CN117655118B - 多模融合的带钢板形控制方法和装置 - Google Patents
多模融合的带钢板形控制方法和装置 Download PDFInfo
- Publication number
- CN117655118B CN117655118B CN202410115487.1A CN202410115487A CN117655118B CN 117655118 B CN117655118 B CN 117655118B CN 202410115487 A CN202410115487 A CN 202410115487A CN 117655118 B CN117655118 B CN 117655118B
- Authority
- CN
- China
- Prior art keywords
- plate shape
- prediction model
- production process
- data set
- predicted 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 19
- 239000010959 steel Substances 0.000 title claims abstract description 19
- 238000005096 rolling process Methods 0.000 claims abstract description 83
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 12
- 238000005299 abrasion Methods 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000007493 shaping process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 10
- 238000013000 roll bending Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
本发明公开一种多模融合的带钢板形控制方法和装置，包括以下步骤：步骤S1、获取轧制生产过程数据集；步骤S2、根据轧制生产过程数据集，构建集成预测模型；步骤S3、根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA‑BP神经网络，得到第二板形预测值；步骤S4、根据第二板形预测值进行板形控制。采用本发明的技术方案，构建多种智能算法融合的集成预测模型，并通过凸度反馈和平直度反馈实现了对轧制过程板形质量的动态调控，保证了带钢全长的板形质量。
Description
技术领域
本发明属于轧制控制技术领域，尤其涉及一种多模融合的带钢板形控制方法和装置。
背景技术
随着现代化工业轧制技术的发展，人们对轧制带钢板形质量的要求越来越高，在实际生产中，板形受大量非线性因素的影响，如轧辊原始凸度、轧辊冷却水布置、轧辊磨损、轧辊材质、弯辊力、轧制速度、温度、轧制力、张力分布等因素的影响。对轧制过程板形质量进行精准的动态调控是目前亟待解决的一个重要问题。
发明内容
本发明要解决的技术问题是，提供一种多模融合的带钢板形控制方法和装置，对轧制过程板形质量的动态调控，保证了带钢全长的板形质量。
为实现上述目的，本发明采用如下的技术方案：
一种多模融合的带钢板形控制方法，包括以下步骤：
步骤S1、获取轧制生产过程数据集；
步骤S2、根据轧制生产过程数据集，构建集成预测模型；
步骤S3、根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA-BP神经网络，得到第二板形预测值；
步骤S4、根据第二板形预测值进行板形控制。
作为优选，步骤S1中，还包括对轧制生产过程数据集进行升维处理，步骤S2中根据升维处理后的轧制生产过程数据集得到集成预测模型。
作为优选，对轧制生产过程数据集进行升维处理具体为：将轧制生产过程数据集输入到神经网络中，对轧制生产过程数据集进行升维处理。
作为优选，根据升维处理后的轧制生产过程数据集得到集成预测模型为：将经过升维处理后的轧制生产过程数据集作为输入，将板形凸度、平直度作为输出，分别训练随机森林预测模型、多输出支持向量回归预测模型、高斯过程回归预测模型、极端梯度提升树预测模型，并通过异质集成策略进行加权处理，构建集成预测模型。
作为优选，得到第二板形预测值包括：
对集成预测模型输出的第一板形预测值与实际测量数据进行残差序列处理，得到第一板形误差值；
将第一板形误差值输入到GA-BP神经网络，得到第二板形误差值；
将第二板形误差值补偿给第一板形预测值，得到第二板形预测值。
作为优选，根据第二板形预测值，通过凸度反馈和平直度反馈实时控制机架间的弯辊调节量。
作为优选，所述轧制生产过程数据集包含：现场直接采集的生产数据和根据现场直接采集的生产数据通过轧制机理模型计算得到的机理数据，所述轧制机理模型包含：金属板带塑形变形模型、板带轧制过程中温度场模型、板带变形抗力模型和轧机工作辊磨损模型。
本发明还提供一种多模融合的带钢板形控制装置，包括：
获取模块，用于获取轧制生产过程数据集；
构建模块，用于根据轧制生产过程数据集，得到集成预测模型；
预测模块，用于根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA-BP神经网络，得到第二板形预测值；
控制模块，用于根据第二板形预测值进行板形控制。
