公开(公告)号：CN118280480A

公开(公告)日：2024-07-02

申请号：CN202410409124.9

申请日：2024-04-07

Applicant: 东北大学

Inventor： 孟红记 ,  张凡庸 ,  阳剑 ,  胡振伟 ,  何庆

IPC: G16C20/70 ,  G06F30/27 ,  G06N3/045 ,  G06F119/08

Abstract: 本发明提供一种金属凝固温度场模拟方法，包括：设计网络模型，网络模型包括级联的用于模拟结晶区的温度场的第一物理信息神经网络、用于模拟二冷一、二区的温度场的第二物理信息神经网络、用于模拟二冷三、四区的温度场的第三物理信息神经网络和用于模拟空冷区的温度场的第四物理信息神经网络；获取训练点集，采用训练点集对网络模型进行训练；向训练后的网络模型输入参数，训练后的网络模型输出模拟结果。通过针对结晶区、二冷一、二区、二冷三、四区、空冷区使用独立的神经网络模型拟合，将拟合结果串联得到铸坯温度场的模拟结果，分段模拟精度高，且不涉及网格，无须担心网格数量过大带来的畸变效应等问题。

公开(公告)号：CN118154985A

公开(公告)日：2024-06-07

申请号：CN202410422613.8

申请日：2024-04-09

Applicant: 东北大学

Inventor： 孟红记 ,  朱春晓 ,  阳剑 ,  何庆 ,  刘文红

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/80 ,  G06V10/77 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明提供一种无监督的工业数据分类方法，包括：图像特征提取网络和聚类算法一体化迭代训练，输入待测铸坯低倍图像和对应的待测数据特征集，训练后的图像特征提取网络对待测铸坯低倍图像进行特征提取，得到最终图像特征集；将根据图像特征集和待测数据特征集串联融合后进行特征选择，得到最终特征向量；将最终特征向量输入训练后的聚类算法，得到铸坯分类结果。将提取图像特征的深度网络与聚类算法相结合，构建了数据和图像混合模态的深度聚类算法的整体结构，实现了融合数据与图像的无监督数据分类，在降低数据集制作成本和计算成本的情况下，使分类结果更加可靠。

公开(公告)号：CN116842792A

公开(公告)日：2023-10-03

申请号：CN202310773817.1

申请日：2023-06-28

Applicant: 东北大学

Inventor： 阳剑 ,  胡振伟 ,  马汉聪 ,  彭文 ,  孙杰

IPC: G06F30/23 ,  G06F30/27 ,  G06F17/13 ,  G01J5/60 ,  G01J5/48 ,  B22D11/16 ,  G06F111/10 ,  G06F113/08 ,  G06F119/08

Abstract: 本发明设计一种基于数据驱动的连铸生产过程模型构建方法，属于钢铁冶金领域；首先建立连铸三维凝固传热模型并对其实时数值进行求解；基于离线测温和坯壳测厚数据修正三维凝固传热模型；然后对铸坯表面温度进行高精度的在线测量；基于在线测量数据对连铸凝固传热模型进行在线修正；实现连铸过程模型的高精度计算；本发明旨在基于机理模型，引入实测数据对模型进行离线与在线修正，进而提升模型计算精度。

公开(公告)号：CN118196229A

公开(公告)日：2024-06-14

申请号：CN202410388731.1

申请日：2024-04-01

Applicant: 东北大学

Inventor： 孟红记 ,  王悦 ,  何庆 ,  胡振伟 ,  阳剑

IPC: G06T11/00 ,  G16C20/10 ,  G16C20/20 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0455

Abstract: 本发明涉及一种金属凝固组织图像生成方法，包括S1、选择工艺参数；S2、数据准备；S3、建立金属凝固组织图像生成模型；S4、训练金属凝固组织图像生成模型；S5、生成金属凝固组织图像。本发明建模简单，无需手动建立复杂的数学或物理模型，可以通过大量的数据自动学习特征和模式；可以灵活应用于不同工况，深度学习方法的应用范围主要取决于数据集；推理速度很快，可以满足实时性需求。

公开(公告)号：CN115909151A

公开(公告)日：2023-04-04

申请号：CN202211429563.3

申请日：2022-11-15

Applicant: 东北大学

Inventor： 孟红记 ,  马汉聪 ,  阳剑 ,  胡振伟

IPC: G06V20/40 ,  G06V20/52 ,  G06V10/24 ,  G06V10/25 ,  G06V10/26 ,  G06V10/30 ,  G06V10/36 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种复杂工作条件下运动容器编号识别方法，涉及图像检测技术领域，包括如下步骤：S100：实时获取工作现场的视频流并进行实时图像采样，得到采样后图像；S200：构建目标检测模型并对所述目标检测模型进行训练，得到训练后的目标检测模型，得到含有目标容器的图像；S300：对所述含有目标容器的图像进行预处理，得到预处理后的图像；S400：将所述预处理后的图像输入至训练后的CNN模型中进行编号识别，输出运动容器编号。本发明通过图像预处理排除了复杂工作条件所带来的外部干扰，将目标检测模型与CNN模型结合，排除了识别模型对未出现容器进行误识别的干扰，提升了复杂工作条件下的运动容器编号识别的准确率。

公开(公告)号：CN114626673A

公开(公告)日：2022-06-14

申请号：CN202210117535.1

申请日：2022-02-08

Applicant: 南京钢铁股份有限公司 ,  东北大学

Inventor： 吴建永 ,  孟红记 ,  王国柱 ,  阳剑 ,  孟德安 ,  刘文红 ,  杨恩蛟 ,  胡振伟

IPC: G06Q10/06 ,  G06Q10/04 ,  G06Q50/04 ,  G06N5/04 ,  G06N7/00 ,  B22D11/16

Abstract: 本发明公开了一种基于贝叶斯网络的连铸坯质量预报方法，涉及钢铁生产技术领域，通过分析工艺参数与铸坯质量的因果关系，确定参数与质量的评价指标，构建生产过程的评价体系；确定贝叶斯网络的拓扑结构，实现了对连铸生产过程各个节点的定性分析；对贝叶斯网络的参数学习，实现了对连铸生产过程各个节点的定性分析；利用推理引擎对贝叶斯网络进行推理分析，获取生产参数及质量缺陷的评价结果；以各生产参数(或部分生产参数)作为证据变量输入该模型，经过贝叶斯网络的正向推理分析，可以实现对铸坯质量的预测。