CN104942015B - 一种冷轧机组中酸洗工艺段智能控制方法和系统 - Google Patents
一种冷轧机组中酸洗工艺段智能控制方法和系统 Download PDFInfo
- Publication number
- CN104942015B CN104942015B CN201510347034.2A CN201510347034A CN104942015B CN 104942015 B CN104942015 B CN 104942015B CN 201510347034 A CN201510347034 A CN 201510347034A CN 104942015 B CN104942015 B CN 104942015B
- Authority
- CN
- China
- Prior art keywords
- acid
- control
- network model
- cleaning process
- pickling
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
- B21B45/0269—Cleaning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Cleaning And De-Greasing Of Metallic Materials By Chemical Methods (AREA)
- Feedback Control In General (AREA)
Abstract
本发明适用于冷轧带钢酸洗技术领域，提供了一种冷轧机组中酸洗工艺段智能控制方法，控制主机读取带钢数据，利用训练好的酸洗工艺参数设定的人工神经网络模型为带钢设定酸洗工艺参数；酸液浓度PLC实时采集酸洗工艺参数，控制主机调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。本发明实施例在收集大量酸洗工艺段样本数据的基础上，通过人工神经网络方法对酸洗工艺段智能控制，提高了带钢表面质量、降低酸洗工艺段能介耗量、降低机组的运行维护人力成本，并且避免西马克、奥钢联酸洗模型的局限性。
Description
技术领域
本发明属于冷轧带钢酸洗技术领域，尤其涉及一种冷轧机组中酸洗工艺段智能控制方法和系统。
背景技术
目前，国内冷轧钢铁产量接近8000万吨，酸洗是冷轧的关键工序，酸洗机组存在较多的欠酸洗和过酸洗，带钢表面质量不够高，酸洗机组的能源介质耗量比较高，机组的运行维护人力成本也比较高。其中，酸洗工艺参数设定和参数控制影响最大，西马克和奥钢联都有相应的酸洗模型来设定和控制酸洗的工艺参数，这两家的模型在形式上是理论公式化的，通过参数调整来适应不同的生产任务，这种模型在实际应用中存在与现场脱节的现象，实际生产需要更贴近现场的模型。
人工神经网络作为一种对生物神经元的模拟，具有良好的非线性映射、适应性和容错能力，目前已经得到了十分广泛的应用。OPC(Object Linking and Embedding forProcess Control)作为一个工业标准，它是许多世界领先的自动化和软、硬件公司合作的成果，目前已经得到了广泛的认可和实施。基于OPC规范，可以非常方便的实现数据交换。
然而，现有技术中并没有在冷轧的酸洗阶段使用所述人工神经网络的实现方案。
发明内容
本发明实施例的目的在于提供一套基于人工神经网络和OPC规范的冷轧机组酸洗工艺段智能系统系统，解决上述问题。
本发明实施例是这样实现的，一种冷轧机组中酸洗工艺段智能控制方法，所述方法包括：控制主机、酸洗模型主机、过程控制PLC、酸液浓度PLC，所述控制主机用于完成机组的生产和调度；过程控制PLC，用于与底层的传感器和执行器相连，接收由所述传感器采集的带钢相关的实时信息，并将过程控制主机的控制指令下发到所述执行器来执行；酸液浓度PLC，用于与酸液相关传感器相连，接收由所述酸液相关传感器反馈的酸洗工艺数据，其中，所述酸洗工艺数据包括带钢延伸率、酸液温度、酸液浓度、酸泵流量，具体的：
控制主机读取带钢数据，利用训练好的酸洗工艺参数设定的人工神经网络模型为带钢设定酸洗工艺参数；酸液浓度PLC实时采集酸洗工艺参数，控制主机调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。
优选的，在实现酸洗工艺参数自动设定与控制之前，所述方法还包括：
所述控制主机逐一训练酸洗人工神经网络模型，所述酸洗人工神经网络模型包括酸洗工艺参数设定的人工神经网络模型、酸液温度控制的人工神经网络模型、酸液浓度控制的人工神经网络模型和酸泵流量控制的人工神经网络模型；对应不同的酸洗人工神经网络模型，以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练。
优选的，所述酸洗人工神经网络模型，具体包括：由三层组成，第一层为输入层，接收参数输入，第二层为隐含层，对输入数据进行转换，第三层为输出层，输出目标参数。
优选的，所述三层组成在各人工神经网络模型中具体包括：酸洗工艺参数设定人工神经网络模型的输入为带钢品种、带钢厚度、卷取温度和带钢速度，输出参数为带钢延伸率、酸液温度、酸液浓度和酸泵流量，酸液温度控制人工神经网络模型的输入为设定酸液温度和实时酸液温度，输出为石墨换热器蒸汽阀的开口度，酸液浓度控制人工神经网络模型的输入为设定酸液浓度和实时酸液浓度，输出为新酸流进速度和废酸排除流速，酸泵流量控制人工神经网络模型的输入为设定酸泵流量和实时酸泵流量，输出为酸泵功率百分比。
优选的，所述神经元之间存在多个连接，对应不同且可不断修正的权值。
优选的，人工神经网络模型选择Sigmoid函数作为转换函数，采用BP算法对各酸洗人工神经网络模型进行训练并验证，具体包括：对应不同的酸洗人工神经网络模型，以酸洗工艺段实时数据为基础，对应各自的样本数据进行训练。
优选的，所述对应不同的酸洗人工神经网络模型，以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练，具体包括：
选择Sigmoid函数作为转换函数，采用BP算法对各酸洗人工神经网络模型进行训练并验证，如果误差控制在5％之内，则认为训练效果合格。
优选的，所述以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练，具体包括：
选择实时数据中80％数据作为样本数据，20％数据作为验证数据，来完成所述训练。
另一方面，本发明实施例还提供了一种冷轧机组中酸洗工艺段智能控制系统，所述系统包括：控制主机、酸洗模型主机、过程控制PLC、酸液浓度PLC，所述控制主机用于完成机组的生产和调度；过程控制PLC，用于与底层的传感器和执行器相连，接收由所述传感器采集的带钢相关的实时信息，并将过程控制主机的控制指令下发到所述执行器来执行；酸液浓度PLC，用于与酸液相关传感器相连，接收由所述酸液相关传感器反馈的酸洗工艺数据，其中，所述酸洗工艺数据包括带钢延伸率、酸液温度、酸液浓度、酸泵流量，具体的：
控制主机读取带钢数据，利用训练好的酸洗工艺参数设定的人工神经网络模型为带钢设定酸洗工艺参数；酸液浓度PLC实时采集酸洗工艺参数，控制主机调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。
优选的，所述系统还包括酸洗质量图像采集运动摄像头，具体的：带钢酸洗质量图像数据通过摄像头传递给所述控制主机获取，并在操作人员判定质量结果后存储。
本系统中各执行主体还用于完成本发明方法实施例中提出的各优选方案，由于本发明方法实施例和系统实施例属于一个总的发明构思，其实现手段可以互相借鉴，因此，处于简洁的考虑，在此不一一赘述。
本发明实施例提供的一种冷轧机组中酸洗工艺段智能控制方法和系统的有益效果包括：本发明实施例在收集大量酸洗工艺段样本数据的基础上，通过人工神经网络方法对酸洗工艺段智能控制，提高了带钢表面质量、降低酸洗工艺段能介耗量、降低机组的运行维护人力成本，并且避免西马克、奥钢联酸洗模型的局限性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种冷轧机组中酸洗工艺段智能控制方法流程图；
图2是本发明实施例提供的酸液温度控制人工神经网络模型图示意图；
图3是本发明实施例提供的一种冷轧机组中酸洗工艺段智能控制系统架构示意图；
图4是本发明实施例提供的一种冷轧机组中酸洗工艺段智能控制方法流程图；
图5是本发明实施例提供的一种冷轧机组中酸洗工艺段智能控制系统架构示意图；
图6是本发明实施例提供的IPS软件整体框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例1：
如图1所示为本发明提供的一种冷轧机组中酸洗工艺段智能控制方法和系统，所述方法包括以下步骤：
本发明实施例是这样实现的，一种冷轧机组中酸洗工艺段智能控制方法，所述方法包括：控制主机1、酸洗模型主机2、过程控制PLC(中文全称为：可编程逻辑控制器，引文全称为：Programmable Logic Controller)3、酸液浓度PLC4，所述控制主机1用于完成机组的生产和调度；过程控制PLC3，用于与底层的传感器和执行器相连，接收由所述传感器采集的带钢相关的实时信息，并将过程控制主机1的控制指令下发到所述执行器来执行；酸液浓度PLC4，用于与酸液相关传感器相连，接收由所述酸液相关传感器反馈的酸洗工艺数据，其中，所述酸洗工艺数据包括带钢延伸率、酸液温度、酸液浓度、酸泵流量，具体的：
在步骤201中，控制主机1读取带钢数据，利用训练好的酸洗工艺参数设定的人工神经网络模型为带钢设定酸洗工艺参数。
在步骤202中，酸液浓度PLC4实时采集酸洗工艺参数，控制主机1调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。
本发明实施例在收集大量酸洗工艺段样本数据的基础上，通过人工神经网络方法对酸洗工艺段智能控制，提高了带钢表面质量、降低酸洗工艺段能介耗量、降低机组的运行维护人力成本，并且避免西马克、奥钢联酸洗模型的局限性。
结合本发明实施例，存在一种优选的方案，其中，在实现酸洗工艺参数自动设定与控制之前，所述方法还包括：
所述控制主机1逐一训练酸洗人工神经网络模型，所述酸洗人工神经网络模型包括酸洗工艺参数设定的人工神经网络模型、酸液温度控制的人工神经网络模型、酸液浓度控制的人工神经网络模型和酸泵流量控制的人工神经网络模型；对应不同的酸洗人工神经网络模型，以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练。
结合本发明实施例，存在一种优选的方案，其中，所述酸洗人工神经网络模型，具体包括：由三层组成，第一层为输入层，接收参数输入，第二层为隐含层，对输入数据进行转换，第三层为输出层，输出目标参数。
结合本发明实施例，存在一种优选的方案，其中，所述三层组成在各人工神经网络模型中具体包括：酸洗工艺参数设定人工神经网络模型的输入为带钢品种、带钢厚度、卷取温度和带钢速度，输出参数为带钢延伸率、酸液温度、酸液浓度和酸泵流量；酸液温度控制人工神经网络模型的输入为设定酸液温度和实时酸液温度，输出为石墨换热器蒸汽阀的开口度(如图2所示)；酸液浓度控制人工神经网络模型的输入为设定酸液浓度和实时酸液浓度，输出为新酸流进速度和废酸排除流速；酸泵流量控制人工神经网络模型的输入为设定酸泵流量和实时酸泵流量，输出为酸泵功率百分比。
结合本发明实施例，存在一种优选的方案，其中，所述神经元之间存在多个连接，对应不同且可不断修正的权值。
结合本发明实施例，存在一种优选的方案，其中，人工神经网络模型选择Sigmoid函数作为转换函数，采用BP算法对各酸洗人工神经网络模型进行训练并验证，具体包括：对应不同的酸洗人工神经网络模型，以酸洗工艺段实时数据为基础，对应各自的样本数据进行训练。
结合本发明实施例，存在一种优选的方案，其中，所述对应不同的酸洗人工神经网络模型，以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练，具体包括：
选择Sigmoid函数作为转换函数，采用BP算法对各酸洗人工神经网络模型进行训练并验证，如果误差控制在5％之内，则认为训练效果合格。
结合本发明实施例，存在一种优选的方案，其中，所述以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练，具体包括：
选择实时数据中80％数据作为样本数据，20％数据作为验证数据，来完成所述训练。
实施例2：
如图3所示，本发明实施例还提供了一种冷轧机组中酸洗工艺段智能控制系统，所述系统包括：控制主机1、酸洗模型主机2、过程控制PLC3、酸液浓度PLC4，所述控制主机1用于完成机组的生产和调度；过程控制PLC3，用于与底层的传感器和执行器相连，接收由所述传感器采集的带钢相关的实时信息，并将过程控制主机1的控制指令下发到所述执行器来执行；酸液浓度PLC4，用于与酸液相关传感器相连，接收由所述酸液相关传感器反馈的酸洗工艺数据，其中，所述酸洗工艺数据包括带钢延伸率、酸液温度、酸液浓度、酸泵流量，具体的：
控制主机1读取带钢数据，利用训练好的酸洗工艺参数设定的人工神经网络模型为带钢设定酸洗工艺参数；酸液浓度PLC4实时采集酸洗工艺参数，控制主机1调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。
结合本发明实施例，存在一种优选的方案，其中，所述系统还包括酸洗质量图像采集运动摄像头，具体的：带钢酸洗质量图像数据通过摄像头传递给所述控制主机1获取，并在操作人员判定质量结果后存储。
本系统中各执行主体还用于完成本发明方法实施例中提出的各优选方案，由于本发明方法实施例和系统实施例属于一个总的发明构思，其实现手段可以互相借鉴，因此，处于简洁的考虑，在此不一一赘述。
本发明系统实施例建立的酸洗工艺段智能系统用实际的生产数据作为学习与训练样本数据，贴近生产实际；系统建立的多个人工神经网络模型能够通过训练不断的进行学习，从而达到非常高的精度；系统建立的多个人工神经网络模型具有非常好的非线性映射能力，泛化能力好；系统采用OPC作为数据交换接口，适应面广，可扩展性强。
实施例3：
本实施例基于实施例1所公开的方法实施例以及实施例2所公开的系统实施例基础上，结合具体的应用场景，阐述如何在具体的应用场景中，实现本发明所提出的方法。在本实施例中，控制主机1的功能被拆分到MES(中文全称：制造执行系统，英文全称：Manufacturing Execution Systems)主机和过程控制主机两个共同来实现，如图4所示，具体包括以下执行步骤：
在步骤302中，如图5所示的系统架构图，搭建冷轧机组酸洗工艺段智能系统，主要包括MES主机11、过程控制主机12、酸洗模型主机2、过程控制PLC3、酸液浓度PLC4和酸洗质量图像采集运动摄像头5，将各计算机通过工业以太网连接起来，将PLC与现场的各类传感器和执行器连接起来，另外，通过无线WiFi站点6建立酸洗模型主机和质量数据采集运动摄像头之间的连接。
在步骤303中，采集并存储大量的酸洗工艺段实时数据。带钢数据包括带钢品种、带钢厚度和卷取温度等，所述酸洗工艺数据通过过程控制PLC和酸液浓度PLC中获取，酸洗工艺数据包括带钢延伸率、酸液温度、酸液浓度、酸泵流量以及现场的相关仪表数据，带钢酸洗质量图像数据通过运行在酸洗模型主机上的运动摄像头客户端软件获取，人工判定质量结果后存储，酸洗工艺段的能源介质耗量数据通过过程控制PLC采集的仪表数据中获取。
在步骤304中，逐一训练酸洗人工神经网络模型，其中，人工神经网络模型的建立和训练利用开源软件AForge.NET实现，模型主要包括酸洗工艺参数设定人工神经网络模型、酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模型和酸泵流量控制人工神经网络模型，这些模型一般由三层组成，第一层为输入层，接收参数输入，第二层为隐含层，对输入数据进行转换，第三层为输出层，输出目标参数，另外，神经元之间存在多个连接，对应不同且可不断修正的权值。其中，酸洗工艺参数设定人工神经网络模型的输入为带钢品种、带钢厚度、卷取温度和带钢速度，输出参数为带钢延伸率、酸液温度、酸液浓度和酸泵流量，酸液温度控制人工神经网络模型的输入为设定酸液温度和实时酸液温度，输出为石墨换热器蒸汽阀的开口度，酸液浓度控制人工神经网络模型的输入为设定酸液浓度和实时酸液浓度，输出为新酸流进速度和废酸排除流速，酸泵流量控制人工神经网络模型的输入为设定酸泵流量和实时酸泵流量，输出为酸泵功率百分比。
对应不同的酸洗人工神经网络模型，以采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练，选择其中80％数据作为样本数据，20％数据作为验证数据，选择Sigmoid函数作为转换函数，采用BP算法对各酸洗人工神经网络模型进行训练并验证，如果误差控制在5％之内，则认为训练效果好。以酸液温度控制人工神经网络模型为例，其网络模型如图2所示，训练样本数据见表1，设置酸液温度控制人工神经网络模型参数，其中包括：学习率、冲量因子、S函数α值、节点数和训练代数，通过调整节点数和训练代数，训练结果见表2。
表1酸液温度控制人工神经网络模型训练样本数据
| 编号 | 设定温度 | 初始温度 | 蒸汽阀开口度 |
| 1 | 70 | 59.6 | 100 |
| 2 | 70 | 65 | 75 |
| 3 | 70 | 70 | 25 |
| 4 | 70 | 75 | 0 |
| 5 | 70 | 80 | 0 |
| 6 | 70 | 85.6 | 0 |
| 7 | 75 | 59.6 | 100 |
| 8 | 75 | 65 | 75 |
| 9 | 75 | 70 | 50 |
| 10 | 75 | 75 | 25 |
| 11 | 75 | 80 | 0 |
| 12 | 75 | 85.6 | 0 |
| 13 | 80 | 59.6 | 100 |
| 14 | 80 | 65 | 100 |
| 15 | 80 | 70 | 75 |
| 16 | 80 | 75 | 50 |
| 17 | 80 | 80 | 25 |
| 18 | 80 | 85.6 | 0 |
| 19 | 85 | 59.6 | 100 |
| 20 | 85 | 65 | 100 |
| 21 | 85 | 70 | 100 |
| 22 | 85 | 75 | 75 |
| 23 | 85 | 80 | 50 |
| 24 | 85 | 85.6 | 25 |
表2酸液温度控制人工神经网络模型训练结果
在步骤305中，从MES主机中读取多卷带钢数据，利用训练好的酸洗工艺参数设定人工神经网络模型为多卷带钢设定各自的酸洗工艺参数，包括带钢延伸率、酸液温度、酸液浓度和酸泵流量，并将带钢数据和设定的酸洗工艺参数数据一并存储到酸洗模型主机上的MySQL数据库，实时数据采集模块实时采集酸洗工艺参数，带钢酸洗工艺参数控制模块获取对应带钢设定的酸洗工艺参数，将设定的工艺参数和实时采集的工艺参数作为各控制模块的输入，调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。
在步骤306中，当自动控制效果不佳时，可以人工操作模式来实现酸洗工艺参数手动控制，软件通过数据采集模块自动记录手动操作并存储，后续作为控制模型样本数据对相应的模型进行再次训练，从而提高控制模型的稳定性、响应速度和精确度；当自动设定酸洗工艺参数酸洗质量不好时，可以人工调节自动设定的酸洗工艺参数并存储起来，后续作为样本数据对酸洗工艺参数设定模型进行再次训练，从而更好的匹配带钢属性和酸洗工艺参数，实现现场经验和知识的数据化存储、融合与应用。
实施例4：
本发明实施例给出了一种应用软件，可以用于支撑实现上述各实施例中的改进方法，具体的，酸洗工艺段智能系统核心是酸洗模型主机上运行的IPS软件，IPS整体框架如图6所示，其主要功能包括：生产实时数据采集与存储，带钢酸洗工艺参数设定，带钢酸洗工艺参数控制和多个酸洗人工神经网络模型学习与训练。生产实时数据包括带钢数据、酸洗工艺数据、酸洗质量数据和酸洗能源介质耗量数据，带钢酸洗工艺参数设定就是依据带钢属性设定合适的酸洗工艺参数，带钢酸洗工艺参数控制是通过反馈来逐步降低设定酸洗工艺参数与实时酸洗工艺参数之间的偏差，酸洗人工神经网络学习和训练利用存储的酸洗样本数据来训练多个人工神经网络模型，主要包括酸洗工艺参数设定人工神经网络模型、酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型。
本领域普通技术人员还可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种冷轧机组中酸洗工艺段智能控制方法，其特征在于，所述方法包括：控制主机、酸洗模型主机、过程控制PLC、酸液浓度PLC，所述控制主机用于完成机组的生产和调度；过程控制PLC，用于与底层的传感器和执行器相连，接收由所述传感器采集的带钢相关的实时信息，并将过程控制主机的控制指令下发到所述执行器来执行；酸液浓度PLC，用于与酸液传感器相连，接收由所述酸液相关传感器反馈的酸洗工艺数据，其中，所述酸洗工艺数据包括带钢延伸率、酸液温度、酸液浓度、酸泵流量，具体的：
控制主机读取带钢数据，利用训练好的酸洗工艺参数设定的人工神经网络模型为带钢设定酸洗工艺参数；酸液浓度PLC实时采集酸洗工艺参数，控制主机调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。
2.根据权利要求1所述的方法，其特征在于，在实现酸洗工艺参数自动设定与控制之前，所述方法还包括：
所述控制主机逐一训练酸洗人工神经网络模型，所述酸洗人工神经网络模型包括酸洗工艺参数设定的人工神经网络模型、酸液温度控制的人工神经网络模型、酸液浓度控制的人工神经网络模型和酸泵流量控制的人工神经网络模型；
对应不同的酸洗人工神经网络模型，以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练。
3.根据权利要求2所述的方法，其特征在于，所述酸洗人工神经网络模型，具体包括：
由三层组成，第一层为输入层，接收参数输入，第二层为隐含层，对输入数据进行转换，第三层为输出层，输出目标参数。
4.根据权利要求3所述的方法，其特征在于，所述三层组成在各人工神经网络模型中具体包括：
酸洗工艺参数设定人工神经网络模型的输入为带钢品种、带钢厚度、卷取温度和带钢速度，输出参数为带钢延伸率、酸液温度、酸液浓度和酸泵流量，酸液温度控制人工神经网络模型的输入为设定酸液温度和实时酸液温度，输出为石墨换热器蒸汽阀的开口度，酸液浓度控制人工神经网络模型的输入为设定酸液浓度和实时酸液浓度，输出为新酸流进速度和废酸排除流速，酸泵流量控制人工神经网络模型的输入为设定酸泵流量和实时酸泵流量，输出为酸泵功率百分比。
5.根据权利要求3所述的方法，其特征在于，所述神经元之间存在多个连接，对应不同且可不断修正的权值。
6.根据权利要求2-5任一所述的方法，其特征在于，所述各酸洗人工神经网络模型通过选择Sigmoid函数作为转换函数，采用BP算法进行训练并验证，具体包括：
对应不同的酸洗人工神经网络模型，以酸洗工艺段实时数据为基础，对应各自的样本数据进行训练。