本发明获取轧制生产过程数据集；根据轧制生产过程数据集，构建集成预测模型；根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA-BP神经网络，得到第二板形预测值；根据第二板形预测值进行板形控制。本发明构建多种智能算法融合的集成预测模型，运用误差补偿的方法以提高预测模型的精度，通过凸度反馈和平直度反馈实现了对轧制过程板形质量的动态调控，保证了带钢全长的板形质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例多模融合的带钢板形控制方法流程图；
图2为本发明实例中集成预测模型的预测流程图；
图3为本发明实施例中的板形控制流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1所示，本发明实施例提供一种多模融合的带钢板形控制方法，包括以下步骤：
步骤S1、获取轧制生产过程数据集；
步骤S2、根据轧制生产过程数据集，构建集成预测模型；
步骤S3、根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA-BP神经网络，得到第二板形预测值；
步骤S4、根据第二板形预测值进行板形控制。
作为本发明实施例的一种实施方式，轧制生产过程数据集包含：现场直接采集的生产数据和根据现场直接采集的生产数据通过轧制机理模型计算得到的机理数据，所述轧制机理模型包含：金属板带塑形变形模型、板带轧制过程中温度场模型、板带变形抗力模型和轧机工作辊磨损模型。
进一步，根据金属弹塑性理论，在轧制过程中金属内部发生滑移和剪切，建立金属板带塑形变形模型，具体为：
其中，为板带轧制过程中前张力横向分布，/>为板带轧制过程中后张力横向分布，/>为平均横向前张应力，/>为平直度偏差，/>为出口板宽中点厚度，/>为入口板宽中点厚度，/>为板带宽度，/>为板厚出口均值，/>为板厚入口均值，/>为长度均值，/>为入口横向位移函数，/>为板带横向平均后张应力，/>为来料板形的入口长度横向分布值，为板带宽度变化量，/>为板带的泊松比，/>为板带的横向位移增量分布值，/>为轧制后的板带宽度，/>为轧制前的板带宽度。
进一步，在轧制过程中，温度直接影响板带的尺寸精度，变形制度，加热制度，轧机负荷的合理分配和轧后的冷却方式，根据热交换理论和有限差分法，建立板带轧制过程中温度场模型，具体为：
其中，为单位时间内板带单位体积吸收的热量，/>为板带边部的温度，/>为导热系数，/>为板带的密度，/>为板带的比热。
进一步，考虑金属材料的化学成分以及轧制过程中金属变形的物理条件，影响板带变形抗力的主要因素是板带的原始性能和变形程度的大小，建立板带变形抗力模型，具体为：
其中，为初始变形抗力，/>为回归系数，/>为累加变形抗力。
累加变形抗力公式如下：
其中，为加权系数；/>为机架入口形变程度，/>，/>为机架出口形变程度，/>，/>为退火状态下板带厚度，/>为某机架入口板带厚度，/>为某机架出口板带厚度。
基于金属板带轧制过程中的磨损机理，工作辊磨损由于轧制时轧辊与板带发生相对滑动进而造成磨损和与支承辊间的相对滑动及相对滚动所造成的磨损两部分组成，建立轧机工作辊磨损模型，具体为：
其中，为工作辊辊身硬度，/>为工作辊负载半径分布值，/>为支承辊的负载半径分布值，/>为工作辊公称半径，/>为支撑辊公称半径，/>为工作辊直径，/>为轧制前滑系数，/>为金属横向流动函数，/>为工作辊与轧件接触的滑动磨损系数，/>为所施加轧制力沿辊身方向的分布值，/>为工作辊与板带接触的滚动磨损系数，/>为工作辊与板带的接触弧长，/>为工作辊与支承辊间的接触压扁宽度，/>为工作辊与支承辊间单位宽度接触压力横向分布值，/>为工作辊与支承辊接触的滑动磨损系数，/>为负荷影响指数，/>为轧制温度，/>、/>为轧制温度影响系数，/>为轧制速度，/>为轧制速度影响系数，/>为轧制板带的长度，/>为工作辊与支承辊接触的滑动磨损系数，/>为轧辊与板带间的相互滑动距离。
作为本发明实施例的一种实施方式，步骤S1中，还包括对轧制生产过程数据集进行升维处理，包括：将轧制生产过程数据集输入到神经网络中，对轧制生产过程数据集进行升维处理；对轧制生产过程数据集进行升维处理中，将轧制生产过程数据集非线性地投射到高维的空间中，更容易判定决策边界和超平面，从而提高集成预测模型的精度。选择使用Center Loss函数和CrossEntropyLoss交叉熵函数组合作为损失函数，通过神经网络实现数据升维，CrossEntropyLoss交叉熵函数公式如下：
其中，表示真实标签值，N表示总类别数；
训练过程中损失函数公式如下：
其中，为表示系数，决定升维模型最终算法倾向于哪种损失的优化方向；
选用ReLu激活函数作为神经网络中的激活函数。
作为本发明实施例的一种实施方式，步骤S2中，根据升维处理后的轧制生产过程数据集得到集成预测模型为：如图2所示，对经过升维处理后的轧制生产过程数据集进行预处理，所述预处理包含：使用pauta标准进行异常值剔除并进行归一化操作，将经过预处理的升维后轧制生产过程数据集作为输入，将板形凸度、平直度作为输出，分别训练随机森林预测模型、多输出支持向量回归预测模型、高斯过程回归预测模型、极端梯度提升树预测模型，并通过异质集成策略进行加权处理，构建集成预测模型；利用Pearson相关系数准则的计算得到各个模型的Pearson相关系数，从而确定各个模型的权重系数；利用集成预测模型对板形凸度和板形平直度进行预测。
所述Pearson相关系数的计算公式为：
