CN118385495B - 水平连铸铜管冷却速度调控方法及系统 - Google Patents
水平连铸铜管冷却速度调控方法及系统 Download PDFInfo
- Publication number
- CN118385495B CN118385495B CN202410499734.2A CN202410499734A CN118385495B CN 118385495 B CN118385495 B CN 118385495B CN 202410499734 A CN202410499734 A CN 202410499734A CN 118385495 B CN118385495 B CN 118385495B
- Authority
- CN
- China
- Prior art keywords
- copper pipe
- continuous casting
- cooling speed
- temperature
- stress
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 314
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 314
- 239000010949 copper Substances 0.000 title claims abstract description 314
- 238000001816 cooling Methods 0.000 title claims abstract description 199
- 238000009749 continuous casting Methods 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 28
- 230000001276 controlling effect Effects 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 112
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000001931 thermography Methods 0.000 claims abstract description 34
- 238000002425 crystallisation Methods 0.000 claims abstract description 30
- 230000008025 crystallization Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 50
- 230000033228 biological regulation Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 239000002826 coolant Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000017525 heat dissipation Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 230000035882 stress Effects 0.000 description 87
- 239000000047 product Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000000498 cooling water Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010583 slow cooling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/14—Plants for continuous casting
- B22D11/143—Plants for continuous casting for horizontal casting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
- B22D11/22—Controlling or regulating processes or operations for cooling cast stock or mould
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Continuous Casting (AREA)
Abstract
本发明涉及连铸铜管生产的技术领域，特别是涉及一种水平连铸铜管冷却速度调控方法及系统，其能够精确调节连铸铜管的冷却速度，降低不合格品率，从而节省成本，提升产品质量及生产效率；所述方法包括：根据第一设定时间间隔，采集铜管在连铸生产过程中的红外热成像图像，汇总得到铜管结晶红外温度图像集合；根据设定监测长度，对铜管结晶红外温度图像集合进行定点温度提取，获得铜管连铸温度特征序列；将铜管连铸温度特征序列输入至预先构建的铜管冷却速度分析模型中，获得连铸生产过程中的铜管二维冷却速度特征；根据第二设定时间间隔，对连铸生产过程中的铜管进行应力检测，获得铜管连铸应力特征序列；对铜管连铸应力特征序列进行误差分析。
