ІНТЕЛЕКТУАЛЬНІ МОДЕЛІ КЕРУВАННЯ СТРУМЕНЕВОЮ ГІДРООБРОБКОЮ ДЕФЕКТІВ ПРОКАТУ
DOI:
https://doi.org/10.20998/2078-5364.2023.2.04Ключові слова:
струменева гідрообробка, поверхневий дефект, інтелектуальне керування, нечіткий класифікатор, метод c-means, РБНМАнотація
Надано структуру інтелектуальної системи управління гідрообробкою поверхневих дефектів прокату, яка відповідає концепції загальноєвропейської програми «Індустрія 4.0» за напрямом енергозбереження та автоматизації технологічних процесів.
Розглянуті локальні RBNN моделі гідрообробки налаштовані за допомогою алгоритму Качмажа-Відроу-Хоффа. Модель ідентифікації поточного завдання тиску робочої рідини враховує взаємозв'язок між товщиною оброблюваного дефекту, змінами складу робочої рідини та, як наслідок, її абразивних властивостей. Для формування заданого тиску у відповідному соплі наступна нейромодель оцінює тривалість і полярність напруги, що управляє електроприводом регулюючого клапана сопла в режимі реального часу.
Конвеєр малорозмірних моделей є перспективним рішенням для керування гідроабразивною обробкою металів таких напрямків як заокруглення гострих кромок; шліфування та полірування складних поверхонь; видалення задирок та зачищення зварних швів; підготовка поверхні до нанесення покриття; видалення дефектів із поверхні; високоточне гідроабразивне різання металів. У комплексі з іншими заходами щодо автоматизації модернізованих ліній сірчанокислотного травлення рішення дозволить знизити витрати сірчаної кислоти та збільшити швидкість ТП з 1,2 до 1,96 [м/с]. З урахуванням малої розмірності моделей та відносно невисокої швидкості ТП програмний додаток, заснований на запропонованих моделях, може бути реалізований у системі керування гідрообробкою металопрокату у вигляді недорогого мікроконтролерного модуля ІІOТ.
Посилання
URL: https://www.weforum.org/reports/annual-report-2021-2022/in-full.
URL: https://industry4-0-ukraine.com.ua/category/technology/iiot.
Breuer, D., Heckmann, P., Gusbeth, K. et al. “Sulfuric acid at workplaces – appli-ciability of the new Indicative Occupational Limit Value to thoracic particles.” Journal of En-vironmental Monitoring, 14 (2012):440–445.
Recovery of spent sulfuric acid from steel pickling operation, EPA Technology Transfer Capsule Report, EPA-625/2-78-017, 30 p. URL: https://nepis.epa.gov/Exe/ZyNET.exe.
Sulfuric Acid and Ferrous Sulfate Recovery from Waste Pickling Liquor, EPA Technology Transfer Capsule Report, EPA-660/2-73-032, 82 p.
European Commission, Reference Document on Best Available Techniques for the Ferrous Metals Processing Industry, December, 2001, 538 pp.
Martines, S., Marelli, S. “Modernisation of Pickling lines at the Magnitogorsk.” Irons & Steel Works, 12 (2006): 233–236.
US Patent № 6419756. Process and equipment for a metal strip pickling. В08В 1/02; В08В 7/04. Wielfried Schlechter; assignee: Siemens Aktiengellschaft (Munich, DE); filing date 01.06.2000; publication date: 16.07.2002, 6 p. URL: https://www.freepatentsonline.com/6419756.html.
Thai Nguyen & Jun Wang & Weiyi Li. “Process models for controlled-depth abra-sive waterjet milling of amorphous glasses.” Int J Adv Manuf Technol (2015) 77:1177–1189. March 2015.DOI: 10.1007/s00170-014-6514-z.
I.N. Levine. Physical Chemistry;6th ed.; McGraw-Hill, Companies, Inc, 2009; pp 278–281.
Ilyunin O.O. “Identification of Non-Systemic Defects in a Continuous Technolo-gical Process of Rolled Steel Pickling”, Bulletin of the Kherson National Technical University, 2013, №1(46), pp.394–396. [in Russian].
M. Fan, J. Hu, R. Cao, K. Xiong, X. Wei, “Modeling and prediction of copper re-moval from aqueous solutions by nZVI/rGO magnetic nanocomposites using ANN-GA and ANN-PSO”, Sci Rep. 2017 Dec 21; 7(1):18040. doi: 10.1038/s41598-017-18223-y. Available at: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5740166.
Refael Hassin, Anna Sarid, Operations Research Applications of Dichotomous Search, European Journal of Operational Research (2017), doi: 10.1016/j.ejor.2017.07.031.
D. Needell, S. Deanna, W. Srebro et al. “Stochastic gradient descent, weighted sampling, and the randomized Kaczmarz algorithm”, Mathematical Programming, 155 (2016), pp. 549–573.
F. Zhang, P. Zhan, H. Tian et al., “Optimization of HS-SPME Using Artificial Neural Network and Response Surface Methodology in Combination with Experimental Design for Determination of Volatile Components by Gas Chromatography-Mass Spectrometry in Korla Pear Juice”, Food Analytical Methods, 2018, vol.11, pp. 2218–2228. https://doi.org/10.1007/s12161-018-1173-6.
Xiong, N., Shen, Y., Yang, K. et al. Color sensors and their applications based on real-time color image segmentation for cyber physical systems. J Image Video Proc. 2018, 23 (2018). doi.10.1186/s13640-018-0258-x.
El Midany et al. “Experimental study and modelling of abrasive water jet cutting of aluminum alloy 2024.” Journal of ESMT, Volume (3) ‒ Issue (1) ‒ Jan 2019. DOI: 10.21608/ejmtc.2019.8057.1104.
O. Bezsonov, O. Ilyunin, A. Khusanov, O. Rudenko, O. Sotnikov, Intelligent Identification System of the Process Liquid Solutions Composition, in: Proceedings of COLINS-2022: 6th International Conference on Computational Linguistics and Intelligent Systems, May 12–13, 2022, Gliwice, Poland. URL: https://ceur-ws.org/Vol-3171/paper69.pdf.
