Дипломная (вкр): Совершенствование системы контроля качества в технологическом процессе гуммирования

Этот коэффициент представляет собой тепловой поток между единицей поверхности твёрдого тела при разности температур между телом и средой в один градус. В данном случае зависит от температур Tполосы, Tпечии ряда физических констант среды:

гдеb - коэффициент объёмного расширения среды,  - коэффициент теплопроводности среды, Сp - удельная теплоёмкость среды при определённом давлении, v - коэффициент кинематической вязкости среды, a - коэффициент температуропроводности среды, Ф - совокупность параметров, характеризующих форму и поверхность тел.

Процесс теплообмена излучением основан на способности тел излучать и поглощать тепловую энергию в виде электромагнитных волн инфракрасного диапазона. Для полосы с температурой Tполосы, помещённого в газовую среду с температурой Tпечи, результирующий тепловой поток, направленный от газообразной среды нагреваемому телу, определяется соотношением (10) [9]:

 (10)

где  - коэффициент излучения абсолютно чёрного тела,  - приведённая степень черноты поверхностей тел, участвующих в теплообмене,  - коэффициент взаимной облучённости тел.

Используя выражения (8), (9), (10), получим:

(11)

Зависимость физических констант среды от температур и бесконечное разнообразие возможных форм поверхности нагреваемых тел исключает возможность получения табличных значений конвективных и лучистых коэффициентов теплопередачи теоретическими методами. Поэтому эти величины необходимо подбирать на основе экспериментальных данных [37,32,33].

Для простоты записи и облегчения программной обработки, объединим эти константы в коэффициенты kк и kл. Кроме того, в этих коэффициентах будут учтены потери тепла. Полученная формула представлена в выражении (12).

(12)

В качестве примера на рисунке 13 показано распределение температуры внутри печи (Tпечи) как заданные дискретные величины в центре каждой из семи зон печной установки агрегата полимерных покрытий металла.

Рисунок 13 - Зависимость температуры поверхности металлической полосы от температур печных зон

Для точного решения уравнения (12) численными методами необходимо представить температуру печи как непрерывную функцию от времени t. Для функции Tпечи(t) была произведена интерполяция с помощью полинома Лагранжа (кривая 1). Заданные значения температуры зон печи, на основании которых производилась интерполяция, обозначены символом «*». Температуры поверхности полосы в различных точках печи, полученные в результате компьютерного моделирования с использованием выражения (12), представлены на рисунке кривой 2. Экспериментальные значения температур поверхности полосы показаны на рисунке символом «o».

Методика восстановления параметров сложного теплообмена (kк и kл) описана в работах [34,35]. Коэффициенты в уравнении (12) определялись из сравнения полученных численных расчетов с экспериментальными данными. Погрешность вычислялась по формуле (13).

(13)

где Ti - температура поверхности полосы, вычисленная в центре соответствующей зоны печи, Ti* - экспериментальное значение температуры, суммирование ведется по семи зонам печи. При сопоставлении результатов моделирования с экспериментальными данными оказалось, что максимальная корреляция достигается при kк = 21,3 и kл = 0,775·10-7.

На рисунке 14 изображена зависимость температуры стальной полосы от координаты печи, вычисленная при решении уравнения (13) (кривая 2) с подобранными коэффициентами.

На рисунке 14 (кривая 1) изображена зависимость температуры полосы, движущейся со скоростью 1,1 м/с, в различных точках печи, вычисленная при оптимальном режиме прилипания. При изменении технологических параметров температурный режим стальной полосы меняется. На рисунке 14 изображены различные зависимости температуры металлической полосы от координаты печи при различных скоростях движения полосы: 1,1 м/с (кривая 1); 1,4 м/с (кривая 2); 1,7 м/с (кривая 3).При увеличении скорости движения или изменении толщины полосы нарушается тепловой режим, а, следовательно, уменьшается и прилипание. В этом случае необходимо изменять температуры зон внутри печи.

Рисунок 14 - Зависимость температуры стальной полосы от её координаты в печи

Построенная в рамках этого этапа модель позволяет подобрать температуры 7-ми печных зон в зависимости от свойств металла, толщины полосы, скорости линии и начальной температуры полосы, которые обеспечат выходную температуру поверхности металла, попадающую в интервал температур полимеризации наносимой краски. Однако набор подобранных таким образом рецептов нельзя считать оптимальным, т.к. в модели не учитываются критерии качества. Для решения этой проблемы был разработан метод оптимизации технологических параметров процесса полимеризации (рисунок 15).

Рисунок 15 - Структурно-информационная схема модуля оптимального управления

Дадим описание информационных потоков и структурных элементов с их функциональным назначением. На первом этапе из существующей базы ретроспективных данных о работе установки (БД рецептов) выбираются рецепты, температуры (Тз1,..,Тз7) которых необходимо оптимизировать. Кроме температур печных зон, в состав рецепта входят такие параметры, как интервал рекомендуемых температур гуммирования ([Tпол1, Tпол2]), скорость движения полосы (V), плотность и теплоёмкость металлической подложки (r, с), толщина полосы (h), начальная температура полосы (Tнач.).

В блок выполнения генетических операторов попадают исключительно температуры печных зон, т.к. только они нуждаются в оптимизации. В данном блоке применяются операции скрещивания, мутации и селекции, детально описанные в разделе 2.3.2. В результате этого на выходе генерируется новый набор температур печных зон (Тз1’’,..,Тз7’’). Для вычисления значения целевой функции по формуле (16) необходимо предварительно определить температуру поверхности металла (Тпов.вых.) на выходе из печной установки. Для этого используется имитационная модель, вычисляющая необходимое значение на основании нового сгенерированного набора температур печных зон и остальных параметров рецепта. Интервал рекомендуемых температур вулканизации передается в блок целевой функции, т.к. он необходим исключительно для определения значения оптимальности изменённого рецепта, а именно для расчёта качества прилипания (основного критерия оптимальности).

Блок имитационной модели передаёт вычисленное значение температуры поверхности металла в следующий блок целевой функции. Кроме того, данный блок транспортирует новые значения температур печных зон, полученные в результате применения генетических операторов, в блок вычисления целевой функции. Это необходимо для вычисления второго по важности критерия оптимальности - расхода энергоресурсов. В блоке вычисления целевой функции с помощью выражения (13) определяется оценка оптимальности рецепта (quality). В случае, если выполнилось условие остановки генетического алгоритма, выбирается рецепт с наиболее оптимальными температурами (Тз1опт,..,Тз7опт) . И передаётся в базу оптимальных рецептов (БД опт. рецептов). Если условие остановки не выполнилось, то рецепт передаётся на следующую итерацию оптимизации. С помощью данного метода оптимизации осуществляется наполнение базы данных оптимизированных рецептов.

На основании накопленной таким образом информации формируются выборки для обучения нейро-нечётких подмоделей. Обучающие данные для каждой подмодели состоят из двух частей - входного вектора и эталонного значения. Эталонным значением для каждой нейро-нечёткой подмодели будет являться оптимальное значение температуры соответствующей печной зоны. Входной вектор в обучающей выборке каждой подмодели будет состоять из остальных параметров, входящих в рецепт и дополненных оптимальными значениями температур предыдущих печных зон.

В результате обучения осуществляется параметрическая идентификация нейро-нечётких подмоделей. После этого можно перейти к расчёту управляющих значений температур печных зон (Тз1’,..,Тз7’) для конкретной полосы и краски (r’, с’, h’, V’, Тнач’, Тпол1’, Тпол2’) на рисунке входной вектор обозначен как . Далее происходит последовательный расчёт температур печных зон в каждой подмодели. При этом каждое вычисленное значение используется для расчёта выходного параметра следующей подмодели, т.е. осуществляется связь по входу.

Таким образом, с помощью метода нейро-нечёткого управления тепловыми многосвязными объектами агрегата гуммированных покрытий металла определяются значения температур печных зон, которые обеспечат максимальный коэффициент адгезии конкретного материала к металлической полосе при минимальном расходе энергоресурсов.

Выводы

На основе статистичекого моделирования поверхностных явлений и идеального моделирования теплового объекта,определено, что для достижения максимального коэффициента прилипания покрытия к подложке, необходимо обеспечить оптимальный температурный режим.

Установлено, что задача оптимизации технологических параметров процесса вулканизации имеет многокритериальный характер, т.к. определение множества допустимых температур вулканизации способствует наличию нескольких оптимальных температурных режимов, что позволяет ввести дополнительный критерий оптимальности - расход энергоресурсов.

Выявлено, что применение генетического алгоритма для многокритериальной оптимизации технологических параметров требует минимального объема информации о задаче управления процессом вулканизации, что совместно с рандомизацией генетических операций приводит к устойчивости самого алгоритма.

Установлено, что использование нейро-нечётких методов позволяет разрабатывать модели управления, структурная и параметрическая идентификация которых осуществляется на основе ретроспективных данных, при этом дополнительная информация о функционировании объекта не требуется.

3. АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ УПРАВЛЕНИЯ МНОГОСВЯЗНЫМИ ТЕПЛОВЫМИ ОБЪЕКТАМИ АГРЕГАТА ГУММИРОВАННЫХ ПОКРЫТИЙ МЕТАЛЛА

После разработки метода правления перейдём к описанию его алгоритмического обеспечения, необходимого для дальнейшей программной реализации системы управления процессом вулканизации оцинкованной полосы. Алгоритмическое обеспечение, разработанное касательно конкретного объекта управления, позволяет определить необходимые структуру и состав вычислительно-управляющего комплекса. Алгоритмическое обеспечение представляет собой совокупность алгоритмов обработки информации с их взаимными связями. Алгоритмы представлены в форме структурных блок-схем с пояснительным текстом. Они служат основой для разработки программного обеспечения подсистемы обработки информации в системе управления тепловыми объектами агрегата гуммированных покрытий металла.

.1 Алгоритм оптимизации технологических параметров процесса вулканизации оцинкованной полосы

Данный алгоритм предназначен для оптимизации температур печных зон рецепта (Тз1,…,Тз7) по таким критериям, как качество прилипания и расход газа, применяемого для нагрева печи. Данный алгоритм реализован в методе оптимизации технологических параметров процесса вулканизации оцинкованной полосы, описанном в разделе 2.3. По этой причине все термины и обозначения заимствованы из этого раздела.

Стандарты промышленных предприятий предписывают использование БД для хранения информации о технологических процессах. Кроме того, внутренними стандартами по информационным технологиям предписывается использование конкретной СУБД для управления данными.

По этой причине набор рецептов, требующих оптимизации хранится в БД.

Для осуществления оптимизации технологических параметров по заявленным параметрам необходимо проделать следующие шаги:

Инициализация параметров остановки работы алгоритма оптимизации. На данном шаге задаётся ограничение на количество итераций.

Выбор конкретного рецепта, требующего оптимизации температур печных зон, входящих в него. Рецепт состоит из семи температур печных зон (Tзi, i=1,…,7), толщины (h), скорости (V), начальной температуры (Тнач.) полосы, параметров марки стали (c, ρ), границ интервала рекомендуемых температур полимеризации ЛКМ (Тпол1, Тпол2).

Генерация N наборов температур печных зон, близких к исходным, и их двоичное кодирование (Tзi’(j), i=1,…,7, j=0,…,N-1) для обработки генетическими операторами.

Для всех наборов выполняются шаги 4.1-4.3.

Прогнозирование температуры поверхности металла (Тпов.вых.) для изменённого рецепта (r, с, h, V, Тнач, Tз1’(i),…,Tз7’(i)) с помощью алгоритма, описанного в разделе 3.1.

Расчёт целевой функции (функции оптимальности) с помощью выражения 16 для вычисленного значения Тпов.вых., Tз1’(i),…,Tз7’(i), Тпол1, Тпол2.

Сохранения значений оптимальности для всех наборов.

Проверка выполнения условия остановки. Если оно выполнилось, то выбираем набор температур с максимальным значением оптимальности и завершаем работу алгоритма, иначе - переход к шагу 6.

Селекция наборов по методу рулетки, с использованием полученных значений оптимальности.

Выполнение генетических операторов над двоичным представлением наборов температур.

Генерация новых наборов температур и их двоичное кодирование (Tз1’(i),…,Tз7’(i)). Переход к шагу 4.

Итоговая блок-схема алгоритма представлена на рисунке 16.

Рисунок 16 - Блок-схема алгоритма оптимизации технологических параметров процесса вулканизации

3.2 Алгоритм обучения модели управления процессом вулканизации оцинкованной полосы

Для расчёта температур печных зон, необходимых для оптимального управления процессом полимеризации с помощью нейро-нечёткой сети, необходимо предварительно осуществить её обучение на основе подготовленного набора данных. Эти данные представляют собой оптимизированные рецепты, полученные с помощью алгоритма оптимизации технологических параметров. Рецепты представляются в виде пар ,

где - входной вектор, а  - эталонный сигнал.

Алгоритм состоит из следующих этапов:

Определить значения параметров условия остановки обучения нейро-нечёткой сети.

Инициализировать значения весовых коэффициентов.

Входной вектор (r, с, h, V, Тнач, Тпол1, Тпол2, Тпред.зон)

распространяется по сети в прямом направлении, и последовательно рассчитываются значения

На основе сравнения выхода нейро-нечёткой сети и эталонного значения Тзiопт рассчитывается погрешность на выходе модуля

Рассчитываются новые значения весовых коэффициентов связей

и  для

Затем производится замена старых значений новыми, и увеличивается счётчик числа итераций.

Цикл обучения продолжить до достижения системой требуемого состояния, при котором выполняется критерий остановки (рисунок 17).