CN103706774A - 一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法 - Google Patents

Abstract

一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，属冶金领域。其根据工艺要求，采集有关生产控制数据，然后以每块板坯为单位，来建立甄别不锈钢板坯发生夹渣或裂纹缺陷的方程式，计算其各项生产工艺数据均值和标准差，每块板坯经过切割工序后，通过甄别结果来得到板坯是否存在缺陷的结论，进而可有效地控制板坯路径，将无缺陷板坯热送至下道工序以节约能耗，同时尽最大可能将有缺陷板坯“下线”而避免轧制后产生产品的质量问题。可广泛用于不锈钢板坯连续铸造工艺的生产控制和产品质量监控领域。

Description

一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法

技术领域

本发明属于冶金领域，尤其涉及一种用于不锈钢板坯连续铸造的生产控制方法。

背景技术

不锈钢连铸生产过程中，夹渣、裂纹是板坯表面常见的缺陷。如果这些缺陷发生而又没有被及时清除，就直接将板坯送到下道工序进行轧制，将产生不可避免的产品缺陷。

而在目前提倡减少能源损失的现代连铸生产中，许多不锈钢的板坯在切割完毕后就直接通过辊道热送至下道工序，而不经过炼钢厂下线进行仔细的检查。

为了能在热送过程中甄别出有缺陷的板坯并将其下线，在实际生产过程中，通常采用人工在板坯表面目视结合根据工艺经验对拉速、结晶器液位进行超标报警的办法。

人工在板坯表面目视检查缺陷存在漏检率高的问题，由于热送途中板坯处于高温状态，检查人员对板坯上表面、左右侧面的检查也做不到非常仔细，更不能检查紧贴辊道的板坯下表面。

根据现有工艺经验对拉速、结晶器液位进行超标报警，是在拉速或结晶器液位超过经验值后认为将发生夹渣、裂纹缺陷。但在实际应用中发现，报警位设定的较松，漏检率也非常高；报警位设定的较严格，会发生许多的虚假报警，即误报率高；对有缺陷的板坯进行观察拉速或结晶器液位的数据，发现有许多属于正常范围。

板坯表面常见缺陷的甄别，是板坯质量管理的重要环节。

在提倡节能减排的大环境下，对不锈钢板坯“热送”以节省热量的散失是各大钢厂着力推进的方向之一。但在“热送”过程中，板坯质量出现的表面缺陷在热态下人工不易发现，一般都是还有结合缺陷甄别规则进行路径管理。这就是说，板坯切割后，无缺陷的板坯应继续“热送”；而有缺陷的板坯将被“下线”留在本工序。这个甄别的准确程度影响了热送是否能正常进行，同时最大程度地防止缺陷板坯流到下工序发生产品的质量事故。

利用工艺上提供的影响夹渣或裂纹缺陷的拉速和结晶器液位的标准值进行预警，其缺点在于这种方法将过程参数孤立起来，割裂了它们之间的相互影响。即使有些钢厂考虑了其他过程参数对缺陷的影响，但这种甄别方法仍然是孤立的。实际生产过程是各种过程参数是同时影响板坯的形成及其质量的，这就是为什么有时工艺参数都在标准值范围内，但缺陷却仍然以一定的比率发生。因此，在实际生产控制过程中，迫切需要一种方式将各种关键的过程参数联系起来，才能进一步降低其漏检率。

再进一步，除了考虑某一时刻各过程参数及其关系对缺陷的影响外，还应该考虑一段时间内工艺生产参数的变化情况对当前时刻板坯质量的影响。这是因为实际生产前后过程是连续的，前面的某一时刻的工艺参数状态，对后面的产品质量也产生影响，因此，找到一个能反映波动情况的特征值进行计算/控制，可以使产品缺陷的甄别工作更准确和便于控制。

发明内容

本发明所要解决的技术问题是提供一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其根据工艺要求，采集有关生产控制数据，然后以每块板坯为单位，来建立甄别不锈钢板坯发生夹渣或裂纹缺陷的方程式，计算其各项生产工艺数据均值和标准差，每块板坯经过切割工序后，通过甄别结果来得到板坯是否存在缺陷的结论，进而可有效地控制板坯路径，将无缺陷板坯热送至下道工序以节约能耗，同时尽最大可能将有缺陷板坯“下线”而避免轧制后产生产品的质量问题。

本发明的技术方案是：提供一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，包括对连续生产过程中的各段板坯进行生产过程中各项参数的测量和记录，其特征是所述的甄别方法至少包括下列步骤：

A、根据不锈钢板坯的种类，列出影响不锈钢板坯某种缺陷发生的工艺过程参数数据项；

B、测量每块板坯生产过程中的各项工艺参数数据，并传输到过程控制计算机；

C、每块板坯切割后，过程控制计算机根据A步骤中所确定的各项生产过程工艺参数的实际测量数据，以板坯为单位计算一定周期内各项生产过程工艺参数数据的平均值；

D、将每个生产过程工艺参数数据的平均值分别与某种对应的缺陷进行对数回归分析；

E、根据对数回归分析的结果，剔除对数回归分析结果P-Value值大于0.25的数据项，得到某种对应缺陷发生的显著影响因素；

F、将剩余的数据项组合起来，与该种缺陷进行多元对数回归分析，得到某种缺陷的甄别缺陷发生的方程式；

G、过程控制计算机根据甄别缺陷发生的方程式，计算每块板坯实时的P值；

H、如果某一块板坯的P值大于0.5，过程控制计算机标定该板坯下线，发出该板坯的下线信号，将该块板坯留在本工序清理或挽救；

I、如果某一块板坯的P值小于0.5，过程控制计算机保持该板坯的原有行进路径；

J、通过现有的生产控制系统，控制各块板坯的行进路径，将无缺陷的板坯热送至下道工序，将有缺陷的板坯下线，从而避免产生产品质量问题。

其中，所述的不锈钢板坯缺陷种类，包括夹渣缺陷和裂纹缺陷。

进一步的，在所述的C步骤中，过程控制计算机对所测得的各项生产过程工艺参数的实际测量数据，以板坯为单位计算一定周期内各项生产过程工艺参数数据的平均值和标准差，以进一步提高甄别的命中率。

具体的，所述产生不锈钢板坯缺陷的影响因素为浇铸拉速f1、结晶器水量f2、钢水温度f3、结晶器液位f4、塞棒开口度f5和结晶器水温差f6，统称为实际测量数据或过程数据；

其中，所述的结晶器水量f2又分为结晶器前宽面水量f21、结晶器后宽面水量f22、结晶器左窄面f23水量和结晶器右窄面f24水量；

其中，所述的结晶器水温差又分为结晶器前宽面温差f61、结晶器后宽面温差f62、结晶器左窄面温差f63和结晶器右窄面温差f64。

进一步的，C步骤中计算平均值的过程如下：

首先，发给过程计算机是以0.1s为周期的过程数据,考虑数据量太大,因此以一定周期计算这些数据的平均值来作为实际过程的代表值；周期的确定以减少300倍数据为宜，以便降低计算机系统的计算工作量负担；

然后，由于判定是以板坯为单位的,所以用每块板坯所包含的各个周期平均值再来计算平均值来表示产生这块板坯时这个参数的数据值水平；

计算其平均值来作为这段周期代表值，其平均值计算公式为

$\mathrm{\μ}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$

其中，x为某个过程数据项，i=1,2，…n，n为这个周期内采集数据的次数。

然后，根据上述的平均值，进一步得出以板坯为单位的一定周期内各项生产过程工艺参数数据的平均值，该平均值的计算公式为

$\stackrel{\‾}{X}=\frac{1}{N}\underset{I=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\μ}}_I,$

其中，X为某个过程数据，i=1，2，…n，n为这个周期内采集数据的次数。具体的，其所述标准差的计算公式为

$\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{I=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{\μ}}_I-\stackrel{\‾}{X})}^2},$

其中，μ为某个过程数据在一个周期内的平均值，I=1，2，…N，N为该块板坯包含的周期数。

其所述各个过程参数计算和整理的数据不能少于50组。

其所述甄别缺陷发生的方程式为

$P=\frac{e^{{\mathrm{\β}}_0+{\mathrm{\β}}_1{f}_1+{\mathrm{\β}}_2{f}_2+...+{\mathrm{\β}}_n{f}_n}}{1+e^{{\mathrm{\β}}_0+{\mathrm{\β}}_1{f}_1+{\mathrm{\β}}_2{f}_2+...+{\mathrm{\β}}_n{f}_n}}$

其中，e=2.7183，f是回归分析得到的影响缺陷的数据项，β是回归分析得到的对应系数。

其所述的多元对数回归分析，按照下列步骤进行：

将得到的各个显著影响数据项全部选择进行多元对数回归后，若其结果没有收敛，说明这些影响因素之间可能存在相关性；

将这些影响因素按P值从小到大排序，逐一增加进行多元回归运算，若某个数据项加入后如导致算法发散，则先剔除该数据项，如此得到最终合适的数据项；

若多元回归结果P-Value<0.05，表明系数有效。

与现有技术比较，本发明的优点是：

1.根据冶金理论和冶金工艺原理，罗列出影响不锈钢板坯各种缺陷的影响因素，所有计算数据依据实际生产中的实测值，能更好地反映实际的生产情况和产品质量；

2.在任何检测中都有较好的拟合性，各组中观测值和期望值接近，统计符合对、不符合对、约束对的百分比，预测结果精度较高，适合用于实际生产控制过程和产品质量监控；

3.通过采集大量的实际生产数据，并计算其均值和/或标准差，来建立板坯夹渣、裂纹缺陷预测方程，有效地控制板坯行进路径，将无缺陷板坯热送至下道工序，有助于整个生产线盒工艺过程的节约能耗，进而尽可能地避免了轧制后产品质量问题的产生。

附图说明

图1是本发明的甄别方法方框图；

图2是甄别430不锈钢板坯夹渣缺陷的方程式图形示意图；

图3是甄别304不锈钢板坯夹渣缺陷的方程式图形示意图；

图4是甄别304不锈钢板坯裂纹缺陷的方程式图形示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

图1中，本发明的甄别方法主要包括下列步骤：

A、根据不锈钢板坯的种类，列出影响不锈钢板坯某种缺陷发生的工艺过程参数数据项；

B、测量每块板坯生产过程中的各项工艺参数数据，并传输到过程控制计算机；

C、每块板坯切割后，过程控制计算机根据A步骤中所确定的各项生产过程工艺参数的实际测量数据，以板坯为单位计算一定周期内各项生产过程工艺参数数据的平均值；

D、将每个生产过程工艺参数数据的平均值分别与某种对应的缺陷进行对数回归分析；

E、根据对数回归分析的结果，剔除对数回归分析结果P-Value值大于0.25的数据项，得到某种对应缺陷发生的显著影响因素；

F、将剩余的数据项组合起来，与该种缺陷进行多元对数回归分析，得到某种缺陷的甄别缺陷发生的方程式；

G、过程控制计算机根据甄别缺陷发生的方程式，计算每块板坯实时的P值；

H、如果某一块板坯的P值大于0.5，过程控制计算机标定该板坯下线，发出该板坯的下线信号，将该块板坯留在本工序清理或挽救；

I、如果某一块板坯的P值小于0.5，过程控制计算机保持该板坯的原有行进路径；

J、通过现有的生产控制系统，控制各块板坯的行进路径，将无缺陷的板坯热送至下道工序，将有缺陷的板坯下线，从而避免产生产品质量问题。

通过上述叙述可知，本发明的关键发明点在于，通过采集大量的数据，并计算其均值和标准差，来建立板坯夹渣、裂纹缺陷预测方程，可以有效地控制板坯行进路径，将无缺陷板坯热送至下道工序，以节约能耗，同时尽最大可能，将有缺陷板坯下线，从而避免了轧制后产品质量问题的产生。

在本技术方案中，所述不锈钢板坯缺陷的种类，包括夹渣缺陷和裂纹缺陷。

对于夹渣、裂纹这两个缺陷，连铸工艺可以罗列出所有影响其发生的过程参数数据项，如影响夹渣缺陷的过程数据项为浇铸拉速、结晶器水量（结晶器有四个面）、钢水温度、结晶器液位、塞棒开口度、结晶器水温差（有四个面）。

甄别板坯上是否存在这两个缺陷的方法如下：

1）建立甄别的计算方程式

1.1）数据的采集

各个过程数据项可以在很短的时间内连续测量（如每0.1s产生一个数据）并传输到过程计算机，利用连续测量的各个过程实际数据以一定周期计算其平均值作为这段板坯的过程特征值。周期需要足够短，能反映实际的生产过程，但也要兼顾计算机网络和存储容量的限制，不能大幅升高计算机系统的负担使数据传输或保存出现问题。一般可以将基本采集到的数据减少300倍为宜，如0.1s产生一个数据可确定30s为一个周期，计算其平均值来作为这段时间内代表值。平均值计算公式为

$\mathrm{\&mu;}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i$

(X为某个过程数据项，i=1，2，…n，n为这个周期内采集数据的次数)。

1.2）以板坯为单位计算各数据项的平均值

由于甄别的对象是板坯，因此必须将上面每段板坯计算各过程数据项的平均值反映到每块板坯上。计算该板坯包含的，每段板坯的过程特征值的平均值来表征该参数的控制水平，其计算公式为

$\stackrel{\&OverBar;}{X}=\frac{1}{N}\underset{I=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_I$

(μ为某个过程数据在1.1)中定义的一个周期内的平均值，I=1，2，…N，N为这块板坯包含的周期数)。

板坯样本的采集要保证有一定数量，分析的数据不能少于50组，发生缺陷和未发生缺陷的数量比不应小于1：4，未发生缺陷的板坯要保证其随机性。

1.3）以板坯为单位计算各数据项的标准差（可选）

由于每块板坯在其内部有了每段数据项的数值，可以计算这些数值的标

准差来表征该参数在这块板坯内的波动程度，其计算公式为

$\mathrm{\&sigma;}=\sqrt{\frac{1}{N}\underset{I=1}{\overset{N}{\mathrm{\&Sigma;}}}{({\mathrm{\&mu;}}_I-\stackrel{\&OverBar;}{X})}^2}.$

这未必一定需要，因为以1.2）建立起来的数据项就可以建立甄别所用的计算方程式了。标准差的计算会增加系统的开销，使计算变慢，但想进一步提高甄别的命中率，可以来计算本项。

1.4）利用对数回归的方法，建立甄别方程式

将选择的板坯对应的各个过程参数根据1.2）中的平均值和1.3）中的标准差（如有必要）作为基础数据项。首先将每个数据项分别与研究的缺陷进行对数回归分析，根据回归分析结果，剔除P_I-Value（I=1，2，…N）值大于0.25的数据项（说明相关性弱）；然后将剩余的数据项组合起来，与该缺陷进行多元对数回归分析（首次多元回归其结果如没有收敛，说明这些影响因素之间可能存在相关性。应将这些影响因素按P值从小到大排序，然后逐一增加进行多元回归运算，某个数据项加入后如导致算法发散，则剔除该数据项），就得到了甄别缺陷发生的方程式。

方程式的一般形式为

$P=\frac{e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{f}_1+{\mathrm{\&beta;}}_2{f}_2+...+{\mathrm{\&beta;}}_n{f}_n}}{1+e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{f}_1+{\mathrm{\&beta;}}_2{f}_2+...+{\mathrm{\&beta;}}_n{f}_n}},$

其中e=2.7183，f_I（I=1，2，…N）是回归分析得到的影响缺陷的数据项，β是回归分析得到的对应系数。

利用对数回归获得的甄别方程式的特征在于：有缺陷板坯对应的数据项计算出的数值集中在P>0.5的曲线上，无缺陷板坯对应的数据项计算出的数值集中在P<0.5的曲线上，其符合率可以计算得出。

2）利用甄别结果的进行判断

2.1）f_I的计算

实际生产中，每块板坯切割后，根据甄别方程式中的数据项，采集对应的数据并按1.1）、1.2）、1.3）（如存在）进行归并计算，得到f_I（I=1，2，…N，N为影响该缺陷的数据项总数）

2.2）计算甄别方程的P值

将f_I代入甄别方程，计算出该板坯实时的P值。

2.3）根据P值甄别缺陷

正如1.4）中指出的，如果P值大于0.5，说明缺陷发生概率非常高，这时可发出板坯下线信号，将板坯留在本工序清理或挽救；如果P值小于0.5，可保持板坯原有路径。

下面通过实施例进一步对本技术方案进行叙述。

实施例一：

甄别430不锈钢板坯的夹渣缺陷（未计算标准差）

首先罗列影响430板坯夹渣的影响因素如表6.1所示。

表6.1可能影响430夹渣缺陷的因素

然后选取某月我公司检查的430板坯，共选择了254组数据，其中有58组发生了夹渣缺陷，196组没有夹渣缺陷（完全随机选取）。数据表归纳如下表：

先对每一个影响因素f1、f21、f22、f3、f4、f5、f61、f62、f7单独针对430夹渣缺陷进行对数分析，剔除P_I-Value（I=1，2，…N）值大于0.25的数据项，得到430夹渣缺陷的显著影响因素为结晶器窄面水量f22、结晶器液位f4、塞棒开口度f5、结晶器宽面水温差f61、结晶器窄面水温差f62。

将前面得到显著影响因素进行多元的对数回归，得到如下结果。

显著影响因素	回归系数β
		常数β0	119.955
结晶器窄面水量β22	-0.0907560
		结晶器液位β4	-1.61153
塞棒开口度β5	-0.0479848
		结晶器宽面水温差β61	0.399788
结晶器窄面水温差β62	-0.834505

P-Value=0.000

对结晶器窄面水量f22、结晶器液位f4、塞棒开口度f5、结晶器宽面水温差f61、结晶器窄面水温差f62多元回归的结果表明：P-Value=0.000<0.05，因此以上因素综合起来是430夹渣缺陷发生的显著原因。

由此得到甄别430板坯夹渣缺陷的方程式为

结晶器窄面水量+（-1.61）结晶器液位+（-0.05）塞棒开口度+0.40结晶器宽面水温差+（-0.83）结晶器窄面水温差[6-1]

可简化为

$P=\frac{e^{119.955-0.09f22-1.61f4-0.05f5+0.40f61-0.83f62}}{1+e^{119.955-0.09f22-1.61f4+0.05f5+0.40f61-0.83f62}}.$

图2所示即为甄别430不锈钢板坯夹渣缺陷的方程式图形示意图。

用公式[6-1]对板坯是否出现夹渣进行数据观测：

符合率超过了80%，这样就可以在生产过程中利用甄别结果的进行判断。

在每块板坯切割完后，进行f_I的计算，举例如下：

然后计算甄别方程的P值，并根据P值大小指示板坯路径

板坯号	P	甄别结果	板坯路径指示
				24278530100	0.44	不发生夹渣	保持原有路径
24016930100	0.84	发生夹渣	板坯下线

实施例二：

甄别304不锈钢板坯的夹渣缺陷（计算了标准差）

罗列影响304不锈钢板坯夹渣的影响因素如下表所示。

表6.2可能显著影响夹渣缺陷的因素

然后选取某月我公司检查的304板坯，共选择了50组数据，其中有10组发生了夹渣缺陷，40组没有夹渣缺陷（完全随机选取）。

按照表6.2，在计算机系统中获得每30s的相应数值，然后以板坯为单位计算均值

和标准差σ，数据表归纳如下表：

先对每一个影响因素f1、f21、f22、f23、f24、f3、f4、f5、f61、f62、f63、f64的平均值

和标准差（σ）分别针对304夹渣缺陷进行对数分析，剔除P_I-Value（I=1，2，…N）值大于0.25的数据项，得到304夹渣缺陷的显著影响数据项f1f1（σ）、f23f23（σ）、f24

f3f4（σ）、

f5（σ）、f61f63

f63（σ）。

将其全部选择进行多元对数回归后，其结果没有收敛，说明这些影响因素之间可能存在相关性。因此将这些影响因素按P_I值从小到大排序，逐一增加进行多元回归运算，某个数据项加入后如导致算法发散，则先剔除该数据项，这样得到最终合适的数据项为浇铸拉速f1

浇铸拉速f1（σ）、结晶器右窄面水量f24

钢水温度f3

结晶器液位f4（σ）、塞棒开口度f5

塞棒开口度f5（σ）、结晶器左窄面水温差f63（σ），其回归结果如下：

多元回归的结果表明：P-Value=0.000<0.05，因此以上因素综合起来是304夹渣缺陷发生的显著原因。

由此得到甄别304板坯夹渣缺陷的方程式为

$\mathrm{LN}\left[\frac{P}{1-P}\right]=1250.2-16.15f1\left(\stackrel{\&OverBar;}{X}\right)-125.80f1\left(\mathrm{\&sigma;}\right)-0.56f24\left(\stackrel{\&OverBar;}{X}\right)-0.66f3\left(\stackrel{\&OverBar;}{X}\right)$

$-26.16f4\left(\mathrm{\&sigma;}\right)-0.92f5\left(\stackrel{\&OverBar;}{X}\right)+11.92f5\left(\mathrm{\&sigma;}\right)-6.15f63\left(\mathrm{\&sigma;}\right)---[6-2]$

上式亦可简化为：

$P=\frac{e^{1250.2-16.15f1\left(\stackrel{\&OverBar;}{X}\right)}-125.80f1\left(\mathrm{\&sigma;}\right)-0.56f24\left(\stackrel{\&OverBar;}{X}\right)-0.66f3\left(\stackrel{\&OverBar;}{X}\right)-26.16f4\left(\mathrm{\&sigma;}\right)-0.92f5\left(\stackrel{\&OverBar;}{X}\right)+11.92f5\left(\mathrm{\&sigma;}\right)-6.15f63\left(\mathrm{\&sigma;}\right)}{1+e^{1250.2-16.15f1\left(\stackrel{\&OverBar;}{X}\right)}-125.80f1\left(\mathrm{\&sigma;}\right)-0.56f24\left(\stackrel{\&OverBar;}{X}\right)-0.66f3\left(\stackrel{\&OverBar;}{X}\right)-26.16f4\left(\mathrm{\&sigma;}\right)-0.92f5\left(\stackrel{\&OverBar;}{X}\right)+11.92f5\left(\mathrm{\&sigma;}\right)-6.15f63\left(\mathrm{\&sigma;}\right)}.$

图3即为甄别304不锈钢板坯夹渣缺陷的方程式图形示意图。

用公式[6-2]对板坯是否出现夹渣进行数据观测：

符合率超过了95%，这样就可以在生产过程中利用甄别结果的进行判断。

在每块板坯切割完后，进行f_I的计算，举例如下：

然后计算甄别方程的P值，并根据P值大小指示板坯路径：

板坯号	P	甄别结果	板坯路径指示
				26606530600	0.04	不发生夹渣	保持原有路径
26860140200	0.74	发生夹渣	板坯下线

实施例三：

甄别304不锈钢板坯的裂纹缺陷（计算了标准差）

罗列影响304不锈钢板坯裂纹的影响因素如表6.3所示。

表6.3可能显著影响裂纹缺陷的因素

然后选取某月我公司检查的304板坯，共选择了220组数据，其中有44组发生了裂纹缺陷，176组没有裂纹缺陷（完全随机选取）。

按照表6.3，在计算机系统中获得每30s的相应数值，然后以板坯为单位计算均值

和标准差σ，数据表归纳如下表：

先对每一个影响因素f1、f21、f22、f23、f24、f3、f4、f5、f61、f62、f63、f64、f7、f81、f82、f83、f84、f85、f86、f87、f88、f89、f810、f811的平均值

和标准差（σ）分别针对304裂纹缺陷进行对数分析，剔除P_I-Value（I=1，2，…N）值大于0.25的数据项，得到显著影响数据项f1

f1（σ）、f21

f21（σ）、f22

f22（σ）、f23

f23（σ）、f24f24（σ）、f3

f4（σ）、f5

f5（σ）、f61f61（σ）、f62

f81（σ）、f82

f83

f84

f85

f86

f87

f88

f88（σ）、f89

f810

f811

将其全部选择进行多元对数回归后，其结果没有收敛，说明这些影响因素之间存在相关性。因此将这些影响因素按P值从小到大排序，逐一增加进行多元回归运算，某个数据项加入后如导致算法发散，则剔除该数据项，这样得到最终合适的数据项为f1

f1（σ）、f21

f3f4（σ）、f5f5（σ）、f61（σ）、f81

f82f83f84

f85f86f87

f88

f88（σ）、f89f810

其回归结果如下：

多元回归的结果表明：P-Value=0.000<0.05，因此以上因素综合起来是304裂纹缺陷发生的显著原因。

由此得到甄别304板坯裂纹缺陷的方程式为：

$\mathrm{LN}\left[\frac{P}{1-P}\right]=217.71+2.56f1\left(\stackrel{\&OverBar;}{X}\right)-35.79f1\left(\mathrm{\&sigma;}\right)+0.23f21\left(\stackrel{\&OverBar;}{X}\right)-0.12f3\left(\stackrel{\&OverBar;}{X}\right)-3.76f4\left(\mathrm{\&sigma;}\right)$

$+0.05f5\left(\stackrel{\&OverBar;}{X}\right)-1.69f5\left(\mathrm{\&sigma;}\right)+10.33f61\left(\mathrm{\&sigma;}\right)-0.22f81\left(\stackrel{\&OverBar;}{X}\right)+0.37f82\left(\stackrel{\&OverBar;}{X}\right)-0.021f83\left(\stackrel{\&OverBar;}{X}\right)$

$+0.026f84\left(\stackrel{\&OverBar;}{X}\right)-0.22f85\left(\stackrel{\&OverBar;}{X}\right)+0.34f86\left(\stackrel{\&OverBar;}{X}\right)+0.008f87\left(\stackrel{\&OverBar;}{X}\right)-0.35f88\left(\stackrel{\&OverBar;}{X}\right)-0.23f88\left(\mathrm{\&sigma;}\right)$

$+0.066f89\left(\stackrel{\&OverBar;}{X}\right)-0.02f810\left(\stackrel{\&OverBar;}{X}\right)$

$[6-3]$

可简化为：

$P=$

$\frac{e^{\begin{array}{c}217.71+2.56f1\left(\stackrel{\&OverBar;}{X}\right)-35.79f1\left(\mathrm{\&sigma;}\right)+0.23f21\left(\stackrel{\&OverBar;}{X}\right)-0.12f3\left(\stackrel{\&OverBar;}{X}\right)-3.76f4\left(\mathrm{\&sigma;}\right)+0.05f5\left(\stackrel{\&OverBar;}{X}\right)-1.69f5\left(\mathrm{\&sigma;}\right)+10.33f61\left(\mathrm{\&sigma;}\right)-0.22f81\left(\stackrel{\&OverBar;}{X}\right)+0.37f82\left(\stackrel{\&OverBar;}{X}\right)-0.021f83\left(\stackrel{\&OverBar;}{X}\right)\\ +0.026f84\left(\stackrel{\&OverBar;}{X}\right)-0.22f85\left(\stackrel{\&OverBar;}{X}\right)+0.34f86\left(\stackrel{\&OverBar;}{X}\right)+0.008f87\left(\stackrel{\&OverBar;}{X}\right)-0.35f88\left(\stackrel{\&OverBar;}{X}\right)-0.23f88\left(\mathrm{\&sigma;}\right)+0.066f89\left(\stackrel{\&OverBar;}{X}\right)-0.02f810\left(\stackrel{\&OverBar;}{X}\right)\end{array}}}{1+e^{\begin{array}{c}217.71+2.56f1\left(\stackrel{\&OverBar;}{X}\right)-35.79f1\left(\mathrm{\&sigma;}\right)+0.23f21\left(\stackrel{\&OverBar;}{X}\right)-0.12f3\left(\stackrel{\&OverBar;}{X}\right)-3.76f4\left(\mathrm{\&sigma;}\right)+0.05f5\left(\stackrel{\&OverBar;}{X}\right)-1.69f5\left(\mathrm{\&sigma;}\right)+10.33f61\left(\mathrm{\&sigma;}\right)-0.22f81\left(\stackrel{\&OverBar;}{X}\right)+0.37f82\left(\stackrel{\&OverBar;}{X}\right)-0.021f83\left(\stackrel{\&OverBar;}{X}\right)\\ +0.026f84\left(\stackrel{\&OverBar;}{X}\right)-0.22f85\left(\stackrel{\&OverBar;}{X}\right)+0.34f86\left(\stackrel{\&OverBar;}{X}\right)+0.008f87\left(\stackrel{\&OverBar;}{X}\right)-0.35f88\left(\stackrel{\&OverBar;}{X}\right)-0.23f88\left(\mathrm{\&sigma;}\right)+0.066f89\left(\stackrel{\&OverBar;}{X}\right)-0.02f810\left(\stackrel{\&OverBar;}{X}\right)\end{array}}}$

图4即为是甄别304不锈钢板坯裂纹缺陷的方程式图形示意图。

用公式[6-3]对板坯是否出现裂纹进行数据观测：

符合率超过了85%，这样就可以在生产过程中利用甄别结果的进行判断。

在每块板坯切割完后，进行f_I的计算，举例如下

然后计算甄别方程的P值，并根据P值大小指示板坯路径：

板坯号	P	甄别结果	板坯路径指示
				26543240300	0.02	不发生裂纹	保持原有路径
26811740200	0.91	发生裂纹	板坯下线

由于本发明的技术方案采集浇铸过程中的有关生产数据项，然后以板坯块为单位来计算其平均值和标准差（如有需要），来建立甄别不锈钢板坯发生夹渣或裂纹缺陷的方程式。每块板坯切割后，通过甄别结果，得到该块板坯是否存在缺陷的结论。进而有效地控制板坯路径，将无缺陷板坯热送至下道工序以节约能耗，同时尽最大可能，将有缺陷板坯下线，从而避免了轧制后产品质量问题的产生。

本发明可广泛用于不锈钢板坯连续铸造工艺的生产控制和产品质量监控领域。

Claims (10)

1.一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，包括对连续生产过程中的各段板坯进行生产过程中各项参数的测量和记录，其特征是所述的甄别方法至少包括下列步骤：

A、根据不锈钢板坯的种类，列出影响不锈钢板坯某种缺陷发生的工艺过程参数数据项；

B、测量每块板坯生产过程中的各项工艺参数数据，并传输到过程控制计算机；

C、每块板坯切割后，过程控制计算机根据A步骤中所确定的各项生产过程工艺参数的实际测量数据，以板坯为单位计算一定周期内各项生产过程工艺参数数据的平均值；

D、将每个生产过程工艺参数数据的平均值分别与某种对应的缺陷进行对数回归分析；

E、根据对数回归分析的结果，剔除对数回归分析结果P-Value值大于0.25的数据项，得到某种对应缺陷发生的显著影响因素；

F、将剩余的数据项组合起来，与该种缺陷进行多元对数回归分析，得到某种缺陷的甄别缺陷发生的方程式；

G、过程控制计算机根据甄别缺陷发生的方程式，计算每块板坯实时的P值；

H、如果某一块板坯的实时P值大于0.5，过程控制计算机标定该板坯下线，发出该板坯的下线信号，将该块板坯留在本工序清理或挽救；

I、如果某一块板坯的实时P值小于0.5，过程控制计算机保持该板坯的原有行进路径；

J、通过现有的生产控制系统，控制各块板坯的行进路径，将无缺陷的板坯热送至下道工序，将有缺陷的板坯下线，从而避免产生产品质量问题。

2.按照权利要求1所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是所述的不锈钢板坯缺陷种类，包括夹渣缺陷和裂纹缺陷。

3.按照权利要求1所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是在所述的C步骤中，过程控制计算机对所测得的各项生产过程工艺参数的实际测量数据，以板坯为单位计算一定周期内各项生产过程工艺参数数据的平均值和标准差，以进一步提高甄别的命中率。

4.按照权利要求1所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是所述产生不锈钢板坯缺陷的影响因素为浇铸拉速f1、结晶器水量f2、钢水温度f3、结晶器液位f4、塞棒开口度f5和结晶器水温差f6，统称为实际测量数据或过程数据；

其中，所述的结晶器水量f2又分为结晶器前宽面水量f21、结晶器后宽面水量f22、结晶器左窄面f23水量和结晶器右窄面f24水量；

所述的结晶器水温差又分为结晶器前宽面温差f61、结晶器后宽面温差f62、结晶器左窄面温差f63和结晶器右窄面温差f64。

5.按照权利要求1所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是所述C步骤中计算平均值的过程如下：

首先，发给过程计算机是以0.1s为周期的过程数据,考虑数据量太大,因此以一定周期计算这些数据的平均值来作为实际过程的代表值；周期的确定以减少300倍数据为宜，以便降低计算机系统的计算工作量负担；

然后，由于判定是以板坯为单位的,所以用每块板坯所包含的各个周期平均值再来计算平均值来表示产生这块板坯时这个参数的数据值水平；

计算其平均值来作为这段周期代表值，其平均值计算公式为

$\mathrm{\&mu;}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i$

其中，x为某个过程数据项，i=1,2，…n，n为这个周期内采集数据的次数。

6.按照权利要求1或5所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是根据所述的平均值，进一步得出以板坯为单位的一定周期内各项生产过程工艺参数数据的平均值的计算公式为

$\stackrel{\&OverBar;}{X}=\frac{1}{N}\underset{I=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_I,$

其中，X为某块板坯对应的某个过程数据，I=1,2，…N，N为这块板坯包含的周期数。

7.按照权利要求3所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是所述标准差的计算公式为

$\mathrm{\&sigma;}=\sqrt{\frac{1}{N}\underset{I=1}{\overset{N}{\mathrm{\&Sigma;}}}{({\mathrm{\&mu;}}_I-\stackrel{\&OverBar;}{X})}^2},$

其中，μ为某个过程数据在一个周期内的平均值，I=1，2，…N，N为该块板坯包含的周期数。

8.按照权利要求1所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是所述各个过程参数计算和整理的数据不能少于50组。

9.按照权利要求1所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是所述甄别缺陷发生的方程式为

$P=\frac{e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{f}_1+{\mathrm{\&beta;}}_2{f}_2+...+{\mathrm{\&beta;}}_n{f}_n}}{1+e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{f}_1+{\mathrm{\&beta;}}_2{f}_2+...+{\mathrm{\&beta;}}_n{f}_n}}$

其中，e=2.7183，f是回归分析得到的影响缺陷的数据项，β是回归分析得到的对应系数。

10.按照权利要求1所述的甄别不锈钢板坯表面夹渣、裂纹缺陷的方法，其特征是所述的多元对数回归分析，按照下列步骤进行：

将得到的各个显著影响数据项全部选择进行多元对数回归后，若其结果没有收敛，说明这些影响因素之间可能存在相关性；

将这些影响因素按P-Value值从小到大排序，逐一增加进行多元回归运算，若某个数据项加入后如导致算法发散，则先剔除该数据项，如此得到最终合适的数据项；

若多元回归结果P-Value<0.05，表明系数有效。

Images