当前位置: 主页 > 项目信息发布 >

利用神经网络技术控制轧钢机

时间:2016-03-30 09:29来源:未知 作者:admin 点击:
烟台中俄基地管理委员会: 关于利用神经计算机控制轧钢机的建议:俄罗斯神经计算机研究中心在该领域的产业化中具有一定的实践经验。为了我们能够更好地研究出轧钢机控制系统的

烟台中俄基地管理委员会:
关于利用神经计算机控制轧钢机的建议:俄罗斯神经计算机研究中心在该领域的产业化中具有一定的实践经验。为了我们能够更好地研究出轧钢机控制系统的程序,希望能收到有关轧钢机和成材的一些具体参数的信息,或者需要达到某些指标。
利用神经网络技术控制轧钢机

现代轧钢机是一种较复杂技术系统,其包括轧材的机械装置、板材的传送装置、能源装置、冷却装置等等。在轧钢机的控制过程中需要解决复杂的控制任务(如板材的传送速度、轧辊、轧材的温度、能源分布等等)传感器的信号处理需要一定的运算资源。
轧钢的控制系统为较复杂的解决所有运算任务的计算系统。近年来呈现智能化控制的趋势。其中之一为采用神经网络控制的方法来实现,在轧钢机的控制系统应用人工智能,就是说在人工神经网络的基础上建立控制系统。该项目90年代初在国外开始研究,旨利用人工神经网络的技术解决在控制轧钢机的过程中的部分任务。在最近几年中出现了利用神经网络控制轧钢机的集成电路。
轧钢机:结构和轧制过程中解决的任务。
轧钢机为将指定的轧材加工成所需的厚度和剖面的金属材料的机械装置。轧制过程如图一所示:

图一所示每部轧钢机由三部分轧架组成,每部分用来保证将轧材轧制成金属板。在轧钢机中送入轧板,将其轧制成所需的剖面和厚度的板材。板材的传送过程借助于F1力的传送装置来完成。
每部分轧架有几个轧辊(如图一所示每部分轧架由上、下两个轧辊组成)。用改变轧辊之间的距离的方式将其轧成任意厚度的板材。轧制板材的剖面以选择轧辊剖面的方法来完成。在轧制过程中轧辊上的作用力为F2,以保证其间的距离。
为在轧制过程中获得所需厚度和剖面的板材,需解决下列任务:
l 轧板传送速度的控制;
l 轧辊上作用力的控制;
l 特殊剖面的轧辊状况的控制;
l 轧辊的振荡控制;
l 轧辊状态的诊断。
所有上述任务由轧钢机的控制系统来完成,而且需在轧制过程中在较现实的时间内有极大的准确性来完成上述任务。现有的轧钢机控制系统完全能够解决上述问题,同时需要高技术水平的工作人员来排除额外的特殊情况。近来呈现向轧钢机的智能化控制过程过渡的趋势,就是说,下一步的轧钢自动化需应用更高效的运算资源和信息处理的新方法。新一代的智能化控制系统的可实施方案之一为:利用信息处理的神经网络方法和以神经计算系统的形式来实施。
90年代开始出现了在轧钢控制过程中利用神经网络的趋势和类似神经网络集成电路控制现有的轧钢机。下列为利用神经网络技术已成功应用的实例。
在轧制过程中获得所需厚度的板材。
在轧钢机轧制钢材的过程中,控制系统中应用人工神经网络的任务(资料1)。目的为获得所需厚度的轧材。使用的轧钢机示意图如图2所示。

在轧制过程中需如下参数:
he - 轧制前钢板厚度;
ha - 轧制后钢板厚度;
v0, vw - 轧制前、后相应的钢板移动速度;
fw - 作用于轧钢机上的力。
其它参数为已定参数。
为获得轧板厚度为ha ref.的(S0)轧辊的线性混合为控制信号。
轧材的特征如下:

 

k[H/M2] - 平均压力;
σ[H/M2] - 材料平均压强;
μ - 轧辊和材料之间摩擦系数;
R/[M] - 轧辊变形半径。
如上述所说,线性混合的轧辊S0 为控制信号。上述测量参数为可变参数(状态输入矢量)。控制集成电路的平均平方误差为

在资料[1]中有描述解决上述控制任务的可行性方案。其中有传统的控制算法P1和PID - 控制器,及其它几种控制的神经算法。
工作质量的测评如下表所示:
表1
控制图 达到的误差程度I
控制器P1 2,63 10-6
断路神经系统 5,31 10-8
封闭神经系统 3,64 10-8
预报控制 2,87 10-8

从上表中可得出如下结论,神经控制系统可以保证高于传统的P1控制器2倍的准确性。
同样的任务也在名为《Thyssen Stahl AG/Beeckerwehrt》的轧钢联合体[3]中得到解决。为解决该任务使用了人工神经网络。可以在数月内在现有的轧板的信息的基础上训练神经网络。在训练神经网络的70306个实例后轧制准确率可提高27%(应用神经网络的方法与传统方法的误差比为2,7mm : 3,7mm)。
获得规定剖面的板材。
在轧制过程中除对板材的厚度有要求外,还经常对板材的剖面有要求。在这种情况下,就不是使用平滑的轧辊(圆筒状),而是专门剖面的轧棍,如图3所示。

在[3]中描述了为获得所需剖面的轧板,而控制其传送的神经网络算法。轧板剖面的公式为 剖面=D-

在获得上述厚度的轧板的任务中一个重要因素为轧板的传送速度,作用于轧辊上的控制其纵向运动的合作用力。在此过程中横向运动的控制同样非常重要,此外,还有一些对作用于轧辊上的作用力的补充的要求。在轧材的综合模型的基础上利用神经网络的途径与传统的数学模式相比较剖面的准确性可提高20%。
在3个月的期限内在使用4层轧架的轧钢机时,轧制的特殊剖面的铝板(图3)的数据表明可达到上述效果。采用神经网络技术使轧钢联合体在一年内节省了近一百万美元的费用。轧板的神经控制系统的应用目前已在该联合体得到了推广。
轧板的传送速度控制系统
在轧制的过程中需要解决控制轧板速度的问题。如果轧板的传送速度很高的话,将会减少轧制的时间,但会加大作用于轧辊上的负载,从而引起提前折旧,和引起轧板的变形。如果轧板的传送速度很慢的话,将会降低轧板的厚度的准确性。这样就需要针对具体的轧材选择一个合理的传送速度(轧材的厚度和材料,及轧辊的数量和轧辊的直径等)。
轧板的传送借助于专门的装置来完成。事实上轧板的传送速度取决于直接作用于轧板上的力(图1)。这样一来,控制轧板的速度的任务包含于确定合理的作用力的大小的任务之中。研制的神经网络系统曾经在德国的多特蒙德市的Krupp Hoesch Stahl AG的轧钢联合体得到试验。在53812个实例中应用的神经网络比应用的控制系统平均优于21%。神经网络与传统的运算相比较,相对试验结果证明如表2所示。
表2
轧架的数量 1 2 3 4 5 6 7
相对准确率 24% 21% 28% 28% 20% 13% 12%

 

轧辊状态的诊断
在轧制轧板的过程中,轧辊承受很大的负载,经受温度作用和振荡。所有上述因素均对轧制的准确性产生影响,轧辊的振荡有可能改变轧板的厚度。这样,在轧制过程中轧辊状态诊断的任务变得比较现实。在[2]和[4]描述了轧辊的振荡的状态的诊断和抑制振荡的系统。
事实上振荡为作用于控制轧辊之间距离的信号上的附加的噪音的部分。换句话说,轧板的实际厚度等于S0+△S,其中的S0 - 板材的理想厚度或控制轧辊之间距离的信号(图1),而△S - 附加噪音部分(振荡结果)。这样,抑制振荡的任务包括减少S0的部分。在[2]中表明,轧辊的振荡频率F表现为:

N - 轧机中轧辊的数量,
Fa - 基础频率,
d - 轧辊直径,
D - 轧辊中心之间距离,
θ- 轧材交接的角。
振荡频率在10Hz至20KHz之间,就是要抑制这个区域之间的振荡的干扰。
为消除干扰应用多层线性神经网络的神经结构,成功地诊断了和降低了低频(10-1000Hz),或高频的(1-20KHz)干扰。在培训的网络上现有振荡的诊断(镇幅和频率)的准确率可达到97%(71种因素中的69种),在这些因素的基础上抑制振荡。根据作者的数据可以知道,应用神经网络的方法于传统方法比较可以提高识别诊断的准确性3倍,抑制轧辊的振荡[2]。
在视频监视的基础上控制轧钢
在轧制的过程中需要经常检查轧板的厚度和剖面。一般来说,这需要通过安装在轧钢机各个部分的传感器来完成。在[5]列出了在轧钢过程的视频监视器的基础上的原始的优化方式。为提高准确性,在监视系统中附加安装了测量轧板剖面和厚度的激光装置。在[5]中列出了检查H型板剖面的实例,借助两个电视摄像机和一个包括激光和反射激光光线的接受器的激光装置。剖面检查根据12个参数。视频监视器和激光系统的控制,甚至确定在借助神经控制系统获得的视频图像的基础上的检测参数的意义。
每台摄像机可以摄取在256的灰色次第(次序)中尺寸为512x512皮克谐力(单位)的图像。
根据在[5]中得出的非线性公式,重新计算由两个图像和H型板的剖面检测的12个参数的三维坐标。在试验过程中,在轧制H型钢板中使用的视频监视系统获得剖面的参数,在50秒内计算每个参数的误差不大于1mm。所有参数误差和不大于0,6mm。这是一个非常好的数据指标,将有机会在轧制的过程中直接修正轧钢机的参数,这样一来,提高了轧钢的准确性。上述程序被应用于本国的钢铁企业(National Steel Company) ENSIDESA。
控制轧钢机的神经集成电路
工艺过程由采用神经技术解决部分任务,向完全使用神经网络控制轧钢机的集成电路的方向发展。1997年德国的Siemens AG已经研制出了控制轧钢机的集成神经电路[6]。这个系统还被安装在Hylsa's Flat Rolled Div钢铁联合体。墨西哥的Monteree和美国的Nucor CSP。
Siemens公司研制的程序是一个较复杂的综合的运算过程,可以将轧钢的准确性提高88-95%[6]。
在墨西哥的Monteree公司利用集成神经电路生产了专门的模块,这种模块是神经网络和评定系统的混合,保证实现轧钢机的智能化控制。


(责任编辑:admin)
织梦二维码生成器
------分隔线----------------------------
栏目列表
推荐内容