基于机器视觉的冷轧带材跑偏量智能检测方法

针对冷轧生产过程中缺少实测跑偏量引起的板形控制精度低、断带等问题,提出一种基于机器视觉的冷轧带材跑偏量智能检测方法。以经典UNet网络为基础搭建一种轻量化的网络结构,用于冷轧带材智能分割。采用MobileNetV2替换UNet原始收缩路径并在连接结构中嵌入通道注意力ECA_Module,在有效降低网络参数量的同时突出对目标特征的感知能力。采用此网络训练得到带材区域分割模型(SRS_M),其精度指标交并比平均值(mIoU)和像素精度平均值(mPA)分别达到了98.83%和99.36%,单张图像推理时间为40.57 ms。以SRS_M模型为基础,结合边缘位置提取算法,建立带材跑偏量检测模型。通过现场安装的边缘检测装置采集1503个跑偏量样本数据,对方法进行验证。其中,92.82%样本的绝对误差在±2 mm,全部样本绝对误差均在±3.5 mm,证明了方法的有效性。

冷轧铜带表面缺陷智能识别方法

表面质量是冷轧铜带重要质量指标之一。为实现铜带表面缺陷的精准自动检测,首先对常见表面缺陷进行分类,并制作了铜带表面缺陷图像数据集(YSU_CSC);然后,以卷积神经网络EfficientNet为核心,基于迁移学习策略,通过训练实验建立了冷轧铜带表面缺陷智能识别模型,同时与其他三种常用的卷积神经网络缺陷识别结果进行对比。结果表明:该模型的精度较高,准确率达到93.05%,单张缺陷图像平均识别时间为197 ms,综合性能较好,可以满足工程要求;最后,将该模型在测试集上的缺陷识别结果进行可视化,分析了该模型对部分图像识别错误的原因,给出了进一步优化的方向。

基于人体脊椎的航空经济舱椅背的优化设计

目前有许多航空公司引入了新型的经济舱座椅,旨在不显著影响乘客舒适度的前提下增加人员限额,然而却受到了很多乘客的反对。该文主要运用自适应多项式拟合、双三次B样条插值等数学模型得到人体脊椎曲线的定量函数关系,进而重新对该经济舱座椅椅背曲线、曲面进行设计与研究。

热轧带钢边部酸洗缺陷产生机理与治理措施研究

酸洗后带钢表面经常出现各种表面缺陷,缺陷可能产生于酸洗过程,也可能来源于热轧过程。针对边部锈带与侧面斑块两种缺陷,首先对缺陷的具体产生区段进行分析;然后,对两种缺陷的宏观与微观特征进行细致观察,在此基础上揭示两种缺陷的产生机理;最后,通过优化立辊辊型有效抑制了边部锈带缺陷,通过优化侧导板控制模式与参数基本消除了侧面斑块缺陷。两项治理措施实施后,有效提高了酸洗速度,避免了斑块缺陷引起的锌层剥落。

基于自编码器的冷轧带材板形数据降维方法

为实现板带轧制过程的智能制造,对智能化的内涵进行了深入探索。针对具体问题,将无监督学习与强化学习理论用于生产实践具有重要意义。以板带轧制过程中的板形检测数据为研究对象,通过无监督学习理论中的自编码器进行板形基本模式的自动学习,从而降低板形数据的存储与传输量,实现板形分布的抽象表示,为后续板形异常检测、智能预报和智能控制奠定基础。与基于勒让德多项式模式的传统板形数据降维方法相比,此方法可显著提高板形重构精度,实现板形数据的近似无损压缩。

数据驱动的热轧带钢边部线状缺陷智能预报模型

边部线状缺陷是热轧带钢易发缺陷,不仅严重影响成材率,还可能对热轧下游工序生产过程造成影响。边部线状缺陷的影响因素复杂多变,建立精确的机理预报模型十分困难。为此,首先分析边部线状缺陷的主要影响因素;然后以智能方法为基础,分别建立了基于逻辑回归与神经网络的边部线状缺陷智能预报模型,并分析了2个模型的精度与泛化能力;最后,以神经网络智能预报模型为基础,对加热工艺参数进行优化,使缺陷发生率与封闭率均大幅降低。研究结果对提高热轧带钢表面质量具有实践意义,可推广应用于同类轧线。

