-
公开(公告)号：CN117753795A
公开(公告)日：2024-03-26
申请号：CN202410174371.5
申请日：2024-02-07
Applicant: 东北大学
IPC: B21B37/00
Abstract: 本发明提供一种针对多钢种、多规格热轧产品的前馈控制方法，涉及钢铁轧制技术领域，本发明考虑了针对多钢种、多规格热轧产品的鲁棒控制，提出了采用聚类方法将多钢种、多规格的热轧产品聚类为不同的簇，并为每个簇选择一个最优预测模型；采用模型融合技术，将不同簇的模型进行融合；并根据预测质量和目标质量的残差，采用哈里斯鹰优化算法对各机架轧制参数进行前馈动态修正。本发明提出的针对多钢种、多规格热轧产品质量前馈控制方法弥补了传统方法的缺陷，提升了热轧生产的控制精度。
-
公开(公告)号：CN117753795B
公开(公告)日：2024-05-31
申请号：CN202410174371.5
申请日：2024-02-07
Applicant: 东北大学
IPC: B21B37/00
Abstract: 本发明提供一种针对多钢种、多规格热轧产品的前馈控制方法，涉及钢铁轧制技术领域，本发明考虑了针对多钢种、多规格热轧产品的鲁棒控制，提出了采用聚类方法将多钢种、多规格的热轧产品聚类为不同的簇，并为每个簇选择一个最优预测模型；采用模型融合技术，将不同簇的模型进行融合；并根据预测质量和目标质量的残差，采用哈里斯鹰优化算法对各机架轧制参数进行前馈动态修正。本发明提出的针对多钢种、多规格热轧产品质量前馈控制方法弥补了传统方法的缺陷，提升了热轧生产的控制精度。
-
公开(公告)号：CN117875137B
公开(公告)日：2024-06-21
申请号：CN202410270793.2
申请日：2024-03-11
Applicant: 东北大学
IPC: G06F30/23 , G16C60/00 , G06F119/14 , G06F113/26
Abstract: 本发明提供一种基于数据驱动的轧制过程轧辊磨损预测方法，涉及轧钢自动控制技术领域。该方法首先确定影响轧辊磨损的主要特征参数；并建立四辊轧机轧辊‑轧件热力耦合有限元模型，获取轧制过程不同工况下的接触应力分布；再按照轧制过程中窜辊位置，沿轧辊宽度方向将轧辊辊面划分成一系列离散的磨损单元；并根据实际轧制过程，获取轧制过程工艺参数、接触应力、接触宽度、磨损长度、轧制现场轧辊磨损量实测值以及轧辊磨损计算值；最后建立数据机理融合的轧辊磨损值预测模型，进行轧辊磨损值预测。该方法在提高计算速度的同时，提高预测模型的计算精度，从而实现轧制过程中轧辊磨损的准确预测。
-
Patent Agency Ranking
公开(公告)号：CN119035274B
公开(公告)日：2025-02-25
申请号：CN202411545294.6
申请日：2024-11-01
Applicant: 东北大学
IPC: B21B37/22
Abstract: 本申请提出一种热连轧生产过程机架间宽度预测方法及装置，属于轧钢自动控制技术领域，所述方法包括：获取热连轧生产过程中机架入口的各项参数；将机架入口的各项参数输入预建立的宽展预测模型，得到热连轧生产过程中的每个机架的宽展，根据带钢入口宽度以及每个机架的宽展得到最终出口宽度、每个上游机架的出口宽度以及每个下游机架的出口宽度，所述预建立的宽展预测模型具有同一的模型结构以及不同的系数，通过有限元分析确定模型结构，通过灰狼算法确定每个宽展预测模型的最优系数。本申请考虑了机架间张力与各机架轧件的变形抗力，并且考虑了上游机架对下游机架的遗传性的影响，提高了宽度预测的精度。
-
公开(公告)号：CN119035277B
公开(公告)日：2025-01-07
申请号：CN202411545293.1
申请日：2024-11-01
Applicant: 东北大学
IPC: B21B37/58 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/082 , G06F18/214
Abstract: 本发明提供一种基于特征增维和深度神经网络的轧制力动态预测方法，涉及轧制技术领域。该方法具体包括：采集带钢热连轧轧制过程中的生产数据并进行数据处理，构建样本数据集，根据预设的比例从样本数据集中划分训练集；构建特征增维卷积深度神经网络FACDNN模型，并利用训练集对特征增维卷积深度神经网络FACDNN模型进行训练，得到训练好的特征增维卷积深度神经网络FACDNN模型；通过重新采集带钢热连轧轧制过程中的生产数据并输入训练好的特征增维卷积深度神经网络FACDNN模型，得到带钢热连轧轧制过程中的轧制力预测结果。本方法充分考虑了过程工艺参数变化对模型精度的影响，从而实现下游机架的轧制力高精度的动态预测。
-
公开(公告)号：CN117875137A
公开(公告)日：2024-04-12
申请号：CN202410270793.2
申请日：2024-03-11
Applicant: 东北大学
IPC: G06F30/23 , G16C60/00 , G06F119/14 , G06F113/26
Abstract: 本发明提供一种基于数据驱动的轧制过程轧辊磨损预测方法，涉及轧钢自动控制技术领域。该方法首先确定影响轧辊磨损的主要特征参数；并建立四辊轧机轧辊‑轧件热力耦合有限元模型，获取轧制过程不同工况下的接触应力分布；再按照轧制过程中窜辊位置，沿轧辊宽度方向将轧辊辊面划分成一系列离散的磨损单元；并根据实际轧制过程，获取轧制过程工艺参数、接触应力、接触宽度、磨损长度、轧制现场轧辊磨损量实测值以及轧辊磨损计算值；最后建立数据机理融合的轧辊磨损值预测模型，进行轧辊磨损值预测。该方法在提高计算速度的同时，提高预测模型的计算精度，从而实现轧制过程中轧辊磨损的准确预测。
-
公开(公告)号：CN119035277A
公开(公告)日：2024-11-29
申请号：CN202411545293.1
申请日：2024-11-01
Applicant: 东北大学
IPC: B21B37/58 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/082 , G06F18/214
Abstract: 本发明提供一种基于特征增维和深度神经网络的轧制力动态预测方法，涉及轧制技术领域。该方法具体包括：采集带钢热连轧轧制过程中的生产数据并进行数据处理，构建样本数据集，根据预设的比例从样本数据集中划分训练集；构建特征增维卷积深度神经网络FACDNN模型，并利用训练集对特征增维卷积深度神经网络FACDNN模型进行训练，得到训练好的特征增维卷积深度神经网络FACDNN模型；通过重新采集带钢热连轧轧制过程中的生产数据并输入训练好的特征增维卷积深度神经网络FACDNN模型，得到带钢热连轧轧制过程中的轧制力预测结果。本方法充分考虑了过程工艺参数变化对模型精度的影响，从而实现下游机架的轧制力高精度的动态预测。
-
公开(公告)号：CN119035274A
公开(公告)日：2024-11-29
申请号：CN202411545294.6
申请日：2024-11-01
Applicant: 东北大学
IPC: B21B37/22
Abstract: 本申请提出一种热连轧生产过程机架间宽度预测方法及装置，属于轧钢自动控制技术领域，所述方法包括：获取热连轧生产过程中机架入口的各项参数；将机架入口的各项参数输入预建立的宽展预测模型，得到热连轧生产过程中的每个机架的宽展，根据带钢入口宽度以及每个机架的宽展得到最终出口宽度、每个上游机架的出口宽度以及每个下游机架的出口宽度，所述预建立的宽展预测模型具有同一的模型结构以及不同的系数，通过有限元分析确定模型结构，通过灰狼算法确定每个宽展预测模型的最优系数。本申请考虑了机架间张力与各机架轧件的变形抗力，并且考虑了上游机架对下游机架的遗传性的影响，提高了宽度预测的精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
