CN109226282B - 一种基于物联网的钢板在线固溶的轧后快速冷却方法 - Google Patents

一种基于物联网的钢板在线固溶的轧后快速冷却方法 Download PDF

Info

Publication number
CN109226282B
CN109226282B CN201811343363.XA CN201811343363A CN109226282B CN 109226282 B CN109226282 B CN 109226282B CN 201811343363 A CN201811343363 A CN 201811343363A CN 109226282 B CN109226282 B CN 109226282B
Authority
CN
China
Prior art keywords
steel plate
module
cooling
image
control module
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
Application number
CN201811343363.XA
Other languages
English (en)
Other versions
CN109226282A (zh
Inventor
张曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Nonferrous Metals Vocational and Technical College
Original Assignee
Hunan Nonferrous Metals Vocational and Technical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Nonferrous Metals Vocational and Technical College filed Critical Hunan Nonferrous Metals Vocational and Technical College
Priority to CN201811343363.XA priority Critical patent/CN109226282B/zh
Publication of CN109226282A publication Critical patent/CN109226282A/zh
Application granted granted Critical
Publication of CN109226282B publication Critical patent/CN109226282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
    • 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
    • B21B45/0203—Cooling
    • B21B45/0209—Cooling devices, e.g. using gaseous coolants
    • B21B45/0215—Cooling devices, e.g. using gaseous coolants using liquid coolants, e.g. for sections, for tubes
    • B21B45/0218—Cooling devices, e.g. using gaseous coolants using liquid coolants, e.g. for sections, for tubes for strips, sheets, or plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Factory Administration (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明属于钢板冷却技术领域，公开了一种基于物联网的钢板在线固溶的轧后快速冷却方法，所述基于物联网的钢板在线固溶的轧后快速冷却系统包括：图像采集模块、温度检测模块、操作控制模块、主控模块、无线通信模块、服务器、冷却模块、喷水模块、冷却模拟控制模块、缺陷检测模块、显示模块。本发明通过冷却模拟控制模块为系统测试、学习算法调试及闭环回路控制等提供了良好的模拟环境，节省了在线调试时间和生产调试的费用，大大降低了上线风险；同时，通过缺陷检测模块利用检测模型预测计算出缺陷的类别和位置，能够使检测结果更为精确。

Description

一种基于物联网的钢板在线固溶的轧后快速冷却方法
技术领域
本发明属于钢板冷却技术领域，尤其涉及一种基于物联网的钢板在线固溶的轧后快速冷却方法。
背景技术
钢板是用钢水浇注，冷却后压制而成的平板状钢材；是平板状，矩形的，可直接轧制或由宽钢带剪切而成；钢板按厚度分，薄钢板＜4毫米(最薄0.2毫米)，中厚钢板4～60毫米，特厚钢板60～115毫米。钢板按轧制分，分热轧和冷轧。薄板的宽度为500～1500毫米；厚的宽度为600～3000毫米；薄板按钢种分，有普通钢、优质钢、合金钢、弹簧钢、不锈钢、工具钢、耐热钢、轴承钢、硅钢和工业纯铁薄板等；按专业用途分，有油桶用板、搪瓷用板、防弹用板等；按表面涂镀层分，有镀锌薄板、镀锡薄板、镀铅薄板、塑料复合钢板等。然而，现有对钢板在线固溶的轧后快速冷却效果差，调试时间及调试费用大，大的工艺改进还将涉及到系统结构的变化，这些都会给产线的调试带来风险，甚至可能带来一定的损失；同时，对钢板人工质检方式，即依赖于行业专家肉眼观察生产环境中的照片给出判断；检测精度较低。
综上所述，现有技术存在的问题是：现有对钢板在线固溶的轧后快速冷却效果差，调试时间及调试费用大，大的工艺改进还将涉及到系统结构的变化，这些都会给产线的调试带来风险，甚至可能带来一定的损失；同时，对钢板人工质检方式，即依赖于行业专家肉眼观察生产环境中的照片给出判断；检测精度较低。
发明内容
针对现有技术存在的问题，本发明提供了一种基于物联网的钢板在线固溶的轧后快速冷却方法。
本发明是这样实现的，一种基于物联网的钢板在线固溶的轧后快速冷却方法，所述基于物联网的钢板在线固溶的轧后快速冷却方法包括以下步骤：
步骤一，摄像器采用具有时效动态性的算法采集冷却钢板图像数据；使用特普勒图像特征算法提取冷却钢板图像特征；温度传感器检测冷却钢板的温度数据；操作控制按键操作钢板冷却设备；
步骤二，采用空间域融合方法对采集的图像信息进行分解变换，无线发射器将采集的图像信息发送到服务器进行存储；
步骤三，冷凝器对冷却钢板的水进行降温操作；喷洒器将冷却的水喷洒到钢板冷却；
步骤四，确定热弹塑性应力、应变关系，通过冷却模拟控制模块利用模拟程序模拟对钢板的冷却操作；
所述热弹塑性应力、应变关系在弹性区域内，全应变增量d{ε}表示为：
d{ε}＝d{ε}e+d{ε}T＝d{ε}e+{α}dT；
式中，{α}表示线膨胀系数向量，d{ε}e表示弹性应变增量，d{ε}T表示温度应变增量；将虎克定律进行微分得到：
Figure BDA0001863115720000021
解出d{σ}得到：
Figure BDA0001863115720000022
上式表示温度对材料性质在弹性区域内的影响程度关系；
在弹性区域内，全应变增量d{ε}分解为：
d{ε}＝d{ε}e+d{ε}p+d{ε}T；
式中，d{ε}p表示塑性应变增量，d{ε}e表示弹性应变增量，d{ε}T表示温度应变增量；得出等效塑性应变增量
Figure BDA0001863115720000033
Figure BDA0001863115720000031
塑性区的应力-应变的增量关系为：
Figure BDA0001863115720000032
式中，[D]ep是常温下的弹塑性矩阵；
步骤五，利用图像处理程序根据采集的图像进钢板缺陷检测；
所述缺陷检测具体包括：
(1)提取多个样本的HOG特征，得到样本的HOG特征矩阵H；
(2)对H用PCA降维构造超完备字典D；
(3)对于待检测钢板Blockij，i＝1，2，...，n，n表示待检测的钢板的个数；
(4)对每个Blockij，计算其HOG特征，并用PCA进行降维，得到将为后的特征向量HPij；
(5)将HPij输入到稀疏表示分类器SRC中计算与H矩阵中正常钢板的误差，Blockij对应误差较小的类别，判断Blockij是否存在缺陷；
步骤六，通过显示模块利用显示器显示采集的钢板图像数据信息及温度数据。
进一步，采用具有时效动态性的算法，算法表达式描述如下：
Figure BDA0001863115720000041
式中，h，f，j，h′，f′，j′都表示图像分析模块动态点，在进行采集图像与物联网图像信息交互时，完成对物联网图像的提取与图像特征分析，存储终端采集数据与调取物联网资源数据，分析并回馈结果给终端；
特征采集模块，在提取图像特征时，使用特普勒图像特征算法，表达式为：
Figure BDA0001863115720000042
整合图像模块，设计两个通道，通道一的功能是输入数字信号，这一环节是单向，通道二完成数字信号向图像信号的转换，基于数字信号向图像信号的转换，表达式为：
Figure BDA0001863115720000043
Figure BDA0001863115720000044
获取到信号在转换时的一个排列结构，根据这个排列结构，完成图像整合。
进一步，采用空间域融合方法对采集的图像信息进行分解变换，进行融合的图像两幅源图像分别为A和B，源图像大小为M×N，融合后的得到的图像为F，图像A和B的加权平局融合表示为：
F(m，n)＝wA(m，n)A(m，n)+wB(m，n)B(m，n)；
式中，A(m，n)为源图像A在坐标(m，n)点处的灰度值，B(m，n)为源图像B在坐标(m，n)点处的灰度值，m＝1，2，…，M，n＝1，2，…，N；wA和wB为加权系数，wA+wB＝1；有N个含有噪声的图像gi(m，n)：
gi(m，n)＝f(m，n)+ηi(m，n)；
式中，i＝1，2，…，N；
f(m，n)为源图像在点(m，n)处的像素值；
ηi(m，n)为图像在点(m，n)处的不相关、零均值随机噪声；
对N个图像进行融合，得到的图像
Figure BDA0001863115720000051
为：
Figure BDA0001863115720000052
那么：
Figure BDA0001863115720000053
的均值：
Figure BDA0001863115720000054
Figure BDA0001863115720000055
式中，
Figure BDA0001863115720000056
为g在点(m，n)处的方差，
Figure BDA0001863115720000057
为η在点(m，n)处的方差；
融合后的图像F在(m，n)处的标准差为：
Figure BDA0001863115720000058
进一步，冷却模拟方法如下：
(1)主控模块将优化设定计算的控制量通过TCP/IP网络下发到PLC的数据接收模块；
(2)PLC的数据收集模块将控制信号和实测数据通过TCP/IP网络上传给主控模块；
(3)PLC通过与冷却设备模拟装置的开关信号、模拟钢板运动的变频电机、位置检测仪表及电动调节开关、模拟温度测量仪表的连接，模拟钢板的冷却效果，对模拟冷却钢板的位置进行跟踪；
(4)PLC根据钢板位置信号启动优化设定模型的计算功能，接收主控模块的设定控制量，完成为模拟流量设备、开关、模拟边部遮蔽的设定调节，并根据实际调节阀的响应时间，设计模拟调节时间，模拟实际设备响应状态，从而确定最佳控制点位置；
(5)PID控制器对模拟流量调节阀和变频电机速度实现闭环控制；
(6)PLC通过接收工控机计算得到的虚拟钢板的在到达模拟冷却线不同位置的温度，上传给主控模块，主控模块完成设定控制量的重新优化后再次发送给PLC，PLC实现在线的优化控制。
进一步，缺陷检测方法如下：
(1)接收待检测钢板的图片数据，并根据所述图片数据生成缺陷检测请求；
(2)监测多个服务器的运行状态，将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上；其中，所述多个服务器每个都搭载检测模型，并且所述第一服务器为所述多个服务器中计算负载最小的服务器；
(3)从所述第一服务器接收预测结果；其中，所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到，并且所述预测结果包括检测合格和缺陷结果，所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别；
(4)根据所述缺陷检测请求，利用检测模型对所述图像数据进行预测计算，得到并输出预测结果；其中，所述预测结果包括检测合格和缺陷结果，所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
进一步，所述利用检测模型对所述图像数据进行预测计算，包括：
利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征；
根据所提取的钢板特征，判断所述待检测钢板是否具有缺陷；
在确定所述待检测钢板具有缺陷时，利用预设分类器确定所述缺陷中的每个的位置和类别，并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果；在确定没有在所述待检测钢板上检测到缺陷时，生成所述检测合格的预测结果。
进一步，所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征之前，还包括：
对所述待检测钢板的图像数据进行预处理；
并且，所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征包括：利用深度卷积神经网络提取经预处理的图像数据中的钢板特征；
所述钢板特征利用多件钢板的图像通过训练获得，并且根据预定时间间隔或根据接收到的更新指令进行更新；其中，所述更新指令指示，根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新，并且所述多件钢板的规格相同并且以同一工艺形成；
所述根据所提取的钢板特征判断所述待检测钢板是否具有缺陷包括：
将所提取的钢板特征与合格钢板的对应钢板特征进行比较，并根据比较结果判断所述待检测钢板是否具有缺陷。
本发明的另一目的在于提供一种实现所述基于物联网的钢板在线固溶的轧后快速冷却方法的基于物联网的钢板在线固溶的轧后快速冷却系统，所述基于物联网的钢板在线固溶的轧后快速冷却系统包括：
图像采集模块、温度检测模块、操作控制模块、主控模块、无线通信模块、服务器、冷却模块、喷水模块、冷却模拟控制模块、缺陷检测模块、显示模块；
图像采集模块，与主控模块连接，用于通过摄像器采集冷却钢板图像数据；
温度检测模块，与主控模块连接，用于通过温度传感器检测冷却钢板的温度数据；
操作控制模块，与主控模块连接，用于通过操作控制按键操作钢板冷却设备；
主控模块，与图像采集模块、温度检测模块、操作控制模块、无线通信模块、冷却模块、喷水模块、冷却模拟控制模块、缺陷检测模块、显示模块连接，用于通过单片机控制各个模块正常工作；
无线通信模块，与主控模块、服务器连接，用于通过无线发射器将采集的图像信息发送到服务器进行存储；
冷却模块，与主控模块连接，用于通过冷凝器对冷却钢板的水进行降温操作；
喷水模块，与主控模块连接，用于通过喷洒器将冷却的水喷洒到钢板上进行冷却；
冷却模拟控制模块，与主控模块连接，用于通过模拟程序模拟对钢板的冷却操作；
缺陷检测模块，与主控模块连接，用于通过图像处理程序根据采集的图像进钢板缺陷检测；
显示模块，与主控模块连接，用于通过显示器显示采集的钢板图像数据信息及温度数据。
本发明的另一目的在于提供一种实施所述基于物联网的钢板在线固溶的轧后快速冷却方法的信息数据处理终端。
本发明的另一目的在于提供一种实施所述基于物联网的钢板在线固溶的轧后快速冷却方法的计算机程序。
本发明的优点及积极效果为：本发明通过冷却模拟控制模块为轧后钢板加速冷却过程，提供上位机模型过程控制、下位机基础自动化PLC控制，直到钢板加速冷却装置及控制仪表的整个控制系统设计方法，为控制系统的改进和完善过程，提供一种检测冷却控制系统结构、冷却控制系统功能、钢板位置跟踪状态、控制模型性能、控制方法、学习算法等是否合理的模拟评价的中试试验方法；该方法为系统测试、学习算法调试及闭环回路控制等提供了良好的模拟环境，节省了在线调试时间和生产调试的费用，大大降低了上线风险；同时，通过缺陷检测模块利用检测模型预测计算出缺陷的类别和位置，能够使检测结果更为精确。
本发明的特征采集模块对于图像检测中的图像分析模块，与传统的图像特征采集技术相比，采用的是像素点特征，这样能大大的提高所采集数据的准确性；在成功采集到目标区域的特征数据时，将针对所获得的数据进行合理优化，去除多余部分，继而避免由于其他垃圾数据所引发的检测误差与错误。基于加权平均的图像融合方法实际上是一种图像的平滑处理。在降低图像噪声的同时，通常也在一定程度上使图像的边缘变得更加模糊，轮廓不清晰，甚至产生重影。
附图说明
图1是本发明实施提供的基于物联网的钢板在线固溶的轧后快速冷却方法流程图。
图2是本发明实施提供的基于物联网的钢板在线固溶的轧后快速冷却系统结构框图。
图2中：1、图像采集模块；2、温度检测模块；3、操作控制模块；4、主控模块；5、无线通信模块；6、服务器；7、冷却模块；8、喷水模块；9、冷却模拟控制模块；10、缺陷检测模块；11、显示模块。
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。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明提供的一种基于物联网的钢板在线固溶的轧后快速冷却方法包括以下步骤：
步骤S101，通过图像采集模块利用摄像器采集冷却钢板图像数据；通过温度检测模块利用温度传感器检测冷却钢板的温度数据；通过操作控制模块利用操作控制按键操作钢板冷却设备；
步骤S102，主控模块通过无线通信模块利用无线发射器将采集的图像信息发送到服务器进行存储；
步骤S103，通过冷却模块利用冷凝器对冷却钢板的水进行降温操作；通过喷水模块利用喷洒器将冷却的水喷洒到钢板上进行冷却；
步骤S104，通过冷却模拟控制模块利用模拟程序模拟对钢板的冷却操作；
步骤S105，通过缺陷检测模块利用图像处理程序根据采集的图像进钢板缺陷检测；
步骤S106，通过显示模块利用显示器显示采集的钢板图像数据信息及温度数据。
确定热弹塑性应力、应变关系，通过冷却模拟控制模块利用模拟程序模拟对钢板的冷却操作；所述热弹塑性应力、应变关系在弹性区域内，全应变增量d{ε}表示为：
d{ε}＝d{ε}e+d{ε}T＝d{ε}e+{α}dT；
式中，{α}表示线膨胀系数向量，d{ε}e表示弹性应变增量，d{ε}T表示温度应变增量；将虎克定律进行微分得到：
Figure BDA0001863115720000101
解出d{σ}得到：
Figure BDA0001863115720000102
上式表示温度对材料性质在弹性区域内的影响程度关系；
在弹性区域内，全应变增量d{ε}分解为：
d{ε}＝d{ε}e+d{ε}p+d{ε}T；
式中，d{ε}p表示塑性应变增量，d{ε}e表示弹性应变增量，d{ε}T表示温度应变增量；得出等效塑性应变增量
Figure BDA0001863115720000113
Figure BDA0001863115720000111
塑性区的应力-应变的增量关系为：
Figure BDA0001863115720000112
式中，[D]ep是常温下的弹塑性矩阵；
利用图像处理程序根据采集的图像进钢板缺陷检测；所述缺陷检测具体包括：
(1)提取多个样本的HOG特征，得到样本的HOG特征矩阵H；
(2)对H用PCA降维构造超完备字典D；
(3)对于待检测钢板Blockij，i＝1，2，...，n，n表示待检测的钢板的个数；
(4)对每个Blockij，计算其HOG特征，并用PCA进行降维，得到将为后的特征向量HPij；
(5)将HPij输入到稀疏表示分类器SRC中计算与H矩阵中正常钢板的误差，Blockij对应误差较小的类别，判断Blockij是否存在缺陷；
所述图像采集模块包括：
图像分析模块，采用具有时效动态性的算法，算法表达式描述如下：
Figure BDA0001863115720000121
式中，h，f，j，h′，f′，j′都表示图像分析模块动态点，在进行采集图像与物联网图像信息交互时，完成对物联网图像的提取与图像特征分析，存储终端采集数据与调取物联网资源数据，分析并回馈结果给终端；
特征采集模块，在提取图像特征时，使用特普勒图像特征算法，表达式为：
Figure BDA0001863115720000122
整合图像模块，设计两个通道，通道一的功能是输入数字信号，这一环节是单向，通道二完成数字信号向图像信号的转换，基于数字信号向图像信号的转换，表达式为：
Figure BDA0001863115720000123
Figure BDA0001863115720000124
获取到信号在转换时的一个排列结构，根据这个排列结构，完成图像整合，；
所述主控模块采用空间域融合方法对采集的图像信息进行分解变换，进行融合的图像两幅源图像分别为A和B，源图像大小为M×N，融合后的得到的图像为F，图像A和B的加权平局融合表示为：
F(m，n)＝wA(m，n)A(m，n)+wB(m，n)B(m，n)；
式中，A(m，n)为源图像A在坐标(m，n)点处的灰度值，B(m，n)为源图像B在坐标(m，n)点处的灰度值，m＝1，2，…，M，n＝1，2，…，N；wA和wB为加权系数，wA+wB＝1；有N个含有噪声的图像gi(m，n)：
gi(m，n)＝f(m，n)+ηi(m，n)；
式中，i＝1，2，…，N；
f(m，n)为源图像在点(m，n)处的像素值；
ηi(m，n)为图像在点(m，n)处的不相关、零均值随机噪声；
对N个图像进行融合，得到的图像
Figure BDA0001863115720000131
为：
Figure BDA0001863115720000132
那么：
Figure BDA0001863115720000133
的均值：
Figure BDA0001863115720000134
Figure BDA0001863115720000135
式中，
Figure BDA0001863115720000136
为g在点(m，n)处的方差，
Figure BDA0001863115720000137
为η在点(m，n)处的方差；
融合后的图像F在(m，n)处的标准差为：
Figure BDA0001863115720000138
如图2所示，本发明提供的基于物联网的钢板在线固溶的轧后快速冷却系统包括：图像采集模块1、温度检测模块2、操作控制模块3、主控模块4、无线通信模块5、服务器6、冷却模块7、喷水模块8、冷却模拟控制模块9、缺陷检测模块10、显示模块11。
图像采集模块1，与主控模块4连接，用于通过摄像器采集冷却钢板图像数据；
温度检测模块2，与主控模块4连接，用于通过温度传感器检测冷却钢板的温度数据；
操作控制模块3，与主控模块4连接，用于通过操作控制按键操作钢板冷却设备；
主控模块4，与图像采集模块1、温度检测模块2、操作控制模块3、无线通信模块5、冷却模块7、喷水模块8、冷却模拟控制模块9、缺陷检测模块10、显示模块11连接，用于通过单片机控制各个模块正常工作；
无线通信模块5，与主控模块4、服务器6连接，用于通过无线发射器将采集的图像信息发送到服务器6进行存储；
冷却模块7，与主控模块4连接，用于通过冷凝器对冷却钢板的水进行降温操作；
喷水模块8，与主控模块4连接，用于通过喷洒器将冷却的水喷洒到钢板上进行冷却；
冷却模拟控制模块9，与主控模块4连接，用于通过模拟程序模拟对钢板的冷却操作；
缺陷检测模块10，与主控模块4连接，用于通过图像处理程序根据采集的图像进钢板缺陷检测；
显示模块11，与主控模块4连接，用于通过显示器显示采集的钢板图像数据信息及温度数据。
本发明提供的冷却模拟控制模块9模拟方法如下：
(1)主控模块将优化设定计算的控制量通过TCP/IP网络下发到PLC的数据接收模块；
(2)PLC的数据收集模块将控制信号和实测数据通过TCP/IP网络上传给主控模块；
(3)PLC通过与冷却设备模拟装置的开关信号、模拟钢板运动的变频电机、位置检测仪表及电动调节开关、模拟温度测量仪表的连接，模拟钢板的冷却效果，对模拟冷却钢板的位置进行跟踪；
(4)PLC根据钢板位置信号启动优化设定模型的计算功能，接收主控模块的设定控制量，完成为模拟流量设备、开关、模拟边部遮蔽的设定调节，并根据实际调节阀的响应时间，设计模拟调节时间，模拟实际设备响应状态，从而确定最佳控制点位置；
(5)PID控制器对模拟流量调节阀和变频电机速度实现闭环控制；
(6)PLC通过接收工控机计算得到的虚拟钢板的在到达模拟冷却线不同位置的温度，上传给主控模块，主控模块完成设定控制量的重新优化后再次发送给PLC，PLC实现在线的优化控制。
本发明提供的缺陷检测模块10检测方法如下：
(1)接收待检测钢板的图片数据，并根据所述图片数据生成缺陷检测请求；
(2)监测多个服务器的运行状态，将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上；其中，所述多个服务器每个都搭载检测模型，并且所述第一服务器为所述多个服务器中计算负载最小的服务器；
(3)从所述第一服务器接收预测结果；其中，所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到，并且所述预测结果包括检测合格和缺陷结果，所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别；
(4)根据所述缺陷检测请求，利用检测模型对所述图像数据进行预测计算，得到并输出预测结果；其中，所述预测结果包括检测合格和缺陷结果，所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
本发明提供的利用检测模型对所述图像数据进行预测计算，包括：
利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征；
根据所提取的钢板特征，判断所述待检测钢板是否具有缺陷；
在确定所述待检测钢板具有缺陷时，利用预设分类器确定所述缺陷中的每个的位置和类别，并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果；在确定没有在所述待检测钢板上检测到缺陷时，生成所述检测合格的预测结果。
本发明提供的利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征之前，还包括：
对所述待检测钢板的图像数据进行预处理；
并且，所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征包括：利用深度卷积神经网络提取经预处理的图像数据中的钢板特征。
本发明提供的钢板特征利用多件钢板的图像通过训练获得，并且根据预定时间间隔或根据接收到的更新指令进行更新；其中，所述更新指令指示，根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新，并且所述多件钢板的规格相同并且以同一工艺形成。
本发明提供的根据所提取的钢板特征判断所述待检测钢板是否具有缺陷包括：
将所提取的钢板特征与合格钢板的对应钢板特征进行比较，并根据比较结果判断所述待检测钢板是否具有缺陷。
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 (5)

1.一种基于物联网的钢板在线固溶的轧后快速冷却方法，其特征在于，所述基于物联网的钢板在线固溶的轧后快速冷却方法包括以下步骤：
步骤一，摄像器采用具有时效动态性的算法采集冷却钢板图像数据；使用特普勒图像特征算法提取冷却钢板图像特征；温度传感器检测冷却钢板的温度数据；操作控制按键操作钢板冷却设备；
步骤二，采用空间域融合方法对采集的图像信息进行分解变换，无线发射器将采集的图像信息发送到服务器进行存储；
步骤三，冷凝器对冷却钢板的水进行降温操作；喷洒器将冷却的水喷洒到钢板冷却；
步骤四，确定热弹塑性应力、应变关系，通过冷却模拟控制模块利用模拟程序模拟对钢板的冷却操作；
所述热弹塑性应力、应变关系在弹性区域内，全应变增量d{ε}表示为：
d{ε}＝d{ε}e+d{ε}T＝d{ε}e+{α}dT；
式中，{α}表示线膨胀系数向量，d{ε}e表示弹性应变增量，d{ε}T表示温度应变增量；将虎克定律进行微分得到：
Figure FDA0002401524610000011
解出d{σ}得到：
Figure FDA0002401524610000012
上式表示温度对材料性质在弹性区域内的影响程度关系；
在弹性区域内，全应变增量d{ε}分解为：
d{ε}＝d{ε}e+d{ε}p+d{ε}T；
式中，d{ε}p表示塑性应变增量，d{ε}e表示弹性应变增量，d{ε}T表示温度应变增量；得出等效塑性应变增量
Figure FDA0002401524610000023
Figure FDA0002401524610000021
塑性区的应力-应变的增量关系为：
Figure FDA0002401524610000022
式中，[D]ep是常温下的弹塑性矩阵；
步骤五，利用图像处理程序根据采集的图像进行钢板缺陷检测；
所述缺陷检测具体包括：
(1)提取多个样本的HOG特征，得到样本的HOG特征矩阵H；
(2)对H用PCA降维构造超完备字典D；
(3)对于待检测钢板Blockij，i＝1，2，...，n，n表示待检测的钢板的个数；
(4)对每个Blockij，计算其HOG特征，并用PCA进行降维，得到降 维后的特征向量HPij；
(5)将HPij输入到稀疏表示分类器SRC中计算与H矩阵中正常钢板的误差，Blockij对应误差较小的类别，判断Blockij是否存在缺陷；
步骤六，通过显示模块利用显示器显示采集的钢板图像数据信息及温度数据；
采用具有时效动态性的算法，算法表达式描述如下：
Figure FDA0002401524610000031
Figure FDA0002401524610000032
Figure FDA0002401524610000033
式中，h，f，j，h′，f′，j′都表示图像分析模块动态点，在进行采集图像与物联网图像信息交互时，完成对物联网图像的提取与图像特征分析，存储终端采集数据与调取物联网资源数据，分析并回馈结果给终端；
特征采集模块，在提取图像特征时，使用特普勒图像特征算法，表达式为：
Figure FDA0002401524610000034
整合图像模块，设计两个通道，通道一的功能是输入数字信号，这一环节是单向，通道二完成数字信号向图像信号的转换，基于数字信号向图像信号的转换，表达式为：
Figure FDA0002401524610000035
Figure FDA0002401524610000036
获取到信号在转换时的一个排列结构，根据这个排列结构，完成图像整合；
采用空间域融合方法对采集的图像信息进行分解变换，进行融合的图像两幅源图像分别为A和B，源图像大小为M×N，融合后的得到的图像为F，图像A和B的加权平局融合表示为：
F(m，n)＝wA(m，n)A(m，n)+wB(m，n)B(m，n)；
式中，A(m，n)为源图像A在坐标(m，n)点处的灰度值，B(m，n)为源图像B在坐标(m，n)点处的灰度值，m＝1，2，…，M，n＝1，2，…，N；wA和wB为加权系数，wA+wB＝1；有N个含有噪声的图像gi(m，n)：
gi(m，n)＝f(m，n)+ηi(m，n)；
式中，i＝1，2，…，N；
f(m，n)为源图像在点(m，n)处的像素值；
ηi(m，n)为图像在点(m，n)处的不相关、零均值随机噪声；
对N个图像进行融合，得到的图像
Figure FDA0002401524610000041
为：
Figure FDA0002401524610000042
那么：
Figure FDA0002401524610000043
的均值：
Figure FDA0002401524610000044
Figure FDA0002401524610000045
式中，
Figure FDA0002401524610000046
为g在点(m，n)处的方差，
Figure FDA0002401524610000047
为η在点(m，n)处的方差；
融合后的图像F在(m，n)处的标准差为：
Figure FDA0002401524610000048
冷却模拟方法如下：
(1)主控模块将优化设定计算的控制量通过TCP/IP网络下发到PLC的数据接收模块；
(2)PLC的数据接收模块将控制信号和实测数据通过TCP/IP网络上传给主控模块；
(3)PLC通过与冷却设备模拟装置的开关信号、模拟钢板运动的变频电机、位置检测仪表及电动调节开关、模拟温度测量仪表的连接，模拟钢板的冷却效果，对模拟冷却钢板的位置进行跟踪；
(4)PLC根据钢板位置信号启动优化设定模型的计算功能，接收主控模块的设定控制量，完成为模拟流量设备、开关、模拟边部遮蔽的设定调节，并根据实际调节阀的响应时间，设计模拟调节时间，模拟实际设备响应状态，从而确定最佳控制点位置；
(5)PID控制器对模拟流量调节阀和变频电机速度实现闭环控制；
(6)PLC通过接收工控机计算得到的虚拟钢板的在到达模拟冷却线不同位置的温度，上传给主控模块，主控模块完成设定控制量的重新优化后再次发送给PLC，PLC实现在线的优化控制。
2.如权利要求1所述的基于物联网的钢板在线固溶的轧后快速冷却方法，其特征在于，缺陷检测方法如下：
(1)接收待检测钢板的图像数据，并根据所述图像数据生成缺陷检测请求；
(2)监测多个服务器的运行状态，将所述待检测钢板的图像数据和所述缺陷检测请求发送至第一服务器上；其中，所述多个服务器每个都搭载检测模型，并且所述第一服务器为所述多个服务器中计算负载最小的服务器；
(3)从所述第一服务器接收预测结果；其中，所述预测结果通过所述检测模型对所述待检测钢板的图像数据进行预测计算后得到，并且所述预测结果包括检测合格和缺陷结果，所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
3.如权利要求2所述的基于物联网的钢板在线固溶的轧后快速冷却方法，其特征在于，所述利用检测模型对所述图像数据进行预测计算，包括：
利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征；
根据所提取的钢板特征，判断所述待检测钢板是否具有缺陷；
在确定所述待检测钢板具有缺陷时，利用预设分类器确定所述缺陷中的每个的位置和类别，并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果；在确定没有在所述待检测钢板上检测到缺陷时，生成所述检测合格的预测结果。
4.如权利要求3所述的基于物联网的钢板在线固溶的轧后快速冷却方法，其特征在于，所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征之前，还包括：
对所述待检测钢板的图像数据进行预处理；
并且，所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征包括：利用深度卷积神经网络提取经预处理的图像数据中的钢板特征；
所述钢板特征利用多件钢板的图像通过训练获得，并且根据预定时间间隔或根据接收到的更新指令进行更新；其中，所述更新指令指示，根据所接收的钢板图像数据和所述预测结果对所述检测模型进行更新，并且所述多件钢板的规格相同并且以同一工艺形成；
所述根据所提取的钢板特征判断所述待检测钢板是否具有缺陷包括：
将所提取的钢板特征与合格钢板的对应钢板特征进行比较，并根据比较结果判断所述待检测钢板是否具有缺陷。
5.一种实现权利要求1所述基于物联网的钢板在线固溶的轧后快速冷却方法的基于物联网的钢板在线固溶的轧后快速冷却系统，其特征在于，所述基于物联网的钢板在线固溶的轧后快速冷却系统包括：
图像采集模块、温度检测模块、操作控制模块、主控模块、无线通信模块、服务器、冷却模块、喷水模块、冷却模拟控制模块、缺陷检测模块、显示模块；
图像采集模块，与主控模块连接，用于通过摄像器采集冷却钢板图像数据；
温度检测模块，与主控模块连接，用于通过温度传感器检测冷却钢板的温度数据；
操作控制模块，与主控模块连接，用于通过操作控制按键操作钢板冷却设备；
主控模块，与图像采集模块、温度检测模块、操作控制模块、无线通信模块、冷却模块、喷水模块、冷却模拟控制模块、缺陷检测模块、显示模块连接，用于通过单片机控制各个模块正常工作；
无线通信模块，与主控模块、服务器连接，用于通过无线发射器将采集的图像信息发送到服务器进行存储；
冷却模块，与主控模块连接，用于通过冷凝器对冷却钢板的水进行降温操作；
喷水模块，与主控模块连接，用于通过喷洒器将冷却的水喷洒到钢板上进行冷却；
冷却模拟控制模块，与主控模块连接，用于通过模拟程序模拟对钢板的冷却操作；
缺陷检测模块，与主控模块连接，用于通过图像处理程序根据采集的图像进行钢板缺陷检测；
显示模块，与主控模块连接，用于通过显示器显示采集的钢板图像数据信息及温度数据。
CN201811343363.XA 2018-11-13 2018-11-13 一种基于物联网的钢板在线固溶的轧后快速冷却方法 Active CN109226282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811343363.XA CN109226282B (zh) 2018-11-13 2018-11-13 一种基于物联网的钢板在线固溶的轧后快速冷却方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811343363.XA CN109226282B (zh) 2018-11-13 2018-11-13 一种基于物联网的钢板在线固溶的轧后快速冷却方法

Publications (2)

Publication Number Publication Date
CN109226282A CN109226282A (zh) 2019-01-18
CN109226282B true CN109226282B (zh) 2020-04-28

Family

ID=65078355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811343363.XA Active CN109226282B (zh) 2018-11-13 2018-11-13 一种基于物联网的钢板在线固溶的轧后快速冷却方法

Country Status (1)

Country Link
CN (1) CN109226282B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110102581B (zh) * 2019-04-03 2020-10-30 池州海琳服装有限公司 一种基于物联网的冷轧线材堆钢检测方法
CN110404971A (zh) * 2019-08-01 2019-11-05 宁波兰羚钢铁实业有限公司 一种基于物联网的钢卷包装辅助控制系统及方法
CN112718881A (zh) * 2019-10-28 2021-04-30 南京智欧智能技术研究院有限公司 一种用于检测热轧钢材料表面缺陷的方法和装置
CN111229840B (zh) * 2020-01-13 2021-11-16 广东韶钢松山股份有限公司 中厚板轧后超快冷控制系统、方法以及调整水流量比补偿值的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11279633A (ja) * 1998-03-30 1999-10-12 Kawasaki Steel Corp 熱延コイルの冷却方法
CN105618492A (zh) * 2014-11-28 2016-06-01 宝山钢铁股份有限公司 一种用于钢板在线固溶的轧后快速冷却系统
CN105695705A (zh) * 2014-11-28 2016-06-22 宝山钢铁股份有限公司 一种用于在线固溶的钢板轧后快速冷却基础自动化系统
CN105695728A (zh) * 2014-11-28 2016-06-22 宝山钢铁股份有限公司 一种钢板在线固溶处理过程控制系统的装置及方法
CN106023065A (zh) * 2016-05-13 2016-10-12 中国矿业大学 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法
CN108230317A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108777699B (zh) * 2018-04-13 2021-06-22 西安电子科技大学 一种基于物联网多域协同架构下的应用跨域访问方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11279633A (ja) * 1998-03-30 1999-10-12 Kawasaki Steel Corp 熱延コイルの冷却方法
CN105618492A (zh) * 2014-11-28 2016-06-01 宝山钢铁股份有限公司 一种用于钢板在线固溶的轧后快速冷却系统
CN105695705A (zh) * 2014-11-28 2016-06-22 宝山钢铁股份有限公司 一种用于在线固溶的钢板轧后快速冷却基础自动化系统
CN105695728A (zh) * 2014-11-28 2016-06-22 宝山钢铁股份有限公司 一种钢板在线固溶处理过程控制系统的装置及方法
CN106023065A (zh) * 2016-05-13 2016-10-12 中国矿业大学 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法
CN108230317A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钢板轧后冷却过程的数值模拟及变形分析;崔青玲等;《钢铁研究学报》;20070915;第19卷(第09期);21-24 *

Also Published As

Publication number Publication date
CN109226282A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109226282B (zh) 一种基于物联网的钢板在线固溶的轧后快速冷却方法
CN101899563B (zh) 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN109784552B (zh) 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN111209967A (zh) 一种基于支持向量机的轧制过程板凸度预测方法
CN104517162A (zh) 一种连续退火产品硬度在线集成学习预报方法
CN114677362B (zh) 基于改进YOLOv5的表面缺陷检测方法
CN104899425A (zh) 一种高炉铁水硅含量的变量选择预报方法
CN108480405A (zh) 一种基于数据驱动的冷轧板形调控功效系数获取方法
CN115608793B (zh) 一种机理融合数据的精轧温度调控方法
CN114199892B (zh) 一种基于机器视觉的板材测量方法及系统
CN113177364B (zh) 一种高炉风口回旋区温度软测量建模方法
CN110097205A (zh) 一种建筑负荷预测用气象预报数据预处理方法
CN118143937B (zh) 一种建筑喷涂机器人的控制方法及系统
CN101446828A (zh) 一种非线性过程质量预报方法
CN110880044A (zh) 一种基于马尔科夫链的负荷预测方法
CN110766248A (zh) 基于shel和区间直觉模糊评价的车间人因可靠性评估方法
CN116258087B (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN117745945A (zh) 一种基于ai的锅炉炉膛水冷壁管壁图像采集与处理系统
CN116092605A (zh) 一种基于数字孪生的材料腐蚀服役性能评价方法
CN105921522B (zh) 基于rbf神经网络的层流冷却温度自适应控制方法
Song et al. A Digital Twin Model for Automatic Width Control of Hot Rolling Mill
CN110174409B (zh) 一种基于实时检测结果的中厚板周期性缺陷控制方法
CN110288724B (zh) 一种基于小波函数主元分析的批次过程监测方法
CN111222525A (zh) 基于改进极限学习机的涂胶质量数据库构建方法

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