其中，为Pearson相关系数；/>为板形凸度和平直度的实测值；/>为板形凸度和平直度的预测值；n为样本数量。
所述权重系数的计算公式为：
其中，为第i个基本模型权重系数；/>为第i个基本模型Pearson相关系数；N为基本模型个数。
集成预测模型的计算公式为：
其中，为集成预测模型；/>为第i个基本预测模型；/>为第i个基本模型权重系数。
作为本发明实施例的一种实施方式，步骤S3中，得到第二板形预测值包括：
对集成预测模型输出的第一板形预测值与实际测量数据进行残差序列处理，得到第一板形误差值；
将第一板形误差值输入到GA-BP神经网络，得到第二板形误差值；
将第二板形误差值补偿给第一板形预测值，得到第二板形预测值。
进一步，将升维后的轧制生产过程数据集作为BP神经网络的输入，将第一板形预测值与目标值（该目标值为理论上得到的板形质量结果）的偏差作为输出，通过遗传算法GA来优化BP神经网络的结构和参数，进行选择、交叉、变异操作，将最优权值和阈值赋给BP神经网络进行训练，直到达到设定的BP神经网络误差值，最终得到用于板形误差值预测的GA-BP神经网络，将第一板形误差值输入到GA-BP神经网络中，得到第二板形误差值，将第二板形误差值与第一板形预测值相叠加，得到第二板形预测值。
作为本发明实施例的一种实施方式，步骤S4中，根据第二板形预测值，通过凸度反馈和平直度反馈实时控制机架间的弯辊调节量。
如图3所示，根据第二板形预测值与目标值的偏差对板形进行板形设定控制，计算出各机架的基准弯辊力和窜辊量大小并进行调节，消除一次板形；根据带钢进入轧机后的轧制压力波动及轧辊热凸度的变化进行板形前馈控制，补偿弯辊力，改变辊缝形状，保证出口带钢的平直度；根据凸度仪和平坦度仪实测的板形值与目标值的偏差，进行凸度反馈和平直度反馈，通过弯辊机构实时控制机架的弯辊调节量，完成带钢在轧制过程中的反馈控制，实现对带钢轧制工况的动态调节，获得合理的综合性能、保持良好的板形。
实施例2：
本发明实施例还提供一种多模融合的带钢板形控制装置，包括：
获取模块，用于获取轧制生产过程数据集；
构建模块，用于根据轧制生产过程数据集，得到集成预测模型；
预测模块，用于根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA-BP神经网络，得到第二板形预测值；
控制模块，用于根据第二板形预测值进行板形控制。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种多模融合的带钢板形控制方法，其特征在于，包括以下步骤：
步骤S1、获取轧制生产过程数据集；
步骤S2、根据轧制生产过程数据集，构建集成预测模型；
步骤S3、根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA-BP神经网络，得到第二板形预测值；
步骤S4、根据第二板形预测值进行板形控制；
步骤S1中，还包括对轧制生产过程数据集进行升维处理，步骤S2中根据升维处理后的轧制生产过程数据集得到集成预测模型；其中，对轧制生产过程数据集进行升维处理具体为：将轧制生产过程数据集输入到神经网络中，对轧制生产过程数据集进行升维处理；
根据升维处理后的轧制生产过程数据集得到集成预测模型为：将经过升维处理后的轧制生产过程数据集作为输入，将板形凸度、平直度作为输出，分别训练随机森林预测模型、多输出支持向量回归预测模型、高斯过程回归预测模型、极端梯度提升树预测模型，并通过异质集成策略进行加权处理，构建集成预测模型。
2.如权利要求1所述的多模融合的带钢板形控制方法，其特征在于，得到第二板形预测值包括：
对集成预测模型输出的第一板形预测值与实际测量数据进行残差序列处理，得到第一板形误差值；
将第一板形误差值输入到GA-BP神经网络，得到第二板形误差值；
将第二板形误差值补偿给第一板形预测值，得到第二板形预测值。
3.如权利要求2所述的多模融合的带钢板形控制方法，其特征在于，根据第二板形预测值，通过凸度反馈和平直度反馈实时控制机架间的弯辊调节量。
4.如权利要求3所述的多模融合的带钢板形控制方法，其特征在于，所述轧制生产过程数据集包含：现场直接采集的生产数据和根据现场直接采集的生产数据通过轧制机理模型计算得到的机理数据，所述轧制机理模型包含：金属板带塑形变形模型、板带轧制过程中温度场模型、板带变形抗力模型和轧机工作辊磨损模型。
5.一种实现权利要求1至4所述任意一项的多模融合的带钢板形控制方法的多模融合的带钢板形控制装置，其特征在于，包括：
获取模块，用于获取轧制生产过程数据集；
构建模块，用于根据轧制生产过程数据集，得到集成预测模型；
预测模块，用于根据集成预测模型输出的第一板形预测值与实际测量数据，通过GA-BP神经网络，得到第二板形预测值；
控制模块，用于根据第二板形预测值进行板形控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410115487.1A CN117655118B (zh) | 2024-01-29 | 2024-01-29 | 多模融合的带钢板形控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410115487.1A CN117655118B (zh) | 2024-01-29 | 2024-01-29 | 多模融合的带钢板形控制方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117655118A CN117655118A (zh) | 2024-03-08 |
| CN117655118B true CN117655118B (zh) | 2024-04-19 |
Family
ID=90081082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410115487.1A Active CN117655118B (zh) | 2024-01-29 | 2024-01-29 | 多模融合的带钢板形控制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117655118B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117862247A (zh) * | 2024-03-11 | 2024-04-12 | 东北大学 | 一种基于机器学习的轧制过程带钢板形预测方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008043967A (ja) * | 2006-08-11 | 2008-02-28 | Kobe Steel Ltd | 熱間圧延における板形状の制御方法 |
| CN102553941A (zh) * | 2012-01-16 | 2012-07-11 | 中冶南方工程技术有限公司 | 冷轧机板形调控功效系数离线自学习方法 |
| CN103394522A (zh) * | 2013-08-02 | 2013-11-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形控制功效系数的现场测试方法 |
| JP2017164796A (ja) * | 2016-03-17 | 2017-09-21 | 日新製鋼株式会社 | 冷間圧延における形状制御方法 |
| JP2018114541A (ja) * | 2017-01-19 | 2018-07-26 | 株式会社神戸製鋼所 | 圧延機の板厚制御装置および該方法ならびに圧延機 |
| CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
| JP2019055415A (ja) * | 2017-09-22 | 2019-04-11 | Ｊｆｅスチール株式会社 | 板クラウン制御方法、板クラウン制御装置、及び鋼板の製造方法 |
| CN110947774A (zh) * | 2019-12-06 | 2020-04-03 | 东北大学 | 一种考虑轧制宽展的板形预测方法 |
| CN111209967A (zh) * | 2020-01-08 | 2020-05-29 | 太原科技大学 | 一种基于支持向量机的轧制过程板凸度预测方法 |
| CN111241657A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 一种基于深度学习的冷轧带钢板形预测方法 |
| CN111401440A (zh) * | 2020-03-13 | 2020-07-10 | 重庆第二师范学院 | 目标分类识别方法、装置、计算机设备及存储介质 |
| WO2020168796A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳先进技术研究院 | 一种基于高维空间采样的数据增强方法 |
| CN112170501A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种轧辊磨损凸度和热凸度的预测方法 |
| CN112749505A (zh) * | 2020-12-16 | 2021-05-04 | 太原科技大学 | 一种机理融合数据的热轧带钢截面形状预测方法 |
| CN113333474A (zh) * | 2021-04-27 | 2021-09-03 | 山东钢铁股份有限公司 | 一种基于数字孪生的带钢热轧板形控制方法和*** |
| CN114021290A (zh) * | 2022-01-04 | 2022-02-08 | 东北大学 | 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 |
| WO2023272530A1 (en) * | 2021-06-29 | 2023-01-05 | Siemens Aktiengesellschaft | Method, device and storage medium for knowledge recommendation |
| CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
| CN116140374A (zh) * | 2023-04-14 | 2023-05-23 | 太原科技大学 | 一种板带轧制过程质量综合预测与工艺调控方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE527168C2 (sv) * | 2003-12-31 | 2006-01-10 | Abb Ab | Förfarande och anordning för mätning, bestämning och styrning av planhet hos ett metallband |
| US8433741B2 (en) * | 2008-05-20 | 2013-04-30 | Raytheon Company | Methods and apparatus for signature prediction and feature level fusion |