Description
技术领域
本发明涉及连铸铜管生产的技术领域，特别是涉及一种水平连铸铜管冷却速度调控方法及系统。
背景技术
水平连铸工艺因其高效、连续的生产特点以及良好的铜管品质控制能力而得到广泛应用，然而，在连铸过程中，铜管的冷却速度直接影响着最终产品的微观组织结构、力学性能以及后续加工的性能表现，因此，对冷却速度的有效监控与调节是水平连铸工艺的关键环节之一。
传统的冷却调控方式多基于经验设定或固定模式，无法实时、精确地根据铜管的实际结晶状态和应力变化来动态调整冷却速率，缺乏实时、精确的数据支持，导致冷却速度难以达到最佳状态，影响铜管的质量和性能，甚至变相增加了生产成本。
发明内容
为解决上述技术问题，本发明提供一种能够精确调节连铸铜管的冷却速度，降低不合格品率，从而节省成本，提升产品质量及生产效率的水平连铸铜管冷却速度调控方法及系统。
第一方面，本发明提供了水平连铸铜管冷却速度调控方法，所述方法包括：
根据第一设定时间间隔，采集铜管在连铸生产过程中的红外热成像图像，汇总得到铜管结晶红外温度图像集合；
根据设定监测长度，对铜管结晶红外温度图像集合进行定点温度提取，获得铜管连铸温度特征序列；
将铜管连铸温度特征序列输入至预先构建的铜管冷却速度分析模型中，获得连铸生产过程中的铜管二维冷却速度特征；
根据第二设定时间间隔，对连铸生产过程中的铜管进行应力检测，获得铜管连铸应力特征序列；
对铜管连铸应力特征序列进行误差分析，获得铜管连铸应力误差特征；
将铜管二维冷却速度特征和铜管连铸应力误差特征作为输入，输入至预先构建的铜管连铸冷却调节模型中，获得铜管连铸冷却速度调节指令；
响应于铜管连铸冷却速度调节指令，对铜管连铸生产进行冷却速度调控。
进一步地，所述铜管冷却速度分析模型的计算公式为：
V(t,x)＝f[T(t1,x1),T(t2,x2),...,T(tn,xm),ρ,cp,k,q]
其中，V(t,x)是铜管在时间和长度上的冷却速度，T(ti,xj)是在时间ti和位置xj处的温度，ρ是铜的密度，cp是铜的比热容，k是铜的热导率，q是散热率，f表示热传导计算函数。
进一步地，所述铜管结晶红外温度图像集合的获取方法包括：
在生产线上安装红外热成像设备；
根据生产需要和设备性能，设置第一设定时间间隔；
在设定的时间间隔内，红外热成像设备自动捕捉铜管表面的温度分布情况，并将其转换成红外热成像图像；
将每次采集得到的红外热成像图像汇总保存，形成铜管结晶红外温度图像集合。
进一步地，所述铜管连铸温度特征序列的获取方法包括：
对采集到的红外热成像图像进行预处理，包括去除噪声和增强对比度；
利用图像处理算法，识别并提取出铜管在图像中的区域；
在铜管区域内，以固定的规律性分布采样点，然后在每个采样点上提取出对应位置的温度数值；
对采集的温度数值进行数据校正；
将提取得到的各个采样点的温度数值按照时间顺序排列，形成铜管连铸温度特征序列。
进一步地，所述铜管冷却速度分析模型的构建方法包括：
收集铜管连铸生产的历史数据，包括铜管表面温度、冷却介质温度和流速；
对收集的数据进行清洗、缺失值填补、异常值检测、标准化和归一化的预处理操作；
选择机器学习模型作为模型的基础，所述机器学习模型包括线性回归、支持向量机、人工神经网络、长短时记忆网络和随机森林；
使用历史数据训练模型，通过损失函数评估模型性能；
使用独立的测试集对模型进行验证，验证模型的泛化能力；
将模型部署到实际配电网管理系统中，用于实时预测储能设备的平衡出力。
进一步地，所述铜管连铸应力误差特征的获取方法包括：
对在第二设定时间间隔内获取的铜管连铸应力特征序列进行初步的质量评估；
针对每个时间点的应力检测结果，计算其与标准值之间的差异，得到绝对误差值；
分析铜管连铸应力特征序列随时间变化的趋势；
分析误差产生的原因，所述误差产生的原因包括应力检测设备的精度限制、检测环境的变化以及连铸工艺过程中的不稳定因素；
根据误差分析结果，采取数据处理策略，生成铜管连铸应力误差特征，所述数据处理策略包括剔除异常数据、采用滤波方法平滑数据和实施误差补偿算法。
进一步地，所述第一设定时间间隔的设定影响因素包括生产速度和连铸周期、铜管直径和壁厚、冷却系统的设计和性能、红外热成像设备的性能、工艺要求和产品质量需求。
另一方面，本申请还提供了水平连铸铜管冷却速度调控系统，所述系统包括：
图像采集模块，用于根据第一设定时间间隔，采集铜管在连铸生产过程中的红外热成像图像，汇总得到铜管结晶红外温度图像集合；
温度特征提取模块，用于根据设定监测长度，对铜管结晶红外温度图像集合进行定点温度提取，获得铜管连铸温度特征序列；
冷却速度分析模块，用于将铜管连铸温度特征序列输入至预先构建的铜管冷却速度分析模型中，获得连铸生产过程中的铜管二维冷却速度特征；
应力检测模块，用于根据第二设定时间间隔，对连铸生产过程中的铜管进行应力检测，获得铜管连铸应力特征序列；
误差分析模块，用于对铜管连铸应力特征序列进行误差分析，获得铜管连铸应力误差特征；
冷却调节模块，用于将铜管二维冷却速度特征和铜管连铸应力误差特征作为输入，输入至预先构建的铜管连铸冷却调节模型中，获得铜管连铸冷却速度调节指令；
冷却速度调控模块，用于响应于铜管连铸冷却速度调节指令，对铜管连铸生产进行冷却速度调控。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为：该方法采用红外热成像技术，按照预设的时间间隔采集铜管结晶过程的温度图像，可实时监测铜管各部位的冷却状况，确保数据的实时性和准确性；
