ОАО «РосНИТИ»:
Д. Ю. Звонарев, старший научный сотрудник, канд. техн. наук, эл. почта: zvonarev@rosniti.ru
А. В. Выдрин, докт. техн. наук, заместитель генерального директора по научной работе

ИТЦ ПАО «ТАГМЕТ»:
В. Л. Нерозников, начальник трубной лаборатории

В существующей практике для определения параметров настройки прошивных станов используют аналитические зависимости, носящие общий характер и не учитывающие особенностей конкретного прошивного стана. Поэтому требуемую настройку возможно установить как с первой попытки, так и путем уточнения рассчитанной настройки за счет прошивки нескольких настроечных заготовок. Последнее приводит к повышенному расходу металла. Исключить потери металла в процессе настройки прошивного стана возможно при использовании современных цифровых технологий, в том числе технологий BigData и искусственного интеллекта. Технологии основаны на систематическом и непрерывном анализе данных, поступающих от производственных агрегатов с целью получения оснований для принятия решений. В качестве основы искусственного интеллекта может быть использована искусственная нейронная сеть.

1. Осадчий В. Я., Вавилин А. С., Зимовец В. Г., Коликов А. П. Технология и оборудование трубного производства : учеб. пособие для вузов. — М. : Интермет Инжиниринг, 2007. — 560 с.
2. Данченко В. Н., Коликов А. П., Романцев Б. А., Самусев С. В. Технология трубного производства. — М. : Интермет Инжиниринг, 2002. — 640 с.
3. Чернышев Ю. М., Болотов А. В., Старогородцев В. П., Шамилов А. Р. и др. Расширение сортамента и повышение качества труб на прошивном стане ТПА 220 // Сталь. 2018. № 1. С. 42–45.
4. Романцев Б. А., Гочарук А. В., Вавилкин Н. М., Самусев С. В. Обработка металлов давлением : учеб. — М. : Издательский Дом МИСиС, 2008. — 960 с.
5. Lu Lu, Zhi Chun Jie. Shear stresses and velocity analysis of piercing process in Discher’s mill using Finite Element Method // Advances in Engineering Research. 2017. Vol. 113. P. 753–757.
6. Мульчин В.В., Выдрин А. В., Король А. В., Курятников А. В. и др. Определение настроечных параметров на прошивных станах с направляющими приводными дисками (станах Дишера) // Сталь. 2010. № 8. С. 68–70.
7. Курятников А. В., Король А. В., Корсаков А. А. Разработка компьютерных программ для расчета настроечных параметров прошивных станов // Тр. XX юбилейной науч.-техн. конф. «Трубы-2012». Сб. докл. ОАО «РосНИТИ». 2012. Ч. II. С. 41–43.
8. Установки для производства бесшовных труб. Ключевые технологии для достижения успеха. SMS group GmbH. — Mönchengladbach, 2007. — 18 p.
9. Официальный сайт ПАО «ТАГМЕТ» [Электронный ресурс]. URL: https://tagmet.tmk-group.ru/tagmet_powers (дата обращения: 25.07.2019).
10. Шнеппе У. Технологическая и цифровая сети управления станом горячей прокатки компании Hoesch Hohenlimburg // Черные металлы. 2017. № 9. С. 53–57.
11. Д'Оне Ф. Цифровая технология измерения для оптимизации работы калибровочных станов на предприятии компании Vallourec // Черные металлы. 2018. № 1. С. 42–44.
12. Райффершайд М. Цифровые технологии в черной металлургии — стратегии, концепции и решения // Черные металлы. 2018. № 6. С. 62–67.
13. Dobrzanski L. A., Honysz R. Application of artificial neural networks in modeling of normalized structural steels mechanical properties // Journal of Achievements in Materials and Manufacturing Engineering. 2009. Vol. 32. Iss. 1. P. 37–45.
14. Выдрин А. В., Ашенбрейнер А. О., Буняшин М. В. Методы прогнозирования давления смятия обсадных труб категории HighCollapse с повышенной стойкостью к смятию // Сб. докл. междунар. науч.-техн. конгресса «ОМД-2014. Фундаментальные проблемы. Инновационные материалы и технологии». Ч. 2. — М. : ООО «Белый ветер», 2014. С. 47–51.
15. DARPA Neural Network Study, AFCEA International Press, 1988.
16. Smith L. An Introduction to Neural Networks. Unpublished draft, University of Stirling, 2001 [Электронный ресурс]. URL: http://www.cs.stir.ac.uk/~lss/NNIntro/InvSlides.html (дата обращения: 25.07.2019).