CN114565314B - 一种基于数字孪生的热轧钢卷端面质量管控***及方法 - Google Patents
一种基于数字孪生的热轧钢卷端面质量管控***及方法 Download PDFInfo
- Publication number
- CN114565314B CN114565314B CN202210233179.XA CN202210233179A CN114565314B CN 114565314 B CN114565314 B CN 114565314B CN 202210233179 A CN202210233179 A CN 202210233179A CN 114565314 B CN114565314 B CN 114565314B
- Authority
- CN
- China
- Prior art keywords
- steel coil
- quality
- production
- defect
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 221
- 239000010959 steel Substances 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000003908 quality control method Methods 0.000 title claims abstract description 21
- 230000007547 defect Effects 0.000 claims abstract description 129
- 238000004519 manufacturing process Methods 0.000 claims abstract description 75
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 230000006872 improvement Effects 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 25
- 238000005096 rolling process Methods 0.000 claims description 24
- 238000005098 hot rolling Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000002788 crimping Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002436 steel type Substances 0.000 description 2
- 229910000677 High-carbon steel Inorganic materials 0.000 description 1
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 1
- 229910000742 Microalloyed steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于数字孪生的热轧钢卷端面质量管控***及方法,包括:孪生模型构建模块,该模块针对热轧钢卷生产进行虚拟模型的构建;实时数据采集与图像获取模块,该模块通过配置的数据接口实时采集生产时的相关参数,通过工业相机获取钢卷端面图片,并对图片预处理;质量判别模块,该模块通过深度学习方法分类识别缺陷,基于一种钢卷端面质量分级判定方法对钢卷进行分级判定,分拣出质量不合格的钢卷;质量诊断模块,该模块对质量不合格的钢卷进行原因分析,确定改进方案,并应用到生产车间生产,获取数据后进行复检,实现对钢卷质量的闭环控制。本发明提供了一种热轧钢卷端面质量管控的新途径,以实现效率的提升。
Description
技术领域
本发明涉及数字孪生以及计算机科学领域,具体涉及一种基于数字孪生的热轧钢卷端面质量管控***及方法。
背景技术
