-
公开(公告)号：CN111570530B
公开(公告)日：2021-04-02
申请号：CN202010442009.3
申请日：2020-05-22
Applicant: 东北大学
Abstract: 本发明涉及轧钢自动控制领域，提供一种全连续热轧薄带线卷前夹送辊的控制方法，包括：步骤1：废料进入废料斗准备。步骤2：带钢头部跟踪到位时2#下夹送辊打到轧制位，2#上夹送辊摆到初始辊缝。步骤3：2#卷取机建张后2#上夹送辊切换为压力闭环控制，1#下夹送辊打到轧制位；2#卷取机卷重到达后飞剪剪切，1#上夹送辊摆到初始辊缝，2#上夹送辊切换为位置闭环控制并摆到初始辊缝；1#卷取机建张后1#上夹送辊切换为压力闭环控制，1#下夹送辊打到切换位。步骤4：1#卷取机卷重到达后飞剪剪切，1#上夹送辊切换为位置闭环控制并摆到大辊缝。轧机连轧时转步骤2。本发明能够提高卷前夹送辊控制精度，保证卷型和高速切换的稳定。
-
公开(公告)号：CN112439794A
公开(公告)日：2021-03-05
申请号：CN202011411870.X
申请日：2020-12-04
Applicant: 东北大学
IPC: B21B37/38
Abstract: 本发明涉及一种基于LSTM的热轧弯辊力预测方法，采集不锈钢轧机热轧工艺的最终机架轧制数据并划分为训练集traindata和测试集testdata；对traindata进行归一化处理；构造矩阵P；将矩阵P的最后一行作为训练集的标签即真实值；对网络的输出值和真实值计算并更新；网络训练完成后，取出LSTM网络的最后m个输出数据作为下一时刻的输入，得到网络下一时刻的输出，即为下一时刻的弯辊力预测值；重复上述步骤直至获得足够数目的预测数据；将处理后的数据与testdata中的真实值进行比较，检验网络的有效性。本发明方法与传统LSTM网络相比，加入了更新机制后的网络模型准确度有所提升，且网络更加稳定。
-
公开(公告)号：CN112435234A
公开(公告)日：2021-03-02
申请号：CN202011319239.7
申请日：2020-11-23
Applicant: 东北大学
Abstract: 本发明提供一种基于深度置信神经网络的热连轧带钢头部厚度预测方法，包括以下步骤：获取热连轧现场的生产数据；将获取的生产数据运用灰色关联分析算法得到影响热连轧带钢头部厚度的影响因素数据；将获取的影响因素数据输入深度置信神经网络预测模型；所述深度置信网络网络预测模型根据输入的影响因素数据输出热连轧带钢头部厚度的预测数值。本发明提供的预测方法预测精度高，模型易维护，同时避免了根据轧制机理建立的预测模型由于在推导过程中存在大量的假设和近似而造成的较大误差的问题，也改善了基于传统单隐层神经网络的预测模型预测精度低、易陷入局部极值的问题，为过程自动化级设定模型的优化提供了良好基础。
-
公开(公告)号：CN110947771B
公开(公告)日：2020-12-01
申请号：CN201911153581.1
申请日：2019-11-22
Applicant: 东北大学
IPC: B21B37/00
Abstract: 本发明涉及轧钢自动控制技术领域，提供一种热连轧轧制能耗计算方法。首先确定道次编号，然后设定样本总数目，按照经过道次的顺序，定义样本编号，并确定样本通过单个道次时的长度；接着采集样本通过单个道次时的轧制力、轧辊速度，再根据样本数据依次计算样本通过单个道次时的轧制力平均值、轧辊速度平均值、轧辊转速平均值、时间、轧制力矩、轧制功率，进而得到样本通过单个道次的轧制能耗；进一步计算单个道次的轧制能耗，最后计算得到轧制过程的轧制能耗。本发明解决了热连轧轧制能耗无法直接在线测量且根据电机输出功率难以准确计算轧制功率从而难以准确计算轧制能耗的技术问题，提高了热连轧轧制能耗计算的准确性和效率。
-
公开(公告)号：CN110180900B
公开(公告)日：2020-07-14
申请号：CN201910552424.1
申请日：2019-06-25
Applicant: 东北大学
IPC: B21B37/16
Abstract: 本发明提出一种厚规格窄带钢厚度控制方法，属于轧制自动控制技术领域，包括：采集PDI数据；计算轧件运行速度；计算轧件通过轧线特定位置的时间及对应的采样点数目；根据采样点数目确定轧件厚度的计算方式；计算轧件扭转造成的测量偏差；使用测量偏差补偿测厚仪的实测数据，得到补偿后的测厚仪的实测数据；使用补偿后的厚度测量值进行厚度控制，完成轧制过程。本发明在现有系统基础上，仅通过对数据分析和处理，即可以实现厚规格窄带钢的厚度测量，无须对现有控制系统进行修改，能够保证厚度的测量精度，安全可靠，为厚度自动控制系统的正常投用提供了良好的基础。
-
Patent Agency Ranking
公开(公告)号：CN108480405B
公开(公告)日：2020-05-05
申请号：CN201810338087.1
申请日：2018-04-16
Applicant: 东北大学
Abstract: 本发明提供一种基于数据驱动的冷轧板形调控功效系数获取方法，涉及轧制过程的自动控制技术领域。一种基于数据驱动的冷轧板形调控功效系数获取方法，首先在轧制过程中，以相同的时间间隔连续记录工艺参数及板形值，获取生产数据；再将现场生产数据进行时间同步处理，得到数据的变化量，并进行标准化；最后采用处理后的数据结合偏最小二乘算法建立偏最小二乘模型，根据偏最小二乘模型的性质利用模型系数矩阵求得板形调控功效系数。本发明提供的基于数据驱动的冷轧板形调控功效系数获取方法，运算速度快、计算精度高，可应用于在线情况。同时，本发明方法可直接在计算机上通过编程实现，且不需要成本上的投入，可以广泛推广到冷轧生产中。
-
公开(公告)号：CN110947771A
公开(公告)日：2020-04-03
申请号：CN201911153581.1
申请日：2019-11-22
Applicant: 东北大学
IPC: B21B37/00
Abstract: 本发明涉及轧钢自动控制技术领域，提供一种热连轧轧制能耗计算方法。首先确定道次编号，然后设定样本总数目，按照经过道次的顺序，定义样本编号，并确定样本通过单个道次时的长度；接着采集样本通过单个道次时的轧制力、轧辊速度，再根据样本数据依次计算样本通过单个道次时的轧制力平均值、轧辊速度平均值、轧辊转速平均值、时间、轧制力矩、轧制功率，进而得到样本通过单个道次的轧制能耗；进一步计算单个道次的轧制能耗，最后计算得到轧制过程的轧制能耗。本发明解决了热连轧轧制能耗无法直接在线测量且根据电机输出功率难以准确计算轧制功率从而难以准确计算轧制能耗的技术问题，提高了热连轧轧制能耗计算的准确性和效率。
-
公开(公告)号：CN109848221B
公开(公告)日：2019-12-31
申请号：CN201811569043.6
申请日：2018-12-21
Applicant: 东北大学
Abstract: 本发明提出一种热连轧轧制全流程负荷分配方法，流程包括：确定生产计划中的PDI数据、轧线基本参数以及轧辊数据；确定轧制过程的工艺和设备限制条件；分别计算加热炉加热能耗和轧制总能耗；将加热炉加热能耗与各道次/机架轧制能耗求和，得到总能耗；用单纯性替换算法求出总能耗的最小值；计算控制目标的值；直至满足所有轧制过程的工艺和设备限制条件，得到能耗最小值，输出耗能最小时对应的出炉温度和各道次/机架的出口厚度；本发明安全可高，计算精度高，从热连轧全加热炉加热能耗和轧制过程轧制能耗两个方面综合考虑，通过目标函数的求解最终确定加热炉出炉温度和各机架的出口厚度，从而达到了降低生产过程能耗的目的。
-
公开(公告)号：CN108480405A
公开(公告)日：2018-09-04
申请号：CN201810338087.1
申请日：2018-04-16
Applicant: 东北大学
Abstract: 本发明提供一种基于数据驱动的冷轧板形调控功效系数获取方法，涉及轧制过程的自动控制技术领域。一种基于数据驱动的冷轧板形调控功效系数获取方法，首先在轧制过程中，以相同的时间间隔连续记录工艺参数及板形值，获取生产数据；再将现场生产数据进行时间同步处理，得到数据的变化量，并进行标准化；最后采用处理后的数据结合偏最小二乘算法建立偏最小二乘模型，根据偏最小二乘模型的性质利用模型系数矩阵求得板形调控功效系数。本发明提供的基于数据驱动的冷轧板形调控功效系数获取方法，运算速度快、计算精度高，可应用于在线情况。同时，本发明方法可直接在计算机上通过编程实现，且不需要成本上的投入，可以广泛推广到冷轧生产中。
-
公开(公告)号：CN104985007B
公开(公告)日：2017-05-17
申请号：CN201510444234.X
申请日：2015-07-24
Applicant: 东北大学
IPC: B21B38/02
Abstract: 本发明提供一种铜铝三明治轧制复合带头缺陷长度的预测方法，包括：获取铜铝三明治轧制复合带头缺陷长度预测模型的参数，并根据所述铜铝三明治轧制复合带头缺陷长度预测模型的参数，得到轧制复合初始带材的厚度、轧制复合初始带材的半厚度、初始上层带材的厚度、初始内层带材的半厚度和轧制复合最终带材的半厚度，根据轧制复合的出入口厚度，得到道次压下率，通过建立铜铝三明治轧制复合带头缺陷长度预测模型，将所述铜铝三明治轧制复合带头缺陷长度预测模型的参数带入所述铜铝三明治轧制复合带头缺陷长度预测模型，得到预测的带头缺陷长度，由此，能够对复合带头的缺陷长度进行预测，进而大幅度的提升产量和减少不必要的切损。
-
-
-
-
-
-
-
-
-
Search Results
226
records
(took 0.031 seconds)
