CN103157772B - 一种连铸坯内部质量的预报方法 - Google Patents

Abstract

本发明公开一种连铸坯内部质量的预报方法，是由连铸坯内部质量评价系统以及BP人工神经网络模型构成，通过对连铸坯的凝固过程进行数值模拟，将钢水成分、固液相线温度、随温度变化换热系数、弹性模量、拉速、二冷水和电磁搅拌等参数作为输入条件，模拟出连铸坯的凝固过程，通过数值模拟结果计算出糊状区的长度、宽度从而能够计算出连铸坯内部质量评价系数，评价系数与连铸坯内部质量等级对应，同时通过BP人工神经网络工建立铸坯中心偏析、中心疏松预报模型，进行铸坯内部质量预报，将两种方法得到的预报结果进行加权平均，得出最后结论。采用复合的连铸坯内部质量的评价方法，提高了分析连铸坯内部质量预测的准确性，便于指导实际生产。

Description

一种连铸坯内部质量的预报方法

技术领域

本发明涉及一种连铸坯内部质量的预报方法，它适用于连续铸钢生产工艺过程中，对板坯内部质量进行预测。

背景技术

连铸工艺使炼钢与轧钢生产之间得以协调配合生产，使工厂可能获得整体的节能效益。不过这一效益的获得有一个先决条件，即连铸机能生产出质量合格的连铸坯。但在连续的铸造生产过程中总会有一些铸造的连铸坯段质量欠佳，这就需要在连铸生产过程中能够在线了解连铸坯质量情况，以便决定铸坯的不同处理走向。即：对质量合格的连铸坯直接热送以获得节能效益；对表面有缺陷的连铸坯离线修磨清理后再加热轧制以获得最大的成材率；对报废的连铸坯直接判废以减少进一步加工成本。

连铸质量的含义是指：铸坯的纯净度(夹杂物含量、形态、分布)；连铸坯表面缺陷(裂纹、夹杂、皮下气泡等)；铸坯内部缺陷(裂纹、偏析、夹杂等)。其中内部质量主要是指低倍结构、中心偏析、内部裂纹和夹杂物水平。中心偏析、疏松和裂纹的存在严重影响钢材的综合性能和铸坯的轧制成材。

中心偏析是指钢液在凝固过程中，由于溶质元素的固液相中的再分配形成了铸坯化学成分的不均匀性，中心部位的C、S、P等含量明显高于其他部位。而铸坯中心裂纹的形成是连铸过程中冶金特性和力学因素综合作用的结果。由于钢液在凝固过程中，坯壳受钢水的静压力及外界力(矫直力、弯曲力、热应力、鼓肚力等)和由此产生的塑性变形超过了固液相界面允许的高温强度和极限应变值，则产生中心裂纹。

中心偏析降低了钢材的韧性、耐腐蚀性能和疲劳性能；容易引起焊裂，影响钢材的焊接性能；增加裂纹和疏松的敏感性，造成分层、断口部合格使钢材报废。

铸坯中心裂纹的轧制中不能焊合，轧制成的钢板其断面上会出现严重的分层缺陷，在钢卷或薄板的表面呈波浪形缺陷，有的在轧制中还会发生断带事故，给成品材的轧制和使用带来严重威胁。

因此正确判断和评价连铸坯内部质量并根据判断结果及时调整生产工艺参数是提高连铸坯内部质量的一个重要手段。

目前国内外钢铁企业也都着手开发此项目，例如《连铸板坯的质量预测和质量控制的方法及装置》(申请号：96190439.9，授权公开号：CN1048672C)此发明通过使由数字模型和水冷坩埚法确定的钢种非金属夹杂物的驯熟分析措施结合，对非金属夹杂物行为进行仿真计算后，用联机方式对板坯质量进行控制。而且控制连铸工艺参数后，把板坯中的非金属夹杂物量抑制到最低限度。

《一种连铸板坯纵裂预报方法》(申请号：01139282.7，公开号：CN1428216A)此发明涉及一种连铸板坯纵裂预报方法，在结晶器钢水液面位置的下方埋入横向数列、纵向至少三排热电偶，通过数据采集系统将这些温度读入，并进行数据分析。数据分析的步骤至少包含：在拉速稳定的条件下，某排钟的某个热点偶温度突然出现下降，速度达3℃/s以上；该热电偶正下方同列的两只热电偶温度先后也出现速率达3℃/s以上的下降趋势，且相邻两只热点偶温度开始下降的时间差与即时拉速的乘积正好等于这两只热点偶的间距；这一列三只热电偶温度随时间的变化规律一致，且下排热电偶温度持续下降的时间不小于上排热电偶温度持续下降的时间。

上述两篇专利文献中都涉及到连铸坯质量的预测方法，主要是对连铸坯内夹杂物以及对铸坯表面纵裂的预测，都未涉及到对连铸坯内部质量的预测。

另国内外的其它在线连铸坯质量预报软件，从预报结果准确性角度也没有达到生产中较为满意的结果，从软件本身的可修改性、适应变化性角度没有象样的工具型软件。

发明内容

本发明的目的克服以往连铸坯内部质量预报的不足，提供一种连铸坯质量预报方法，提高连铸坯内部偏析预报的准确性，以便于指导连铸生产操作。

本发明以板坯的内部质量作为研究对象，引入连铸坯内部质量评价系统对连铸坯内部质量进行有效的评价，并结合BP神经网络模型，确定网络模型的参数和结构，进行神经网络模型训练样本的学习和检验样本的检验，同时建立连铸坯内部质量预报系统，结合板坯生产的工艺记录和滚缝测量仪的定检测量结果作为条件，实现对板坯内部质量的预测，以达到改善板坯内部质量和提高产品合格率的目的。

该方法是由连铸坯内部质量评价系统以及BP人工神经网络模型构成，通过对连铸坯的凝固过程进行数值模拟，将钢水成分、固液相线温度、随温度变化换热系数、弹性模量、拉速、二冷水和电磁搅拌等参数作为输入条件，模拟出连铸坯的凝固过程，通过数值模拟结果计算出糊状区的长度、宽度，从而能够计算出连铸坯内部质量评价系数，评价系数与连铸坯内部质量等级对应。同时通过BP人工神经网络建立铸坯中心偏析、中心疏松预报模型，进行铸坯内部质量预报，将两种方法得到的预报结果进行加权平均，得出最后结论。

所述的连铸坯内部质量评价系统是按下述方法实现的：根据凝固理论，凝固组织的形成主要与温度梯度G、冷却速度R两个因素有关，并用以下判据来描述柱状晶转化为等轴晶的可能：连铸坯内部质量评价系统是按下述方法实现的：

根据凝固理论，凝固组织的形成主要与温度梯度G、冷却速度R两个因素有关，并用以下判据来描述柱状晶转化为等轴晶的可能：

J＝G/R^0.64  (1-1)

式中，J越大越易形成柱状晶，J越小越易形成等轴晶；

设连铸坯液相区顶点为A，糊状区顶点为C，用A点与B点构成连线的长度为连铸坯末端糊状区宽度，由A、B、C三点构成一个直角三角形区域，其中AC连线与铸坯横向方向平行，AB连线与铸坯纵向方向平行，同时铸坯由位置A运动到C时，对于连线上线性AC上任意一点A’，铸坯中心线的温度呈线性变化，温度在连线上线性地由T_L降为Ts，令T_L-T_S＝ΔT

温度梯度为 $G=\frac{T_L-T_S}{X}---(1-2)$

式中X—铸坯凝固末端糊状区宽度；

该点温度表达式为：

$T_{A^{\′}}=(1-\frac{\mathrm{\ΔL}}{L})(T_L-T_S)+T_S---(1-3)$

式中ΔL—铸坯中心点的移动距离；S—拉坯速度；

此时铸坯中心点是由A运动到A′，其冷却速度近似地表示为：

$R=\frac{T_L-T_{A^{\′}}}{\frac{\mathrm{\ΔL}}{S}}---(1-4)$

式中，L为糊状区长度；T_L为液相线温度；T_S为固相线温度；

将式(1-2)、(1-3)、(1-4)代入(1-1)式，整理可得：

$j=\frac{\frac{\mathrm{\ΔT}}{X}}{{\left(\frac{S}{L}\mathrm{\ΔT}\right)}^{0.64}}=\frac{1}{X}{\left(\frac{L}{S}\right)}^{0.64}{\left(\mathrm{\ΔT}\right)}^{0.36}---(1-5)$

