板坯在生产过程中在各个连铸***当中的工艺状态,若工艺数据中存在异常,即可从中提取异常数据,作为模型的输入数据训练模型;通过获取生成的板坯的缺陷种类,可将缺陷种类作为对应的标签数据来训练模型以得到板坯质量判断模型,从而可基于连铸智能判坯模型在板坯的在线生产过程中自动且准确地预测板坯质量,在板坯存在严重缺陷时可停止对其进行加工或人工干预生产过程,从而提高生产质量与生产效率,降低人工成本。
附图说明
图1为本发明实施例1提供的一种基于认知智能的连铸智能判坯方法的流程示意图。
图2为本发明实施例2提供的一种基于认知智能的连铸智能判坯方法的流程示意图。
图3为本发明实施例2提供的另一种基于认知智能的连铸智能判坯方法的流程示意图。
图4为本发明实施例3提供的一种基于认知智能的连铸智能判坯模型的训练***的结构框图。
图5为本发明实施例4提供的一种基于认知智能的连铸智能判坯***的结构框图。
图6为本发明实施例5提供的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本发明实施例提供一种基于认知智能的连铸智能判坯模型的训练方法,参照图1,该训练方法的步骤包括:
S1、获取历史工艺数据。
历史工艺数据用于表征生产板坯的连铸***产生的数据。其中,连铸***可包括具体执行生产任务的***,也可包括任务制定及发布***,分析***等。
历史工艺数据包括已生成的板坯在生产过程中,相关的连铸***中产生的数据。历史工艺数据可包括不锈钢的EMS(电磁抗干扰)电流值、结晶器液位实际值、结晶器液位目标值、结晶器液位偏差标准值、中间包温度值、结晶器外弧热流数据、结晶器内弧热流数据、结晶器左边热流数据、结晶器右边热流数据、结晶器左右两面的锥度、采用的喷水表号、结晶器顶部与末端的宽度、结晶器厚度、振动负滑脱时间、振动振幅、振动频率、中间包重量、塞棒或滑板的目前位置、塞棒或滑板的最大位置、塞棒或滑板的最小位置、液相温度、出钢时间、出钢口寿命、转炉自由氧含量、转炉终点碳含量、精炼后自由氧含量、最后测量的钢水温度、总的加铝量、喂钙速度、碳的实际含量、锰的实际含量、硅的实际含量、磷的实际含量、硫的实际含量、铜的实际含量、镍的实际含量、钼的实际含量、锡的实际含量、铬的实际含量、锑的实际含量、铌的实际含量、硼的实际含量、钛的实际含量、砷的实际含量、钙的实际含量、保护渣型号、浇铸序列号、炉次号、大包号、大包炉数、总的加钙量、外弧铜板号、内弧铜板号、左边铜板号、右边铜板号、外弧铜板厚度、内弧铜板厚度、左边铜板厚度、右边铜板厚度、板坯号、铸流中板坯头部位置、铸流中板坯尾部位置等。
S2、从历史工艺数据中提取异常数据。
通过在后台进行冶金领域的工艺经验的知识提取后,配置进入***当中,可以使***具备专家经验的认知功能,在获取历史工艺数据后,梳理品质异常信息,从而在历史工艺数据中提取异常数据。
在一个可选的实施方案中,若历史工艺数据超过对应的预设范围,则将历史工艺数据提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括结晶器液面数据的波动值,若结晶器液面数据的波动值超过对应的预设范围,如结晶器液面数据的波动值较大,则将结晶器液面数据的波动值提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括拉速,若拉速超过对应的预设范围,如拉速超过上下限度,则将拉速提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括铸坯中间包钢水重量,若铸坯中间包钢水重量超过对应的预设范围,如中间包钢水重量超高或超低,则将铸坯中间包钢水重量提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括铸坯中间包钢水温度,若铸坯中间包钢水温度过对应的预设范围,如中间包钢水温度超高或超低,则将铸坯中间包钢水温度提取为异常数据。
S3、获取基于历史工艺数据所生成的板坯的缺陷种类。
在一个可选的实施方案中,通过在连铸的下线轨道处加入表面缺陷检测设备来获取板坯的缺陷种类,通过自动表面缺陷检测来判定生成的板坯的表面的缺陷种类,缺陷种类可包括横裂、纵裂、夹渣、网状裂纹、气泡和针孔等。
在一个可选的实施方案中,还获取缺陷种类所对应的缺陷等级。缺陷等级可包括A、B、C、D等档位,若板坯的缺陷种类对应的缺陷等级为D档位,则表明该板坯的缺陷较严重。
S4、将异常数据作为预训练模型的输入数据,将缺陷种类作为对应的标签数据训练预训练模型以得到连铸智能判坯模型。
在一个可选的实施方案中,预训练模型为时序网络模型或随机森林模型。
在一个可选的实施方案中,将训练过程的损失函数设置为小于0.002,用于提高训练的循环次数和精度,从而达到多轮训练的目的。训练数据采用多浇次中的各类炉次的异常数据、缺陷种类以及对应的缺陷等级。
在一个可选的实施方案中,训练阶段为了匹配训练数据和标签数据的定位,采用统一铸造长度的定位方式,即按照预设尺寸进行模拟切片以得到若干个板坯切片,预设尺寸即最小颗粒度区间,通过最小颗粒度来定位训练数据与标签数据,例如,每隔一段板坯的最小颗粒度来匹配对应的异常数据、缺陷种类与缺陷等级等。
在一个可选的实施方案中,在训练结束后,模型能够较好的拟合现有的数据,即可上线进行使用,连铸智能判坯模型以异常数据作为输入数据,以缺陷种类及对应的缺陷等级作为输出数据,在板坯生成前,实时预测板坯生成后的质量,从而提高生产质量与效率,降低生产成本。
本发明实施例通过获取历史工艺数据,可得到板坯在生产过程中在各个连铸***当中的工艺状态,若工艺数据中存在异常,即可从中提取异常数据,作为模型的输入数据训练模型;通过获取生成的板坯的缺陷种类,可将缺陷种类作为对应的标签数据来训练模型以得到连铸智能判坯模型,从而可基于连铸智能判坯模型在板坯的在线生产过程中自动且准确地预测板坯质量,在板坯存在严重缺陷时可停止对其进行加工或人工干预生产过程,从而提高生产质量与生产效率,降低人工成本。
实施例2
本发明实施例提供一种基于认知智能的连铸智能判坯方法,参照图2,该判坯方法的步骤包括:
S1、获取工艺数据。
工艺数据用于表征生产板坯的连铸***产生的数据。其中,连铸***可包括具体执行生产任务的***,也可包括任务制定及发布***,分析***等。
工艺数据包括板坯在生产完成前,正在加工铸坯的相关连铸***产生的数据,对生成板坯前的铸坯进行实时跟踪。
工艺数据可包括不锈钢的EMS(电磁抗干扰)电流值、结晶器液位实际值、结晶器液位目标值、结晶器液位偏差标准值、中间包温度值、结晶器外弧热流数据、结晶器内弧热流数据、结晶器左边热流数据、结晶器右边热流数据、结晶器左右两面的锥度、采用的喷水表号、结晶器顶部与末端的宽度、结晶器厚度、振动负滑脱时间、振动振幅、振动频率、中间包重量、塞棒或滑板的目前位置、塞棒或滑板的最大位置、塞棒或滑板的最小位置、液相温度、出钢时间、出钢口寿命、转炉自由氧含量、转炉终点碳含量、精炼后自由氧含量、最后测量的钢水温度、总的加铝量、喂钙速度、碳的实际含量、锰的实际含量、硅的实际含量、磷的实际含量、硫的实际含量、铜的实际含量、镍的实际含量、钼的实际含量、锡的实际含量、铬的实际含量、锑的实际含量、铌的实际含量、硼的实际含量、钛的实际含量、砷的实际含量、钙的实际含量、保护渣型号、浇铸序列号、炉次号、大包号、大包炉数、总的加钙量、外弧铜板号、内弧铜板号、左边铜板号、右边铜板号、外弧铜板厚度、内弧铜板厚度、左边铜板厚度、右边铜板厚度、板坯号、铸流中板坯头部位置、铸流中板坯尾部位置等。
S2、从工艺数据中提取异常数据。
通过在后台进行冶金领域的工艺经验的知识提取后,配置进入***当中,可以使***具备专家经验的认知功能,在获取工艺数据后,梳理品质异常信息,从而在工艺数据中提取异常数据。
在一个可选的实施方案中,若工艺数据超过对应的预设范围,则将工艺数据提取为异常数据。
在一个可选的实施方案中,工艺数据包括结晶器液面数据的波动值,若结晶器液面数据的波动值超过对应的预设范围,如结晶器液面数据的波动值较大,则将结晶器液面数据的波动值提取为异常数据。
在一个可选的实施方案中,工艺数据包括拉速,若拉速超过对应的预设范围,如拉速超过上下限度,则将拉速提取为异常数据。
在一个可选的实施方案中,工艺数据包括铸坯中间包钢水重量,若铸坯中间包钢水重量超过对应的预设范围,如中间包钢水重量超高或超低,则将铸坯中间包钢水重量提取为异常数据。
在一个可选的实施方案中,工艺数据包括铸坯中间包钢水温度,若铸坯中间包钢水温度过对应的预设范围,如中间包钢水温度超高或超低,则将铸坯中间包钢水温度提取为异常数据。
在一个可选的实施方案中,为了提高预测精度,将板坯按照预设尺寸进行模拟切片以得到若干个板坯切片,从若干个板坯切片的工艺数据中提取异常数据。预设尺寸即最小颗粒度区间,通过最小颗粒度来定位训练数据与标签数据,例如,每隔一段板坯的最小颗粒度来提取对应的异常数据,并预测对应的缺陷种类与缺陷等级等。例如,若板坯的长度范围在10~12米内,则每隔0.5米进行相应的切片,每个最小单元的长度为0.5米。
S3、在铸坯进入下一连铸***前将异常数据输入连铸智能判坯模型,获取连铸智能判坯模型输出的判断结果。
其中,判断结果包括板坯的缺陷种类,连铸智能判坯模型根据实施例1中的基于认知智能的连铸智能判坯模型的训练方法训练得到。
实时基于铸坯在当前的连铸***当中的工艺状态预测其在生成板坯后的质量,从而可在缺陷严重时及时调整生产工艺,或将其进行下线处理,不再流入下一连铸***继续加工。
在一个可选的实施方案中,为了提高预测精度,将每个板坯切片的异常数据输入连铸智能判坯模型,从而对属于板坯切片的质量进行判断。
在一个可选的实施方案中,连铸智能判坯模型的输入输出数据例如:模型的输入数据为[浇次号][331106][炉次号][232026][板坯号][23202631100][铸坯切片号][28][品异类型][15],注:品异类型如结晶器液面过低这类品异类型。对应的模型的输出数据为[浇次号][331106][炉次号][232026][板坯号][23202631100][铸坯切片号][28]缺陷类型[2]。
在一个可选的实施方案中,判断结果还包括板坯的缺陷种类对应的缺陷等级。缺陷等级可包括A、B、C、D等档位,若板坯的缺陷种类对应的缺陷等级为D档位,则表明该板坯的缺陷较严重。若判断结果包括大量D档位的缺陷,表示该板坯的缺陷较严重,进行相应的下线处理,防止其流入下道工序,影响生产质量,因此针对其缺陷进行相应的下线标记处理。
在一个可选的实施方案中,参照图3,本发明的实施步骤可包括:获取L1、L2、L3***上的离线生产数据,L1、L2、L3***即各类连铸***,离线生产数据即历史工艺数据;根据专家经验从离线生产数据中提取有用特征,即提取异常数据并输入随机森林模型进行训练,并将人工抽检的板坯质量数据作为标签,训练好后将模型上线使用,作为在线模型,对在线实时的数据进行预判,预判是否有质量问题,有质量问题则等待人工处理,否则进入下一步工序。
本发明实施例通过获取工艺数据,可得到板坯在生产过程中在连铸***当中的工艺状态,若工艺数据中存在异常,即可及时从中提取异常数据,作为连铸智能判坯模型的输入数据;通过连铸智能判坯模型预测板坯生成后的缺陷种类,从而可在板坯的在线生产过程中自动且准确地预测板坯质量,在板坯存在严重缺陷时可停止对其进行加工或人工干预生产过程,从而提高生产质量与生产效率,降低人工成本。
实施例3
本发明实施例提供一种基于认知智能的连铸智能判坯模型的训练***,参照图4,该训练***包括历史数据获取模块1、历史异常数据提取模块2、缺陷种类获取模块3以及判坯模型训练模块4。
历史数据获取模块1用于获取历史工艺数据,历史工艺数据用于表征生产板坯的连铸***产生的数据。
其中,连铸***可包括具体执行生产任务的***,也可包括任务制定及发布***,分析***等。
历史工艺数据包括已生成的板坯在生产过程中,相关的连铸***中产生的数据。历史工艺数据可包括不锈钢的EMS(电磁抗干扰)电流值、结晶器液位实际值、结晶器液位目标值、结晶器液位偏差标准值、中间包温度值、结晶器外弧热流数据、结晶器内弧热流数据、结晶器左边热流数据、结晶器右边热流数据、结晶器左右两面的锥度、采用的喷水表号、结晶器顶部与末端的宽度、结晶器厚度、振动负滑脱时间、振动振幅、振动频率、中间包重量、塞棒或滑板的目前位置、塞棒或滑板的最大位置、塞棒或滑板的最小位置、液相温度、出钢时间、出钢口寿命、转炉自由氧含量、转炉终点碳含量、精炼后自由氧含量、最后测量的钢水温度、总的加铝量、喂钙速度、碳的实际含量、锰的实际含量、硅的实际含量、磷的实际含量、硫的实际含量、铜的实际含量、镍的实际含量、钼的实际含量、锡的实际含量、铬的实际含量、锑的实际含量、铌的实际含量、硼的实际含量、钛的实际含量、砷的实际含量、钙的实际含量、保护渣型号、浇铸序列号、炉次号、大包号、大包炉数、总的加钙量、外弧铜板号、内弧铜板号、左边铜板号、右边铜板号、外弧铜板厚度、内弧铜板厚度、左边铜板厚度、右边铜板厚度、板坯号、铸流中板坯头部位置、铸流中板坯尾部位置等。
历史异常数据提取模块2用于从历史工艺数据中提取异常数据。
通过在后台进行冶金领域的工艺经验的知识提取后,配置进入***当中,可以使***具备专家经验的认知功能,在获取历史工艺数据后,梳理品质异常信息,从而在历史工艺数据中提取异常数据。
在一个可选的实施方案中,若历史工艺数据超过对应的预设范围,则将历史工艺数据提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括结晶器液面数据的波动值,若结晶器液面数据的波动值超过对应的预设范围,如结晶器液面数据的波动值较大,则将结晶器液面数据的波动值提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括拉速,若拉速超过对应的预设范围,如拉速超过上下限度,则将拉速提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括铸坯中间包钢水重量,若铸坯中间包钢水重量超过对应的预设范围,如中间包钢水重量超高或超低,则将铸坯中间包钢水重量提取为异常数据。
在一个可选的实施方案中,历史工艺数据包括铸坯中间包钢水温度,若铸坯中间包钢水温度过对应的预设范围,如中间包钢水温度超高或超低,则将铸坯中间包钢水温度提取为异常数据。
缺陷种类获取模块3用于获取基于历史工艺数据所生成的板坯的缺陷种类。
在一个可选的实施方案中,通过在连铸的下线轨道处加入表面缺陷检测设备来获取板坯的缺陷种类,通过自动表面缺陷检测来判定生成的板坯的表面的缺陷种类,缺陷种类可包括横裂、纵裂、夹渣、网状裂纹、气泡和针孔等。
在一个可选的实施方案中,还获取缺陷种类所对应的缺陷等级。缺陷等级可包括A、B、C、D等档位,若板坯的缺陷种类对应的缺陷等级为D档位,则表明该板坯的缺陷较严重。
判坯模型训练模块4用于将异常数据作为预训练模型的输入数据,将缺陷种类作为对应的标签数据训练预训练模型以得到连铸智能判坯模型。
在一个可选的实施方案中,将训练过程的损失函数设置为小于0.002,用于提高训练的循环次数和精度,从而达到多轮训练的目的。训练数据采用多浇次中的各类炉次的异常数据、缺陷种类以及对应的缺陷等级。
在一个可选的实施方案中,训练阶段为了匹配训练数据和标签数据的定位,采用统一铸造长度的定位方式,即按照预设尺寸进行模拟切片以得到若干个板坯切片,预设尺寸即最小颗粒度区间,通过最小颗粒度来定位训练数据与标签数据,例如,每隔一段板坯的最小颗粒度来匹配对应的异常数据、缺陷种类与缺陷等级等。
在一个可选的实施方案中,在训练结束后,模型能够较好的拟合现有的数据,即可上线进行使用,连铸智能判坯模型以异常数据作为输入数据,以缺陷种类及对应的缺陷等级作为输出数据,在板坯生成前,实时预测板坯生成后的质量,从而提高生产质量与效率,降低生产成本。
