重型異形坯連鑄坯智能定重系統(tǒng)開發(fā)與實踐

程錦君¹  鄧南陽²  吳帥¹  韋文鈺²  耿毅²  張立強¹

（1. 安徽工業(yè)大學(xué) 冶金工程學(xué)院  安徽馬鞍山 243000；

2. 馬鞍山鋼鐵有限公司  長材事業(yè)部  安徽馬鞍山 243000）

摘要：在馬鋼連鑄生產(chǎn)中，重量波動大及模糊的坯料交接界面計量，加之智能化程度不足，均是導(dǎo)致重型異形坯成材率低下的顯著因素。針對這一問題，通過研究采納工業(yè)大數(shù)據(jù)的全量化分析方法，運用先進的冶金數(shù)據(jù)庫在線優(yōu)化學(xué)習(xí)、深度數(shù)據(jù)挖掘技術(shù)及人工神經(jīng)網(wǎng)絡(luò)算法，成功構(gòu)建了重型異形連鑄鋼坯的定重在線模型。該模型通過精確控制定尺切割，顯著提升了定重精度，并開發(fā)了動態(tài)模型優(yōu)化算法以計算鑄坯的確切長度與重量，實現(xiàn)了生產(chǎn)流程的實時預(yù)測與閉環(huán)控制。結(jié)果表明重型異形鋼的成材率得到了顯著提升，模型實施后，鑄坯重量公差小于千分之三的最高合格率達(dá)到了93%以上，平均合格率穩(wěn)定在82%以上，而在千分之五范圍內(nèi)的合格率達(dá)到了99%以上。該模型以其動態(tài)調(diào)整、智能修正、自我學(xué)習(xí)優(yōu)化及實時預(yù)判的特性，在節(jié)能降耗和提高產(chǎn)品成材率方面發(fā)揮了顯著作用。

關(guān)鍵詞：重型異形坯；數(shù)據(jù)挖掘；動態(tài)稱重；模型優(yōu)化算法

1 前言

隨著公路橋梁、船舶、機械制造以及大跨度橋梁等大型基礎(chǔ)建設(shè)項目的不斷推進，我國對H型鋼的需求量持續(xù)上升^[1-3]。其中重型熱軋H型鋼憑借其生產(chǎn)效率高、耗能低、工期短、軋制次數(shù)少、殘余應(yīng)力小以及綜合成本低等顯著優(yōu)勢，已被廣泛應(yīng)用于橋梁、機場、船舶和隧道等高端建設(shè)領(lǐng)域^[4-6]。為此，國內(nèi)生產(chǎn)異形坯的基地針對連鑄工藝中存在的一系列問題進行了精心調(diào)整，為重型異形坯的生產(chǎn)奠定了堅實的基礎(chǔ)。孟強等人^[7]對異形坯結(jié)晶器開口度檢測方面進行了研究，設(shè)計出了精度高，結(jié)構(gòu)簡單，制造成本低的檢測異形坯形狀尺寸設(shè)備，為提高生產(chǎn)效率提供了基礎(chǔ)。黃明^[8]利用軟件，并根據(jù)異形坯內(nèi)鑄坯以及結(jié)晶器銅板熱力耦合模型，對結(jié)晶器錐度進行了優(yōu)化設(shè)計，為異形坯結(jié)晶器的設(shè)計提供了參考。除此之外，更多學(xué)者將目光集中如何控制鑄坯質(zhì)量，其中黃文等人^[9]通過Visual Basic 6.0開發(fā)了離線動態(tài)二冷控制模型，實現(xiàn)了對進入二冷區(qū)的鑄坯信息的實行跟蹤、記錄和動態(tài)調(diào)控，使鑄坯溫度分布保持穩(wěn)定。張年華^[10]通過調(diào)整保護渣、調(diào)整拉速和改善二冷制度等方法降低了異形坯R角裂紋的產(chǎn)生。胡林梅^[11]通過提高拉速，降低二冷強度的方式，改善鑄坯的傳熱條件，使得重型異形坯溫度更加均勻。而王金坤^[12]則通過提高錳硫比，調(diào)節(jié)拉速，優(yōu)化過冷度等方式降低了重型異形坯縱裂紋率，有效改善了鑄坯質(zhì)量。然而，由于重型異形坯的斷面復(fù)雜且重量難以精準(zhǔn)預(yù)測，加之人工修改定尺存在明顯的滯后性，難以精準(zhǔn)控制，常導(dǎo)致切廢或短尺，從而降低了成材率。在連鑄連軋生產(chǎn)中，定重切割技術(shù)在提高生產(chǎn)效益和效率的關(guān)鍵。定重切割技術(shù)在提高軋材成材率方面展現(xiàn)出顯著優(yōu)勢，廣泛應(yīng)用于不同拉速下的小方坯、大方坯、棒材和異形坯等連鑄生產(chǎn)工藝^[14-16]。但由于重型異形坯的重量較大，其在定重技術(shù)應(yīng)用方面的潛力仍值得進一步探索。

因重異形連鑄機按定尺切割，對應(yīng)型鋼軋鋼按重量軋制，定尺坯的重量波動造成鋼軋執(zhí)行標(biāo)準(zhǔn)不統(tǒng)一，坯料交接界面計量不清晰，影響重型H型鋼的成材率；而坯重控制方式，通過“定尺切割+人工抽測” 增減長度，然而，工藝、設(shè)備等條件變化，鑄坯重量波動范圍大，人工難以進行精準(zhǔn)調(diào)控，影響切割精度和生產(chǎn)指標(biāo)。本研究對馬鋼生產(chǎn)的不同斷面尺寸的異形坯的生產(chǎn)環(huán)境進行三維模擬仿真，并基于數(shù)據(jù)采集及挖掘、人工神經(jīng)網(wǎng)絡(luò)、智能模型算法等技術(shù)，對鋼種、鑄坯標(biāo)準(zhǔn)重量、斷面尺寸，實時采集中包溫度、拉速等指標(biāo)進行深度學(xué)習(xí)，建立的冶金數(shù)據(jù)庫，并設(shè)計開發(fā)智能定重模型。通過機器學(xué)習(xí)，動態(tài)模型優(yōu)化算法，計算鑄坯的定尺長度及重量，進行實時在線預(yù)報，下達(dá)切割鑄坯指令，實現(xiàn)鑄坯精準(zhǔn)定重的目標(biāo)；并在切割后反饋鑄坯實際重量，對模型實時動態(tài)優(yōu)化，進一步提高精度。該模型上線運行后連鑄坯重量公差小于千分之三的最高合格率達(dá)到了93%以上，平均合格率穩(wěn)定在82%以上，而在千分之五范圍內(nèi)的合格率達(dá)到了99%以上。

2模型構(gòu)建與算法開發(fā)

為了精確控制重型異形坯連鑄的定重過程，通過實時收集關(guān)鍵生產(chǎn)參數(shù)建立了冶金數(shù)據(jù)庫，并開發(fā)了切割長度動態(tài)修正模型、基于紅外攝像的定尺修正模型以及基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，實現(xiàn)了鑄坯定重的高精度和實時動態(tài)優(yōu)化。

2.1 冶金數(shù)據(jù)庫和模型的開發(fā)

數(shù)據(jù)庫是整個模型的基石，根據(jù)目標(biāo)鋼種、鑄坯標(biāo)準(zhǔn)重量、斷面尺寸，實時采集中包溫度、拉速、結(jié)晶器通鋼量等指標(biāo)建立冶金數(shù)據(jù)庫。同時開發(fā)切割長度動態(tài)修正模型^[17]、基于紅外攝像的動態(tài)修正模型^[18]和基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型等模型，用于組成異形坯連鑄動態(tài)定重模型，并在切割后反饋鑄坯實際重量，對模型實時動態(tài)優(yōu)化，提高定重精度。

1) 切割長度動態(tài)修正模型

將連鑄坯切割長度與軋鋼產(chǎn)線、需求相匹配，引入軋鋼廢品率，建立了連鑄坯切割長度修正公式，能夠動態(tài)調(diào)整鑄坯切割長度，見式（1）：

式中，L₂為修正后連鑄坯長度；

L₀為當(dāng)前批次連鑄坯長度；

L₁為上批次連鑄坯長度；

k₀為當(dāng)前批次廢品率；

k₁為上批次廢品率；

b為長度因子；

sgn()為符號函數(shù)。

2) 基于紅外攝像的動態(tài)定尺修正模型

通過紅外攝像機與鑄坯之間夾角來修正定尺誤差，見式（2）：

式中，L_X表示當(dāng)前批次修正后定尺長度；

X₁為起點測量誤差；

X_末為切割點誤差；

X_x-1為上批次修正長度；

I_x為當(dāng)前批次理論定尺長度；

H為測量值相機與鑄坯的垂直距離；

L₀為垂點處位置；

L₁為攝像機照射的最前端；

L_末為攝像機照射的最末端；

L_X-1為上批次定尺長度。

3) 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

該模型采用徑向基函數(shù)（Radial Basis Function, RBF）神經(jīng)網(wǎng)絡(luò)構(gòu)建連鑄坯長度預(yù)測模型。RBF神經(jīng)網(wǎng)絡(luò)是一種具有普遍逼近能力的三層前饋神經(jīng)網(wǎng)絡(luò)^[19]，其結(jié)構(gòu)包括輸入層、隱藏層和輸出層。在本模型中，輸入層包含7個神經(jīng)元，分別對應(yīng)鑄坯斷面、鑄坯重量、現(xiàn)場工藝參數(shù)、結(jié)晶器狀態(tài)、中間包溫度、拉速以及一冷二冷配水等關(guān)鍵生產(chǎn)指標(biāo)。隱藏層由若干RBF神經(jīng)元構(gòu)成，每個神經(jīng)元對應(yīng)一個徑向基函數(shù)。輸出層包含一個神經(jīng)元，表示預(yù)測的連鑄坯長度，其示意圖如圖1所示。

圖1  RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

RBF神經(jīng)網(wǎng)絡(luò)的輸出可以表示為：

其中，y(x)為網(wǎng)絡(luò)輸出，即預(yù)測的連鑄坯長度；

x為輸入向量；

wi為隱藏層到輸出層的連接權(quán)重；

_i為第i個RBF神經(jīng)元的激活函數(shù)；

c_i為第i個RBF神經(jīng)元的中心向量；

b為偏置項。

本研究選用高斯函數(shù)作為RBF神經(jīng)元的激活函數(shù)：

其中，r = ||x - c||為輸入向量與神經(jīng)元中心的歐氏距離，

為擴展常數(shù)，決定了RBF的作用范圍。

RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程可分為三個階段：

a) 確定隱藏層神經(jīng)元中心：采用K-均值聚類算法[20]對輸入樣本進行聚類，聚類中心即為RBF神經(jīng)元的中心。

b) 計算RBF神經(jīng)元的擴展常數(shù)：使用P-最近鄰算法[21]確定每個RBF神經(jīng)元的擴展常數(shù)。計算公式如下：

其中，c_i為第i個RBF神經(jīng)元的中心

c_j為與ci最近的P個中心。

確定輸出層權(quán)重：采用最小二乘法[22]優(yōu)化輸出層權(quán)重。令Φ為隱藏層輸出矩陣，W為權(quán)重向量，Y為目標(biāo)輸出向量，則：

2.2 模型構(gòu)建和算法的開發(fā)

基于工業(yè)大數(shù)據(jù)模型，重異形坯定重模型根據(jù)目標(biāo)鋼種、鑄坯標(biāo)準(zhǔn)重量、斷面尺寸，實時采集中包溫度、拉速、結(jié)晶器通鋼量等指標(biāo)。結(jié)合本項目建立的冶金數(shù)據(jù)庫，采用動態(tài)模型優(yōu)化算法，計算鑄坯的定尺長度及重量，進行實時在線預(yù)報，下達(dá)切割鑄坯指令，實現(xiàn)鑄坯精準(zhǔn)定重的目標(biāo)；并在切割后反饋鑄坯實際重量，對模型實時動態(tài)優(yōu)化，進一步提高鑄坯定重精度，重型異形坯連鑄動態(tài)定重模型示意圖如圖2所示。

圖2 重型異形坯連鑄動態(tài)定重模型示意圖

1） 定重模塊。

定重模塊是整體定重系統(tǒng)的核心，它由冶金數(shù)據(jù)庫和定重模型兩大關(guān)鍵組成部分構(gòu)成。在此模塊中，冶金數(shù)據(jù)庫貯藏了多種鋼材型號的詳細(xì)信息，這些信息是執(zhí)行定重基本運算的基礎(chǔ)?；阡撍o壓力的定重算法，通過采用神經(jīng)網(wǎng)絡(luò)預(yù)測模型，模塊能夠?qū)χ付ㄤ摬牡蔫T坯長度進行精確預(yù)測，并將預(yù)測結(jié)果傳遞至定尺模塊以便執(zhí)行切割操作。另一方面，定重模塊能夠接收來自稱重模塊的實時數(shù)據(jù)，并利用這些數(shù)據(jù)對定重模型進行優(yōu)化設(shè)計，實時調(diào)整鑄坯切割指令以提升定重精度。此外，該模塊還能夠更新冶金數(shù)據(jù)庫中的鋼種生產(chǎn)的實時信息，實現(xiàn)對生產(chǎn)數(shù)據(jù)的跟蹤與學(xué)習(xí)，從而進一步增強定重操作的精確度。

2）定尺模塊。

定尺模塊在連鑄生產(chǎn)中扮演著至關(guān)重要的角色，其核心職能在于通過精確測量和控制鑄坯的切割長度來確保產(chǎn)品質(zhì)量。該模塊采用基于紅外攝像技術(shù)的動態(tài)修正模型來判定最佳切割時機，通過測量紅外攝像頭與鑄坯之間的角度差異來計算鑄坯的實際長度，從而保障切割過程的高精度。進一步地，模塊能夠根據(jù)連鑄生產(chǎn)過程中的實時數(shù)據(jù)自動調(diào)節(jié)定尺長度，實現(xiàn)對鑄坯生產(chǎn)狀況的實時監(jiān)控，并根據(jù)生產(chǎn)需求動態(tài)調(diào)整，以適應(yīng)生產(chǎn)線上的變化。此項技術(shù)的運用大大減少了對人工干預(yù)的需求，優(yōu)化了生產(chǎn)流程，確保了連鑄產(chǎn)品的質(zhì)量和一致性。

3） 稱重模塊。

稱重模塊采用托架式整體輥道式稱重法，徑下方配備高級輥道電子秤來完成，確保了連鑄坯重量的在線精確測量。該輥道鋼坯稱重裝置整合了輸送裝置、傳感器和控制器等，可在鑄坯達(dá)到特定位置時進行精確稱重，并與定重模型機進行有效數(shù)據(jù)交換。系統(tǒng)支持輥道電機的精確控制、自動化記錄、數(shù)據(jù)統(tǒng)計及網(wǎng)絡(luò)通信等多項功能，采用的高精度傳感器和數(shù)字化測量儀表保障了稱重過程的高效性和抗干擾能力，符合惡劣工業(yè)環(huán)境的操作需求，顯著提升了生產(chǎn)效率和鑄坯品質(zhì)。

4）算法開發(fā)。

在本研究中，開發(fā)了一個基于VSCode C++的定重模型算法，旨在利用工業(yè)大數(shù)據(jù)，為連鑄坯智能定重提供支持。該模型通過整合PLC讀取的實時現(xiàn)場數(shù)據(jù)和冶金數(shù)據(jù)庫信息，如鋼種、拉速、過熱度及結(jié)晶器通鋼量等，動態(tài)預(yù)測鑄坯重量，并據(jù)此調(diào)整切割長度。隨后，定尺模塊利用紅外攝像技術(shù)進行鑄坯切割和動態(tài)跟蹤，切割后的鑄坯經(jīng)過稱重模塊的精確稱重，其數(shù)據(jù)反饋至冶金數(shù)據(jù)庫中以優(yōu)化下一輪的模型計算。該算法開發(fā)的詳細(xì)流程圖如圖3所示，展示了從數(shù)據(jù)收集到模型預(yù)測，再到切割和數(shù)據(jù)反饋的完整過程，實現(xiàn)了系統(tǒng)的閉環(huán)控制和智能化。

圖3 算法開發(fā)流程圖

2.3 模擬仿真及現(xiàn)場改進

根據(jù)馬鋼重型異形坯現(xiàn)場情況，需要生產(chǎn)的不同斷面尺寸的異形坯對輥道、主控室現(xiàn)場進行三維模擬仿真，并根據(jù)現(xiàn)場情況改進，新增定重模型機，熱送輥道，稱重儀表及工業(yè)電腦等設(shè)備用于配合重型異形坯連鑄動態(tài)定重模型的開發(fā)，現(xiàn)場模型布置示意圖如圖4所示。

圖4現(xiàn)場模型布置示意圖

3動態(tài)稱重模型與軟件開發(fā)

3.1現(xiàn)場模型搭建

基于三維模擬現(xiàn)場，一方面，對廠房進行定重模型搭建，通過傳感器采集連鑄實時生產(chǎn)數(shù)據(jù)、鋼種信息盒連鑄設(shè)備信息等PLC數(shù)據(jù)傳輸至數(shù)據(jù)庫；另一方面，對原有的輥道進行優(yōu)化設(shè)計，加入與智能定重模型相適配的輥道鋼坯稱重布置測點位置如圖5(a)所示，稱重設(shè)備也通過傳感器將信號傳輸?shù)綌?shù)據(jù)庫。所有數(shù)據(jù)經(jīng)一級網(wǎng)絡(luò)通訊進入模型服務(wù)器后根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行定重模型計算，然后將計算結(jié)果通過定尺切割系統(tǒng)切割連鑄坯后稱重。其中輥道上的傳感器檢測到的重量信號通過現(xiàn)場帶隔熱箱的數(shù)字盒數(shù)字信號傳輸至主控制的稱重儀表，電子稱稱重數(shù)據(jù)通過485通訊實時采集稱重數(shù)據(jù)；輸出數(shù)據(jù)通過一級網(wǎng)絡(luò)實時輸出到定尺約定的DB塊地址，實現(xiàn)與鑄機切割系統(tǒng)通訊，現(xiàn)場輥道布置如圖5(b)，搭建完成后進行現(xiàn)場稱重，結(jié)果與模擬結(jié)果吻合度一致，說明模型搭建成功。

圖5 現(xiàn)場模型搭建圖((a) 定重模型布置測點圖;(b) 現(xiàn)場輥道布置圖)

3.2軟件開發(fā)

為實現(xiàn)重型異形坯生產(chǎn)流程的實時優(yōu)化、故障預(yù)防和提高安全性等方面，同時利用生產(chǎn)數(shù)據(jù)完善冶金數(shù)據(jù)庫和工業(yè)大數(shù)據(jù)開發(fā)了連鑄坯智能定重系統(tǒng)。該系統(tǒng)主要包括鋼種設(shè)定、更換結(jié)晶器、數(shù)據(jù)導(dǎo)出、標(biāo)重更新、合格率等模塊，其中種設(shè)定、更換結(jié)晶器和純定尺模式等模塊直接通過PLC讀取冶金數(shù)據(jù)庫和現(xiàn)場生產(chǎn)的數(shù)據(jù)，標(biāo)重更新和稱重記錄通過RS485串行通訊方式進入定重模型機機管理系統(tǒng)進行數(shù)據(jù)自動采集，并記錄至系統(tǒng)和數(shù)據(jù)庫中，連鑄坯智能定重系統(tǒng)主界面如圖6所示。

圖6 重型異形坯智能定重系統(tǒng)主界面

4 應(yīng)用效果

，隨著模型投用時間增加，不同鋼種的合格率由82.35%增加到93.33%；從圖7(b)可知，隨投用時間的增加，平均合格率也不斷提高。該模型自投用以來運行連鑄坯重量公差小于千分之三的最高合格率達(dá)到了93%以上，平均合格率穩(wěn)定在82%以上，而在千分之五范圍內(nèi)的合格率達(dá)到了99%以上。

圖7 各鋼種稱重合格率((a)不同鋼種單月不超過0.3%合格率情況;(b)所有鋼種不超過0.3%平均合格率情況;)

5結(jié)語

本文主要開發(fā)了一種用于重型異形鋼坯連鑄過程中的智能定重模型，該模型通過結(jié)合冶金數(shù)據(jù)庫、神經(jīng)網(wǎng)絡(luò)預(yù)測、動態(tài)修正等技術(shù)，實現(xiàn)了鑄坯重量的高精度控制，顯著提高了生產(chǎn)效率和產(chǎn)品質(zhì)量。得出如下結(jié)論：

1）構(gòu)建了馬鋼重型異形坯智能定重模型，并開發(fā)了連鑄坯智能定重系統(tǒng)，改善了因鑄坯重量造成的軋材短尺或切廢現(xiàn)象，提高了軋鋼成材率；同時可避免頻繁改動定尺而造成的鋼水收得率損失，有利于提升鋼水-鋼坯收得率。

2）模型自上線以來，鑄坯重量公差小于0.3%的班次高值合格率達(dá)到了93%，全年平均合格率穩(wěn)定在80%以上。

3）模型具備動態(tài)靈活、智能修正、自學(xué)習(xí)優(yōu)化、實時預(yù)判等特點，提高定重精度，節(jié)能降耗，提高產(chǎn)品成材率，且重異形坯定重系統(tǒng)所用的模型以及數(shù)據(jù)采集設(shè)備均為高度智能化，可以大大提升企業(yè)的自動化以及智能化水平。

參考文獻

[1]  楊寶,李亞博,李洪俊等.大跨徑拼裝H型鋼疊合梁橋孔群制作精度控制技術(shù)[J].建筑技術(shù),2024,55(01):35-37.

[2]  馬鋼熱軋H型鋼首次打入國外采油船項目[J].軋鋼,2020,37(06):39.

[3]  田學(xué)伯.我國H型鋼市場需求分析及市場定位[J].機械設(shè)計,2018,35(S1):273-275.

[4]  樊三彩.丁毅代表建議:將重型熱軋H型鋼列入“高端鋼鐵產(chǎn)品”[N].中國冶金報,2024-03-12(003).

[5]  胡豪,徐升橋,鄒永偉等.高速公路30 m跨度大規(guī)格熱軋H型鋼簡支組合梁應(yīng)用經(jīng)濟性研究[J].市政技術(shù),2023,41(11):22-29+86.

[6]  呂偉鋒,尚文彪,張宏杰等.重型熱軋H型鋼在大跨度桁架和鋼梁中的焊接應(yīng)用[J].金屬加工(熱加工),2022,(10):35-39.

[7]  孟強,閆炯,孫勝勇.連鑄異形坯結(jié)晶器開口度檢測解決方案[J].包頭職業(yè)技術(shù)學(xué)院學(xué)報,2023,24(04):63-66.

[8]  黃明.異形坯連鑄結(jié)晶器錐度的優(yōu)化設(shè)計[J].工程建設(shè)與設(shè)計,2019,(22):143-144.

[9]  黃文,連天龍,張興中等.異形坯連鑄離線動態(tài)二冷控制模型的研究與開發(fā)[J].中國機械工程,2016,27(12):1643-1647.

[10]  張年華,李亮,渠松濤等.異形坯生產(chǎn)S450J0V鋼樁鋼表面質(zhì)量控制與改善[J].山東工業(yè)技術(shù),2017(20):1-2.

[11]  胡林梅,沈昶,王猛.重型異形坯鑄坯表面橫裂紋的成因分析與控制[J].冶金動力,2024,(01):86-89.

[12]  王金坤,王勇,牛金印等.馬鋼重型異形坯縱裂紋處理優(yōu)化研究[J].江西冶金,2022,42(05):76-82.

[13]  陳小冬.定重定尺智能切割在連鑄中的應(yīng)用及問題分析[C]//中國金屬學(xué)會煉鋼分會（Steelmaking Committee of the Chinese Society for Metals）.2018年（第二十屆）全國煉鋼學(xué)術(shù)會議大會報告及論文摘要集.陜鋼集團漢中鋼鐵有限責(zé)任公司;,2018:1.

[14]  周從銳,熊良友,吳建軍等.定重切割技術(shù)在小方坯連鑄機上的應(yīng)用[J].金屬世界,2022,(06):75-79.

[15]  李偉,黃大軍,吳帥等.連鑄坯在線定重切割技術(shù)工藝實踐[J].連鑄,2022,(05):101-107.

[16]  李偉,談?wù)?程錦君等.基于二冷優(yōu)化的高拉速方坯質(zhì)量改善及實踐[J].連鑄,2022,(02):95-99.

[17]  陽春新鋼鐵有限責(zé)任公司. 一種基于鑄軋聯(lián)動的連鑄坯定尺系統(tǒng):CN201910941025.4[P]. 2019-12-06.

[18]  陽春新鋼鐵有限責(zé)任公司,安徽工業(yè)大學(xué). 一種連鑄紅外攝像定尺誤差在線連續(xù)修正的方法:CN202110194769.1[P]. 2021-07-09.

[19]  楊彥霞, 王普, 高學(xué)金, 等. 基于混合雙層自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的 優(yōu)化學(xué)習(xí)算法[J]. Journal of Beijing University of Technology, 2024, 50(1).

[20]  何帆, 何選森, 劉潤宗, 等. 數(shù)據(jù)降維與 K-均值聚類的質(zhì)量評估[J]. 重慶理工大學(xué)學(xué)報 (自然科學(xué)), 2024, 38(1): 131-141.

[21]  朱金, 付玉, 管文瑞, 等. 基于自然最近鄰的樣本擾動三支聚類[J]. 《 山東大學(xué)學(xué)報 (理學(xué)版)》, 2024, 59(5): 45-51.

[22]  Qiao S, Fan Y, Wang G, et al. Multi-sensor data fusion method based on improved evidence theory[J]. Journal of Marine Science and Engineering, 2023, 11(6): 1142.