-
公开(公告)号：CN117463794A
公开(公告)日：2024-01-30
申请号：CN202311805552.5
申请日：2023-12-26
Applicant: 东北大学
Abstract: 本发明提供一种基于UFCT、MT及CT的多目标协同控制方法，涉及控制轧制技术领域，本发明具体包括CT、UFCT+CT、MT+CT及UFCT+MT+CT四种控制模式，通过即时自适应计算，根据当前带钢冷却特征参数及历史生产数据确定各区域的热流密度修正系数；然后进行预设定计算以及实时修正计算；若某样本通过超快冷高温计或中间高温计,则根据该高温计的实测温度和轧后冷却模型计算温度偏差实时调整当前区域的热流密度修正系数；每隔固定时间步长重复上述步骤直到当前带钢所有样本通过冷却区，实现整条带钢的单点或两点或以UFCT+MT+CT为目标的多点协同控制。
-
公开(公告)号：CN105583238A
公开(公告)日：2016-05-18
申请号：CN201610047746.7
申请日：2016-01-25
Applicant: 东北大学
IPC: B21B38/04
CPC classification number: B21B38/04 , B21B2261/06
Abstract: 本发明提供一种热轧带钢宽度预测方法，包括：按照热轧某道次工艺规程数据确定热轧板坯的出口厚度、热轧板坯的入口厚度、入口宽度以及入口温度；检测热轧板坯的入口速度和轧辊速度，获取轧辊半径以及轧辊与板坯的摩擦因子；采用轧制变形区任意位置热轧板坯的宽度预测模型，预测带钢轧后宽度；本发明对热轧带钢的宽展情况进行预测，得到带钢轧后宽度更接近现场实际值，具有数值拟合法不可替代的理论价值和实际应用价值。综合考虑轧制过程中各个工艺参数的基础上，精确预测轧制过程带钢轧后宽度，解决了在不同生产条件下预测板坯轧后宽展的问题。本发明能够在线计算得到轧后宽度，在节约了生产投资成本的同时，提高了宽度控制的精度。
-
公开(公告)号：CN110929347A
公开(公告)日：2020-03-27
申请号：CN201911020797.0
申请日：2019-10-25
Applicant: 东北大学
Abstract: 本发明的一种基于梯度提升树模型的热连轧带钢凸度预测方法，包括：选择相关热轧带钢的工艺参数、设备参数和带钢参数与实际带钢凸度作为热连轧带钢凸度预测模型的输入与输出；在热轧带钢生产现场收集相关原始建模数据并进行预处理，通过去除缺失值、异常值和数据均衡获得最终建模数据；按照一定比例将通过预处理获得的最终建模数据划分为训练数据集和测试数据集；基于训练数据集，用交叉验证建立基于梯度提升树算法的热连轧带钢凸度预测模型；采用坐标下降法确定热连轧带钢凸度预测模型的最优参数；基于测试数据集评价所建立的热连轧带钢凸度预测模型的性能。本发明可以精确的预测热连轧带钢的凸度，有助于改善热连轧带钢的大凸度偏差问题。
-
公开(公告)号：CN108213086A
公开(公告)日：2018-06-29
申请号：CN201711467013.X
申请日：2017-12-29
Applicant: 东北大学
Abstract: 本发明属于轧制过程自动控制技术领域，特别涉及一种实现热轧带钢微中浪轧制的方法。该方法通过读写txt文本文件的方法记录热轧过程中用于板形设定的有关参数，包括带钢化学成分，宽度，厚度，钢种名称等，并通过插值的方法确定实现微中浪轧制下带钢各个宽度条件下目标平直度值的增量ΔIU，并将ΔIU转化为末机架弯辊力的增量ΔFb，最后通过弯辊力的增加来达到微中浪轧制的目的。本发明方法在大多板形调试环境下均能方便的实现，且不需要成本上的投入，可以大幅度提高轧制过程中板形控制的精度并提高轧制产品的板形质量和合格率，可以广泛推广到热轧带钢生产中。
-
公开(公告)号：CN115740013A
公开(公告)日：2023-03-07
申请号：CN202211447299.6
申请日：2022-11-18
Applicant: 东北大学
Abstract: 本发明的一种Q345级薄规格高密度高纵筋钢板单道次热轧方法包括：根据目标厚度，选择使轧制压下率大于35％的原料规格；根据所轧钢种的应力应变曲线，确定使压下率大于35％的加热温度范围为900～1000℃，并保温8～15分钟；上工作辊采用轧槽辊，下工作辊采用平辊，在轧槽辊的辊身中部间隔12～14mm布置轧槽，轧槽底部宽7～8mm，侧壁角度为60～70°，侧壁与辊面连接处圆角半径为3mm，轧槽深3～3.5mm；利用步骤3中所述配有轧槽辊的轧机轧制Q345级薄规格高密度高纵筋钢板；轧制后的钢板离开轧机后，立即平放在硬质平台上进行矫直。本方法轧制的纵筋板的筋部较高、纵筋分布密集，基板较薄，解决了薄规格纵筋板成筋率低、纵筋分布稀疏的问题。
-
Patent Agency Ranking
公开(公告)号：CN108921232A
公开(公告)日：2018-11-30
申请号：CN201810856541.2
申请日：2018-07-31
