CN113373295A - 基于多层感知器的退火炉数字孪生智慧报警系统及方法 - Google Patents
基于多层感知器的退火炉数字孪生智慧报警系统及方法 Download PDFInfo
- Publication number
- CN113373295A CN113373295A CN202110438077.7A CN202110438077A CN113373295A CN 113373295 A CN113373295 A CN 113373295A CN 202110438077 A CN202110438077 A CN 202110438077A CN 113373295 A CN113373295 A CN 113373295A
- Authority
- CN
- China
- Prior art keywords
- buckling
- deviation
- module
- strip
- furnace
- 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.)
- Granted
Links
- 238000000137 annealing Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013178 mathematical model Methods 0.000 claims abstract description 55
- 238000013135 deep learning Methods 0.000 claims abstract description 51
- 239000010959 steel Substances 0.000 claims abstract description 39
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims description 38
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 230000035882 stress Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 7
- 238000010977 unit operation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000008646 thermal stress Effects 0.000 claims description 3
- 238000000053 physical method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 1
- 239000013072 incoming material Substances 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000003860 storage Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000219122 Cucurbita Species 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/52—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for wires; for strips ; for rods of unlimited length
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/26—Methods of annealing
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Heat Treatment Of Strip Materials And Filament Materials (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本文公开了基于多层感知器的退火炉数字孪生智慧报警系统及方法,该系统对退火炉的几何特征、退火过程等建立物理模型,同时建立数据中心完成对传感器采集的数据的存储、交换,并综合考虑来料板形、设定张力、炉温等因素建立退火过程中带钢跑偏和瓢曲数学模型计算跑偏指数和瓢曲指数对其跑偏和瓢曲故障进行预警,通过短期自学习和长期自学习对数据进行训练,对模型内部参数进行优化,最终通过多层感知器深度学习完成对模型的优化,得到各输入参数对系统的影响权重以及最优参考值,将其和数据中心的数据载入到物理模型中实现对退火过程的数字孪生及跑偏和瓢曲故障的智慧预警。
Description
技术领域
本发明涉及生产过程及故障诊断领域,尤其涉及一种基于多层感知器的退火炉数字孪生智慧报警系统及方法,适用于带材、铝带等板带产品退火过程的数字孪生展示及故障诊断。
背景技术
在现代的带材生产中,生产线越来越大型化、复杂化,如果不提前对产品生产进行预判,现场容易出现问题,故障率高,增加了维护成本,出现故障时操作人员对于处理故障的及时性和准确性低,影响后序生产的进行,增加了生产成本。随着5G技术和人工智能的快速发展,工业生产的智慧化程度越来越高,智慧预警在工业生产中显得格外重要。智慧预警可以根据当前的工况信息对生产状态及产品质量进行评估,及时准确地进行故障预测,给出故障原因和解决方法,降低生产的事故率,避免给企业造成不必要的损失。
目前,带材在退火过程中出现的故障主要集中在带材的跑偏和瓢曲,随着冷轧板带向着大宽度、薄厚度的规模生产迈进,带材的跑偏和瓢曲现象越来越明显。瓢曲不同冷轧过程中出现的带材浪形,带材表面的浪形经过退火后会得到较大程度的改善,但瓢曲褶皱一旦出现则无法消除,严重影响了带材的表面质量。在出现故障时往往通过人工干预调整参数直到故障消失,综合来看,产生其现象的主要原因在于带材的初始板形、炉内温度、张力设定和控制等因素,带材的初始板形缺陷严重,张力设定过小,张力控制不稳定,带材表面温差过大等都会导致带材在退火过程中内部组织和晶粒结晶、再结晶过程发生变化,导致带材内部张应力分布不均匀甚至超过带材本身的屈服强度极限产生塑性变形,从而导致带材出现褶皱和运动过程中失去对中性偏离原来的运动方向,增加带材的残余应力。为了对带材退火过程中出现的跑偏瓢曲进行预判,引入了数学模型进行机理分析,但数学模型只能对某一种特定的情况进行分析,随着智能算法、大数据及数字孪生技术(利用数字技术对物理实体对象的行为、特征、性能和形成过程等进行描述和建模,与实体实时同步)的发展,将数学模型与其结合显得十分重要。
因此,着眼于信息化发展趋势,目前迫切需要建立一种退火炉数字孪生智慧报警系统,改变以人工干预方式为主的模式,可以根据不同工况对带材进行预警,在带材生产之前,就可以通过虚拟生产的方式来模拟在不同参数、不同外部条件下的生产过程,实现全部生产过程的可视化监控,对出现故障的异常情况进行及时处理和调整,实现稳定并不断优化的生产过程,降低带材在退火时的事故率。
发明内容
本发明的目的在于提供一种基于多层感知器的退火炉数字孪生智慧报警系统及方法,以解决上述技术背景中提出的问题。
为实现上述目的,本发明采用以下技术方案:
本申请第一个方面提供了一种基于多层感知器的退火炉数字孪生智慧报警系统,优选地,所述系统应用于包含有开卷机、入口活套、退火炉、出口活套的整个退火过程的数字孪生。
本申请第一个方面提供的所述基于多层感知器的退火炉数字孪生智慧报警系统,包括:数据采集模块、多层感知器深度学习模块、跑偏瓢曲数学模型模块、数字孪生体物理模型模块和语音报警模块;其中,
所述数据采集模块,被配置为实时采集退火炉内的数据,采集的实时数据包括钢卷信息、炉温、张力、辊形、带材板形、机组运行速度中的一种或几种;
所述多层感知器深度学习模块,被配置为以数据采集模块采集的实时数据作为输入参数,通过多层感知器对输入参数进行深度学习获取输入参数对跑偏和瓢曲影响的权重,即影响因子,并发送至所述跑偏瓢曲数学模型模块;
所述跑偏瓢曲数学模型模块,其输入端与所述数据采集模块、所述多层感知器深度学习模块相连接,被配置为根据数据采集模块采集的实时数据完成对带材宽度方向温度分布和炉辊热辊形的计算,并以所述多层感知器深度学习模块输出的影响因子与获得的带材宽度方向温度分布、炉辊热辊形作为输入,计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲;
所述数字孪生体物理模型模块,分别与所述跑偏瓢曲数学模型模块的输出端、所述数据采集模块相连接,被配置为建立实体退火炉的数字孪生体模型并进行整个退火过程的动态仿真模拟;
所述语音报警模块,与所述跑偏瓢曲数学模型模块的输出端相连接,被配置为将发生跑偏和瓢曲时的故障原因进行语音播报。
优选地,所述跑偏瓢曲数学模型模块的输出端还与所述多层感知器深度学习模块的输入端相连接,所述多层感知器深度学习模块被配置为在发生跑偏和瓢曲时,接收所述跑偏瓢曲数学模型模块反向输送的需调整参数并进行自学习,动态调整输入参数,并得出修正后的影响因子;所述数字孪生体物理模型模块还与实体退火炉交互实现闭环,所述数字孪生体物理模型模块被配置为将自学习调整后的参数反馈到实体退火炉中指导实际生产运行。
优选地,所述钢卷信息包括钢卷宽度、厚度、屈服强度中的一种或更多种。
优选地,所述系统还包括实时数据库,所述实时数据库被配置为接收、保存所述数据采集模块采集的实时数据,并将实时数据输出至所述多层感知器的输入层、所述跑偏瓢曲数学模型模块的输入端以及所述数字孪生体物理模型模块的输入端。
更优选地,所述数据采集模块通过网络传输模块将采集的退火炉内的数据存储至所述实时数据库中,所述网络传输模块支持局域网、LAN、WiFi、Zigbee、Bluetooth、5G、RFID和GPS的传输协议。
优选地,所述系统还包括SQL关系数据库和客户端显示模块,所述SQL关系数据库的输入端与所述跑偏瓢曲数学模型模块的输出端相连接,所述SQL关系数据库的输出端与所述客户端显示模块、所述语音报警模块相连接,所述SQL关系数据库被配置将接收到的数据通过客户端显示模块进行显示,和/或通过语音报警模块进行报警。
本申请第二个方面公开了一种基于多层感知器的退火炉数字孪生智慧报警方法,包括:
实时采集实体退火炉内的数据,采集到的实时数据包括钢卷信息、炉温、张力、辊形、带材板形、机组运行速度中的一种或多种;
将采集到的实时数据作为输入参数送入跑偏瓢曲数学模型模块中,完成对带材宽度方向温度分布和炉辊热辊形的计算;
同时,将采集到的实时数据同步送入数字孪生体物理模型模块和多层感知器深度学习模块中;所述数字孪生体物理模型模块通过采集到的实时数据建立数字孪生体模型,并进行动态仿真模拟;所述多层感知器深度学习模块具有多层感知器,所述多层感知器对输入参数进行深度学习获取各个输入参数对跑偏和瓢曲影响的权重,即影响因子;
所述多层感知器深度学习模块将计算出的结果发送至跑偏瓢曲数学模型模块中,所述跑偏瓢曲数学模型模块计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲;若是,则所述跑偏瓢曲数学模型模块将故障原因送入语音报警模块进行语音播报。
优选地,所述钢卷信息包括钢卷宽度、厚度、屈服强度中的一种或更多种。
优选地,当所述跑偏瓢曲数学模型模块判断带材在退火过程中发生跑偏和瓢曲时,所述方法还包括:
所述跑偏瓢曲数学模型模块将需调整参数反向输送至所述多层感知器深度学习模块,所述多层感知器深度学习模块对引起跑偏和瓢曲的输入参数进行自学习调整,并通过所述跑偏瓢曲数学模型模块将调整的参数送入数字孪生体物理模型模块中进行仿真;
数字孪生体物理模型模块还与实体退火炉交互实现闭环,将自学习调整后的参数反馈到实体退火炉中指导实际生产运行直至得到最优工况参数;
同时,所述跑偏瓢曲数学模型模块将调整的参数送入语音报警模块进行语音播报。
更优选地,当所述跑偏瓢曲数学模型模块判断带材在退火过程中发生跑偏和瓢曲时,所述跑偏瓢曲数学模型模块将多层感知器深度学习模块通过自学习调整的参数传送至SQL关系数据库中进行保存,同时,客户端和语音报警模块从SQL关系数据库读取数据进行生产界面展示和/或报警。
优选地,所述方法还包括:
对整个退火过程基于物理方法搭建数字孪生体物理模型;
搭建客户端服务器;
构建客户端服务器与车间操作室和各个检测设备的网络,实现稳定通讯;
通过数据采集模块实时采集退火炉内的数据,并将采集到的实时数据存储到实时数据库中建立数据中心。
优选地,所述多层感知器深度学习模块分析各个输入参数对跑偏和瓢曲影响的权重,包括:所述多层感知器深度学习模块采用三层感知器,包括输入层、隐含层和输出层,三层感知器采用双曲正切函数作为激活函数,输出层输出带材板形、炉温、辊形、张力在0~1区间范围内的影响因子C1、C2、C3、C4,其中C1+C2+C3+C4=1。
优选地,所述跑偏瓢曲数学模型模块计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲,包括:
建立带材横向温度分布模型,通过带材横向温度分布模型计算所述带材宽度方向温度分布;
建立炉辊热辊形模型,通过炉辊热辊形模型计算所述炉辊热辊形;
将所述多层感知器深度学习模块输出的影响因子与获得的带材宽度方向温度分布、炉辊热辊形输入所述跑偏瓢曲数学模型模块中,获得带材沿宽度方向的张应力分布;
以带材中线为中心,运用力矩平衡分别计算跑偏指数和瓢曲指数;
当跑偏指数和瓢曲指数大于其对应的临界值时,则判断退火炉内带材发生跑偏和瓢曲。
更优选地,所述跑偏瓢曲数学模型模块计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲,包括:
所述跑偏瓢曲数学模型模块对带材进行单元划分,计算每条单元的坐标值xi,其数学表达式为:xi=(i-m-1)*B/(2*m+1),其中,xi表示每条单元的坐标位置,m表示划分的单元数,B表示带材的宽度;
根据得到每条单元的坐标值xi,建立带材横向温度分布模型,计算由带材横向温度产生的残余应力Q,其数学表达式为:其中,Q表示热应力,β表示热膨胀系数,E表示弹性模量,ΔTi表示其余条单元与中间条单元的温差;
根据得到每条单元的坐标值xi,建立炉辊热辊形模型,计算由炉辊热辊形产生的残余应力Δδi,其数学表达式为:其中,Δδi表示划分各条单元残余应力,Δli表示变形差,Hi表示两炉辊之间的距离,Ri表示炉辊半径;
构建目标函数F(x),运用鲍威尔法求得F(x)的最小值从而得到沿带材宽度方向上的张应力分布;
根据δcr=kcrπ2h2E/12(1+v)B2计算瓢曲指数,其中,δcr表示瓢曲指数,kcr表示带钢屈曲临界系数,h表示带钢厚度;
当跑偏指数和瓢曲指数大于其对应的临界值时,则判断退火炉内带材发生跑偏和瓢曲。
与现有技术相比,本发明的技术方案具有以下有益效果:
本发明通过带钢跑偏、瓢曲模型从机理分析了连退过程中炉温、张力、辊形、板形等参数之间的耦合关系以及它们对带钢跑偏和瓢曲的影响,利用多层感知器深度学习模块得出各个参数对带钢跑偏、瓢曲的影响权重来得出在发生预警时究竟是由哪些参数引起的预警并自学习调整,同时利用数字孪生体物理模型模块对调整后的参数进行仿真,直至得到最优参数,准确及时地给出预警原因和调整数值,实现智慧预警,大大提高了故障解决速率。
附图说明
构成本申请的一部分附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请优选实施例的一种基于多层感知器的退火炉数字孪生报警系统流程图;
图2为本申请优选实施例的一种基于多层感知器的退火炉数字孪生智慧报警系统数学模型流程图;
图3A~3D为本申请优选实施例的一种基于多层感知器的退火炉数字孪生智慧报警系统案例分析效果图;其中,图3A为来料板形示意图,图3B为炉辊辊形示意图,图3C为带钢宽度方向温度分布示意图,图3D为带钢宽度方向张应力分布示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
基于现有技术中存在的问题,本申请建立了一种基于多层感知器的退火炉数字孪生智慧报警系统,该系统是对退火过程的整体数字孪生,包括开卷机、焊机、退火炉内部结构等一切设备,同时根据带材板形、温度、张力、炉辊辊形等建立跑偏和瓢曲数学模型,并通过多层感知器算法对信息进行深度学习,将学习结果带入数学模型中对跑偏和瓢曲模型进行优化,判断其是否发生跑偏和瓢曲,在发生故障时,再次通过多层感知器自学习,对各设定参数进行优化,将其带入到数字孪生模型模块中执行仿真直到学习出最优工况参数,确保参数调整的合理性,同时将故障原因和调整方法传入语音报警模块进行播报。
参阅图1所示,本申请的一种基于多层感知器的退火炉数字孪生智慧报警系统,包括数据采集模块、pSpace实时数据库、多层感知器深度学习模块、跑偏瓢曲数学模型模块、数字孪生体物理模型模块、SQL关系数据库、客户端显示模块和语音报警模块。
上述的数据采集模块,被配置为实时采集退火炉内的数据,采集的实时数据包括钢卷信息(如钢卷宽度、厚度、屈服强度)、炉温、张力、辊形、带材板形、机组运行速度中的一种或多种。
上述的pSpace实时数据库,所述pSpace实时数据库被配置为接收、保存所述数据采集模块采集的实时数据,并将实时数据输出至所述多层感知器深度学习模块的输入端、所述跑偏瓢曲数学模型模块的输入端以及所述数字孪生体物理模型模块的输入端。
上述的多层感知器深度学习模块,被配置为以数据采集模块采集的实时数据作为输入参数,通过多层感知器获取输入参数对跑偏和瓢曲影响的权重,即影响因子,并发送至所述跑偏瓢曲数学模型模块。
上述的跑偏瓢曲数学模型模块,其输入端与所述pSpace实时数据库、所述多层感知器深度学习模块相连接,被配置为根据数据采集模块采集的实时数据,分别根据带材横向温度分布模型和炉辊热辊形模型完成对带材宽度方向温度分布和炉辊热辊形的计算,并以所述多层感知器深度学习模块输出的影响因子与获得的带材宽度方向温度分布、炉辊热辊形作为输入,计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲;其输出端分别与所述数字孪生体物理模型模块的输入端、所述多层感知器深度学习模块的输入端相连接,在发生跑偏和瓢曲时向所述多层感知器深度学习模块输出需调整参数,所述多层感知器深度学习模块进行自学习,动态调整输入参数,并得出修正后的影响因子。
上述的数字孪生体物理模型模块,其输入端分别与所述跑偏瓢曲数学模型模块的输出端、所述数据采集模块相连接,被配置为建立实体退火炉的数字孪生体模型并进行整个退火过程的动态仿真模拟;其输出端还与实体退火炉交互实现闭环,将所述多层感知器深度学习模块自学习调整后的参数反馈到实体退火炉中指导实际生产运行。
上述的SQL关系数据库,其输入端与所述跑偏瓢曲数学模型模块的输出端相连接,所述SQL关系数据库的输出端与所述客户端显示模块、所述语音报警模块相连接,所述SQL关系数据库被配置将接收到的数据进行存储,并通过客户端显示模块进行显示,和/或通过语音报警模块进行预警。
本申请在实施时,先搭建模型和客户端服务器,构建服务器与车间操作室和各个检测设备的网络,实现稳定通讯,通过数据采集软件和接收报文的形式从产线控制系统采集数据并将采集的实时数据存储到pSpace实时数据库中建立数据中心,在多层感知器深度学习模块和数字孪生体物理模型模块中输入的参数主要是来料的初始板形B(x)、炉辊辊形G(x)、炉温T、设定张力F、机组运行速度V、钢卷宽度B、厚度h、屈服强度δ,多层感知器深度学习为三层感知器,通过双曲正切激活函数获得输入参数对跑偏和瓢曲影响的权重,即影响因子。在跑偏瓢曲数学模型模块中,对带钢进行单元格划分,根据公式(1)得到每条单元的坐标值xi,建立带材横向温度分布模型和炉辊热辊形模型,根据公式(2)和公式(3)分别计算由温度和辊形产生的残余应力,同时根据公式(4)计算由板形产生的残余应力,构建目标函数F(x),求得沿带钢宽度方向上的张应力分布,根据公式(5)和公式(6)计算跑偏指数和瓢曲指数,并判断在当前工况下是否发生跑偏和瓢曲。利用大数据分析将正常工况数据和不正常工况数据区分分别做成样本库,通过自学习分别对好的数据和坏的数据进行学习,寻找最优工况系数。在发生跑偏和瓢曲时根据各个参数的权重判断由哪些参数引起预警,并通过多层感应器进行深度学习动态调整参数并传送到数字孪生物理模型模块中与实体加热炉进行交互,并通过客户端软件和语音报警模块对其进行展示和预警。
xi=(i-m-1)*B/(2*m+1) (1)
式中,xi为每条单元的坐标位置,m为划分的单元数,B为带钢宽度。
式中,Q为热应力,β为热膨胀系数,E为弹性模量,ΔTi为其余条与中间条的温差。
式中,Δδi表示划分各条单元残余应力,Δli为变形差,Hi为两炉辊之间的距离,Ri为炉辊半径。
式中,v为泊松比,βi-1(x)为板形,Ei为弹性模量。
δcr=kcrπ2h2E/12(1+v)B2 (6)
式中,δcr为瓢曲指数,kcr为带钢屈曲临界系数,h为带钢厚度。
在图1中示出了一种基于多层感知器的退火炉数字孪生报警系统流程图。数据采集模块通过直接采集和接收报文对传感器数据及钢卷信息进行采集转存到pSpace实时数据库中,并被带钢横向温度模型和炉辊热辊形模型所调用得到带钢和炉辊温度分布,同时作为输入参数送至多层感知器深度学习模块的多层感知器的输入层,多层感知器采用作为激活函数,经过深度学习,输出层输出板形、炉温、辊形、张力的在0-1区间范围内影响因子C1、C2、C3、C4,其中C1+C2+C3+C4=1。将深度学习的影响因子、带钢横向温度分布及热辊形带入跑偏瓢曲数学模型模块中,计算跑偏指数和瓢曲指数,并预估是否发生预警,同时所述数字孪生体物理模型模块对整个退火过程进行数字孪生得到物理模型。当发生预警时,跑偏瓢曲数学模型模块根据影响因子输出所需调整参数至多层感知器深度学习模块,多层感知器深度学习模块通过自我学习学得最优参数,将其转存到SQL关系数据库和数字孪生退火炉物理模型模块中,数字孪生退火炉物理模型模块与实体加热炉交互实现闭环,同时客户端和语音报警模块从SQL关系数据库中读取数据进行生产界面展示和报警。
在图2中示出了一种基于多层感知器的退火炉数字孪生智慧报警系统数学模型流程图。首先从底层控制系统读取钢卷信息、板形、炉温、辊形、张力等数据,并转存到pSpace实时数据库中被机理模块读取。对带钢沿宽度方向和厚度方向,对炉辊沿轴向方向和径向方向进行网格划分,考虑对流和辐射根据二维非稳态导热方程和边界条件方程建立二维带钢温度场模型,得到带钢宽度方向温度分布Td(x)和炉辊温度分布TG(x),根据公式得到炉辊热辊形。根据由带材初始板形、横向温度分布、炉辊热辊形、张力等通过受力分析引起的残余应力δB、δT、δG、δZ,构建一个目标函数运用鲍威尔法求得F(x)的最小值从而得到沿带材宽度方向的张力分布。以带材中线为中心,运用力矩平衡分别计算跑偏指数和瓢曲指数。在此机理模型中,由于带材和炉辊之间不断摩擦导致二者之间的摩擦力发生工需要用大量的数据通过短期自学习和长期自学习不断对其摩擦系数进行修正,其中短期自学习以xj=xj-1(1-a)+ax′j计算摩擦系数,长期自学习以fs+1=As+1(N,h)fsm计算摩擦系数,将短期自学习和长期自学习的值进行加权,对摩擦系数进行修正,并且通过大数据分析并结合实际工况寻优出临界发生跑偏和瓢曲的指数,当实际大于临界时发生跑偏和瓢曲。
图3A~3D示出了一种基于多层感知器的退火炉数字孪生智慧报警系统案例分析效果图。目标钢卷规格为1200*0.5m,退火炉加热1段温度为780℃,加热2段温度为790℃,加热3段温度为795℃,设定张力为7MPa,机组运行速度为12m/s。来料板形和炉辊辊形如图3A和3B所示,其中,图3B中,L为炉辊的长度,L=1550m,S为炉辊的中部平直段的长度,S=450m,D为炉辊的中部平直段的直径,D=650m,δ为炉辊的凸度,δ=0.15mm。通过对带钢和炉辊建立温度场模型得到图3C的带钢宽度方向温度分布,利用多层感知器算法得到温度影响系数为0.2,板形影响系数为0.5,辊形影响系数为0.05,张力影响系数为0.15,速度影响系数为0.1,带入跑偏瓢曲模型模块中,得到如图3D所示的带钢沿宽度方向的张力分布。经跑偏、瓢曲公式分别得到跑偏指数为35.2,瓢曲指数为0.2,经过大数据计算得到临界跑偏指数为32,临界瓢曲指数为0.4,发生跑偏预警。从各个参数的影响因子分析发生预警的主要原因是由于带材的来料板形所引起的。从图3A所示,带材的来料板形为单边浪,经过跑偏瓢曲模型模块得到的张应力分布呈上升趋势,极其不对中发生跑偏,并且单边浪缺陷越严重,带钢发生跑偏的概率也就越大,与实际情况相符。通过改变温度、张力来改变单边浪板形的张力分布,可以控制带钢跑偏和瓢曲。
综上所述,本申请公开了一种基于多层感知器的退火炉数字孪生智慧报警系统及方法,该系统对退火炉的几何特征、退火过程等建立物理模型,同时建立数据中心完成对数据采集模块(如传感器)采集的数据的存储、交换,并综合考虑来料板形、设定张力、炉温等因素建立退火过程中带钢跑偏和瓢曲数学模型,计算跑偏指数和瓢曲指数对其跑偏和瓢曲故障进行预警,通过短期自学习和长期自学习对数据进行训练,对模型内部参数进行优化,最终通过多层感知器深度学习完成对模型的优化,得到各输入参数对系统的影响权重以及最优参考值,将其和数据中心的数据载入到物理模型中实现对退火过程的数字孪生及跑偏和瓢曲故障的智慧预警,大大提高了故障解决速率。本申请在产品生产之前,就可以通过虚拟生产的方式来模拟在不同参数、不同外部条件下的生产过程,实现全部生产过程的可视化监控、及时处理和调整。
以上对本发明的具体实施例进行了详细描述,但其只是作为范例,本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言,任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此,在不脱离本发明的精神和范围下所作的均等变换和修改,都应涵盖在本发明的范围内。
Claims (10)
1.基于多层感知器的退火炉数字孪生智慧报警系统,其特征在于,包括:数据采集模块、多层感知器深度学习模块、跑偏瓢曲数学模型模块、数字孪生体物理模型模块和语音报警模块;其中,
所述数据采集模块,被配置为实时采集退火炉内的数据,采集的实时数据包括钢卷信息、炉温、张力、辊形、带材板形、机组运行速度中的一种或几种;
所述多层感知器深度学习模块,被配置为以数据采集模块采集的实时数据作为输入参数,通过多层感知器对输入参数进行深度学习获取输入参数对跑偏和瓢曲影响的权重,即影响因子,并发送至所述跑偏瓢曲数学模型模块;
所述跑偏瓢曲数学模型模块,其输入端与所述数据采集模块、所述多层感知器深度学习模块相连接,被配置为根据数据采集模块采集的实时数据完成对带材宽度方向温度分布和炉辊热辊形的计算,并以所述多层感知器深度学习模块输出的影响因子与获得的带材宽度方向温度分布、炉辊热辊形作为输入,计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲;
所述数字孪生体物理模型模块,分别与所述跑偏瓢曲数学模型模块的输出端、所述数据采集模块相连接,被配置为建立实体退火炉的数字孪生体模型并进行整个退火过程的动态仿真模拟;
所述语音报警模块,与所述跑偏瓢曲数学模型模块的输出端相连接,被配置为将发生跑偏和瓢曲时的故障原因进行语音播报。