基于循环神经网络的板形模式识别模型

板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。

冷轧带材板形测控系统国家标准解读

为了推动GB/T 34901-2017与GB/T 34902-2017两项国家标准的实施和推广应用,提高中国冷轧带材板形测控技术的标准化、智能化水平,提高板形质量和国际竞争力,对这两项标准进行了系统地解读。首先阐述了这两项国家标准的制定背景与意义,其次介绍了标准的使用范围与术语定义,最后系统地解读了标准中板形仪和板形闭环控制系统的结构组成、技术要求、试验方法和检验规则等。

冷轧带材整辊式板形仪通道耦合与解耦

板形检测是提高板形质量的基础和关键。为保证带材表面不被划伤,整辊式板形仪应运而生。由于结构的特殊性,整辊式板形仪在某一通道受压力时不仅会对本通道信号产生作用,还会对邻近通道信号产生显著干扰,引起检测误差,因此需要对其进行解耦处理。为解决这一问题,首先通过力学分析提出了通道耦合的概念和影响矩阵模型,然后通过标定试验获得影响矩阵的数值,最终通过解耦方程消除通道间的相互干扰。仿真试验和工业应用证明,提出的理论和方法可有效提高板形检测和控制精度。

整辊内嵌式板形仪挠度干扰信号的消除方法

板形测控技术是生产高端冷轧带钢的必备技术,针对国产板形测控系统研发过程中遇到的一系列新的科学技术问题,研究了如何消除整辊内嵌式板形仪挠度引起的干扰信号。首先,分析了整辊内嵌式板形仪结构特点与传感器连接型式的特殊性;然后,分析了板形信号的理想波形与实际波形特征,根据其特征提出一种新的挠度干扰信号的消除方法,根据传感器安装位置固定的特点确定干扰信号相位,以有效信号之间波形平直为目标对干扰信号幅值进行优化;最后,通过实例和工业应用对该方法的有效性进行验证。研究结果表明,该方法可以高效精确地消除挠曲附加波形,使径向压力和板形分布变得平滑,有效提高检测精度。

热轧带钢尾部“伪板形不良”问题研究

热轧带钢头部与尾部处于非稳态轧制区,容易出现各种尺寸形状质量缺陷。在轧制软薄料时,带钢尾部经常出现一种外观与中间浪类似的"伪板形不良",但其产生机理与板形不良完全不同,因此常规的板形控制手段无法解决该问题。为此,首先对该问题的产生机理进行了分析,发现这一现象的原因是抛钢一瞬间张力消失引起的突然收缩。根据上述机理,对抛钢前F8机架与卷取机的速度匹配关系进行了优化设定,使带钢尾部的"伪板形不良"问题得到极大改善,还避免了带钢表面与辊道之间的擦伤与划伤。

冷轧带钢板形测控技术的发展状况和关键问题

冷轧带钢属于高端精品钢材,板形在线检测与控制是冷轧带钢的高端核心关键技术。自主创新研制板形测控系统是实现中国钢铁工业发展升级、建设钢铁强国的重大需求。目前,板形测控技术市场国外占据优势,国产系统正在代替进口,扩大应用规模,推进技术完善。研制先进的板形测控系统需要解决的关键技术有高精度高质量的板形仪、功能完备强大的控制手段和方法、高精度高速度的数学模型。板形仪主要有接触式和非接触式两大类,接触式板形仪通过测量带钢张力的横向分布反映板形,非接触式板形仪通过测量带钢浪形反映板形。接触式板形仪可靠耐用精度高,应用广泛,发展趋势为整辊式板形检测辊、无线式信号传输装置、板形数据的精确处理。板形控制数学模型的主要类型,按建模的原理和方法可分为机理模型和智能模型;按模型的性质和作用可分为分析模型和控制模型;按板形的表示方法可分为多点控制模型和分量控制模型。板形控制模型的发展趋势为机理与智能协同建模、动态模拟预报和动态解耦控制、多种手段和方法的协同优化。进一步提高板形测控技术水平需要突破3项关键问题,即整辊式板形仪通道耦合与解耦的机理模型、板形控制的动态模拟和动态解耦模型、板形控制的高精度智能建模方法。