Applicant: 东北大学 , 河钢股份有限公司承德分公司
Abstract: 本发明提出一种热轧带钢冷却历史数据聚类及相似性度量方法，属于冶金自动化控制技术领域，提取当前带钢和历史带钢冷却特征参数，根据特征参数将当前带钢即将要经历的冷却过程与历史带钢的冷却过程进行相似性度量，并根据相似程度对冷却历史数据集合中的记录数据进行聚类，并根据相似距离和时间因子计算历史带钢冷却数据的可参考权重，深度挖掘了热轧带钢冷却数据，为现实生产提供可靠的理论依据，从而达到为模型关键参数的预估服务的目的，可为实现基于数据驱动的模型关键参数自适应奠定基础。
-
公开(公告)号：CN108213087A
公开(公告)日：2018-06-29
申请号：CN201810016072.3
申请日：2018-01-08
Applicant: 东北大学
IPC: B21B37/40
CPC classification number: B21B37/40
Abstract: 本发明属于轧制过程自动控制技术领域，特别涉及一种分散CVC(Continuously Variable Crown)工作辊窜辊位置的方法。针对连续轧制相同或相似规格带钢时出现的CVC工作辊窜辊位置集中的现象，根据第k(k≥2)块带钢的CVC工作辊窜辊位置的模型计算值与第k‑1块带钢的CVC工作辊窜辊位置的设定值、窜辊极限值关系的不同，执行相应的CVC工作辊窜辊优化策略，在保证带钢的凸度满足要求的前提下，得出对应的窜辊位置的优化值，最终达到分散CVC工作辊窜辊位置的目的。在模型计算值的基础之上采用随机优化窜辊步长对CVC工作辊的窜辊位置进行优化，易于实现现场应用，其可以达到的效果相当于在小范围内循环窜辊，可以有效的分散CVC工作辊的窜辊位置，且保证带钢的凸度满足要求。
-
公开(公告)号：CN107377634A
公开(公告)日：2017-11-24
申请号：CN201710588439.4
申请日：2017-07-19
Applicant: 东北大学
Abstract: 本发明的热轧带钢出口凸度预报方法包括：分层别采集热轧带钢生产过程中的带钢的生产数据；对生产数据进行降噪处理；将降噪后的生产数据分为训练集和测试集；将降噪后的生产数据进行降维处理；将降维后的标准化矩阵作为支持向量机模型的输入，采用基于杂交的粒子群优化算法对支持向量机模型的参数进行优化；采用最优参数组合构造支持向量机带钢出口凸度预报模型；用训练集训练预报模型，用测试集测试预报模型的泛化性能。本发明的预报方法通过杂交粒子群算法寻优确定支持向量机的最佳参数，使基于支持向量机建立的支持向量机带钢出口凸度预报模型的精度得到提高。预报模型基于大量生产数据，而生产数据的采集易于操作，模型的推广能力较强。
-
公开(公告)号：CN105583238B
公开(公告)日：2017-06-16
申请号：CN201610047746.7
申请日：2016-01-25
Applicant: 东北大学
IPC: B21B38/04
Abstract: 本发明提供一种热轧带钢宽度预测方法，包括：按照热轧某道次工艺规程数据确定热轧板坯的出口厚度、热轧板坯的入口厚度、入口宽度以及入口温度；检测热轧板坯的入口速度和轧辊速度，获取轧辊半径以及轧辊与板坯的摩擦因子；采用轧制变形区任意位置热轧板坯的宽度预测模型，预测带钢轧后宽度；本发明对热轧带钢的宽展情况进行预测，得到带钢轧后宽度更接近现场实际值，具有数值拟合法不可替代的理论价值和实际应用价值。综合考虑轧制过程中各个工艺参数的基础上，精确预测轧制过程带钢轧后宽度，解决了在不同生产条件下预测板坯轧后宽展的问题。本发明能够在线计算得到轧后宽度，在节约了生产投资成本的同时，提高了宽度控制的精度。
-
公开(公告)号：CN119474607A
公开(公告)日：2025-02-18
申请号：CN202510018408.X
申请日：2025-01-07
Applicant: 东北大学
IPC: G06F17/10 , G06N20/20 , G06N3/006 , G06N7/08 , G06F18/10 , G06F18/214 , G06F18/243 , G06F18/27 , G05B13/04
Abstract: 本发明的一种基于数据驱动的热流密度自适应系数计算方法，包括：采集冷却工艺参数、带钢信息参数和冷却水温度，作为输入特征参数，将热流密度自适应系数作为输出特征参数，由输入特征参数和输出特征参数构成原始数据集；对原始数据集进行数据清洗，划分为训练集、测试集和验证集；构建热流密度自适应系数stacking模型，采用混沌哈里斯鹰优化算法获得最优的基学习器数量及类型；采用混沌哈里斯鹰优化算法对最优基学习器的超参数进行寻优；将训练集输入到stacking模型中进行训练；采用测试集验证stacking模型的泛化性能；采集当前带钢信息参数，采用经过测试的stacking模型预测当前带钢的热流密度自适应系数。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.027 seconds)
