درک رولینگ تحمل

تحمل رولینگ انحراف مجاز در ابعادی مانند ضخامت، عرض و تخت بودن نوار فلزی یا صفحه تولید شده در طول فرآیند نورد را تعریف می کند، این تحمل ها بسیار مهم هستند زیرا حتی انحرافات جزئی می تواند منجر به شکست محصول، افزایش نرخ های ضایعات، یا نیاز به مراحل پردازش اضافی شود.

از لحاظ تاریخی، اپراتورهای به اندازه گیری های دستی و کنترل کننده های ساده متناسب - فعال (PID) برای تنظیم شکاف رول و تنش متکی هستند، در حالی که کنترل کننده های PID هنوز به طور گسترده ای مورد استفاده قرار می گیرند، آنها تلاش می کنند تا دینامیک پیچیده، غیر خطی از یک کارخانه مدرن را کنترل کنند.

نقش الگوریتم های کنترل پیشرفته

الگوریتم های کنترل پیشرفته از داده های سنسور زمان واقعی و مدل های ریاضی برای تنظیم پویا پارامترهای فرایند کلیدی مانند شکاف رول، سرعت رول و روانکاری استفاده می کنند. برخلاف کنترلرهای سنتی، این الگوریتم ها می توانند انحراف های آینده را پیش بینی کرده و به طور فعال عمل کنند، به طور قابل توجهی بهبود دقت و سازگاری بعدی در زیر ما انواع اولیه الگوریتم های پیشرفته را که در چرخش دقیق به کار می روند، بررسی می کنیم.

کنترل پیش بینی مدل (MPC)

MPC از یک مدل ریاضی از فرآیند نورد برای پیش بینی رفتار آینده در یک افق زمانی محدود استفاده می کند (به عنوان مثال، حداکثر نیروی کنترل)، این مشکل بهینه سازی را برای تعیین بهترین مجموعه حرکت های محرک که انحراف های کلی از ضخامت هدف را به حداقل می رساند، حل می کند (به عنوان مثال، حداکثر نیروی پیش بینی) به ویژه در کنار آسیاب های سرد، که در آن تنش بین المللی و ضخامت هماهنگ شده است.[۱۰]

کنترل تطبیقی Adaptive Control

الگوریتم های کنترل تطبیقی به طور مداوم پارامترهای کنترل کننده را بر اساس شناسایی زمان واقعی دینامیک فرآیند تنظیم می کنند.در نورد، خواص مواد می توانند به دلیل ترکیب آلیاژی، گرادیان دما یا سخت شدن کار تغییر دهند.کنترل های سازگار مانند کنترل انطباق مدل (MRAC) یا تنظیم کننده های خود، به طور خودکار برای حفظ عملکرد بهینه، این به ویژه در برنامه های برگشت سریع تر کار می کند.

کنترل منطق فازی

کنترل کننده های منطق فازی از قوانین زبانی استفاده می کنند (به عنوان مثال، اگر خطای ضخامت بزرگ و در حال افزایش باشد، پس شکاف رول را به سرعت کاهش می دهد) تا داده های سنسور بی صدا یا بی سروصدا را کنترل کنند، آنها قوی هستند تا غیر خطیب را پردازش کنند و می توانند تجربه اپراتور را در فویل آلومینیوم ترکیب کنند، که ضخامت می تواند به اندازه چند میکرون نازک باشد، سیستم های منطق فازی به مدیریت پیچیده تنش و کنترل دقیق آن کمک می کنند.

هوش مصنوعی و یادگیری ماشین

AI و ML جدیدترین مرز در کنترل کارخانه نورد هستند.شبکه های عصبی می توانند روابط پیچیده ای را از داده های تاریخی یاد بگیرند، پیش بینی خواص نوار (به عنوان مثال، قدرت مکانیکی، مسطح) و حتی توصیه می کنند که مدل های یادگیری تقویت کننده سریع را می توان آموزش داد تا زباله ها را از طریق شبیه سازی آزمایشی و تروریسم به حداقل برساند.

مزایای استفاده از الگوریتم های کنترل پیشرفته

پذیرش الگوریتم های کنترل پیشرفته، پیشرفت های قابل اندازه گیری را در چندین شاخص عملکرد کلیدی به دست می آورد:

  • دقت دقیق - ضخامت هدف و شکل به طور مداوم، اغلب در 1-2٪ از اسمی، قادر به تولید محصولات با کیفیت بالاتر برای درخواست برنامه های کاربردی مانند باتری لیتیوم یون یا فولاد عمیق است.
  • ضایعات مواد خام - با به حداقل رساندن مواد دور و پراکنده در سر و انتهای کویل، فرآیندها می توانند بهبود عملکرد 5 تا 5٪، به طور مستقیم کاهش هزینه های مواد خام.
  • ] صرفه جویی در انرژی - کنترل بهینه سرعت رول و نیرو بارهای حرکتی غیر ضروری را کاهش می دهد و می تواند مصرف انرژی را تا 10٪ در برخی از تاسیسات کاهش دهد.
  • سازگاری بهبود یافته - Batches تحمل تنگ از کویل به کویل، که برای فرآیندهای پایین جریان مانند مهر زدن یا جوشکاری حیاتی است، که در آن تغییرات می تواند باعث سایش ابزار یا نقص های مفصل شود.
  • [FLT: 1 ] قابلیت بهره برداری از تغییرات مواد [FLT 1 ] - الگوریتم ها به طور یکپارچه به تغییرات در سختی نوار ورودی، عرض یا دما پاسخ می دهند، کاهش نیاز به تنظیمات دستی و مداخله اپراتور.

این مزایا به بهره وری بالاتر، هزینه های عملیاتی پایین تر و افزایش رقابت برای تولید کنندگان محصول رول تبدیل می شود.

چالش های اجرایی و راه حل ها

علی رغم مزایای روشن، پیاده سازی الگوریتم های کنترل پیشرفته نیازمند برنامه ریزی دقیق و سرمایه گذاری است.در زیر چالش های اولیه و استراتژی های غلبه بر آنها است.

سنسورها و Data Acquisition

الگوریتم های پیشرفته به اندازه گیری دقیق و با سرعت بالا از ضخامت، تنش، دما و شکل بستگی دارد. نصب سنج های لیزر، سنسورهای ضخامت اشعه ایکس و ارتفاع متر پروفایل می تواند گران باشد، به ویژه در آسیاب های قدیمی تر، بسیاری از سنسورهای مدرن در حال حاضر مقرون به صرفه هستند و رابط های دیجیتال را ارائه می دهند که ساده سازی یک کارخانه میراث ممکن است یک رویکرد فازd را با شروع از مهمترین نقاط اندازه گیری نیاز داشته باشد.

محاسبات و زیرساخت های نرم افزار

الگوریتم های MPC و AI خواستار قدرت محاسباتی قابل توجه در زمان واقعی هستند. رایانه های صنعتی با ارتباطات کم نسبت به کنترل کننده های منطقی برنامه ریزی شده (PLC) برای مدیریت پیچیدگی لازم هستند، بسیاری از شرکت ها سیستم عامل های کنترل تجاری (به عنوان مثال، زیمنس TIA یا اتوماسیون) را که شامل پشتیبانی داخلی از بلوک های کنترل پیشرفته است. - چارچوب های باز منبع مانند پایتون با Pyrch یا اجزای تولید مانند استفاده از آنها نیز باید برای محیط های تولید ML استفاده شوند.

ادغام با ماشین آلات موجود

جایگزینی یا اضافه کردن سیستم های کنترل بر روی یک کارخانه کاملا عملیاتی خطرات خرابی را نشان می دهد.یک راه حل مشترک این است که الگوریتم جدید را به طور موازی با کنترل کننده موجود اجرا کنید (به عنوان مثال، یک حالت زیر سایه) برای اعتباربخشی به عملکرد قبل از برش، همراه با شبیه سازی کامل و آموزش، اختلال تولید را به حداقل می رساند.

مهارت های نیروی کار

مهندسان و اپراتورهای کارخانه ممکن است فاقد تخصص در کنترل مبتنی بر مدل یا AI-محور.سرمایه گذاری در برنامه های آموزشی و متخصصان اتوماسیون استخدام ضروری است. برخی از فروشندگان سیستم های کلید بازگشتی را ارائه می دهند که پیچیدگی الگوریتمی را پشت رابط کاربر پسند پنهان می کنند، اما درک اصول اساسی برای عیب یابی مفید است.

برنامه های کاربردی و مطالعات موردی

الگوریتم های کنترل پیشرفته در حال حاضر در فولاد پیشرو و کارخانه های غیر آهنی مستقر شده اند. [۳] به عنوان مثال، یک تولید کننده بزرگ فولاد اروپا MPC را در یک کارخانه سرد دیگر پیاده سازی کرده و گزارش کرده است که کاهش ]35٪ در تقسیم بندی ضخامت مواد شیمیایی [FLT 1] و کاهش ۲۰٪ در شکستن نوار آلومینیوم، ترکیبی از کنترل دقیق و منطق فازی کمک می کند.

آینده چشم انداز آینده

مسیر الگوریتم های کنترل در نورد به طور جدی به سمت هوش و استقلال بیشتر است. ادغام دوقلوهای دیجیتال - با دقت بالا، تکرارهای مجازی زمان واقعی از کارخانه فیزیکی - اجازه می دهد تا اپراتورهای به شبیه سازی و بهینه سازی محصولات جدید به صورت آفلاین، سپس انتقال مسیر کنترل بهینه به طور مستقیم به کف کارخانه، علاوه، محاسبات لبه سرعت پردازش داده های سنسور را فعال می کند، در حالی که اتصال 5G می تواند از طریق سیستم های یادگیری استاندارد پشتیبانی کند، به عنوان یک سیستم کنترل دقیق و پردازش هوشمند، به عنوان یک سیستم عامل، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم انتقال مسیر کنترل ماشین های پردازش سیستم عامل پردازش داده های پردازش داده های پردازش هوشمند، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، به طور مستقیم، انتقال مسیر کنترل ماشین آلات پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش پردازش داده های پردازش پردازش پردازش پردازش پردازش پردازش پردازش داده های پردازش داده های هوشمند، به عنوان یک سیستم عامل پردازش پردازش داده های پردازش داده های پردازش پردازش پردازش پردازش پردازش پردازش داده های پردازش داده

در نتیجه، نقش الگوریتم های کنترل پیشرفته در دستیابی به تحمل دقیق مقیاس پذیری نمی تواند بیش از حد از MP2 و کنترل سازگار به منطق فازی و AI، این تکنولوژی ها تولید کنندگان را قادر می سازد تا مرزهای کیفیت و بهره وری را فشار دهند؛ در حالی که چالش های پیاده سازی وجود دارد، مزایای کاهش زباله، صرفه جویی انرژی و سازگاری محصول قابل توجه است، زیرا صنعت به طور کامل به عملیات های مستقل حرکت می کند. [۳]