2.根据权利要求1所述的基于多层感知器的退火炉数字孪生智慧报警系统,其特征在于,所述跑偏瓢曲数学模型模块的输出端还与所述多层感知器深度学习模块的输入端相连接,所述多层感知器深度学习模块被配置为在发生跑偏和瓢曲时,接收所述跑偏瓢曲数学模型模块反向输送的需调整参数并进行自学习,动态调整输入参数,并得出修正后的影响因子;所述数字孪生体物理模型模块还与实体退火炉交互实现闭环,所述数字孪生体物理模型模块被配置为将自学习调整后的参数反馈到实体退火炉中指导实际生产运行。
3.根据权利要求1所述的基于多层感知器的退火炉数字孪生智慧报警系统,其特征在于,还包括实时数据库,所述实时数据库被配置为接收、保存所述数据采集模块采集的实时数据,并将实时数据输出至所述多层感知器的输入层、所述跑偏瓢曲数学模型模块的输入端以及所述数字孪生体物理模型模块的输入端。
4.根据权利要求1所述的基于多层感知器的退火炉数字孪生智慧报警系统,其特征在于,还包括SQL关系数据库和客户端显示模块,所述SQL关系数据库的输入端与所述跑偏瓢曲数学模型模块的输出端相连接,所述SQL关系数据库的输出端与所述客户端显示模块、所述语音报警模块相连接,所述SQL关系数据库被配置将接收到的数据通过客户端显示模块进行显示,和/或通过语音报警模块进行报警。
5.基于多层感知器的退火炉数字孪生智慧报警方法,其特征在于,包括:
实时采集实体退火炉内的数据,采集到的实时数据包括钢卷信息、炉温、张力、辊形、带材板形、机组运行速度中的一种或多种;
将采集到的实时数据作为输入参数送入跑偏瓢曲数学模型模块中,完成对带材宽度方向温度分布和炉辊热辊形的计算;
同时,将采集到的实时数据同步送入数字孪生体物理模型模块和多层感知器深度学习模块中;所述数字孪生体物理模型模块通过采集到的实时数据建立数字孪生体模型,并进行动态仿真模拟;所述多层感知器深度学习模块具有多层感知器,所述多层感知器对输入参数进行深度学习获取各个输入参数对跑偏和瓢曲影响的权重,即影响因子;
所述多层感知器深度学习模块将计算出的结果发送至跑偏瓢曲数学模型模块中,所述跑偏瓢曲数学模型模块计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲;若是,则所述跑偏瓢曲数学模型模块将故障原因送入语音报警模块进行语音播报。
6.根据权利要求5所述的基于多层感知器的退火炉数字孪生智慧报警方法,其特征在于,当所述跑偏瓢曲数学模型模块判断带材在退火过程中发生跑偏和瓢曲时,所述方法还包括:
所述跑偏瓢曲数学模型模块将需调整参数反向输送至所述多层感知器深度学习模块,所述多层感知器深度学习模块对引起跑偏和瓢曲的输入参数进行自学习调整,并通过所述跑偏瓢曲数学模型模块将调整的参数送入数字孪生体物理模型模块中进行仿真;
数字孪生体物理模型模块还与实体退火炉交互实现闭环,将自学习调整后的参数反馈到实体退火炉中指导实际生产运行直至得到最优工况参数;
同时,所述跑偏瓢曲数学模型模块将调整的参数送入语音报警模块进行语音播报。
8.根据权利要求5所述的基于多层感知器的退火炉数字孪生智慧报警方法,其特征在于,所述跑偏瓢曲数学模型模块计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲,包括:
建立带材横向温度分布模型,通过带材横向温度分布模型计算所述带材宽度方向温度分布;
建立炉辊热辊形模型,通过炉辊热辊形模型计算所述炉辊热辊形;
将所述多层感知器深度学习模块输出的影响因子与获得的带材宽度方向温度分布、炉辊热辊形输入所述跑偏瓢曲数学模型模块中,获得带材沿宽度方向的张应力分布;
以带材中线为中心,运用力矩平衡分别计算跑偏指数和瓢曲指数;
当跑偏指数和瓢曲指数大于其对应的临界值时,则判断退火炉内带材发生跑偏和瓢曲。
9.根据权利要求8所述的基于多层感知器的退火炉数字孪生智慧报警方法,其特征在于,所述跑偏瓢曲数学模型模块计算跑偏指数和瓢曲指数,并判断是否发生跑偏和瓢曲,包括:
所述跑偏瓢曲数学模型模块对带材进行单元划分,计算每条单元的坐标值xi,其数学表达式为:xi=(i-m-1)*B/(2*m+1),其中,xi表示每条单元的坐标位置,m表示划分的单元数,B表示带材的宽度;
根据得到每条单元的坐标值xi,建立带材横向温度分布模型,计算由带材横向温度产生的残余应力Q,其数学表达式为:其中,Q表示热应力,β表示热膨胀系数,E表示弹性模量,ΔTi表示其余条单元与中间条单元的温差;
根据得到每条单元的坐标值xi,建立炉辊热辊形模型,计算由炉辊热辊形产生的残余应力Δδi,其数学表达式为:其中,Δδi表示划分各条单元残余应力,Δli表示变形差,Hi表示两炉辊之间的距离,Ri表示炉辊半径;
构建目标函数F(x),运用鲍威尔法求得F(x)的最小值从而得到沿带材宽度方向上的张应力分布;
根据δcr=kCrπ2h2E/12(1+DB2计算瓢曲指数,其中,δcr表示瓢曲指数,kcr表示带钢屈曲临界系数,h表示带钢厚度;
当跑偏指数和瓢曲指数大于其对应的临界值时,则判断退火炉内带材发生跑偏和瓢曲。
10.根据权利要求5所述的基于多层感知器的退火炉数字孪生智慧报警方法,其特征在于,所述方法还包括:
对整个退火过程基于物理方法搭建数字孪生体物理模型;
搭建客户端服务器;
构建客户端服务器与车间操作室和各个检测设备的网络,实现稳定通讯;
通过数据采集模块实时采集退火炉内的数据,并将采集到的实时数据存储到实时数据库中建立数据中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438077.7A CN113373295B (zh) | 2021-04-22 | 2021-04-22 | 基于多层感知器的退火炉数字孪生智慧报警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438077.7A CN113373295B (zh) | 2021-04-22 | 2021-04-22 | 基于多层感知器的退火炉数字孪生智慧报警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113373295A true CN113373295A (zh) | 2021-09-10 |
CN113373295B CN113373295B (zh) | 2022-11-25 |
Family
ID=77570647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110438077.7A Active CN113373295B (zh) | 2021-04-22 | 2021-04-22 | 基于多层感知器的退火炉数字孪生智慧报警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113373295B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565314A (zh) * | 2022-03-09 | 2022-05-31 | 武汉科技大学 | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 |
CN114564880A (zh) * | 2022-01-26 | 2022-05-31 | 南京理工大学 | 一种增材制造过程数字孪生模块构建方法 |
CN115228928A (zh) * | 2022-07-26 | 2022-10-25 | 广西广盛新材料科技有限公司 | 带钢对中方法、装置、终端设备及存储介质 |
CN115883464A (zh) * | 2022-11-30 | 2023-03-31 | 广州地铁设计研究院股份有限公司 | 一种数字孪生光网络流量调控系统以及流量调控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232232A (zh) * | 2019-05-31 | 2019-09-13 | 宝钢湛江钢铁有限公司 | 一种适用于连退来料板形目标曲线优化设定 |
US20200003444A1 (en) * | 2018-07-02 | 2020-01-02 | Carrier Corporation | Commissioning method and commissioning system |
CN111241657A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 一种基于深度学习的冷轧带钢板形预测方法 |
CN112446130A (zh) * | 2020-10-15 | 2021-03-05 | 宝钢日铁汽车板有限公司 | 连续热镀锌机组退火炉的带钢跑偏仿真系统及控制方法 |
CN112507573A (zh) * | 2021-02-09 | 2021-03-16 | 东北大学 | 一种基于数字孪生的热连轧轧制过程监控预警方法 |
-
2021
- 2021-04-22 CN CN202110438077.7A patent/CN113373295B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200003444A1 (en) * | 2018-07-02 | 2020-01-02 | Carrier Corporation | Commissioning method and commissioning system |
CN110232232A (zh) * | 2019-05-31 | 2019-09-13 | 宝钢湛江钢铁有限公司 | 一种适用于连退来料板形目标曲线优化设定 |
CN111241657A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 一种基于深度学习的冷轧带钢板形预测方法 |
CN112446130A (zh) * | 2020-10-15 | 2021-03-05 | 宝钢日铁汽车板有限公司 | 连续热镀锌机组退火炉的带钢跑偏仿真系统及控制方法 |
CN112507573A (zh) * | 2021-02-09 | 2021-03-16 | 东北大学 | 一种基于数字孪生的热连轧轧制过程监控预警方法 |
Non-Patent Citations (2)
Title |
---|
杨光: "基于数据挖掘技术的冷轧产品质量性能预测", 《中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》 * |
杨博雄: "《深度学习理论与实践》", 30 September 2020, 北京邮电大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564880A (zh) * | 2022-01-26 | 2022-05-31 | 南京理工大学 | 一种增材制造过程数字孪生模块构建方法 |
CN114564880B (zh) * | 2022-01-26 | 2022-11-25 | 南京理工大学 | 一种增材制造过程数字孪生模块构建方法 |
CN114565314A (zh) * | 2022-03-09 | 2022-05-31 | 武汉科技大学 | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 |
CN115228928A (zh) * | 2022-07-26 | 2022-10-25 | 广西广盛新材料科技有限公司 | 带钢对中方法、装置、终端设备及存储介质 |
CN115883464A (zh) * | 2022-11-30 | 2023-03-31 | 广州地铁设计研究院股份有限公司 | 一种数字孪生光网络流量调控系统以及流量调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113373295B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113373295B (zh) | 基于多层感知器的退火炉数字孪生智慧报警系统及方法 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN106055844A (zh) | 基于bp神经网络的镍基高温合金微观组织预测控制方法 | |
CN103886373A (zh) | 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法 | |
CN112037209B (zh) | 一种钢板轧辊磨损量预测方法及系统 | |
CN100520786C (zh) | 拉矫机机组矫正辊的工艺参数设定方法 | |
US20230004781A1 (en) | Lstm-based hot-rolling roll-bending force predicting method | |
CN112507573A (zh) | 一种基于数字孪生的热连轧轧制过程监控预警方法 | |
CN113987949B (zh) | 一种基于数据驱动的板带钢变形抗力预测方法 | |
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
Qiu et al. | A robust optimization design method for sheet metal roll forming and its application in roll forming circular cross-section pipe | |
CN105290122B (zh) | 一种rbf网络支持的agc系统厚度测量装置 | |
Xie et al. | Prediction of coiling temperature on run-out table of hot strip mill using data mining | |
Zeng et al. | DDPG-based continuous thickness and tension coupling control for the unsteady cold rolling process | |
CN117655118A (zh) | 多模融合的带钢板形控制方法和装置 | |
Song et al. | Control strategy of multi-stand work roll bending and shifting on the crown for UVC hot rolling mill based on MOGPR approach | |
KR100660231B1 (ko) | 연속압연공정의 강판의 최적 목표형상 설정방법 | |
Bu et al. | Rolling schedule multi-objective optimizationbased on influence function for thin gauge steel strip in tandem cold rolling | |
CN101927268A (zh) | 冷连轧带钢厚度控制方法 | |
CN111570532B (zh) | 热轧卷取温度与终轧温度对平整摩擦系数影响预测方法 | |
KR100841888B1 (ko) | 압연 라인의 재질 예측 및 재질 제어 장치 | |
CN103593493A (zh) | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 | |
CN111814861B (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
CN102213961A (zh) | 一种毛管质量预报与控制方法 | |
CN117094608B (zh) | 结合应用需求的钛带生产控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Digital Twin Intelligent Alarm System and Method for Annealing Furnace Based on Multilayer Perceptron Granted publication date: 20221125 Pledgee: Jiangsu Bank Co.,Ltd. Shanghai Baoshan Branch Pledgor: SHANGHAI MENGBO INTELLIGENT INTERNET OF THINGS TECHNOLOGY CO.,LTD. Registration number: Y2024310000089 |