本发明实施例通过获取历史工艺数据,可得到板坯在生产过程中在各个连铸***当中的工艺状态,若工艺数据中存在异常,即可从中提取异常数据,作为模型的输入数据训练模型;通过获取生成的板坯的缺陷种类,可将缺陷种类作为对应的标签数据来训练模型以得到连铸智能判坯模型,从而可基于连铸智能判坯模型在板坯的在线生产过程中自动且准确地预测板坯质量,在板坯存在严重缺陷时可停止对其进行加工或人工干预生产过程,从而提高生产质量与生产效率,降低人工成本。
实施例4
本发明实施例提供一种基于认知智能的连铸智能判坯***,参照图5,该判断***包括数据获取模块5、数据提取模块6以及质量判断模块7。
获取模块5用于获取工艺数据,工艺数据用于表征生产板坯的连铸***产生的数据。
其中,连铸***可包括具体执行生产任务的***,也可包括任务制定及发布***,分析***等。
工艺数据包括板坯在生产完成前,正在加工铸坯的相关连铸***产生的数据,对生成板坯前的铸坯进行实时跟踪。
工艺数据可包括不锈钢的EMS(电磁抗干扰)电流值、结晶器液位实际值、结晶器液位目标值、结晶器液位偏差标准值、中间包温度值、结晶器外弧热流数据、结晶器内弧热流数据、结晶器左边热流数据、结晶器右边热流数据、结晶器左右两面的锥度、采用的喷水表号、结晶器顶部与末端的宽度、结晶器厚度、振动负滑脱时间、振动振幅、振动频率、中间包重量、塞棒或滑板的目前位置、塞棒或滑板的最大位置、塞棒或滑板的最小位置、液相温度、出钢时间、出钢口寿命、转炉自由氧含量、转炉终点碳含量、精炼后自由氧含量、最后测量的钢水温度、总的加铝量、喂钙速度、碳的实际含量、锰的实际含量、硅的实际含量、磷的实际含量、硫的实际含量、铜的实际含量、镍的实际含量、钼的实际含量、锡的实际含量、铬的实际含量、锑的实际含量、铌的实际含量、硼的实际含量、钛的实际含量、砷的实际含量、钙的实际含量、保护渣型号、浇铸序列号、炉次号、大包号、大包炉数、总的加钙量、外弧铜板号、内弧铜板号、左边铜板号、右边铜板号、外弧铜板厚度、内弧铜板厚度、左边铜板厚度、右边铜板厚度、板坯号、铸流中板坯头部位置、铸流中板坯尾部位置等。
数据提取模块6用于从工艺数据中提取异常数据。
通过在后台进行冶金领域的工艺经验的知识提取后,配置进入***当中,可以使***具备专家经验的认知功能,在获取工艺数据后,梳理品质异常信息,从而在工艺数据中提取异常数据。
在一个可选的实施方案中,若工艺数据超过对应的预设范围,则将工艺数据提取为异常数据。
在一个可选的实施方案中,工艺数据包括结晶器液面数据的波动值,若结晶器液面数据的波动值超过对应的预设范围,如结晶器液面数据的波动值较大,则将结晶器液面数据的波动值提取为异常数据。
在一个可选的实施方案中,工艺数据包括拉速,若拉速超过对应的预设范围,如拉速超过上下限度,则将拉速提取为异常数据。
在一个可选的实施方案中,工艺数据包括铸坯中间包钢水重量,若铸坯中间包钢水重量超过对应的预设范围,如中间包钢水重量超高或超低,则将铸坯中间包钢水重量提取为异常数据。
在一个可选的实施方案中,工艺数据包括铸坯中间包钢水温度,若铸坯中间包钢水温度过对应的预设范围,如中间包钢水温度超高或超低,则将铸坯中间包钢水温度提取为异常数据。
在一个可选的实施方案中,为了提高预测精度,将板坯按照预设尺寸进行模拟切片以得到若干个板坯切片,从若干个板坯切片的工艺数据中提取异常数据。预设尺寸即最小颗粒度区间,通过最小颗粒度来定位训练数据与标签数据,例如,每隔一段板坯的最小颗粒度来提取对应的异常数据,并预测对应的缺陷种类与缺陷等级等。例如,若板坯的长度范围在10~12米内,则每隔0.5米进行相应的切片,每个最小单元的长度为0.5米。
质量判断模块7用于在铸坯进入下一连铸***前将异常数据输入连铸智能判坯模型,获取连铸智能判坯模型输出的判断结果。
其中,判断结果包括板坯的缺陷种类,连铸智能判坯模型根据实施例3中的基于认知智能的连铸智能判坯模型的训练***训练得到。
实时基于铸坯在当前的连铸***当中的工艺状态预测其在生成板坯后的质量,从而可在缺陷严重时及时调整生产工艺,或将其进行下线处理,不再流入下一连铸***继续加工。
在一个可选的实施方案中,为了提高预测精度,将每个板坯切片的异常数据输入连铸智能判坯模型,从而对属于板坯切片的质量进行判断。
在一个可选的实施方案中,连铸智能判坯模型的输入输出数据例如:连铸智能判坯模型的输入数据为[浇次号][331106][炉次号][232026][板坯号][23202631100][铸坯切片号][28][品异类型][15],注:品异类型如结晶器液面过低这类品异类型。对应的连铸智能判坯模型的输出数据为[浇次号][331106][炉次号][232026][板坯号][23202631100][铸坯切片号][28]缺陷类型[2]。
在一个可选的实施方案中,判断结果还包括板坯的缺陷种类对应的缺陷等级。缺陷等级可包括A、B、C、D等档位,若板坯的缺陷种类对应的缺陷等级为D档位,则表明该板坯的缺陷较严重。若判断结果包括大量D档位的缺陷,表示该板坯的缺陷较严重,进行相应的下线处理,防止其流入下道工序,影响生产质量,因此针对其缺陷进行相应的下线标记处理。
本发明实施例通过获取工艺数据,可得到板坯在生产过程中在连铸***当中的工艺状态,若工艺数据中存在异常,即可及时从中提取异常数据,作为连铸智能判坯模型的输入数据;通过连铸智能判坯模型预测板坯生成后的缺陷种类,从而可在板坯的在线生产过程中自动且准确地预测板坯质量,在板坯存在严重缺陷时可停止对其进行加工或人工干预生产过程,从而提高生产质量与生产效率,降低人工成本。
实施例5
图6为本实施例提供的一种电子设备的结构示意图。所述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实施例1的基于认知智能的连铸智能判坯模型的训练方法或者实施例2的基于认知智能的连铸智能判坯方法。图6显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同***组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1的基于认知智能的连铸智能判坯模型的训练方法或者实施例2的基于认知智能的连铸智能判坯方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1的基于认知智能的连铸智能判坯模型的训练方法或者实施例2的基于认知智能的连铸智能判坯方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1的基于认知智能的连铸智能判坯模型的训练方法或者实施例2的基于认知智能的连铸智能判坯方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种基于认知智能的连铸智能判坯模型的训练方法,其特征在于,所述训练方法的步骤包括:
获取历史工艺数据,所述历史工艺数据用于表征生产板坯的连铸***产生的数据;
从所述历史工艺数据中提取异常数据;
获取基于所述历史工艺数据所生成的板坯的缺陷种类;
将所述异常数据作为预训练模型的输入数据,将所述缺陷种类作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型。
2.如权利要求1所述的基于认知智能的连铸智能判坯模型的训练方法,其特征在于,所述训练方法的步骤还包括:
获取所述缺陷种类所对应的缺陷等级;
所述将所述异常数据作为预训练模型的输入数据,将所述缺陷种类作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型的步骤具体包括:
将所述异常数据作为预训练模型的输入数据,将所述缺陷种类以及对应的缺陷等级作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型。
3.如权利要求1或2所述的基于认知智能的连铸智能判坯模型的训练方法,其特征在于,所述从所述历史工艺数据中提取异常数据的步骤包括:
所述历史工艺数据包括结晶器液面数据的波动值,若所述结晶器液面数据的波动值超过对应的预设范围,则将所述结晶器液面数据的波动值提取为异常数据;
和/或,
所述历史工艺数据包括拉速,若所述拉速超过对应的预设范围,则将所述拉速提取为异常数据;
和/或,
所述历史工艺数据包括铸坯中间包钢水重量,若所述铸坯中间包钢水重量超过对应的预设范围,则将所述铸坯中间包钢水重量提取为异常数据;
和/或,
所述历史工艺数据包括铸坯中间包钢水温度,若所述铸坯中间包钢水温度过对应的预设范围,则将所述铸坯中间包钢水温度提取为异常数据。
4.一种基于认知智能的连铸智能判坯方法,其特征在于,所述判坯方法的步骤包括:
获取工艺数据,所述工艺数据用于表征生产板坯的连铸***产生的数据;
从所述工艺数据中提取异常数据;
在铸坯进入下一连铸***前将所述异常数据输入连铸智能判坯模型,获取所述连铸智能判坯模型输出的判断结果,所述判断结果包括所述板坯的缺陷种类;
其中,所述连铸智能判坯模型根据权利要求1-3中任一项所述的基于认知智能的连铸智能判坯模型的训练方法训练得到。
5.如权利要求4所述的基于认知智能的连铸智能判坯方法,其特征在于,所述判断结果还包括所述板坯的缺陷种类对应的缺陷等级。
6.如权利要求4所述的基于认知智能的连铸智能判坯方法,其特征在于,所述从所述工艺数据中提取异常数据的步骤包括:
将所述板坯按照预设尺寸进行模拟切片以得到若干个板坯切片;
从所述若干个板坯切片的工艺数据中提取所述异常数据;
其中,所述判断结果包括所述异常数据对应的板坯切片的缺陷种类。
7.一种基于认知智能的连铸智能判坯模型的训练***,其特征在于,所述训练***包括:
历史数据获取模块,用于获取历史工艺数据,所述历史工艺数据用于表征生产板坯的连铸***产生的数据;
历史异常数据提取模块,用于从所述历史工艺数据中提取异常数据;
缺陷种类获取模块,用于获取基于所述历史工艺数据所生成的板坯的缺陷种类;
判坯模型训练模块,用于将所述异常数据作为预训练模型的输入数据,将所述缺陷种类作为对应的标签数据训练所述预训练模型以得到连铸智能判坯模型。
8.一种基于认知智能的连铸智能判坯***,其特征在于,所述判坯***包括:
数据获取模块,用于获取工艺数据,所述工艺数据用于表征生产板坯的连铸***产生的数据;
数据提取模块,用于从所述工艺数据中提取异常数据;
质量判断模块,用于在铸坯进入下一连铸***前将所述异常数据输入连铸智能判坯模型,获取所述连铸智能判坯模型输出的判断结果,所述判断结果包括所述板坯的缺陷种类;
其中,所述连铸智能判坯模型根据权利要求7所述的基于认知智能的连铸智能判坯模型的训练***训练得到。
9.一种电子设备,包括存储器、处理器及存储在存储器上并用于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计算机程序时实现权利要求1-3中任一项所述的基于认知智能的连铸智能判坯模型的训练方法或者权利要求4-6中任一项所述的基于认知智能的连铸智能判坯方法。
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,所述计算机程序被处理器执行时实现权利要求1-3中任一项所述的基于认知智能的连铸智能判坯模型的训练方法或者权利要求4-6中任一项所述的基于认知智能的连铸智能判坯方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684563.2A CN117648629A (zh) | 2023-12-08 | 2023-12-08 | 一种基于认知智能的连铸智能判坯方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684563.2A CN117648629A (zh) | 2023-12-08 | 2023-12-08 | 一种基于认知智能的连铸智能判坯方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117648629A true CN117648629A (zh) | 2024-03-05 |
Family
