CC BY
29
DOI 10.23859/1994-0637-2019-2-89-4 УДК 667.6
© Осколков В. М., Варфоломеев И. А., Виноградова Л. Н.,
Ершов Е.В., 2019
Осколков Василий Михайлович
Аспирант,
Череповецкий государственный университет
(Череповец, Россия)
E-mail: vm.oskolkov@outlook.com
Варфоломеев Игорь Андреевич
Кандидат технических наук, доцент, Череповецкий государственный университет (Череповец, Россия) E-mail: igor.varf@gmail.com
Виноградова Людмила Николаевна
Кандидат технических наук, доцент, Череповецкий государственный университет (Череповец, Россия) E-mail: lnvinogradova@bk.ru
Ершов Евгений Валентинович
Доктор технических наук, профессор, Череповецкий государственный университет (Череповец, Россия) E-mail: ershov_ev@mail.ru
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА УПРАВЛЕНИЯ ПРОЦЕССОМ СУШКИ ОЦИНКОВАННОГО ЛИСТА, ОКРАШЕННОГО ПО ТЕХНОЛОГИИ COIL COATING
Аннотация. В статье рассмотрен физический процесс адгезии полимерного покрытия к поверхности металла в процессе сушки, представлен результат компьютерного моделирования процесса адгезии. В статье также представлена реализация интеллектуального управления с помощью нейро-нечеткой модели. Модель позволяет повысить точность структурно-параметрической идентификации. Результаты испытаний модифицированной нейро-нечеткой модели приведены в конце статьи.
Ключевые слова: Интеллектуальное управление, предварительно окрашенный прокат, оцинкованный лист, адгезия, ком-
Oskolkov Vasilii Mikhailovich
Post-graduate student, Cherepovets State University (Cherepovets, Russia) E-mail: vm.oskolkov@outlook.com
Varfolomeev Igor Andreevich
PhD in Technical Sciences, Associate Professor, Cherepovets State University (Cherepovets, Russia) E-mail: igor.varf@gmail.com Vinogradova Lyudmila Nikolaevna PhD in Technical Sciences, Associate Professor, Cherepovets State University (Cherepovets, Russia) E-mail: lnvinogradova@bk.ru Ershov Evgeny Valentinovich Doctor of Technical Sciences, Professor, Cherepovets State University (Cherepovets, Russia) E-mail: ershov_ev@mail.ru
INTELLIGENT CONTROL SYSTEM OF THE DRYING PROCESS OF THE GALVANIZED SHEET PAINTED IN COIL COATING TECHNOLOGY
Abstract. The paper describes the physical process of adhesion of the polymer coating to the metal surface during the drying process, presents the result of computer simulation of the adhesion process. The article also presents the implementation of intelligent control using neuro-fuzzy model. The model allows improving the accuracy of structural and parametric identification. The test results of the modified neuro-fuzzy model are shown at the end of the paper.
Keywords: intelligent control, coil coating, galvanized sheet, adhesion, computer simulation, neuro-fuzzy model_
44
Вестник Череповецкого государственного университета • 2019 • №2
пьютерное моделирование, нейро-нечеткая модель
Введение
Современные промышленные предприятия имеют высокий уровень автоматизации. Это приводит к тому, что совершенствование технологического процесса производства возможно только на основе фундаментальных исследований. Для производства предварительно окрашенного металлического листа фундаментальными являются исследования физико-химических свойств поверхности, явлений адсорбции, адгезии и хемосорбции на уровне наноструктур. Это позволяет повысить точность адаптивного управления такими процессами, как формирование полимерного покрытия и сушка покрытия. Это также улучшает качество продукта благодаря более однородным и устойчивым покрытиям. На данный момент задача управления процессом сушки полимерного покрытия сложна из-за слабой формализации тепловых процессов, происходящих в печах. Сокращение количества бракованной продукции и энергопотребления за счет интеллектуализации процесса управления - это основной инструмент для металлургических компаний по повышению конкурентоспособности на мировом рынке предварительно окрашенной стали.
В связи с этим внедрение интеллектуальной системы управления процессом сушки полимерного покрытия на поверхности металлического листа является актуальной научно-технической задачей.
Кратко опишем некоторые подходы к построению систем управления металлургическими процессами.
Обучаемые системы управления. Системы этого типа характеризуются наличием специфического процесса обучения, который состоит из итерактивного накопления, хранения и анализа информации о поведении системы и законах функциональности в зависимости от полученного опыта.
Системы управления на основе моделирования тепловых объектов. Любой источник тепла может быть разложен на элементарные источники тепла. Эти источники следует рассматривать как распределенные по пространству и времени. Такое описание процессов в тепловых объектах характеризует их физическую природу.
Системы на основе поисковой самонастройки. Использование таких систем предполагает, что существует набор состояний системы, который является областью функции качества системы. Необходимо выбрать конкретные состояния, которые обеспечивают экстремальное значение функции качества. Зависимость между экстремальным значением и предпочтительным состоянием системы не является явной. Главной особенностью таких систем является наличие поискового процесса.
Основная часть
Синтез преимуществ существующих подходов является перспективным способом реализации систем управления металлургическими процессами. Целостность модели, построенной с использованием подхода «белого ящика» и генетического алгоритма, позволяет выбрать оптимальный набор управляющих переменных. Полученный набор данных может быть использован для обучения интеллектуальных моделей.
Вестник Череповецкого государственного университета • 2019 • №2
45
Далее рассмотрим внедрение этих подсистем для процесса сушки и объединим их в систему оптимального управления.
Физическое моделирование
Согласно наиболее часто используемой модели Рауса, структура полимера представлена в виде последовательности частиц, соединенных в цепь. Если частица сталкивается с поверхностью из-за ее теплового движения, она может либо отскочить от нее, либо может быть тесно связана с ней, что означает, что частица адсорбируется -адатом связывается с поверхностью с помощью слабых связей сил Ван-дер-Ваальса, характеризующихся энергией Ер [2]. При более высоких температурах происходит обмен электронами между адсорбированной частицей и поверхностью, что создает очень прочную химическую связь между ними, и частица называется хемосорбиро-ванной. После этого каждый адатом находится в гораздо более глубокой потенциальной яме Ес. Частица должна преодолеть энергетический барьер Еь, чтобы попасть в эту потенциальную яму. Значение Ес+Еь также определяет рабочую функцию Ж. На рис. 1 приведен схематический график зависимости потенциальной энергии частицы Е от расстояния г от поверхности [2], [1].
Рис. 1. График зависимости потенциальной энергии частицы от расстояния от поверхности в случае хемосорбции
Решеточная модель адсорбции Ленгмюра используется в качестве отправной точки исследовательской работы. Она основана на следующих гипотезах [5], [10]:
1) адсорбция ограничена толщиной монослойного покрытия;
2) все адсорбированные узлы решетки эквивалентны;
3) только одна частица может занимать адсорбированные участки.
В этом случае адсорбционный слой описывается двумерной моделью решеточного газа. Поверхность металлического листа представлена в виде двумерной прямоугольной решетки, которая содержит N узлов (участков адсорбции) вдоль оси X и М узлов вдоль оси У. Положение узла характеризуется двумя числами I и] и значением его занятости п¡¿, которое равно 0, если участок адсорбции свободен, и 1 - в против-
46
Вестник Череповецкого государственного университета • 2019 • №2
ном случае. Энергия взаимодействия между соседними узлами решетки приведена в уравнении (1), где К - постоянная взаимодействия [5].
М,М N ,М
Е = - У Кн. п. 1 . - У Кн. п. . ,. (1)
/ - .,. .+1, . / - .,. .,.+1 V I,.=1 I,.=1
Поскольку хемосорбция может происходить только при достаточно высоких температурах (частицы должны преодолевать энергетический барьер Еь), вероятность того, что звено полимерной цепи захвачено поверхностью металлического листа в результате их столкновения, может быть аппроксимирована с использованием уравнения (2).
1
Р = Р (1--), (2)
т 1 + (Т / т)« ^ '
где Т - температура поверхности; Тс - температура хемосорбции; Ртах - максимальный уровень вероятности захвата полимерной цепи при высоких температурах; g - параметр, определяемый полимерным материалом и типом металлического праймера. Частица может выйти из состояния хемосорбции только в том случае, если 1,5-кБ + Е > W.
Для начального времени / = 0 предполагается, что все узлы решетки незаняты. Расчеты проводились с использованием компьютерного моделирования методом Монте-Карло на основе алгоритма Метрополиса [5], [10].
На следующем этапе необходимо рассчитать уровень покрытия поверхности звеньями полимерных цепей. Уравнение (3) описывает его как отношение числа адсорбированных компонентов к общему количеству узлов решетки.
У н.,.
0 = .- . (3)
NM
На рис. 2б приведены результаты расчетов значения 9 для разных значений температур Т(/), показанных на рис. 2а.
Вестник Череповецкого государственного университета • 2019 • №2
47
Рис. 2а. График температуры стальной полосы от времени
Рис. 2б. График относительной степени заполнения поверхности металла звеньями полимерных цепей при соответствующем температурном режиме
Кривая 1 на рис. 2а и рис. 2б показывает, что низкие температуры приводят к слабой адгезии. В случае, если температура слишком высокая, адгезия возникает, но позже она уменьшается (кривая 3). В этом случае после процесса высыхания полимерного покрытия оно будет отставать от поверхности. Это главная причина дефектов. Оптимальные температуры для максимальной адгезии показаны на кривой 2 на рис. 2а. Таким образом, выбор оптимальных температур является основной технологической задачей. Значения микроскопических параметров, таких как Ер, Ес, g, использовались при моделировании адгезии. Первоначально эти значения были неизвестны [2], [6].
Основная задача управления печью полимерного покрытия заключается в поддержании ее оптимального температурного режима, обеспечивающего максимальный уровень адгезии. Температурный режим определяется заданными температурами семи печных зон. Необходимо установить распределение температуры в зависимости от скорости полосы, ее размеров, начальной температуры и марки стали.
Передача тепла в печи может осуществляться за счет газовой конвекции и теплового излучения, поэтому мы используем дифференциальное уравнение (4) [9].
мт
срк— = -ЦО(Г4 - Тгечи ) - к (Т - ТпечИ ), (4)
м
где Т - температура стального листа; Тпечи - температура печи; с - удельная теплоемкость стали; р - плотность стали; к - толщина стального листа; с - постоянная Стефана-Больцмана; к - коэффициент теплообмена поверхности; п - коэффициент излучения. В правой части уравнения (4) первый компонент характеризует плотность теплового потока, который поглощается сталью из-за излучения, второй - из-за конвекции.
В качестве примера на рис. 3 показано распределение температуры внутри печи (Тпечи) в виде дискретных значений, приведенных в центре каждой из семи печных зон.
48
Вестник Череповецкого государственного университета • 2019 • №2
о 10 20 30 40 XА!
Рис. 3. Зависимость температуры поверхности металлической полосы от температур печных зон
Для более точного решения дифференциальных уравнений численными методами необходимо знать температуру как непрерывную функцию от координаты печи х. Интерполяция с использованием интерполяционного полинома Лагранжа была выполнена для функции Тпечи(х) (кривая 1). Приведенные значения температуры печных зон, по которым проводилась интерполяция, отмечены символом «*». Температуры поверхности стального листа в разных местах печи, полученные в результате компьютерного моделирования, показаны кривой 2. Экспериментальные значения температуры поверхности стального листа показаны с помощью символа «о».
Коэффициенты в дифференциальном уравнении (4) оценивались путем сравнения расчетных результатов с экспериментальными данными. Погрешность была рассчитана с использованием уравнения (5).
^ N ^^ ^о1 Ti Ti ^ (5)
где Ti - температура поверхности стального листа, рассчитанная в центре печной зоны, Ti - экспериментальное значение температуры поверхности. На рис. 3 показана зависимость температуры стального листа от координат печи (кривая 2), рассчитанная при решении дифференциального уравнения (4) с расчетными коэффициентами. Изменение скорости или толщины полосы нарушает тепловые условия и, следовательно, снижает адгезию. В этом случае необходимо изменить температуру печи [9].
Оптимизация
Совокупность таких параметров, как скорость линии (V), температуры полимеризации краски ([Тпол1; Тпол2]), толщина полосы (И), температура начала полосы (Тнач), температуры печных зон (Тз1,...,Тз7), плотность стали (р) и удельная теплоемкость стали (с), называются «рецептом». Следующая задача - оптимизировать рецепты, которые были оценены с использованием физической модели. Для этого предлагается использовать генетический алгоритм (ГА) [4].
Первоначальные решения генерируются случайным образом для формирования начальной популяции [4], [8]. Блок «ГА» генерирует значения температур печных
Вестник Череповецкого государственного университета • 2019 • №2
49
зон по рецепту Тз1',...,Тз7' и передает их в качестве входных параметров в блок «Физическая модель». Другие значения рецепта (V, к, с, Тнач, р) не изменяются. Модель рассчитывает температуру поверхности на выходе Твых полосы, используя уравнение (4). Эти значения поступают в «Комплексный критерий», который оценивает оптимальность рецепта с помощью функции приспособленности (рис. 4).
Рис. 4. Оптимизация технологических параметров процесса сушки полимерного покрытия с использованием генетического алгоритма
Функция приспособленности всегда зависит от решаемой задачи. В этом случае оптимальность рецептуры определяется как близость температуры полимеризации краски к температуре поверхности выхода полосы. Адгезия хорошая, если температура поверхности на выходе находится в диапазоне [Тполь Тпол2]. Цель другого критерия - минимизировать сумму температур печных зон. Это позволяет снизить потребление газа. Таким образом, задача оптимизации рецептов является многокритериальной. Однако приоритеты критериев очевидны. Качество адгезии краски, обеспечиваемое попаданием температуры поверхности металла в интервал температур полимеризации, является основным показателем. Функция приспособленности показана в уравнении (6):
quality = -
к
№
-, где к =
1, если Т е [T ,...Т ,1
" вых L пол1 пол2 J
0, иначе.
(6)
Максимальное значение quality обеспечивает оптимальный рецепт (Tz1onT,-.-,TZ70nx). Когда температура поверхности полосы выходит за пределы температур полимеризации [Тпол1; Тпол2], значение quality минимально. Значение quality возвращается в модуль «ГА», который генерирует следующую популяцию, используя кроссовер и мутацию. Этот процесс генерации прекращается, когда последовательные итерации больше не дают лучших результатов.
Интеллектуальное управление
Предыдущие шаги физического моделирования и оптимизации обеспечивают набор оптимизированных технологических рецептов. Эти данные могут быть использованы для обучения интеллектуальной модели. Различные типы интеллектуальных моделей используются для управления технологическими процессами в металлургии. Наиболее часто используемые типы — это нейронные сети и нечеткие модели.
Основным преимуществом нейронных сетей, которые моделируют мозг человека, является возможность обучения и адаптации. Процесс проектирования таких систем основан на интуиции, а не на существующих законах. Алгоритм, который
j=i
50
Вестник Череповецкого государственного университета • 2019 • №2
определяет необходимое количество слоев и нейронов в них для конкретной задачи, неизвестен. В этом случае знания, накопленные нейронной сетью, распределяются между всеми ее компонентами, что делает их практически недоступными для наблюдателя [3].
Системы управления, основанные на нечеткой логике, не имеют этого недостатка. Однако в этом случае знания о методе управления, полученные от экспертов, необходимы на этапе проектирования модуля управления. Главной особенностью нечеткой логики является использование количественных характеристик, учитывающих неопределенность результата [3].
Оптимальные рецепты, рассчитанные на предыдущем этапе, могут быть использованы для обучения нейро-нечеткой модели управления. Как уже было сказано, основной целью управления процессом сушки полимерного покрытия является поддержание оптимального температурного режима в зависимости от скорости полосы, ее размеров, начальной температуры и параметров марки стали. В этом случае модель делится на подмодели (рис. 5).
Рис. 5. Контрольная модель процесса сушки полимерного покрытия
Каждая подмодель реализует зависимость одного выходного параметра от входного вектора. Входные векторы одинаковы, но коэффициенты влияния конкретного входного параметра на выход отличаются в каждой подмодели.
Нечеткий характер модели означает разделение диапазона возможных значений для каждого входного и выходного параметра на лингвистические переменные. Лингвистическая переменная — это переменная, возможные значения которой являются словами или предложениями естественного или искусственного языка [3]. Количество лингвистических переменных (кластеров) зависит от задачи [7].
Нейро-нечеткая модель выводит результат на основе правил, написанных лингвистическими переменными. Эти правила создаются на основе знаний эксперта о предметной области. Правило в лингвистической форме показано в выражении 7.
Rk :IF(х1 это А AND х2 это А2 AND... AND хп это Ап) (7)
THEN(y1 этоB1 AND y2 этоB2 AND...ANDym этоBm ).
Вестник Череповецкого государственного университета • 2019 • №2
51
В условном выражении XI - входной параметр (например, начальная температура металлической полосы), А, - лингвистическое значение входного параметра (например, «теплый»), у, - выходной параметр, Б, - лингвистическое значение выходного параметра, п - количество входных переменных, т - количество выходных переменных.
В случае отсутствия эксперта или невозможности формализовать правила их построения могут быть использованы данные обучения. В этом случае данные обучения являются оптимальными рецептами, полученными на предыдущем шаге. При изучении нейро-нечеткой модели было бы полезно избавить эксперта от настройки кластеров (лингвистических наборов) для всех входных и выходных переменных. По этой причине метод субтрактивной кластеризации использовался для установки лингвистических наборов для каждой переменной. Этот метод не требует установки границ и количества кластеров.
Синтез базы правил - это итеративная процедура выполнения шагов правил фиксации, исключения и ассоциации. На следующем шаге необходимо объединить правила, чтобы уменьшить их количество. Перечислим критерии объединения правил:
1) правила имеют одинаковый вывод;
2) некоторые условия правил совпадают;
3) другие условия правил образуют полный набор значений лингвистической переменной. Если какой-либо набор правил соответствует хотя бы одному из этих критериев, его можно заменить одним элементом. Процесс объединения позволяет решить проблему построения нечетких правил. Это дает возможность перейти к этапу определения параметров функций принадлежности [3]. Описанная последовательность шагов позволяет выполнить структурную и параметрическую идентификацию нейро-нечеткой модели управления. Эта операция выполняется для каждой подмодели.
Эксперимент
Обучение интеллектуальной системе управления проводилось с использованием оптимизированных ретроспективных технологических данных. После сушки металлической полосы с покрытием с использованием описанной интеллектуальной системы управления необходимо проверить качество адгезии. Эксперименты по определению качества адгезии проводились на линии нанесения металлических покрытий № 2 ПАО «Северсталь». Для этого использовались такие испытания, как метод решетчатых надрезов и метод определения твердости по карандашу. Эти два испытания регулируются стандартами производства стали с покрытием.
Адгезиомер - это инструмент, необходимый для определения уровня адгезии к стали. Он помогает делать решетчатые надрезы для стальной подложки на полимерном покрытии. После подрезания на них наклеивают специальный скотч. На следующем шаге он постепенно отрывается под острым углом. Цель теста - увидеть, сколько срезов решетки от общей площади останется на месте после отделения скотча. Стандарт допускает уровень адгезии, при котором края разреза идеально гладкие и ни один из квадратов решетки не отломан [11].
Метод определения твердости по карандашу позволяет определить относительную твердость образования полимерного покрытия на основе анализа механических повреждений, нанесенных карандашами фирмы «КОИ-1-ЫООК». Карандаши имеют
52
Вестник Череповецкого государственного университета • 2019 • №2
следующие значения твердости (в порядке возрастания): 6В, 5В, 4В, 3В, 2В, В, НВ, Б, Н, 2Н, 3Н, 4Н, 5Н и 6Н. Необходимо удалить покрытие нажатием на подготовленный карандаш как можно сильнее. Требуемый уровень твердости - 3Н.
Результаты
На рис. 6 представлен график процесса обучения модели, позволяющий рассчитать требуемую температуру в первой зоне. Количество эпох и допустимая погрешность, обеспечивающие необходимый тепловой режим полосы, задаются в верхней части окна. Термин «эпоха» означает передачу всего обучающего набора (все ретроспективные данные) в модель. Допустимая погрешность равна среднему отклонению выхода модели за одну эпоху. Анализ результатов моделирования позволил предположить достаточную точность модели, поскольку значение ошибки выходного параметра меньше допуска. Параметры остальных 6 зон были определены аналогичным образом.
Epochs
Рис. 6. Результаты испытаний контрольной модели процесса полимеризации оцинкованного листа
Объединение этих подмоделей позволило разработать приложение интеллектуальной системы управления. Это программное обеспечение позволяет рассчитывать температуры зон печи для таких входных параметров, как плотность стали, удельная теплоемкость стали, начальная температура полосы, скорость линии и толщина полосы.
Приложение также предоставляет температурный график поверхности полосы и зоны печи. Эти графики позволяют определить температуру поверхности на выходе металла и сравнить ее с фактическим значением пирометра на выходе из печи.
Точность прогнозирования температуры поверхности на выходе полосы была улучшена на 5 % по сравнению с существующими системами. Результаты испытания твердости по карандашу и испытания метода решетчатых надрезов показали, что качество адгезии всех полос с покрытием соответствует требованиям стандартов. Использование оптимизационной модели позволило снизить потребление газа на 3 %.
Вестник Череповецкого государственного университета • 2019 • №2
53
Выводы
Описанная интеллектуальная модель оптимального управления позволяет определять температуры печных зон, обеспечивая максимально возможный уровень адгезии краски к поверхности металла. В то же время это способствует минимальному потоку газа для нагрева печных зон. Эта модель обучена лучшим рецептам, полученным из синтеза генетического алгоритма и физической модели процесса сушки. В качестве вывода можно сказать, что эту интеллектуальную систему управления можно использовать в режиме реального времени при производстве предварительно окрашенной стали.
Литература
1. Варфоломеев И. А. Моделирование процесса адгезии полимерного покрытия при покраске металлической полосы по технологии "Coil Coating" // Производство проката. 2013. № 4. С. 26-30.
2. Chiu S. Advanced Computational Intelligence. Fuji Technology. Japan. 1997. № 1. С. 1-7.
3. Coil Coating Association. Quality tests of polymer coating. URL: http://www.apsp.info/ technics_catalog/ispyt (дата обращения: 02.03.2019).
4. Crosby J. L. Computer Simulation in Genetics. London: John Wiley & Sons, 1973. 432 с.
5. Fraser A., Biol J. International Journal of Biological Sciences. Australia: Ivyspring International Publisher, 1957. № 10. С. 484-491.
6. Galusek D., Lences Z., Sajgalik P. and Riedel R. Journal of Mining and Metallurgy. Metallurgy. 2008. № 44. С. 35-38.
7. Grujic A., Talijan N., Stojanovic D., Stajic-Trosic J., Burzic Z., Lj. Balanovic and Aleksic R. Journal of Mining and Metallurgy. Metallurgy. 2010. № 46 (1). С. 25-32.
8. Kaiser H. F. Educational and Psychological Measurement // Sage Journals. NY. 1960. № 20. С. 14 -151.
9. Klushin L. I. Skvortsov A. M., Gorbunov A. A. Physical Review. 1997. № 56 (2). 1511 c.
10. Langmuir. I. Journal of the American Chemical Society. 1932. № 54. 2798 с.
11. Prutton M. Introduction to Surface Physics. Oxford: Clarendon Press, 1994. 256 с.
References
1. Varfolomeev I. A. Modelirovanie protsessa adgezii polimernogo pokrytiia pri pokraske metallicheskoi polosy po tekhnologii "Coil Coating" [Simulation of adhesion process of polymer coating in the process of painting a metal strip applying "Coil Coating" technology]. Proizvodstvo Prokata [Rolled Products Manufacturing], 2013, no. 4, 2013, pp. 26-31.
2. Chiu S. Advanced Computational Intelligence. Fuji Technology. Japan, 1997, no. 1, pp. 1-7.
3. Coil Coating Association. Quality tests of polymer coating. Avaliable at: http:// www.apsp.info/ technics_catalog/ ispyt (accessed: 02.03.2019).
4. Crosby J. L. Computer Simulation in Genetics. London: John Wiley & Sons, 1973. 432 p.
5. Fraser A., Biol J. International Journal of Biological Sciences. Australia: Ivyspring International Publisher, 1957, no. 10, pp. 484-491.
6. Galusek D., Lences Z., Sajgalik P. and Riedel R. Journal of Mining and Metallurgy. Metallur,. 2008, no. 44, pp. 35-38.
7. Grujic A., Talijan N., Stojanovic D., Stajic-Trosic J., Burzic Z., Lj. Balanovic and Aleksic R. Journal of Mining and Metallurgy. Metallurg, 2010, no. 46 (1), рр. 25-32.
8. Kaiser H. F. Educational and Psychological Measurement. Sage Journals, New York, 1960, no. 20, pp. 141-151.
54
Вестник Череповецкого государственного университета • 2019 • №2
9. Klushin L. I., Skvortsov A. M., Gorbunov A. A., Physical Review, 1997, no. 56 (2). 1511 p.
10. Langmuir I. Journal of the American Chemical Society, 1932, no. 54. 2798 p.
11. Prutton M. Introduction to Surface Physics, Oxford: Clarendon Press, 1994. 256 p.
Для цитирования: Осколков В. М., Варфоломеев И. А., Виноградова Л. Н., Ершов Е. В. Интеллектуальная система управления процессом сушки оцинкованного листа, окрашенного по технологии COIL COATING // Вестник Череповецкого государственного университета. 2019. № 2 (89). С. 44-55. DOI: 10.23859/1994-0637-2019-2-89-4
For citation: Oskolkov V. M., Varfolomeev I. A., Vinogradova L. N., Ershov E. V. Intelligent control system of the drying process of the galvanized sheet painted in coil coating technology. Bulletin of the Cherepovets State University, 2019, no. 2 (89), pp. 44-55. DOI: 10.23859/1994-06372019-2-89-4
Вестник Череповецкого государственного университета • 2019 • №2
55