通过对温度图像进行定点温度提取，形成连铸温度特征序列，能够详细反映铜管在不同时间和空间位置的冷却情况，便于分析铜管冷却的时空特性；
通过冷却速度分析模型处理温度特征序列，能够获得铜管在时间维度和实体长度维度上的二维冷却速度特征，这有助于更深入地理解和控制冷却过程，优化微观组织结构和力学性能；
同时对铜管进行应力检测并进行误差分析，将应力信息与冷却速度相结合，能更好地反映冷却速度调控对铜管整体性能的影响，实现冷却速度与应力状态的协同调控；
运用预先构建的冷却调节模型，根据实时获取的铜管二维冷却速度特征和应力误差特征，生成冷却速度调节指令，摒弃了传统的经验设定和固定模式，转而依靠科学的数据分析与智能算法进行决策，提升了冷却速度调控的精度与灵活性；
综上所述，本方法能够精确调节连铸铜管的冷却速度，有效改善其微观组织结构和力学性能，降低不合格品率，从而节省成本，提升产品质量及生产效率。
附图说明
图1是本发明的流程图；
图2是铜管冷却速度分析模型的构建方法的流程图；
图3是水平连铸铜管冷却速度调控系统的结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一：如图1至图2所示，本发明的水平连铸铜管冷却速度调控方法，具体包括以下步骤：
S1、根据第一设定时间间隔，采集铜管在连铸生产过程中的红外热成像图像，汇总得到铜管结晶红外温度图像集合；
在水平连铸铜管的生产过程中，利用红外热成像技术能够实时监测铜管表面的温度分布情况，通常，铜管在连铸过程中通过连续的冷却，其表面温度会呈现出不同的分布特征，通过设置第一设定时间间隔，工作人员会定期采集铜管表面的红外热成像图像；
所述铜管结晶红外温度图像集合的获取方法包括：
S11、在生产线上安装红外热成像设备，实时捕捉铜管表面的温度情况；
S12、根据生产需要和设备性能，设置第一设定时间间隔；
S13、在设定的时间间隔内，红外热成像设备自动捕捉铜管表面的温度分布情况，并将其转换成红外热成像图像；
S14、将每次采集得到的红外热成像图像汇总保存，形成铜管结晶红外温度图像集合；
所述第一设定时间间隔的设定影响因素包括：
A、生产速度和连铸周期，生产速度和连铸周期是影响时间间隔设定的重要因素；若生产速度较快，则需要更频繁地采集红外热成像图像以实时监测铜管的冷却情况，而生产速度较慢则可以适当延长时间间隔；
B、铜管直径和壁厚，铜管的直径和壁厚影响着其冷却速度和温度分布的变化速率；较大直径或较厚壁厚的铜管需要更频繁的监测，以确保冷却效果和质量控制；
C、冷却系统的设计和性能，冷却系统的设计、冷却介质的流量和温度等参数会直接影响铜管的冷却速度；若冷却系统性能稳定，则需采用较长的时间间隔；而如果冷却系统性能不稳定或者存在变化，则需要更短的时间间隔来及时调整；
D、红外热成像设备的性能，红外热成像设备的采集速度和分辨率会影响到采集图像的质量和准确性；设备采集速度越快，可以选择较短的时间间隔来获取更频繁的数据；
E、工艺要求和产品质量需求，根据工艺要求和产品质量需求，需要更频繁地监测铜管的冷却情况，以保证产品的微观组织结构和力学性能符合标准。
在本步骤中，通过红外热成像技术，能够实时监测铜管表面的温度分布情况，帮助工作人员及时了解连铸过程中铜管的冷却情况；通过定期采集铜管的红外热成像图像，能够对铜管的结晶过程进行监测和分析，有助于发现潜在的质量问题并及时调整工艺参数，提高产品的质量和生产效率；自动采集红外热成像图像能够减少人为操作误差，提高监测数据的准确性和可靠性；利用自动化的红外热成像设备采集数据，能够减少人力成本，并且能够实现持续监测，不受工作人员的工作时间限制；根据铜管温度图像集合的分析结果，能够优化生产调度，合理安排生产工艺和设备运行，最大限度地提高生产效率和资源利用率；
综合而言，这个步骤有助于提高生产过程的自动化程度，优化生产调度，提高产品质量，并降低生产成本，从而增强企业的竞争力。
S2、根据设定监测长度，对铜管结晶红外温度图像集合进行定点温度提取，获得铜管连铸温度特征序列；
在S2步骤中，对铜管结晶红外温度图像集合进行定点温度提取是为了获取铜管在连铸过程中的温度分布情况，以形成铜管连铸温度特征序列，能够实现对铜管结晶红外温度图像集合的有效分析和数据提取，为后续的冷却速度分析和调节提供必要的数据支持；
所述铜管连铸温度特征序列的获取方法包括：
S21、对采集到的红外热成像图像进行预处理，包括去除噪声和增强对比度，提高后续处理的效果；
S22、利用图像处理算法，识别并提取出铜管在图像中的区域，以确保后续的温度提取准确性；
S23、在铜管区域内，确定固定的采样点，以固定的规律性分布，然后在每个采样点上提取出对应位置的温度数值，形成铜管连铸温度特征序列；
S24、对采集的温度数值进行数据校正，提高数据的准确性；
S25、将提取得到的各个采样点的温度数值按照时间顺序排列，形成铜管连铸温度特征序列；在铜管连铸温度特征序列中，铜管上同一采集点不同采集时间的温度数值位于同一列，不同采集点的同一采集时间位于同一行。
在本步骤中，通过定点温度提取，能够获取铜管在连铸过程中的温度分布情况；有助于了解铜管表面的温度变化情况，从而更好地掌握铜管的冷却状态和结晶情况；连铸过程中，铜管的温度分布直接影响着最终产品的微观组织结构和力学性能；通过连铸温度特征序列的获取，能够对铜管的温度进行实时监测和控制，从而保证铜管的质量稳定性和一致性；铜管连铸温度特征序列为后续的冷却速度分析和调节提供了必要的数据支持；这些数据能够作为冷却速度调节模型的输入，帮助优化冷却速度控制策略，提高生产效率和产品质量；通过对采集的温度数值进行数据校正，能够提高数据的准确性和可靠性；有助于确保后续步骤中对铜管温度特征的分析和利用的准确性，从而更好地指导生产过程的调节和优化；
综上所述，S2步骤中的定点温度提取方法有助于实现对铜管连铸温度特征的准确获取和分析，为水平连铸铜管生产过程的质量控制和效率提升提供了重要支持。
S3、将铜管连铸温度特征序列输入至预先构建的铜管冷却速度分析模型中，获得连铸生产过程中的铜管二维冷却速度特征；铜管二维冷却速度特征用于表征铜管在时间维度上的冷却速度和铜管在实体长度维度上的冷却速度；
S3步骤中的铜管冷却速度分析模型需要能够准确地分析铜管在连铸过程中的冷却速度特征，以便及时调整冷却速度，确保产品质量和生产效率；
所述铜管冷却速度分析模型的构建方法包括：
S31、收集铜管连铸生产的历史数据，包括铜管表面温度、冷却介质温度和流速等相关参数；
S32、对收集的数据进行清洗、缺失值填补、异常值检测、标准化和归一化的预处理操作，提高模型输入数据的质量和一致性；
S33、选择机器学习模型作为模型的基础，所述机器学习模型包括线性回归、支持向量机、人工神经网络、长短时记忆网络和随机森林；
S34、使用历史数据训练模型，通过损失函数评估模型性能；
S35、使用独立的测试集对模型进行验证，验证模型的泛化能力，确保模型在未见过的新数据上的表现依然可靠；
S36、将模型部署到实际配电网管理系统中，用于实时预测储能设备的平衡出力；
所述铜管冷却速度分析模型的计算公式为：
V(t,x)＝f[T(t1,x1),T(t2,x2),...,T(tn,xm),ρ,cp,k,q]
其中，V(t,x)是铜管在时间和长度上的冷却速度，T(ti,xj)是在时间ti和位置xj处的温度，ρ是铜的密度，cp是铜的比热容，k是铜的热导率，q是散热率，f表示热传导计算函数，热传导计算函数通过求解热传导方程或者简化后的热传导模型来估算铜管在不同时间和长度位置上的冷却速度特征。在实际应用中，它可能不是一个单一的函数，而是由一系列数学运算和求解步骤组成的一个流程或算法，该流程能够依据铜管的温度分布数据、材料属性(如密度、比热容、热导率)以及散热情况等因素，计算出铜管在连铸过程中的冷却速度分布。这个函数的具体形式将根据实际应用中的物理模型和数学方法确定，例如可以是有限差分法、有限元法或者其他数值求解热传导方程的方法。
在本步骤中，通过准确分析铜管在连铸过程中的冷却速度特征，使得生产过程能够实时调整冷却参数，从而优化铜管的冷却速率，确保铜管的内部和外部质量；收集和分析的历史生产数据为模型提供了丰富的信息，使得决策过程更加依赖于数据分析，减少了对经验的依赖，提高了决策的准确性和可靠性；通过优化冷却速率不仅能够提高产品质量，还能够减少不必要的能源消耗，从而降低生产成本；通过使用多种机器学习模型和独立测试集进行验证，确保了模型具有良好的泛化能力，能够适应不同的生产条件和需求；模型的实时预测和调整功能，为连铸生产过程提供了智能化解决方案，提高了生产过程的自动化水平；模型的快速预测和调整能力使得生产过程能够更快速地响应市场需求的变化，提高企业的市场竞争力；
综上所述，本步骤构建的铜管冷却速度分析模型，通过对连铸过程中冷却速度的准确分析和调整，不仅能够显著提高铜管的生产效率和产品质量，还能降低生产成本，增强企业的市场竞争力。
S4、根据第二设定时间间隔，对连铸生产过程中的铜管进行应力检测，获得铜管连铸应力特征序列；所述铜管连铸应力特征序列由不同检测时间的应力检测结果按时间顺序排列组成；
在连铸过程中，铜管受到各种力学应力的影响，这些应力可能来自于铜管本身的重力、拉伸力、挤压力等，也可能来自于冷却过程中的温度梯度引起的热应力，因此，及时而准确地监测铜管的应力状态对于调节冷却速度至关重要；
所述铜管连铸应力特征序列的获取方法包括：
S41、根据生产需要和工艺要求，设定对连铸生产过程中铜管进行应力检测的时间间隔，即第二设定时间间隔；
S42、通过机械应力测试、光学应力测试和电子应力测试方法，获取连铸铜管的应力数据；
S43、按照第二设定时间间隔，在连铸生产过程中对铜管进行应力检测；
S44、根据不同检测时间点获取的应力数据，将这些数据按照时间顺序排列组成铜管连铸应力特征序列。
在本步骤中，通过定期对连铸生产过程中铜管的应力进行检测，能够实时了解铜管在生产过程中受到的各种力学应力的情况；有助于及时发现应力异常或波动，为调整冷却速度提供了重要的参考依据；铜管的应力状态与冷却速度密切相关，通过获取连铸应力特征序列，能够更好地了解冷却速度对应力的影响；在实践中，能够根据应力数据调节冷却速度，以确保铜管的应力处于合适的范围内，从而提高产品质量并降低生产成本；及时准确地监测铜管的应力状态，有助于预防因应力过大或不均匀而导致的铜管变形、开裂等质量问题，从而减少生产中的停机时间和废品率，提高生产效率和产品质量稳定性；通过持续监测铜管的应力变化，能够对连铸生产工艺参数进行优化；根据实际应力数据，能够调整冷却速度、拉伸力等参数，以最大程度地满足产品质量要求，并提高生产效率；
综上所述，S4步骤的有益效果包括提高产品质量稳定性、降低生产成本、优化生产效率以及优化工艺参数，从而为连铸铜管生产过程的质量控制和工艺优化提供了重要支持。
S5、对铜管连铸应力特征序列进行误差分析，获得铜管连铸应力误差特征；
通过对铜管连铸应力特征序列进行细致的误差分析，能够确保输入到冷却调节模型中的数据更具可信度，进而提升冷却速度调节指令的精准度和有效性，最终改善铜管的微观组织结构和力学性能；