7.根据权利要求6所述的方法，其特征在于，所述对应不同的酸洗人工神经网络模型，以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练，具体包括：
选择Sigmoid函数作为转换函数，采用BP算法对各酸洗人工神经网络模型进行训练并验证，如果误差控制在5％之内，则认为训练效果合格。
8.根据权利要求7所述的方法，其特征在于，所述以实时数据采集模块采集的酸洗工艺段实时数据为基础，对应各自的样本数据进行训练，具体包括：
选择实时数据中80％数据作为样本数据，20％数据作为验证数据，来完成所述训练。
9.一种冷轧机组中酸洗工艺段智能控制系统，其特征在于，所述系统包括：控制主机、酸洗模型主机、过程控制PLC、酸液浓度PLC，所述控制主机用于完成机组的生产和调度；过程控制PLC，用于与底层的传感器和执行器相连，接收由所述传感器采集的带钢相关的实时信息，并将过程控制主机的控制指令下发到所述执行器来执行；酸液浓度PLC，用于与酸液相关传感器相连，接收由所述酸液相关传感器反馈的酸洗工艺数据，其中，所述酸洗工艺数据包括带钢延伸率、酸液温度、酸液浓度、酸泵流量，具体的：
控制主机读取带钢数据，利用训练好的酸洗工艺参数设定的人工神经网络模型为带钢设定酸洗工艺参数；酸液浓度PLC实时采集酸洗工艺参数，控制主机调用训练好的酸液温度控制人工神经网络模型、酸液浓度控制人工神经网络模和酸泵流量控制人工神经网络模型分别对酸液温度、酸液浓度和酸泵流量进行控制，实现酸洗工艺参数自动设定与控制。
10.根据权利要求9所述的系统，其特征在于，所述系统还包括酸洗质量图像采集运动摄像头，具体的：
带钢酸洗质量图像数据通过摄像头传递给所述控制主机获取，并在操作人员判定质量结果后存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510347034.2A CN104942015B (zh) | 2015-06-19 | 2015-06-19 | 一种冷轧机组中酸洗工艺段智能控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510347034.2A CN104942015B (zh) | 2015-06-19 | 2015-06-19 | 一种冷轧机组中酸洗工艺段智能控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104942015A CN104942015A (zh) | 2015-09-30 |
| CN104942015B true CN104942015B (zh) | 2017-05-17 |
Family
ID=54157374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510347034.2A Active CN104942015B (zh) | 2015-06-19 | 2015-06-19 | 一种冷轧机组中酸洗工艺段智能控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104942015B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106168815A (zh) * | 2016-07-27 | 2016-11-30 | 中冶南方工程技术有限公司 | 一种基于神经网络pid的酸液温度控制系统及方法 |
| CN108803705A (zh) * | 2018-08-21 | 2018-11-13 | 成渝钒钛科技有限公司 | 一种炼钢系统的温度优化控制方法、控制装置及应用与计算机可读存储介质 |
| CN109930157A (zh) * | 2019-04-11 | 2019-06-25 | 成都工业学院 | 一种高碳钢焊接酸洗方法及酸洗设备 |
| CN111390570B (zh) * | 2020-03-31 | 2021-07-06 | 日照宝华新材料有限公司 | 一种酸平线上酸洗卷和热轧平整相互转换的方法 |
| CN112126938B (zh) * | 2020-08-31 | 2023-01-10 | 首钢智新迁安电磁材料有限公司 | 一种控制带钢表面质量的方法及装置 |
| CN112775182A (zh) * | 2020-12-29 | 2021-05-11 | 广州市荻亚机电设备有限公司 | 一种高端装备制造用冷轧钢板生产用制造设备 |
| CN115520917B (zh) * | 2021-10-27 | 2024-01-23 | 泰州威绿环保科技有限公司 | 不锈钢制品集中清洗车间的废水污染治理系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH105838A (ja) * | 1996-06-26 | 1998-01-13 | Sumitomo Metal Ind Ltd | 冷間圧延工程における耳割れ防止方法 |
| JP3575175B2 (ja) * | 1996-08-27 | 2004-10-13 | 住友金属工業株式会社 | フェライト系ステンレス鋼帯の冷間圧延方法 |
| CN103331303B (zh) * | 2013-06-17 | 2016-02-24 | 北京首钢股份有限公司 | 一种冷轧停车斑的酸洗轧制方法 |
| CN104624700A (zh) * | 2014-12-31 | 2015-05-20 | 中铝西南铝冷连轧板带有限公司 | 印刷用ps版铝基材冷轧直轧生产方法 |
-
2015
- 2015-06-19 CN CN201510347034.2A patent/CN104942015B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104942015A (zh) | 2015-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104942015B (zh) | 一种冷轧机组中酸洗工艺段智能控制方法和系统 | |
| CN106874914A (zh) | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 | |
| CN110503251B (zh) | 一种基于Stacking算法的非节假日负荷预测方法 | |
| CN107679522A (zh) | 基于多流lstm的动作识别方法 | |
| CN106897817A (zh) | 一种基于增强现实的施工进度可视化管理系统及方法 | |
| CN110472695A (zh) | 一种工业生产过程的异常工况检测和分类方法 | |
| CN107038604A (zh) | 产品对象用户数的展示方法和装置 | |
| TW202111618A (zh) | 生產排程系統及方法 | |
| CN108363896A (zh) | 一种液压缸故障诊断方法 | |
| CN105469376A (zh) | 确定图片相似度的方法和装置 | |
| CN109407644A (zh) | 一种用于制造企业多Agent协同控制方法及系统 | |
| CN107886162A (zh) | 一种基于wgan模型的可变形卷积核方法 | |
| CN109948514A (zh) | 基于单目标三维重建的工件快速识别与定位方法 | |
| CN106991428A (zh) | 基于自适应池化模型的害虫图像识别方法 | |
| CN111311023A (zh) | 一种配煤掺烧方法、装置、设备及计算机可读存储介质 | |
| CN107845045A (zh) | 教学工厂的多维度数字化教学资源库及其构建方法和应用 | |
| CN109376941A (zh) | 基于人工神经网络和bim的建筑能耗模拟和优化方法 | |
| CN107671672A (zh) | 一种小型铸件打磨机及其智能管理系统 | |
| CN105661613B (zh) | 提高复烤片烟颜色均匀性的方法和烟叶打叶复烤方法 | |
| Rahman et al. | A Simulation-Based Approach for Line Balancing Under Demand Uncertainty in Production Environment | |
| CN109683555A (zh) | 一种家具设计生产系统 | |
| CN107703760A (zh) | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 | |
| CN107330608A (zh) | 一种基于神经元网络技术的生产排程方法 | |
| CN106865418A (zh) | 一种钢卷库区吊机设备的控制方法 | |
| Ahmad | Intelligent digital twin to make robot learn the assembly process through deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |