-
公开(公告)号：CN115374859B
公开(公告)日：2024-07-02
申请号：CN202211016513.2
申请日：2022-08-24
Applicant: 东北大学
IPC: G06F18/241 , G06F18/2415 , G06N3/047 , G06N3/0499 , G06N3/084 , G06N3/045
Abstract: 本发明提供了一种针对非平衡、多类别的复杂工业数据的分类方法，涉及非平衡数据集分类技术领域。该方法针对工业数据具有遗传性、非线性、强耦合性的特点，提出将深度神经网络作为分类器，深度神经网络本身具有非常良好的非线性拟合能力，但其处理非平衡数据的能力不足，通过代价敏感学习对深度神经网络训练过程中不同类别的误差赋予不同的权重，构建的基于代价补偿的代价敏感深度神经网络弥补了深度神经网络处理不平衡数据的能力不足；本发明提出的基于代价补偿的代价敏感深度神经网络相比于基于采样方法的深度神经网络，分类性能更好、具有更低的少数类错误率且运行性能快，可以广泛地投入到工业生产当中。
-
公开(公告)号：CN116433085A
公开(公告)日：2023-07-14
申请号：CN202310333831.X
申请日：2023-03-30
Applicant: 东北大学
IPC: G06Q10/0639 , G06Q50/04
Abstract: 本发明提供一种轧制过程控制系统性能评估方法，涉及轧制过程控制技术领域。该方法首先采集包含正常生产过程的轧制过程带钢生产数据；并对采集的轧制过程带钢生产数据按时间序列进行分组，得到多组时间序列数据；再使用去趋势波动分析算法对分组的轧制过程带钢生产数据进行处理求解带钢生产数据的Hurst指数；最后根据计算所得的Hurst指数值，定义一个基于Hurst指数的性能指标，由该性能指标对当前轧制过程控制系统性能进行评估。该方法不使用有关系统参数的任何先验知识，充分的利用轧制生产过程中的大量数据，实现轧制控制系统的性能评估，便于在生产过程中对当前控制器性能有更明确的判断。
-
公开(公告)号：CN115374859A
公开(公告)日：2022-11-22
申请号：CN202211016513.2
申请日：2022-08-24
Applicant: 东北大学
Abstract: 本发明提供了一种针对非平衡、多类别的复杂工业数据的分类方法，涉及非平衡数据集分类技术领域。该方法针对工业数据具有遗传性、非线性、强耦合性的特点，提出将深度神经网络作为分类器，深度神经网络本身具有非常良好的非线性拟合能力，但其处理非平衡数据的能力不足，通过代价敏感学习对深度神经网络训练过程中不同类别的误差赋予不同的权重，构建的基于代价补偿的代价敏感深度神经网络弥补了深度神经网络处理不平衡数据的能力不足；本发明提出的基于代价补偿的代价敏感深度神经网络相比于基于采样方法的深度神经网络，分类性能更好、具有更低的少数类错误率且运行性能快，可以广泛地投入到工业生产当中。
-
公开(公告)号：CN114888094A
公开(公告)日：2022-08-12
申请号：CN202210420564.5
申请日：2022-04-21
Applicant: 东北大学
IPC: B21B37/28
Abstract: 本发明提供一种基于冷却过程残余应力预测的轧制板形补偿方法，属于热轧板形控制领域，基于热轧带钢层流冷却过程中温度、相变、应变/应力耦合过程，综合考虑带钢随温度变化的非线性物性参数、非线性的冷却条件等因素，建立关于温度‑相变‑应力多物理场耦合的有限元模型，利用有限元模型预测带钢在层流冷却过程的残余应力、量化残余应力分布及演变情况，同时再现实际冷却过程中板形演变情况；本发明根据热轧带钢出精轧机时的温度场作为输入条件，来计算整个冷却过程中带钢的内应力和板形的演变情况，再现实际层流冷却过程中的板形缺陷，再将预测出的残余应力作为精轧阶段的参考，经最终冷却得到的带钢会大大改善板形缺陷情况。
-
Patent Agency Ranking
公开(公告)号：CN114154546A
公开(公告)日：2022-03-08
申请号：CN202111490619.1
申请日：2021-12-08
Applicant: 东北大学
IPC: G06K9/00
Abstract: 本发明提供一种钢铁生产过程数据的降噪方法，涉及钢铁生产过程的自动控制技术领域。首先建立EEMD‑WT降噪模型，对含有噪声的钢铁生产过程数据进行EEMD分解，然后采用连续均方误差的方法(CMSE)计算噪声能量突变点b，计算出b值后，将前面相应的高频IMF分量进行小波变换降噪处理，除去高频中的噪声，保留高频信号段的剩余信息，最后与低频其余的IMF分量重构，完成EEMD‑WT降噪模型的建立；将含噪的钢铁生产过程数据导入到EEMD‑WT降噪模型中，得到最后的降噪后数据。本发明提出的EEMD‑WT降噪方法降噪效果好，相比于SVD降噪方法和均值降噪方法能更好地还原出原始数据，可以广泛地投入到钢铁生产过程当中。
-
公开(公告)号：CN113671923A
公开(公告)日：2021-11-19
申请号：CN202111001700.9
申请日：2021-08-30
Applicant: 东北大学
IPC: G05B19/418
Abstract: 一种基于数据驱动的连轧过程故障检测方法，属于轧制过程的自动化控制技术邻域，本发明首先采集包含正常生产过程带钢生产数据以及出现故障时的带钢生产数据；再将数据进行标准化处理；用栈式自编码器深度学习模型对处理后的数据进行特征提取与数据降维，之后基于深度学习模型输出后的数据，结合典型相关分析多元统计方法，进行连轧过程的故障检测。本发明提供的基于数据驱动的连轧过程故障检测方法，运行速度快、检测精度高，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，可以广泛推广到热轧生产中。
-
公开(公告)号：CN114185274B
公开(公告)日：2023-07-04
申请号：CN202111478252.1
申请日：2021-12-06
Applicant: 东北大学
IPC: G05B13/04
Abstract: 本发明提供一种基于迭代学习的钢铁生产过程重复性误差补偿控制方法，涉及轧钢技术领域。根据基于性能优化的迭代学习算法的迭代学习律，应用于对模拟的周期偏差信号实现追踪，实现随周期偏差信号补偿控制的效果，以及在变频条件下实现周期偏差信号补偿。本发明提供的基于迭代学习控制的钢铁生产过程重复性误差补偿控制方法，运行速度快，控制精度高，在迭代学习的迭代域内能够对期望输出进行完全跟踪，从而实现对周期性信号的补偿控制，解决这类在设备上存在的周期性信号偏差问题，进一步改善高精度的钢铁生产流程设备条件。
-
公开(公告)号：CN114888094B
公开(公告)日：2023-01-31
申请号：CN202210420564.5
申请日：2022-04-21
Applicant: 东北大学
IPC: B21B37/28
Abstract: 本发明提供一种基于冷却过程残余应力预测的轧制板形补偿方法，属于热轧板形控制领域，基于热轧带钢层流冷却过程中温度、相变、应变/应力耦合过程，综合考虑带钢随温度变化的非线性物性参数、非线性的冷却条件等因素，建立关于温度‑相变‑应力多物理场耦合的有限元模型，利用有限元模型预测带钢在层流冷却过程的残余应力、量化残余应力分布及演变情况，同时再现实际冷却过程中板形演变情况；本发明根据热轧带钢出精轧机时的温度场作为输入条件，来计算整个冷却过程中带钢的内应力和板形的演变情况，再现实际层流冷却过程中的板形缺陷，再将预测出的残余应力作为精轧阶段的参考，经最终冷却得到的带钢会大大改善板形缺陷情况。
-
公开(公告)号：CN114185274A
公开(公告)日：2022-03-15
申请号：CN202111478252.1
申请日：2021-12-06
Applicant: 东北大学
IPC: G05B13/04
Abstract: 本发明提供一种基于迭代学习的钢铁生产过程重复性误差补偿控制方法，涉及轧钢技术领域。根据基于性能优化的迭代学习算法的迭代学习律，应用于对模拟的周期偏差信号实现追踪，实现随周期偏差信号补偿控制的效果，以及在变频条件下实现周期偏差信号补偿。本发明提供的基于迭代学习控制的钢铁生产过程重复性误差补偿控制方法，运行速度快，控制精度高，在迭代学习的迭代域内能够对期望输出进行完全跟踪，从而实现对周期性信号的补偿控制，解决这类在设备上存在的周期性信号偏差问题，进一步改善高精度的钢铁生产流程设备条件。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
