-
公开(公告)号：CN117519067B
公开(公告)日：2024-08-20
申请号：CN202311368602.8
申请日：2023-10-20
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明提供一种连轧过程多机架控制性能评价方法，涉及金属轧制技术领域。首先构建连轧过程多机架多变量时间序列；用去趋势波动分析算法对数据进行处理分别求解出时间序列对应的s值进而求取控制系统Hurst指数；利用多机架控制性能等级评价指标评价此时控制器的性能状态。本发明提出的性能评价方法模型依赖性低，可以忽略控制系统本身结构的求取，不需要求解过程时间延迟及复杂的关联矩阵，方案实施简单，可以直接在计算机上通过编程实现，是一种适合实际复杂多变工况的连轧过程多机架控制性能评价方法，可以广泛的推广到多机架连轧生产过程中。
-
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：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：CN114091211A
公开(公告)日：2022-02-25
申请号：CN202111516036.1
申请日：2021-12-06
Applicant: 东北大学
IPC: G06F30/17 , G06F30/27 , G06K9/62 , B21B37/00 , G06F119/14
Abstract: 本发明提供一种基于数据驱动的冷轧机振动预测与预警方法，涉及轧钢技术领域。本发明首先在冷轧生产过程中，获取轧制过程工艺参数；将轧机轧制过程工艺参数与振动数据进行时刻匹配、数据平滑与标准化处理；最后采用处理后的数据使用XGBoost算法建立轧机振动幅值预测模型，利用模型对轧机的振动幅值进行预测；本发明提供的数据驱动的冷轧机振动预测与预警方法，运算速度快、计算精度高，可应用于在线轧机振动的早期预警。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN113134514A
公开(公告)日：2021-07-20
申请号：CN202110446301.7
申请日：2021-04-25
Applicant: 东北大学
IPC: B21B37/16
Abstract: 本发明提供一种基于深度学习的带钢头部厚度预报方法，涉及轧钢自动控制技术领域。本发明通过分析轧钢过程中影响头部厚度的因素，确定了轧制力、辊缝、轧制温度、板坯厚度和轧制速度因素为预报器的输入参数；利用深度神经网络结构，并提取轧钢生产数据，得到的汇总数据满足后续数据分析和神经网络使用的需求。使用TensorFlow深度学习框架实现了预报器的功能，预报器准确率满足要求，对不同厚度的带钢头部厚度命中率有明显提升，分析神经网络各参数对性能的影响；并且提出了一种优化本预报器的方法，较默认配置预报器准确率有明显提升。使用训练集对神经网络进行训练，最后用测试集评估训练后的模型效果，大大提高了带钢成材率。
-
公开(公告)号：CN117519067A
公开(公告)日：2024-02-06
申请号：CN202311368602.8
申请日：2023-10-20
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明提供一种连轧过程多机架控制性能评价方法，涉及金属轧制技术领域。首先构建连轧过程多机架多变量时间序列；用去趋势波动分析算法对数据进行处理分别求解出时间序列对应的s值进而求取控制系统Hurst指数；利用多机架控制性能等级评价指标评价此时控制器的性能状态。本发明提出的性能评价方法模型依赖性低，可以忽略控制系统本身结构的求取，不需要求解过程时间延迟及复杂的关联矩阵，方案实施简单，可以直接在计算机上通过编程实现，是一种适合实际复杂多变工况的连轧过程多机架控制性能评价方法，可以广泛的推广到多机架连轧生产过程中。
-
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：CN115292931A
公开(公告)日：2022-11-04
申请号：CN202210936562.1
申请日：2022-08-05
Applicant: 东北大学
IPC: G06F30/20 , G06F111/04 , G06F111/06 , G06F119/08 , G06F119/14
Abstract: 本发明提供了基于改进NSGA‑III的热连轧轧制规程多目标优化方法，属于板带材热连轧的轧制规程多目标优化技术领域。该方法将NSGA‑III算法与轧制规程多目标优化技术相结合，通过热连轧生产线现场实际的板带材数据和轧机设备参数，构建以轧制能耗最小、等轧制力裕度、板形良好和等相对负荷为目标函数的热连轧精轧轧制规程优化模型，以各机架出口厚度作为NSGA‑III的决策变量，并在NSGA‑III中添加Tent混沌映射来初始化由决策变量组成的种群，在保证初始种群多样性的基础上，均匀分布决策变量可以进一步增强NSGA‑III的优化能力，能够提高轧制规程多目标优化的效率，并且兼顾各目标函数达到更好的轧制规程优化结果，有效地提高热轧板带材的产品质量并降低生产成本。
-
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
11
records
(took 0.017 seconds)