ID=90043150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311684563.2A Pending CN117648629A (zh) | 2023-12-08 | 2023-12-08 | 一种基于认知智能的连铸智能判坯方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648629A (zh) |
-
2023
- 2023-12-08 CN CN202311684563.2A patent/CN117648629A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Logunova et al. | Automatic system for intelligent support of continuous cast billet production control processes | |
CN110991916A (zh) | 一种铸坯质量判定***和方法 | |
CN114329940A (zh) | 一种基于极限学习机的连铸坯质量预测方法 | |
CN107321947A (zh) | 一种自动跟踪单支连铸坯质量的方法 | |
CN109047683B (zh) | 一种连铸坯智能定重定尺在线控制*** | |
CN103157772B (zh) | 一种连铸坯内部质量的预报方法 | |
CN116186936B (zh) | 连铸工艺参数的确定方法、***、设备及介质 | |
CN103606025A (zh) | 基于风险的炼油装置腐蚀管理控制方法 | |
CN103382514A (zh) | 一种在线预测rh精炼过程中钢水成分的***及方法 | |
CN109252009A (zh) | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 | |
CN111832215A (zh) | 一种在线预测钢板组织性能的方法 | |
CN108265157A (zh) | 智能电弧炉炼钢*** | |
CN103996146A (zh) | 一种炼钢-连铸生产的调度***及方法 | |
CN103955173A (zh) | 一种保持炼钢-连铸生产稳定性的在线控制方法及*** | |
CN117648629A (zh) | 一种基于认知智能的连铸智能判坯方法 | |
CN117167671B (zh) | 一种基于大数据的管网运行监测控制*** | |
CN116384159A (zh) | 一种连铸工艺温度仿真和宏观组织预测的方法及*** | |
CN102766730B (zh) | 一种在线预测循环真空脱气法中钢水总脱碳量的方法 | |
CN115446276B (zh) | 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法 | |
CN117171936A (zh) | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 | |
Long et al. | Production planning system for the whole steelmaking process of Panzhihua Iron and Steel Corporation | |
CN110083131A (zh) | 基于变化幅度的工艺参数在线预警方法及可读存储介质 | |
CN109234491A (zh) | 一种基于极限学习机的转炉炼钢终点锰含量预测方法 | |
CN117852972B (zh) | 一种基于铸造过程监控数据的铸造质量控制***及方法 | |
CN111985655A (zh) | 基于凝固过程数值模拟的连铸机设备智能运维方法 |
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 |