-
公开(公告)号：CN114387550B
公开(公告)日：2025-03-21
申请号：CN202210030570.X
申请日：2022-01-12
Applicant: 东北大学
IPC: G06V20/40 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于自主进化神经网络的板坯号在线识别方法，涉及钢铁企热轧生产过程自动控制技术领域。该方法首先提取板坯行进过程的视频数据，并进行数据处理获得带板坯号的板坯图像数据集；再基于迁移学习的思想，对板坯图像上的板坯号的具体位置进行定位，制作板坯号识别所需数据集；基于多目标遗传规划的思想设计自主进化神经网络算法，构建板坯号识别集成模型，实现对板坯号进行在线识别；最后将识别出的单个板坯号字符进行重组，得到预测的板坯号。该方法能够实现板坯号的端到端在线识别，可有效降低劳动成本，提高热轧生产线的智能制造水平。
-
公开(公告)号：CN119204854B
公开(公告)日：2025-02-11
申请号：CN202411722928.0
申请日：2024-11-28
Applicant: 东北大学
IPC: G06Q10/0639 , G06N20/00 , G06F17/18 , G06F18/241
Abstract: 本发明提供一种基于工艺机理与数据驱动的高炉稳定性指标体系构建方法，涉及高炉炼铁生产技术领域。首先对数据进行预处理，消除原始数据中的突变、尖峰现象，使数据趋于平滑，并剔除不必要的冗余参数。其次，使用新的特征循环选择方法，建立高炉稳定性指标体系，基于机器学习模型的预测误差变动分析得到各个特征的重要性得分，并基于所设计的判断规则以及现场专家的实际需求来循环删除重要性低的特征，最终实现高炉稳定性指标体系的构建。本发明可以基于现场需求自动构建高炉稳定性指标体系，能够满足现场专家对高炉炉况的监测需求，帮助现场操作人员更好地监控和控制高炉的运行状态，实现高炉生产过程的持续改进和优化。
-
公开(公告)号：CN117932479B
公开(公告)日：2025-01-24
申请号：CN202410086945.3
申请日：2024-01-22
Applicant: 东北大学
IPC: G06F18/243 , G06F18/2411 , G06F18/214
Abstract: 本发明提供一种基于迹距离划分决策树的高炉故障诊断方法，涉及高炉故障诊断技术领域，本发明从高炉生产过程数据采集系统中获取所需数据集，从企业服务器中获取历史生产过程数据，并用该数据建立基于迹距离划分的决策树高炉故障诊断模型；然后从高炉生产过程数据采集系统中获取各采样点上的实时采样值，得到高炉在线生产过程数据，将在线数据传递给高炉故障诊断模型，从而向现场操作人员输出当前高炉炉况的在线诊断结果；此外，高炉生产过程数据采集系统会将所有新采样的样本储存在企业服务器中，当新样本的数量满足要求时，会结合历史数据和新数据来重新训练高炉故障诊断模型，保证模型能够跟踪诊断高炉的最新工况。
-
公开(公告)号：CN119227782A
公开(公告)日：2024-12-31
申请号：CN202411709581.6
申请日：2024-11-27
Applicant: 东北大学
IPC: G06N3/0985 , G06N3/0464 , G06N3/084 , G06N3/086 , G06N3/006 , G06Q50/04
Abstract: 本发明提供一种基于多目标进化深度学习的连退带钢性能多指标预测方法，涉及钢铁企业冷轧生产控制过程的数据处理技术领域。将多目标进化算法应用到深度学习模型的超参数选择中，进一步提升在线检测方法的精度；同时，利用随机选择方式获得训练集，利用其在超参数空间中的搜索策略能快速获得深度学习模型的最优超参数组合，最终提高在线检测模型的泛化能力。本发明所提出的方法克服了传统基于人工经验的深度神经网络模型的不足以及实现多个性能指标的同时预测，实现深度学习模型的自主优化构建，以及带钢性能的多指标预测，能够帮助冷轧生产提高产品质量控制的水平。
-
公开(公告)号：CN114564879B
公开(公告)日：2024-11-05
申请号：CN202210025657.8
申请日：2022-01-11
Applicant: 东北大学
IPC: G06F30/27 , G06F119/02
Abstract: 本发明提出了一种基于多尺度数据融合的连退带钢硬度在线预测方法，涉及钢铁企业冷轧连退生产过程的自动控制技术领域；将带钢在连续退火过程的组织变化工艺机理引入进来，用于计算带钢内部组织结构相关的介观尺度特征，再将它们与宏观尺度生产过程数据进行融合，形成宏介观多尺度融合的数据样本，进而使用一维卷积神经网络作为子学习机，结合带有自适应参数初始化策略的改进Adaboost_R2技术，构建一种基于多尺度数据融合的连退带钢硬度在线预测方法，该方法能够实现连续退火生产过程带钢硬度在线预测，极大地提高连退带钢硬度的预测精度，满足企业实际生产需求，增加企业经济效益。
