CN109047698B - 一种连铸坯定重定尺在线预测方法 - Google Patents
一种连铸坯定重定尺在线预测方法 Download PDFInfo
- Publication number
- CN109047698B CN109047698B CN201811019591.1A CN201811019591A CN109047698B CN 109047698 B CN109047698 B CN 109047698B CN 201811019591 A CN201811019591 A CN 201811019591A CN 109047698 B CN109047698 B CN 109047698B
- Authority
- CN
- China
- Prior art keywords
- fixed
- weight
- continuous casting
- length
- casting blank
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/12—Accessories for subsequent treating or working cast stock in situ
- B22D11/126—Accessories for subsequent treating or working cast stock in situ for cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
- B22D11/163—Controlling or regulating processes or operations for cutting cast stock
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Continuous Casting (AREA)
Abstract
本发明公开了一种连铸坯定重定尺在线预测方法，包括以下步骤：一、采集连铸实际生产数据；二、对采集的数据进行过滤及清洗，得到数据样本；三、构建定尺训练模型和定重训练模型；四、数据样本分别输入到定尺训练模型和定重训练模型多次学习调优；对调优后定尺训练模型和定重训练模型进行保存；五、把定尺训练模型和定重训练模型集成为定重定尺预测模型；六、根据生产过程中实时的连铸坯过程数据信息，调用相对应的定尺模型或定重模型，分别对连铸坯定尺和定重进行在线实时预测；七、输出定重定尺预测结果。本发明可以在连铸坯生产过程中及时发现异常重量的连铸坯，提高连铸坯定重精度。
Description
技术领域
本发明涉及钢铁冶金技术领域，特别是涉及一种连铸坯定重定尺在线预测方法。
背景技术
当前钢铁生产流程中，连铸环节都是以定尺来定重，即采用定尺系统生产下一道工序轧钢所要求重量的连铸坯，但在实际生产过程中，受连铸坯断面的变化、结晶器使用役期、钢种、拉速的变化、定尺检测系统的不稳定性、非稳态条件(开浇、换水口、尾坯、事故等)、铸坯弯曲程度、铸坯表面氧化铁皮程度、切割质量等因素的影响，切割后的铸坯重量波动大，即使同钢种、同拉速、同定尺、不同流号的铸坯，重量经常存在较大差别，导致连铸坯的实际重量并不是轧钢所需要的重量。连铸坯超重将造成轧制后余料太多，坯料浪费严重；若过轻则造成次品量增加，产品成材率降低，连铸坯料重量的精度影响了轧钢成材率和企业的经济效益。
为提高连铸坯料重量精度，一些企业应用了连铸定重定尺在线控制技术，此类定重定尺技术大多是基于摄像定尺、称重反馈补偿的模式进行控制，即在生产过程中，轧钢厂根据成材规格，将钢坯重量提供给炼钢厂作为目标重量，系统依据目标重量自动设定坯长对铸坯进行切割，然后对切割后的钢坯进行称重，称出的重量与目标重量进行比较，得出偏差，进而对下次要切割铸坯的长度进行补偿，依次循环(连续称量、连续调节)，逐次逼近(不同工况下，采用不同的调节系数)，最终达到连铸机生产的钢坯外形尺寸有差别，但具有相同的重量(重量波动≤±2‰)，为下一道工序提供稳定的坯料。但由于连铸坯的重量受结晶器磨损、拉速变化、过热度变化以及钢水成分变化影响较大，而此种控制系统可以弥补结晶器铜管磨损等设备因素导致的定尺偏差，但没有考虑连铸坯凝固过程中的历程信息(拉速波动、换钢包等)对重量的影响，此类定重定尺系统只有连铸机恒拉速、恒温度以及钢水成分波动较小时，才能取得较好的精度。而实际生产中，做到连铸机恒拉速、恒温度和恒钢水成分浇注是非常理想的状态，因此，此类连铸坯定重定尺技术的控制精度受到制约。
发明内容
为了克服上述现有技术的不足，本发明提供了一种连铸坯定重定尺在线预测方法，综合考虑钢水成分、拉速、钢水温度和冷却强度对铸坯重量的影响，提高连铸坯定重定尺的控制精度，从而提高轧钢成材率和企业的经济效益。
本发明涉及一种连铸坯定重定尺在线预测方法，包括以下步骤：
步骤一：采集连铸实际生产数据；
步骤二：对采集的数据进行过滤及清洗，得到数据样本；
步骤三：构建定尺训练模型和定重训练模型；
步骤四：把步骤二中得到的数据样本分别输入到定尺训练模型和定重训练模型进行自学习，多次学习进行参数调优；对调优后定尺训练模型和定重训练模型进行保存；
步骤五：把定尺训练模型和定重训练模型集成为定重定尺预测模型；
步骤六：实际生产过程中，根据连铸坯的实时过程数据信息，调用定重定尺预测模型，分别对连铸坯定尺和定重进行在线实时预测；
步骤七：输出定重定尺预测结果，及时发现异常重量的连铸坯，提高连铸坯定重精度。
实际连铸生产过程中，采集的主要数据为钢种成分、浇铸断面尺寸、中包钢水温度、拉坯速度、结晶器水量、结晶器水温差、二冷各冷却回路水量、连铸坯实际定尺、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量等参数。对数据进行分析和清洗后，得到的样本数据为铸坯的平均钢种成分、铸坯厚度、铸坯宽度、平均有效中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际定尺、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量等数据。
对于定尺模型训练，铸坯的平均钢种成分、铸坯厚度、铸坯宽度、平均有效中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量作为输入数据，连铸坯实际定尺作为输出数据。
对于定重模型训练，铸坯的平均钢种成分、铸坯厚度、铸坯宽度、平均有效中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际定尺、连铸坯基准定尺、连铸坯基准重量作为输入数据，连铸坯实际重量作为输出数据。
训练模型可以采用机器学习模型或者神经网络模型，也可以采用Tensorflow或者Scikit-learn模型等所有以“样本数据+训练”的结构方式的模型，定尺模型和定重模型训练完成后，对模型进行保存，以方便后期定重定尺预测模型直接调用模型。
在线进行定尺定重预测时，实时收集连铸坯的生产过程数据，当切割信号出现时，对过程数据按照训练模型的数据格式进行分析整理，分别得到预测重量和预测定尺的输入数据，然后调用相对应的定重/定尺模型。一方面预测出本次切割的连铸坯重量，如果重量超差，及时发出警告；另一方面预测出要获得期望重量的下一次切割定尺，下发到定尺系统，以期每一次切割都能保证铸坯重量满足坯料重量要求，从而，提高连铸坯料重量控制精度。
与现有技术相比，本发明的有益效果是：本发明综合考虑钢水成分、拉速、钢水温度和冷却强度对铸坯重量的影响，能够实时对生产的连铸坯进行重量和最优定尺的预测，及时发现异常重量的连铸坯，并提高连铸机非稳态下(拉速波动、钢水温度波动和钢水成分波动等)连铸坯定重定尺的控制精度，从而提高轧钢成材率和企业的经济效益。
附图说明
图1为连铸坯定重定尺在线预测方法流程图；
图2为实施例中各数据变量与铸坯重量关系图；
图3为实施例使用本发明方法构建预测模型进行预测的过程图。
具体实施方式
下面结合附图对本发明进一步说明。
一种连铸坯定重定尺在线预测方法，如图1，主要包括生产过程样本数据采集、由定重训练模型和定尺预测模型构建成定重定尺预测模型。首先对连铸实际生产数据进行采集，之后对采集的数据进行过滤及清洗，得到数据样本，分别输入到定尺训练模型和定重训练模型进行自学习，多次学习进行参数调优后，对定尺训练模型和定重训练模型进行保存，然后集成到定重定尺预测模型中，实际生产过程中，定重定尺预测模型实时根据连铸坯的过程数据信息，调用相对应的定尺训练模型或定重训练模型，分别对连铸坯定尺和定重进行在线实时预测，及时发现异常重量的连铸坯，提高连铸坯定重精度。
以某钢厂5机5流方坯连铸机生产为例，连铸机生产断面厚度为160mm，生产断面宽度为160mm，生产钢种为HRB400E。根据影响连铸坯重量(M＝ρV＝ρSL，M为连铸坯重量、ρ为连铸坯密度、V为连铸坯体积、S为连铸坯横截面面积、L为连铸坯长度/定尺)分析，连铸坯密度ρ主要随钢种和铸坯温度而变，影响因素主要为钢种成分(C、Si、Mn等)、中包钢水温度、拉坯速度、冷却强度等。综合分析以上影响因素后，对于定重定尺模型，确定数据采集的变量见表1.
表1训练模型采集的输入输出数据变量
通过对连铸机1个月的数据进行采集并剔除异常数据后，得到有效数据8199组。各数据变量与铸坯重量的关系如图2所示，可以看到铸坯重量与各变量并无明显特征关系。
然后把此8199组有效数据制作成样本数据，对样本数据进行训练。本示例训练模型采用Scikit-learn中的GBDT(GradientBoostingRegressor)模型，应用GBDT模型的fit功能进行训练，采用5折交叉验证，多次进行调优确定GBDT模型的最优参数为：max_depth:2,max_features:11,learning_rate:0.1,subsample:0.8,n_estimators:200。应用joblib.dump功能对训练后的模型进行保存，本示例定重训练模型保存名称为weight_model.m,定尺训练模型保存名称为length_model.m。
如图3所示，在线对连铸坯重量进行预测时，实时监测切割机切割信号，一旦切割开始，则预测模型进行初始化，分析正在切割的连铸坯过程数据：铸坯的平均钢种成分、铸坯厚度、铸坯宽度、平均有效中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际定尺、连铸坯基准定尺、连铸坯基准重量。以实际生产过程中的某次切割为例，分析后的连铸坯数据见表2，然后定重定尺预测模型应用joblib.load功能加载weight_model.m模型对本次切割的连铸坯重量进行预测，本示例中的连铸坯重量预测值为：2203kg。预测的连铸坯重量实际称重值为2202kg。预测值与实际值偏差1kg，在预测允许偏差(±3kg)范围内，预测模型达到很好的预测效果。
表2某次切割的连铸坯数据
| 序号 | 变量名称 | 变量值 |
| 1 | 铸坯基准定尺，mm | 11220 |
| 2 | 铸坯基准重量，kg | 2203 |
| 3 | 铸坯在结晶器内平均有效拉速,m/min | 2.18 |
| 4 | 铸坯在二冷区内平均有效拉速,m/min | 2.17 |
| 5 | 铸坯的中包内钢水平均温度,℃ | 1519.1 |
| 7 | 铸坯的C平均含量，％ | 0.2 |
| 8 | 铸坯的Si平均含量，％ | 0.6 |
| 9 | 铸坯的Mn平均含量，％ | 1.2 |
| 10 | 铸坯厚度，mm | 160 |
| 11 | 铸坯宽度，mm | 160 |
| 12 | 铸坯实际定尺，mm | 11346 |
| 13 | 铸坯在结晶器内冷却平均水流量，t/h | 123.9 |
| 14 | 铸坯在结晶器内冷却平均水温差，℃ | 6.9 |
| 15 | 铸坯在二冷区内冷却平均水流量，t/h | 29.4 |
同样地，在线对连铸坯定尺进行预测时，实时监测切割机切割信号，一旦切割开始，则预测模型进行初始化，分析下一次拟切割的连铸坯过程数据：铸坯的平均钢种成分、铸坯厚度、铸坯宽度、平均有效中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯期望重量(一般取连铸坯基准重量)、连铸坯基准定尺、连铸坯基准重量。以实际生产过程中的某次切割为例，分析后的连铸坯数据见表3，然后定重定尺预测模型应用joblib.load功能加载length_model.m模型对下一次拟切割的连铸坯定尺进行预测，本示例中的连铸坯定尺预测值为：11356mm。预测的连铸坯实际定尺为11350mm。预测值与实际值偏差6mm，在预测允许偏差(±10mm)范围内，预测模型能达到很好的预测效果。
表3某次切割的连铸坯数据
| 序号 | 变量名称 | 变量值 |
| 1 | 铸坯基准定尺，mm | 11281 |
| 2 | 铸坯基准重量，kg | 2215 |
| 3 | 铸坯在结晶器内平均有效拉速,m/min | 1.89 |
| 4 | 铸坯在二冷区内平均有效拉速,m/min | 1.92 |
| 5 | 铸坯的中包内钢水平均温度,℃ | 1530.1 |
| 7 | 铸坯的C平均含量，％ | 0.2 |
| 8 | 铸坯的Si平均含量，％ | 0.6 |
| 9 | 铸坯的Mn平均含量，％ | 1.2 |
| 10 | 铸坯厚度，mm | 160 |
| 11 | 铸坯宽度，mm | 160 |
| 12 | 铸坯期望重量，kg | 2220 |
| 13 | 铸坯在结晶器内冷却平均水流量，t/h | 121.9 |
| 14 | 铸坯在结晶器内冷却平均水温差，℃ | 6.4 |
| 15 | 铸坯在二冷区内冷却平均水流量，t/h | 25.6 |
该钢厂实施例的实际生产实践表明，采用本发明综合考虑钢水成分、拉速、钢水温度和冷却强度对铸坯重量的影响，实时对生产的连铸坯进行重量和最优定尺的预测的技术方法，当重量控制精度±3‰范围内，可以把定重定尺控制模型的准确率从传统的称重反馈控制的86.9％提高到93％。
Claims (1)
1.一种连铸坯定重定尺在线预测方法，其特征在于：包括以下步骤：
步骤一：采集连铸实际生产数据，所述步骤一采集的连铸实际生产数据包括钢种成分、浇铸断面尺寸、中包钢水温度、拉坯速度、结晶器水量、结晶器水温差、二冷各冷却回路水量、连铸坯实际定尺、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量；
步骤二：对采集的数据进行过滤及清洗，剔除异常数据，得到数据样本；
步骤三：构建定尺训练模型和定重训练模型，模型是Tensorflow模型；
步骤四：把步骤二中得到的数据样本分别输入到定尺训练模型和定重训练模型进行多次学习进行参数调优；对调优后定尺训练模型和定重训练模型进行保存，其中，
对于定尺模型训练，铸坯的平均钢种成分、铸坯厚度、铸坯宽度、平均有效中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际重量、连铸坯基准定尺、连铸坯基准重量作为输入数据，连铸坯实际定尺作为输出数据；
对于定重模型训练，铸坯的平均钢种成分、铸坯厚度、铸坯宽度、平均有效中包钢水温度、结晶器内平均有效停留时间、二冷区内平均有效停留时间、结晶器平均水量、结晶器平均水温差、二冷区平均总水量、连铸坯实际定尺、连铸坯基准定尺、连铸坯基准重量作为输入数据，连铸坯实际重量作为输出数据；
步骤五：把定尺训练模型和定重训练模型集成为定重定尺预测模型；
步骤六：实际生产过程中，根据连铸坯的实时过程数据信息，调用定重定尺预测模型，对连铸坯定尺和定重进行在线实时预测；
步骤七：输出定重定尺预测结果，其中，一方面预测出本次切割的连铸坯重量，如果重量超差，则发出警告；另一方面预测出要获得期望重量的下一次切割定尺，下发到定尺系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811019591.1A CN109047698B (zh) | 2018-09-03 | 2018-09-03 | 一种连铸坯定重定尺在线预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811019591.1A CN109047698B (zh) | 2018-09-03 | 2018-09-03 | 一种连铸坯定重定尺在线预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109047698A CN109047698A (zh) | 2018-12-21 |
| CN109047698B true CN109047698B (zh) | 2021-01-15 |
Family
ID=64758359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811019591.1A Active CN109047698B (zh) | 2018-09-03 | 2018-09-03 | 一种连铸坯定重定尺在线预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109047698B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110538975B (zh) * | 2019-09-30 | 2020-05-15 | 阳春新钢铁有限责任公司 | 一种基于铸轧联动的连铸坯定尺系统及定尺方法 |
| CN111872339A (zh) * | 2020-08-05 | 2020-11-03 | 山东莱钢永锋钢铁有限公司 | 一种用于连铸低倍质量分析的方法 |
| CN112247094B (zh) * | 2020-10-27 | 2022-03-08 | 河北凯昌科技有限公司 | 连铸铸坯定重切割控制系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777891B (zh) * | 2016-11-21 | 2019-06-07 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
| CN107992888A (zh) * | 2017-11-29 | 2018-05-04 | 深圳市智物联网络有限公司 | 工业设备运行状态的识别方法及服务器 |
| CN108092802B (zh) * | 2017-12-04 | 2021-02-09 | 中国船舶重工集团公司第七一九研究所 | 海洋核动力平台核动力装置的数值预测维修系统及方法 |
| CN107977754A (zh) * | 2017-12-18 | 2018-05-01 | 深圳前海微众银行股份有限公司 | 数据预测方法、系统和计算机可读存储介质 |
| CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
| CN108469180B (zh) * | 2018-04-09 | 2020-07-21 | 华北理工大学 | 基于大数据和机器学习的烧结终点预测系统的建立方法 |
-
2018
- 2018-09-03 CN CN201811019591.1A patent/CN109047698B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109047698A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109047698B (zh) | 一种连铸坯定重定尺在线预测方法 | |
| CN109047683B (zh) | 一种连铸坯智能定重定尺在线控制系统 | |
| CN110991916A (zh) | 一种铸坯质量判定系统和方法 | |
| EP0774314B1 (en) | Prediction and control of quality of continuously cast article | |
| EP3184202A1 (de) | Verfahren zum stranggiessen eines metallstranges und durch dieses verfahren erhaltener giessstrang | |
| CN110538975B (zh) | 一种基于铸轧联动的连铸坯定尺系统及定尺方法 | |
| CN109240203B (zh) | 一种基于多模型的连铸坯定重控制方法 | |
| Anastasiou | Optimization of the aluminium die casting process based on the Taguchi method | |
| WO2001091943A1 (de) | Verfahren zum stranggiessen eines metallstranges | |
| Hore et al. | Neural network modelling to characterize steel continuous casting process parameters and prediction of casting defects | |
| CN112232703A (zh) | 铸坯质量判定方法及系统 | |
| CN113343576A (zh) | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 | |
| CN113634728A (zh) | 连铸实际混浇定尺铸坯混合率实时确定方法及显示方法 | |
| CN111832215A (zh) | 一种在线预测钢板组织性能的方法 | |
| CN111062571B (zh) | 一种面向铝行业的锭型选择与合同组批的集成优化方法 | |
| CN1875329A (zh) | 用于控制生产钢的设备的方法和装置 | |
| DE102019206264A1 (de) | Verfahren und Stranggießanlage zum Gießen eines Gießstrangs | |
| Tennyson et al. | ICME for process scale-up: Importance of vertical and horizontal integration of models | |
| CN114515825A (zh) | 基于钢水成分的异钢种异断面混浇坯精准切割的控制方法 | |
| EP0741617B1 (de) | Stranggiessanlage und verfahren zur erzeugung von rechteck-dünnbrammen | |
| KR100841888B1 (ko) | 압연 라인의 재질 예측 및 재질 제어 장치 | |
| CN112222367B (zh) | 一种连铸铸坯切割控制系统及其重量自适应切割控制方法 | |
| CN111482466A (zh) | 一种轧机加速度的设定方法 | |
| Tirian et al. | Fuzzy control strategy for secondary cooling of continuous steel casting | |
| CN116967414A (zh) | 一种直轧连铸坯定尺动态调节方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |