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DS-SVR模型的炉卷轧机厚度动态设定控制

针对炉卷轧钢板成品超长,头尾与板体的温度偏差大且检测不准,带来的产品厚度命中精度偏低、同板差偏大等问题。系统研究了炉卷温度检测和厚度设定机理模型的算法,剖析了系统模型在轧件温度测量、轧制力设定计算等关键算法,以及轧机自动厚度控制(automatic gauge control,简称AGC)系统上存在的控制参数粗放等问题,借鉴国内外关于轧制过程温度软测量和动态厚度设定的研究成果,开发了基于动态设定-支持向量回归(dynamic setting-support vector regression,简称DS-SVR)的系统温度软测量和厚度动态设定方法。应用结果表明,所提方法提高了温度检测和厚度动态设定精度,大幅提高了炉卷轧机厚度设定模型精度。     

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。     

面向智能制造的钢铁工业物流管控系统

计算机技术和信息技术的飞速发展为钢铁工业的发展带来了新的机遇和挑战。在新一代智能制造技术推动下,钢铁工业物流管控问题将迎来新的变革和发展。基于全流程生产协同的人-信息-物理系统技术框架,探讨了钢铁企业物流管控在物理层、计算控制层和应用层的相关问题。有助于推进钢铁工业制造在智能化、高效化、绿色化等方面稳步发展,实现采购、生产、销售全流程的优化与变革,提升对钢铁工业智能物流的认识和技术水平。     

应用在工业场景中的云网端控制架构探索与实践

云网融合是落实国家决策部署,增强工业互联网产业供给能力的必然选择。打造“智能+”工业互联网平台,是推动制造业高质量发展,强化工业基础和技术创新能力的重要举措。针对传统的工业控制系统存在感知深度不足、互联广度不足、分析预见性不足的问题,提出来一种工业云网端控制架构,并将其成功应用于鞍钢（本部、鲅鱼圈）两地炼钢厂连铸中包整备系统异地集中控制,为未来实现ERP、MES、工业APP直接驱动控制系统实现大数据驱动敏捷控制奠定基石。     

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。     

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。     

基于无模型预估算法的电工钢边部减薄滞后控制系统

边部减薄是电工钢控制的重要参数,直接影响着带钢产品的质量和成材率。边部减薄的闭环控制过程存在严重的滞后问题,解决系统滞后问题对于控制精度的提高具有重要意义。以鞍钢硅钢1 500 mm冷连轧机生产线为基础,分析了边部减薄滞后问题产生的原因,采用反馈控制和前馈边部减薄控制策略,并采用无模型预估算法对含有滞后环节的闭环系统进行有效控制。应用结果表明,无模型预估算法对于控制模型精度具有良好的控制品质,解决了由于系统大滞后易产生的不稳定问题,无需对象模型且响应速度快,极大地提高了电工钢产品的边部减薄控制精度。