Обработка материалов давлением №1 (19), 2008
349
Получение готового проката высокой точности может быть достигнуто в результате
постоянного поддержания деформационного режима, что возможно в случае использования
специальных систем и приборов. Принципиально методы измерения размеров сечения
проката разделяются на контактные и бесконтактные. Измерение контактным методом
связано с большими трудностями, недостаточно надежно и точно, особенно при высоких
скоростях прокатки, присущих
современным прокатным станам. При измерении размеров
раската бесконтактным методом используются различные методы: оптический,
телевизионный, с помощью лазерного луча или звуковых волн и т.д. [5]. Использование
бесконтактных измерителей позволяет оператору поддерживать оптимальный режим
прокатки и избегать возникновения различных видов брака, однако высокая цена и
техническая сложность внедрения измерителей на всех межклетьевых
промежутках
сдерживает их массовое использование.
Таким образом, учитывая необходимость поддержания заданных фактических
значений площади и размеров поперечных сечений проката в требуемых диапазонах и
отсутствие на большинстве прокатных станов непосредственных средств для контроля, с
нашей точки зрения, целесообразным является оценка степени износа калибров по
чувствительным к износу параметрам, и в то же
время являющимися непосредственно
измеряемыми (доступными). Для условий прокатки на современных сортовых прокатных
станах такими параметрами, несомненно, являются данные о работе приводов, а именно
якорный ток и скорость вращения. В качестве дополнительных, помогающих более точно
идентифицировать износ, используются такие параметры как диаметры валков, которые
являются важной характеристикой и обязательно известны, средняя
температура
поверхности заготовки после нагрева в печи, как правило, измеряемая стационарным
пирометром, расположенным в районе первой клети прокатного стана, а также любые
комбинации вышеперечисленных параметров.
По сути, система диагностики должна определять износ по отклонениям
чувствительных к износу параметров. В случае превышения величины износа определенного
уровня, требующего вмешательства производственного персонала, система диагностики
износа валков выдает рекомендации по изменению зазоров, с указанием номеров клетей
нуждающихся в подстройке и величине корректировки зазора. Основная проблема в
реализации такой системы заключается в ее идентификации. В связи с этим предлагается
использование самообучающейся системы, то есть такой системы, качество работы которой
по мере накопления данных улучшается. В настоящее
время существует большое количество
подходов реализующих самообучение систем, таких как деревья решений, нейронные сети,
генетические алгоритмы, байесовские сети и др. [1, 4].
Непосредственно для решения рассматриваемой задачи, с нашей точки зрения,
оправдано использование подхода "деревья решений" [1, 6], так как такую постановку задачи
можно представить в виде задачи классификации данных. Поясним, что именно здесь
понимается
под классификацией. Существует большое число случаев (каждый случай -
прокатка одной заготовки), каждый из которых характеризуется некоторым конечным набором
значений определенных параметров (доступных). Так же для каждого случая существуют
значения некоторых функций, в данном случае булевых - "есть износ" – "нет износа",
зависящих от данных параметров, число функций равно числу контролируемых клетей. В
целом задача диагностирования износа представляется в виде аппроксимации нескольких
булевых функций при помощи деревьев решений. В свою очередь последние в дальнейшем
обеспечивают возможность классифицировать непрерывно поступающие новые данные.
Таким образом, обучение реализуется путем построения дерева, которое в
дальнейшем используется для определения износа, и при поступлении новых данных
модифицируется. Схема возможного дерева
решений представлена на рис. 1.