-
Patent Agency Ranking
公开(公告)号：CN117932479A
公开(公告)日：2024-04-26
申请号：CN202410086945.3
申请日：2024-01-22
Applicant: 东北大学
IPC: G06F18/243 , G06F18/2411 , G06F18/214
Abstract: 本发明提供一种基于迹距离划分决策树的高炉故障诊断方法，涉及高炉故障诊断技术领域，本发明从高炉生产过程数据采集系统中获取所需数据集，从企业服务器中获取历史生产过程数据，并用该数据建立基于迹距离划分的决策树高炉故障诊断模型；然后从高炉生产过程数据采集系统中获取各采样点上的实时采样值，得到高炉在线生产过程数据，将在线数据传递给高炉故障诊断模型，从而向现场操作人员输出当前高炉炉况的在线诊断结果；此外，高炉生产过程数据采集系统会将所有新采样的样本储存在企业服务器中，当新样本的数量满足要求时，会结合历史数据和新数据来重新训练高炉故障诊断模型，保证模型能够跟踪诊断高炉的最新工况。
-
公开(公告)号：CN114564879A
公开(公告)日：2022-05-31
申请号：CN202210025657.8
申请日：2022-01-11
Applicant: 东北大学
IPC: G06F30/27 , G06F119/02
Abstract: 本发明提出了一种基于多尺度数据融合的连退带钢硬度在线预测方法，涉及钢铁企业冷轧连退生产过程的自动控制技术领域；将带钢在连续退火过程的组织变化工艺机理引入进来，用于计算带钢内部组织结构相关的介观尺度特征，再将它们与宏观尺度生产过程数据进行融合，形成宏介观多尺度融合的数据样本，进而使用一维卷积神经网络作为子学习机，结合带有自适应参数初始化策略的改进Adaboost_R2技术，构建一种基于多尺度数据融合的连退带钢硬度在线预测方法，该方法能够实现连续退火生产过程带钢硬度在线预测，极大地提高连退带钢硬度的预测精度，满足企业实际生产需求，增加企业经济效益。
-
公开(公告)号：CN112598026A
公开(公告)日：2021-04-02
申请号：CN202011417539.9
申请日：2020-12-07
Applicant: 东北大学
Abstract: 本发明公开了基于不平衡数据深度学习的连退生产过程故障诊断方法，属于钢铁企业连续退火生产过程的自动控制技术领域。通过深度自编码网络建立连退带钢生产过程数据的特征提取模型，将原始高维输入属性空间映射到低维子空间；采用SMOTE过采样方法对跑偏故障数据进行处理，以现有样本为基础合成新的少数类样本；将以特征提取模型为基础构建的深度神经网络作为子学习机，并利用过采样后得到的平衡数据集，使用AdaBoost.M2算法训练得到用于连退生产过程的带钢跑偏预测的集成学习故障诊断模型。可提高带钢跑偏预测的准确性，尤其提高少数类样本故障检测的准确性，能够帮助现场操作人员及时对连退生产过程进行调节，避免出现生产事故。
-
公开(公告)号：CN110918651B
公开(公告)日：2020-12-01
申请号：CN201911239815.4
申请日：2019-12-06
Applicant: 东北大学
Abstract: 本发明涉及钢铁企业冷轧精整生产过程的自动控制技术领域，提供一种基于多分类支持向量机的钢铁冷轧精整生产原料分配方法。首先采集精整生产样本集合；然后对精整生产样本集合依次进行特征一次选择、One‑Hot编码、基于随机森林模型的特征二次选择、数据标准化；接着，在任意两类样本间构建子学习机，H个子学习机构成基于多分类支持向量机的钢铁冷轧精整生产原料分配模型，并基于贝叶斯优化方法对模型参数进行优化，选择出准确率最高的超参数组合，得到训练后的原料分配模型；最后，采集待分配原料的信息数据，将数据清洗后的特征输入训练后的原料分配模型中，得到原料分配结果。本发明能够提高原料分配的精度和效率，减小工人的工作量。
-
公开(公告)号：CN111046612A
公开(公告)日：2020-04-21
申请号：CN201911118811.0
申请日：2019-11-15
Applicant: 东北大学
Abstract: 本发明涉及钢铁企业自动化检测技术领域，提供一种基于多目标集成学习的高炉铁水硅含量预测方法。首先采集高炉检测参数和硅含量数据，构建初始样本集；然后对初始样本集进行数据预处理；接着，选取训练集、验证集，设置多目标离散差分进化算法各参数，初始化种群，将特征选择方案作为种群中的个体，构建并训练每个个体对应的高炉铁水硅含量预测的极限学习机模型，以最大化种群中个体的预测精度和个体相互之间的差异性为目标，基于多目标离散差分进化算法对种群进行更新，生成子学习机；最后，计算各子学习机的权重，利用权重对子学习机进行集成，得到集成学习机。本发明能够充分利用检测数据，提高高炉铁水硅含量预测的精度和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.023 seconds)
