CN111832215A - 一种在线预测钢板组织性能的方法 - Google Patents
一种在线预测钢板组织性能的方法 Download PDFInfo
- Publication number
- CN111832215A CN111832215A CN202010279613.9A CN202010279613A CN111832215A CN 111832215 A CN111832215 A CN 111832215A CN 202010279613 A CN202010279613 A CN 202010279613A CN 111832215 A CN111832215 A CN 111832215A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- performance
- predicting
- neural network
- prediction
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明公开一种在线预测钢板组织性能的方法,其特征在于包括如下步骤:架构深度神经网络;训练深度神经网络;力学性能预测。本发明可以减少和避免发生批量性能不合的质量事故,检测现场测温设备精准度等。预测钢板性能合格率提高产生的效益65万,钢板性能合格率提高减少补产节约的成本74万,年经济效益可达139万元。
Description
技术领域
本发明属于冶金技术领域,具体涉及在线预测钢板组织性能的新方法。
背景技术
钢铁的智能制造是在物联信息系统平台上,充分利用钢铁生产各环节特征,在兼顾生产规模化与客户需求个性化的同时,实现高质量、低成本钢铁产品的高效制造。钢铁产品的制造涉及到从铁矿石到钢水、连铸坯、再到热轧的一系列物理、化学与冶金变化。因此,理解并精准控制这一系列变化背后隐含的物理冶金学行为是实现钢铁智能制造的核心技术。
组织-性能预测和控制模型通常有两种:物理冶金模型和人工智能模型。物理冶金模型由温度场、再结晶、流变应力、析出和相变等子模型构成,它可以实现化学成分、工艺参数对微观组织与力学性能影响作用的定性分析。而人工智能模型通过搜集大量生产过程中的历史数据,利用人工神经网络对复杂、非线性物理关系的强大学习能力实现产品力学性能的预测。现在,人工神经网络已经广泛的成功应用于非线性系统和模型以及未知系统的预测和控制。
发明内容
在智能制造的背景下,申请人开发了基于大数据分析的性能预测平台,结合FEM模拟分析,利用物理冶金学理论模型,基于海量工业数据的智能神经元网络模型,预测钢板的力学性能;利用多目标优化算法,与力学性能预测模型相结合,实现工艺-组织-性能的逆向优化,为现场的工艺优化提供指导和保障。并可实时地监控性能情况,改变以往性能结果滞后的管理模式;在为合金成分与工艺设计提供规律性指导的同时,定量化组织-性能演变行为。
传统的神经网络只能学习数据的一层特征,而深度学习模型能够学习数据的多层特征,特征的学习由下向上逐层学习,底层特征的不断组合和抽象,逐步形成上层特征。特征学习的关键在于训练复杂的非线性函数,一旦函数训练完成,可以将输入数据映射到各层隐藏层,得到输入数据的多层特征。深度学习模型可以形式化为三个主要层结构:输入层,隐藏层,输出层,其中隐藏层是一个具有n层的非线性系统,如图1。深度学习模型可以看作是训练一个具有多层神经网络,当数据通过深度网络的各个层次时,不断训练各个节点的权重。在模型的训练过程中,其参数和结构的学习具有自主性,即不需要人为干预,这样深度学习模型便可自动学习数据的多层特征。
本发明具体采用如下技术方案:
一种在线预测钢板组织性能的方法,其特征在于包括如下步骤:
步骤1:架构深度神经网络
首先确立输出层单元,将水冷换热系数作为深度神经网络的输出单元;
其次是确立输入层单元,输入层单元主要由影响水冷换热系数的参数所确定;
最后是确立隐含层单元,选取隐含层层数、隐含层单元数、传播算法和正则化方法四个变量作为隐含层实验变量;
步骤2:训练深度神经网络
采用单一变量法训练深度神经网络,对水冷换热系数因子进行预测,筛选出最优模型结构;
步骤3:力学性能预测
利用最优模型结构对钢板进行力学性能预测。
本发明具有如下有益效果:
(1)在传统的生产模式中,从钢板轧制完成、取样送理化室检验分析、上传结果到工艺人员知晓结果,花费至少8小时以上,时效性差。此时可能已经有相同钢板生产几千吨,若工艺存在问题,将面临大批量的性能不合。实施本发明方法可以实时掌控性能情况,并适时调整,将避免这种风险,利于工艺制度的及时调整,提高时效性。
(2)将本发明方法与现有的面扫描高温计相结合,完成对整张钢板全方位的性能预测,达到对性能均匀性的监控,以防止区域性能的波动对后期客户的使用造成困扰和质量隐患。
(3)对于操作人员来说,化被动执行为主动监控调整,引导全员管控性能管控质量。
(4)在什么样的合金成分与工艺条件下可以实现什么样的性能一直缺乏系统与深入的研究,对组织与性能演变缺乏定量化描述,到目前为止仍大量依赖于历史经验的累积和工艺人员的技能水平。工艺人员技术水平的高低直接决定产品性能的稳定性和开发的周期长短。而利用组织性能预测技术,在产品设计时通过模拟成分和工艺能够达到的目标性能,减少工艺摸索试制的次数和总量,减少试制成本。本发明的在线预测钢板组织性能的方法可为具有相近性能的钢种成分归并、大钢种成分设计等提供关键性理论指导。对现有工艺方案进行重新审视,充分发挥轧制、冷却与热处理工艺潜力,降低合金元素的用量。可为产品质量分析提供理论与模型支持,例如,分析导致性能异常波动的影响因素,确定控轧比对性能的影响以判断控轧工艺的有效性、低温加热工艺对性能的影响等,为合金成分与工艺设计提供规律性指导,用其工艺逆向优化功能,减少合金成分用量;根据性能富余量,调整工艺,达到增产降本目的。
本发明主要应用于钢板在线检测钢板组织性能,减少和避免发生批量性能不合的质量事故,检测现场测温设备精准度等。预测钢板性能合格率提高产生的效益65万,钢板性能合格率提高减少补产节约的成本74万,年经济效益可达139万元。
附图说明
图1深度学习模型结构示意图。
图2为隐含层层数、隐含层单元数预测效果对比图。
具体实施方式
下面对本发明技术方案做进一步详细说明。
一种在线预测钢板组织性能的方法,包括以下步骤:
1、架构深度神经网络。
首先确立输出层单元。中厚板轧后控冷过程中的温度控制是一个不稳定且复杂的过程,控制模型中水冷换热系数与许多环境物理参数有关,如终轧温度、板材厚度、水流密度和水温等。水冷换热系数与这些物理参数之间存在着复杂的非线性关系,很难确定它们之间的函数关系。水冷换热系数作为一个关键参数,它的精度直接影响到终冷温度的控制精度,所以,将水冷换热系数作为深度神经网络的输出单元。
其次是确立输入层单元。输入层单元主要由影响水冷换热系数的相关参数所确定,据数据库系统中记录的大量实际生产数据,初步采集出板材宽度、板材厚度、板材长度、化学成分、冷却水温度、空气温度、终轧温度、目标终冷温度、集管流量、冷速、辊速等20多个影响因子。
由于各个影响因子的影响权重各不相同,遂采用主成分分析法对数据进行预处理,选出 9个权重较大影响因子(包括板材厚度、C含量、Cr含量、Cu含量、Mn含量、冷却水温度、空气温度、终轧温度、目标终冷温度、集管流量、辊速)作为神经网络的输入层参数导入神经网络模型。
最后是确立隐含层单元,选取隐含层层数、隐含层单元数、传播算法和正则化方法四个变量作为隐含层实验变量;
2、训练深度神经网络
采用单一变量法训练深度神经网络,对水冷换热系数因子进行预测,筛选出最优模型结构。
深度神经网络可分层逐级地挖掘输入数据的特征表示,有效降低了模型所需参数数目,并且增大了模型运算精度。将各组实验的隐含层层数设置为从1~7层,神经元数(即隐含层单元数)分别设置为50~300个,以10个为公差分别进行实验。选取几个特殊组合进行预测,预测结果如下表1所示。其中,精准度由均方根标准误差(RMS误差)转换所得。
表1隐含层层数、隐含层单元数预测效果对比
由图2可知,当设置隐含层为1的时候,精准度最高为90.92%,而3层的时候,其精准度可以达到97.79%,远远的优于隐含层为1的时候。由表可知,对于此模型,隐含层数或者隐含层单元数增多的话,其精确度的增加微乎其微,并且计算时间会显著增长,导致模型综合效率下降。故遵循训练时间、精确度相对最优化的条件,确定该神经网络模型隐含层为3 层,隐含层单元为100个。
传播算法包含激活函数和优化算法两个部分。本方法采用Relu函数(即线性整流函数) 和Adam优化算法(自适应矩估计)。从信号方面来看,Relu函数只对输入信号的少部分选择性响应,大量信号被刻意的屏蔽,这样刻意提高学习的精度,更快更好地提取稀疏特征。Adam 优化算法适用于很多不同的深度学习网络结构,其能计算模型各个参数的自适应学习率,使得整个训练过程更加稳定。
由于深度神经网络中,模型参数非常多,很容易产生过拟合现象。为了防止过拟合出现,研究者们提出了很多有效的技术。如正则化,其是机器学习中非常重要并且非常有效的减少泛化误差的技术。比较常用的两个正则化技术:L2正则化与Dropout正则化。当L2正则化与Dropout正则化共同使用时,效果最好,模型预测精确度较高。故本发明选择L2正则化与 Dropout正则化共用。
热轧工艺优化设计需要同时考虑屈服强度、抗拉强度、延伸率三个主要的性能指标,强度与塑性相互制约,强度的增加必然导致塑性的降低。在给定的化学成份和工艺约束条件下, 通过优化计算寻找最佳的工艺参数从而满足预设的性能目标。优化算法包括:MBGD(批量梯度下降法)、Momentum(动量梯度下降法)、Adam优化算法、Adagrad优化算法,通过将以上 4种优化算法进行训练对比,Adam算法收敛速度最快,且稳定损失最小,精确度最高。经过比对后,综合各个方面的优势,模型选择Adam优化算法。因此,从数学特征上来说,热轧工艺优化设计是一个多目标优化问题。在利用深度神经网络准确预测力学性能的基础上,需要对各项参数的影响权重、影响规律进行逆向分析,根据分析结果来指导生产工艺的优化。
权重大的元素代表着对最终结果更大的影响幅度。经过本发明方法预测、分析发现,对于屈服强度和抗拉强度而言,返红温度的影响权重最大,此结果与TMCP钢板的生产工艺特征非常吻合。对于冲击功而言,碳元素含量起到最大的影响。
本发明在线预测钢板组织性能的方法的实施效果:
(1)通过实际操作与应用,性能预测数据屈服强度、抗拉强度等实时可查,并在MES三级轧制实绩中记录。预测数据与理化室检验平台数据相对比,统计结果如下表:
表2预测数据与理化室检验平台数据对比统计结果
由表可见,对于厚度≤25mm的产品规格,96.87%的预测精度达到±30MPa;2)对于25~ 50mm的产品规格,92.45%的预测精度达到±30MPa,运行情况总体稳定。
(2)在实际应用中,发现部分样品和理化室检验平台数据对比结果相差较大,针对这部分钢板着重取样研究和现场测温测量,发现由于现场高温计为点扫描式高温计,如果钢板表面温度不均匀,取样位置不在测温直线上,会导致数据异常,预测偏离大。针对此现象,对现场设备能力及效果进行排查。发现现场使用的单点红外测温仪测温结果存在100~200℃的波动,无法作为稳定的反馈控制参数提供给超快冷系统,也无法给性能预测系统提供准确的返红温度实际值。鉴于此,引进东北大学热图像面阵在线测温系统,根据钢板运动速度、热图像采样帧率匹配后,最终给出整个钢板的纵向温度分布,性能预测项目将相应升级为预测整张钢板不同区域的性能情况。将整张钢板划分为小区间,预测各个区间的性能情况,充分保证温度异常钢板不留出。并且将根据对头尾性能的预测,直接指导后道精整切割头尾圆弧长度,以充分切除性能异常位置。
(3)流通板取消性能检验,由性能预测数据出具质保书。根据试验,按生产27012吨流通板计,按照正常取样频次测算,节省了678副试样,节省检验费用6.78万余元,成材率提高0.17%,并且跟踪使用情况,未反馈质量异议。
(4)提高了工艺调整的时效性,钢板出超快冷后,即可看到预测性能,及时反馈工艺员实时掌控性能情况,利于工艺制度的及时调整;相比于取样检验,提高了工艺调整的时效性。投用后Q345级别及以下,性能改判率由0.026%降低到0.006%。
(5)根据性能预测的富余量,宽厚板厂与技术研发处根据客户的个性化需求调整工艺,减少了实验频次,提高了轧制节奏,达到了增产降本目的。
Claims (8)
1.一种在线预测钢板组织性能的方法,其特征在于包括如下步骤:
步骤1:建立深度神经网络
首先确立输出层单元,将水冷换热系数作为深度神经网络的输出单元;
其次是确立输入层单元,输入层单元主要由影响水冷换热系数的参数所确定;
最后是确立隐含层单元,选取隐含层层数、隐含层单元数、传播算法和正则化方法四个变量作为隐含层实验变量;
步骤2:训练深度神经网络
采用单一变量法训练深度神经网络,对水冷换热系数因子进行预测,筛选出最优模型结构;
步骤3:力学性能预测
利用最优模型结构对钢板进行力学性能预测。
2.根据权利要求1所述在线预测钢板组织性能的方法,其特征在于采用主成分分析法对数据进行预处理,选出9个权重较大影响因子作为神经网络的输入层参数导入神经网络模型,包括板材厚度、C含量、Cr含量、Cu含量、Mn含量、冷却水温度、空气温度、终轧温度、目标终冷温度、集管流量、辊速。
3.根据权利要求1所述在线预测钢板组织性能的方法,其特征在于在钢板力学性能预测的基础上对各项参数的影响权重、影响规律进行逆向分析,根据分析结果来指导生产工艺优化。
4.根据权利要求1所述在线预测钢板组织性能的方法,其特征在于利用热图像面阵在线测温系统,根据钢板运动速度、热图像采样帧率匹配后,给出钢板的纵向温度分布,将整张钢板划分为小区间,对各个小区间进行组织性能预测。
5.根据权利要求1所述在线预测钢板组织性能的方法,其特征在于根据对钢板头尾性能的预测,指导后道精整切割头尾圆弧长度。
6.根据权利要求1所述在线预测钢板组织性能的方法,其特征在于最优模型结构,神经网络模型隐含层为3层,隐含层单元为100个。
7.根据权利要求1所述在线预测钢板组织性能的方法,其特征在于传播算法中,激活函数采用Relu函数,优化算法采用Adam优化算法。
8.根据权利要求1所述在线预测钢板组织性能的方法,其特征在于正则化方法采用L2正则化与Dropout正则化共用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279613.9A CN111832215A (zh) | 2020-04-10 | 2020-04-10 | 一种在线预测钢板组织性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279613.9A CN111832215A (zh) | 2020-04-10 | 2020-04-10 | 一种在线预测钢板组织性能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832215A true CN111832215A (zh) | 2020-10-27 |
Family
ID=72913846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010279613.9A Pending CN111832215A (zh) | 2020-04-10 | 2020-04-10 | 一种在线预测钢板组织性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832215A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033106A (zh) * | 2021-04-06 | 2021-06-25 | 东北大学 | 一种基于ebsd与深度学习方法的钢铁材料性能预测方法 |
JP7148024B1 (ja) * | 2021-04-01 | 2022-10-05 | Jfeスチール株式会社 | 鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備 |
CN116449790A (zh) * | 2023-06-16 | 2023-07-18 | 江苏省沙钢钢铁研究院有限公司 | 宽厚板的生产控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6269351B1 (en) * | 1999-03-31 | 2001-07-31 | Dryken Technologies, Inc. | Method and system for training an artificial neural network |
CN1641356A (zh) * | 2004-12-13 | 2005-07-20 | 武汉科技大学 | 硬线产品显微组织与力学性能预报系统 |
CN101710062A (zh) * | 2009-11-17 | 2010-05-19 | 上海电机学院 | 一种闸瓦摩擦系数的预测方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
CN110674568A (zh) * | 2019-08-30 | 2020-01-10 | 陕钢集团汉中钢铁有限责任公司 | 一种预测棒材力学性能的方法 |
-
2020
- 2020-04-10 CN CN202010279613.9A patent/CN111832215A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6269351B1 (en) * | 1999-03-31 | 2001-07-31 | Dryken Technologies, Inc. | Method and system for training an artificial neural network |
CN1641356A (zh) * | 2004-12-13 | 2005-07-20 | 武汉科技大学 | 硬线产品显微组织与力学性能预报系统 |
CN101710062A (zh) * | 2009-11-17 | 2010-05-19 | 上海电机学院 | 一种闸瓦摩擦系数的预测方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
CN110674568A (zh) * | 2019-08-30 | 2020-01-10 | 陕钢集团汉中钢铁有限责任公司 | 一种预测棒材力学性能的方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7148024B1 (ja) * | 2021-04-01 | 2022-10-05 | Jfeスチール株式会社 | 鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備 |
WO2022209320A1 (ja) * | 2021-04-01 | 2022-10-06 | Jfeスチール株式会社 | 鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備 |
CN113033106A (zh) * | 2021-04-06 | 2021-06-25 | 东北大学 | 一种基于ebsd与深度学习方法的钢铁材料性能预测方法 |
CN113033106B (zh) * | 2021-04-06 | 2023-09-19 | 东北大学 | 一种基于ebsd与深度学习方法的钢铁材料性能预测方法 |
CN116449790A (zh) * | 2023-06-16 | 2023-07-18 | 江苏省沙钢钢铁研究院有限公司 | 宽厚板的生产控制方法 |
CN116449790B (zh) * | 2023-06-16 | 2023-09-05 | 江苏省沙钢钢铁研究院有限公司 | 宽厚板的生产控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832215A (zh) | 一种在线预测钢板组织性能的方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN104517162B (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
CN104375478A (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN106345823A (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
Peko et al. | Modelling of Kerf width in plasma jet metal cutting process using ANN approach | |
Liu et al. | Algorithm design and application of laminar cooling feedback control in hot strip mill | |
Barrios et al. | Fuzzy and fuzzy grey-box modelling for entry temperature prediction in a hot strip mill | |
Yang et al. | Data-driven demand forecasting method for fused magnesium furnaces | |
CN107153355A (zh) | 一种薄板坯连铸连轧辊缝值动态自适应控制方法 | |
Zheng et al. | Dynamic rolling force prediction of reversible cold rolling mill based on bp neural network with improved pso | |
CN102847901A (zh) | 一种连铸生产中控制铁素体不锈钢板坯宽度的方法 | |
Ma et al. | Effect of strip profile of hot-rolled silicon steel on transverse thickness difference of cold-rolled strip | |
Dian-yao et al. | Self-learning and its application to laminar cooling model of hot rolled strip | |
Liu et al. | Control technology of solidification and cooling in the process of continuous casting of steel | |
Tian et al. | Interval prediction of bending force in the hot strip rolling process based on neural network and whale optimization algorithm | |
Qazani et al. | Multiobjective Optimization of Roll-Forming Procedure Using NSGA-II and Type-2 Fuzzy Neural Network | |
Di Schino | Open die forging process simulation: a simplified industrial approach based on artificial neural network. | |
Shi et al. | Breakout Prediction Based on Twin Support Vector Machine of Improved Whale Optimization Algorithm | |
Kovačič et al. | Predicting of Roll Surface Re-Machining Using Artificial Neural Network | |
Shigemori | Mechanical property control system for cold rolled steel sheet through locally weighted regression model |
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 |