Штрипс производство: Штрипс: изготовление, применение и преимущества

Содержание

Штрипс оцинкованный | Завод «Стальнофф» в Липецке

Штрипс стальной оцинкованный применяется в качестве заготовок при производстве сварных труб,
упаковочных материалов, кабельной продукции, как правило, оцинкованный штрипс подвергается дальнейшей переработке и служит основой для изготовления разнообразного строительного профиля. Также штрипсы металлические могут использоваться в качестве декора зданий и помещений. Лента оцинкованная или штрипс является одним из видов сортового металлопроката. Производство штрипса оцинкованного происходит на линии продольной резки металла после чего он сматывается в рулон.

Полоса стальная и штрипс являются универсальным видом сортового металлопроката. Вы можете использовать их для производства различного вида профилей (уголок, гнутый швеллер), для изготовления различных конструкций, а так же штрипсы стальные и полосы нужны для изготовления рессор, режущих инструментов и для использования в производственных и строительных нуждах.

В современном мире большая часть строительства ведется с помощью металлоконструкций, которые в свою очередь изготавливаются с использованием металлических полос (штрипсов). Также полоса и штрипс стальной применяется в архитектуре и строительстве как элемент для декоративной отделки зданий. Вам достаточно покрасить полосу краской для металла или антикоррозионного покрытия и Вы получаете долговечный, прочный и универсальный материал для Вашего строительства и производства. Изготавливаются стальные полосы всех ширин толщиной 4,5 мм, а так же с шириной 56 мм и толщиной до 36 мм. Полоса изготавливается методом горячей прокатки на прокатных станах из стали полосовой углеродистой обычного качества ст3 и из легированных полосовых сталей. Металлическая полоса соответствует ГОСТ 103-76. Полоса стальная горячекатаная производится повышенной и нормальной точности и длиной от 3 до 10 м.
Штрипсы металлические
получают путем резки или рубки рулонов или листов на полосы. Штрипс стальной используется как заготовка для сварных труб или полос. Штрипс металлический относится к сортовому фасонному прокату и изготовляется по ГОСТ 535-88.

Особенности производства и использования оцинкованной ленты штрипс в #VREGION_WHERE#

Бурное развитие металлопроката в #VREGION_WHERE# внесло значительный вклад в быстрый рост различных отраслей народного хозяйства. В большой степени это повлияло и на тяжелую промышленность. В связи с изобретением способов изготовления тонколистового металла появилась возможность производства совершенно новой продукции — стальной оцинкованной ленты. Основой для ее изготовления стал материал, получивший название штрипс. Сегодня он широко используется при производстве гнутых профилей, водосточных систем, электросварных труб и т. п. Также оцинкованные ленты штрипс используют в деревообрабатывающей промышленности, при проведении строительных и ремонтных работ, а также для декорирования зданий.

Особенности производства штрипса


На английском языке strip — это лента. Производство штрипса несложное, однако по-своему уникальное. В качестве заготовок используются тонкие листы или рулоны металла (чаще всего из углеродистой стали). Они могут быть оцинкованными или покрытыми слоем полимерного материала. Производство ленты штрипс осуществляется на специальных станках согласно ряду ГОСТов.

Сначала листы закрепляются в держателях. Далее они подаются на резаки, установленные на определенном расстоянии друг от друга. Готовые полосы ленты штрипс автоматически сматываются в рулоны (что особенно удобно при транспортировке) либо разрезаются на части нужной длины.

При производстве оцинкованных лент заданные величины ширины, как правило, составляют от 10 до 1600 мм. При этом толщина металлической основы должна быть в пределах 0,25–5 мм.

В процессе изготовления ленты штрипс из оцинкованного материала используется современное высокоточное оборудование. Это гарантирует получение готовых изделий необходимой ширины.

Преимущества использования штрипса неоспоримы: данный материал устойчив к коррозии, имеет высокие показатели механической прочности, прост в установке, не нуждается в окрашивании. При этом он еще имеет и невысокую стоимость. Купить штрипс в #VREGION_WHERE# можно, предварительно оформив заявку на нашем сайте.

Применение стального штрипса при производстве труб в пенополиуретановой изоляции

Штрипс стальной (от англ. strip – полоса, лента) — изготавливаемая промышленным способом стальную полосу с различными геометрическими параметрами (ширина, толщина).

Штрипс — один из типов фасонного сортового проката. Он получается путем резки (рубки) рулонов или стальных листов на полосы в соответствии с ГОСТ 535-88. Как правило, сырьем служит специальный тонколистовой металл рулонного типа.

Штрипс широко используется при производстве металлических изделий различного назначения, в т.

ч. металлических профилей, сварных труб, водостоков, отливов, коробов и воздуховодов систем вентиляции любой конфигурации. Нередко штрипс применяется как заготовка при производстве штампованных изделий, а также проволоки. Кроме того, штрипс находит применение как крепеж при монтаже конструкций из гипсокартона. Важная сфера применения стальной ленты – упаковка.

Однако одним из важнейших и наиболее востребованных направлений применения стального штрипса является производство предизолированных труб ППУ в стальной оболочке (принятая маркировка таких труб — ППУ ОЦ, где ОЦ означает «оцинкованная»), предназначенных для трубопроводов канальной или открытой (воздушной) прокладки. Изготовление таких труб регламентируется стандартом ГОСТ 30732-2020.

Штрипс оцинкованный с толщиной цинкового слоя 50 мкм применяется при изготовлении трубы–оболочки по методу спиральной навивки; цинковое покрытие обеспечивает защиту трубопровода (несущей трубы) от попадания влаги, а также механических повреждений.

Защита фасонных элементов обеспечивается посредством сборных элементов — изделий из штрипса, которые отвальцовываются и соединяются друг с другом с помощью замков (замки также изготавливаются из штрипса). Изоляция сварных соединений на теплотрассе, а также точек подсоединения фасонных элементов — отводов, компенсаторов, тройников, шаровых кранов, опор, законцовок и т.д.) производится с помощью комплектов изолирующих муфт, также выполненных из стального штрипса.

На сегодняшний день на рынке представлен достаточно широкий ассортимент штрипса. В зависимости от материала, а также типа покрытия различаются:

  • стальной штрипс без покрытия;
  • стальной штрипс без покрытия из нержавеющей стали;
  • стальной штрипс оцинкованный;
  • стальной штрипс с полимерным покрытием;

В соответствии с ГОСТ 103-76 штрипс стальной классифицируется по целому ряду признаков, таких, как, например, механические свойства материала (мягкость, наличие и тип нагартовки), точность изготовления (нормальной, повышенной или высокой точности), качество поверхности, тип кромки (обрезная, необрезная), серповидность, качеству изготовления ленты и т. д. Некоторые производители предлагают возможность изготовление штрипса с параметрами в соответствии с требованиями клиента.

Среди преимуществ штрипса (по сравнению, например, с проволокой):

  • лучшая устойчивость к коррозии;
  • простота в использовании;
  • хорошие прочностные показатели, в т.ч. при ударных нагрузках.

Производство штрипса оптом на экспорт. ТОП 21 экспортеров штрипса

Продукция крупнейших заводов по изготовлению штрипса: сравнение цены, предпочтительных стран экспорта.

  1. где производят штрипс
  2. ⚓ Доставка в порт (CIF/FOB)
  3. штрипс цена 31.03.2022
  4. 🇬🇧 Supplier’s strip Russia

Страны куда осуществлялись поставки из России 2018, 2019, 2020, 2022

  • 🇺🇦 УКРАИНА (21)
  • 🇺🇿 УЗБЕКИСТАН (20)
  • 🇰🇿 КАЗАХСТАН (16)
  • 🇩🇪 ГЕРМАНИЯ (15)
  • 🇨🇳 КИТАЙ (9)
  • 🇫🇷 ФРАНЦИЯ (4)
  • 🇱🇰 ШРИ-ЛАНКА (4)
  • 🇦🇪 ОБЪЕДИНЕННЫЕ АРАБСКИЕ ЭМИРАТЫ (4)
  • 🇵🇱 ПОЛЬША (3)
  • 🇮🇩 ИНДОНЕЗИЯ (3)
  • 🇨🇿 ЧЕШСКАЯ РЕСПУБЛИКА (2)
  • 🇪🇪 ЭСТОНИЯ (2)
  • 🇮🇳 ИНДИЯ (2)
  • 🇱🇻 ЛАТВИЯ (2)
  • 🇮🇱 ИЗРАИЛЬ (2)

Выбрать штрипс: узнать наличие, цены и купить онлайн

Крупнейшие экспортеры из России, Казахстана, Узбекистана, Белоруссии, официальные контакты компаний. Через наш сайт, вы можете отправить запрос сразу всем представителям, если вы хотите купить штрипс.

🔥 Внимание: на сайте находятся все крупнейшие российские производители штрипса, в основном производства находятся в России. Из-за низкой себестоимости, цены ниже, чем на мировом рынке

Поставки штрипса оптом напрямую от завода изготовителя (Россия)

Крупнейшие заводы по производству штрипса

Заводы по изготовлению или производству штрипса находятся в центральной части России. Мы подготовили для вас список заводов из России, чтобы работать напрямую и легко можно было купить штрипс оптом

Найти покупателя или продавца

Напишите наименование продукции, которую хотите найти

Найти

прокат плоский из железа или нелегированной стали

Изготовитель Прокат плоский из железа или нелегированной стали шириной менее мм

Поставщики титановые плиты

Крупнейшие производители Трубы и трубки из титана

Экспортеры Плиты

Компании производители Боры

Производство металлоконструкции

Изготовитель Прокат плоский из железа или нелегированной стали шириной менее мм

Поставщики прокат плоский из железа или нелегированной стали

Крупнейшие производители прокат плоский из железа или нелегиров стали шириной мм или более

Экспортеры Отходы и лом прочей легированной стали

Компании производители прокат плоский из железа или нелегированной стали шириной мм или более

Производство бесконечных полос

В этой статье или разделе отсутствует следующая важная информация:

Кто это придумал, источники, интервики

Помогите Википедии, исследуя и вставляя ее.

Производство бесконечной ленты (по-немецки около производство бесконечной ленты ) представляет собой процесс литья для производства плоской стальной полосы, в котором процесс литья и процесс прокатки объединены.

производство

В процессе производства плита толщиной ок.На литейной машине отливается толщина 70-100 мм. Непосредственно за разливочной машиной расположены три клети (HRM = High Reduction Mill), в которых происходит сильное обжатие полосы до ок. достигается 12-25 мм. Затем материал проходит через индуктивный нагреватель и пятиклетьевую чистовую группу, в которой толщина может быть уменьшена до 0,8 мм. Затем полоса охлаждается в секции охлаждения для корректировки свойств материала, а затем идет катушка, на которой полоса сматывается в рулоны, завершая, таким образом, производственный процесс в ЭЦН.

Производственное помещение

За счет установки нескольких ножниц (после ГПМ, перед чистовой клетью и перед моталкой) прокатный стан может работать в поштучном режиме (периодическая работа), при этом предварительные полосы обрезаются после ГПМ и раскатывается по отдельности на чистовой линии, или система ESP работает в непрерывном режиме, при котором полосы режут перед барабаном, а процесс прокатки является непрерывным. Большим преимуществом этой системы является низкое потребление энергии для производства плоского проката.В то время как для производства одной тонны горячекатаной полосы на обычных станах горячей прокатки требуется около 4 ГДж энергии, на установке ЭСП это значение снижается до 1 ГДж на тонну горячекатаной полосы.

Первая система эксплуатируется в Кремоне, Италия, с 2008 года компанией Arvedi, которая также сыграла ключевую роль в разработке технологии. Предшествующим заводом является литейно-прокатный завод в Арведи, который был поставлен компанией Mannesmann в 1990 году и последовательно развивался Джованни Арведи и его сотрудниками.Поставщиком системной техники является компания Primetals Technologies (ранее Siemens VAI).

В 2015 году на заводе Rizhao Steel в Китае были введены в эксплуатацию еще 3 системы ЭЦН.

Мировой рекорд

В октябре 2018 года впервые была произведена ультратонкая горячекатаная полоса толщиной 0,6 мм на Arvedi ESP (Endless Strip Production), установленном на китайском сталелитейном заводе Rizhao Steel Group Co. , ООО (Жичжао). Такого значения в горячекатаном прокате не достигалось нигде в мире.При такой малой толщине можно покрыть более 80 процентов коммерчески доступных толщин холоднокатаного проката. [1]

Веб-ссылки

Индивидуальные свидетельства

  1. Мировой рекорд: Ультратонкая горячекатаная полоса толщиной 0,6 мм, произведенная на линии Arvedi ESP, поставленной Primetals Technologies. Абгеруфен, 22 мая 2019 г.

Производство стальных полос в непрерывном процессе

Существующая установка Arvedi ESP в Acciaieria Arvedi SpA, Кремона, Италия.

В настоящее время в Китае используется особенно энергоэффективный процесс производства листовой стали. Siemens предоставляет китайскому производителю стали два завода, работающих по технологии Arvedi-ESP (производство бесконечной полосы). Они производят высококачественную ультратонкую горячекатаную полосу шириной до 1,6 метра и минимальной толщиной от 0,8 миллиметра. Процесс Arvedi-ESP требует на 45% меньше энергии, чем традиционный процесс, состоящий из отдельных этапов литья и прокатки.Поэтому он генерирует значительно меньшее количество CO2.

Производство стальных полос обычно требует больших затрат энергии и места. Жидкая сталь разливается в слябы; это стальные пластины толщиной несколько сантиметров, шириной от одного до двух метров и длиной более десяти метров. Эти слябы охлаждаются и перерабатываются на прокатном стане в стальные полосы, толщина которых в некоторых случаях составляет менее одного миллиметра.Прежде чем это произойдет, плиты должны быть заново загружены и снова нагреты. Наконец, стальные полосы наматываются на большие катушки, называемые катушками. В общей сложности такая производственная линия имеет длину несколько сотен метров. Стальные полосы перерабатываются для использования, например, в автомобилях, бытовой технике или строительных материалах.

Особенностью процесса Arvedi-ESP является то, что процессы литья и прокатки выполняются в один этап. Горячая заготовка прокатывается непосредственно в бесконечном процессе без предварительной резки слитков.Сталь перерабатывается в полосу за один проход и скатывается в рулоны весом до 32 тонн каждый. Вся производственная линия имеет длину всего 190 метров. Больше нет необходимости в загрузке и повторном нагреве холодных слябовых слитков, что экономит много времени и энергии. Процесс, который требует всего семь минут для превращения жидкой стали в готовый рулон, намного короче, чем обычные процессы, которые длятся несколько часов. Более того, он не создает никаких отходов, которые обычно образуются в процессе загрузки.Благодаря точному управлению температурой завод производит сталь высокого и однородного качества.

Новые агрегаты рассчитаны на производство 5,2 млн тонн стали в год. На этапах запуска и эксплуатации производителя стали будет поддерживать партнер Siemens Acciaieria Arvedi SpA, компания, которая изобрела процесс.


Быстрое и энергоэффективное производство рельсов

Цитата : Производство стальных полос в бесконечном процессе (2013, 8 августа) получено 31 марта 2022 г. с https://физ.org/news/2013-08-steel-endless.html

Этот документ защищен авторским правом. Помимо любой добросовестной сделки с целью частного изучения или исследования, никакие часть может быть воспроизведена без письменного разрешения. Контент предоставляется только в ознакомительных целях.

Смесь 201 — Смесь

на природном карьере и участке добычи газа

Солнце: Полное Солнце

MixNumber: 201

MixRegions: 1, 2, 3, 4, 5, 6

Влажность участка: от сухой до средней влажности почвы


Mix 201 (НАТУРАЛЬНАЯ СМЕСЬ ДЛЯ РАСХОДНЫХ И ГАЗОДОБЫЧНЫХ ПРОЕКТОВ) разработана для экологических условий всех регионов.Период цветения и окраска цветков согласованы для полносезонного сорта. Количество семян каждого вида в смеси было рассчитано с использованием количества семян на фунт каждого вида с учетом параметров укоренения. Mix 201 содержит 7 местных видов трав и 7 местных видов полевых цветов.

Ставка: 7,90-11,40 PLS фунтов/акр

Мы рекомендуем включить в эту смесь кормовую культуру. С осени по весну мы рекомендуем от 20 до 32 фунтов овса на акр или от 2 до 4 фунтов однолетней ржи на акр.Летом мы рекомендуем от 6 до 8 фунтов коричневого проса на акр.

Общее имя

Ботаническое название

PLS унций.

Просо

Паникум виргатум

1,47

Трава оленьего языка

Panicum подпольный

0,80

Маленький голубой стебель

Schizachyrium scoparium

1.33

Боковые овсяные хлопья Grama

Бутелуа куртипендула

1,87

Большой голубой ствол

Андропогоны герардии

1,87

Осенняя паника

Паникум асепс

1,47

Индийская трава

Соргаструм ореховый

1. 87

Ярроу

Тысячелистник тысячелистный

0,13

Черноглазая Сьюзан

Рудбекия хирта

0,27

Горох куропатка

Кассия пучковатая

1,60

Люпин

Люпин многолетний

1.07

Эффектный клещ

Bidens aristosa

0,93

Эффектный клещ Трилистник

Десмодиум канадский

1,07

Золотарник серый

Неморальная солидаго

0,27

Подробнее

Прогноз качества полосы в процессе чистовой прокатки на основе GBDBN-ELM

. С непрерывным развитием обрабатывающей промышленности требования к качеству полосовой стали становятся все выше и выше в автомобилестроении, механической обработке, электронной и электротехнической промышленности. Точный контроль качества полосы в определенной степени зависит от точного прогнозирования качества полосы. Однако данные, собранные большим количеством датчиков на сложной линии производства полосы и сгенерированные компьютерной системой управления, характеризуются высокой размерностью, высокой степенью связи и нелинейностью, что затрудняет прогнозирование качества полосы. Непрерывное производство массивных данных на производственной линии также вынуждает сталелитейные предприятия искать новые методы интеллектуального анализа данных, анализируя взаимосвязь между данными датчиков для прогнозирования и контроля качества полосы.Для решения этих проблем в данной статье предлагается модель GBDBN-ELM, которая является более эффективной и точной, чем другие алгоритмы. В этой модели RBM в DBN заменяется на GBRBM, так что RBM больше не зависит от двоичного распределения, может обрабатывать значения непрерывности и сохранять больше функций данных. Чтобы решить проблему слишком длительного времени обучения DBN, в этой статье сеть BP в DBN заменяется моделью регрессии ELM. Модель ELM прогнозирует качество полосы на основе извлеченных абстрактных признаков данных, тем самым повышая точность прогнозирования модели и сокращая время обучения.В данной работе модель GBDBN-ELM сравнивается с нейронной сетью BP, ELM и DBN, и в качестве показателей оценки моделей выбраны среднеквадратическая ошибка, квадратичный коэффициент детерминации и время обучения. Экспериментальные результаты показывают, что усовершенствованная модель GBDBN-ELM может не только повысить точность прогнозирования качества полосовой стали, но и сократить время обучения модели. Модель, предложенная в этой статье, показала хорошие результаты в отношении точности и производительности прогнозов.

1.Введение

В промышленной сфере сталелитейная промышленность является одной из основных национальных отраслей промышленности. Большая часть сырья, ресурсов и оборудования других отраслей промышленности обеспечивается металлургической промышленностью. Развитие сталелитейной промышленности также привело к развитию строительства, машиностроения, транспорта и других отраслей. Несмотря на то, что текущее международное производство стали увеличивается из года в год, технология проката высококачественной стали все еще нуждается в совершенствовании.С быстрым развитием промышленности и технологий многие отрасли предъявляют все более высокие требования к качеству полосовой стали, такие как проектирование инфраструктуры, автомобилестроение, механическая обработка, электронная и электротехническая промышленность. Поэтому повышение качества полосы стало одной из основных задач технологического процесса горячей прокатки. Качество полосы может быть оценено заранее с помощью прогнозирования, а затем параметры процесса могут быть скорректированы во времени с помощью компьютерных расчетов, чтобы обеспечить управление системой с обратной связью, что может максимизировать качество полосы.Таким образом, метод прогнозирования качества полосы постепенно стал популярным в сталелитейной промышленности.

Традиционное управление прокатным станом основано на ручном управлении; качество полосы на выходе контролируется простым электрическим прессованием или ручным прессованием, без участия множества датчиков. Сталелитейная промышленность попрощалась с традиционными способами производства благодаря широкому применению и развитию современной теории автоматического управления в промышленности. Сочетание современного оборудования и передовых технологий сделало процесс производства полосы все более сложным [1].В процессе производства полосовой стали несколько устройств органично связаны между собой. Параметры процесса и параметры качества продукта, задействованные на стадии субпроизводства, различны, и взаимосвязь между различными параметрами сложна. Параметры каждого этапа часто представляют собой иерархическую структуру и связаны друг с другом. Эти параметры сложно описать линейными или простыми нелинейными зависимостями [2].

Качество полос на выходе горячей непрерывной прокатки в основном зависит от чистового стана.Изменение ширины и толщины полосы обусловлено усилием прокатки от вертикальной и горизонтальной клети при чистовой прокатке. Основными факторами, влияющими на качество полосовой стали, являются усилие прокатки, положение обжатия, температура на входе, усилие изгиба валков, ширина зазора между валками и скорость зубчатой ​​рейки. Более того, такие факторы, как расход воды, ток двигателя, компенсация масляной пленки и смазка, также оказывают определенное влияние на качество поверхности полосы [3]. Большинство этих переменных связаны друг с другом и имеют серьезную нелинейность, а некоторые из них трудно поддаются измерению, что также вносит определенные трудности в прогнозирование качества полосы.

Кроме того, с развитием технологий производственная модель распространилась из физического пространства в виртуальное пространство, а степень цифрового производства постепенно углублялась. В производственном процессе задействовано больше датчиков, оборудования для сбора данных и системы управления компьютерной сетью. Ежедневно на линии производства полос производится большое количество необработанных данных. Как разумно использовать эти данные и получить дополнительные знания для прогнозирования и контроля качества полосы, также является проблемой, которую необходимо изучить.

Для достижения контроля качества полосы с обратной связью и предварительной настройки параметров процесса, а также для решения проблемы низкой точности прогнозирования качества полосы, вызванной многоразмерными, сильно связанными, нелинейными данными, основной вклад этой статьи заключается в следующем. следующим образом.

В этом документе предлагается модель прогнозирования качества полосы, сочетающая DBN и ELM. В комбинированной модели DBN используется для извлечения признаков из многомерных входных данных с высокой степенью связи, а ELM прогнозирует качество полосы в соответствии с извлеченными признаками данных.

На основе комбинированной модели DBN-ELM RBM в модели DBN заменяется на GBRBM для решения зависимости от бинарного распределения видимого слоя и скрытого слоя RBM. Модель улучшена до модели GBRBM-ELM, чтобы соответствовать задаче непрерывной регрессии значений.

Выполнимость модели анализируется с точки зрения точности прогнозирования и производительности модели, а эффект прогнозирования модели сравнивается с эффектом BP, ELM и DBN. Результаты показывают, что модель GBDBN-ELM может повысить точность прогнозирования при одновременном сокращении времени обучения модели.

Остальная часть этой статьи организована следующим образом: Вторая глава знакомит с ходом исследований в области технологии прогнозирования качества полосы; третья глава знакомит с принципом, структурой сети и методом обучения модели прогнозирования качества полосы; четвертая глава проверяет модель на данных о производственной линии сталелитейной компании; последняя глава представляет собой резюме этой статьи.

2. Родственные работы

В задачах прогнозирования и контроля качества часто используются два типа методов: методы математических моделей и методы интеллектуального анализа данных.

2.1. Методы математических моделей

В традиционном контроле качества математическая модель используется для прогнозирования параметров качества, а такие переменные, как температура, давление, элемент и их взаимосвязь, описываются математическими формулами [4, 5]. Но процесс построения математической модели качества полосы очень сложен, так как в процессе прокатки задействовано не только множество физических величин, но и много термодинамических знаний. Прогнозирование качества полосы на основе математической модели игнорирует и упрощает влияние многих локальных факторов, а динамические эффекты иногда дают ложные результаты, приводящие к большим ошибкам.Позже люди обратили внимание на законы деформации в процессе формования, и метод конечных элементов и программное обеспечение для моделирования конечных элементов были применены для моделирования процесса производства полосы и контроля качества полосы [6, 7]. Однако программное обеспечение для конечно-элементного анализа предъявляет высокие требования к способностям пользователя, и часто требуется поэтапное обучение для его профессионального использования.

С другой стороны, растущая масса данных привлекла больше внимания к методам интеллектуального анализа данных, сосредоточенным на машинном обучении и глубоком обучении [8].И он используется при планировании производства [9], мониторинге оборудования [10], контроле качества [11] и других аспектах. Методы интеллектуального анализа данных обеспечивают эффективный способ прогнозирования и контроля качества горячей прокатки полосы. Он может разрушить остров данных, глубоко копать и использовать ценность данных. В частности, сначала путем интеллектуального анализа данных корреляция между параметрами процесса и параметрами качества обнаруживается из массивных данных истории производства. Кроме того, посредством этих корреляций прогнозируется качество полосы.Наконец, в сочетании с компьютерной системой управления в максимальной степени формируется замкнутый контур для контроля качества полосы.

2.2. Методы интеллектуального анализа данных

Методы интеллектуального анализа данных можно разделить на две части: машинное обучение и глубокое обучение. Коткунде и др. использовали искусственные нейронные сети (ANN) и машины опорных векторов (SVM) для оценки распределения толщины листов сплава при различных температурах и диаметрах заготовки [12]. Ли и Дай использовали алгоритм -means для разделения производственных данных на кластеры и используют нейронную сеть BP для прогнозирования конечной температуры прокатки полосы для повышения точности прогноза [13].Ву и др. усовершенствовали алгоритм ELM и создали оптимизированную модель ELM с двумя скрытыми слоями и применили ее для прогнозирования изгибающего усилия в процессе горячей прокатки полосы [14, 15].

Приведенные выше исследования основаны исключительно на прогнозах машинного обучения, но машинное обучение не может справиться с многомерными задачами. Прежде чем использовать метод машинного обучения, в вышеуказанном исследовании часто необходимо выбрать признаки данных, чтобы уменьшить размерность входных параметров [16]. Однако для задачи прогнозирования качества полосы с высокой степенью связи слишком мало признаков часто не может содержать все признаки данных, что ухудшает точность прогнозирования.Сеть глубокого обучения имеет более глубокие сетевые слои и более сложную структуру сети по сравнению с машинным обучением. Например, сеть глубокого доверия (DBN) накладывает RBM перед сетью BP. DBN обладает хорошей способностью извлечения признаков и показывает хорошую производительность при обработке многомерных входных переменных. Он широко используется в производстве.

Лю и др. использовали DBN для обработки большого количества данных о качестве в реальном времени, собранных датчиками, и построили план мониторинга и диагностики качества в реальном времени для производственного процесса [17].Ян и Франгопол прогнозируют оставшийся жизненный цикл судов на основе DBN, а затем предлагают структуру управления жизненным циклом корабля [18]. Чжэн и др. объединить DBN и SVM, использовать DBN для извлечения высокоуровневых характеристик сигналов и использовать классификатор SVM для распознавания дефектов, предоставляя новый метод неразрушающего контроля анкеровки болтов [19].

Из большого количества исследований можно сделать вывод, что, поскольку сети глубокого доверия сначала использовались в основном для классификации проблем, теперь они в основном используются для задач классификации, таких как идентификация дефектов и классификация качества в проблемах качества производства, и реже применяются для проблемы регрессии, такие как прогноз параметров качества.Однако, поскольку сеть глубокого доверия обладает сильными возможностями извлечения многомерных признаков и хорошим обобщением модели, ее можно улучшить, чтобы она соответствовала задачам прогнозирования непрерывного значения на основе сохранения возможностей извлечения признаков. Например, в существующих исследованиях DBN сочетается с оптимизацией роя частиц (PSO) [20], алгоритмом Firefly (FA) [21], машиной опорных векторов (SVM) [22], машиной экстремального обучения (ELM) [23], и другие алгоритмы для повышения точности прогнозирования и осуществимости модели.

Учитывая сложность структуры сети DBN, в этой статье выбрана комбинация DBN и ELM для упрощения метода обучения DBN и сокращения времени обучения при одновременном повышении точности прогнозирования.

3. Модель прогнозирования качества и структура сети

Сеть глубокого убеждения является одним из основных алгоритмов глубокого обучения. Сеть глубокого убеждения состоит из нескольких ограниченных машин Больцмана (RBM) и нейронной сети BP, которая может хорошо решить проблему высокой размерности и высокой связи.Однако у DBN есть такие проблемы, как непригодность для непрерывной ценности и слишком долгое время обучения. В этой статье DBN улучшен, чтобы сделать его более подходящим для прогнозирования качества процесса отделки полосы.

3.1. Модель сети Deep Belief
3.1.1. Базовая структура DBN

Сеть глубокого убеждения состоит из нескольких последовательно соединенных RBM и нейронной сети BP. Он обладает мощной функцией обучения. Структура сети глубокого доверия для прогнозирования качества полосовой стали показана на рисунке 1.

Первый видимый слой и второй скрытый слой h 1 составляют RBM1. Скрытый слой RBM1 также является видимым слоем RBM2, формируя RBM2 вместе с третьим скрытым слоем, и так далее для каждого уровня, накладываясь друг на друга для формирования многослойных RBM. RBM в DBN использует неконтролируемое обучение, в основном используемое для извлечения признаков; сеть BP использует контролируемое обучение, в основном используемое для регрессии и вывода прогнозируемого значения параметров качества.


3.1.2. Процесс обучения ДБН

Из рисунка видно, что процесс обучения ДБН делится на два этапа, а именно: этап прямого предобучения и этап обратного отладки. DBN использует жадный механизм неконтролируемого обучения для выполнения послойного прямого обучения снизу вверх и извлекает абстрактные функции данных нижнего уровня в качестве входных данных высокого уровня, пока функции не будут отправлены в модуль регрессии верхнего уровня. . Затем он вычисляет ошибку между результатом регрессии и реальным результатом и использует алгоритм обратного распространения сети BP для завершения обратной тонкой настройки параметров, еще больше уменьшая ошибку модели и повышая точность обучения системы.

DBN в полной мере использует и сочетает в себе преимущества нейронной сети RBM и BP, использует многослойную RBM для извлечения и абстрагирования многомерных данных, максимально сохраняет важную информацию о функциях, использует сеть BP для завершения регрессии и использует Алгоритм BP для точной настройки параметров каждого слоя, чтобы достичь оптимального состояния.

3.1.3. Недостатки DBN

Хотя традиционная DBN обладает особенно хорошими возможностями извлечения признаков, после анализа модели становится известно, что традиционная модель DBN также имеет следующие недостатки: (a) Видимый слой и скрытый слой традиционного RBM подчиняются двоичному распределению и имеют хорошую функцию извлечения сигналов признаков для дискретных данных.В задаче прогнозирования качества полосы непрерывные входные сигналы необходимо оцифровывать, что приводит к потере информации и снижению точности модели(б) В процессе обучения ДБН важным параметром, который необходимо настроить, является количество нейронов в каждом скрытом слое, что напрямую влияет на точность предсказания и время обучения модели. Для задачи прогнозирования качества полосы размер задействованных входных данных относительно высок, поэтому выбрать количество нейронов сложнее (c) Поскольку процесс точной настройки DBN основан на алгоритме градиентного спуска, сходимость скорость сети BP относительно низкая. Кроме того, алгоритм BP является алгоритмом локального поиска, что может привести к попаданию сети в локальный оптимум из-за неправильного выбора начальных весов сети, что может привести к сбоям обучения сети

Для решения вышеуказанных проблем, в этой статье вводится RBM Гаусса-Бернулли вместо RBM в традиционной DBN для сохранения сигнала непрерывных входных данных, вводится оптимизация роя частиц для расчета оптимального количества нейронов в скрытом слое в процессе настройки параметров и вводится машина экстремального обучения для сократить время обучения модели, улучшить способность к обобщению и избежать попадания в локальную оптимизацию.

3.2. УРБ Гаусса-Бернулли (GBRBM)
3.2.1. Базовая структура GBRBM

Ограниченная машина Больцмана (RBM) представляет собой неглубокую сеть случайной генерации, предложенную Hinton et al. Это энергетическая модель обучения без учителя. Он делит все нейроны на видимый слой и скрытый слой. Данные вводятся из видимого слоя для выражения признаков данных. Скрытый слой может извлекать объекты, чтобы выразить взаимосвязь между входными переменными, поэтому скрытый слой также называется экстрактором признаков.Два слоя нейронов полностью связаны, и между нейронами одного слоя нет связи.

Предположим, является узлом ячейки видимого слоя, является узлом ячейки скрытого слоя, является смещением узла видимого слоя, является смещением узла скрытого слоя и является матрицей весов между видимым и скрытым слоями.

Когда состояние () определено, энергетическая функция RBM может быть определена как

Видимый и скрытый уровни традиционного RBM ограничены бинарным распределением [24], которое хорошо работает при решении задач классификации.Но булевы переменные больше не подходят для расчета непрерывных данных при решении задач регрессии. Поэтому в данной статье при прогнозировании качества полосы вводится GBRBM.

RBM Гаусса-Бернулли (GBRBM) — это ограниченная машина Больцмана для небиномиальных данных, предложенная Крижевским и Хинтоном. GBRBM вводит функцию Гаусса между видимыми и скрытыми элементами для обработки непрерывных чисел от 0 до 1. Выражение функции энергии GBRBM выглядит следующим образом:

Чем ниже энергия системы, тем стабильнее система и тем меньше погрешность результатов прогнозирования параметров качества.В уравнении (2) – параметр, подлежащий решению, , и – допуск, соответствующий . Когда определено, совместное распределение вероятностей может быть получено через функцию энергии:

В уравнении (3) – коэффициент нормализации, также называемый функцией распределения.

Поскольку нет связи между нейронами в одном и том же слое RBM, состояния активации между видимым слоем и единицей скрытого слоя не зависят друг от друга, поэтому, когда определены состояния и, вероятность активации видимого слоя и единица скрытого слоя может быть получена как

3.2.2. Процесс обучения GBRBM

Целью обучения модели RBM является вычисление оптимального значения параметра для получения оптимальной модели. Обычно это достигается с помощью формулы оценки максимального правдоподобия:

Чтобы рассчитать обновленное уравнение каждого параметра, мы используем алгоритм контрастной дивергенции (CD), предложенный Хинтоном, для обучения модели и добавления корректировки в GBRBM; процесс обучения выглядит следующим образом: (а) в начале обучения назначьте входные данные узлам видимого слоя для получения и получения признаков данных, отображаемых из видимого слоя в скрытый слой согласно уравнению (5), (b) выполнить обратный расчет в соответствии с уравнением (4) и сопоставить результат, полученный в (а), с видимым слоем, и (c) вычислить ошибку между выборками в соответствии с сравнением между реконструированными результатами и исходными данными и скорректировать межслойный вес для уменьшения погрешности.Процесс обновления вектора параметров выглядит следующим образом:

В уравнении (7) – скорость обучения RBM, – математическое ожидание входных данных, а – математическое ожидание восстановленных данных. Выходные данные обученной модели прямого прохождения могут представлять собой исходные входные данные видимого слоя; таким образом, извлечение признаков входных данных завершено.

3.3. Extreme Learning Machine

Нейронная сеть BP используется в верхнем слое DBN.Хотя нейронная сеть BP обладает лучшей адаптивной способностью, в процессе обучения она использует алгоритм градиентного спуска. Когда нейрон близок к 0 или 1, скорость сходимости относительно низкая, что приводит к увеличению времени обучения модели. Кроме того, алгоритм BP может попасть в локальный оптимум для сложных нелинейных задач, таких как прогнозирование качества полосы. Чтобы решить эти проблемы, в этой статье представлена ​​модель машины с экстремальным обучением.

Экстремальная обучающая машина (ELM) представляет собой одноуровневую нейронную сеть с прямой связью со скрытым слоем, предложенную Хуан Гуанбинем в 2004 году, включая входной слой, скрытый слой и выходной слой.Структура показана на рисунке 2. Смещение узла скрытого слоя и вес входного слоя в ELM назначаются случайным образом при инициализации, что значительно сокращает время обучения модели. Выходной вес ELM регулируется с помощью регуляризованной минимальной среднеквадратичной ошибки, что может обеспечить глобальную оптимизационную способность ELM. Таким образом, ELM обладает относительно высокой эффективностью обучения и сильной способностью к обобщению и больше подходит для сложных производственных сценариев, таких как процесс чистовой прокатки стали.


Предположим, что есть выборка и входные выборки и соответствующие им ожидаемые выходные данные соответственно. Предполагая, что количество узлов скрытого слоя равно , модель ELM может быть выражена как

В уравнении (8) – функция активации скрытого слоя; и – векторы весов между входным и скрытым слоями, а также между скрытым и выходным слоями соответственно; — смещение узла скрытого слоя; и является выходом ELM.Цель обучения сети состоит в том, чтобы минимизировать ошибку вывода и найти специальное значение, чтобы выходное значение было целевым значением:

Выражено в виде матрицы:

В уравнении (10) – выходная матрица скрытого слоя, – весовая матрица, а – выходная матрица сети. Поскольку ELM генерируется случайным образом и находится на этапе инициализации, матрица определяется однозначно. Процесс обучения сети может быть преобразован в линейную систему решения задачи. Приближенное решение может быть получено согласно обобщенной обратной матрице Мура-Пенроуза:

В уравнении (12) является обобщенной обратной матрицей Мура-Пенроуза выходной матрицы скрытого слоя .

3.4. Модель GBDBN-ELM

В этой статье RBM в традиционной DBN заменяется на GBRBM для формирования GBDBN, а затем модели GBDBN и модели ELM объединяются, как показано на рисунке 3. Для -layer GBDBN-ELM модель, данные выборки качества полосы назначаются видимому слою первого слоя GBRBM, первый скрытый слой и второй скрытый слой образуют GBRBM, выход первого GBRBM также является входом последнего GBRBM и т. д. , до слоя модели; слой, слой и последний выходной слой — это ELM.Слой модели является как выходом последнего слоя GBRBM, так и входом ELM.


В этой модели входные данные о качестве полосы извлекаются с помощью многослойной GBRBM для формирования низкоразмерного выражения признаков, которое максимально обеспечивает характеристики исходного набора входных данных. Затем введите извлеченные функции в ELM для прогнозирования регрессии, чтобы получить прогнозируемые данные прогнозирования качества полосы.

Для -слойной модели GBDBN-ELM предположим, что количество нейронов в сети слоев равно , а количество нейронов в сети слоев равно , сеть может быть выражена как

Согласно алгоритму ELM выходная матрица слоя сети и решающее уравнение могут быть получены как

Модель GBDBN-ELM сочетает в себе характеристики неконтролируемого обучения DBN с высокой эффективностью обучения и сильной способностью к обобщению ELM.Это может повысить скорость обучения и точность прогнозирования.

4. Экспериментальное исследование

Показатели для измерения качества полосовой стали в основном включают толщину, ширину и температуру поверхности, среди которых толщина является наиболее важным показателем для оценки соответствия стали стандарту [25] . Поэтому в этой статье проверяется осуществимость улучшенной сети глубокого доверия путем прогнозирования толщины готовой прокатанной полосы и сравнивается улучшенная модель с другими алгоритмами машинного обучения и алгоритмами глубокого обучения, чтобы проиллюстрировать превосходство модели.

4.1. Подготовка данных
4.1.1. Источник данных

Экспериментальные данные в этой статье получены на линии чистовой обработки горячекатаной полосы диаметром 1580 мм сталелитейной компании. Производственная линия состоит из 7 единиц. После 5~7 проходов черновой прокатки мы можем получить промежуточную заготовку толщиной 25~60 мм, которую можно отправить на чистовой стан после бокса горячей рулонной прокатки, летучих ножниц и бокса дефосфорации. Контроль толщины полосы осуществляется в основном на чистовом стане. После чистового проката мы можем получить готовую полосу толщиной 1.2-12,7 мм. Производственная линия состоит из семи чистовых станов, а именно F1~F7. Устройство для гибки рабочих валков используется на 7 прокатных станах, среди которых F2~F4 – прокатные станы PC со скрещенными парами валков. Между каждыми двумя прокатными станами устанавливаются петлевые валки, чтобы сбалансировать натяжение прокатки и предотвратить штабелирование листов. Скорость нарезания резьбы, ускорение, обжатие каждой клети и усилие изгиба каждой клети прокатного стана F1~F7 рассчитываются и устанавливаются компьютерной системой управления в соответствии с разнообразием и спецификацией прокатанной полосы и могут регулироваться динамически. Выход чистового стана F7 оснащен приборами контроля линии прокатки по толщине, ширине, температуре и качеству гребня полосовой стали, которые могут контролировать качество в режиме реального времени и изменять параметры процесса для улучшения качества проката.

В этом эксперименте параметры процесса, установленные компьютерной системой управления семи чистовых станов на этапе чистовой прокатки, и параметры качества полосы, определяемые датчиком на выходе F7, собираются в течение 8 дней.Временной интервал выборки составляет 90 секунд, всего собирается 3350 наборов производственных данных. Каждый набор данных включает 7 наборов положения обжатия чистовых станов, усилия прокатки, скорости клети, компенсации масляной пленки, компенсации эксцентрика и других параметров процесса, а также их достоверность и количество точек, всего 234 столбца данных.

4.1.2. Предварительная обработка данных

Поскольку собрано 234 параметра процесса, и если все эти данные использовать для прогнозирования толщины полосы, сеть глубокого обучения будет очень сложной, а время обучения будет очень долгим. Однако некоторые данные слабо коррелируют с конечной толщиной полосы на выходе. В этой статье важность каждого элемента сортируется с помощью метода дерева решений с градиентным усилением, как показано на рисунке 4. Наконец, 69 факторов выбираются в качестве входных параметров для прогнозирования качества полосы, включая толщину на входе, температуру на выходе, зазор между валками и каждой клети, усилие прокатки, скорость клети, усилие изгиба ролика, обратное натяжение и угол петлителя.


Из-за сложной производственной среды, водяного пара и других факторов помех, а также нестабильности компьютерной системы и самого датчика данные, собранные на месте, содержат определенные ошибки, отсутствующие данные и ненормальные значения.Для проблемы отсутствующих данных в этой статье используется метод среднего, чтобы дополнить отсутствующее значение. Для выбросов сначала вычислите евклидово расстояние между образцами с помощью метода кластеризации средних значений и извлеките выбросы, а затем устраните выбросы. Метод нормализации минимум-максимум используется для выполнения линейного преобразования исходных данных, и данные отображаются между , чтобы исключить влияние размерности параметра на результаты прогнозирования.

В соответствии с методом проверки удержания 3000 групп данных случайным образом выбираются в качестве обучающей выборки, а оставшиеся 350 групп данных используются в качестве проверочной выборки модели после обучения.

4.2. Настройка параметров
4.2.1. Ключевой параметр

Перед обучением и прогнозированием необходимо заранее установить некоторые соответствующие параметры. Эти параметры не могут быть обновлены в процессе обучения, а задаются заранее с помощью метода настройки параметров. Эти параметры оказывают большое влияние на способность модели к обучению и должны постоянно корректироваться, чтобы максимизировать преимущества модели.

При анализе структуры и принципа сетевой модели необходимо заранее задать суперпараметры модели GBRBM-ELM, в том числе количество слоев GBRBM в DBN, количество узлов скрытого слоя в DBN и ELM, количество узлов видимого слоя в первом слое RBM, количество узлов выходного уровня ELM, размер блоков данных на этапе обучения сети, количество раундов обучения, скорость обучения и термин импульса.

Поскольку для прогнозирования толщины полосы выбрано 69 входных параметров, количество видимых узлов слоя равно 69, а количество узлов выходного слоя равно 1. В этой статье используются разные методы для установки и настройки различных параметров.

4.2.2. Метод поиска по сетке

Поиск по сетке заключается в использовании предварительных знаний для указания диапазона значений параметров. В этом диапазоне параметры перечислены иерархически. На основании экспериментальных результатов можно выбрать оптимальное значение параметра с небольшой ошибкой прогнозирования.

Если взять в качестве примера слои GBRBM, это один из важных параметров сетевой структуры DBN. Количество слоев RBM напрямую влияет на прогнозный эффект модели. Когда количество слоев RBM слишком мало, модель не сможет использовать преимущества глубокого обучения, и эффект прогнозирования будет плохим. Но слишком много слоев приведет к увеличению времени обучения или вызовет переоснащение. Согласно предшествующим знаниям, диапазон изменения количества слоев установлен между 1 и 10. Эффект предсказания модели показан на рисунке 5.


Согласно результатам сравнения, когда количество слоев RBM равно 4, ошибка модели минимальна, поэтому в этой статье используется 4-уровневая структура сети RBM.

Используя тот же метод, после нескольких сравнительных экспериментов можно получить количество узлов скрытого слоя в ELM, размер блока данных, тренировочные раунды, скорость обучения и импульс. Оптимальные параметры сети отображаются в таблице 1.



Количество слоев RBM 4
Количество узлов из скрытого слоя в ELM 60
Данные размер блока 150
Тренировочные раунды 20
Скорость обучения 0.01
Импульс 0,5

4.2.3. Particle Swarm Optimization

Другим основным параметром структуры модели DBN является количество узлов в каждом скрытом слое. Поскольку скрытые уровни в 4-уровневом RBM связаны друг с другом, количество узлов сильно различается, и существует множество комбинаций узлов; трудно использовать поиск по сетке, чтобы перебрать один за другим, чтобы найти оптимальную комбинацию количества узлов.В этой статье оптимизация роя частиц (PSO) используется для автоматического вычисления количества скрытых узлов слоя в каждом слое.

Алгоритм роя частиц сравнивает оптимизированное решение каждой целевой функции с частицами в пространстве поиска. Каждая частица имеет два параметра: положение и скорость, и пригодность частицы можно рассчитать по целевой функции. Сравнивая пригодность частицы в текущий момент времени с ее состоянием в предыдущий момент времени, можно получить индивидуальное оптимальное положение.Точно так же можно получить оптимальное положение группы. Согласно уравнению (14) можно уточнить скорость и положение частицы и найти глобальное оптимальное решение, удовлетворяющее условию завершения:

В уравнениях (16) и (17) и — скорость и положение частиц в момент времени, — коэффициенты обучения, и — случайные числа в (0,1).

Установите размер популяции PSO равным 10 и количество чередований равным 10, и, наконец, найдите количество узлов скрытого слоя 4-слойной DBN как .

4.3. Обучение модели

Обучение комбинированной модели GBDBN-ELM разделено на две части: (a) Модуль обучения ГБДБН . Во-первых, инициализируйте параметры сети, веса и количество узлов скрытого слоя модели. Первыми слоями комбинированной модели являются модели GBDBN, а предварительно обработанные входные данные распределяются по узлам видимого слоя для установления . Затем алгоритм контрастной дивергенции (CD) используется для обучения каждого RBM слой за слоем снизу вверх.При обучении одного уровня RBM параметры этого уровня фиксируются и используются в качестве входных данных для верхнего уровня RBM для обучения верхнего уровня RBM и так далее, пока не будет завершено обучение всех RBM. Наконец, нижние функции постепенно объединяются в функции высокого уровня и, наконец, отправляются в модуль регрессии. (b) Модуль обучения ELM . Веса соединений слоя и слоя инициализируются. Слой представляет собой слой извлечения признаков последнего слоя GBDBN. Предварительно обработанные многомерные размеченные данные используются в качестве входных данных модуля GBDBN после обучения, а результат извлечения признаков используется в качестве входных данных исходного модуля elm.Алгоритм вяза используется для обучения, чтобы получить лучшие параметры модели.

На основе модульного обучения GBDBN-ELM получаются эффективные DBN и ELM соответственно. Набор тестовых данных предварительно обрабатывается для получения многомерных выборочных данных, подлежащих обнаружению. Обученная модель GBDBN используется для извлечения признаков, чтобы получить более качественные данные о признаках. Прогнозируемая толщина полосы может быть получена модулем ELM. Общий процесс показан на рисунке 6.


4.4. Анализ результатов и сравнение
4.4.1. Индекс оценки модели

В этой статье для оценки прогнозирующего эффекта модели используются пять индексов, включая сумму квадратов невязок (SSR), среднеквадратичную ошибку (RMSE), квадратный коэффициент детерминации () и обучение время (). Индекс рассчитывается следующим образом:

Чем меньше SSE, RMSE и MAE, тем лучше эффект предсказания. — степень подгонки модели, и чем она ближе к 1, тем лучше регрессионный эффект модели; — время от начала до конца обучения, и чем оно меньше, тем быстрее проходит обучение модели и тем выше ее производительность.

4.4.2. Результаты прогнозирования

350 наборов данных использовались в тестовом наборе для оценки производительности модели. В данной работе результаты моделирования модели прогнозирования оцениваются путем анализа кривой предсказанного значения и истинного значения толщины полосы, кривой ошибки прогноза и кривой относительной ошибки прогноза.

Из рисунка 7 видно, что прогнозное значение толщины полосы, полученное с помощью модели GBDBN-ELM, очень близко к реальному значению толщины полосы, а тренд колебаний и диапазон их изменения в основном совпадают.Анализируя рисунок 8, мы можем получить следующие результаты: 93,7% абсолютной ошибки между прогнозируемым значением и реальным значением находится в пределах , и только несколько точек имеют относительно большую ошибку между . Причина в том, что тестовые образцы выбираются случайным образом, и эти точки имеют большую мутацию по сравнению с окружающими точками, а диапазон изменения предсказания модели меньше реального диапазона изменения. Как показано на рисунке 9, относительная погрешность предсказанной моделью толщины полосы находится в пределах 10%, среди которых 80.9% меньше 5%. Таким образом, модель прогнозирования толщины полосы на основе GBDBN-ELM имеет высокую точность.




4.4.3. Сравнение различных моделей

Чтобы всесторонне проанализировать эффективность прогнозирования качества полосовой стали, данная модель сравнивает ее с нейронной сетью BP, ELM, традиционной сетью DBN и моделью DBN-ELM и оценивает вышеупомянутые модели в соответствии с SSR, RMSE и . Результаты представлены в таблице 2.Чтобы интуитивно сравнить ошибку прогнозирования модели, на рисунках 10–13 показана относительная ошибка результатов прогнозирования первых 100 групп тестовых данных GBDBN-ELM и показано сравнение с другими моделями соответственно.


Индекс \ модель BP ELM ДБН ДБН-ELM GBDBN-ELM

ССР 59.3560 78,2718 14,3091 22,398 8,5856
RMSE 0,4118 0,4728 0,2022 0,2530 0,1565
0,9872 0,9607 0,9926 0,98854 0.9956
3,1548 0,5127 96,9802 32,0120 33,8380





Сравнивая результаты прогнозирования нейронной сети BP и ELM в таблице 2, мы можем обнаружить, что время обучения ELM короче, поскольку он случайным образом генерирует смещение скрытого слоя и веса входного слоя во время инициализации, и нет необходимости обновлять их во время обучения. Однако нейронная сеть BP может настроить модель на лучшее состояние во время обучения, поэтому ее точность предсказания выше, чем у ELM. Однако, проанализировав рисунки 10 и 11, можно обнаружить, что большая часть ошибки результатов прогнозирования двух нейронных сетей превышает 10%, поэтому недостаточно использовать простое машинное обучение для прогнозирования качества полосы.

Из таблицы 2 видно, что хотя DBN-ELM значительно сокращает время обучения, точность предсказания несколько ниже, чем у DBN.GBDBN-ELM улучшает сеть RBM на основе DBN-ELM, чтобы сделать ее пригодной для задачи регрессии с непрерывным значением и может сохранять больше данных при прогнозировании толщины полосы. Таким образом, GBDBN-ELM сочетает в себе преимущества DBN и ELM.

При сравнении результатов в таблице 2 установлено, что по сравнению с DBN, GBDBN-ELM сокращает время обучения на 65,1 %, сумму квадратов ошибок на 39,9 % и среднеквадратичную ошибку на 22,6 %; по сравнению с DBN-ELM, GBDBN-ELM уменьшает сумму квадратов ошибок на 61. 7%, а среднеквадратическая ошибка на 38,1%, а время обучения увеличивается только на одну секунду, что указывает на то, что улучшенная модель может эффективно повысить точность и сократить время обучения.

На рисунках 12 и 13 мы можем более интуитивно увидеть прогнозирующий эффект трех моделей глубокого обучения для каждого теста. Видно, что общая относительная ошибка результатов прогнозирования GBDBN-ELM меньше, чем у DBN и DBN-ELM. Относительная ошибка GBDBN-ELM едва превышает 8%, и можно с уверенностью сказать, что точность предсказания улучшенной модели соответствует отраслевым требованиям.В 350 наборах тестовых данных ошибка результатов прогнозирования GBDBN-ELM на 63,7% меньше, чем у DBN, и на 65,7% меньше, чем у DBN-ELM. Средняя относительная ошибка уменьшается соответственно на 40,4 % и 32,6 %.

Особенно для данных с большими ошибками прогнозирования DBN и DBN-ELM, GBDBN-ELM может значительно уменьшить ошибку и добиться лучших результатов прогнозирования. Здесь также в значительной степени отражаются преимущества усовершенствованной модели.

Анализ таблицы 2 и рисунков 10–13 показывает, что улучшенная модель GBDBN-ELM может повысить точность прогнозирования и значительно сократить время обучения.

5. Заключение

В этой статье предлагается усовершенствованный метод прогнозирования качества полосы DBN для решения проблемы, заключающейся в том, что точность прогнозирования качества полосы невысока, поскольку в процессе производства полосы задействовано много датчиков, а большинство параметров процесса взаимосвязаны. друг с другом и имеют серьезную нелинейность. В этой статье RBM в DBN заменяется на GBRBM, чтобы устранить зависимость от двоичного распределения, извлечь особенности многомерных входных данных и данных с высокой степенью связанности, объединить GBDBN с ELM, заменить сеть BP в DBN на ELM и ввести извлеченные характеристики данных в ELM для прогнозирования качества полосы.Модель GBDBN-ELM проверяется по данным линии чистовой обработки стали и используется для прогнозирования толщины полосы. Мы можем сделать следующие выводы.

Простая нейронная сеть BP и модель ELM не могут работать с большими размерами и нелинейными данными с высокой степенью связанности, создаваемыми сложным производственным процессом. Из-за простой структуры сети они не могут полностью извлекать характеристики данных и извлекать информацию, содержащуюся в данных, что приводит к недостаточной точности прогнозирования толщины полосы.

Модель GBDBN, предложенная в этой статье, может решить проблему низкой точности прогноза, вызванную сложными входными данными. Сеть GBDBN может сохранять как можно больше абстрактных признаков входных данных, так что ELM может получить более высокую точность предсказания.

Из сравнения с сетью DBN также можно узнать, что использование алгоритма ELM для обучения сети GBDBN и расчетов прогнозов может значительно сократить время и решить проблему чрезмерного времени обучения, вызванную сложностью сети DBN.

Доступность данных

Необработанные/обработанные данные, необходимые для воспроизведения экспериментов в этой статье, не могут быть переданы из-за корпоративной конфиденциальности.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Эта работа была поддержана Национальным научно-техническим инновационным проектом 2030 г. Китайского крупного проекта искусственного интеллекта следующего поколения, трехстороннего совместного принятия решений и оптимизации на основе данных в рамках гранта 2018AAA0101801.

нержавеющая сталь. микроструктура, текстура, тонкая полоса, прокатка, поточная, прочность, поверхность, зерно, феррит, аустенит

Литье полосы обеспечивает некоторые основные металлургические и коммерческие улучшения по сравнению с обычными методами обработки стального листа

 

  • Во-первых, она поставляет ленту с той же геометрией, что и , как при горячей прокатке. Это позволяет обойтись без горячей прокатки.

 

  • Во-вторых, обычно слабая первичная кристаллографическая текстура отлитой полосы снижает анизотропию.

 

  • В-третьих, высокая скорость затвердевания приводит к более тонкой микроструктуре по сравнению с обычным литьем.

 

  • В-четвертых, возможна прямая отливка стальных листов, не наделенных достаточной собственной пластичностью для прокатки, например трансформаторных сталей с высоким содержанием Si, некоторые интерметаллические сплавы или стали с высоким содержанием углерода.

 

  • В-пятых, неэкономично производить небольшие количества высококачественных сталей методом непрерывной разливки и горячей прокатки.Кроме того, капитальные затраты на традиционный синтез горячего проката в рулонах значительно ниже, чем на обычных литейно-прокатных заводах. Во-вторых, общая энергия, необходимая для производства конечных продуктов, значительно снижается, и соответственно снижаются затраты на энергию. Таким образом, технология литья в полосу позволяет небольшим сталелитейным заводам производить продукцию напрямую, без необходимости передачи этого заключительного этапа другим компаниям, и, таким образом, имеет стратегическое значение. преимущество перед традиционными технологиями литья.

В 1857 году изобретатель сэр Генри Бессемер запатентовал основы двухвалкового литья металлов. Но весь спектр и потенциал этой новой идеи, которую сегодня называют полосой литье, и его влияние на производство стали не будет осознано в течение нескольких поколений.

Недавний прогресс в технологии литья полос позволяет производить ферритные и аустенитные нержавеющие стали с некоторой геометрией и качеством, как у производимых обычной горячей прокаткой.Это позволяет обойти весь процесс горячей прокатки. Случайное распределение исходной кристаллографической ориентации по толщине r отлитой полосы. приводит к более однородным свойствам конечного стального листа. Последний эффект устраняет хорошо известное явление гребнеобразования в ферритной нержавеющей стали, которое часто ухудшает качество поверхности. изначально горячекатаных полос. В настоящей работе исследованы кристаллографическая текстура и микроструктура полосовой литой ферритной и аустенитной нержавеющей стали для различной сквозной толщины. результаты сравниваются с результатами традиционного производства, т. е. непрерывнолитых и впоследствии горячекатаных образцов.

 

 

Листы из нержавеющей стали

производятся в промышленных масштабах путем непрерывного литья, горячей прокатки, холодной прокатки и рекристаллизации. Однако недавний прогресс в производстве стальных листов
на пилотных ленточных МНЛЗ все больше стимулировал усилия по преобразованию таких устройств в коммерческое производство [1-6]. Двухвалковые разбрасыватели неравного диаметра для производство сталей объединяет две операции разливки жидкого металла между двумя валками и придания незначительной деформации затвердевшим металлическим пленкам в зазоре прокатки для производства рулонных полос [1-4].Литье в полосу обеспечивает пять основных улучшений по сравнению с обычными методами обработки. Во-первых, он поставляет стальную ленту с тем же геометрия, полученная горячей прокаткой [1,2]. Это позволяет обойти процесс горячей прокатки. Во-вторых, слабая текстура литой полосы приводит к уменьшению анизотропии по сравнению с до
горячекатаных листов [3,4, 7-10]. В-третьих, высокая скорость затвердевания приводит к более тонкой микроструктуре по сравнению с обычным литьем [II, 12]. В-четвертых, можно напрямую литые стальные листы, которые t Текстуры рекристаллизации настоящего материала будут исследованы в последующей статье [25].не наделены достаточным внутренним пластичность для прокатки, например трансформаторных сталей с высоким содержанием Si [13,14]. В-пятых, производство небольших количеств высоколегированных нержавеющих сталей экономически нецелесообразно. непрерывной разливкой и горячей прокаткой.
Несмотря на то, что многие первоначальные технические проблемы двухвалковых ленточных машин были решены [1,2, 5,6, 13, 14], микроструктура и текстура, которые развиваются во время прокатки и отжига полосы литые аустенитные стали еще не изучались. Из предыдущих исследований ферритных [10,15-18] и аустенитных [9,10,19-24] нержавеющих сталей, изготовленных традиционным способом, Известно, что исходная морфология и текстура зерна могут существенно влиять на эволюцию текстуры при холодной прокатке и отжиге]: Помимо описания текстуры и микроструктура, возникающая в результате литья полос и последующей обработки, имеет значение и второй, более фундаментальный пункт
. Нестабильные аустенитные нержавеющие стали подвергаются фазовому превращению, вызванному деформацией, во время холодной прокатки. Этот механизм является строго кристаллографическим и таким образом выступает за использование количественного анализа текстуры. Таким образом, нестабильные аустенитные стали можно рассматривать как модельное вещество для изучения деформационного поведения стали. г.к.к.-б.к.к. двухфазный сплав.

Исследования текстуры нестабильных аустенитных сталей более сложны, чем стабильных. Во-первых, нестабильные стали подвергаются фазе, вызванной частичной деформацией

.

превращение аустенита в мартенсит во время холодной прокатки.Во-вторых, преобразованная объемная доля мартенсита зависит от пути деформации. Этот факт представляет собой существенное отличие между настоящим материалом и латунью 60/40, которая часто используется в качестве двухфазного модельного вещества [26,27]. В-третьих, в нестабильных аустенитах Г.К.К. и до н.э. фазы связаны не только за счет равновесия напряжений и совместимости деформаций, но и за счет строгих правил кристаллографического преобразования. В-четвертых, из-за почти идентичный химический состав обеих фаз, угол Брэгга {III} аустенита перекрывает угол Брэгга {IIO} мартенсита.В этом документе рассматриваются микроструктуру и кристаллографическую текстуру полосовой оболочки, а затем холоднокатаной стали
с содержанием 18 % масс. Cr и 8,5 % масс. Ni по отношению к вышеупомянутым пунктам. Результаты сравниваются с результатами традиционно изготовленных образцов. За это одинаковые по назначению эксперименты были проведены как с полосовыми, так и с горячекатаными исходными образцами. Микроструктуру и текстуру изучали в различных по толщине слои. Экспериментально наблюдаемые
текстур холодной прокатки аустенита были сопоставлены с моделированием Тейлора с учетом взаимодействия зерен [28].Этот подход уже был успешно использован для описания текстур прокатки алюминия [29,30]. В настоящем моделировании рассматриваются как <110), так и чистые (211) векторы скольжения (механизм карточного скольжения
) [31, 32]. Текстура мартенсита была смоделирована с использованием модели деформации типа Сакса с учетом систем скольжения {11O} (Ill) и {211}(lll).

Более конкретное изменение микроструктуры и текстуры полосового проката и горячекатаного аустенитного проката. нержавеющая сталь (18% Cr, 8.5% Ni) при холодной прокатке (максимальное обжатие Dd/d; = 80%). Микроструктура горячей полосы была однородной по толщине листа, за исключением центральном слое появилась небольшая объемная доля мартенсита. Текстура горячей полосы показала градиент по толщине, который обсуждался с точки зрения распределения сдвига во время горячей прокатки. микроструктура литой полосы показала глобулярные зерна с мартенситом в центральном слое и блоки аустенитные дендриты в других слоях.Образование мартенсита связывают с деформацией затвердевшие пленки в зазоре прокатки. В образце ленточной отливки обнаружено слабое текстурное волокно, близкое к {OOI}(uvw), что было интерпретировано с точки зрения отбора роста во время затвердевания. При холодной прокатке в обоих типов образцов объемная доля мартенсита увеличилась до ~ 50 об.% (снижение 80%). Текстура холодной прокатки аустенита в обоих случаях характеризовалась {OIl}(211) и {OIl}(100). Текстура холодной прокатки горячекатаной полосы была сильнее, чем у образца, отлитого из полосы, что было приписано до

влияние исходной текстуры и размера зерна.Текстура аустенита при холодной прокатке была смоделирована с помощью модели типа Тейлора, учитывающей взаимодействие зерен и так называемый карточный механизм скольжения. Мартенситная текстура характеризовалась {211}(0 II) и {II I}011). Первая составляющая интерпретировалась с точки зрения ослабления сдвиговых ограничений. Последнее было связано с селективным фазовым превращением {OlI}OIl) (аустенит) в {332}(113) (мартенсит), который затем вращался в сторону {JII}(112). Текстуры прокатки мартенсита были смоделированы с использованием модели деформации типа Сакса.

 

Микроструктуру и текстуру полосовой и горячекатаной аустенитной нержавеющей стали (18% Cr, 8,5% Ni) исследовали с помощью оптической металлографии и Рентгенотекстурный анализ. В горячем поясе выявляется однородная микроструктура с градиентом текстуры по толщине, состоящим из текстуры слабого холоднокатаного типа в центре. слой и текстуру сдвига, близкую к поверхностным слоям. Результат обсуждается с точки зрения профиля сдвига по толщине, который создается во время горячей прокатки.В ленточном материале случайное распределение ориентации, а также развитие мартенсита вблизи центрального слоя объясняется ударом и деформацией пленок, которые затвердевают на поверхностях литейные валки. Текстура, близкая к поверхности, объясняется выбором роста зерен с ориентацией {001}(uvw).

 

5 Аспекты процесса производства светодиодных лент

1. Чипы светодиодных лент

Светодиод представляет собой полную производственную цепочку. техническое содержание светодиодной промышленности.Эпитаксиальные пластины в основном поставляются из Японии, Южной Кореи и Германии. Вафли тайваньских компаний в основном поступают из Японии и Южной Кореи. Наилучшие показатели яркости и затухания света производятся в Японии, тайваньском Гуанджу и американском Пури.

Пленка произведена в Японии, и ее пластины также хорошо приняты в отрасли. В настоящее время, помимо предоставления расширений для внешнего мира, японский завод по производству кристаллов начал сокращать себя, что, безусловно, окажет давление на фабрики вафель на Тайване и в материковом Китае.В процессе упаковки он в основном сосредоточен на Тайване и на материке. Среди них тайваньские компании занимают лидирующие позиции в мире в области упаковки, и существует большое количество высококачественных предприятий, таких как Yiguang, Qihong, Dongbei и Chimei. Примерно в 2000 году, с появлением пластин Blu-ray и процессов белого света, а также расширением рынков мобильных телефонов, подсветки, освещения и других приложений, тайваньские упаковочные компании открыли промышленную весну.

2. Пакет светодиодных чипов

В виде упаковки, из начального ряда 3мм, 5мм, 8мм, 10мм, пираньи. Более поздние патчи разработки 0805, 0603, 1206, теперь 1210 (3528), 5050 и другие серии TOPLED. Таким образом, светодиодные ленты также эволюционировали от обычных линейных до серий 0805 и 0603, 1206 и самой популярной серии патчей 5050 на рынке. Стоит отметить, что яркость светодиодного света напрямую связана с пластиной.

В настоящее время упаковка чипов имеет размер 9MIL, 12MIL, 14MIL и другие размеры.По идее, чем больше чип, тем выше мощность и яркость, естественно, тем дороже цена. В настоящее время многие компании на рынке используют внешний вид упаковки 5050, но на самом деле используют яркость.

Относительно небольшой размер пластины, что приводит к низким ценам, но плохому качеству, это безответственное поведение для клиентов. При использовании внимательно различайте процесс сварки и яркость шарика лампы, и прибор может быстро определить разницу между ними.

3. Комплект светодиодных лент

Светодиодные ленты делятся на гибкие светодиодные ленты и жесткие светодиодные ленты. Различия заключаются в следующем:

1. Гибкая светодиодная панель собрана FPC и собрана с патч-светодиодом.

Толщина продукта составляет всего 1 мм, что не занимает места; общая спецификация составляет 30 ламп на метр, 48 ламп и 60 ламп и т. д. Пользователи имеют разные спецификации.И его можно обрезать по желанию, а можно удлинить по желанию и на подсветку это не повлияет. FPC мягкий, его можно свободно сгибать, складывать и наматывать. Его можно перемещать и растягивать в трех измерениях, не ломая. Он подходит для использования в нестандартных местах и ​​небольших пространствах, а поскольку его можно произвольно сгибать и скручивать, он подходит для произвольного комбинирования различных узоров в рекламном оформлении.

Стоит отметить, что материал FPC также делится на множество видов. Формальное применение на рынке — двухпанельный ФПК из медного проката.Конечно, многие компании также стремятся к снижению себестоимости материалов. ФПК из электролита, электролит ФПК. Его легко отклеить в процессе сварки, что напрямую приводит к пайке и мертвому свету. Кроме того, электролит не может конкурировать с прокатной медью по электропроводности и гибкости.

2. Жесткие светодиодные ленты собраны из жестких плат PCB.

Светодиоды в сборе с патч-светодиодами.Они также собраны с встроенными светодиодами. В зависимости от потребностей используются различные компоненты. Преимущество жесткой световой полосы в том, что ее относительно легко крепить, удобно обрабатывать и устанавливать; недостатком является то, что он не может свободно изгибаться и не подходит для неровных мест. Существуют различные спецификации для световой полосы с патч-светодиодом: 30 ламп на метр, 48 ламп, 60 ламп и т. Д. Есть спецификации 18, 24, 36, 48 и другие для встроенных светодиодов, а также есть передние и боковые стороны.Свет также называют световой панелью Great Wall.

 

4. Разница между водонепроницаемым клеем для светодиодных лент

Среди материалов, используемых в водонепроницаемых световых полосах, текущий рынок больше, чем использование эпоксидной смолы AB клей 560 серии. Однако светлые полоски, инкапсулированные таким клеем, как правило, имеют больше пузырьков, легко рвутся, неустойчивы к высокой температуре и холоду и склонны к пожелтению и разрыву из-за длительного использования. Поэтому больше всего нареканий от покупателей вызывают проблемы именно этого вида клея.

В настоящее время наша компания использует клей силиконовый. Силиконовый клей — хорошая цена хорошего клея, но прозрачность хорошая. Он складывается 500 раз, не ломаясь, устойчив к разрывам, устойчив к ультрафиолетовому излучению на открытом воздухе, не желтеет, а блеск поверхности превосходен. Продукция обладает отличной устойчивостью к низким температурам, водостойкостью и устойчивостью к озону. Он устойчив к кислотам и щелочам, спирту, дуге, ультрафиолетовому излучению, воздействию холода и тепла и полностью соответствует высоким требованиям к производительности для внутреннего и наружного использования.

5. Выбор оборудования для производства светодиодных лент

О производственном оборудовании также разные производители, качество оборудования и репутация с хорошей репутацией: Li Feng для светодиодных лент мягкого света — это в основном процесс SMT, Процесс представляет собой смешивание паяльной пасты (LF-180A), печать паяльной пасты (LTCL-SP600). Плата лампы обычно имеет размеры 510X250 мм. Поэтому к SMT необходимо добавить крупногабаритную печатную машину (LF-100LC) и поставить ее в установочную машину (SM421S) для монтажа.

Плата с прикрепленной лампой подключена (LF-100LT). Пайка оплавлением с подачей баржи (малая и средняя производственная мощность: S6, рекомендуется большая производительность: пайка оплавлением серии M6) После пайки печатная плата может быть проверена на разделение, соединение, испытание, старение, герметизацию, старение и упаковку готовой продукции. !

LifeScan завершает локализацию производства тест-полосок в России

LifeScan завершает локализацию производства тест-полосок в России

31.03.2020

Источник: Новости GMP, 31.03.2020

LifeScan, специализирующаяся на производстве систем мониторинга уровня глюкозы в крови и цифровых решений для управления диабетом, объявила о запуске локализованного производства тест-полосок для глюкометров OneTouch® на производственных мощностях Фармстандарт-Лексредства в Курске.


LifeScan расширил производство в Курске за счет полного перевода комплекса ответственных технологических и лабораторных операций и максимального увеличения доли российских материалов в своей конечной продукции.Локализованное производство позволит снизить затраты, а регионы смогут обеспечить большее количество нуждающихся пациентов качественными средствами самоконтроля уровня глюкозы в крови, а также увеличить количество закупаемых тест-полосок.

Фармстандарт-Лексредства будет производить около 4,5 млн упаковок тест-полосок в год для удовлетворения потребностей больных сахарным диабетом как в России, так и в странах ЕАЭС.

Качество тест-полосок, выпускаемых на российском заводе, полностью соответствует качеству их производства на предприятии LifeScan в г. Инвернесс (Шотландия, Великобритания).Локальное производство тест-полосок соответствует стандарту GMP, компания «Фармстандарт-Лексредства» сертифицирована в соответствии с мировыми стандартами качества LifeScan и прошла внутренний аудит, а специалисты завода «Фармстандарт-Лексредства» прошли обучение на производственной площадке LifeScan в Шотландии. Более того, новая производственная площадка уже внесена в регистрационные удостоверения тест-полосок OneTouch®, а также получила сертификат СТ-1, подтверждающий, что Российская Федерация является страной происхождения данного продукта.Таким образом, производство абсолютно идентичных по качеству и точности тест-полосок будет осуществляться в Курске.

«Локализация производства повысит доступность продукции LifeScan для российских пациентов, которым необходимы тест-полоски для самоконтроля и повышения эффективности терапии. Мы очень рады, что наши медицинские приборы смогут помочь еще большему количеству пациентов предотвратить развитие осложнений сахарного диабета, а также инвалидности.Кроме того, это значимый этап в развитии бизнеса Компании в России.Мы продолжим инвестировать, передавая передовые технологии нашим российским партнерам», — сказала Иветт Салиб , генеральный директор LifeScan Россия.

LifeScan Россия в партнерстве с «Фармстандарт» локализует производство систем самоконтроля для больных сахарным диабетом: в конце 2015 года на заводе «Фармстандарт-УфаВита» запущена первая очередь коммерческого производства тест-полосок для глюкометра OneTouch® завод в Республике Башкортостан. Тогда Фармстандарт-Лексредства в Курске запустила первую автоматизированную линию по производству готовых изделий различных платформ OneTouch® на основе импортных материалов и комплектующих.Сейчас «ЛайфСкан» вновь расширяет производство, передав пакет важнейших технологических и лабораторных операций российским специалистам и максимально увеличив долю российских материалов в готовой продукции на производственных мощностях «Фармстандарт-Лексредства».

 

Источник:

https://yandex.ru/turbo?text=https%3A%2F%2Fgmpnews.ru%2F2020%2F03%2Flifescan-polnostyu-zavershaet-localizaciyu-proizvodstva-test-polosok-v-rossii%2F

.

LEAVE A REPLY

Ваш адрес email не будет опубликован.