式中，X和L可由数值模拟计算得到，ΔT为材料常数，它的值是材料两相区的温度差。

本发明所述的BP人工神经网络模型，是首先收集炼钢厂板坯枝晶检验数据，对其结果进行分析，找出对铸坯中心偏析、中心疏松影响最大的因素，在之前考虑钢水成分、温度和拉速的前提下，将二冷水和电磁搅拌参数考虑到模型中，建立BP人工神经网络模型，对板坯中心偏析和中心疏松进行预报。

本发明所述BP人工神经网络模型采用一个包括输入层、网络隐含层和输出层的三层BP神经网络。所述输入层是将对铸坯中心偏析影响较大的五个因素即：拉速、中包温度、碳含量、硫含量、锰含量，将这五个因素作为参考因素，利用EXCEL软件对各因素对铸坯中心偏析的影响进行单因素方差分析，建立的人工神经网络模型确定输入变量。

所述网络隐含层采用试凑法，先设置较少的隐节点训练网络，然后逐渐增加隐节点数，用同一样本集进行训练，从中确定网络误差最小时对应的隐节点数，

本模型应用下公式进行试凑：

$N=\sqrt{n+m}+\mathrm{\α}---\left(1\right)$

N＝log₂n  (2)

式中，N——隐层节点数；

n——输入层节点数；

m——输出节点数；

a——1～10之间的常数。

输入层与隐层之间、隐层与输出层之间的连接权，采用的传递函数为Sigmoid函数：

$f\left(x\right)=\frac{1}{1-e^{-x}}---\left(3\right)$

本发明所述的连铸坯内部质量评价系统，当过程中出现水口堵塞、降低拉速、二冷水喷嘴堵塞等现象时，则浇铸过程属于非稳态操作，计算结果以连铸坯内部质量评价系统的计算结果为主，将其权重定为0.75，BP神经网络模型预报权重定为0.25。当稳态浇注时，主要以BP神经网络模型预报结果为主，将其权重定为0.75,连铸坯内部质量评价系统权重系数定为0.25。

本发明的检验结果分为a、b、c三个级别，按每0.5一个等级，每个级别分为0.5～3.0六个等级。

本发明的优点及效果在于：采用复合的连铸坯内部质量的评价方法，提高了分析连铸坯内部质量预测的准确性，便于指导实际生产。

附图说明

图1为本发明系统流程总图；

图2为本发明BP人工神经网络模型流程图；

图3为本发明连铸坯内部质量评价系统流程图；

图4为连铸坯凝固末端各相区示意图。

具体实施方式

下面结合附图对本发明作详细介绍

如图1所示，本发明是由连铸坯内部质量评价系统以及BP人工神经网络模型构成，通过对连铸坯的凝固过程进行数值模拟，将钢水成分、固液相线温度、随温度变化换热系数、弹性模量、拉速、二冷水和电磁搅拌等参数作为输入条件，模拟出连铸坯的凝固过程，通过数值模拟结果计算出糊状区的长度、宽度从而能够计算出连铸坯内部质量评价系数，评价系数与连铸坯内部质量等级对应，同时通过BP人工神经网络工建立铸坯中心偏析、中心疏松预报模型，进行铸坯内部质量预报，将两种方法得到的预报结果进行加权平均，得出最后结论。

如图2所示，为本发明BP人工神经网络的模型，首先收集炼钢厂板坯枝晶检验数据，对其结果进行分析，找出对铸坯中心偏析、中心疏松影响最大的因素，在之前考虑钢水成分、温度和拉速的前提下，将二冷水和电磁搅拌参数考虑到模型中，建立BP人工神经网络模型，对板坯中心偏析和中心疏松进行预报。根据文献和冶金机理，拉速、中包温度、碳含量、硫含量、锰含量，这五个因素对铸坯中心偏析影响较大。将这五个因素作为参考因素，利用EXCEL软件对各因素对铸坯中心偏析的影响进行单因素方差分析，结果见表1。此工作的目的在于利用EXCEL数据分析软件对收集到的数据进行分析，找出影响铸坯中心偏析的主要因素，为此后建立的人工神经网络模型确定输入变量。

EXCEL软件确定因素的影响大小是通过F值和P值来衡量，在数据为103组时，临界F值和P值分别2.75和0.01。评判标准为F值大于临界F值和P值小于临界P值，因素具有显著影响。由表1中数据可见，五个因素均对铸坯中心偏析有显著影响。因此将其作为后续神经网络建模的输入参数。

表1 各参考因素对铸坯中心偏析的影响

网络隐含层单元数选择是一个非常复杂的问题，往往靠经验确定。隐单元数太少的网络可能不能训练出来，或者网络不够“强壮”，不能识别以前没有看到的样本，容错性差；但隐单元数太多又使学习时间过长，误差也不一定最小。

确定最佳隐节点数的一个常用方法称为试凑法，可先设置较少的隐节点训练网络，然后逐渐增加隐节点数，用同一样本集进行训练，从中确定网络误差最小时对应的隐节点数。在用试凑法时，可用一些确定隐节点数的经验公式。这些公式计算出来的隐节点数只是一种粗略的估计值，可作为试凑法的初始值。本模型应用下公式进行试凑：

$N=\sqrt{n+m}+\mathrm{\α}---\left(1\right)$

N＝log₂n  (2)

式中，N——隐层节点数；

n——输入层节点数；

m——输出节点数；

a——1～10之间的常数。

利用经验公式，本文输入层节点数n为5，输出层节点数m为1，N范围为2～12，在学习过程中分别选择隐层单元数为3、6、8、10、12，通过比对仿真精度，最后确定隐层节点数为10。

输入层与隐层之间、隐层与输出层之间的连接权，采用的传递函数为Sigmoid函数：

$f\left(x\right)=\frac{1}{1-e^{-x}}---\left(3\right)$

因此，所用神经网络的结构为5×10×1。BP神经网络输入层节点数目取决于输入数据源的维数，即这些节点能够代表每个数据源。采用影响铸坯中心偏析的主要因素作为BP神经网络的输入源。因此，神经网络的输入节点数为5个。网络的输出为铸坯中心偏析，输出层节点数为1个。

网络输入输出参数的数据来源见表2。

表2 输入输出参数表

与普通的铸件不同，连铸坯的中心偏析、中心缩松、缩孔的形成和大小主要受铸坯凝固组织的影响，如果铸坯中心形成等轴晶，则有利于消除和减轻偏析、缩松缺陷，反之，如果柱状晶发达则容易造成枝晶搭桥阻止钢液填充，从而周期性地形成“小钢锭”组织，并在中心部位断续地形成偏析和缩孔缺陷。

根据凝固理论，凝固组织的形成主要与温度梯度G、冷却速度R两个因素有关，并可用以下判据来描述柱状晶转化为等轴晶的可能：根据凝固理论，凝固组织的形成主要与温度梯度G、冷却速度R两个因素有关，并用以下判据来描述柱状晶转化为等轴晶的可能：

J＝G/R^0.64  (1-1)

式中，J越大越易形成柱状晶，J越小越易形成等轴晶；

如图4所示，设连铸坯液相区1顶点为A，糊状区2顶点为C，固相区3，用A点与B点构成连线的长度为连铸坯末端糊状区2宽度，由A、B、C三点构成一个直角三角形区域(其中AC连线与铸坯横向方向平行，AB连线与铸坯纵向方向平行)，同时铸坯由位置A运动到C时，对于连线上线性AC上任意一点A’，铸坯中心线的温度呈线性变化，温度在连线上线性地由T_L降为Ts，

令：T_L-T_S＝ΔT  (1-2)

则该点温度表达式为：

$T_{A^{\′}}=(1-\frac{\mathrm{\ΔL}}{L})(T_L-T_S)+T_S---(1-3)$

式中ΔL—铸坯中心点的移动距离；S—拉坯速度；

此时铸坯中心点是由A运动到A’，其冷却速度近似地表示为：

$R=\frac{T_L-T_{A^{\′}}}{\frac{\mathrm{\ΔL}}{S}}---(1-4)$

式中，L为糊状区2长度；T_L为液相线温度；T_S为固相线温度；

将式(1-2)、(1-3)、(1-4)代入(1-1)式，整理可得：

$j=\frac{\frac{\mathrm{\ΔT}}{X}}{{\left(\frac{S}{L}\mathrm{\ΔT}\right)}^{0.64}}=\frac{1}{X}{\left(\frac{L}{S}\right)}^{0.64}{\left(\mathrm{\ΔT}\right)}^{0.36}---(1-5)$

式中X—铸坯凝固末端糊状区2宽度；

式中，X和L可由数值模拟计算得到，ΔT为材料常数，它的值是材料两相区的温度差。

连铸坯内部质量评级系数可以定量地表征连铸坯中心质量。低倍组织的结果证明，该系数的结论具有可靠性。连铸坯内部质量评级系数越大，则中心等轴晶区直径越小、中心缩孔尺寸变大，铸坯内部质量下降。反之，则有利于提高铸坯内部质量。

通过连铸坯凝固过程数值模拟求出糊状区2长度和宽度，只要得到任意一点A’和B’的温度即可得出连铸坯内部质量评价系数。

按图1所示，连铸坯内部偏析等级综合评价法是这样的，对于非稳态浇铸，由于连铸坯内部质量评价系统可以考虑浇注参数的变化，这时主要以连铸坯内部质量评价系统的计算结果为准。

当过程中出现水口堵塞、降低拉速、二冷水喷嘴堵塞等现象时，则浇铸过程属于非稳态操作，计算结果以连铸坯内部质量评价系统的计算结果为主，将其权重定为0.75，BP神经网络模型预报权重定为0.25。当稳态浇注时，主要以BP神经网络模型预报结果为主，将其权重定为0.75,连铸坯内部质量评价系统权重系数定为0.25。

铸坯中心偏析检验时分为a、b、c三个级别，按每0.5一个等级，每个级别分为0.5～3.0六个等级。进行分析时，由于字母对数据处理具有影响，无法分析。因此将数据组进行处理，处理方式见表3(以b类偏析为例)。

连铸作业区操作人员利用系统提供的直观的结果数据对连铸过程有关参数提前进行修正。修正后结果通过历史数据返回到评价系统，循环往复，达到减少连铸坯内部质量缺陷的目的。也可以对评价结果的历史数据进行统计，用于指导生产及考核管理。

以下是本发明的一个实验例，选择断面为1950mm×300mm的连铸坯，参数采用炼钢厂的实际参数，对一个浇次中的六罐铸坯内部质量分别进行预测，当拉坯开始后，模型开始计算。

此钢种对应偏析等级对照表如下所示：

表3 BP网络预报数字对应的偏析级别

表4 内部质量预报系统预报数字对应的偏析级别

模型采集到过程的基本参数，对于第一罐属于非稳态浇铸，主要以连铸坯内部质量评价系统的计算结果为准，随着过程的进行，预报评价系统的等级为b0.5级。同时，进行BP神经网络模型的预报，预报等级为b1.5。综合评定后等级为b0.5级。

接着第二罐开始拉坯，过程进入稳态，此时以BP神经网络模型预报结果为主，。同时采用连铸坯内部质量评价系统进行评价，预报结果为b1.0。综合评定后等级为b0.5级。继续进行，直到浇铸结束后，六罐铸坯的内部质量等级分别为b0.5、b0.5、b0.5、b0.5、b1.0、b1.5。

以上述方法对连铸坯内部质量进行预报，铸坯内部质量预报系统预报结果与神经网络预报及实际产品的检测值比对效果如下：

表5 神经网络预报预报值

表6 铸坯内部质量预报系统预报值

从表5、6中的数值可以看出，当正常浇铸状态下采用铸坯内部质量分析系统的预报值与神经网络的预报值基本一致，并且与实际相符，在非正常浇铸状态下采用铸坯内部质量分析系统的预报值与神经网络的预报值相比，其采用铸坯内部质量分析系统预报的值更能贴近实际。

Claims (3)

1.一种连铸坯内部质量的预报方法，其特征在于，是由连铸坯内部质量评价系统以及BP人工神经网络模型构成，通过对连铸坯的凝固过程进行数值模拟，将钢水成分、固液相线温度、随温度变化换热系数、弹性模量、拉速、二冷水和电磁搅拌参数作为输入条件，模拟出连铸坯的凝固过程，通过数值模拟结果计算出糊状区的长度、宽度从而能够计算出连铸坯内部质量评价系数，评价系数与连铸坯内部质量等级对应，同时通过BP人工神经网络建立铸坯中心偏析、中心疏松预报模型，进行铸坯内部质量预报，将两种方法得到的预报结果进行加权平均，得出最后结论；

所述的连铸坯内部质量评价系统是按下述方法实现的：根据凝固理论，凝固组织的形成主要与温度梯度G、冷却速度R两个因素有关，并用以下判据来描述柱状晶转化为等轴晶的可能：

J＝G/R^0.64   (1-1)

式中，J越大越易形成柱状晶，J越小越易形成等轴晶；

设连铸坯液相区顶点为A，糊状区顶点为C，用A点与B点构成连线的长度为连铸坯末端糊状区宽度，由A、B、C三点构成一个直角三角形区域，其中AC连线与铸坯横向方向平行，AB连线与铸坯纵向方向平行，同时铸坯由位置A运动到C时，对于连线上线性AC上任意一点A’，铸坯中心线的温度呈线性变化，温度在连线上线性地由T_L降为Ts，令T_L-T_S＝ΔT

温度梯度 $G=\frac{T_L-T_S}{X}---(1-2)$

该点温度表达式为：

$T_{A^{\′}}=(1-\frac{\mathrm{\ΔL}}{L})(T_L-T_S)+T_S---(1-3)$

式中ΔL—铸坯中心点的移动距离；S—拉坯速度；

此时铸坯中心点是由A运动到A’，其冷却速度近似地表示为：

$R=\frac{T_L-T_{A^{\′}}}{\frac{\mathrm{\ΔL}}{S}}---(1-4)$

式中，L为糊状区长度；T_L为液相线温度；T_S为固相线温度；

将式(1-2)、(1-3)、(1-4)代入(1-1)式，整理可得：

$J=\frac{\frac{\mathrm{\ΔT}}{X}}{{\left(\frac{S}{L}\mathrm{\ΔT}\right)}^{0.64}}=\frac{1}{X}{\left(\frac{L}{S}\right)}^{0.64}{\left(\mathrm{\ΔT}\right)}^{0.36}---(1-5)$

式中X—铸坯凝固末端糊状区宽度；

X和L可由数值模拟计算得到，ΔT为材料常数，它的值为材料两相区的温度差；

所述的BP人工神经网络模型，是首先收集炼钢厂板坯枝晶检验数据，对其结果进行分析，找出对铸坯中心偏析、中心疏松影响最大的因素，在之前考虑钢水成分、温度和拉速的前提下，将二冷水和电磁搅拌参数考虑到模型中，建立BP人工神经网络模型，对板坯中心偏析和中心疏松进行预报，所述BP人工神经网络模型采用一个包括输入层、网络隐含层和输出层的三层BP神经网络，所述输入层是将对铸坯中心偏析影响较大的五个因素即：拉速、中包温度、碳含量、硫含量、锰含量，将这五个因素作为参考因素，利用EXCEL软件对各因素对铸坯中心偏析的影响进行单因素方差分析，建立的人工神经网络模型确定输入变量。

2.根据权利要求1所述的一种连铸坯内部质量的预报方法，其特征在于，所述的连铸坯内部质量评价系统，当过程中出现水口堵塞、降低拉速、二冷水喷嘴堵塞现象时，则浇铸过程属于非稳态操作，计算结果以连铸坯内部质量评价系统的计算结果为主，将其权重定为0.75，BP神经网络模型预报权重定为0.25，当稳态浇注时，主要以BP神经网络模型预报结果为主，将其权重定为0.75,连铸坯内部质量评价系统权重系数定为0.25。

3.根据权利要求1所述的一种连铸坯内部质量的预报方法，其特征在于，所述铸坯中心偏析检验时分为a、b、c三个级别，按每0.5一个等级，每个级别分为0.5～3.0六个等级。