所述铜管连铸应力误差特征的获取方法包括：
S51、对在第二设定时间间隔内获取的铜管连铸应力特征序列进行初步的质量评估，检查数据的完整性、一致性以及是否存在异常值和噪声干扰；
S52、针对每个时间点的应力检测结果，计算其与标准值之间的差异，得到绝对误差值；
S53、分析铜管连铸应力特征序列随时间变化的趋势，看是否存在明显的波动、突变以及其他不规则现象；
S54、分析误差产生的原因，所述误差产生的原因包括应力检测设备的精度限制、检测环境的变化以及连铸工艺过程中的不稳定因素，通过逐步排查和改进，降低误差对后续冷却速度调控决策的影响；
S55、根据误差分析结果，采取数据处理策略，包括剔除异常数据、采用滤波方法平滑数据和实施误差补偿算法，生成铜管连铸应力误差特征。
在本步骤中，通过对铜管连铸应力特征序列的质量评估和异常值检测，能够筛选出高质量、可靠的数据，确保输入到冷却调节模型中的数据质量和可信度；通过计算应力检测结果与标准值之间的差异，以及分析应力序列的变化趋势，能够更准确地把握铜管在连铸过程中的应力状态，从而更精准地调节冷却速度；通过分析误差产生的原因，并采取相应的改进措施，能够降低误差对后续冷却速度调控决策的影响，提高生产过程的稳定性和可控性，进而改善生产效率；通过对应力误差特征的分析和处理，能够更好地理解铜管在连铸过程中的应力变化情况，从而有针对性地调整冷却速度，优化铜管的微观组织结构和力学性能，提高产品质量；
综上所述，S5步骤的误差分析有助于提高数据可信度，精准调节冷却速度，改善生产效率，优化铜管质量和性能，从而为水平连铸铜管生产提供了重要的支持和保障。
S6、将铜管二维冷却速度特征和铜管连铸应力误差特征作为输入，输入至预先构建的铜管连铸冷却调节模型中，获得铜管连铸冷却速度调节指令；
S6步骤中的铜管连铸冷却调节模型需要能够准确地根据铜管的二维冷却速度特征和连铸应力误差特征来生成冷却速度调节指令，以确保连铸过程中的冷却速度能够满足铜管结晶状态和应力变化的要求，从而优化铜管的质量和性能；
所述铜管连铸冷却调节模型的构建方法包括：
S61、收集大量的连铸铜管生产过程中的数据，包括铜管的结晶红外温度图像、连铸温度特征序列和应力特征序列；这些数据覆盖不同工艺条件下的生产情况，并经过预处理，确保数据的质量和可用性；
S62、对收集到的数据进行特征提取，从中提取与冷却速度调节相关的特征，同时进行特征选择，筛选出对模型预测具有显著影响的特征，降低模型的复杂度和计算成本；
S63、根据问题的复杂性和数据的特点，选择机器学习模型作为模型的基础，所述机器学习模型包括回归分析、神经网络和决策树；
S64、使用提取的特征对模型进行训练，并根据训练结果对模型进行优化；
S65、使用独立的测试数据集对模型进行评估和验证，以确保模型的泛化能力和预测准确性；
S66、将经过验证的模型部署到实际生产环境中，用于实时监控和调节连铸铜管的冷却速度。
在本步骤中，通过分析铜管的二维冷却速度特征和连铸应力误差特征，模型能够准确地生成冷却速度调节指令，从而确保连铸过程中的冷却速度能够满足铜管结晶状态和应力变化的要求，提高铜管的质量和性能；模型能够根据实时数据快速生成冷却速度调节指令，帮助操作人员及时调整连铸过程中的冷却速度，以适应不同的工艺条件和铜管质量要求，从而提高生产效率；通过精确调节冷却速度，能够减少铜管生产过程中的废品率和能耗，降低生产成本，提高生产效益；模型能够根据连铸铜管的实时状态进行调节，使连铸过程更加稳定可控，减少生产中的波动和变异，提高生产线的稳定性和可靠性；通过精确控制冷却速度，能够有效地控制铜管的结晶状态和应力分布，提高铜管的内在质量，使其具有更好的物理性能和表面质量，从而提升产品质量和市场竞争力。
S7、响应于铜管连铸冷却速度调节指令，对铜管连铸生产进行冷却速度调控；
铜管连铸冷却速度调节指令是一种针对铜管冷却过程的操作建议，包括调整冷却水流量、改变冷却水温、调整冷却段长度以及控制拉坯速度；
根据冷却速度调节指令，自动控制系统可能通过电动阀或比例阀来精确控制冷却水的流量和温度；
控制铜液从结晶器流出的速度，即拉坯速度，也是影响冷却速度的重要因素，根据冷却速度调节指令，连铸机可以通过伺服电机精确控制拉坯滚轮的速度，保证铜管在合适的速度下均匀冷却；
在执行冷却速度调节指令的同时，持续进行铜管温度和应力的在线监测，将实时监测数据再次输入至冷却速度分析模型和冷却调节模型中，形成闭环控制，根据实际效果实时调整冷却策略，确保冷却过程始终处于最优状态；
在整个冷却速度调控过程中，还需配置相应的安全保护机制，防止因冷却过快或过慢导致的产品质量问题或生产设备故障，当检测到温度或应力超出设定阈值时，系统应立即采取应急措施，暂停或调整冷却过程。
在本步骤中，通过根据冷却速度调节指令精确控制冷却水流量、温度、冷却段长度以及拉坯速度，能够确保铜管在连铸过程中获得适当的冷却，从而优化产品的微观组织结构和力学性能，提高铜管的质量；实时响应冷却速度调节指令，自动控制系统通过调整冷却参数和拉坯速度，能够快速适应生产工艺的变化，从而提高连铸生产线的生产效率和连续生产能力；通过优化冷却过程，避免了因冷却速度不当而导致的铜管表面缺陷、内部结构不均匀等问题，降低了废品率和二次加工成本，从而降低了生产成本；结合实时监测数据和冷却速度分析模型，形成闭环控制系统，能够实现对冷却过程的精确控制和调节，确保铜管的冷却状态始终处于最佳状态；配置安全保护机制，能够及时发现并应对因冷却速度异常导致的温度或应力超出设定阈值的情况，有效预防生产设备故障和产品质量问题，保障生产线的安全稳定运行；
综上所述，S7步骤中的冷却速度调控措施将在提高产品质量、生产效率和生产安全的同时，降低生产成本，实现连铸铜管生产过程的优化和智能化管理。
实施例二：如图3所示，本发明的水平连铸铜管冷却速度调控系统，具体包括以下模块；
图像采集模块，用于根据第一设定时间间隔，采集铜管在连铸生产过程中的红外热成像图像，汇总得到铜管结晶红外温度图像集合；
温度特征提取模块，用于根据设定监测长度，对铜管结晶红外温度图像集合进行定点温度提取，获得铜管连铸温度特征序列；
冷却速度分析模块，用于将铜管连铸温度特征序列输入至预先构建的铜管冷却速度分析模型中，获得连铸生产过程中的铜管二维冷却速度特征；
应力检测模块，用于根据第二设定时间间隔，对连铸生产过程中的铜管进行应力检测，获得铜管连铸应力特征序列；
误差分析模块，用于对铜管连铸应力特征序列进行误差分析，获得铜管连铸应力误差特征；
冷却调节模块，用于将铜管二维冷却速度特征和铜管连铸应力误差特征作为输入，输入至预先构建的铜管连铸冷却调节模型中，获得铜管连铸冷却速度调节指令；
冷却速度调控模块，用于响应于铜管连铸冷却速度调节指令，对铜管连铸生产进行冷却速度调控。
该系统采用了图像采集模块和应力检测模块，能够实时监测铜管的温度和应力变化，从而实现对冷却速度的实时调节，确保生产过程中的最佳状态；
通过温度特征提取模块和误差分析模块，能够提取铜管的温度特征序列和应力特征序列，并进行精确的误差分析，以获得准确的冷却速度调节指令，从而提高了冷却速度调控的精确度；
系统利用预先构建的冷却速度分析模型和冷却调节模型，能够智能地分析铜管的冷却情况和应力状态，并做出相应的冷却速度调节决策，提高了生产过程的智能化水平；
通过实时监测和精确调节，能够确保铜管在连铸过程中保持最佳的冷却速度，从而提高了生产效率，降低了生产成本，并且能够减少因冷却速度不佳而引起的铜管质量问题，进一步提高了产品的质量和市场竞争力；
对铜管的温度和应力进行了全面的监测和分析，能够实现对生产过程的全程追溯，并且能够精确控制每个阶段的冷却速度，确保产品质量可控；
综上所述，该系统具有实时监测、精确调节、智能决策、优化生产效率、可追溯性和可控性等多重优点，能够有效解决传统冷却调控方式所存在的问题，提高了水平连铸铜管生产过程的质量和效率。
前述实施例一中的水平连铸铜管冷却速度调控方法的各种变化方式和具体实施例同样适用于本实施例的水平连铸铜管冷却速度调控系统,通过前述对水平连铸铜管冷却速度调控方法的详细描述,本领域技术人员可以清楚的知道本实施例中水平连铸铜管冷却速度调控系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.一种水平连铸铜管冷却速度调控方法，其特征在于，所述方法包括：
根据第一设定时间间隔，采集铜管在连铸生产过程中的红外热成像图像，汇总得到铜管结晶红外温度图像集合；
根据设定监测长度，对铜管结晶红外温度图像集合进行定点温度提取，获得铜管连铸温度特征序列；
将铜管连铸温度特征序列输入至预先构建的铜管冷却速度分析模型中，获得连铸生产过程中的铜管二维冷却速度特征；
根据第二设定时间间隔，对连铸生产过程中的铜管进行应力检测，获得铜管连铸应力特征序列；
对铜管连铸应力特征序列进行误差分析，获得铜管连铸应力误差特征；
将铜管二维冷却速度特征和铜管连铸应力误差特征作为输入，输入至预先构建的铜管连铸冷却调节模型中，获得铜管连铸冷却速度调节指令；
响应于铜管连铸冷却速度调节指令，对铜管连铸生产进行冷却速度调控；
所述铜管冷却速度分析模型的计算公式为：
；
其中，V(t,x)是铜管在时间和长度上的冷却速度，T(ti,xj)是在时间ti和位置xj处的温度，ρ是铜的密度，cp是铜的比热容，k是铜的热导率，q是散热率，f表示热传导计算函数；
所述铜管结晶红外温度图像集合的获取方法包括：
在生产线上安装红外热成像设备；
根据生产需要和设备性能，设置第一设定时间间隔；
在设定的时间间隔内，红外热成像设备自动捕捉铜管表面的温度分布情况，并将其转换成红外热成像图像；
将每次采集得到的红外热成像图像汇总保存，形成铜管结晶红外温度图像集合；
所述铜管冷却速度分析模型的构建方法包括：
收集铜管连铸生产的历史数据，包括铜管表面温度、冷却介质温度和流速；
对收集的数据进行清洗、缺失值填补、异常值检测、标准化和归一化的预处理操作；
选择机器学习模型作为模型的基础，所述机器学习模型包括线性回归、支持向量机、人工神经网络、长短时记忆网络和随机森林；
使用历史数据训练模型，通过损失函数评估模型性能；
使用独立的测试集对模型进行验证，验证模型的泛化能力；
将模型部署到实际配电网管理系统中，用于实时预测储能设备的平衡出力；
所述铜管连铸应力误差特征的获取方法包括：
对在第二设定时间间隔内获取的铜管连铸应力特征序列进行初步的质量评估；
针对每个时间点的应力检测结果，计算其与标准值之间的差异，得到绝对误差值；
分析铜管连铸应力特征序列随时间变化的趋势；
分析误差产生的原因，所述误差产生的原因包括应力检测设备的精度限制、检测环境的变化以及连铸工艺过程中的不稳定因素；
根据误差分析结果，采取数据处理策略，生成铜管连铸应力误差特征，所述数据处理策略包括剔除异常数据、采用滤波方法平滑数据和实施误差补偿算法。
2.如权利要求1所述的水平连铸铜管冷却速度调控方法，其特征在于，所述铜管连铸温度特征序列的获取方法包括：