热轧钢卷作为钢铁工业主要产品之一,已成为机械制造、化工、航空航天和造船等工业不可缺少的原材料,其质量的优劣直接影响最终产品性能和质量。端面质量是热轧钢卷最重要的指标之一,在卷取过程中受原材料、加工设备和加工工艺等影响,会出现不同程度的花纹边、边损、毛刺、折叠、边裂等缺陷,因此如何快速准确发现缺陷并对其进行综合评估,优化生产参数,防止缺陷的再次产生,这是钢卷质量管控亟需解决的一个重要问题。传统钢卷质量管控只是局限于对钢卷缺陷的检测,至于缺陷管理、缺陷后如何改进是没有及时解决的。为此,本发明基于数字孪生模型,提出了一种钢卷端面质量管控方法,以期实现对热轧钢卷质量数据的在线管理、诊断及分析,该方法建立了与物理实体高度仿真的数字孪生模型,通过物理空间与虚拟空间的交互,在数字领域对模型进行各种高仿真操作,以模拟和评估其行为并基于仿真结果作出决策,解决问题。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种基于数字孪生的热轧钢卷端面质量管控***及方法,基于数字孪生模型,实现对热轧钢卷质量的有效管控,以实现效率的大大提升。
本发明的技术方案:一种基于数字孪生的热轧钢卷端面质量管控***,包括:孪生模型构建模块、实时数据采集与图像获取模块、质量判别模块和质量诊断模块;
孪生模型构建模块,针对热轧钢卷生产进行虚拟模型的构建;
实时数据采集与图像获取模块,通过配置的数据接口实时采集生产时的相关参数,将获取到的数据载入孪生模型中,辅助构建虚拟模型,通过工业相机获取钢卷端面图片,并对所述图片预处理,作为判别的数据集;
质量判别模块,根据预处理后得到的数据集,通过深度学习方法完成缺陷的分类识别,基于一种钢卷端面质量分级判定方法对钢卷进行分级判定,完成钢卷的质量分类,然后分拣出质量不合格的钢卷;
质量诊断模块,根据分拣出的质量不合格钢卷完成钢卷质量的维护诊断。对质量不合格的钢卷进行原因分析,确定改进方案,并应用到生产车间生产,获取数据后进行复检,实现对钢卷质量的闭环控制。
所述孪生模型构建实现如下:
①几何模型绘制,通过获取钢卷几何尺寸、缺陷特征、运动特征、结构特征这四部分信息,建立热轧钢卷的几何模型,体现其形状、尺寸、结构组成及装配关系;
②物理属性仿真,对钢卷进行网格划分,对钢卷生产过程中表面压力值变化、强度变化、不同位置的受热情况、压力变化进行模拟和刻画,并通过图表和数值表现出具体的物理量变化;
③行为模型建立,选择某一轧制过程,获取工艺曲线,根据工艺曲线得到该过程的温度变化、轧制速度、轧制宽度厚度等情况,将数据导入模型中进行模拟;
④规则模型添加,添加热轧钢卷质量管控的相关规则,包括基于历史关联数据的规律规则、热轧***运行规则、钢卷端面质量标准以及钢卷知识库。
所述实时数据采集与图像获取模块实现如下:
(1)使用数据采集接口,通过与热轧***、企业资源计划***等进行通讯,获取钢卷热轧生产过程的实时数据;
(2)图像获取是通过工业相机,在热轧过程的卷取工序后设置拍摄点,获取钢卷端面的图像数据,每个钢卷采集不同位置角度的16张图片;
(3)对采集到的图像,进行扫描、拟合、漫水填充等预处理,剔除背景和加强缺陷特征。
所述质量判别模块实现如下:
(1)对采集到的一批钢卷端面图片,进行预处理操作后,采用基于深度学习方法构建好的缺陷识别模型对图片的端面缺陷进行识别,获取该图片存在的端面缺陷;
(2)基于一种钢卷端面质量分级判定方法,确定待检测钢卷的钢卷等级;基于钢卷等级与标准质量等级之间的对应关系,确定其标准质量等级,分拣出质量不合格的钢卷进行下一步的质量诊断;
所述一种钢卷端面质量分级判定方法如下:
①每个钢卷从不同的位置角度采集16张图片,通过构建的缺陷识别模型对端面缺陷进行识别,获取每张图片存在的端面缺陷,根据缺陷的严重程度对每种缺陷进行评级,如1级边损、2级边裂等,获得每张图片存在的等级缺陷;
②针对每个等级缺陷,根据每张图片中出现该等级缺陷的个数,确定每张图片针对该等级缺陷的评估等级以及该评估等级对应的权重,进而确定每个等级缺陷对应的钢卷等级;
③基于所述每个等级缺陷对应的钢卷等级,确定每个钢卷等级对应的权重,确定所检测钢卷的钢卷等级。
所述质量诊断模块实现如下:
(1)统计质量不合格钢卷的缺陷信息,包括钢卷号、缺陷类型、缺陷图片、缺陷位置信息;
(2)通过对比工艺生产时获取的实际数据和虚拟空间模拟生产中的仿真数据,发现数据之间的异常,实现精准定位,找出原因;
(3)基于确定出的原因,对工艺生产中的参数进行适当调整,在虚拟空间中模拟生产,获取虚拟空间生产后得到的钢卷数据,从机械性能、表面外观、尺寸精度三个方面判断钢卷质量,若符合要求则将改进方案确定下来,应用到物理生产车间进行生产,同时对该生产过程实行同步监控,获取数据进行复检,质量合格则根据改进方案批量生产,质量不合格则继续管控。
本发明的一种基于数字孪生的热轧钢卷端面质量管控方法,包括如下步骤:
步骤(1)孪生模型构建,根据热轧钢卷物理空间几何参数、材料属性构建高保真模型,利用环境参数、位置参数等离线数据构造超写实仿真环境,根据运行数据、动态参数等在线数据完成高逼真行为仿真,具体实现如下:
①几何模型绘制,通过获取钢卷几何尺寸、缺陷特征、运动特征、结构特征这四部分信息,建立热轧钢卷的几何模型,体现其形状、尺寸、结构组成及装配关系;
②物理属性仿真,对钢卷进行网格划分,对钢卷生产过程中表面压力值变化、强度变化、不同位置的受热情况、压力变化进行模拟和刻画,并通过图表和数值表现出具体的物理量变化;
③行为模型建立,选择某一轧制过程,获取工艺曲线,根据工艺曲线得到该过程的温度变化、轧制速度、轧制宽度厚度等情况,将数据导入模型中进行模拟;
④规则模型添加,添加热轧钢卷质量管控的相关规则,包括基于历史关联数据的规律规则、热轧***运行规则、钢卷端面质量标准以及钢卷知识库;
步骤(2)实时数据采集与图像获取,基于采集装置获取生产实时数据,载入孪生模型中辅助构建虚拟模型,对采集的图片进行预处理,作为判别的数据集,具体实现如下:
①使用数据采集接口,通过与热轧***、企业资源计划***等进行通讯,获取钢卷热轧生产过程的实时数据;
②图像获取是通过工业相机,在热轧过程的卷取工序后设置拍摄点,获取钢卷端面的图像数据,每个钢卷采集不同位置角度的16张图片;
③对采集到的图像,进行扫描、拟合、漫水填充等预处理,剔除背景和加强缺陷特征;
步骤(3)质量判别,根据预处理后得到的数据集,通过深度学习方法完成缺陷的分类识别,通过一种质量分级判定方法完成钢卷质量分类,具体实现如下:
①对采集到的一批钢卷端面图片,进行预处理操作后,采用基于深度学习方法构建好的缺陷识别模型对图片的端面缺陷进行识别,获取该图片存在的端面缺陷;
②基于一种钢卷端面质量分级判定方法,确定待检测钢卷的钢卷等级,基于钢卷等级与标准质量等级之间的对应关系,确定其标准质量等级,分拣出质量不合格的钢卷进行下一步的质量诊断;
步骤(4)质量诊断,根据分拣出的质量不合格钢卷完成钢卷质量的维护诊断,具体实现如下:
①统计质量不合格钢卷的缺陷信息,包括钢卷号、缺陷类型、缺陷图片、缺陷位置等信息;
②通过对比工艺生产时获取的实际数据和虚拟空间模拟生产中的仿真数据,发现数据之间的异常,实现精准定位,找出原因;
③基于确定出的原因,对工艺生产中的参数进行适当调整,在虚拟空间中模拟生产,获取虚拟空间生产后得到的钢卷数据,从机械性能、表面外观、尺寸精度三个方面判断钢卷质量,若符合要求则将改进方案确定下来,应用到物理生产车间进行生产,同时对该生产过程实行同步监控,获取数据进行复检,质量合格则可根据改进方案批量生产,质量不合格则继续管控。
本发明与现有技术相比优点在于:
(1)实现了全方位功能服务。目前钢卷质量管控只针对钢卷缺陷的检测,缺乏对钢卷质量的综合管理,本发明将钢卷端面质量管控与数字孪生结合,利用高保真数字孪生仿真模型模拟热轧钢卷的生产行为,实现了实时汇数据、智能找问题、精准找对策的全过程;
(2)提供了一种在线控制和反馈方法,通过构建热轧钢卷端面缺陷的数字孪生模型,对钢卷生产行为进行仿真,根据仿真数据可完成原因的追溯和改进方案的确定,能够及时发现问题,解决问题,提高了钢卷质量维护管理效率。
附图说明
图1为本发明的方法框图具体实施方式。
具体实施方式
下面结合附图对本发明作进一步详细的描述。
步骤(1)孪生模型构建,根据热轧钢卷物理空间几何参数、材料属性构建其高保真模型,利用环境参数、位置参数等离线数据构造超写实仿真环境,根据运行数据、动态参数等在线数据完成高逼真行为仿真,具体实现如下:
①几何模型绘制,通过获取钢卷几何尺寸、缺陷特征、运动特征、结构特征这四部分信息,建立热轧钢卷的几何模型,体现其形状、尺寸、结构组成及装配关系;
②物理属性仿真,对钢卷进行网格划分,对钢卷生产过程中表面压力值变化、强度变化、不同位置的受热情况、压力变化进行模拟和刻画,并通过图表和数值表现出具体的物理量变化;
③行为模型建立,选择某一轧制过程,获取工艺曲线,根据工艺曲线得到该过程的温度变化、轧制速度、轧制宽度厚度等情况,将数据导入模型中进行模拟;
④规则模型添加,添加热轧钢卷质量管控的相关规则,包括基于历史关联数据的规律规则、热轧***运行规则、钢卷端面质量标准以及钢卷知识库;
步骤(2)实时数据采集与图像获取,基于采集装置获取生产实时数据,载入孪生模型中辅助构建虚拟模型,对采集的图片进行预处理,作为判别的数据集,具体实现如下:
①使用数据采集接口,通过与热轧***、企业资源计划***等进行通讯,获取钢卷热轧生产过程的实时数据,包括精轧进口温度TS、终轧温度TE、卷曲温度TJ、板坯加热温度TB、加热时间t、轧制宽度L、轧制厚度B、轧制速度VZ、卷曲速度VJ;
②图像获取是通过工业相机,在热轧过程的卷取工序后设置拍摄点,获取钢卷端面的图像数据,每个钢卷采集不同位置角度的16张图片;
③对采集到的图像,进行扫描、拟合、漫水填充等预处理,剔除背景和加强缺陷特征,设定图像的分割参数,将矩阵对应区域标识为清晰、过渡、模糊区域,建立基于清晰度的选区模版分割模板,清晰、过渡、模糊区域分别采用原始图和填充背景色,并进一步计算多级清晰度,缩小选区范围至16x16像素,形成选区模版数据源;
步骤(3)质量判别,根据预处理后得到的数据集,通过深度学习方法完成缺陷的分类识别,通过一种质量分级判定方法完成钢卷质量分类,具体实现如下:
①对采集到的一批钢卷端面图片,通过深度神经网络对其进行逐层切片,放大图片局部信息和缺陷特征,对每层缺陷特征进行提取,基于深度学习方法设计与开发的缺陷识别***,该***利用构建好的训练模型对这一批钢卷端面图片进行缺陷检测,通过分析塔型、边损、折叠、毛刺等典型缺陷的纹理特征和频谱信息,设计对应识别算法,完成缺陷的精准分类识别与快速标记,在图片上标记出每处缺陷信息,指明缺陷位置,可视化形式展现;
②基于一种钢卷端面质量分级判定方法,确定待检测钢卷的钢卷等级,基于钢卷等级与标准质量等级之间的对应关系,确定其标准质量等级,分拣出质量不合格的钢卷进行下一步的质量诊断;
步骤(4)质量诊断,根据分拣出的质量不合格钢卷完成钢卷质量的维护诊断,具体实现如下:
①对于质量不合格的钢卷,记录其缺陷识别结果,包括钢卷号、缺陷类型、缺陷图片、缺陷位置、缺陷特征、缺陷等级等信息,建立花纹边、边损、毛刺、折叠、边裂这五种缺陷数据库,将图片按照缺陷类型存储到对应的库中,有利于后期缺陷原因查找,表1显示了不合格钢卷的缺陷识别结果;
表1
时间 | 钢卷号 | 缺陷图片 | 缺陷位置 | 缺陷类型 | 缺陷特征 | 缺陷等级 |
xx.xx.xx | 001-1 | |||||
xx.xx.xx | 001-2 | |||||
xx.xx.xx | 001-3 | |||||
xx.xx.xx | 001-4 | |||||
xx.xx.xx | 001-5 |
②基于数字孪生的智能车间,运用仿真模拟物理车间生产过程,真实还原每一步工序,获取虚拟车间中钢卷模拟生产得到的仿真数据,通过与物理车间工艺生产时获取的实际数据对比,借助虚实对照,实现流程差异反馈和历史环节追溯,分析每道工序中钢卷各部分受力情况以及受热情况,可以快速发现数据之间的异常,以实现原因的精准定位,表2显示了实际数据与仿真数据的比较;
表2
实际数据 | 仿真数据 | |
精轧进口温度TS | * | * |
终轧温度TE | * | * |
卷曲温度TJ | * | * |
板坯加热温度TB | * | * |
加热时间t | * | * |
轧制宽度L | * | * |
轧制厚度B | * | * |
轧制速度VZ | * | * |
卷曲速度VJ | * | * |
③基于分析得到的原因,有针对性地对工艺生产中的参数进行正常范围内的调整,并在虚拟车间中进行模拟测试生产,获取模拟生产后钢卷的具体数据,判断是否处在预设值正常范围内;
具体的,针对钢卷质量的判断,主要从机械性能、表面外观、尺寸精度三个方面判断,以机械性能为例,机械性能涉及强度和韧性,通过屈服强度(YS)、抗拉强度(TS)和延伸率(EL)来表征,考虑钢厂中生产量最大的几种钢种,包括低碳钢、高碳钢、微合金钢,其屈服强度在250-700Mpa,抗拉强度在320-920Mpa,对不同钢种设定一预设值,屈服强度和抗拉强度正常范围是±20Mpa,延伸率为±5%,正常范围确定后,获取虚拟车间模拟生产的钢卷的YS、TS、EL,判断是否在预设值正常范围内,若符合要求则将改进方案确定下来,应用到物理生产车间进行生产,同时对该生产过程实行同步监控,获取数据进行复检,质量合格则可根据改进方案批量生产,并将原因和对应的解决方案记录在知识库中,质量不合格则继续管控;
进一步的,步骤(3)中所述的一种钢卷端面质量分级判定方法,包括:
①每个钢卷从不同的位置角度采集16张图片,通过构建的缺陷识别模型对端面缺陷进行识别,获取每张图片存在的端面缺陷,根据缺陷的严重程度对每种缺陷进行评级,比如,共设3个等级,分别是1,2,3级,严重程度由轻到重,即1级为轻度、2级为中度、3级为重度。假设以边裂这个缺陷为例,L表示边部裂口数量(个),H表示裂口深度(mm),1级定义为L不超过10或H不超过10mm,进而,通过这样的方式,就可以确定每张图片中存在的等级缺陷,如该钢卷的第1张图片中存在3级花纹边等;
②基于每张图片存在的等级缺陷,确定每个等级缺陷对应的钢卷等级,具体实现如下:根据每张图片出现该等级缺陷的个数,确定每张图片针对该等级缺陷的评估等级,根据缺陷严重程度设置评估等级对应的权重,进而可以确定每个等级缺陷对应的钢卷等级;具体来说,计算不同等级缺陷对应的钢卷等级,需要确定每张图片针对该等级缺陷的评估等级,下表显示的是某等级端面缺陷出现的次数以及不同次数对应的评估等级,具体如下表3,需要说明的是,表中所述的数字代表一张图片中的某等级缺陷个数,比如3级花纹边,一张图片中出现1-5个,表示该图片对它的评估等级为1;
表3
进一步的,基于每张图片对每个等级缺陷的评估等级以及设置的每个评估等级对应的权重,采用加权平均法,可确定每个等级缺陷的钢卷等级。以2级花纹边这个缺陷为例,图片1对它的评估等级为A1,A1对应的权重为B1,以此类推,图片N对它的评估等级为AN,AN对应的权重为BN,每个钢卷共16张图,根据公式可确定2级花纹边的钢卷等级,2级花纹边的钢卷等级=(A1×B1+A2×B2+……+AN×BN)/(B1+B2+……+BN),如果计算结果包含小数,可四舍五入成整数;
③在得到不同等级缺陷对应的钢卷等级后,继续采用加权平均法确定整体钢卷等级,预先设置不同钢卷等级对应的权重,根据整个钢卷包含哪些等级缺陷,确定整体钢卷等级,具体如下:
整个钢卷包括:C1等级缺陷D1,该缺陷的钢卷等级为X1,X1对应的权重为Y1,以此类推,CN等级缺陷DN,该缺陷的钢卷等级为XN,XN对应的权重为YN,则待检测钢卷的整体钢卷等级=(X1×Y1+X2×Y2+……+XN×YN)/(Y1+Y2+……+YN),出现小数直接四舍五入成整数;
基于整体钢卷等级,根据等级与钢卷标准质量之间的对应关系,即可确定待检测钢卷的质量,对应关系如表4所示;
表4
当出现不合格钢卷时,发出红色报警信号,并及时分拣出进行诊断,等级1-4的钢卷,发出绿色信号,表示质量通过。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于数字孪生的热轧钢卷端面质量管控***,其特征在于,包括:孪生模型构建模块、实时数据采集与图像获取模块、质量判别模块和质量诊断模块;
孪生模型构建模块,针对热轧钢卷生产进行虚拟模型的构建;
实时数据采集与图像获取模块,通过配置的数据接口实时采集生产时的相关参数,将获取到的数据载入孪生模型中,辅助构建虚拟模型,通过工业相机获取钢卷端面图片,并对所述图片预处理,作为判别的数据集;
质量判别模块,根据预处理后得到的数据集,通过深度学习方法完成缺陷的分类识别,基于一种钢卷端面质量分级判定方法对钢卷进行分级判定,完成钢卷的质量分类,然后分拣出质量不合格的钢卷;
质量诊断模块,根据分拣出的质量不合格钢卷完成钢卷质量的维护诊断,对质量不合格的钢卷进行原因分析,确定改进方案,并应用到生产车间生产,获取数据后进行复检,实现对钢卷质量的闭环控制;
所述孪生模型构建实现如下:
①几何模型绘制,通过获取钢卷几何尺寸、缺陷特征、运动特征、结构特征这四部分信息,建立热轧钢卷的几何模型,体现其形状、尺寸、结构组成及装配关系;
②物理属性仿真,对钢卷进行网格划分,对钢卷生产过程中表面压力值变化、强度变化、不同位置的受热情况、压力变化进行模拟和刻画,并通过图表和数值表现出具体的物理量变化;
③行为模型建立,选择某一轧制过程,获取工艺曲线,根据工艺曲线得到该过程的温度变化、轧制速度、轧制宽度厚度情况,将数据导入模型中进行模拟;
④规则模型添加,添加热轧钢卷质量管控的相关规则,包括基于历史关联数据的规律规则、热轧***运行规则、钢卷端面质量标准以及钢卷知识库;
所述实时数据采集与图像获取模块实现如下:
(1)使用数据采集接口,通过与热轧***、企业资源计划***等进行通讯,获取钢卷热轧生产过程的实时数据;
(2)图像获取是通过工业相机,在热轧过程的卷取工序后设置拍摄点,获取钢卷端面的图像数据,每个钢卷采集不同位置角度的 16 张图片;
(3)对采集到的图像,进行扫描、拟合、漫水填充等预处理,剔除背景和加强缺陷特征;
所述质量判别模块实现如下:
(1)对采集到的一批钢卷端面图片,进行预处理操作后,采用基于深度学习方法构建好的缺陷识别模型对图片的端面缺陷进行识别,获取该图片存在的端面缺陷;
(2)基于一种钢卷端面质量分级判定方法,确定待检测钢卷的钢卷等级;基于钢卷等级与标准质量等级之间的对应关系,确定其标准质量等级,分拣出质量不合格的钢卷进行下一步的质量诊断;
所述一种钢卷端面质量分级判定方法如下:
①每个钢卷从不同的位置角度采集 16 张图片,通过构建的缺陷识别模型对端面缺陷进行识别,获取每张图片存在的端面缺陷,根据缺陷的严重程度对每种缺陷进行评级,严重程度由轻到重,获得每张图片存在的等级缺陷;
②针对每个等级缺陷,根据每张图片中出现该等级缺陷的个数,确定每张图片针对该等级缺陷的评估等级以及该评估等级对应的权重,进而确定每个等级缺陷对应的钢卷等级;
③基于所述每个等级缺陷对应的钢卷等级,确定每个钢卷等级对应的权重,确定所检测钢卷的钢卷等级;
所述质量诊断模块实现如下:
(1)统计质量不合格钢卷的缺陷信息,包括钢卷号、缺陷类型、缺陷图片、缺陷位置信息;
(2)通过对比工艺生产时获取的实际数据和虚拟空间模拟生产中的仿真数据,发现数据之间的异常,实现精准定位,找出原因;
(3)基于确定出的原因,对工艺生产中的参数进行适当调整,在虚拟空间中模拟生产,获取虚拟空间生产后得到的钢卷数据,从机械性能、表面外观、尺寸精度三个方面判断钢卷质量,若符合要求则将改进方案确定下来,应用到物理生产车间进行生产,同时对该生产过程实行同步监控,获取数据进行复检,质量合格则根据改进方案批量生产,质量不合格则继续管控。
2.一种基于数字孪生的热轧钢卷端面质量管控方法,其特征在于,包括如下步骤:
步骤(1)孪生模型构建,根据热轧钢卷物理空间几何参数、材料属性构建高保真模型,利用环境参数、位置参数离线数据构造超写实仿真环境,根据运行数据、动态参数在线数据完成高逼真行为仿真,具体实现如下:
①几何模型绘制,通过获取钢卷几何尺寸、缺陷特征、运动特征、结构特征这四部分信息,建立热轧钢卷的几何模型,体现其形状、尺寸、结构组成及装配关系;
②物理属性仿真,对钢卷进行网格划分,对钢卷生产过程中表面压力值变化、强度变化、不同位置的受热情况、压力变化进行模拟和刻画,并通过图表和数值表现出具体的物理量变化;
③行为模型建立,选择某一轧制过程,获取工艺曲线,根据工艺曲线得到该过程的温度变化、轧制速度、轧制宽度厚度等情况,将数据导入模型中进行模拟;
④规则模型添加,添加热轧钢卷质量管控的相关规则,包括基于历史关联数据的规律规则、热轧***运行规则、钢卷端面质量标准以及钢卷知识库;
步骤(2)实时数据采集与图像获取,基于采集装置获取生产实时数据,载入孪生模型中辅助构建虚拟模型,对采集的图片进行预处理,作为判别的数据集,具体实现如下:
①使用数据采集接口,通过与热轧***、企业资源计划***等进行通讯,获取钢卷热轧生产过程的实时数据;
②图像获取是通过工业相机,在热轧过程的卷取工序后设置拍摄点,获取钢卷端面的图像数据,每个钢卷采集不同位置角度的 16 张图片;
③对采集到的图像,进行扫描、拟合、漫水填充等预处理,剔除背景和加强缺陷特征;
步骤(3)质量判别,根据预处理后得到的数据集,通过深度学习方法完成缺陷的分类识别,通过一种质量分级判定方法完成钢卷质量分类,具体实现如下:
①对采集到的一批钢卷端面图片,进行预处理操作后,采用基于深度学习方法构建好的缺陷识别模型对图片的端面缺陷进行识别,获取该图片存在的端面缺陷;
②基于一种钢卷端面质量分级判定方法,确定待检测钢卷的钢卷等级,基于钢卷等级与标准质量等级之间的对应关系,确定其标准质量等级,分拣出质量不合格的钢卷进行下一步的质量诊断;
步骤(4)质量诊断,根据分拣出的质量不合格钢卷完成钢卷质量的维护诊断,具体实现如下:
①统计质量不合格钢卷的缺陷信息,包括钢卷号、缺陷类型、缺陷图片、缺陷位置等信息;
②通过对比工艺生产时获取的实际数据和虚拟空间模拟生产中的仿真数据,发现数据之间的异常,实现精准定位,找出原因;
③基于确定出的原因,对工艺生产中的参数进行适当调整,在虚拟空间中模拟生产,获取虚拟空间生产后得到的钢卷数据,从机械性能、表面外观、尺寸精度三个方面判断钢卷质量,若符合要求则将改进方案确定下来,应用到物理生产车间进行生产,同时对该生产过程实行同步监控,获取数据进行复检,质量合格则可根据改进方案批量生产,质量不合格则继续管控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210233179.XA CN114565314B (zh) | 2022-03-09 | 2022-03-09 | 一种基于数字孪生的热轧钢卷端面质量管控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210233179.XA CN114565314B (zh) | 2022-03-09 | 2022-03-09 | 一种基于数字孪生的热轧钢卷端面质量管控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565314A CN114565314A (zh) | 2022-05-31 |
CN114565314B true CN114565314B (zh) | 2024-06-18 |
Family
ID=81717915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210233179.XA Active CN114565314B (zh) | 2022-03-09 | 2022-03-09 | 一种基于数字孪生的热轧钢卷端面质量管控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565314B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115055385B (zh) * | 2022-06-09 | 2024-03-22 | 黄冈师范学院 | 机器视觉片材瑕疵自动剔除方法 |
CN115795983A (zh) * | 2023-01-29 | 2023-03-14 | 江苏沙钢集团有限公司 | 线材质量控制方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013109915B4 (de) * | 2013-09-10 | 2015-04-02 | Thyssenkrupp Steel Europe Ag | Verfahren und Vorrichtung zur Überprüfung eines Inspektionssystems zur Erkennung von Oberflächendefekten |
CN110889238B (zh) * | 2019-12-06 | 2021-06-15 | 北京航空航天大学 | 一种数字孪生驱动的热压罐管控*** |
CN111338300B (zh) * | 2020-02-27 | 2020-11-06 | 广东工业大学 | 生产线基于数字孪生的物理仿真方法及其*** |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估***及方法 |
CN113373295B (zh) * | 2021-04-22 | 2022-11-25 | 上海孟伯智能物联网科技有限公司 | 基于多层感知器的退火炉数字孪生智慧报警***及方法 |
CN113930600B (zh) * | 2021-10-12 | 2022-09-06 | 大连理工大学 | 一种基于数字孪生技术的罩式炉退火过程监测及控制方法 |
-
2022
- 2022-03-09 CN CN202210233179.XA patent/CN114565314B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于深度学习模型识别热轧钢卷边部缺陷的探索;张振宇;陈晓波;;冶金自动化;20190516(03);全文 * |
基于深度学习的钢卷端面缺陷检测***设计;张雪荣;《计算机集成制造***》;20220308;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114565314A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565314B (zh) | 一种基于数字孪生的热轧钢卷端面质量管控***及方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
Jiang et al. | A machine vision-based realtime anomaly detection method for industrial products using deep learning | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN114066820A (zh) | 一种基于Swin-Transformer与NAS-FPN的织物疵点检测方法 | |
CN112017204A (zh) | 一种基于边缘标记图神经网络的刀具状态图像分类方法 | |
CN112231971B (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
CN114445397A (zh) | 一种基于浅层神经网络的带钢缺陷检测方法 | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和*** | |
CN116698642A (zh) | 一种汽修工具生产用的工作站控制方法及*** | |
CN110378433A (zh) | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 | |
CN117409005B (zh) | 基于图像的收板机用不良品检测***及方法 | |
CN112559591B (zh) | 一种用于冷轧辊制造过程的离群检测***及其检测方法 | |
CN115830403B (zh) | 一种基于深度学习的自动缺陷分类***及方法 | |
CN117392450A (zh) | 一种基于进化多尺度特征学习的钢铁材料质量解析方法 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及*** | |
Minhas et al. | Defect Detection using Deep Learning from Minimal Annotations. | |
CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及*** | |
CN114757916A (zh) | 基于特征提取和bp网络的工业ct图像缺陷分类方法 | |
Feng et al. | A method for surface detect classification of hot rolled strip steel based on Xception | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别***及方法 | |
CN113902695A (zh) | 一种针对色织物裁片缺陷区域的检测方法 | |
CN113704073A (zh) | 一种汽车维修记录库异常数据的检测方法 | |
CN108133261B (zh) | 基于bp神经网络的汽车胶管芯轴质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |