CN102284512B - 一种大变形管线钢管制造工艺控制方法 - Google Patents

一种大变形管线钢管制造工艺控制方法 Download PDF

Info

Publication number
CN102284512B
CN102284512B CN 201110213737 CN201110213737A CN102284512B CN 102284512 B CN102284512 B CN 102284512B CN 201110213737 CN201110213737 CN 201110213737 CN 201110213737 A CN201110213737 A CN 201110213737A CN 102284512 B CN102284512 B CN 102284512B
Authority
CN
China
Prior art keywords
temperature
roughing
network
time
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN 201110213737
Other languages
English (en)
Other versions
CN102284512A (zh
Inventor
左秀荣
霍松波
姜金星
张展展
李如涛
胡跃跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Nanjing Iron and Steel Co Ltd
Original Assignee
Zhengzhou University
Nanjing Iron and Steel Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou University, Nanjing Iron and Steel Co Ltd filed Critical Zhengzhou University
Priority to CN 201110213737 priority Critical patent/CN102284512B/zh
Publication of CN102284512A publication Critical patent/CN102284512A/zh
Application granted granted Critical
Publication of CN102284512B publication Critical patent/CN102284512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Metal Rolling (AREA)

Abstract

本发明公开了一种大变形管线钢管制造工艺控制方法，首先根据大变形管线钢的组织特征和性能要求采集化学成分、工艺参数及性能指标；然后建立人工神经网络模型，并对模型进行训练，模型的输入为化学成分、工艺参数，模型输出为性能指标；用训练好的人工神经网络模型根据化学成分、工艺参数对钢管性能进行预测；使网络的某一输入在合理取值范围变化，其他输入固定，研究该输入对输出的影响规律；根据钢管性能预测的结果描述该大变形管线钢管的流变行为。本发明通过建立的化学成分、工艺参数与力学性能之间的复杂非线性关系，从而生产出变形性能优异的大变形管线钢管，提高大变形管线钢的成材率。

Description

一种大变形管线钢管制造工艺控制方法
技术领域
本发明涉及钢铁材料制造领域，尤其涉及一种大变形管线钢管制造工艺控制方法。
背景技术
目前, 油气输送管道不断向永久冻土或地震区域延伸，在这些区域敷设管线时，地层移动可能引起钢管较大应变，因此，所用管线钢管必须具有防止局部弯曲和管线对接环焊缝断裂的变形能力。提高油气输送管线用钢管变形能力的方法是增加钢管的壁厚，但这增加了管线钢管的建设成本，采用大变形钢管可以在不增加壁厚的情况下获得高的钢管变形能力。
高性能管线钢的组织经历了铁素体-珠光体型、针状铁素体型、粒状贝氏体型和下贝氏体型等类型组织的转变。双相钢具有较高应变硬化能力和优异的变形性能，在汽车工业获得广泛的应用。通过控制铁素体-贝氏体/马氏体组织的比例及分布可使双相钢具有良好的强韧性结合和优异的变形性能。双相钢由于其独特的组织特征，具有高应变硬化指数、低屈强比、高均匀变形伸长率等特性，因此，能满足管线钢管的大变形要求。而研究化学成分、控轧控冷过程工艺参数及制管过程工艺参数及其交互作用对大变形管线钢管性能的影响规律有重要意义，但化学成分、控轧控冷过程工艺参数及制管过程工艺参数与性能的关系呈高度非线性，数学模型及物理模型无法快速精确的表述其间的复杂关系。
发明内容
本发明的目的是提供一种大变形管线钢管制造过程工艺控制方法，能够得出化学成分、工艺参数与钢管性能关系，然后控制大变形管线钢管的制造工艺。
本发明采用下述技术方案：一种大变形管线钢管制造过程工艺控制方法，包括以下步骤：
⑴、根据大变形管线钢的组织特征和性能要求采集化学成分、工艺参数及性能指标，化学成分由CE Pcm表达，                                                
Figure DEST_PATH_IMAGE001
；控轧控冷过程工艺参数包括：加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度；制管工艺参数包括：钢管厚度、扩径量及成形步数；钢管性能指标包括：R t0.5、R t1.0、R t1.5、R t2.0、R t5.0、R m、UEL、A kv、SA；其中：R t0.5、R t1.0、R t1.5、R t2.0、R t5.0和R m分别对应于拉伸总应变为0.5％、1.0％、1.5％、2.0％、5.0％和UEL时的拉伸应力，UEL为试样承受最大载荷时的延伸率，A kv为夏比冲击功，SA为夏比冲击剪切面积；
⑵、建立人工神经网络模型，并对模型进行训练，模型的输入为大变形管线钢的CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数、扩径量，模型输出为R t0.5、R t1.0、R t1.5、R t2.0、R t5.0、R m、UEL、A kv、SA；
⑶、用训练好的人工神经网络模型根据化学成分、控轧控冷过程工艺参数、制管过程工艺参数对钢管性能进行预测，将预测值与大变形管线钢管标准值进行比较，判断所制造出的大变形管线钢管性能是否满足标准要求；
⑷、使训练好的人工神经网络模型的任一输入在合理取值范围变化，其他输入固定，得出该输入对输出的影响规律，在该步骤内得出所有输入对输出的影响规律；
⑸、根据步骤⑶中钢管性能预测的结果采用修正的Johnson-Cook模型：
Figure DEST_PATH_IMAGE002
描述该大变形管线钢管的流变行为，其中σ为拉伸应力，ε为拉伸总应变，σ、ε为钢管性能预测结果的值，A、B、n、C、α为大变形管线钢管材料参数，由拉伸应力点值可求出大变形管线钢管材料参数A、B、n、C、α，然后由模拟出应力应变曲线；
⑹、根据步骤⑷得出的影响规律和步骤⑸得出的应力应变曲线控制大变形管线钢管的CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、成形步数、扩径量，使制造出来的大变形管线钢管性能满足标准要求。
所述的步骤⑵中对模型进行训练为调整BP网络模型权值从而最小化BP网络性能函数的过程，其中性能函数E为：
Figure DEST_PATH_IMAGE003
    (1)
式（1）中
Figure DEST_PATH_IMAGE004
为网络的第k个模式的第t个输出节点的期望输出；
Figure DEST_PATH_IMAGE005
为网络的第k个模式的第t个输出节点的实际输出；
Figure DEST_PATH_IMAGE006
为网络的第k个模式的第l个权重；n为输入节点数；p为隐含层节点数；q为输出节点数；m为训练模式数；γ为性能参数；
BP网络的第一层为输入层，第二层为隐含层，第三层为输出层，隐含层和输出层采用的激活函数分别为：
Figure DEST_PATH_IMAGE007
                         (2)
Figure DEST_PATH_IMAGE008
                           (3)
网络权值和阈值的调整采用Levenberg-Marquardt算法，此算法有二阶收敛速度同时不用计算Hessian距阵，Hessian距阵H和梯度g可用如下近似矩阵表示为：
Figure DEST_PATH_IMAGE009
                                          (4)
                                          (5)
式中J为雅可比矩阵，J T 为转置矩阵，e为网络误差的向量；
权值或阈值x用如下公式计算：
Figure DEST_PATH_IMAGE011
                                 (6)
式中μ为标量，I为单位矩阵；
BP网络训练过程如下：
(a)、初始化连接权w ji 、v tj ，阈值θ j 、γ t  ，并赋予(-1，+1)的随机值，w ji 为输入层i至隐含层j单元的连接权值，v tj 为隐含层j至输出层t单元的连接权值，θ j 为隐含层j单元的阈值，γ t 为输出层t单元的阈值；
(b)、随机选取一模式对
Figure DEST_PATH_IMAGE012
提供给网络：网络输入
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE014
为CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数、扩径量，k为1,2，…，m，m为训练模式数；T k为期望输出；实际输出为
Figure DEST_PATH_IMAGE015
，
Figure DEST_PATH_IMAGE016
为R t0.5、R t1.0、R t1.5、R t2.0、R t5.0、R m、UEL、A kv、SA；
(c)、计算隐含层j单元输入：
Figure DEST_PATH_IMAGE017
                      (7)
隐含层j单元输出：                 (8)
(d)、计算输出层t单元输入：
Figure DEST_PATH_IMAGE019
                   (9)
输出层t单元输出：
Figure DEST_PATH_IMAGE020
                            (10)
(e)、随机取下一个学习模式对，返回步骤(c)，直至全部m个模式对训练完；
(f)、根据Levenberg-Marquardt 算法调整权值及阈值；
(g)、重新从m个学习模式对中随机选一个返回(c)，直至最小化BP网络性能函数E；
(h)、学习结束。
所述的步骤⑵中对模型进行训练是对广义回归神经网络模型进行训练：广义回归神经网络模型的训练样本确定后，相应的网络结构和各神经元之间的连接权值也随之确定，网络的训练是确定光滑因子的过程；
网络的第一层为输入层，输入向量为P，神经元数R为输入变量的维数，
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE022
为CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数、扩径量；网络的第二层为径向基层，神经元的个数为训练模式数Q，第一层的权矩阵W 1 被设为输入样本I，偏差b 1 为光滑因子，用σ表示，自行选择变量，网络的加权输入‖dist‖表示输入变量P与W 1 的欧氏范数，即： ，
Figure DEST_PATH_IMAGE024
为W 1 权矩阵第i行第j列元素；网络的净输入n 1为
Figure DEST_PATH_IMAGE025
，该层的输出为；网络的第三层为线性输出层，神经元数为训练模式数Q，W 2被设为输出T；基函数采用规则化点积函数，基函数的输出
Figure DEST_PATH_IMAGE027
，代入线性激活函数得到网络的输出
Figure DEST_PATH_IMAGE028
。
本发明采用人工神经网络模型能成功建立化学成分、工艺参数与力学性能之间的复杂非线性关系，以高精度预测力学性能，并能确定化学成分及工艺参数对力学性能的影响规律，减小力学性能波动，从而生产出变形性能优异的大变形管线钢管，提高大变形管线钢的成材率。本发明采用控轧控冷工艺生产双相大变形管线钢，该钢具有比针状铁素体型管线钢更高的变形能力。通过调整C及合金元素含量控制碳当量CE Pcm值，调整控轧控冷过程工艺参数及制管过程工艺参数可得到铁素体加贝氏体/马氏体组织的性能优异的大变形管线钢管。
附图说明
图1为本发明的流程图；
图2为BP网络结构图；
图3为GRNN网络结构图；
图4为实施例一根据力学性能的预测结果模拟的应力应变曲线；
图5实施例一中采用性能预测时使用的钢管的化学成分、工艺参数生产的钢管的微观组织；
图6为实施例二根据力学性能的预测结果模拟的应力应变曲线；
图7为实施例二采用性能预测时使用的钢管的化学成分、工艺参数生产的钢管的微观组织。
具体实施方式
如图1所示，本发明大变形管线钢管制造过程工艺控制方法，包括以下步骤：
⑴ 、根据大变形管线钢的组织特征和性能要求采集化学成分、工艺参数及性能指标，化学成分由CE Pcm表达，CE Pcm由公式
Figure 225210DEST_PATH_IMAGE001
计算；控轧控冷过程工艺参数包括：加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度；制管工艺参数包括：钢管厚度、扩径量及成形步数；钢管性能指标包括：R t0.5、R t1.0、R t1.5、R t2.0、R t5.0、R m、UEL、A kv、SA；其中：R t0.5、R t1.0、R t1.5、R t2.0、R t5.0和R m分别对应于拉伸总应变为0.5％、1.0％、1.5％、2.0％、5.0％和UEL时的拉伸应力，UEL为试样承受最大载荷时的延伸率，A kv为夏比冲击功，SA为夏比冲击剪切面积；
⑵ 、建立人工神经网络模型，并对模型进行训练，模型的输入为CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数、扩径量，模型输出为R t0.5、R t1.0、R t1.5、R t2.0、R t5.0、R m、UEL、A kv、SA；
⑶、用训练好的人工神经网络模型根据化学成分、控轧控冷过程工艺参数、制管过程工艺参数对钢管性能进行预测，将预测值与大变形管线钢管标准值进行比较，判断制造出的大变形管线钢管性能是否满足标准要求；
⑷、使训练好的人工神经网络模型的任一输入在合理取值范围变化，其他输入固定，得出该输入对输出的影响规律，在该步骤内得出所有输入对输出的影响规律；
⑸、根据步骤⑶中钢管性能预测的结果采用修正的Johnson-Cook模型：描述该大变形管线钢管的流变行为，其中σ为拉伸应力，ε为拉伸总应变，σ、ε为钢管性能预测结果的值，A、B、n、C、α为大变形管线钢管材料参数，由拉伸应力点值可求出大变形管线钢管材料参数A、B、n、C、α，然后由
Figure 372474DEST_PATH_IMAGE002
模拟出应力应变曲线；
⑹、根据步骤⑷得出的影响规律和步骤⑸得出的应力应变曲线控制大变形管线钢管制造过程中的CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、成形步数、扩径量，使制造出来的大变形管线钢管性能满足标准要求。
其中步骤⑵中对人工神经网络模型进行训练为调整BP网络模型权值从而最小化BP网络性能函数的过程，其中性能函数E为：
Figure 194937DEST_PATH_IMAGE003
  (1)
式(1)中
Figure 399653DEST_PATH_IMAGE004
为网络的第k个模式的第t个输出节点的期望输出；为网络的第k个模式的第t个输出节点的实际输出；
Figure 703650DEST_PATH_IMAGE006
为网络的第k个模式的第l个权重；n为输入节点数；p为隐含层节点数；q为输出节点数；m为训练模式数；γ为性能参数；
如图2所示，BP网络的第一层为输入层，第二层为隐含层，第三层为输出层，隐含层和输出层采用的激活函数分别为：
Figure 697014DEST_PATH_IMAGE007
                       (2)
Figure 389026DEST_PATH_IMAGE008
                           (3)
网络权值和阈值的调整采用Levenberg-Marquardt算法，此算法有二阶收敛速度同时不用计算Hessian距阵，Hessian距阵H和梯度g可用如下近似矩阵表示为：
Figure 126038DEST_PATH_IMAGE009
                                          (4)
Figure 649424DEST_PATH_IMAGE010
                                          (5)
式中J为雅可比矩阵，J T 为转置矩阵， e为BP网络误差的向量；
权值或阈值x用如下公式计算：
Figure 16951DEST_PATH_IMAGE011
                                 (6)
式中μ为标量，I为单位矩阵。
BP网络训练过程如下：
(a)、初始化连接权w ji 、v tj ，阈值θ j 、γ t  ，并赋予(-1，+1)的随机值，w ji 为输入层i至隐含层j单元的连接权值，v tj 为隐含层j至输出层t单元的连接权值，θ j 为隐含层j单元的阈值，γ t 为输出层t单元的阈值；
(b)、随机选取一模式对提供给BP网络：BP网络输入，
Figure 114854DEST_PATH_IMAGE014
为CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数、扩径量，k为1,2，…，m，m为训练模式数；T k为期望输出；实际输出为
Figure 886239DEST_PATH_IMAGE015
，
Figure 615160DEST_PATH_IMAGE016
为R t0.5、R t1.0、R t1.5、R t2.0、R t5.0、R m、UEL、A kv、SA；
(c)、计算隐含层j单元输入：
Figure 631658DEST_PATH_IMAGE017
                       (7)
隐含层j单元输出：
Figure 129635DEST_PATH_IMAGE018
                  (8)
(d)、计算输出层t单元输入：
Figure 838965DEST_PATH_IMAGE019
                    (9)
输出层t单元输出：
Figure 789604DEST_PATH_IMAGE020
                            (10)
(e)、随机取下一个学习模式对，返回步骤(c)，直至全部m个模式对训练完；
(f)、根据Levenberg-Marquardt 算法调整权值及阈值；
(g)、重新从m个学习模式对中随机选一个返回(c)，直至最小化BP网络性能函数E；
(h)、学习结束。
除此之外，步骤⑵中对人工神经网络模型进行训练还可以是对广义回归神经网络模型进行训练：广义回归神经网络模型的训练样本确定后，相应的网络结构和各神经元之间的连接权值也随之确定，网络的训练是确定光滑因子的过程；如图3所示，网络的第一层为输入层，输入向量为P，神经元数R为输入变量的维数，
Figure 609792DEST_PATH_IMAGE021
，
Figure 962276DEST_PATH_IMAGE022
为CE Pcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度，粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数、扩径量；网络的第二层为径向基层，神经元的个数为训练模式数Q，第一层的权矩阵W 1 被设为输入样本I，偏差b 1 为光滑因子，用σ表示，为自行选择变量，网络的加权输入‖dist‖表示输入变量P与W 1 的欧氏范数，即：
Figure DEST_PATH_IMAGE029
，
Figure 341043DEST_PATH_IMAGE024
为W 1 权矩阵第i行第j列元素；网络的净输入n 1为
Figure 778977DEST_PATH_IMAGE025
，该层的输出为
Figure 137277DEST_PATH_IMAGE026
；网络的第三层为线性输出层，神经元数为训练模式数Q，W 2被设为输出T；基函数采用规则化点积函数，基函数的输出，代入线性激活函数
Figure 660980DEST_PATH_IMAGE008
，得到广义回归神经网络模型的输出
Figure 586210DEST_PATH_IMAGE028
。
本发明所述的方法的整个实现过程用Visual C++编制成计算机软件，首先采集及存储钢管厚度、化学成分、控轧控冷过程工艺参数及制管过程工艺参数和钢管力学性能，建立人工神经网络模型，人工神经网络不需预设模型，仅通过数据间关系的学习，就能反应出化学成分及生产工艺参数与性能之间的关系。采用本发明所述工艺控制方法生产的大变形钢管管体的显微组织为多边形铁素体＋贝氏体/马氏体复相组织，具有圆屋顶形应力-应变曲线，应变硬化指数大于0.12，屈强比小于0.85，均匀变形伸长率大于7.0%，管体，焊缝及热影响区的夏比冲击韧性平均值分别高于160J、80J、80J。具体实施例如下所述。 
实施例一：表1为用来网络训练的输入数据；表2为用来网络训练的输出数据；表3为网络预测用的钢管化学成分；表4为网络预测用的控轧控冷工艺及制管工艺参数；表5为网络预测的性能及实际性能；图4为根据力学性能的预测结果采用JC模型模拟的应力应变曲线；图5为采用表3的化学成分及表4中的工艺参数生产的钢管的微观组织，该组织由铁素体加马氏体/贝氏体组成，铁素体晶粒平均直径为6.2μm，铁素体体积百分比为70%。
表1 
Figure DEST_PATH_IMAGE030
表2 
Figure DEST_PATH_IMAGE031
表3 
C Si Mn Cu Cr Ni Mo V CE Pcm
0.046 0.15 1.562 0.15 0.18 0.2 0.171 0.009 0.16
表4 
Figure DEST_PATH_IMAGE032
表5
Figure DEST_PATH_IMAGE033
实施例二：表6为网络预测用的钢管化学成分；表7为网络预测用的控轧控冷工艺及制管工艺参数；表8为网络预测的性能及实际性能；图6为根据力学性能的预测结果采用JC模型模拟的应力应变曲线；图7为采用表6的化学成分及表7的工艺参数生产的钢管的微观组织，该组织由铁素体加贝氏体/马氏体组成，铁素体晶粒平均直径为5.1μm，铁素体体积百分比为55%。
表6
C Si Mn Cu Cr Ni Mo V CE Pcm
0.050 0.14 1.58 0.18 0.21 0.24 0.21 0.006 0.17
表7
厚度/mm 加热时间/min 出钢温度/℃ 粗轧终了温度/℃ 待温时间/s … 待温坯厚度 第二阶段开轧温度/℃ 第二阶段终轧温度/℃ 返红温度/℃ 扩径量/% 成形步数
17.5 194 1230 1108 223 … 3.0 890 763 410 1.0 17
表8 
Figure DEST_PATH_IMAGE034

Claims (3)

1.一种大变形管线钢管制造工艺控制方法，其特征在于：包括以下步骤： 
⑴、根据大变形管线钢的组织特征和性能要求采集化学成分、工艺参数及性能指标，化学成分由CEPcm表达，
Figure FDA00003009635400011
控轧控冷过程工艺参数包括：加热时间、出钢温度、粗轧开轧温度、粗轧终了温度、粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度和返红温度；制管工艺参数包括：钢管厚度、扩径量及成形步数；钢管性能指标包括：Rt0.5、Rt1.0、Rt1.5、Rt2.0、Rt5.0、Rm、UEL、Akv和SA；其中：Rt0.5、Rt1.0、Rt1.5、Rt2.0、Rt5.0和Rm分别对应于拉伸总应变为0.5％、1.0％、1.5％、2.0％、5.0％和UEL时的拉伸应力，UEL为试样承受最大载荷时的延伸率，Akv为夏比冲击功，SA为夏比冲击剪切面积； 
⑵、建立人工神经网络模型，并对模型进行训练，模型的输入为大变形管线钢的CEPcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度、粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数和扩径量，模型输出为Rt0.5、Rt1.0、Rt1.5、Rt2.0、Rt5.0、Rm、UEL、Akv和SA； 
⑶、用训练好的人工神经网络模型根据化学成分、控轧控冷过程工艺参数、制管过程工艺参数对钢管性能进行预测，将预测值与大变形管线钢管标准值进行比较，判断所制造出的大变形管线钢管性能是否满足标准要求； 
⑷、使训练好的人工神经网络模型的任一输入在合理取值范围变化，其他输入固定，得出该输入对输出的影响规律，在该步骤内得出所有输入对输出的影响规律； 
⑸、根据步骤⑶中钢管性能预测的结果采用修正的Johnson-Cook模型： 
σ=A+3(ε)n-Ce-αε描述该大变形管线钢管的流变行为，其中σ为拉伸应力，ε为拉伸总应变，σ、ε为钢管性能预测结果的值，A、B、n、C和α为大变形管线钢管材料参数，由拉伸应力点值可求出大变形管线钢管材料参数A、B、n、C和α，然后由 
σ=A+B(ε)n-Ce-αε模拟出应力应变曲线； 
⑹、根据步骤⑷得出的影响规律和步骤⑸得出的应力应变曲线控制大变形管线钢管的CEPcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度、粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下 率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、成形步数和扩径量，使制造出来的大变形管线钢管性能满足标准要求。 
2.根据权利要求1所述的大变形管线钢管制造工艺控制方法，其特征在于：所述的步骤⑵中对模型进行训练为调整BP网络模型权值从而最小化BP网络性能函数的过程，其中性能函数E为： 
Figure FDA00003009635400021
式（1）中
Figure FDA00003009635400022
为网络的第k个模式的第t个输出节点的期望输出；
Figure FDA00003009635400023
为网络的第k个模式的第t个输出节点的实际输出；
Figure FDA00003009635400024
为网络的第k个模式的第l个权重；n为输入节点数；p为隐含层节点数；q为输出节点数；m为训练模式数；γ为性能参数； 
BP网络的第一层为输入层，第二层为隐含层，第三层为输出层，隐含层和输出层采用的激活函数分别为： 
Figure FDA00003009635400025
f(n)=n  (3) 
网络权值和阈值的调整采用Levenberg-Marquardt算法，此算法有二阶收敛速度同时不用计算Hessian距阵，Hessian距阵H和梯度g可用如下近似矩阵表示为： 
H=JTJ  (4) 
g=JTe  (5) 
式中J为雅可比矩阵，JT为转置矩阵，e为网络误差的向量； 
权值或阈值x用如下公式计算： 
xk+1=xk-[JTJ+μI]-1JTe  (6) 
式中μ为标量，I为单位矩阵； 
BP网络训练过程如下： 
(a)、初始化连接权wji、vtj，阈值θj、γt，并赋予(-1，+1)的随机值，wji为输入层i至隐含层j单元的连接权值，vtj为隐含层j至输出层t单元的连接权值，θj为隐含层j单元的阈值，γt为输出层t单元的阈值； 
(b)、随机选取一模式对Ik，Tk提供给网络：网络输入
Figure FDA00003009635400027
为CEPcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度、粗轧总压下率、粗轧时间、粗轧道 次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数和扩径量，k为1,2，…，m，m为训练模式数；Tk为期望输出；实际输出为
Figure FDA00003009635400031
Figure FDA00003009635400032
为Rt0.5、Rt1.0、Rt1.5、Rt2.0、Rt5.0、Rm、UEL、Akv和SA； 
(c)、计算隐含层j单元输入：
Figure FDA00003009635400033
隐含层j单元输出：
Figure FDA00003009635400034
(d)、计算输出层t单元输入：
输出层t单元输出：at=f(OutInt)=OutInt  (10) 
(e)、随机取下一个学习模式对，返回步骤(c)，直至全部m个模式对训练完； 
(f)、根据Levenberg-Marquardt算法调整权值及阈值； 
(g)、重新从m个学习模式对中随机选一个返回(c)，直至最小化BP网络性能函数E； 
(h)、学习结束。 
3.根据权利要求1所述的大变形管线钢管制造工艺控制方法，其特征在于：所述的步骤⑵中对模型进行训练是对广义回归神经网络模型进行训练：广义回归神经网络模型的训练样本确定后，相应的网络结构和各神经元之间的连接权值也随之确定，网络的训练是确定光滑因子的过程； 
网络的第一层为输入层，输入向量为P，神经元数R为输入变量的维数， 
P=[pl，p2，…，pR]，p1，p2，…，pR为CEPcm、加热时间、出钢温度、粗轧开轧温度、粗轧终了温度、粗轧总压下率、粗轧时间、粗轧道次、待温时间、待温坯厚度、第二阶段开轧温度、第二阶段终轧温度、精轧总压下率、精轧道次、精轧时间、驰豫时间、入水温度、冷却速度、返红温度、钢管厚度、成形步数和扩径量；网络的第二层为径向基层，神经元的个数为训练模式数Q，第一层的权矩阵W1被设为输入样本I，偏差b1为光滑因子，用σ表示，自行选择变量，网络的加权输入‖dist‖表示输入变量P与W1的欧氏范数，即： 
Figure FDA00003009635400041
Figure FDA00003009635400042
为W1权矩阵第i行第j列元素；网络的净输入n1为 
Figure FDA00003009635400045
该层的输出为
Figure FDA00003009635400043
网络的第三层为线性输出层，神经元数为训练模式数Q，W2被设为输出T；基函数采用规则化点积函数，基函数的输出
Figure FDA00003009635400044
代入线性激活函数f(n)=n得到网络的输出
CN 201110213737 2011-07-28 2011-07-28 一种大变形管线钢管制造工艺控制方法 Active CN102284512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110213737 CN102284512B (zh) 2011-07-28 2011-07-28 一种大变形管线钢管制造工艺控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110213737 CN102284512B (zh) 2011-07-28 2011-07-28 一种大变形管线钢管制造工艺控制方法

Publications (2)

Publication Number Publication Date
CN102284512A CN102284512A (zh) 2011-12-21
CN102284512B true CN102284512B (zh) 2013-07-17

Family

ID=45331418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110213737 Active CN102284512B (zh) 2011-07-28 2011-07-28 一种大变形管线钢管制造工艺控制方法

Country Status (1)

Country Link
CN (1) CN102284512B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8972310B2 (en) * 2012-03-12 2015-03-03 The Boeing Company Method for identifying structural deformation
CN103886371A (zh) * 2014-03-28 2014-06-25 郑州大学 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法
CN111258276A (zh) * 2018-11-30 2020-06-09 深圳市永盛隆科技有限公司 芯片制造设备的监控方法、系统和装置
CN109669425B (zh) * 2019-01-12 2020-04-28 大连理工大学 一种城市管道施工现场组对控制的方法
CN110814050B (zh) * 2019-10-24 2021-07-09 唐山钢铁集团有限责任公司 一种基于bp神经网络的轧机模型控制方法
CN110791634A (zh) * 2019-10-28 2020-02-14 南京钢铁股份有限公司 一种低温压力容器钢热轧板奥氏体晶粒尺寸精确调控方法
JP6969713B1 (ja) * 2020-09-11 2021-11-24 Ｊｆｅスチール株式会社 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法
CN113176769B (zh) * 2021-06-29 2021-09-03 浙江大胜达包装股份有限公司 基于用途需求数据模型的瓦楞纸工艺控制优化方法和系统
CN116628970A (zh) * 2023-05-18 2023-08-22 浙江大学 基于数据挖掘的航天薄壁件旋压成型工艺参数优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586221A (en) * 1994-07-01 1996-12-17 Syracuse University Predictive control of rolling mills using neural network gauge estimation
US5966682A (en) * 1996-10-17 1999-10-12 Siemens Ag System for calculating an output of a multi-stage forming process
KR100384121B1 (ko) * 1997-03-31 2003-12-24 주식회사 포스코 신경회로망을 이용한 냉간압연강판의 형상제어방법
CN101391268A (zh) * 2008-11-07 2009-03-25 东北大学 一种钢板控轧控冷过程温度制度的逆向优化方法
CN101844154A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 带钢轧制过程改造方法
CN101906569A (zh) * 2010-08-30 2010-12-08 南京钢铁股份有限公司 一种热处理方法制备的抗大变形管线钢及其制备方法
CN101914723A (zh) * 2010-08-30 2010-12-15 南京钢铁股份有限公司 一种热轧抗大变形管线钢及其制备方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1034221A (ja) * 1996-07-26 1998-02-10 Sumitomo Metal Ind Ltd タンデム圧延機における伸ばし長さ制御方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586221A (en) * 1994-07-01 1996-12-17 Syracuse University Predictive control of rolling mills using neural network gauge estimation
US5966682A (en) * 1996-10-17 1999-10-12 Siemens Ag System for calculating an output of a multi-stage forming process
KR100384121B1 (ko) * 1997-03-31 2003-12-24 주식회사 포스코 신경회로망을 이용한 냉간압연강판의 형상제어방법
CN101391268A (zh) * 2008-11-07 2009-03-25 东北大学 一种钢板控轧控冷过程温度制度的逆向优化方法
CN101844154A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 带钢轧制过程改造方法
CN101906569A (zh) * 2010-08-30 2010-12-08 南京钢铁股份有限公司 一种热处理方法制备的抗大变形管线钢及其制备方法
CN101914723A (zh) * 2010-08-30 2010-12-15 南京钢铁股份有限公司 一种热轧抗大变形管线钢及其制备方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
左秀荣，陈蕴博，王淼辉，李勇.基于人工神经网络的P20钢热处理工艺.《材料热处理学报》.2010,第31卷(第4期),第61-66页. *
庄茁 等.Johnson-Cook强化模型简介.《ABAQUS非线性有限元分析与实例》.2005,第505页. *
莫春立，李强，李殿中，冯峰，詹志东.应用回归和神经网络方法预测热轧带钢性能.《金属学报》.2003,第39卷(第10期),第1110-1114页. *
赵彦峰,许云波,孙卫华,白彦,陈庆军,张殿华.ASP热轧过程X70管线钢的组织性能预测模拟.《材料热处理学报》.2011,第32卷(第1期),第144-149页. *

Also Published As

Publication number Publication date
CN102284512A (zh) 2011-12-21

Similar Documents

Publication Publication Date Title
CN102284512B (zh) 一种大变形管线钢管制造工艺控制方法
CN101391268B (zh) 一种钢板控轧控冷过程温度制度的逆向优化方法
KR102499916B1 (ko) 금속 재료의 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치
CN103886371A (zh) 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法
CN105303252A (zh) 基于遗传算法的多阶段神经网络模型训练方法
CN106971026A (zh) 基于全局可加模型的微合金钢力学性能预报方法
CN106909727A (zh) 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法
CN104238498A (zh) 热连轧管线钢组织及力学性能预测的方法
Hore et al. An adaptive neuro-fuzzy inference system-based modelling to predict mechanical properties of hot-rolled TRIP steel
US20220335182A1 (en) Machine learning-based method for designing high-strength high-toughness steel
CN108595862A (zh) 一种基于失稳分析的300m钢锻造工艺参数优化方法
CN102663498B (zh) 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法
Du et al. Construction of a machine-learning-based prediction model for mechanical properties of ultra-fine-grained Fe–C alloy
CN108062583A (zh) 一种面向节能减排的加热炉工艺参数寻优方法
CN112036062A (zh) 一种金属材料弯曲成形回弹角预测方法
Dadgar Asl et al. Non-sorting multi-objective optimization of flexible roll forming using artificial neural networks
CN110674568A (zh) 一种预测棒材力学性能的方法
CN103710529B (zh) 一种基于超快冷系统的q235钢组织性能预报方法
Jiahe et al. Artificial neural network prediction of the microstructure of 60Si2MnA rod based on its controlled rolling and cooling process parameters
Pholdee et al. Process optimization of a non-circular drawing sequence based on multi-surrogate assisted meta-heuristic algorithms
Altamirano-Guerrero et al. Intelligent design in continuous galvanizing process for advanced ultra-high-strength dual-phase steels using back-propagation artificial neural networks and MOAMP-Squirrels search algorithm
JP7197037B2 (ja) 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
Chikishev et al. Mathematical modeling of steel chemical composition and modes of thermomechanical treatment influence on hot-rolled plate mechanical properties
CN104874615A (zh) 棒线材孔型低温控轧电机功率负荷分配设计方法
Peet et al. Neural network modelling of hot deformation of austenite

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant