RU2702510C1 - Method of operation and determination of rolling mill operation parameters - Google Patents

Method of operation and determination of rolling mill operation parameters Download PDF

Info

Publication number
RU2702510C1
RU2702510C1 RU2019102249A RU2019102249A RU2702510C1 RU 2702510 C1 RU2702510 C1 RU 2702510C1 RU 2019102249 A RU2019102249 A RU 2019102249A RU 2019102249 A RU2019102249 A RU 2019102249A RU 2702510 C1 RU2702510 C1 RU 2702510C1
Authority
RU
Russia
Prior art keywords
parameters
rolling mill
desired parameter
neural network
parameter
Prior art date
Application number
RU2019102249A
Other languages
Russian (ru)
Inventor
Алексей Юрьевич Прокопенко
Кирилл Вадимович Притыкин
Александр Сергеевич Морковин
Original Assignee
Общество с ограниченной ответственностью "КОНВЕЛС Автоматизация"
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 Общество с ограниченной ответственностью "КОНВЕЛС Автоматизация" filed Critical Общество с ограниченной ответственностью "КОНВЕЛС Автоматизация"
Priority to RU2019102249A priority Critical patent/RU2702510C1/en
Application granted granted Critical
Publication of RU2702510C1 publication Critical patent/RU2702510C1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)
  • Feedback Control In General (AREA)

Abstract

FIELD: machine building.
SUBSTANCE: invention relates to methods of operation and determination of rolling mill operation parameters. Method includes stages of preliminary adjustment, control of operation and adjustment of rolling mill settings, in which primary training of multiple neural networks, each of which corresponds to its steel grade or group of steel grades and its desired parameter, for each desired parameter, selecting an optimal set of initial parameters for training the corresponding plurality of neural networks containing neural networks with a complete or incomplete set of said initial parameters, and determining the desired parameter during the manufacture of rolled metal, selecting the desired parameter, selecting from a plurality of neural networks corresponding to the existing steel grade or group of steel grades and selected unknown parameter neural network corresponding to the available set of correct initial parameters, and in its absence – a neural network with the closest set of initial parameters, the unknown parameter is calculated if there is no correct measured unknown parameter.
EFFECT: technical result consists in improvement of accuracy of determining a wide range of parameters of rolling mill, reliability of monitoring and control of its operation.
5 cl, 2 dwg

Description

Изобретение относится к области металлургии, а именно к способу определения параметров прокатного стана с целью контроля или управления его работой, и может быть использовано для резервирования его детекторов, например, при их отказе или некорректной работы в процессе изготовления проката.The invention relates to the field of metallurgy, and in particular to a method for determining the parameters of a rolling mill for the purpose of monitoring or controlling its operation, and can be used to reserve its detectors, for example, during their failure or incorrect operation in the manufacturing process of rolled metal.

Из уровня техники известен патент RU 2563161 С2 (Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН), 20.09.2015), который можно принять в качестве прототипа, раскрывающий способ определения параметров и технической диагностики сложного технологического оборудования в процессе его работы, и может использоваться, в том числе, при работе прокатного стана, в котором сначала на прокатном стане и в рабочей зоне размещают детекторы и производят измерения и преобразования сигналов, задающих рабочие и структурные параметры прокатного стана, после чего формируют сигналы первичного обучения для нейронной сети в форме векторов значений входов и выходов и по этим сигналам проводят первоначальное обучение нейронной сети. Обученную нейронную сеть подключают к входам и выходам модуля интеллектуального анализа, который содержит динамическую модель, реализованную на обученной нейронной сети, причем в процессе работы прокатного стана производят улучшение динамической модели путем дополнительного обучения нейронной сети, добавления новых параметров и выявления новых взаимных связей между упомянутыми параметрами.The patent RU 2563161 C2 (Federal State Budgetary Institution of Science, Institute of Design and Technology Informatics of the Russian Academy of Sciences (IKTI RAS), September 20, 2015) is known from the state of the art. the process of its operation, and can be used, inter alia, during the operation of the rolling mill, in which first detectors are placed on the rolling mill and in the working area and measurements and signals that specify the operating and structural parameters of the rolling mill, and then form the primary training signals for the neural network in the form of vectors of input and output values and initial signals are trained on these neural networks. A trained neural network is connected to the inputs and outputs of a mining module, which contains a dynamic model implemented on a trained neural network, and during the operation of the rolling mill, the dynamic model is improved by additionally training the neural network, adding new parameters and identifying new mutual relationships between the mentioned parameters .

Способ подразумевает использование нейронной сети, анализирующей накопленную базу данных производства для выявления соответствий между искомым параметром и вводимыми (первичными) или исходными (измеряемыми) параметрами работы прокатного стана при технологическом процессе.The method involves the use of a neural network that analyzes the accumulated production database to identify the correspondence between the desired parameter and the input (primary) or initial (measured) parameters of the rolling mill during the manufacturing process.

Нейронная сеть представляет собой связанный набор входных сигналов и линейных функций (нейронов). Расчет результирующих данных представляет собой последовательное преобразование входных данных при помощи этих функций с заданными коэффициентами. Процесс поиска этих коэффициентов называется обучением нейронной сети.A neural network is a connected set of input signals and linear functions (neurons). The calculation of the resulting data is a sequential conversion of the input data using these functions with given coefficients. The process of searching for these coefficients is called neural network training.

Для обучения нейронной сети необходимы первичные и измеренные параметры, и набор известных данных об искомом параметре, например, данные с датчика или из лаборатории. Необходимость большого количества известных данных об искомом параметре затрудняет использование системы в качестве основного способа измерения, однако этот недостаток можно устранить, установив временный датчик для набора статистики или используя данные из лаборатории.For training a neural network, primary and measured parameters are needed, and a set of known data about the desired parameter, for example, data from a sensor or from a laboratory. The need for a large amount of known data on the desired parameter makes it difficult to use the system as the main measurement method, but this disadvantage can be eliminated by installing a temporary sensor for statistics or using data from the laboratory.

Одним из недостатков указанного способа является крайне узкое применение. Нейронная сеть способна функционировать при прокатке только одной конкретной марки стали, потому что при изменении химического состава металла будут изменяться зависимости между искомым параметром и остальными параметрами проката и прокатного стана.One of the disadvantages of this method is the extremely narrow application. A neural network is capable of functioning during rolling of only one specific steel grade, because when the chemical composition of the metal changes, the dependencies between the desired parameter and other parameters of the rolled product and the rolling mill will change.

Еще один недостаток заключается в том, что технологический процесс проката постоянно эволюционирует, появляются новые марки стали, меняются задания по толщине и ширине полосы, ставится новое оборудование. Нейронная сеть же способна функционировать только в тех условиях, которые наблюдались во время сбора данных, использующихся при ее обучении.Another drawback is that the rental process is constantly evolving, new steel grades appear, tasks for thickness and width of the strip change, new equipment is installed. A neural network is only capable of functioning under the conditions that were observed during the collection of data used in its training.

Кроме того, указанная система не будет функционировать, в случае если отсутствует один из параметров, используемых для обучения и применения нейронной сети. Подобное явление на реальном производстве наблюдается достаточно часто в связи с выходом из строя или некорректной работе того или иного измерительного оборудования.In addition, this system will not function if one of the parameters used for training and using the neural network is missing. A similar phenomenon in real production is observed quite often in connection with the failure or incorrect operation of one or another measuring equipment.

Таким образом, недостатком известного способа являются невозможность контроля и управления работой прокатного стана при отказе или некорректной работе каких-либо детекторов и крайне узкое его применение.Thus, the disadvantage of this method is the inability to control and control the operation of the rolling mill in case of failure or incorrect operation of any detectors and its extremely narrow application.

Технической проблемой является устранение указанных недостатков и создание способа работы прокатного стана, позволяющего обеспечивать возможность контроля и управления работой прокатного стана как при отказе или некорректной работе каких-либо детекторов, так и возможность его применения для более широкого спектра технических условий и задач.The technical problem is the elimination of these shortcomings and the creation of a rolling mill operation method that allows controlling and controlling the operation of the rolling mill both in the event of failure or malfunction of any detectors, and the possibility of its application for a wider range of technical conditions and tasks.

Технический результат заключается в повышении точности определения широкого круга параметров прокатного стана и, соответственно, надежности контроля и управления его работой.The technical result consists in increasing the accuracy of determining a wide range of parameters of the rolling mill and, accordingly, the reliability of control and management of its work.

В части определения параметров поставленная проблема решается, а технический результат достигается тем, что предлагаемый способ определения параметров работы прокатного стана, включает этапы:In terms of determining the parameters, the problem posed is solved, and the technical result is achieved by the fact that the proposed method for determining the parameters of the rolling mill, includes the steps:

первичного обучения множества нейронных сетей, при которомprimary training of many neural networks, in which

осуществляют множественный ввод и измерение первичных параметров проката и параметров прокатного стана, выбор искомого параметра из параметров проката или параметров прокатного стана и измерение искомого параметра,carry out multiple input and measurement of the primary parameters of the rental and the parameters of the rolling mill, the selection of the desired parameter from the rental parameters or the parameters of the rolling mill and the measurement of the desired parameter,

проводят первичное обучение множеств нейронных сетей на основе указанного множественного ввода и измерения первичных параметров, каждое из которых соответствует своей марке стали или группе марок стали и своему искомому параметру, причем для каждого искомого параметра выбирают из указанных первичных параметров свой оптимальный набор исходных параметров, предназначенный для обучения соответствующего множества нейронных сетей, содержащего нейронные сети, как с полным, так и с не полным набором указанных исходных параметров;primary training of sets of neural networks is carried out on the basis of the specified multiple input and measurement of primary parameters, each of which corresponds to its steel grade or group of steel grades and its desired parameter, and for each desired parameter, their optimal set of initial parameters is selected from these primary parameters for training the corresponding set of neural networks containing neural networks, both with a complete and incomplete set of the indicated initial parameters;

определения искомого параметра в процессе изготовления проката, при которомdetermine the desired parameter in the manufacturing process of rolled products, in which

осуществляют выбор искомого параметра из параметров проката или параметров прокатного стана, измерение текущих параметров проката и/или параметров прокатного стана, и проверку наличия и корректности всех текущих параметров проката и/или параметров прокатного стана,carry out the selection of the desired parameter from the parameters of the rental or the parameters of the rolling mill, measuring the current parameters of the rental and / or parameters of the rolling mill, and checking the availability and correctness of all current parameters of the rental and / or parameters of the rolling mill,

выбирают из множества нейронных сетей, соответствующего имеющейся марке стали или группе марок стали и выбранному искомому параметру, нейронную сеть, которая соответствует имеющемуся набору корректных исходных параметров, а при ее отсутствии - нейронную сеть с наиболее близким набором исходных параметров,choose from the set of neural networks corresponding to the existing steel grade or group of steel grades and the selected desired parameter, a neural network that corresponds to the existing set of correct initial parameters, and in its absence, a neural network with the closest set of initial parameters,

рассчитывают посредством выбранной нейронной сети искомый параметр, если отсутствует корректный измеренный искомый параметр.the desired parameter is calculated by means of the selected neural network if there is no correct measured desired parameter.

При этом в случае наличия нейронной сети, соответствующей имеющемуся набору корректных исходных параметров, и наличия корректного измеренного искомого параметра предпочтительно осуществляют калибровку выбранной нейронной сети.Moreover, in the case of the presence of a neural network corresponding to the available set of correct initial parameters and the presence of the correct measured unknown parameter, it is preferable to calibrate the selected neural network.

При отсутствии нейронной сети, соответствующей имеющемуся набору корректных исходных параметров, и наличия корректного измеренного искомого параметра предпочтительно осуществляют обучение новой нейронной сети, на основе нейронной сети с наиболее близким набором исходных параметров.In the absence of a neural network corresponding to the available set of correct initial parameters and the presence of the correct measured unknown parameter, it is preferable to train a new neural network based on a neural network with the closest set of initial parameters.

Указанный оптимальный набор исходных параметров при этом предпочтительно выбирают таким образом, чтобы минимизировать их попарную корреляцию и использовать как можно больше исходных параметров, коррелирующих с искомым параметром.The indicated optimal set of initial parameters is preferably chosen in such a way as to minimize their pairwise correlation and to use as many initial parameters as possible correlating with the desired parameter.

В части работы прокатного стана поставленная задача решается, а технический результат достигается тем, что в предлагаемом способе работы прокатного стана, включающем в себя этапы предварительной настройки, контроля работы и корректировки настроек прокатного стана, на этапах контроля и/или корректировки настроек прокатного стана используют параметры работы прокатного стана, определенные согласно вышеописанному способу.In terms of the work of the rolling mill, the task is solved, and the technical result is achieved by the fact that in the proposed method of operation of the rolling mill, which includes the steps of pre-setting, monitoring the work and adjusting the settings of the rolling mill, at the stages of monitoring and / or adjusting the settings of the rolling mill, use rolling mill operations determined according to the above method.

На фиг. 1 представлена принципиальная схема системы прокатки, например, металлической полосы на прокатном стане, на которой могут быть реализованы предлагаемые способы;In FIG. 1 is a schematic diagram of a rolling system, for example, a metal strip on a rolling mill, on which the proposed methods can be implemented;

на фиг. 2 - алгоритм работы прокатного стана согласно предлагаемому способу определения параметров его работы.in FIG. 2 - the algorithm of the rolling mill according to the proposed method for determining the parameters of its operation.

Предлагаемые способы определения параметров работы прокатного стана и работы прокатного стана осуществляются системой прокатки, например, металлической полосы на прокатном стане (см. фиг. 1), в состав которой входят:The proposed methods for determining the parameters of the rolling mill and the rolling mill are carried out by a rolling system, for example, a metal strip on a rolling mill (see Fig. 1), which includes:

1 - устройство измерения искомого параметра металлической полосы;1 - device for measuring the desired parameter of a metal strip;

2 - блок измерения параметров металлической полосы;2 - unit for measuring the parameters of the metal strip;

3 - блок измерения параметров клетей;3 - block measuring the parameters of the stands;

4 - устройство ввода исходных параметров металлической полосы;4 - input device for the initial parameters of the metal strip;

5 - аппаратно-расчетный комплекс;5 - hardware-calculation complex;

6 - устройство хранения информации;6 - information storage device;

7 - устройство ввода-вывода информации;7 - information input-output device;

8 - прокатный стан;8 - rolling mill;

9 - автоматическая система управления прокатного стана;9 - automatic control system of the rolling mill;

10 - клети прокатного стана;10 - stands of the rolling mill;

11 - валки прокатного стана;11 - rolls of a rolling mill;

12 - прокатная металлическая полоса (прокат).12 - rolled metal strip (rental).

Следует учитывать, что состав и количество элементов указанной системы прокатки могут быть различными, как и сам объект прокатки, в данном случае за объект прокатки принята металлическая полоса (далее полоса).It should be borne in mind that the composition and number of elements of the specified rolling system can be different, as the rolling object itself, in this case, the metal strip (hereinafter the strip) is taken as the rolling object.

Упрощенно технологический процесс проката заключается в прогоне полосы 12 через прокатный стан 8, с последовательным уменьшением ее толщины в каждой клети 10 прокатного стана с помощью давления валков 11. Перед прокаткой полосы 12, оператором прокатного стана 8 или программно указывается информация о необходимой толщине и ширине металлической полосы 12, а также информация о марке металлической полосы 12 с помощью устройства ввода 4 исходных параметров проката. Указанная информация передается в автоматическую систему 9 управления прокатного стана 8, где вырабатываются первичные настройки прокатных клетей 10. В процессе прокатки, процесс контролируется блоками измерения 2 и 3, информация от которого также передается в автоматическую систему 9 управления прокатного стана 8.Simplified technological process of rolling consists in running the strip 12 through the rolling mill 8, with a sequential decrease in its thickness in each stand 10 of the rolling mill using the pressure of the rolls 11. Before rolling the strip 12, the operator of the rolling mill 8 or programmatically indicates the required thickness and width of the metal strip 12, as well as information about the brand of metal strip 12 using the input device 4 of the initial rental parameters. The specified information is transmitted to the automatic control system 9 of the rolling mill 8, where the initial settings of the rolling stands 10 are generated. During the rolling process, the process is controlled by measurement units 2 and 3, information from which is also transmitted to the automatic control system 9 of the rolling mill 8.

Эта информация может содержать:This information may contain:

Figure 00000001
показания толщиномера (толщина полосы между клетями, финальная толщина металлической полосы и т.п.);
Figure 00000001
thickness gauge readings (strip thickness between stands, final thickness of the metal strip, etc.);

Figure 00000001
показания шириномера (финальная ширина металлической полосы, ширина металлической полосы в клетях и т.п.);
Figure 00000001
width meter readings (final width of the metal strip, width of the metal strip in stands, etc.);

Figure 00000001
показания пирометров (температура в клетях, температура валков, температура металлической полосы и т.п.);
Figure 00000001
pyrometer readings (temperature in stands, temperature of rolls, temperature of metal strip, etc.);

Figure 00000001
показания дефектоскопов (отклонение металлической полосы от плоскостности на выходе из чистовой группы, наличие трещин, степень износа оборудования и т.п.);
Figure 00000001
flaw detector readings (deviation of a metal strip from flatness at the exit from the finishing group, cracks, degree of wear of equipment, etc.);

Figure 00000001
показания датчика скорости металлической полосы;
Figure 00000001
readings of a metal strip speed sensor;

Figure 00000001
параметры клетей (углы петлевиков, осевые сдвижки, усилия на валки, раствор валков, толщина масляного слоя и т.п.).
Figure 00000001
stand parameters (loop angles, axial displacements, roll forces, roll solution, oil layer thickness, etc.).

Один из этих параметров может быть выбран в качестве искомого параметра, определен предлагаемым способом и использован при осуществлении контроля и коррекции работы прокатного стана 8. Все остальные параметры могут быть введены и/или измерены при первичном обучение нейронных сетей и выбраны в качестве исходных параметров для расчета искомого параметра.One of these parameters can be selected as the desired parameter, determined by the proposed method and used to monitor and correct the operation of rolling mill 8. All other parameters can be entered and / or measured during the initial training of neural networks and selected as initial parameters for calculation desired parameter.

Суть предлагаемого способа определения параметров прокатного стана 8 заключается в том, что для определения искомого параметра создают, обучают, используют и периодически обновляют базу нейронных сетей, находящуюся в распоряжении аппаратно-расчетного комплекса 5. Обученные нейронные сети представляют собой файлы, устанавливающие соответствие между исходными данными, полученными от устройств 1-4 и искомым параметром. Каждая нейронная сеть отвечает за свою марку стали или группу марок стали, в зависимости от количества имеющейся информации. До введения системы в эксплуатацию проводится первичное обучение нейронных сетей, с целью определить оптимальное набор исходных параметров, обеспечивающее максимальную точность системы. Для этого необходимо получить объем данных за несколько месяцев от устройств 1-4. В случае, если искомый параметр ничем не измеряется, устанавливается временный детектор или же, вместо него используются показания лаборатории.The essence of the proposed method for determining the parameters of the rolling mill 8 is that to determine the desired parameter create, train, use and periodically update the base of neural networks at the disposal of the hardware-calculation complex 5. Trained neural networks are files that establish the correspondence between the source data received from devices 1-4 and the desired parameter. Each neural network is responsible for its own steel grade or group of steel grades, depending on the amount of information available. Prior to the introduction of the system into operation, initial training of neural networks is carried out in order to determine the optimal set of initial parameters, ensuring maximum accuracy of the system. To do this, you need to get the amount of data for several months from devices 1-4. If the desired parameter is not measured by anything, a temporary detector is installed or, instead, laboratory readings are used.

В процессе работы системы происходит накопление данных, полученных от устройств 1-4 в устройстве 6 хранения информации. По указанию оператора с помощью устройства 7 ввода-вывода или посредством автоматической системы 9 управления прокатным станом 8, происходит пополнение базы нейронных сетей в аппаратно-расчетном комплексе 5, за счет чего сохраняется работоспособность системы при изменении условий прокатки.In the process, the system accumulates data received from devices 1-4 in the device 6 for storing information. At the direction of the operator using the input-output device 7 or through the automatic control system 9 of the rolling mill 8, the base of neural networks in the hardware-computing complex 5 is replenished, due to which the system remains operational when the rolling conditions change.

Этап первичного обучения нейронных сетей.Stage of primary training of neural networks.

Первичное обучение нейронных сетей реализуют на основе множественного ввода и измерения посредством устройств 1-4 первичных параметров полосы 12 и прокатного стана 8 (то есть их значений), каждая из которых, как уже было сказано, соответствует своей марке стали или группе марок стали и своему искомому параметру. Множественный ввод первичных параметров полосы 12 и прокатного стана 8 может быть осуществлен как вручную, так с помощью автоматизированной системы 9 управления прокатного стана.Primary training of neural networks is carried out on the basis of multiple input and measurement by means of devices 1-4 of the primary parameters of strip 12 and rolling mill 8 (that is, their values), each of which, as already mentioned, corresponds to its steel grade or group of steel grades and its own desired parameter. Multiple input of the primary parameters of the strip 12 and the rolling mill 8 can be carried out either manually or using an automated control system 9 of the rolling mill.

Чтобы учесть сортаменты стали, которые редко катаются и имеющихся данных для них недостаточно для обучения сети, производится группировка марок стали в зависимости от их влияния на искомый параметр. Группировка проводится либо вручную, разделяя марки на группы с определенным шагом по химическому составу и среднему заданию толщины полосы 12, либо с использованием нейросетевого классификатора. То есть для каждой марки или группы марок стали, на стадии постановки задачи выбирают определенное количество искомых параметров, например, все указанные первичные параметры прокатного стана 8 и полосы 12, которые можно замерить. При первичном обучение нейронных сетей для каждого искомого параметра из первичных параметров выбирают свой оптимальный набор исходных параметров, предназначенный для обучения соответствующего множества нейронных сетей. Указанный оптимальный набор исходных параметров при этом выбирают таким образом, чтобы минимизировать их попарную корреляцию и использовать как можно больше исходных параметров, коррелирующих с искомым параметром. Исходными параметрами являются измеренные параметры проката и прокатного стана в процессе проката.To take into account steel grades, which are rarely rolled and the available data are not enough for them to train the network, steel grades are grouped depending on their influence on the desired parameter. Grouping is carried out either manually, dividing the brands into groups with a certain step in terms of chemical composition and average specification of strip thickness 12, or using a neural network classifier. That is, for each grade or group of steel grades, at the stage of setting the task, a certain number of the desired parameters is selected, for example, all the specified primary parameters of the rolling mill 8 and strip 12, which can be measured. During the initial training of neural networks, for each desired parameter, from the primary parameters, choose their optimal set of initial parameters intended for training the corresponding set of neural networks. The indicated optimal set of initial parameters is chosen in such a way as to minimize their pairwise correlation and use as many initial parameters as possible correlating with the desired parameter. The initial parameters are the measured parameters of the rental and rolling mill in the rental process.

Каждое множество нейронных сетей, соответствующее своему искомому параметру и марке или группе марок стали, содержит нейронные сети, как с полным, так и с не полным набором указанных исходных параметров. То есть каждое указанное множество содержит одну нейронную сеть с полным набором исходных параметров и несколько нейронных сетей с набором, в котором отсутствует один из исходных параметров. При дальнейшем обучение нейронных сетей, могут попадаться нейронные сети без двух или более исходных параметров в наборе. Полученные множества нейронных сетей сохраняются в устройстве 6 хранения информации и используются для расчета искомых параметров в процессе прокатки.Each set of neural networks corresponding to its desired parameter and the grade or group of steel grades contains neural networks, with both a complete and incomplete set of the indicated initial parameters. That is, each indicated set contains one neural network with a complete set of initial parameters and several neural networks with a set in which one of the initial parameters is missing. With further training of neural networks, neural networks without two or more initial parameters in the set may come across. The resulting sets of neural networks are stored in the information storage device 6 and are used to calculate the desired parameters during the rolling process.

Предложенный способ определения параметров прокатного стана 8 в процессе прокатки реализуют с помощью специальной компьютерной программы, установленной на аппаратно-расчетном комплексе 5, следующим образом (см. фиг. 2).The proposed method for determining the parameters of the rolling mill 8 during the rolling process is implemented using a special computer program installed on the hardware-calculation complex 5, as follows (see Fig. 2).

1) В ручную или посредством автоматической системы управления 9 вводят первичные параметры полосы 12 и прокатного стана 8 (первоначальные размеры полосы 12, марку стали, выходные размеры полосы 12 и т.д.) и выбирают какой искомый параметр необходимо контролировать в процессе прокатки. После чего проводят их корреляционный анализ и, тем самым, становится известен полный набор исходных параметров.1) Initial parameters of strip 12 and rolling mill 8 (initial dimensions of strip 12, steel grade, output dimensions of strip 12, etc.) are entered into manually or by means of an automatic control system 9 and choose which parameter to be controlled during rolling. Then they carry out their correlation analysis and, thereby, a complete set of initial parameters becomes known.

2). В процессе работы прокатного стана 8 проводят дублирующие измерения исходных параметров полосы 12 и прокатного стана 8. Результаты измерений от устройств 1-4 передаются в автоматическую систему 9 управления, откуда потом поступают в аппаратно-расчетный комплекс 5.2). In the process, the rolling mill 8 conduct duplicate measurements of the initial parameters of the strip 12 and the rolling mill 8. The measurement results from devices 1-4 are transmitted to the automatic control system 9, from where they then enter the hardware-calculation complex 5.

3). Полученную информацию сохраняют в устройстве хранения информации 6.3). The obtained information is stored in the information storage device 6.

4). В аппаратно-расчетном комплексе 5 производят преобразование исходных параметров к виду который способна воспринимать нейронная сеть. Из-за того, что детекторы, проводящие измерение технологических параметров прокатки, установлены в разных местах, преобразование данных проводится таким образом, чтобы входные параметры представляли собой список данных для одного и того же пространственного промежутка на прокате, а не временного промежутка показаний детекторов. Для этого проводится преобразование вектора a(t)=(a1(t), an(t))- к виду а(1)=(a1(1), an(1))-=(a1(t+τ1), an(t+τn))-, где τi - разница во времени между измерением участка полосы 1 первым и i-м датчиком.four). In the hardware-calculation complex 5, the initial parameters are converted to a form that the neural network is capable of perceiving. Due to the fact that the detectors that measure the technological parameters of rolling are installed in different places, the data is converted in such a way that the input parameters are a list of data for the same spatial interval at the rental, and not the time interval of the readings of the detectors. For this, the vector a (t) = (a 1 (t), a n (t)) is transformed to the form a (1) = (a 1 (1), a n (1)) - = (a 1 ( t + τ 1 ), a n (t + τ n )) - , where τ i is the time difference between the measurement of the strip 1 section by the first and ith sensors.

5). В аппаратно-расчетном комплексе 5 производят определение корректности полученной информации, то есть определяют все ли исходные параметры имеются в наличии и находятся в пределах известных значений.5). In the hardware-calculation complex 5, the correctness of the obtained information is determined, that is, all initial parameters are determined and are within known values.

6). Если все показания корректны, из базы нейронных сетей выбирают обученную нейронную сеть, соответствующую полному набору корректных исходных параметров, заданной марке или группе марок стали и искомому параметру. В ином случае проверяют наличие обученной нейронной сети для текущей марки или группы марок стали и соответствующего не полного набора исходных параметров. Набор исходных параметров определяют только исходя из имеющихся корректных исходных параметров. Если в базе данных отсутствует данная марка стали или какие-то исходные параметры из набора, но их количество не превышает заданного максимального значения, выбирают наиболее близкую по набору исходных параметров нейронную сеть.6). If all indications are correct, a trained neural network corresponding to the complete set of correct initial parameters, a given grade or group of steel grades and the desired parameter is selected from the base of neural networks. Otherwise, the presence of a trained neural network for the current grade or group of steel grades and the corresponding incomplete set of initial parameters is checked. The set of initial parameters is determined only on the basis of the available correct initial parameters. If the database does not have this steel grade or some initial parameters from the set, but their number does not exceed the specified maximum value, select the neural network closest to the set of initial parameters.

7). Далее на основе выбранной нейронной сети производят расчет искомого параметра, посредством которого далее осуществляется контроль и возможная корректировка настроек прокатного стана 8. В случае, если расчетное значение искомого параметра отличается от заданного значения этого параметра, указанного в технологической инструкции, производится корректировка настроек прокатного стана.7). Then, on the basis of the selected neural network, the desired parameter is calculated, by means of which the control and possible adjustment of the settings of the rolling mill 8 are further performed. If the calculated value of the desired parameter differs from the set value of this parameter specified in the technological instruction, the settings of the rolling mill are adjusted.

8). Производят запись рассчитанного параметра в устройство хранения информации 6, а также его вывод на устройство 7 ввода-вывода информации.8). The calculated parameter is recorded in the information storage device 6, and also its output to the information input-output device 7.

9). Если в процессе работы прокатного стана 8 функционирует устройство 1 измерения искомого параметра металлической полосы, то возможно обновление базы нейронных сетей. Для этого проверяется отклонение расчетного значения искомого параметра от измеренного значения искомого параметра, полученного с помощью устройства 1.9). If the device 1 for measuring the desired parameter of the metal strip is functioning during the operation of the rolling mill 8, it is possible to update the base of neural networks. To do this, the deviation of the calculated value of the desired parameter from the measured value of the desired parameter obtained using the device 1 is checked.

10). Если наблюдается отклонение, выходящее за пределы заданного значения, то следующим шагом проверяется наличие в базе данных информации для обучения нейронной сети.10). If there is a deviation that goes beyond the specified value, then the next step is to check the availability of information in the database for training the neural network.

11). Если количество измеренных прокатов в базе данных (с такой же маркой стали и заданием) больше некоторого минимального значения необходимого для обучения нейронной сети, то по указанию оператора может быть обучена нейронная сеть, соответствующая данной марке стали и набору входных параметров.eleven). If the number of measured rents in the database (with the same steel grade and task) is greater than a certain minimum value necessary for training a neural network, then, according to the operator’s instructions, a neural network corresponding to this steel grade and a set of input parameters can be trained.

12). Обученную нейронную сеть добавляют в базу данных нейронных сетей. Если данной марке стали и набору параметров ранее соответствовала другая нейронная сеть - она переносится в архив.12). A trained neural network is added to the database of neural networks. If a different neural network previously corresponded to this steel grade and set of parameters, it is transferred to the archive.

13). В случае, когда отсутствует часть исходных параметров набора, больше выбранного критического значения, система не способна работать. В этом случае проводят анализ данных по каждому из некорректных исходных параметров чтобы определить причину их дефекта или отсутствия. Причина может быть связана с неполадкой самого устройства 1-4, ошибкой передачи данных или ошибкой в технологическом процессе. В этом случае аппаратно-расчетный комплекс 5 передает на устройство 6 ввода-вывода информации сообщение о критической ошибке.13). In the case when some of the initial parameters of the set are missing, more than the selected critical value, the system is not able to work. In this case, the data are analyzed for each of the incorrect initial parameters to determine the cause of their defect or absence. The reason may be due to a malfunction of the device 1-4, a data transfer error or an error in the process. In this case, the hardware-calculation complex 5 transmits a critical error message to the information input / output device 6.

Результатом описанных выше действий является создание, расчет и применение нейронных сетей, позволяющих с высокой точностью производить расчет искомого параметра полосы 12, повышении точности определения широкого круга параметров прокатного стана и, соответственно, надежности контроля и управления его работой.The result of the above actions is the creation, calculation and application of neural networks that allow high accuracy to calculate the desired parameter of the strip 12, increasing the accuracy of determining a wide range of parameters of the rolling mill and, accordingly, the reliability of control and management of its operation.

Таким образом, предполагаемый способ определения параметров работы прокатного стана 8 позволяет осуществлять резервирование широкого круга приборов 1-4 и прогнозировать результаты управляющих воздействий операторов или автоматической системы 9 управления прокатного стана 8, благодаря анализу накопленной базы данных производства о протекающем технологическом процессе прокатки. При этом полученные параметры могут быть использованы для более надежного контроля и управления работой (корректировки настроек) прокатного стана 8.Thus, the proposed method for determining the operating parameters of the rolling mill 8 allows for the reservation of a wide range of devices 1-4 and to predict the results of the control actions of the operators or the automatic control system 9 of the rolling mill 8, due to the analysis of the accumulated production database on the rolling technological process. Moreover, the obtained parameters can be used for more reliable monitoring and control of work (adjustment of settings) of the rolling mill 8.

Claims (12)

1. Способ определения параметров работы прокатного стана, включающий этапы:1. The method of determining the parameters of the rolling mill, including the steps: первичного обучения множества нейронных сетей, при которомprimary training of many neural networks, in which осуществляют множественный ввод и измерение первичных параметров проката и параметров прокатного стана, выбор искомого параметра из параметров проката или параметров прокатного стана и измерение искомого параметра,carry out multiple input and measurement of the primary parameters of the rental and the parameters of the rolling mill, the selection of the desired parameter from the rental parameters or the parameters of the rolling mill and the measurement of the desired parameter, проводят первичное обучение множеств нейронных сетей на основе указанного множественного ввода и измерения первичных параметров, каждое из которых соответствует своей марке стали или группе марок стали и своему искомому параметру, причем для каждого искомого параметра выбирают из указанных первичных параметров свой оптимальный набор исходных параметров, предназначенный для обучения соответствующего множества нейронных сетей, содержащего нейронные сети, как с полным, так и с не полным набором указанных исходных параметров;primary training of sets of neural networks is carried out on the basis of the specified multiple input and measurement of primary parameters, each of which corresponds to its steel grade or group of steel grades and its desired parameter, and for each desired parameter, their optimal set of initial parameters is selected from these primary parameters for training the corresponding set of neural networks containing neural networks, both with a complete and incomplete set of the indicated initial parameters; определения искомого параметра в процессе изготовления проката, при которомdetermine the desired parameter in the manufacturing process of rolled products, in which осуществляют выбор искомого параметра из параметров проката или параметров прокатного стана, измерение текущих параметров проката и/или параметров прокатного стана и проверку наличия и корректности всех текущих параметров проката и/или параметров прокатного стана,carry out the selection of the desired parameter from the parameters of the rental or parameters of the rolling mill, measuring the current parameters of the rental and / or parameters of the rolling mill and checking the availability and correctness of all current parameters of the rental and / or parameters of the rolling mill, выбирают из множества нейронных сетей соответствующую имеющейся марке стали или группе марок стали и выбранному искомому параметру нейронную сеть, которая соответствует имеющемуся набору корректных исходных параметров, а при ее отсутствии - нейронную сеть с наиболее близким набором исходных параметров,from a set of neural networks, select a neural network that matches the existing steel grade or group of steel grades and the selected parameter, which corresponds to the existing set of correct initial parameters, and in its absence, a neural network with the closest set of initial parameters, рассчитывают посредством выбранной нейронной сети искомый параметр, если отсутствует корректный измеренный искомый параметр.the desired parameter is calculated by means of the selected neural network if there is no correct measured desired parameter. 2. Способ по п. 1, отличающийся тем, что в случае наличия нейронной сети, соответствующей имеющемуся набору корректных исходных параметров, и наличия корректного измеренного искомого параметра осуществляют калибровку выбранной нейронной сети.2. The method according to p. 1, characterized in that in the case of the presence of a neural network corresponding to the available set of correct initial parameters and the presence of the correct measured unknown parameter, the selected neural network is calibrated. 3. Способ по п. 1, отличающийся тем, что в случае отсутствия нейронной сети, соответствующей имеющемуся набору корректных исходных параметров, и наличия корректного измеренного искомого параметра осуществляют обучение новой нейронной сети на основе нейронной сети с наиболее близким набором исходных параметров.3. The method according to claim 1, characterized in that in the absence of a neural network corresponding to the available set of correct initial parameters and the presence of the correct measured required parameter, a new neural network is trained based on a neural network with the closest set of initial parameters. 4. Способ по п. 1, отличающийся тем, что указанный оптимальный набор исходных параметров выбирают таким образом, чтобы минимизировать их попарную корреляцию и использовать как можно больше исходных параметров, коррелирующих с искомым параметром.4. The method according to p. 1, characterized in that the specified optimal set of source parameters is chosen in such a way as to minimize their pairwise correlation and use as many source parameters as possible correlating with the desired parameter. 5. Способ работы прокатного стана, включающий в себя этапы предварительной настройки, контроля работы и корректировки настроек прокатного стана, отличающийся тем, что на этапах контроля и/или корректировки настроек прокатного стана используют параметры работы прокатного стана, определенные согласно способу по п. 1.5. The method of operation of the rolling mill, which includes the steps of pre-setting, monitoring the work and adjusting the settings of the rolling mill, characterized in that at the stages of monitoring and / or adjusting the settings of the rolling mill, the operating parameters of the rolling mill determined according to the method according to claim 1 are used.
RU2019102249A 2019-01-28 2019-01-28 Method of operation and determination of rolling mill operation parameters RU2702510C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2019102249A RU2702510C1 (en) 2019-01-28 2019-01-28 Method of operation and determination of rolling mill operation parameters

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2019102249A RU2702510C1 (en) 2019-01-28 2019-01-28 Method of operation and determination of rolling mill operation parameters

Publications (1)

Publication Number Publication Date
RU2702510C1 true RU2702510C1 (en) 2019-10-08

Family

ID=68171040

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019102249A RU2702510C1 (en) 2019-01-28 2019-01-28 Method of operation and determination of rolling mill operation parameters

Country Status (1)

Country Link
RU (1) RU2702510C1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6353815B1 (en) * 1998-11-04 2002-03-05 The United States Of America As Represented By The United States Department Of Energy Statistically qualified neuro-analytic failure detection method and system
RU2313815C2 (en) * 2002-09-26 2007-12-27 Сименс Акциенгезелльшафт Device and method for controlling technical plant, which contains a set of systems, in particular, electric power plant
RU75247U1 (en) * 2008-02-26 2008-07-27 Илья Самуилович Кабак MODULAR COMPUTER SYSTEM
WO2012074823A1 (en) * 2010-12-01 2012-06-07 Siemens Corporation Machine anomaly detection and diagnosis incorporating operational data
RU2563161C2 (en) * 2013-07-18 2015-09-20 Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) Method and device of technical diagnostics of complex process equipment on basis of neuron net

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6353815B1 (en) * 1998-11-04 2002-03-05 The United States Of America As Represented By The United States Department Of Energy Statistically qualified neuro-analytic failure detection method and system
RU2313815C2 (en) * 2002-09-26 2007-12-27 Сименс Акциенгезелльшафт Device and method for controlling technical plant, which contains a set of systems, in particular, electric power plant
RU75247U1 (en) * 2008-02-26 2008-07-27 Илья Самуилович Кабак MODULAR COMPUTER SYSTEM
WO2012074823A1 (en) * 2010-12-01 2012-06-07 Siemens Corporation Machine anomaly detection and diagnosis incorporating operational data
RU2563161C2 (en) * 2013-07-18 2015-09-20 Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) Method and device of technical diagnostics of complex process equipment on basis of neuron net

Similar Documents

Publication Publication Date Title
US10031510B2 (en) Computer system and method for causality analysis using hybrid first-principles and inferential model
CN102441576B (en) Automatic control method for camber and wedge of rough rolling intermediate billet of hot rolled strip steel
US20120330631A1 (en) Method and System of Using Inferential Measurements for Abnormal Event Detection in Continuous Industrial Processes
CA2679128A1 (en) Method and system of using inferential measurements for abnormal event detection in continuous industrial processes
DE102012103652A1 (en) Method, computer program and system for performing interpolation on sensor data for high system availability
CN101716606A (en) Rolling mill AGC control system
CN101738991A (en) Method for detecting out-of-specification quality of product and estimating actually measured value of product
CN111950577A (en) Point inspection method and device
CA2252868C (en) Automatic control loop monitoring and diagnostics
US20200209831A1 (en) Tool-life prediction system and method thereof
CN113420061A (en) Steady state working condition analysis method, optimization debugging method and system of oil refining and chemical production device
CN106457325B (en) Flatness control device
RU2702510C1 (en) Method of operation and determination of rolling mill operation parameters
Kirjanów The possibility for adopting an artificial neural network model in the diagnostics of conveyor belt splices
JP3811124B2 (en) Abnormality diagnosis method for rolling mill
CN101793620B (en) Health monitoring method of cable system based on cable force monitoring during support settlement
US20230393113A1 (en) Construction method of abnormality diagnosis model, abnormality diagnosis method, construction device of abnormality diagnosis model, and abnormality diagnosis device
CN114646373B (en) Water meter electromechanical indication value consistency verification method, system, storage medium and intelligent terminal
CN105903768A (en) Trend monitoring device for steel plant
RU2470352C1 (en) Statistical process control method (versions)
US10394255B2 (en) Diagnostic device and method for monitoring frictional behavior in a control loop
JPH05119807A (en) Identifying method for control model in continuous rolling mill and control method for continuous rolling mill
Grishin Development of intelligent algorithms for the continuous diagnostics and condition monitoring subsystem of the equipment as part of the process control system of a stainless steel pipe production enterprise
RU2630279C1 (en) Pipeline operational risks management method and system for it
TWI718928B (en) Method and system for evaluating a width of a steel strip