忘记密码? | 收藏本站
您当前所在位置:首页 >> 主页 > 科技前沿 >

科技前沿

数据驱动融合机理的热连轧三维尺寸数字孪生模型与CPS系统应用

发布时间:2022-08-05 10:18  作者:admin 点击量: 
       一、研究的背景与问题
       在钢铁产品(板带材、长型材等)中,板带材占比约为45%,是交通、能源、军工国防等高端产品的基础原材料。随着我国制造业向高端化转型,用户对热轧板带的质量要求越来越高,产品质量已成为企业市场竞争力的关键要素。随着现代科学技术的进步和发展,板带材热轧过程的装备水平越来越高,自动化控制水平和数学模型设定精度也越来越高。这些技术提升虽然可以降低生产成本并提高生产率,但对于产品尺寸精度、板形、力学性能等质量稳定性也有极为严格的控制要求。在热连轧生产过程中,换辊后首卷、产品换钢种、换规格、加减速、温度制度波动等非稳态轧制过程的工艺控制能力不足,导致最终产品的三维尺寸、板形、温度制度以及产品力学性能等关键质量参数稳定性差,该现象也成为制约我国热轧板生产技术进一步提升的关键问题。
       钢铁、有色等原材料产业是未来智能制造业发展的重点领域,通过智能化手段实现钢铁行业的提质增效是迫切的现实需求和发展方向。2021年12月底,工信部、国家发改委等8个部门联合印发的《“十四五”智能制造发展规划》中也明确指出,智能制造是制造强国建设的主攻方向,其内容和目标为钢铁行业智能化变革指明了方向。板带材生产过程迫切需要借助智能化手段解决生产过程质量稳定性差、成材率低、生产效率低等共性问题。
       通过对国内近百条热连轧生产线的过程控制模型精度和产品质量指标研究发现,造成非稳态过程难以控制的原因,既有板带材轧制本身的工艺因素,又受制于热连轧自身的控制特点,长期面临如下突出问题:
     (1)热连轧各机架存在着弹性变形和塑性变形的交叉耦合作用。热连轧各机架与带材直接接触并产生压下量时,轧机设备会发生弹性变形,轧件又会发生塑性变形,这种设备弹性状态和带钢压下产生的塑性状态耦合到一起,导致传统数学模型很难对其进行精准计算和表述,尤其在频繁换规格或换钢种状态下,一种弹塑性耦合状态下的模型未完自学习至最优状态,又会过渡到另外一种弹塑性状态,导致整个机组形成长时间的非稳态过渡过程。
       (2)非稳态过程难以建立高精度的热轧数学模型。该过程具有不确定性、非线性等特点,存在润滑状态、设备工况等多种多样难以表述的变化,这些对薄带材轧制的影响远超过普通带材。而实际控制过程采用的单一常参数模型难以满足连续变化的要求,模型匹配性差,实际生产过程中轧制力、前滑等关键参数存在很大偏差。
       (3)多工序间的过程控制参数波动的影响。热连轧生产过程装备由加热炉、定宽压力机、粗轧机组、精轧机组、控制冷却及卷取机组等多个区域组成,各个工序均具有非线性、快响应以及时变、不确定性、工艺控制模型复杂、过程变量维数高、规模大等特点,这就决定了各个工序的建模过程比一般的工业过程复杂得多。这种非稳态下的过程参数波动,均可对下游工序产生很大的影响,从而导致产品质量问题,如板形、尺寸精度以及工艺性能等。
       针对热连轧制造领域内过程精准控制科学问题和相关技术瓶颈,2019年河钢集团有限公司、华为、东北大学在深圳举行联合组建“工业互联网赋能钢铁智能制造联合创新中心”签约挂牌仪式。三方成立的联创中心将作为钢铁行业工业互联网与智能制造产学研用平台,以钢铁全流程产线为基点,着力实现网络化、数字化、智能化的新钢铁,促进钢铁产业转型升级、高质量发展。
       项目团队依托河钢邯钢公司邯宝2250mm热连轧生产线,基于现有自动化与信息化系统,深度融合数据驱动模型与机理模型,首次开发了热连轧过程动态数字孪生模型并建立了CPS控制系统平台,提高了轧制工艺对复杂多变工况的原位分析能力,改善了热连轧过程三维尺寸控制指标。
       二、解决问题的思路与技术方案
东北大学RAL板带轧制及智能化课题组进行了大量的现场调研和系统优化设计,在现场工艺、模型及自动化相关人员的大力配合和支持下,开发了高精度数字孪生模型,并以现有控制系统硬件为基础,利用现有工业网络架构,构建了热轧过程数字孪生控制系统平台,实现了新系统和原有系统的并行计算,并具备自组织、自配置、自优化,形成知识库、模型库、资源库,使得系统能够不断自我演进与学习提升,实现了“系统自治”,当数字孪生模型设定精度达到要求后,可实现新的数字孪生模型与原有模型的自由切换。
       在数字孪生应用平台搭建后,需要通过双层闭环CPS系统实现数字孪生系统的模型迭代优化和参数提升。其中,内环系统是在数字孪生系统运行过程中,将生产过程中的实时数据采集进入数据孪生系统,同时规则库、专家库、扰动量及操作工干预量等信息作为辅助输入变量,通过机器学习算法,实现热轧生产线从加热炉至卷取机各个工序的生产参数高精度设定。外环系统在数字孪生系统运行过程中,不仅仅将生产过程中的实时数据采集进入数据孪生系统,还要将大数据系统中的生产数据进行分析和建模,通过机器学习算法实现数字孪生模型系统的自适应优化、专家规则库更新和机器学习算法网络模型的训练和结构优化,该CPS系统框架如图1所示。
 
图1 热轧过程CPS系统框架
       三、主要创新性成果
       1、大数据平台与数据挖掘软件开发
       利用数字感知技术对热连轧生产过程数据进行智能处理和集成,并采用机器学习算法进行数据挖掘,开发了基于大数据平台的数据治理、分析与挖掘软件,如图2所示。开发了板带轧制生产过程数据进行多级清洗、异常值剔除和缺失值修复方法,针对生产数据常存在分布不均衡的问题,分析造成模型的局部预测性能变差原因,建立了生产数据分层聚类和数据均衡化模型。开发了特征自适应融合与集成学习算法,实现了知识-数据双驱动的特征提取,建立了多模型融合建模的集成学习模型,构建了生产过程指标对运行状态进行综合评价体系,实现板带轧制全流程运行状态评价。该软件为后续的数据驱动模型节点选择和模型优化提供依据,并实现了尺寸控制过程异常的解析、判断与溯源。
 
图2 大数据平台与数据挖掘软件开发
       2、数据驱动融合机理的动态数字孪生模型开发
       利用数字感知技术对板带轧制生产过程操作参数实测信息、传感器实测边界信息、半成品及最终产品的取样离线测量等信息进行智能处理和集成,并采用知识图谱、机器学习和深度学习等技术进行数据挖掘,从海量数据中准确透视工艺、设备、质量等关键参数之间的复杂关系,构建适用于动态过程的高精度数字孪生模型,实现质量缺陷或过程异常的解析、判断与溯源。融合工艺机理、生产数据和经验知识,以数字感知技术破解钢铁生产过程“黑箱”,构建高精度的板带轧制过程全流程数字孪生系统,实现过程的透明化和模型化描述。形成知识库、模型库和资源库,使得系统能够不断自我演进与学习提升,提高应对复杂工况变化的能力。
 
图3 数据驱动融合机理的动态数字孪生模型开发
       3、数字孪生驱动的热连轧三维尺寸CPS系统
       将难测参数与仪表数据作为数据源,通过多模型融合并且引入修正机制,获取各中间工序质量参数实时值以及终端工序质量参数预测值。结合偏差分析与阈值决策方法,实现终端工序质量异常在线预测,以及中间工序质量异常实时诊断。开发出具有三维尺寸信息动态反馈、设定精准计算、轧制过程闭环控制和模型动态优化等特征的三维尺寸CPS系统。同时,搭建了SCC并行孪生系统平台,可实现模型系统的并行计算、并行模型测试以及并行模型自学习等功能,实现了新老系统的一键式切换。
       四、应用情况与效果
       基于现场实际需求,构建了基于仪表数据、数值模拟数据、机理模型、机器学习模型等多源数据与多模型融合的数字孪生模型体系和CPS反馈优化模块软件,提高了轧制力和三维尺寸的设定精度。上述方法已成功应用于河钢邯宝2250mm热连轧生产线,采集近两个月约35000吨产品的实际生产数据进行数据统计和分析,其模型设定效果如图4和图5所示,换规格后首卷轧制力设定精度由91.6%提升至95.2%,轧制力综合设定精度由93.4%提升至95.4%。为进一步提高产品三维尺寸的控制精度,开发了机理与数据驱动融合的轧机弹跳、轧辊磨损和热膨胀设定模型,并通过滚动优化提高厚度和宽度的控制精度,厚度命中率由95%提升至97%以上,换规格首卷宽度命中率由90.5%提高至94.5%,综合宽度命中率由92.3%提高至96.5%。上述质量指标提升后,产品因三维尺寸控制精度导致的二级品率下降26.3%。
 
图4 数据驱动融合机理的轧制力预测
 
图5 数据驱动融合机理的宽度预测
       通过实际应用表明,数据驱动模型可明显改善传统机理模型对于复杂动态过程的适用性较差的现象,解决了板带轧制过程中因机理不清、工艺过程复杂和产品质量要求高等因素导致的模型设定精度不高的问题。在接下来的工作中,需要基于目前搭建的数字孪生模型和CPS应用平台,通过双层闭环系统实现数字孪生模型迭代优化和参数提升。该项技术不仅可提升板带材轧制过程的三维尺寸控制精度,对长型材及有色金属轧制产线的智能化升级和提质增效具有普适性意义。
       信息来源:东北大学,河北钢铁集团


 

特别声明:本站内容未经允许不得转载!
版权所有©2013-2014 河北省金属学会 技术支持:迈得科技
地址:石家庄市跃进路167号  邮编:050031  信箱:hbsjsxh@126.com  电话:+86-0311-85689536 +86-0311-80720238