| US10481463B2 (en) * | 2017-09-07 | 2019-11-19 | The George Washington University | All optical fast fourier transform on chip with heating tunability design, simulation, fabrication, and performance analysis |
-
2024
- 2024-01-29 CN CN202410115487.1A patent/CN117655118B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008043967A (ja) * | 2006-08-11 | 2008-02-28 | Kobe Steel Ltd | 熱間圧延における板形状の制御方法 |
| CN102553941A (zh) * | 2012-01-16 | 2012-07-11 | 中冶南方工程技术有限公司 | 冷轧机板形调控功效系数离线自学习方法 |
| CN103394522A (zh) * | 2013-08-02 | 2013-11-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形控制功效系数的现场测试方法 |
| JP2017164796A (ja) * | 2016-03-17 | 2017-09-21 | 日新製鋼株式会社 | 冷間圧延における形状制御方法 |
| JP2018114541A (ja) * | 2017-01-19 | 2018-07-26 | 株式会社神戸製鋼所 | 圧延機の板厚制御装置および該方法ならびに圧延機 |
| JP2019055415A (ja) * | 2017-09-22 | 2019-04-11 | Ｊｆｅスチール株式会社 | 板クラウン制御方法、板クラウン制御装置、及び鋼板の製造方法 |
| CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
| WO2020168796A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳先进技术研究院 | 一种基于高维空间采样的数据增强方法 |
| CN110947774A (zh) * | 2019-12-06 | 2020-04-03 | 东北大学 | 一种考虑轧制宽展的板形预测方法 |
| CN111241657A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 一种基于深度学习的冷轧带钢板形预测方法 |
| CN111209967A (zh) * | 2020-01-08 | 2020-05-29 | 太原科技大学 | 一种基于支持向量机的轧制过程板凸度预测方法 |
| CN111401440A (zh) * | 2020-03-13 | 2020-07-10 | 重庆第二师范学院 | 目标分类识别方法、装置、计算机设备及存储介质 |
| CN112170501A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种轧辊磨损凸度和热凸度的预测方法 |
| CN112749505A (zh) * | 2020-12-16 | 2021-05-04 | 太原科技大学 | 一种机理融合数据的热轧带钢截面形状预测方法 |
| CN113333474A (zh) * | 2021-04-27 | 2021-09-03 | 山东钢铁股份有限公司 | 一种基于数字孪生的带钢热轧板形控制方法和*** |
| WO2023272530A1 (en) * | 2021-06-29 | 2023-01-05 | Siemens Aktiengesellschaft | Method, device and storage medium for knowledge recommendation |
| CN114021290A (zh) * | 2022-01-04 | 2022-02-08 | 东北大学 | 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 |
| WO2023130666A1 (zh) * | 2022-01-04 | 2023-07-13 | 东北大学 | 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 |
| CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
| CN116140374A (zh) * | 2023-04-14 | 2023-05-23 | 太原科技大学 | 一种板带轧制过程质量综合预测与工艺调控方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于GA-BP神经网络的弯辊力预设定模型研究与应用;田宝亮;牛培峰;;矿冶工程;20180215;第38卷(第01期);第111-114页 * |
| 基于弹塑性有限元的板形控制机理研究现状与展望;李旭;王青龙;张宇峰;张殿华;;轧钢;20200815;第37卷(第04期);第1-10页 * |
| 基于支持向量机预报模型的CVC轧机板形智能控制***;陈杨;;机械设计与制造;20081108(第11期);第120-122页 * |
| 基于改进型支持向量机算法的轧机轧制力预测;王前锋;;锻压技术;20190423;第44卷(第04期);第131-137页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117655118A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117655118B (zh) | 多模融合的带钢板形控制方法和装置 | |
| Zhang et al. | An integrated model of rolling force for extra-thick plate by combining theoretical model and neural network model | |
| CN108637020B (zh) | 一种自适应变异pso-bp神经网络带钢凸度预测方法 | |
| US20240184956A1 (en) | Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion | |
| CN101758084B (zh) | 模型自适应的板形预测控制方法 | |
| CN110110839B (zh) | 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法 | |
| CN102581026B (zh) | 冷轧带钢板形横向整体优化控制方法 | |
| CN105363794B (zh) | 一种基于力学性能预报和轧制能耗模型的精轧节能控制方法 | |
| CN112037209B (zh) | 一种钢板轧辊磨损量预测方法及*** | |
| Hu et al. | Multi-parameter deep-perception and many-objective autonomous-control of rolling schedule on high speed cold tandem mill | |
| CN113373295B (zh) | 基于多层感知器的退火炉数字孪生智慧报警***及方法 | |
| CN115608793B (zh) | 一种机理融合数据的精轧温度调控方法 | |
| CN111570534B (zh) | 酸轧机组热轧特性对摩擦系数影响预测方法 | |
| Liu et al. | Strip Thickness and Profile–Flatness Prediction in Tandem Hot Rolling Process Using Mechanism Model‐Guided Machine Learning | |
| Song et al. | The prediction model for transverse thickness difference of electric steel in 6‐high cold rolling mills based on GA‐PSO‐SVR approach | |
| Li et al. | Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models | |
| Chen et al. | Temperature distribution prediction in control cooling process with recurrent neural network for variable-velocity hot rolling strips | |
| Zhu et al. | A fuzzy algorithm for flatness control in hot strip mill | |
| CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
| Song et al. | Control strategy of multi-stand work roll bending and shifting on the crown for UVC hot rolling mill based on MOGPR approach | |
| Song et al. | A high-precision crown control strategy for hot-rolled electric steel using theoretical model-guided BO-CNN-BiLSTM framework | |
| Wang et al. | A novel strategy based on machine learning of selective cooling control of work roll for improvement of cold rolled strip flatness | |
| CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
| CN113857266B (zh) | 通过多目标优化制定单机架可逆冷轧机轧制规程的方法 | |
| JPH04190910A (ja) | 圧延機の設定計算装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |