CN112267084A - 一种生产高表面质量锌铝镁镀层钢的系统和方法 - Google Patents
一种生产高表面质量锌铝镁镀层钢的系统和方法 Download PDFInfo
- Publication number
- CN112267084A CN112267084A CN202011086092.1A CN202011086092A CN112267084A CN 112267084 A CN112267084 A CN 112267084A CN 202011086092 A CN202011086092 A CN 202011086092A CN 112267084 A CN112267084 A CN 112267084A
- Authority
- CN
- China
- Prior art keywords
- cooling
- air
- zinc
- model
- image
- 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.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 82
- 239000010959 steel Substances 0.000 title claims abstract description 82
- -1 zinc-aluminum-magnesium Chemical compound 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 238000001816 cooling Methods 0.000 claims abstract description 114
- 230000007547 defect Effects 0.000 claims abstract description 60
- 239000011701 zinc Substances 0.000 claims abstract description 56
- 229910052725 zinc Inorganic materials 0.000 claims abstract description 51
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000007747 plating Methods 0.000 claims abstract description 32
- 239000011248 coating agent Substances 0.000 claims abstract description 27
- 238000000576 coating method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 239000011777 magnesium Substances 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 239000011573 trace mineral Substances 0.000 claims description 6
- 235000013619 trace mineral Nutrition 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 229910052749 magnesium Inorganic materials 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 229910001335 Galvanized steel Inorganic materials 0.000 claims 1
- 239000008397 galvanized steel Substances 0.000 claims 1
- 238000007711 solidification Methods 0.000 abstract description 6
- 230000008023 solidification Effects 0.000 abstract description 6
- 238000003908 quality control method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000007664 blowing Methods 0.000 description 6
- 239000002893 slag Substances 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 5
- 238000002425 crystallisation Methods 0.000 description 3
- 230000008025 crystallization Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000005496 eutectics Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 229910018134 Al-Mg Inorganic materials 0.000 description 1
- 229910018467 Al—Mg Inorganic materials 0.000 description 1
- 229910000861 Mg alloy Inorganic materials 0.000 description 1
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C2/00—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor
- C23C2/003—Apparatus
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C2/00—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor
- C23C2/04—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor characterised by the coating material
- C23C2/06—Zinc or cadmium or alloys based thereon
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C2/00—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor
- C23C2/14—Removing excess of molten coatings; Controlling or regulating the coating thickness
- C23C2/16—Removing excess of molten coatings; Controlling or regulating the coating thickness using fluids under pressure, e.g. air knives
- C23C2/18—Removing excess of molten coatings from elongated material
- C23C2/20—Strips; Plates
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C2/00—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor
- C23C2/26—After-treatment
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C2/00—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor
- C23C2/34—Hot-dipping or immersion processes for applying the coating material in the molten state without affecting the shape; Apparatus therefor characterised by the shape of the material to be treated
- C23C2/36—Elongated material
- C23C2/40—Plates; Strips
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Coating With Molten Metal (AREA)
Abstract
本发明涉及一种生产高表面质量锌铝镁镀层钢的系统和方法,属于带钢涂镀技术领域。本发明的技术方案是:带钢(1)通过炉鼻子(2)进入锌锅(3)内;气刀(5)和镀后冷却系统从下至上设置在锌锅(3)与塔顶辊(10)之间;视觉系统设置在穿过塔顶辊(10)后的带钢(1)两侧;冷却控制系统的输入端与视觉系统连接,输出端与镀后冷却系统连接。本发明的有益效果是:实现了镀层组织凝固过程与镀后冷却过程精确闭环控制,解决了人工调整步骤繁琐复杂、高度依赖经验,调整不及时等问题,大大解放了人工劳动力,提高了锌铝镁产品表面质量控制水平,降低了产品缺陷发生率。
Description
技术领域
本发明涉及一种生产高表面质量锌铝镁镀层钢的系统和方法,属于带钢涂镀技术领域。
背景技术
锌铝镁镀层钢因较好的耐腐蚀性能而被越来越广泛的使用。锌铝镁镀层钢由钢基体及附着其上的镀层组成,该镀层组织的典型结构为纯锌相、Mg-Zn二元共晶相、Zn-Al-Mg三元共晶三种相组成。镀层组织的变化会造成产品表面质量的变化。比如,镀层表面会出现黑点、流纹、结晶不良等缺陷。因此,精确控制镀层组织,是获得高表面质量锌铝镁镀层产品的关键。
为了获得准确的目标镀层组织,需要对带钢表面镀层组织的凝固结晶过程进行精确控制。而镀层凝固结晶过程受到产线速度、锌液温度、带钢温度、带钢厚度、锌层重量、气刀压力、气刀间距、镀后风机结构、功率等众多参数的影响。这些参数作用相互耦合制约,导致镀层凝固过程控制十分复杂,目前大多数企业是依靠人工经验根据带钢表面质量对镀后冷却过程进行手动控制,效率低且表面控制水平差。从而导致锌铝镁产品开发一般需要两到三年时间的工艺摸索,才能获得稳定且良好的表面质量。
发明内容
本发明目的是提供一种生产高表面质量锌铝镁镀层钢的系统和方法,通过视觉识别技术,实现对锌铝镁产品主要表面缺陷种类和严重等级的自动识别,并通过神经网络自学习控制系统对镀后各组风箱冷却曲线精确控制,实现了镀层组织凝固过程与镀后冷却过程精确闭环控制,解决了人工调整步骤繁琐复杂、高度依赖经验,调整不及时等问题,大大解放了人工劳动力,提高了锌铝镁产品表面质量控制水平,降低了产品缺陷发生率;同时,结合卷积神经算法,极大的提高了带钢表面缺陷识别的准确率;同时设计的人机交互系统,可以实现全自动/半自动之间切换,系统自由度高,兼容性强,鲁棒性高,有效地解决了背景技术中存在的上述问题。
本发明的技术方案是:一种生产高表面质量锌铝镁镀层钢的系统,包含带钢、炉鼻子、锌锅、下传送辊、气刀、镀后冷却系统、塔顶辊、视觉系统和冷却控制系统,所述镀后冷却系统包含移动风箱组和固定风箱组,从下至上设置;视觉系统包括图像采集单元、图像处理与识别服务器和图像存储系统;冷却控制系统包括服务器和人机交互界面,二者互相连接;带钢通过炉鼻子进入锌锅;气刀和镀后冷却系统从下至上设置在锌锅与塔顶辊之间,分布在带钢的两侧;视觉系统设置在穿过塔顶辊后的带钢两侧;冷却控制系统的输入端与视觉系统连接,输出端与镀后冷却系统连接。
所述移动风箱组和固定风箱组后安装有带钢温度检测装置;移动风箱组包括两段式冷却风箱,风箱采用变频风机供风;固定风箱组包括四段风箱组,风箱采用变频风机或定频风机中的一种供风。
所述移动风箱组和固定风箱组的出口安装有空气颗粒物探测装置。
所述视觉系统中图像采集单元的最小分辨率为0.2×0.2mm。
所述锌锅内溶液温度设定值为目标成分熔点+40-60℃。
所述气刀的喷吹介质为氮气,喷吹压力100-500mbar。
所述炉鼻子设有排渣结构,排渣量≥0.15m3/h;;
一种生产高表面质量锌铝镁镀层钢的方法,包含以下步骤:
A. 采集机组数据与图像:采集机组信息Process_Paras以及当前参数下图像采集单元采集的带钢表面图像Origin_Picture;
B. 图像标签化:对步骤A中采集的图像Origin_Picture进行人工标签化,即由人工判断出缺陷种类和等级;
C.图像识别模型训练;将步骤B中得到的标签化的图像,输入到图像处理与识别服务器,对图像缺陷识别模型进行训练,最终缺陷识别模型准确率大于95%;
D. 冷却模型训练:建立基于深度神经网络的冷却模型COOLING_MODEL,使用数据库中COOLING_MODEL_DB的数据进行训练,预测结果为各组冷却风机功率序列或风门开度序列,冷却模型准确率大于95%;
E. 实时图像采集与识别:将实时采集到的带钢表面图像输入图像处理与识别服务器中,得到实时的带钢表面预设缺陷的等级标签;
F. 指令下达:当步骤D中实时采集图像的预设缺陷等级标签超出人机交互界面中设定的上限阈值时,则将人机交互界面中预设的目标缺陷等级以及当前机组信息提交给冷却模型COOLING_MODEL,冷却模型COOLING_MODEL计算出镀后冷却系统各组冷却风箱功率序列或风门开度序列,并向镀后冷却系统的控制箱发送动作指令;
G. 冷却系统执行:镀后冷却系统的各组风箱风机控制箱接收到上位机下发的新功率或风门开度指令后,调整到新的功率或风门开度进行冷却。
所述锌铝镁镀层钢包括钢基体和镀层,镀层化学成分包括Zn、Al和Mg,以及其他微量元素,Al含量为1.0-60.0%,Mg含量为0.5-3.5%,以及其他微量元素合小于1%,剩余为Zn。
所述步骤A中,采集机组信息Process_Paras,包括气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度、各冷却风箱出口温度、各组风箱风机功率或风门开度和各组风箱颗粒物浓度PM10检测仪数据。
所述步骤B中,缺陷标签按照统一格式进行编码,包含了“缺陷类型+缺陷等级”信息;其中缺陷类型格式和顺序固定,缺陷等级分为5级,其中0级代表最好,5级代表最差。
所述步骤C中,包括必要的图像预处理步骤,视觉识别模型是基于卷积神经网络模型实现的。
所述步骤D中,冷却模型基于深度神经网络的方法实现,具体为神经网络计算模型中,输入特征为数据库COOLING_MODEL_DB中的气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度、各组风箱出口温度和各组风箱颗粒物浓度PM10;输出特征为:沿气刀运行方向由下而上各组风箱风机功率或风门开度序列;神经网络模型训练参数设置如下:第一隐含层网络神经元个数64个,激活函数为relu,第二隐含层神经元个数64个,激活函数为relu,模型损失函数使用均方误差,迭代周期500次,训练优化器为加速小批量梯度下降法。
本发明的有益效果是:通过视觉识别技术,实现对锌铝镁产品主要表面缺陷种类和严重等级的自动识别,并通过神经网络自学习控制系统对镀后各组风箱冷却曲线精确控制,实现了镀层组织凝固过程与镀后冷却过程精确闭环控制,解决了人工调整步骤繁琐复杂、高度依赖经验,调整不及时等问题,大大解放了人工劳动力,提高了锌铝镁产品表面质量控制水平,降低了产品缺陷发生率;同时,结合卷积神经算法,极大的提高了带钢表面缺陷识别的准确率;同时设计的人机交互系统,可以实现全自动/半自动之间切换,系统自由度高,兼容性强,鲁棒性高。
附图说明
图1为本发明的系统结构示意图;
图2为本发明使用图像采集单元对带钢表面进行图像采集得到的原始图像;
图中:带钢1、炉鼻子2、锌锅3、下传送辊4、气刀5、移动风箱组6、固定风箱组7、带钢温度检测装置8、图像采集单元9、塔顶辊10。
具体实施方式
为了使发明实施案例的目的、技术方案和优点更加清楚,下面将结合实施案例中的附图,对本发明实施案例中的技术方案进行清晰的、完整的描述,显然,所表述的实施案例是本发明一小部分实施案例,而不是全部的实施案例,基于本发明中的实施案例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例,都属于本发明保护范围。
一种生产高表面质量锌铝镁镀层钢的系统,包含带钢1、炉鼻子2、锌锅3、下传送辊4、气刀5、镀后冷却系统、塔顶辊10、视觉系统和冷却控制系统,所述镀后冷却系统包含移动风箱组6和固定风箱组7,从下至上设置;视觉系统包括图像采集单元9、图像处理与识别服务器和图像存储系统;冷却控制系统包括服务器和人机交互界面,二者互相连接;带钢1通过炉鼻子2进入锌锅3内,下传送辊4设置在锌锅3内部,塔顶辊10设置在锌锅3上方,带钢1绕过下传送辊4与塔顶辊10;气刀5和镀后冷却系统从下至上设置在锌锅3与塔顶辊10之间,分布在带钢1的两侧;视觉系统设置在穿过塔顶辊10后的带钢1两侧;冷却控制系统的输入端与视觉系统连接,输出端与镀后冷却系统连接。
所述移动风箱组6和固定风箱组7后安装有带钢温度检测装置8;移动风箱组6包括两段式冷却风箱,风箱采用变频风机供风;固定风箱组7包括四段风箱组,风箱采用变频风机或定频风机中的一种供风。
所述移动风箱组6和固定风箱组7的出口安装有空气颗粒物探测装置。
所述视觉系统中图像采集单元9的最小分辨率为0.2×0.2mm。
所述锌锅3内溶液温度设定值为目标成分熔点+40-60℃。
所述气刀5的喷吹介质为氮气,喷吹压力100-500mbar。
所述炉鼻子2设有排渣结构,排渣量≥0.15m3/h;;
一种生产高表面质量锌铝镁镀层钢的方法,包含以下步骤:
A. 采集机组数据与图像:采集机组信息Process_Paras以及当前参数下图像采集单元采集的带钢表面图像Origin_Picture;
B. 图像标签化:对步骤A中采集的图像Origin_Picture进行人工标签化,即由人工判断出缺陷种类和等级;
C.图像识别模型训练;将步骤B中得到的标签化的图像,输入到图像处理与识别服务器,对图像缺陷识别模型进行训练,最终缺陷识别模型准确率大于95%;
D. 冷却模型训练:建立基于深度神经网络的冷却模型COOLING_MODEL,使用数据库中COOLING_MODEL_DB的数据进行训练,预测结果为各组冷却风机功率序列或风门开度序列,冷却模型准确率大于95%;
E. 实时图像采集与识别:将实时采集到的带钢表面图像输入图像处理与识别服务器中,得到实时的带钢表面预设缺陷的等级标签;
F. 指令下达:当步骤D中实时采集图像的预设缺陷等级标签超出人机交互界面中设定的上限阈值时,则将人机交互界面中预设的目标缺陷等级以及当前机组信息提交给冷却模型COOLING_MODEL,冷却模型COOLING_MODEL计算出镀后冷却系统各组冷却风箱功率序列或风门开度序列,并向镀后冷却系统的控制箱发送动作指令;
G. 冷却系统执行:镀后冷却系统的各组风箱风机控制箱接收到上位机下发的新功率或风门开度指令后,调整到新的功率进行冷却。
所述锌铝镁镀层钢包括钢基体和镀层,镀层化学成分包括Zn、Al和Mg,以及其他微量元素,Al含量为1.0-60.0%,Mg含量为0.5-3.5%,以及其他微量元素合小于1%,剩余为Zn。
所述步骤A中,采集机组信息Process_Paras,包括气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度、各冷却风箱出口温度、各组风箱风机功率或风门开度和各组风箱颗粒物浓度PM10检测仪数据。
所述步骤B中,缺陷标签按照统一格式进行编码,包含了“缺陷类型+缺陷等级”信息;其中缺陷类型格式和顺序固定,缺陷等级分为5级,其中0级代表最好,5级代表最差。
所述步骤C中,包括必要的图像预处理步骤,视觉识别模型是基于卷积神经网络模型实现的。
所述步骤D中,冷却模型基于深度神经网络的方法实现,具体为神经网络计算模型中,输入特征为数据库COOLING_MODEL_DB中的气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度、各组风箱出口温度和各组风箱颗粒物浓度PM10;输出特征为:沿气刀运行方向由下而上各组风箱风机功率或风门开度序列;神经网络模型训练参数设置如下:第一隐含层网络神经元个数64个,激活函数为relu,第二隐含层神经元个数64个,激活函数为relu,模型损失函数使用均方误差,迭代周期500次,训练优化器为加速小批量梯度下降法。
实施例:
如图1,一种生产高表面质量锌铝镁镀层钢的系统:包括带钢1,炉鼻子2,锌锅3,气刀5,镀后冷却系统,视觉系统和冷却控制系统,其中:镀后冷却系统包括移动风箱组6和固定风箱组7;视觉系统包括图像采集单元9、图像处理与识别服务器和图像存储系统;控制系统包括服务器,以及与服务器连接的人机交互界面;
本实施例中,移动风箱组6和固定风箱组7后安装有带钢温度检测装置8。移动风箱组6包括两段式冷却风箱,风箱采用变频风机供风。固定风箱组7包括四段风箱组,风箱采用定频风机供风。移动风箱和固定风箱组出口安装有空气颗粒物探测装置,能够检测PM10数值。视觉系统中图像采集单元9最小分辨率为0.2×0.2mm。锌锅3内溶液成分为2%Al-2%Mg,其余为Zn,该成分锌铝镁合金熔点385℃,则锌锅温度设定值435℃。气刀5喷吹介质为氮气,喷吹压力100-500mbar。炉鼻子2具备排渣功能,炉鼻子排渣量≥0.15m3/h。塔顶辊10安装有特氟龙材质耐高温包布。
一种生产高表面质量锌铝镁镀层钢的系统和方法,利用了上述的系统,其生产过程如下:
A. 采集机组数据与图像:采集机组信息Process_Paras以及当前参数下图像采集系统采集的带钢表面图像Origin_Picture。其中机组信息Process_Paras包含气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度,各冷却风箱出口温度,各组风箱风机功率或风门开度,各组风箱颗粒物浓度PM10检测仪数据,部分参数数值如表1所示:
表 1
B. 图像标签化:本实例中,使用图像采集单元对步骤A中机组在表1所示参数下的带钢表面进行图像采集,得到原始图像Origin_Picture,如图2所示,对该图像进行人工标签化,即由人工判断出缺陷种类和等级。缺陷标签按照统一格式进行编码,包含了“缺陷类型+缺陷等级”信息。其中缺陷类型格式和顺序固定,缺陷等级分为5级,其中0级代表最好,5级代表最差。本实例中缺陷类型排序为:黑点-锌流纹-结晶不良-厚边。根据编码规则,图2中黑点缺陷明显,其他缺陷不明显,则根据编码规则,图2表面缺陷编码为:3-0-0-0,则表示:{‘黑点缺陷’:3级,‘锌流纹缺陷’:0级,‘结晶不良缺陷’:0级,‘厚边缺陷’:0级}。
C.图像识别模型训练;本实例中,按照步骤B的方法得到一定数量的标签化的图像,然后输入到图像处理与识别服务器,对图像缺陷识别模型进行训练,包括必要的图像预处理步骤,视觉识别模型是基于卷积神经网络模型(CNN模型)实现的。图像识别模型准确率要求95%以上。
D.冷却模型训练:本实例中,建立基于深度神经网络的冷却模型COOLING_MODEL,使用数据库中COOLING_MODEL_DB的数据进行训练,预测结果为移动风箱冷却风机功率序列+固定风箱风门开度序列。冷却系统预测模型基于深度神经网络的方法实现的,具体为所述神经网络计算模型中,输入特征为数据库COOLING_MODEL_DB中的气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度,各组风箱出口温度、各组风箱颗粒物浓度PM10,图像缺陷标签。输出特征为:沿气刀运行方向由下而上各组风箱风机功率或风门开度序列。神经网络模型训练参数设置如下:第一隐含层网络神经元个数64个,激活函数为relu,第二隐含层神经元个数64个,激活函数为relu。模型损失函数使用MSE(均方误差),迭代周期500次,训练优化器为加速小批量梯度下降法(RMSprop)。本实例中,在表1参数下,镀后每组风箱风机功率或风门开度参数如表2所示。
表格2
E. 实时图像采集与识别:将实时采集到的带钢表面图像输入步骤C中已训练好的图像处理与识别服务器中,得到实时的带钢表面缺陷标签。
F. 指令下达:当步骤E中实时采集图像的预设缺陷等级标签超出人机交互界面系统中设定的上限阈值时,则将人机交互界面中预设的目标缺陷等级标签以及当前机组信息提交给已训练好的冷却模型COOLING_MODEL,冷却模型COOLING_MODEL计算出镀后各组冷却风箱功率序列或风门开度序列,并向镀后冷却控制系统的控制箱(PLC)发送动作指令;
G. 冷却系统执行:镀后各组风箱风机控制箱(PLC)接收到上位机下发的新功率或风门开度指令后,调整到新的功率进行冷却。
Claims (10)
1.一种生产高表面质量锌铝镁镀层钢的系统,其特征在于:包含带钢(1)、炉鼻子(2)、锌锅(3)、下传送辊(4)、气刀(5)、镀后冷却系统、塔顶辊(10)、视觉系统和冷却控制系统,所述镀后冷却系统包含移动风箱组(6)和固定风箱组(7),从下至上设置;视觉系统包括图像采集单元(9)、图像处理与识别服务器和图像存储系统;冷却控制系统包括服务器和人机交互界面,二者互相连接;带钢(1)通过炉鼻子(2)进入锌锅(3);气刀(5)和镀后冷却系统从下至上设置在锌锅(3)与塔顶辊(10)之间,分布在带钢(1)的两侧;视觉系统设置在穿过塔顶辊(10)后的带钢(1)两侧;冷却控制系统的输入端与视觉系统连接,输出端与镀后冷却系统连接。
2.根据权利要求1所述的一种生产高表面质量锌铝镁镀层钢的系统,其特征在于:所述移动风箱组(6)和固定风箱组(7)后安装有带钢温度检测装置(8);移动风箱组(6)包括两段式冷却风箱,风箱采用变频风机供风;固定风箱组(7)包括四段风箱组,风箱采用变频风机或定频风机中的一种供风。
3.根据权利要求1所述的一种生产高表面质量锌铝镁镀层钢的系统,其特征在于:所述移动风箱组(6)和固定风箱组(7)的出口安装有空气颗粒物探测装置。
4.根据权利要求1所述的一种生产高表面质量锌铝镁镀层钢的系统,其特征在于:所述视觉系统中图像采集单元(9)的最小分辨率为0.2×0.2mm。
5.一种生产高表面质量锌铝镁镀层钢的方法,其特征在于包含以下步骤:
A. 采集机组数据与图像:采集机组信息Process_Paras以及当前参数下图像采集单元采集的带钢表面图像Origin_Picture;
B. 图像标签化:对步骤A中采集的图像Origin_Picture进行人工标签化,即由人工判断出缺陷种类和等级;
C.图像识别模型训练;将步骤B中得到的标签化的图像,输入到图像处理与识别服务器,对图像缺陷识别模型进行训练,最终缺陷识别模型准确率大于95%;
D. 冷却模型训练:建立基于深度神经网络的冷却模型COOLING_MODEL,使用数据库中COOLING_MODEL_DB的数据进行训练,预测结果为各组冷却风机功率序列或风门开度序列,冷却模型准确率大于95%;
E. 实时图像采集与识别:将实时采集到的带钢表面图像输入图像处理与识别服务器中,得到实时的带钢表面预设缺陷的等级标签;
F. 指令下达:当步骤D中实时采集图像的预设缺陷等级标签超出人机交互界面中设定的上限阈值时,则将人机交互界面中预设的目标缺陷等级以及当前机组信息提交给冷却模型COOLING_MODEL,冷却模型COOLING_MODEL计算出镀后冷却系统各组冷却风箱功率序列或风门开度序列,并向镀后冷却系统的控制箱发送动作指令;
G. 冷却系统执行:镀后冷却系统的各组风箱风机控制箱接收到上位机下发的新功率或风门开度指令后,调整到新的功率或风门开度进行冷却。
6.根据权利要求5所述的一种生产高表面质量锌铝镁镀层钢的方法,其特征在于:所述锌铝镁镀层钢包括钢基体和镀层,镀层化学成分包括Zn、Al和Mg,以及其他微量元素,Al含量为1.0-60.0%,Mg含量为0.5-3.5%,以及其他微量元素合小于1%,剩余为Zn。
7.根据权利要求5或6所述的一种生产高表面质量锌铝镁镀层钢的方法,其特征在于:所述步骤A中,采集机组信息Process_Paras,包括气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度、各冷却风箱出口温度、各组风箱风机功率或风门开度和各组风箱颗粒物浓度PM10检测仪数据。
8.根据权利要求5或6所述的一种生产高表面质量锌铝镁镀层钢的方法,其特征在于:所述步骤B中,缺陷标签按照统一格式进行编码,包含了缺陷类型和缺陷等级信息;其中缺陷类型格式和顺序固定,缺陷等级分为5级,其中0级代表最好,5级代表最差。
9.根据权利要求5或6所述的一种生产高表面质量锌铝镁镀层钢的方法,其特征在于:所述步骤C中,包括必要的图像预处理步骤,视觉识别模型是基于卷积神经网络模型实现的。
10.根据权利要求5或6所述的一种生产高表面质量锌铝镁镀层钢的方法,其特征在于:所述步骤D中,冷却模型基于深度神经网络的方法实现,具体为神经网络计算模型中,输入特征为数据库COOLING_MODEL_DB中的气刀高度、气刀间距、锌层重量、生产线速度、带钢入锌锅温度、锌锅溶液温度、各组风箱出口温度和各组风箱颗粒物浓度PM10;输出特征为:沿气刀运行方向由下而上各组风箱风机功率或风门开度序列;神经网络模型训练参数设置如下:第一隐含层网络神经元个数64个,激活函数为relu,第二隐含层神经元个数64个,激活函数为relu,模型损失函数使用均方误差,迭代周期500次,训练优化器为加速小批量梯度下降法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086092.1A CN112267084A (zh) | 2020-10-12 | 2020-10-12 | 一种生产高表面质量锌铝镁镀层钢的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086092.1A CN112267084A (zh) | 2020-10-12 | 2020-10-12 | 一种生产高表面质量锌铝镁镀层钢的系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112267084A true CN112267084A (zh) | 2021-01-26 |
Family
ID=74337883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011086092.1A Pending CN112267084A (zh) | 2020-10-12 | 2020-10-12 | 一种生产高表面质量锌铝镁镀层钢的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112267084A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113755773A (zh) * | 2021-08-12 | 2021-12-07 | 唐山钢铁集团高强汽车板有限公司 | 一种厚规格厚镀层锌铝镁带钢表面质量的控制方法 |
CN116121683A (zh) * | 2023-01-10 | 2023-05-16 | 广东宝冠板材科技有限公司 | 一种固液分界线自动调控式镀铝锌板材生产线 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100027874A (ko) * | 2008-09-03 | 2010-03-11 | 주식회사 포스코 | 모니터링을 통한 아연 도금강판 제조방법 |
CN102618812A (zh) * | 2011-01-28 | 2012-08-01 | 宝山钢铁股份有限公司 | 一种热镀锌机组镀后上行段多段复合冷却方法 |
CN104264090A (zh) * | 2014-09-28 | 2015-01-07 | 江苏大力神科技股份有限公司 | 一种锌花控制装置 |
CN110218960A (zh) * | 2019-05-17 | 2019-09-10 | 邯郸钢铁集团有限责任公司 | 基于视觉识别的炉鼻子姿态自动调整系统和方法 |
-
2020
- 2020-10-12 CN CN202011086092.1A patent/CN112267084A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100027874A (ko) * | 2008-09-03 | 2010-03-11 | 주식회사 포스코 | 모니터링을 통한 아연 도금강판 제조방법 |
CN102618812A (zh) * | 2011-01-28 | 2012-08-01 | 宝山钢铁股份有限公司 | 一种热镀锌机组镀后上行段多段复合冷却方法 |
CN104264090A (zh) * | 2014-09-28 | 2015-01-07 | 江苏大力神科技股份有限公司 | 一种锌花控制装置 |
CN110218960A (zh) * | 2019-05-17 | 2019-09-10 | 邯郸钢铁集团有限责任公司 | 基于视觉识别的炉鼻子姿态自动调整系统和方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113755773A (zh) * | 2021-08-12 | 2021-12-07 | 唐山钢铁集团高强汽车板有限公司 | 一种厚规格厚镀层锌铝镁带钢表面质量的控制方法 |
CN113755773B (zh) * | 2021-08-12 | 2023-08-25 | 唐山钢铁集团高强汽车板有限公司 | 一种厚规格厚镀层锌铝镁带钢表面质量的控制方法 |
CN116121683A (zh) * | 2023-01-10 | 2023-05-16 | 广东宝冠板材科技有限公司 | 一种固液分界线自动调控式镀铝锌板材生产线 |
CN116121683B (zh) * | 2023-01-10 | 2023-09-19 | 广东宝冠板材科技有限公司 | 一种固液分界线自动调控式镀铝锌板材生产线 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112267084A (zh) | 一种生产高表面质量锌铝镁镀层钢的系统和方法 | |
CN110789128B (zh) | 一种增材制造制件成形质量预测与控制系统及方法 | |
CN105956618B (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别系统及方法 | |
CN110565039B (zh) | 一种热镀锌机组锌层厚度控制方法 | |
CN112801091B (zh) | 一种基于深度学习的增材制造制件成形质量监控与预测方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN110186156A (zh) | 制冷站模糊控制系统 | |
CN110781944A (zh) | 一种基于深度学习的铁水自动扒渣控制方法 | |
CN111676365A (zh) | 一种基于lstm的过渡钢卷退火温度设定值的预测方法 | |
CN111833313A (zh) | 基于深度主动学习的工业产品表面缺陷检测方法及系统 | |
CN110751669A (zh) | 一种新型cbocp在线红外转炉出钢钢流自动检测与跟踪方法及系统 | |
CN109763085B (zh) | 一种热镀锌线合金化段温度控制的方法 | |
US9181626B2 (en) | Coil scheduling method and system for electrogalvanizing line in steel industry | |
CN115564131A (zh) | 一种基于图像识别神经网络的光伏发电功率预测方法 | |
CN115018851A (zh) | 汽车镀锌板镀锌质量控制方法及控制器 | |
CN111985406B (zh) | 一种锌渣图像识别及分类方法 | |
CN115584375B (zh) | 一种基于图像识别的转炉自动出钢的方法及系统 | |
CN116921704A (zh) | 选区激光熔化过程的质量监测、缺陷定位方法及系统 | |
CN116433645A (zh) | 一种皮带鼓包检测方法与检测系统 | |
CN112149499A (zh) | 一种基于机器视觉技术木块方向识别装置 | |
CN113487570A (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
CN111028289A (zh) | 基于模板匹配的变电站内设备异物定位方法 | |
CN215987370U (zh) | 一种基于人工智能的转炉渣分析系统 | |
CN113887804B (zh) | 一种基于改进局部异常因子算法的短期风电功率预测方法 | |
CN219340740U (zh) | 一种皮带鼓包检测系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210126 |