基于5G软件定义钢铁工业控制系统的设计与实现

钢铁领域的设备控制通常由可编程逻辑控制器(PLC)执行。随着工业智能化改造深入推进,基于硬件的PLC已无法满足智能制造的需求。为此,提出一种基于5G云架构的软件定义控制系统,对软件定义PLC控制系统的系统架构、5G通信网络、云平台进行深入研究,并通过实际场景对云化软件定义PLC控制的可行性进行验证。实际应用结果证明,该系统满足对工业厂区控制系统的高性能接入、传输、计算、存储的需求,实现了工业自动化生产全流程统一云化管控的能力。     

基于信息物理系统的轧制过程能源负荷时间序列预测

随着生产流程日趋复杂，传统的轧制过程能源管控方法已无法有效应对大数据、物联网等新场景、新模式带来的挑战，而信息物理系统(cyber physical system, CPS)热潮的到来，为上述问题的解决提供了新的思路。本文提出一种基于CPS架构的自适应变分模态分解(variational mode decomposition, VMD)的能源负荷时间序列预测方法，通过与现有方法的对比可以看出，其均方根误差(root mean square error, RMSE)为0.634 2,平均绝对误差(mean absolute error, MAE)为0.582 1,平均绝对百分比误差(mean absolute percentage error, MAPE)为0.27,都达到最佳预测结果。本方法可通过更换回归模型来取得预测精度和计算效率的折中，证明了其场景适应能力较强。     

基于深度映射多核的热镀锌镀层厚度预测

连续热镀锌的镀层厚度控制具有高维、非线性和时变的特点，很难用传统的数学模型和浅层神经网络来预测。深度学习通过多层非线性网络结构，能实现复杂函数关系的良好逼近，而核学习是处理复杂非线性数据的强大工具。提出了一种基于深度神经网络多层信息的深度映射多核学习算法，通过将此深度映射核与多尺度高斯基核做非线性乘积，得到新的具有高度表达能力的改进核，其蕴含数据深层特征信息。大量基准数据集和实际工业数据表明，本算法通过结合深度学习和多核学习的优势，解决了镀锌过程强非线性、时变大滞后和多变量的控制难点，实现镀层厚度的更高精度预测，预测的平均绝对误差从3.04 g/m²降低到1.22 g/m²。     

基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断

针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类。试验结果表明,所提方法的诊断准确率平均为98.75%,高于比较方法,更加适用于滚动轴承故障诊断。     

基于5G软件定义钢铁工业控制系统的设计与实现

钢铁领域的设备控制通常由可编程逻辑控制器(PLC)执行。随着工业智能化改造深入推进,基于硬件的PLC已无法满足智能制造的需求。为此,提出一种基于5G云架构的软件定义控制系统,对软件定义PLC控制系统的系统架构、5G通信网络、云平台进行深入研究,并通过实际场景对云化软件定义PLC控制的可行性进行验证。实际应用结果证明,该系统满足对工业厂区控制系统的高性能接入、传输、计算、存储的需求,实现了工业自动化生产全流程统一云化管控的能力。     

自动编码器与典型相关分析方法联合驱动的工业过程质量监测

本文将自动编码器(AE)特征提取方法和典型相关分析方法(CCA)有机结合,提出了一种联合驱动的质量监测模型及其质量相关的故障检测方法.首先,利用AE算法对输入样本进行无监督自动学习和重构,实现数据的特征提取和降维;其次,利用CCA算法实现特征与质量变量关联最大化,建立质量变量与特征变量的关系模型;根据监测模型的潜结构投影,构建T2统计量和SPE统计量及其相应控制限.将提出的方法用于分析带钢热连轧过程现场实际数据,结果表明,基于自动编码器-典型相关分析方法(AE-CCA)的质量监测方法能够准确的检测出故障,并且检测效果优于传统的核典型相关分析(KCCA)算法.     

鞍钢冷轧1780 mm生产线自动化系统数字化开发实践

结合钢铁企业自动化系统现状和特点，确定了自动化系统数字化开发目标。在鞍钢冷轧1780 mm生产线自动化系统开发中，应用数字化开发方法，实现了设备选型、系统设计与程序开发之间数据交互，实现了系统建模、仿真与程序开发一体化。     

基于深度核与多核联合学习的镀层质量评估系统

针对传统核学习方法在处理复杂非线性数据存在过拟合和分类精度不高等问题，影响对镀层质量评估的准确性，提出基于深度核学习(deep kernel learning, DKL)与多核学习(multiple kernel learning, MKL)双向促进的联合学习方法，将多核方法组合深度自编码器(stack auto encoder, SAE)的输入层、最高编码层与最高解码层网络建模，获得更全面的信息。同时，将深度核以非线性乘积方式融入到高斯多核的优化训练中，形成非线性组合核。通过大量基准数据集和实际工业数据试验表明，本联合方法取得了最高的分类精度，验证了其对复杂时变镀锌过程的自适应性，大幅提高了镀层质量评估的准确性。