对采集到的红外热成像图像进行预处理，包括去除噪声和增强对比度；
利用图像处理算法，识别并提取出铜管在图像中的区域；
在铜管区域内，以固定的规律性分布采样点，然后在每个采样点上提取出对应位置的温度数值；
对采集的温度数值进行数据校正；
将提取得到的各个采样点的温度数值按照时间顺序排列，形成铜管连铸温度特征序列。
3.如权利要求1所述的水平连铸铜管冷却速度调控方法，其特征在于，所述第一设定时间间隔的设定影响因素包括生产速度和连铸周期、铜管直径和壁厚、冷却系统的设计和性能、红外热成像设备的性能、工艺要求和产品质量需求。
4.一种水平连铸铜管冷却速度调控系统，其特征在于，所述系统用于执行如权利要求1-3中任一项所述方法，所述系统包括：
图像采集模块，用于根据第一设定时间间隔，采集铜管在连铸生产过程中的红外热成像图像，汇总得到铜管结晶红外温度图像集合；
温度特征提取模块，用于根据设定监测长度，对铜管结晶红外温度图像集合进行定点温度提取，获得铜管连铸温度特征序列；
冷却速度分析模块，用于将铜管连铸温度特征序列输入至预先构建的铜管冷却速度分析模型中，获得连铸生产过程中的铜管二维冷却速度特征；
应力检测模块，用于根据第二设定时间间隔，对连铸生产过程中的铜管进行应力检测，获得铜管连铸应力特征序列；
误差分析模块，用于对铜管连铸应力特征序列进行误差分析，获得铜管连铸应力误差特征；
冷却调节模块，用于将铜管二维冷却速度特征和铜管连铸应力误差特征作为输入，输入至预先构建的铜管连铸冷却调节模型中，获得铜管连铸冷却速度调节指令；
冷却速度调控模块，用于响应于铜管连铸冷却速度调节指令，对铜管连铸生产进行冷却速度调控。
5.一种水平连铸铜管冷却速度调控电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-3中任一项所述方法中的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410499734.2A CN118385495B (zh) | 2024-04-24 | 2024-04-24 | 水平连铸铜管冷却速度调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410499734.2A CN118385495B (zh) | 2024-04-24 | 2024-04-24 | 水平连铸铜管冷却速度调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118385495A CN118385495A (zh) | 2024-07-26 |
| CN118385495B true CN118385495B (zh) | 2024-09-24 |
Family
ID=91984150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410499734.2A Active CN118385495B (zh) | 2024-04-24 | 2024-04-24 | 水平连铸铜管冷却速度调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118385495B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119114927B (zh) * | 2024-11-12 | 2025-05-02 | 福建金尚机械有限公司 | 一种低应力自适应铸造调节方法及系统 |
| CN119511724B (zh) * | 2024-11-18 | 2025-05-06 | 浙江鸿耀高新铜材有限公司 | 一种铜及铜合金微通道扁管连续挤压制备方法 |
| CN119935606B (zh) * | 2025-04-09 | 2025-06-17 | 常州同泰高导新材料有限公司 | 一种适用多冷却系统的设备检测方法、系统及设备 |
| CN119972818B (zh) * | 2025-04-14 | 2025-06-20 | 常州同泰高导新材料有限公司 | 上引铜杆微应力动态调控轧制的方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113414411A (zh) * | 2021-06-18 | 2021-09-21 | 武汉大学 | 增材制造过程中实时调控温度梯度及冷却速率的方法 |
| CN113996773A (zh) * | 2021-10-27 | 2022-02-01 | 北京科技大学 | 一种动态多元化连铸冷却在线控制方法与系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10280061A (ja) * | 1997-04-02 | 1998-10-20 | Awaji Sangyo Kk | 鉄系形状記憶合金製鋳造部材の製造方法及び鋳造部材 |
| JP2000246409A (ja) * | 1999-02-26 | 2000-09-12 | Sanyo Special Steel Co Ltd | 連続鋳造ブルームの冷却方法 |
| JP5408585B2 (ja) * | 2009-07-03 | 2014-02-05 | 国立大学法人大阪大学 | 鉄鋼製品の結晶粒の微細化方法 |
| RU2569620C2 (ru) * | 2014-02-07 | 2015-11-27 | Федеральное государственное бюджетное учреждение науки Институт проблем управления им. В.А. Трапезникова Российской академии наук | Способ управления охлаждением слитка в машине непрерывного литья |
| JP7260336B2 (ja) * | 2019-02-28 | 2023-04-18 | 株式会社神戸製鋼所 | 高張力鋼のスラブの冷却方法 |
| KR20230047504A (ko) * | 2019-06-24 | 2023-04-07 | 메크레이 테크놀로지스, 인코포레이티드 | 캐스트인 냉각제 파이프들을 갖는 블록 냉각기들의 전체 열 전도의 장기 안정화를 개선하고, 장기 안정화를 위한 제조 방법들 |
| CN115824443A (zh) * | 2022-10-19 | 2023-03-21 | 常州润来科技有限公司 | 水平连铸时空温度场的建立方法 |
| CN116933419B (zh) * | 2023-07-18 | 2024-02-20 | 常州润来科技有限公司 | 基于工艺分析的精密铜管性能评估方法及系统 |
| CN117358892B (zh) * | 2023-12-05 | 2024-03-08 | 济南东方结晶器有限公司 | 用于结晶器铜管的形变监测预警方法及系统 |
-
2024
- 2024-04-24 CN CN202410499734.2A patent/CN118385495B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113414411A (zh) * | 2021-06-18 | 2021-09-21 | 武汉大学 | 增材制造过程中实时调控温度梯度及冷却速率的方法 |
| CN113996773A (zh) * | 2021-10-27 | 2022-02-01 | 北京科技大学 | 一种动态多元化连铸冷却在线控制方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118385495A (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118385495B (zh) | 水平连铸铜管冷却速度调控方法及系统 | |
| CN108363295B (zh) | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 | |
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
| KR101432436B1 (ko) | 최근린기법을 이용한 하수처리장의 유입유량과 유입성분농도의 예측 장치 및 방법 | |
| CN117913857A (zh) | 一种火电机组调频调峰的方法及系统 | |
| CN118689866B (zh) | 一种超声波流量计的数据优化方法及系统 | |
| CN118194607B (zh) | 一种用于锅炉机组数据动态建模方法及系统 | |
| CN118625769B (zh) | 电容器生产管理系统 | |
| CN118448182B (zh) | 用于贴片电容加工的均衡加热方法 | |
| CN118171873A (zh) | 一种机房节能运维管理方法和系统 | |
| CN117490338A (zh) | 基于深度学习的船舶冷却机组控制方法及系统 | |
| CN118084098A (zh) | 智慧水厂的水处理系统及方法 | |
| CN118674160A (zh) | 一种配电网工程的施工进度智能管理方法及系统 | |
| CN118589294A (zh) | 一种半导体激光器的功率控制方法、系统、设备 | |
| CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
| CN119738687A (zh) | 电子mos管阵列的自适应校准方法及装置 | |
| CN119292383A (zh) | 应用于加热制冷恒温系统的控温方法及系统 | |
| CN118963301A (zh) | 聚酯流延拉伸收缩膜生产线的智能化调度与优化控制系统 | |
| JP6870330B2 (ja) | データ処理装置及びデータ処理方法 | |
| CN118300128A (zh) | 用于电网机组的调频控制策略优化方法及系统 | |
| CN116505556B (zh) | 基于一次调频的风电场功率控制系统及方法 | |
| CN117477655A (zh) | 一种电厂发电效率的实时控制系统及方法 | |
| CN117364231B (zh) | 基于多参数协同控制的硅棒含氧量调控方法及系统 | |
| CN112257278A (zh) | 机组耗差计算模型获取方法、耗差获取方法及系统 | |
| CN114723195B (zh) | 石油化工装置整体维护质量评估方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |