Совершенствование системы контроля качества в технологическом процессе гуммирования

2.3.1 Статистическая модель поверхностных явлений при покраске оцинкованной полосы

Полимеризация оцинкованной металлической полосы - поверхностное явление, основным результатом которого - возникновение крепкой адгезионной связи. Адгезия - сцепление поверхностей разнородных твёрдых и/или жидких тел, обусловленное межмолекулярным взаимодействием. Для рассматриваемой задачи под адгезией понимается прилипание полимерного покрытия к поверхности оцинкованного металла [33].

В наиболее распространенной модели Рауза, используемой для описания динамики полимерных молекул,полимерная структурапредставляется как последовательность частиц, связанных в цепь [33, 34]. Эти связи не сопровождаются переносом заряда от подложки к адатому или наоборот. При более высоких температурах осуществляется обмен электронов между адсорбированной частицей и поверхностью, при котором образуется довольно сильная химическая связь между ними, и о частице говорят, что она хемосорбирована. Каждый адатом теперь оказывается в гораздо более глубокой потенциальной яме Ec. Чтобы попасть в эту яму, частица должна преодолеть энергетический барьер Eb.

Частица может выйти из состояния хемосорбции лишь в том случае, если

выполняется условие.

Задачи статистической механики имеют точное решение лишь в исключительных случаях. Как правило, их приходится решать приближённо. Существующие приближённые методы решения статистических задач можно разбить на следующие группы [36]:

кластерный подход, при котором моделью служит небольшой кластер;

приближённые интегральные уравнения для корреляционных функций, а именно уравнения Кирквуда или Перкуса-Йевика для описания термодинамических характеристик простых жидкостей;

разложение в ряд по степеням подходящей переменной, при котором используется обратная температура или плотность;

метод ренорм-групп Вильсона, реализующий последовательное вычисление статистической суммы, причем на каждом этапе ренормализованный гамильтониан определяется заново.

численное моделирование с помощью метода Монте-Карло.

Следует отметить, что для расчёта фазовых диаграмм адсорбированных частиц в последнее время наиболее активно используется метод Монте-Карло. В рассматриваемой работе в начальный момент времени t = 0 принималось, что для всех узлов решеткиni,j= 0, т.е. адсорбции не было. Расчеты производились с помощью компьютерного моделирования методом Монте-Карло на основе алгоритма Метрополиса, в котором генерируется случайный процесс, который состоит из набора последовательных конфигураций системы. По ансамблю таких систем при достаточно большом числе входящих в него конфигураций можно вычислять средние значения практически любых равновесных физических величин [33, 36].

В дальнейшем было произведено вычисление относительной степени заполнения поверхности металла звеньями гуммированных цепей как отношение числа адсорбированных узлов к общему числу узлов решетки (5).

,(5)

На рисунке 12б показаны результаты вычислений величины при различных распределениях температур T(t), значения которых показаны на рисунке 12а.

а)	б)

Рисунок 12 - a) зависимость температуры стальной полосы от времени; б) относительная степень заполнения поверхности металла звеньями гуммированных цепей при соответствующем режиме изменения температуры

При низких значениях температуры (кривая 1 на рисунках 12а и 12б) прилипание слабое. При очень высоких температурах (кривая 3) прилипание возникает, но впоследствии уменьшается. В этом случае после окончания сушки гуммированного покрытия оно отстанет от поверхности, что является главным типом дефектов при покраске металла методом «CoilCoating» [37, 38]. Распределение температур на поверхности стальной полосы, определяемое кривой 2, является оптимальным для максимального прилипания. Поэтому выбор оптимального температурного режима является важной технологической задачей.

При моделировании процесса прилипания использовались значения микроскопических параметров (например, величины Ep, Ec, g и др.), которые первоначально были неизвестны.

Таким образом, необходимо осуществлять прогнозирование температуры поверхности металла на выходе из печи, что позволит определить качество прилипания. Для этого необходимо построить модель процесса сушки полимерного покрытия в печной установке.

2.3.2 Математическая модель процесса сушки полимерного покрытия на поверхности оцинкованной полосы

Кратко рассмотрим основные методы сушки лакокрасочных покрытий. В зависимости от характера переноса тепла различают сушку за счёт конвекции или различного рода облучения [12].

Конвекционная, или циркуляционная сушка осуществляется за счёт движения потока нагретого воздуха на изделия, причём на их поверхности происходит интенсивный теплообмен. Нагретый воздух охлаждается, передавая тепловую энергию окрашиваемому изделию. При этом температура изделия повышается, и лакокрасочное покрытие нагревается.

Для нагревания воздуха в сушилках циркуляционного типа могут использоваться все известные источники энергии. На практике чаще всего применяют природный газ.

Различают прямой и косвенный обогрев. В сушилках с косвенным обогревом перенос энергии в циркулирующий воздух осуществляется с помощью теплообменников. В аппаратах с прямым обогревом сушильная среда нагревается путём введения нагретых газов, образующихся в результате сгорания природного газа. Прямой обогрев более выгоден с точки зрения экономии энергии. Но может быть использован только в тех случаях, когда чистота топочных газов исключает возможность загрязнения окрашиваемой поверхности, так как в противном случае может произойти пожелтение покрытия или внесение частичек сажи, образующихся в результате неполного сгорания [39].

Сушка инфракрасным (ИК) облучением использует еще один способ передачи энергии для отвержения. Интенсивность ИК-излучения зависит от диапазона длины волн и температуры излучателя. Различают длинно-, средне-, коротко- и ультракоротковолновое излучение.

ИК-лучи в зависимости от свойств облучаемой поверхности могут поглощаться или отражаться. Светлые гладкие поверхности, как и при воздействии световых лучей, отражают большую часть облучения по сравнению с шероховатостями и тёмными поверхностями. Неотражённая часть облучения преобразуется в тепло, что приводит к повышению температуры изделий и нагреванию слоя. Преимущество сушки ИК-облучением заключается также и в возможности переноса большого количества энергии за очень короткий промежуток времени. Это позволяет быстрее подготовить сушилку к работе, быстрее нагреть окрашиваемые изделия, а также значительно сэкономить рабочие площади благодаря более короткому пути изделий в процессе сушки [9].

На агрегате полимерных покрытий металла используются печи, сочетающие оба эти метода сушки покрытия. При этом используется прямой обогрев конвекционной сушки и сушка длинноволновым ИК-излучением.

Теплообмен между нагретыми конструкциями и другими объектами количественно характеризуется тепловым потоком и его плотностью. Тепловым потоком называется количество тепла Q передаваемое от тела с более высокой температурой к телу с более низкой температурой в единицу времени t.Количество тепла, получаемое полосой определяется выражением [35]:

(6)

где с - теплоёмкость стали, из которой изготовлена полоса,

- плотность стали,

h - толщина полосы, a - длина полосы, b - ширина полосы, фmax - время нахождения полосы в печи.

В расчётах используют три вида удельных тепловых потоков [25]:

поверхностную плотность теплового потока;

линейную плотность теплового потока;

объёмную плотность теплового потока.

Для процесса сушки полимерного покрытия используется поверхностная плотность теплового потока[39, 30, 31].Количество тепла, передаваемое от печи металлической полосы будет иметь вид:

(7)



Исходя из уравнения теплового баланса, приравняем выражения (6) и (7)

и получим выражение:.

Из этого следует, что .

Т.к. интеграл равен нулю, то и подинтегральное выражение равно нулю. Следовательно, получим

Расчёт критерия Bi (Био), отражающего соотношение эффективности переноса тепла от воздушной среды к поверхности полосы с эффективностью теплопроводности от поверхности в глубь полосы, показал возможность пренебрежения изменением температуры по толщине полосы. Исходя из этого, получим

(8)

С помощью данного выражения, зная начальную температуру полосы, параметры марки стали и плотность теплового потока, проходящего через поверхность металла, можем определить температуру поверхности металла в любой момент времени.

При оценке величины теплового потока необходимо учесть тот факт, что в печах реализовано одновременно два метода сушки. Следовательно, передача тепла в печи осуществляется совместно конвекцией и излучением. Такой теплообмен называется сложным или радиационно-конвективным. По этой причине плотность теплового потока, описанная в правой части выражения (10), будет иметь две составляющие - конвективный тепловой поток и лучистый тепловой поток [12].

Процесс теплообмена между поверхностью полосы с температурой T полосы и некоторой газообразной средой с температурой T печи,обусловленной естественным или принудительным перемешиванием среды около поверхности, носит название конвективного теплообмена. Передача тепла осуществляется за счёт переноса массы нагретого вещества. Естественная конвекция обеспечивается в присутствии гравитации подъёмом теплого воздуха вверх, поскольку, нагревшись, он становится легче. Принудительная конвекция обеспечивается перемещением воздуха вентилятором. Так полный тепловой поток, отдаваемый средой нагреваемому объекту за счёт конвекции, можно определить с помощью выражения (9).

(9)

где - коэффициент конвективного теплообмена.

Этот коэффициент представляет собой тепловой поток между единицей поверхности твёрдого тела при разности температур между телом и средой в один градус. В данном случае зависит от температур Tполосы, Tпечии ряда физических констант среды:

гдеb - коэффициент объёмного расширения среды, - коэффициент теплопроводности среды, Сp - удельная теплоёмкость среды при определённом давлении, v - коэффициент кинематической вязкости среды, a - коэффициент температуропроводности среды, Ф - совокупность параметров, характеризующих форму и поверхность тел.

Процесс теплообмена излучением основан на способности тел излучать и поглощать тепловую энергию в виде электромагнитных волн инфракрасного диапазона. Для полосы с температурой Tполосы, помещённого в газовую среду с температурой Tпечи, результирующий тепловой поток, направленный от газообразной среды нагреваемому телу, определяется соотношением (10) [9]:

(10)

где - коэффициент излучения абсолютно чёрного тела, - приведённая степень черноты поверхностей тел, участвующих в теплообмене, - коэффициент взаимной облучённости тел.

Используя выражения (8), (9), (10), получим:

(11)

Зависимость физических констант среды от температур и бесконечное разнообразие возможных форм поверхности нагреваемых тел исключает возможность получения табличных значений конвективных и лучистых коэффициентов теплопередачи теоретическими методами. Поэтому эти величины необходимо подбирать на основе экспериментальных данных [37,32,33].

Для простоты записи и облегчения программной обработки, объединим эти константы в коэффициенты kк и kл. Кроме того, в этих коэффициентах будут учтены потери тепла. Полученная формула представлена в выражении (12).

(12)

В качестве примера на рисунке 13 показано распределение температуры внутри печи (Tпечи) как заданные дискретные величины в центре каждой из семи зон печной установки агрегата полимерных покрытий металла.

Рисунок 13 - Зависимость температуры поверхности металлической полосы от температур печных зон

Для точного решения уравнения (12) численными методами необходимо представить температуру печи как непрерывную функцию от времени t. Для функции Tпечи(t) была произведена интерполяция с помощью полинома Лагранжа (кривая 1). Заданные значения температуры зон печи, на основании которых производилась интерполяция, обозначены символом «*». Температуры поверхности полосы в различных точках печи, полученные в результате компьютерного моделирования с использованием выражения (12), представлены на рисунке кривой 2. Экспериментальные значения температур поверхности полосы показаны на рисунке символом «o».

Методика восстановления параметров сложного теплообмена (kк и kл) описана в работах [34,35]. Коэффициенты в уравнении (12) определялись из сравнения полученных численных расчетов с экспериментальными данными. Погрешность вычислялась по формуле (13).

(13)

где Ti - температура поверхности полосы, вычисленная в центре соответствующей зоны печи, Ti* - экспериментальное значение температуры, суммирование ведется по семи зонам печи. При сопоставлении результатов моделирования с экспериментальными данными оказалось, что максимальная корреляция достигается при kк = 21,3 и kл = 0,775·10-7.

На рисунке 14 изображена зависимость температуры стальной полосы от координаты печи, вычисленная при решении уравнения (13) (кривая 2) с подобранными коэффициентами.

На рисунке 14 (кривая 1) изображена зависимость температуры полосы, движущейся со скоростью 1,1 м/с, в различных точках печи, вычисленная при оптимальном режиме прилипания. При изменении технологических параметров температурный режим стальной полосы меняется. На рисунке 14 изображены различные зависимости температуры металлической полосы от координаты печи при различных скоростях движения полосы: 1,1 м/с (кривая 1); 1,4 м/с (кривая 2); 1,7 м/с (кривая 3).При увеличении скорости движения или изменении толщины полосы нарушается тепловой режим, а, следовательно, уменьшается и прилипание. В этом случае необходимо изменять температуры зон внутри печи.

Рисунок 14 - Зависимость температуры стальной полосы от её координаты в печи

Построенная в рамках этого этапа модель позволяет подобрать температуры 7-ми печных зон в зависимости от свойств металла, толщины полосы, скорости линии и начальной температуры полосы, которые обеспечат выходную температуру поверхности металла, попадающую в интервал температур полимеризации наносимой краски. Однако набор подобранных таким образом рецептов нельзя считать оптимальным, т.к. в модели не учитываются критерии качества. Для решения этой проблемы был разработан метод оптимизации технологических параметров процесса полимеризации (рисунок 15).

Рисунок 15 - Структурно-информационная схема модуля оптимального управления

Дадим описание информационных потоков и структурных элементов с их функциональным назначением. На первом этапе из существующей базы ретроспективных данных о работе установки (БД рецептов) выбираются рецепты, температуры (Тз1,..,Тз7) которых необходимо оптимизировать. Кроме температур печных зон, в состав рецепта входят такие параметры, как интервал рекомендуемых температур гуммирования ([Tпол1, Tпол2]), скорость движения полосы (V), плотность и теплоёмкость металлической подложки (, с), толщина полосы (h), начальная температура полосы (Tнач.).

В блок выполнения генетических операторов попадают исключительно температуры печных зон, т.к. только они нуждаются в оптимизации. В данном блоке применяются операции скрещивания, мутации и селекции, детально описанные в разделе 2.3.2. В результате этого на выходе генерируется новый набор температур печных зон (Тз1'',..,Тз7''). Для вычисления значения целевой функции по формуле (16) необходимо предварительно определить температуру поверхности металла (Тпов.вых.) на выходе из печной установки. Для этого используется имитационная модель, вычисляющая необходимое значение на основании нового сгенерированного набора температур печных зон и остальных параметров рецепта. Интервал рекомендуемых температур вулканизации передается в блок целевой функции, т.к. он необходим исключительно для определения значения оптимальности изменённого рецепта, а именно для расчёта качества прилипания (основного критерия оптимальности).

Блок имитационной модели передаёт вычисленное значение температуры поверхности металла в следующий блок целевой функции. Кроме того, данный блок транспортирует новые значения температур печных зон, полученные в результате применения генетических операторов, в блок вычисления целевой функции. Это необходимо для вычисления второго по важности критерия оптимальности - расхода энергоресурсов. В блоке вычисления целевой функции с помощью выражения (13) определяется оценка оптимальности рецепта (quality). В случае, если выполнилось условие остановки генетического алгоритма, выбирается рецепт с наиболее оптимальными температурами (Тз1опт,..,Тз7опт) . И передаётся в базу оптимальных рецептов (БД опт. рецептов). Если условие остановки не выполнилось, то рецепт передаётся на следующую итерацию оптимизации. С помощью данного метода оптимизации осуществляется наполнение базы данных оптимизированных рецептов.

На основании накопленной таким образом информации формируются выборки для обучения нейро-нечётких подмоделей. Обучающие данные для каждой подмодели состоят из двух частей - входного вектора и эталонного значения. Эталонным значением для каждой нейро-нечёткой подмодели будет являться оптимальное значение температуры соответствующей печной зоны. Входной вектор в обучающей выборке каждой подмодели будет состоять из остальных параметров, входящих в рецепт и дополненных оптимальными значениями температур предыдущих печных зон.

В результате обучения осуществляется параметрическая идентификация нейро-нечётких подмоделей. После этого можно перейти к расчёту управляющих значений температур печных зон (Тз1',..,Тз7') для конкретной полосы и краски (', с', h', V', Тнач', Тпол1', Тпол2') на рисунке входной вектор обозначен как . Далее происходит последовательный расчёт температур печных зон в каждой подмодели. При этом каждое вычисленное значение используется для расчёта выходного параметра следующей подмодели, т.е. осуществляется связь по входу.

Таким образом, с помощью метода нейро-нечёткого управления тепловыми многосвязными объектами агрегата гуммированных покрытий металла определяются значения температур печных зон, которые обеспечат максимальный коэффициент адгезии конкретного материала к металлической полосе при минимальном расходе энергоресурсов.

Выводы

На основе статистичекого моделирования поверхностных явлений и идеального моделирования теплового объекта,определено, что для достижения максимального коэффициента прилипания покрытия к подложке, необходимо обеспечить оптимальный температурный режим.

Установлено, что задача оптимизации технологических параметров процесса вулканизации имеет многокритериальный характер, т.к. определение множества допустимых температур вулканизации способствует наличию нескольких оптимальных температурных режимов, что позволяет ввести дополнительный критерий оптимальности - расход энергоресурсов.

Выявлено, что применение генетического алгоритма для многокритериальной оптимизации технологических параметров требует минимального объема информации о задаче управления процессом вулканизации, что совместно с рандомизацией генетических операций приводит к устойчивости самого алгоритма.

Установлено, что использование нейро-нечётких методов позволяет разрабатывать модели управления, структурная и параметрическая идентификация которых осуществляется на основе ретроспективных данных, при этом дополнительная информация о функционировании объекта не требуется.

3. АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ УПРАВЛЕНИЯ МНОГОСВЯЗНЫМИ ТЕПЛОВЫМИ ОБЪЕКТАМИ АГРЕГАТА ГУММИРОВАННЫХ ПОКРЫТИЙ МЕТАЛЛА

После разработки метода правления перейдём к описанию его алгоритмического обеспечения, необходимого для дальнейшей программной реализации системы управления процессом вулканизации оцинкованной полосы. Алгоритмическое обеспечение, разработанное касательно конкретного объекта управления, позволяет определить необходимые структуру и состав вычислительно-управляющего комплекса. Алгоритмическое обеспечение представляет собой совокупность алгоритмов обработки информации с их взаимными связями. Алгоритмы представлены в форме структурных блок-схем с пояснительным текстом. Они служат основой для разработки программного обеспечения подсистемы обработки информации в системе управления тепловыми объектами агрегата гуммированных покрытий металла.

3.1 Алгоритм оптимизации технологических параметров процесса вулканизации оцинкованной полосы

Данный алгоритм предназначен для оптимизации температур печных зон рецепта (Тз1,…,Тз7) по таким критериям, как качество прилипания и расход газа, применяемого для нагрева печи. Данный алгоритм реализован в методе оптимизации технологических параметров процесса вулканизации оцинкованной полосы, описанном в разделе 2.3. По этой причине все термины и обозначения заимствованы из этого раздела.

Стандарты промышленных предприятий предписывают использование БД для хранения информации о технологических процессах. Кроме того, внутренними стандартами по информационным технологиям предписывается использование конкретной СУБД для управления данными.

По этой причине набор рецептов, требующих оптимизации хранится в БД.

Для осуществления оптимизации технологических параметров по заявленным параметрам необходимо проделать следующие шаги:

Инициализация параметров остановки работы алгоритма оптимизации. На данном шаге задаётся ограничение на количество итераций.

Выбор конкретного рецепта, требующего оптимизации температур печных зон, входящих в него. Рецепт состоит из семи температур печных зон (Tзi, i=1,…,7), толщины (h), скорости (V), начальной температуры (Тнач.) полосы, параметров марки стали (c, с), границ интервала рекомендуемых температур полимеризации ЛКМ (Тпол1, Тпол2).

Генерация N наборов температур печных зон, близких к исходным, и их двоичное кодирование (Tзi'(j), i=1,…,7, j=0,…,N-1) для обработки генетическими операторами.

Для всех наборов выполняются шаги 4.1-4.3.

Прогнозирование температуры поверхности металла (Тпов.вых.) для изменённого рецепта (, с, h, V, Тнач, Tз1'(i),…,Tз7'(i)) с помощью алгоритма, описанного в разделе 3.1.

Расчёт целевой функции (функции оптимальности) с помощью выражения 16 для вычисленного значения Тпов.вых., Tз1'(i),…,Tз7'(i), Тпол1, Тпол2.

Сохранения значений оптимальности для всех наборов.

Проверка выполнения условия остановки. Если оно выполнилось, то выбираем набор температур с максимальным значением оптимальности и завершаем работу алгоритма, иначе - переход к шагу 6.

Селекция наборов по методу рулетки, с использованием полученных значений оптимальности.

Выполнение генетических операторов над двоичным представлением наборов температур.

Генерация новых наборов температур и их двоичное кодирование (Tз1'(i),…,Tз7'(i)). Переход к шагу 4.

Итоговая блок-схема алгоритма представлена на рисунке 16.

Рисунок 16 - Блок-схема алгоритма оптимизации технологических параметров процесса вулканизации

3.2 Алгоритм обучения модели управления процессом вулканизации оцинкованной полосы

Для расчёта температур печных зон, необходимых для оптимального управления процессом полимеризации с помощью нейро-нечёткой сети, необходимо предварительно осуществить её обучение на основе подготовленного набора данных. Эти данные представляют собой оптимизированные рецепты, полученные с помощью алгоритма оптимизации технологических параметров. Рецепты представляются в виде пар ,

где - входной вектор, а - эталонный сигнал.

Алгоритм состоит из следующих этапов:

Определить значения параметров условия остановки обучения нейро-нечёткой сети.

Инициализировать значения весовых коэффициентов.

Для всех примеров из обучающей выборки последовательно повторить шаги 3.1 - 3.3

Входной вектор (, с, h, V, Тнач, Тпол1, Тпол2, Тпред.зон)

распространяется по сети в прямом направлении, и последовательно рассчитываются значения

На основе сравнения выхода нейро-нечёткой сети и эталонного значения Тзiопт рассчитывается погрешность на выходе модуля

Рассчитываются новые значения весовых коэффициентов связей

и для

Затем производится замена старых значений новыми, и увеличивается счётчик числа итераций.

Цикл обучения продолжить до достижения системой требуемого состояния, при котором выполняется критерий остановки (рисунок 17).

Рисунок 17 - Блок-схема алгоритма обучения нейро-нечёткой модели управления

3.3 Алгоритм расчёта температуры печной зоны с помощью нейро-нечёткой сети

Данный алгоритм реализован в нейро-нечётких подмоделях расчёта температур печных зон. Нейро-нечёткая сеть, поэтому используются термины и обозначения, заимствованные из этого раздела. Суть данного алгоритма заключается в распространении сигнала по слоям нейро-нечёткой сети и получении итого значения температуры печной зоны.

Для вычисления температуры печной зоны необходимо проделать следующие шаги:

Разбиение пространств возможных значений всех переменных на термы. Например, для начальной температуры полосы (Тнач.) получатся следующие значения: «холодный» (20 °C - 30 °C), «тёплый» (27 °C - 36 °C), «горячий» (34 °C - 40 °C). Подробное описание методики разбиения пространств возможных значений на лингвистические переменные представлено в работе [19].

Обучение нейро-нечёткой сети. Перед работой нейро-нечёткой сети она должна быть предварительно обучена с помощью алгоритма, описанного в разделе 3.3. Обучение должно осуществляться на основании оптимизированных рецептов, полученных с помощью алгоритма из раздела 3.2.

Далее на вход сети подаётся входной вектор. Он имеет такой же состав, как и при обучении. Используются следующие параметры рецепта:характеристики марки стали (, с), толщина (h), скорость (V) и начальная температуры полосы(Тнач),границы интервала рекомендуемых температур полимеризации(Тпол1, Тпол2), а также к ним добавляюся температуры печных зон, вычисленные в предыдущих нейро-нечётких подмоделях (Тпред. зон).

Далее происходит прямое распространение сигнала по слоям нейро-нечёткой сети.

Фуззификация (Слой 1).

На данном шаге происходит преобразование входных числовых («чётких») значений в лингвистическую («нечёткую») форму. Для процедуры фуззификации, или операции введения нечёткости, используется функция типа синглетон.

Нечёткий вывод (Слой 2,3).

Этот шаг позволяет на основании полученных нечётких значений и нечётких правил определить нечёткое выходное множество.

Дефуззификация (Слой 4).

На данном шаге с помощью операции деффузификации происходит вывод числового значения выходного параметра на основании нечёткого множества, полученного на предыдущем шаге.

В случае, когда в качестве T-нормы, декартова произведения и для определения нечёткой импликации используется произведение, а для выполнения фуззификации используется синглетон, выходное значение определяется с применением дефуззификации по среднему центру

Вывод значения температуры печной зоны (Тзi) и завершение работы алгоритма.

Алгоритм вычисления температуры печной зоны показан на рисунке 18.

Рисунок 18 - Блок-схема алгоритма расчёта температуры печной зоны с помощью нейро-нечёткой сети

Выводы

Представлены блок-схемы и словесное описание разработанных алгоритмов прогнозирования температуры поверхности металлической полосы, оптимизации технологических параметров процесса вулканизации и нейро-нечёткого управления многосвязными тепловыми объектами агрегата гуммиованных покрытий металла.

Установлено, что алгоритм обучения нейро-нечеткой сети может быть адаптирован длярешения задачи управления многосвязными тепловыми объектами.

Выявлены системные связи между алгоритмами, позволяющие сделать вывод о полноте и непротиворечивости информационных потоков данных в системе управления производством предварительно окрашенного проката.Обоснована необходимость в обобщённом алгоритме функционирования системы управления многосвязными тепловыми объектами агрегата гуммированных покрытий металла, осуществляющем интеграцию с информационной инфраструктурой производства металла с гуммированным покрытием.



ЗАКЛЮЧЕНИЕ

Описанная выше измерительная система представляет собой решение на базе высоких технологий в области нанесения покрытий. Высокая точность измерений и низкие контрасты времени были достигнуты благодаря использованию современной рентгеновской измерительной техники, быстро действующих датчиков и эффективных линз, а также современной компьютерной технологии. Такие системы имеют решающее значение при производстве высококачественной продукции в линиях нанесения покрытий. Однако современные линии покрытий должны быть оснащены дополнительными измерительными системами, например: прибором контроля плоскости, измерителем ширины и системой контроля поверхности.

В выпускной квалификационной работе в рамках решения установленной научно-технической задачи повышения качества управления многосвязными тепловыми объектами агрегата гуммированных покрытий металла на основе синтеза адаптивных систем поисковой оптимизации, нейро-нечётких моделей и идеального моделирования теплового объекта получены следующие основные результаты:

Разработана математическая модель управления, которая позволяет задать требуемый режим температуры многосвязных тепловых объектов агрегата гуммированных покрытий в условиях нестационарности, нелинейного изменения внешних и внутренних факторов и распределённости параметров, что повысило точность определения температуры поверхности металла на выходе из печи на 7 %.

Разработан метод нейро-нечёткого управления процессом полимеризации, отличающийся применением эвристической оптимизации технологических параметров с помощью генетического алгоритма, позволяющий обеспечить максимальный коэффициент прилипания резинового слоя к поверхности полосы,снизить количество бракованной продукции на 1,5 % и расход газа на 2 %.

Разработана система алгоритмов управления многосвязными тепловыми объектами агрегата гуммированных покрытий, позволяющая увеличить скорость расчётов управляющих параметров более, чем в 2,8 раза.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Мировой рынок CoilCoating покрытий [Электронный ресурс] / Академия Конъюнктуры Промышленных Рынков. - Справочно-информационный интернет-портал обзора B2B-рынков «b2blogger.com - маркетинг для бизнеса», 2011. - [Электронный ресурс] - Режим доступа: http://b2blogger.com/articles/review/print/142.html, свободный - Яз.рус. (дата обращения: 10.05.2012)

The Process. The Most Advanced Method For Coating Metal [Электронныйресурс] / National Coil Coating Association - Режимдоступа: http://www.coilcoating.org/how-to-paint-metal-coils, свободный - Яз. англ. (дата обращения: 15.05.2012)

Шевяков, А.А. Управление тепловыми объектами с распределёнными параметрами / А.А.Шевяков, Р.В.Яковлева. - Москва: Энергоатомиздат, 1986. - 208 с.

Медведев, М.Ю. Управление нелинейными многосвязными объектами в условиях неопределенности / М.Ю. Медведев. - Таганрог, 2011. - 366 с.

Батищев, Д.И. Генетические алгоритмы решения экстремальных задач: учебное пособие / Д.И. Батищев. - Воронеж: ВГТУ, 1995. - 65 с.

Растригин, Л.А. Адаптивные компьютерные системы / Л.А. Растригин. - Москва: Знание, 1987. - 64 с.

Цыпкин, Я.З. Адаптация и обучение в автоматических системах / Я.З. Цыпкин. - Москва: Наука, 1968. - 400 с.

Шнайдман, М.А. Алгоритмы адаптации в беспоисковых самонастраивающихся системах с контролем частотных характеристик без применения пробных сигналов / М.А. Шнайдман // Автоматика и телемеханика. - 1992. - №6. - 453 с.

Воронов, А.А. Теория автоматического управления: учеб.для вузов / А.А. Воронов, Д.П. Ким, В.М. Лохин. - Москва: Высш. шк., 1986. - 504 с.

Цыпкин, Я.3. Релейные автоматические системы / Я.З. Цыпкин. - Москва: Наука, 1974. - 576 с.

Ульянов, С.В. Интеллектуальное робастное управление: технологии мягких вычислений / С.В.Ульянов, Л.В. Литвинцева, В.Н. Добрынин, А.А.Мишин. - Москва: ВНИИгеосистем, 2011. - Т. 1. - 406 с.

Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - Москва: Горячая линия-Телеком, 2001. - 382 с.

Миркес, Е.М. Нейрокомпьютер. Проект стандарта / Е. М. Миркес. - Новосибирск: Наука, 1999. - 337 с.

Горбань, А.Н. Обобщённая аппроксимационная теорема и вычислительные возможности нейронных сетей / А.Н. Горбань // Соросовский образовательный журнал. - Т.1. - 1998. - С. 12-24.

Соловьев, В.А. Применение нечеткой логики в устройствах регулирования энергетическими объектами / В.А. Соловьев, А.Г. Владыко, В.С. Легенкин // Электроэнергетика и энергосберегающие технологии: Межвуз. сб. науч. тр. - Владивосток: Изд-во ДВГТУ, 1998. - С. 125-133.

Кудинов, И.Ю. Управление технологическим процессом температурного отжига трансформаторной стали на основе аппарата нечеткой логики / И.Ю. Кудинов: дис. … канд. техн. наук. - Липецк, 2009. - 135 с.

SEVERGAL. Continuous Galvannealing Line. Functional Description / Liege, Belgium:Drever International, 2003. - 43 р.

Описание структуры и алгоритмов математической модели процесса травления металла / Череповец: ОАО «Северсталь», 2005. - 22 с.

Берлин, А.А. Основы адгезии полимеров / Берлин А.А., В.Е. Басин- Москва: Химия, 1969. - 321 с.

Матаморос, С. Подробное описание печной установки для печи грунтовочного слоя и печи отделочного слоя и термореактора АПП / С. Матаморос. - Леверкузен, Германия: gatvmbH, 2005. - 55 с.

Голоскоков, Д.П. Уравнения математической физики. Решение задач в системе Maple: учебник для вузов - Санкт-Петербург: Питер, 2004. - 539 с.

Бухмиров, В.В. Теоретические основы теплотехники. Тепломассообмен: Курс лекций. Ч.1. / В.В. Бухмиров. - Иваново: Ивановский гос. энерг. ун-т им. В.И. Ленина, 2008.- 24 с.

Кабаков, З.К. Восстановление параметров сложного теплообмена/З.К.Кабаков, К.Е. Голубенков, Ю.В.Грибкова, С.А. Антонов // Известия высших учебных заведений. Чёрная металлургия, 2006, №11. - С. 53-55.

Beasley J.E. A Genetic Algorithm for the Set Covering Problem / Beasley J.E., Chu P.C. // European J. Oper. Res., 1996, Vol. 94, №2 - P.394-404.

Красноштанов, А. П. Комбинированные многосвязные системы / А. П. Красноштанов. - Новосибирск: Наука, 2001. - 176 с.

Мальцева, Т.В. Исследование алгоритма прогноза выхода комбинированной многосвязной системы / Т. В. Мальцева // Молодой ученый. - 2011. - №6. Т.1. - С. 73-79.

Зырянов, Г.В. Системы управления многосвязными объектами: учебное пособие / Г.В. Зырянов.- Челябинск: Издательский центр ЮУрГУ, 2010. - 112 с.

Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде. - Москва: Мир, 1976. - 165 с.

Блюмин, С.Л. Нечеткая логика: алгебраические основы и приложения.Монография/ С.Л. Блюмин, И.А. Шуйкова, П.В. Сараев, И.В. Черпаков. - Липецк: ЛЭГИ, 2002. - 113 c.

Комашинский, В.И. Нейронные сети и их применение в системах управления и связи / В.И.Комашинский, Д.А. Смирнов. - Москва: Горячая линия - Телеком, 2003. - 94 c.

Саймон, Хайкин. Нейронные сети: полный курс = NeuralNetworks: AComprehensiveFoundation / С. Хайкин. - Москва: «Вильямс», 2006. - 1104 с.

Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика = NeuralComputing. Theory and Practice. -- Москва:Мир, 1992. -- 240 с.

Edwards P., Murray A. Modelling weight- and input-noise in MLP learning // Proceedings Of International Conference on Neural Networks (ICNN'96). - USA, Washington, June 3-6, 1996. - Vol.1. - P. 78-83.

Senashova Masha Yu., Gorban Alexander N., and Wunsch Donald, “Back-Propagation of Accuracy”// Proc. IEEE/INNS International Coonference of Neural Networks, Houston, IEEE, 1997, pp.1998-2001.

Ветров, Д. Об использовании прецедентной информации в нечетких экспертных системах / Д.Ветров, Д.Кропотов // Труды 6-ой международной конференции «Распознавании образов и анализ изображений: новые информационные технологии» (РОАИ-6-2002). - НовГУ им. ЯрославаМудрого, Великий Новгород, 2002. - С. 100-104.

Липаев В.В. Сертификация программынх продуктов для управляющих систем / В.В. Липаев // Программная инженерия. Москва: «Новые технологии», 2011, №4 - С 2-11.

Кайт, Т. Oracle для профессионалов. Пер. с англ. / Т.Кайт - СПб.: ООО «ДиаСофтЮП», 2003. - 672 с.

Ежова, Н. Э.Инструментарий оценки эффективности инновационного процесса на машиностроительных предприятиях / Н. Э. Ежова, А. Н. Душинов // Автоматизация и энергосбережение машиностроительного производства, технология и надежность машин, приборов и оборудования: матер.третьей науч.-техн. конф. 10-12 ноября 2007 г. . - Вологда, 2007. - Т. 1 . - С. 113-116

39 Принципы автоматического управления режимами термообработки композиционных материалов на базе математического моделирования процесса/ Ю. Р. Осипов, А. Н. Душинов, С. А. Шлыков, А. А. Аваев // Информатизация процессов формирования открытых систем на основе СУБД, САПР, АСНИ и систем искусственного интеллекта (ИНФОС-2015) : 8-я международная научно-техническая конференция, 26-27 июня 2015 г. / ВоГУ . - Вологда, 2015 . - С. 123-128

Размещено на Allbest.ru