Помощь студентам в учебе
Модернизация мехатронной системы участка транспортировки за чистовой группой клетей стана 2300 ПАО «ЧМК»
|
АННОТАЦИЯ 2
ВВЕДЕНИЕ 6
1 ОПИСАНИЕ И ПРИНЦИП РАБОТЫ МЕХАТРОННОЙ СИСТЕМЫ
УЧАСТКА ТРАНСПОРТИРОВКИ 8
1.1 Разогрев 8
1.2 Черновая обработка 10
1.3 Обрезка 11
1.4 Чистовая обработка 11
1.5 Плоскость и корона 12
1.6 Ламинарное охлаждение 13
1.7 Намотка 15
2 СУЩЕСТВУЮЩАЯ ПРОБЛЕМА. ЦЕЛЬ И ЗАДАЧИ МОДЕРНИЗАЦИИ 16
3 ТРЕБОВАНИЯ К МЕХАТРОННОЙ СИСТЕМЕ УЧАСТКА
ТРАНСПОРТИРОВКИ 18
4 ТЕХНИЧЕСКИЕ ПАРАМЕТРЫ, КИНЕМАТИЧЕСКАЯ, СТРУКТУРНАЯ И
ФУНКЦИОНАЛЬНАЯ СХЕМА МЕХАТРОННОЙ СИСТЕМЫ УЧАСТКА ТРАНСПОРТИРОВКИ 19
4.1 Технические характеристики механизма рольганга 19
4.2 Кинематическая схема участка транспортировки 20
4.3 Структурная схема электропривода рольганга 20
4.4 Функциональная схема 21
5 РАЗРАБОТКА ЭЛЕКТРОПРИВОДА РОЛЬГАНГА 23
5.1 Выбор и расчет электродвигателя 23
5.2 Выбор преобразователя частоты 31
5.3 Система управления объектом, расчет регуляторов 34
5.4 Расчёт параметров регулятора 36
5.5 Моделирование в MathLab Simulink 40
6 ТРЕБОВАНИЯ К ПРОЕКТИРУЕМОЙ СИСТЕМЕ РАСПОЗНАВАНИЯ
ДЕФЕКТОВ НА ПОВЕРХНОСТИ МЕТАЛЛА 42
7 РАЗРАБОТКА АЛГОРИТМА РАБОТЫ ПРОГРАММЫ ДЛЯ
РАСПОЗНАВАНИЯ ДЕФЕКТОВ НА ПОВЕРХНОСТИ МЕТАЛЛА 45
7.1 Обзор существующих алгоритмов машинного обучения 45
7.2 Свёрточная нейронная сеть (ConvNet / CNN) 48
7.3 Обзор существующих инструментов и библиотек для проектирования
компьютерного зрения 52
7.4 Алгоритм работы программы 55
7.5 Расчёт высоты камеры над поверхностью 61
8 РАЗРАБОТКА ПРОГРАММЫ ДЛЯ ЭВМ НА ЯЗЫКЕ
ПРОГРАММИРОВАНИЯ PYTHON 65
8.1 О Google Colab 65
8.2 Разработка свёрточной нейронной сети на Python в Google Colab 66
ЗАКЛЮЧЕНИЕ 85
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 87
ПРИЛОЖЕНИЕ А Листинг кода на Python в Google Colab 89
ВВЕДЕНИЕ 6
1 ОПИСАНИЕ И ПРИНЦИП РАБОТЫ МЕХАТРОННОЙ СИСТЕМЫ
УЧАСТКА ТРАНСПОРТИРОВКИ 8
1.1 Разогрев 8
1.2 Черновая обработка 10
1.3 Обрезка 11
1.4 Чистовая обработка 11
1.5 Плоскость и корона 12
1.6 Ламинарное охлаждение 13
1.7 Намотка 15
2 СУЩЕСТВУЮЩАЯ ПРОБЛЕМА. ЦЕЛЬ И ЗАДАЧИ МОДЕРНИЗАЦИИ 16
3 ТРЕБОВАНИЯ К МЕХАТРОННОЙ СИСТЕМЕ УЧАСТКА
ТРАНСПОРТИРОВКИ 18
4 ТЕХНИЧЕСКИЕ ПАРАМЕТРЫ, КИНЕМАТИЧЕСКАЯ, СТРУКТУРНАЯ И
ФУНКЦИОНАЛЬНАЯ СХЕМА МЕХАТРОННОЙ СИСТЕМЫ УЧАСТКА ТРАНСПОРТИРОВКИ 19
4.1 Технические характеристики механизма рольганга 19
4.2 Кинематическая схема участка транспортировки 20
4.3 Структурная схема электропривода рольганга 20
4.4 Функциональная схема 21
5 РАЗРАБОТКА ЭЛЕКТРОПРИВОДА РОЛЬГАНГА 23
5.1 Выбор и расчет электродвигателя 23
5.2 Выбор преобразователя частоты 31
5.3 Система управления объектом, расчет регуляторов 34
5.4 Расчёт параметров регулятора 36
5.5 Моделирование в MathLab Simulink 40
6 ТРЕБОВАНИЯ К ПРОЕКТИРУЕМОЙ СИСТЕМЕ РАСПОЗНАВАНИЯ
ДЕФЕКТОВ НА ПОВЕРХНОСТИ МЕТАЛЛА 42
7 РАЗРАБОТКА АЛГОРИТМА РАБОТЫ ПРОГРАММЫ ДЛЯ
РАСПОЗНАВАНИЯ ДЕФЕКТОВ НА ПОВЕРХНОСТИ МЕТАЛЛА 45
7.1 Обзор существующих алгоритмов машинного обучения 45
7.2 Свёрточная нейронная сеть (ConvNet / CNN) 48
7.3 Обзор существующих инструментов и библиотек для проектирования
компьютерного зрения 52
7.4 Алгоритм работы программы 55
7.5 Расчёт высоты камеры над поверхностью 61
8 РАЗРАБОТКА ПРОГРАММЫ ДЛЯ ЭВМ НА ЯЗЫКЕ
ПРОГРАММИРОВАНИЯ PYTHON 65
8.1 О Google Colab 65
8.2 Разработка свёрточной нейронной сети на Python в Google Colab 66
ЗАКЛЮЧЕНИЕ 85
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 87
ПРИЛОЖЕНИЕ А Листинг кода на Python в Google Colab 89
Прокатка является основным видом обработки металлов давлением. Около 75 процентов стали, выплавляемой на металлургических заводах, обрабатывается на прокатных станах и выпускается в виде готового проката: листов, сортовых профилей, труб и т.п.
В современных механизированных прокатных станах с поточным технологическим процессом обработки металла рольганги являются одним из наиболее распространенных вспомогательных механизмов, от которых в большой степени зависит производительность и бесперебойная работа прокатного стана в целом. Производительность прокатного стана может оказаться невысокой, если хотя бы один из его механизмов не в состоянии выполнить соответствующее количество операций в заданное время. К таковым относятся и транспортные рольганги.
Транспортными рольгангами называют все рольганги, установленные перед рабочей клетью и за ней и связывающие между собой, отдельные вспомогательные машины и устройства стана. На этапе транспортировки листопроката также производится визуальная проверка качества проката специалистами по качеству. Заменить визуальный контроль человека можно при помощи компьютерных технологий. В настоящее время компьютерные технологии являются неотъемлемой частью жизни практически всех окружающих нас людей. Компьютерные технологии стали более доступными и появились узкие сферы компьютерной деятельности, а также в индустрии 4.0.
Индустрия 4.0 - это создание «умной фабрики», производственной площадки, которая использует данные от различных типов датчиков и всех доступных источников для оптимизации процессов. Компьютерное зрение является частью комплексного подхода к интеллектуальному производству, который позволяет компьютерам и машинам «видеть» физический мир, позволяя им извлекать, обрабатывать и анализировать информацию из визуальных входов.
Рынок компьютерного зрения претерпевает неуклонную трансформацию, постоянно создавая новые решения и технологические достижения. Индустрия 4.0 еще больше выиграла от этой технологии во время пандемии, поскольку она широко используется для целей инвентаризации. В 2018 году мировой рынок компьютерного зрения составлял более 9,2 миллиарда долларов, а к 2025 году ожидается, что он превысит 13,0 миллиарда долларов. И Северная Америка, и Европа являются лидерами внедрения компьютерного зрения в производство и ряд других отраслей.
Наряду с растущим интересом к технологиям и ростом рынка компании уделяют больше внимания технологическим достижениям, которые предлагает искусственный интеллект. Согласно исследованию, компьютерное зрение - одна из наиболее широко используемых технологий. Его используют не менее 20 процентов компаний по всему миру.
Цель данной работы - модернизация существующей системы электропривода на более современную с последующим расчётом математической модели её моделированием в среде Matlab Simulink, а также реализация системы компьютерного зрения для повышения качества выпускаемой продукции.
Задачи:
- сформулировать требования к приводам мехатронной системы участка транспортировки;
- найти технические параметры модернизируемой системы, а также разработать кинематическую, структурную и функциональную схему мехатронной системы участка транспортировки;
- разработать новый электропривод рольганга с системой управления ПЧ-АД;
-сформулировать требования к проектируемой системе распознавания дефектов на поверхности металла;
- разработать алгоритм работы программы для распознавания дефектов на поверхности металла;
- разработать программу для ЭВМ на языке программирования Python.
В современных механизированных прокатных станах с поточным технологическим процессом обработки металла рольганги являются одним из наиболее распространенных вспомогательных механизмов, от которых в большой степени зависит производительность и бесперебойная работа прокатного стана в целом. Производительность прокатного стана может оказаться невысокой, если хотя бы один из его механизмов не в состоянии выполнить соответствующее количество операций в заданное время. К таковым относятся и транспортные рольганги.
Транспортными рольгангами называют все рольганги, установленные перед рабочей клетью и за ней и связывающие между собой, отдельные вспомогательные машины и устройства стана. На этапе транспортировки листопроката также производится визуальная проверка качества проката специалистами по качеству. Заменить визуальный контроль человека можно при помощи компьютерных технологий. В настоящее время компьютерные технологии являются неотъемлемой частью жизни практически всех окружающих нас людей. Компьютерные технологии стали более доступными и появились узкие сферы компьютерной деятельности, а также в индустрии 4.0.
Индустрия 4.0 - это создание «умной фабрики», производственной площадки, которая использует данные от различных типов датчиков и всех доступных источников для оптимизации процессов. Компьютерное зрение является частью комплексного подхода к интеллектуальному производству, который позволяет компьютерам и машинам «видеть» физический мир, позволяя им извлекать, обрабатывать и анализировать информацию из визуальных входов.
Рынок компьютерного зрения претерпевает неуклонную трансформацию, постоянно создавая новые решения и технологические достижения. Индустрия 4.0 еще больше выиграла от этой технологии во время пандемии, поскольку она широко используется для целей инвентаризации. В 2018 году мировой рынок компьютерного зрения составлял более 9,2 миллиарда долларов, а к 2025 году ожидается, что он превысит 13,0 миллиарда долларов. И Северная Америка, и Европа являются лидерами внедрения компьютерного зрения в производство и ряд других отраслей.
Наряду с растущим интересом к технологиям и ростом рынка компании уделяют больше внимания технологическим достижениям, которые предлагает искусственный интеллект. Согласно исследованию, компьютерное зрение - одна из наиболее широко используемых технологий. Его используют не менее 20 процентов компаний по всему миру.
Цель данной работы - модернизация существующей системы электропривода на более современную с последующим расчётом математической модели её моделированием в среде Matlab Simulink, а также реализация системы компьютерного зрения для повышения качества выпускаемой продукции.
Задачи:
- сформулировать требования к приводам мехатронной системы участка транспортировки;
- найти технические параметры модернизируемой системы, а также разработать кинематическую, структурную и функциональную схему мехатронной системы участка транспортировки;
- разработать новый электропривод рольганга с системой управления ПЧ-АД;
-сформулировать требования к проектируемой системе распознавания дефектов на поверхности металла;
- разработать алгоритм работы программы для распознавания дефектов на поверхности металла;
- разработать программу для ЭВМ на языке программирования Python.
В результате выполнения выпускной квалификационной работы для прокатного цеха №4, участка транспортировки за чистовой группой клетей стана 2300 ПАО «ЧМК» на основе найденной документации была составлена структурная, функциональная и кинематическая схемы исходного привода, а также на основе найденных технических параметров модернизируемой системы, такие как: скорость движения проката, масса проката, линейные размеры рольганга и подвижных элементов была разработана более современная система электропривода - асинхронный двигатель - преобразователь частоты.
Для заданных значений величины ошибки регулирования по скорости не превышающей 5% от заданного, максимального допустимого ускорения заготовки равным 1 м/с2, получили, что ошибка регулирования по скорости составила 4,3%, максимальное ускорение равным 0,5 м/с2.
Выбранный двигатель АИР 132 S6 также удовлетворяет всем поставленным условиям: напряжение питания - 380 В, а частота 50 Гц; защита от влаги и пыли IP55; режим работы электродвигателя - S1; климатическое исполнение электродвигателя У2.
Преобразователь частоты SINAMICS G120 POWER также удовлетворяет всем поставленным условиям: преобразователь выполнен в виде модуля и успешно интегрируется в существующую систему управления, основанную на ПЛК Siemens S7-1200.
В результате исследования существующих библиотек и фреймворков и методов для глубокого и машинного обучения был выбран наиболее оптимальный вариант для распознавания дефектов - свёрточная нейронная сеть, в качестве основных библиотек машинного обучения были выбраны TensorFlow и Keras, а качестве фреймворка для работы выступил Google Colaboratory.
В качества обучающего датасета для сети выл выбран NEU (Northeastern University) surface defect database представляющий собой набор данных по самым распространённым поверхностным дефектам горячего проката. Также данный датасет был дополнен вручную тремястами дополнительными изображениями чистой поверхности горячего проката.
Для разработанной программы для ЭВМ на языке программирования Python, используя ранее выбранные библиотеки и фреймворк для работы с машинным обучением на основе найденного и дополненного датасета изображений поверхностных дефектов горячего проката были выполнены сформулированные требования. Программа в соответствии с ГОСТ 20847-75 определяет с точностью 92,31% дефекты и чистую поверхность, при заданной точности в 85%. Согласно ГОСТ 52246-2016 присваивать определённую группу качества проката с точностью 90,5% (заданная 90%), в соответствии с полученными данными после анализа нейросетью фрагментов изображения, поступающего с камеры.
Скорости работы нейросети хватает, чтобы за 1,7 секунды успеть обработать исходное изображение, полученное с камеры в фрагменты 200х200 пикселей, отправить их на нейросеть, обработать результаты и вывести результаты на экран, при том что всё это нужно успеть примерно за 2 секунды остается запас порядка 15% для выполнения дополнительных задач.
По окончанию анализа распознанные дефекты, их количество относительно друг друга и чистой поверхности представляются в удобном для визуального распознавания виде - графики, круговые диаграммы и гистограммы.
Основываясь на [9] и [13], выносятся рекомендации по корректировке оборудования и материалов для повышения качества выходного продукта. Рекомендации выносятся на основе наиболее часто встречающихся дефектов определённого типа.
Созданная система также имеет дешёвую возможность переобучения для возможности расширения классификации дефектов, без значительной потери точности распознавания.
Для заданных значений величины ошибки регулирования по скорости не превышающей 5% от заданного, максимального допустимого ускорения заготовки равным 1 м/с2, получили, что ошибка регулирования по скорости составила 4,3%, максимальное ускорение равным 0,5 м/с2.
Выбранный двигатель АИР 132 S6 также удовлетворяет всем поставленным условиям: напряжение питания - 380 В, а частота 50 Гц; защита от влаги и пыли IP55; режим работы электродвигателя - S1; климатическое исполнение электродвигателя У2.
Преобразователь частоты SINAMICS G120 POWER также удовлетворяет всем поставленным условиям: преобразователь выполнен в виде модуля и успешно интегрируется в существующую систему управления, основанную на ПЛК Siemens S7-1200.
В результате исследования существующих библиотек и фреймворков и методов для глубокого и машинного обучения был выбран наиболее оптимальный вариант для распознавания дефектов - свёрточная нейронная сеть, в качестве основных библиотек машинного обучения были выбраны TensorFlow и Keras, а качестве фреймворка для работы выступил Google Colaboratory.
В качества обучающего датасета для сети выл выбран NEU (Northeastern University) surface defect database представляющий собой набор данных по самым распространённым поверхностным дефектам горячего проката. Также данный датасет был дополнен вручную тремястами дополнительными изображениями чистой поверхности горячего проката.
Для разработанной программы для ЭВМ на языке программирования Python, используя ранее выбранные библиотеки и фреймворк для работы с машинным обучением на основе найденного и дополненного датасета изображений поверхностных дефектов горячего проката были выполнены сформулированные требования. Программа в соответствии с ГОСТ 20847-75 определяет с точностью 92,31% дефекты и чистую поверхность, при заданной точности в 85%. Согласно ГОСТ 52246-2016 присваивать определённую группу качества проката с точностью 90,5% (заданная 90%), в соответствии с полученными данными после анализа нейросетью фрагментов изображения, поступающего с камеры.
Скорости работы нейросети хватает, чтобы за 1,7 секунды успеть обработать исходное изображение, полученное с камеры в фрагменты 200х200 пикселей, отправить их на нейросеть, обработать результаты и вывести результаты на экран, при том что всё это нужно успеть примерно за 2 секунды остается запас порядка 15% для выполнения дополнительных задач.
По окончанию анализа распознанные дефекты, их количество относительно друг друга и чистой поверхности представляются в удобном для визуального распознавания виде - графики, круговые диаграммы и гистограммы.
Основываясь на [9] и [13], выносятся рекомендации по корректировке оборудования и материалов для повышения качества выходного продукта. Рекомендации выносятся на основе наиболее часто встречающихся дефектов определённого типа.
Созданная система также имеет дешёвую возможность переобучения для возможности расширения классификации дефектов, без значительной потери точности распознавания.