-
公开(公告)号：CN117019883B
公开(公告)日：2024-02-13
申请号：CN202311082568.8
申请日：2023-08-25
Applicant: 华北电力大学(保定) , 东北大学
Abstract: 本发明公开了一种基于深度学习的带材轧制过程板形预测方法，涉及带材轧制技术领域，包括以下步骤，S1：工业数据采集及数据集构建；S2：结合残差学习和聚合多尺度残差变换的方法，构建Inception‑ResNet模型；S3：使用AdaBound优化算法和两阶段学习率调整方法来训练网络模型；S4：根据模型评估指标，预测性能对比，选取最优模型，进行预测。本发明构建的深度全卷积网络可以直接接收带材轧制工艺参数，不需要额外的数据预处理方法，可以有效地解决轧制领域板形预测中的多输入多输出的多层级非线性问题，所提出的Inception‑ResNet网络具有较少的模型参数和较低的计算复杂性，其中Inception‑ResNet‑39网络包含39层可学习参数，实现了最先进的预测性能，此方法为模型构建及转移应用提供完整的流程。
-
公开(公告)号：CN117019883A
公开(公告)日：2023-11-10
申请号：CN202311082568.8
申请日：2023-08-25
Applicant: 华北电力大学(保定) , 东北大学
Abstract: 本发明公开了一种基于深度学习的带材轧制过程板形预测方法，涉及带材轧制技术领域，包括以下步骤，S1：工业数据采集及数据集构建；S2：结合残差学习和聚合多尺度残差变换的方法，构建Inception‑ResNet模型；S3：使用AdaBound优化算法和两阶段学习率调整方法来训练网络模型；S4：根据模型评估指标，预测性能对比，选取最优模型，进行预测。本发明构建的深度全卷积网络可以直接接收带材轧制工艺参数，不需要额外的数据预处理方法，可以有效地解决轧制领域板形预测中的多输入多输出的多层级非线性问题，所提出的Inception‑ResNet网络具有较少的模型参数和较低的计算复杂性，其中Inception‑ResNet‑39网络包含39层可学习参数，实现了最先进的预测性能，此方法为模型构建及转移应用提供完整的流程。
-
公开(公告)号：CN112916624B
公开(公告)日：2022-09-16
申请号：CN202110125458.X
申请日：2021-01-29
Applicant: 华北电力大学(保定) , 东北大学
Abstract: 本发明公开了一种UCM轧机板形执行机构调控功效系数获取方法，该UCM轧机板形执行机构调控功效系数获取方法具体步骤如下：步骤一：获取带钢参数、轧制工艺参数和UCM轧机参数，步骤二：构建板形执行机构的调控功效系数计算获取模型，步骤三：构建轧机和带钢的三维弹塑性有限元模型，步骤四：利用所述三维弹塑性有限元模型对带钢轧制进行仿真模拟，提取稳定轧制阶段带钢的厚度和长度数据。该UCM轧机板形执行机构调控功效系数获取方法，提高了UCM轧机三维有限元模型的精度和稳定性，具有较强的可移植性，可针对不同尺寸和种类的冷热轧生产线进行板形控制研究，具有成本低、可操作性强等特点，且具有更强的适用。
-
公开(公告)号：CN113275387B
公开(公告)日：2023-03-07
申请号：CN202110126650.0
申请日：2021-01-29
Applicant: 华北电力大学(保定) , 东北大学
Abstract: 本发明公开了一种UCM轧机辊系横纵刚度特性曲线的获取方法，该UCM轧机辊系横纵刚度特性曲线的获取方法具体步骤如下：步骤一：获取带钢参数、轧制工艺参数和轧机参数，步骤二：建立UCM轧机辊系横纵刚度系数计算模型，步骤三：构建UCM轧机和带钢的三维弹塑性有限元模型，步骤四：利用有限元模型对带钢轧制进行仿真模拟，提取稳定轧制阶段轧制力、带钢厚度数据，步骤五：根据所获模拟计算数据，分别计算轧制力与带钢厚度、凸度的回归方程。该UCM轧机辊系横纵刚度特性曲线的获取方法提高了UCM轧机三维有限元模型的精度和稳定性，具有较强的可移植性，可针对不同尺寸的UCM轧机进行刚度特性曲线计算和分析，具有成本低、可操作性强等特点。
-
公开(公告)号：CN113275387A
公开(公告)日：2021-08-20
申请号：CN202110126650.0
申请日：2021-01-29
Applicant: 华北电力大学(保定) , 东北大学
Abstract: 本发明公开了一种UCM轧机辊系横纵刚度特性曲线的获取方法，该UCM轧机辊系横纵刚度特性曲线的获取方法具体步骤如下：步骤一：获取带钢参数、轧制工艺参数和轧机参数，步骤二：建立UCM轧机辊系横纵刚度系数计算模型，步骤三：构建UCM轧机和带钢的三维弹塑性有限元模型，步骤四：利用有限元模型对带钢轧制进行仿真模拟，提取稳定轧制阶段轧制力、带钢厚度数据，步骤五：根据所获模拟计算数据，分别计算轧制力与带钢厚度、凸度的回归方程。该UCM轧机辊系横纵刚度特性曲线的获取方法提高了UCM轧机三维有限元模型的精度和稳定性，具有较强的可移植性，可针对不同尺寸的UCM轧机进行刚度特性曲线计算和分析，具有成本低、可操作性强等特点。
-
Patent Agency Ranking
公开(公告)号：CN112916624A
公开(公告)日：2021-06-08
申请号：CN202110125458.X
申请日：2021-01-29
Applicant: 华北电力大学(保定) , 东北大学
Abstract: 本发明公开了一种UCM轧机板形执行机构调控功效系数获取方法，该UCM轧机板形执行机构调控功效系数获取方法具体步骤如下：步骤一：获取带钢参数、轧制工艺参数和UCM轧机参数；步骤二：构建板形执行机构的调控功效系数计算获取模型；步骤三：构建轧机和带钢的三维弹塑性有限元模型；步骤四：利用所述三维弹塑性有限元模型对带钢轧制进行仿真模拟，提取稳定轧制阶段带钢的厚度和长度数据。该UCM轧机板形执行机构调控功效系数获取方法，提高了UCM轧机三维有限元模型的精度和稳定性，具有较强的可移植性，可针对不同尺寸和种类的冷热轧生产线进行板形控制研究，具有成本低、可操作性强等特点，且具有更强的适用性。
-
公开(公告)号：CN119047649A
公开(公告)日：2024-11-29
申请号：CN202411473615.6
申请日：2024-10-22
Applicant: 东北大学
IPC: G06Q10/04 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06Q50/04
Abstract: 本发明公开一种基于LSTM的轧制板形的变化趋势预测方法，涉及带钢轧制技术领域。获取连轧生产线工业过程时序数据集；对连轧生产线工业过程时序数据集中的数据点进行预处理；按照设定比例划分为训练集和测试集，并进行Min‑Max归一化处理；确定输入步数；构建CNN‑Attention‑LSTM模型；根据确定的输入步数，利用训练集对所构建的CNN‑Attention‑LSTM模型进行训练；将测试集输入到训练后的CNN‑Attention‑LSTM模型，得到预测的板型值。利用1D CNN在局部特征提取方面的优势，又发挥了注意力机制更加灵活地分配注意力，更有效地捕捉长期依赖关系和序列中的关键特征的优势，从而实现了对轧制过程时序数据高效且准确的建模。运算速度快，利用大量的生产过程数据通过直接在计算机上编程即可实现投入使用，成本十分低廉。
-
公开(公告)号：CN118321400B
公开(公告)日：2024-09-03
申请号：CN202410749301.8
申请日：2024-06-12
Applicant: 东北大学
Abstract: 本发明属于柔性辊弯折技术领域，具体涉及一种柔性辊弯成型装置，包括设置在成型台上的成型机构、固定机构和限位机构；所述成型机构设置在成型台的中部，成型机构两外侧分别对称设有固定机构，固定机构的两外侧分别对称设有限位机构；成型机构、两个固定机构、两个限位机构呈“W”设置；两个限位机构相对设置；柔性辊穿入限位机构，固定机构和成型机构分别设置在柔性辊的两侧；所述成型机构包括弯折框和清理环，弯折框和清理环错位设置。通过设置挤压轴、摩擦块，对柔性辊水平方向进行固定；第一摩擦软垫和第二摩擦软垫，间接的对柔性辊进行固定，通过机构之间的配合，对柔性辊的水平方向和竖直方向进行固定，避免出现柔性辊发生偏移的现象。
-
公开(公告)号：CN118553354A
公开(公告)日：2024-08-27
申请号：CN202410707191.9
申请日：2024-06-03
Applicant: 东北大学
IPC: G16C60/00 , G06F30/23 , G06F119/14 , G06F119/08 , G06F113/08
Abstract: 本发明公开了一种轧制过程机架间带钢残余应力的解析建模方法，涉及热轧板形控制技术领域。本发明方法首先，通过研究热轧带钢温度、凸度和残余应力之间的耦合关系，并综合考虑随温度变化的非线性物性参数等因素，构建了轧制过程机架间带钢残余应力的解析模型；其次，通过对残余应力分布情况以及大小来判断带钢是否会出现平直度缺陷，再现了带钢在轧制过程中形成的板形缺陷；最后，本发明方法是基于轧制理论和机械动力学的解析建模，可有效避免实验导致的设备损耗及破坏，降低企业成本。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
201
records
(took 0.067 seconds)
