丁敬国
- 作品数：45 被引量：141H指数：7
- 供职机构：东北大学材料与冶金学院轧制技术及连轧自动化国家重点实验室更多>>
- 发文基金：国家自然科学基金中央高校基本科研业务费专项资金国家重点实验室开放基金更多>>
- 相关领域：金属学及工艺自动化与计算机技术文化科学冶金工程更多>>
- 基于多源数据和多模型融合的板形CPS系统研究与应用被引量：2
- 2022年
- 宽厚板板形控制具有多变量、强耦合、非线性和遗传性等特点,过程输入条件、状态变量和控制目标之间的关系复杂,传统机理模型在提高中厚板板形控制精度方面效果不理想。为解决轧制力、轧辊磨损等参数设定精度差引起的板形控制精度低的问题,引入宽厚板生产过程数据融合机理模型的建模思想,利用机器学习算法的非线性拟合能力,构建了基于ELM的轧制力设定模型和基于GA-ANN的轧辊磨损模型,然后将轧制力预测结果和轧辊磨损预测结果作为板凸度预测的输入变量,同时引入基于机理模型的轧辊辊系变形模型及弯辊力模型计算结果作为输入量,构建了基于机理和数据驱动融合的板凸度CNN模型。在此基础上,开发了基于多源数据与多模型融合的板形智能控制CPS系统,板凸度的命中率由90.4%提升至96.5%以上,因板形问题导致的产品降级比例下降35.5%。
- 丁敬国刘方路杜昊展李旭张殿华
- 关键词：宽厚板板形控制多源数据
- 热连轧数据采集的多样本处理策略被引量：3
- 2014年
- 热连轧带钢生产过程中,实测数据的处理方式影响到模型自学习的精度,最终影响到产品的控制精度.为解决此问题,建立了针对实测数据的多样本处理策略,采用变异系数的方式排除了高离散性的数据,并通过数据映射的方式将采集到的有效数据进行同步,最终获得了高可信度的自学习源数据,大大提高了模型自学习的有效性及预报精度.将该多样本处理策略应用到国内某热连轧生产线的精轧机组,现场实际应用效果表明:带钢头部的轧制力预报精度达到了2.33%,满足了自动厚度控制系统的控制要求,提高了产品的质量.
- 李旭彭文丁敬国张殿华
- 关键词：热连轧带钢精轧自学习
- 基于族相关技术的中厚板宽度控制被引量：5
- 2011年
- 分析了中厚板轧制过程的工艺特点,基于经典宽展公式,推导得到多道次压缩条件下的宽展系数计算模型,采用族相关技术进行各族之间的关联度分析和计算,得到宽展校正系数后进行了在线校正,在某3500mm中厚板轧机上的实际应用表明,该方法可将宽度精度控制在8mm以内。
- 李西安丁敬国曾庆亮胡贤磊
- 关键词：中厚板
- 中厚板轧制过程的温度变化规律分析被引量：9
- 2010年
- 基于中厚板轧制过程的温度变化特点,以热辐射和对流为主要影响因素,对热辐射模型和对流模型进行分析和处理,解析黑度系数、厚度对温度变化规律的影响可知:终轧厚度大于30 mm时,黑度系数的变化对终轧温度的影响很小;终轧温度在10 mm左右时,必须根据后几道次实测温度调整黑度系数;轧件越厚,起始温度越高,温降速度越快。分析得到不同厚度下,平均温度和表面温度差的关系。实际应用表明,终轧温度预测误差基本不超过15℃。
- 胡贤磊赵忠丁敬国刘相华
- 关键词：中厚板温度
- 厚板尾部大压下法的应用被引量：2
- 2014年
- 提高厚规格板材的道次变形量对改善厚规格板材的性能具有重要意义。分析轧制扭矩在道次轧制中的变化特点,可知头部咬入阶段的峰值扭矩是制约道次压下量的关键因素。结合轧制过程的稳态轧制扭矩的变化规律,提出尾部大压下法,即在正向道次的尾部阶段增大压下量,将板材尾部轧制成楔形或阶梯形,反向道次轧制时,由于头部厚度薄,对扭矩冲击小,可适当增加道次压下量,从而增大整个道次压下量。通过推导轧制扭矩和压下量的关系式,分析了道次压下量的放大范围。该方法能在不改动轧机设备的前提下提高厚规格板材的芯部变形能力。
- 胡贤磊曾庆亮丁敬国
- 关键词：扭振轧制扭矩中厚板压下量
- 基于KDD和案例推理的热轧负荷分配法被引量：1
- 2007年
- 采用案例推理技术建立轧制规程案例库,并通过KDD挖掘技术从轧制运行数据库发现案例修改规则以适应不同轧制条件和不同轧制规格,由此建立一种基于经验和知识模型的热轧负荷分配法。试验表明,该方法提高了问题求解效率和质量,且更符合实际生产特点。
- 丁敬国胡贤磊焦景民佘广夫刘相华
- 关键词：热连轧知识发现
- 中厚板加热炉板坯温度控制模型研究与优化被引量：1
- 2021年
- 板坯温度控制模型是加热炉过程控制的核心,主要任务是根据生产工艺和相关数学模型控制、协调和优化获得加热质量较好的板坯。针对中厚板加热炉过程控制的板坯加热环节多变量和温度预报不精准等问题,选取了热流密度和热物性参数,并结合有限差分法建立的二维差分模型,对板坯温度控制模型进行了优化。将优化后的模型嵌入到在线燃烧二级自动控制系统,主要现场应用效果为加热炉各段的温度稳定度在±10℃以内,板坯的开轧工艺温度合格率达到了98.28%,煤气节能率提高了5.56%,氧化烧损率降低了15.05%。通过现场应用效果可知,优化后的板坯温度控制模型在节能降耗的基础上,获得了加热质量较好的板坯,为各钢厂加热炉实际生产提供了重要的参考依据。
- 朱强强王君李建平丁敬国黄苏
- 关键词：中厚板加热炉燃烧过程过程控制
- 扁平材全流程智能化制备关键技术
- 工序界面和工况复杂性限制了扁平材产品质量和生产效率的进一步提升，通过智能化关键技术实现多工序、系统级、全局的产品质量和生产过程优化，是扁平材制备发展的战略方向之一。(1)面向定制化生产的钢铁制造供应链协同智能优化决策与动...
- 张殿华孙杰彭文丁敬国李旭
- 关键词：扁平材供应链优化产品质量提升
- 改进PSO算法协同神经网络预测带钢卷取温度
- 针对传统卷取温度模型的固有缺陷,采用一种自适应变异的粒子群优化算法训练神经网络,并将其与传统模型相结合预测带钢的卷取温度,解决了BP神经网络易陷入局部极值的问题.大量的在线数据运算表明,自适应变异的粒子群神经网络的收敛速...
- 尚剑洪丁敬国
- 关键词：粒子群算法卷取温度神经网络自适应变异
- 文献传递
- 基于机理与数据驱动的热连轧板凸度组合预测
- 2023年
- 针对传统热连轧出口板凸度预测方法存在的模型精度低、解释性差等缺陷,提出了一种将机理与数据驱动相结合的热连轧板凸度组合预测模型。通过热连轧板凸度机理预测模型得到热连轧板凸度基准值,将该基准值与实际值之间的偏差量作为机器学习模型的预测变量,再将偏差量预测值与基准值进行求和得出组合预测模型的板凸度预测值,并将该组合预测策略应用至多个神经网络进行方法验证。研究结果表明,提出的热连轧板凸度组合预测模型相较于传统预测模型具有更好的预测性能,其中有97%以上预测数据的绝对误差小于0.02 mm,82%以上预测数据的绝对误差小于0.01 mm,同时该组合预测方法具有较好的可行性与普适性,所提出的模型能够实现机理模型与数据驱动模型的优势互补,使得模型更加符合实际物理意义,该组合模型既缓解了神经网络预测结果由于过程黑箱导致解释性差、可信度低的问题,又弥补了机理模型预测结果偏离生产工况、无法实时修正的缺陷,对热连轧板带钢的板形控制以及热连轧产品质量的改善具有重要意义。
- 陈楠李旭栾峰丁敬国李影张殿华
- 关键词：组合预测数据驱动
