CN111859788B - 一种基于方坯连铸二冷区温度均匀预测及评价方法 - Google Patents
一种基于方坯连铸二冷区温度均匀预测及评价方法 Download PDFInfo
- Publication number
- CN111859788B CN111859788B CN202010643777.5A CN202010643777A CN111859788B CN 111859788 B CN111859788 B CN 111859788B CN 202010643777 A CN202010643777 A CN 202010643777A CN 111859788 B CN111859788 B CN 111859788B
- Authority
- CN
- China
- Prior art keywords
- temperature
- neural network
- stability
- continuous casting
- temperatures
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 32
- 238000009749 continuous casting Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000005192 partition Methods 0.000 claims abstract description 22
- 102100030688 Histone H2B type 1-A Human genes 0.000 claims abstract description 16
- 101001084688 Homo sapiens Histone H2B type 1-A Proteins 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000005266 casting Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 7
- 239000000498 cooling water Substances 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 229910000831 Steel Inorganic materials 0.000 description 10
- 239000010959 steel Substances 0.000 description 10
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 8
- 229910052782 aluminium Inorganic materials 0.000 description 8
- 238000010273 cold forging Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 229910000742 Microalloyed steel Inorganic materials 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
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
-
- 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
- B22D11/22—Controlling or regulating processes or operations for cooling cast stock or mould
- B22D11/225—Controlling or regulating processes or operations for cooling cast stock or mould for secondary cooling
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Continuous Casting (AREA)
Abstract
本发明涉及一种基于方坯连铸二冷区温度均匀预测及评价方法,数据预处理:进行生产现场数据采集,收集到的原始数据采用均值化空缺值填充方法;稳定度因子:构造输入矩阵[H,L,D,T浇,V,Q,T目],输出矩阵[T],得到H的稳定度因子,按照稳定度的大小,排序BP神经网络的输入层,构建并训练STBP神经网络,对连铸二冷分区进行横向和纵向对比分析,横向采集是指同时刻对多个分区出口中心点采集温度,纵向采集是指同分区不同时刻出口中心点采集温度。优点是:利用稳定性神经网络对各个分区进行横向和纵向的温度预测,结果显示应用稳定性神经网络进行方坯连铸二冷区温度预测,提高了方坯连铸二冷区温度控制精度。
Description
技术领域
本发明涉及一种基于方坯连铸二冷区温度均匀预测及评价方法。
背景技术
连铸过程的二冷温度均匀性控制是稳定和提高铸坯质量的关键环节。连铸过程温度控制不均匀,会导致铸坯表面温度呈现周期性的回升,引起坯壳膨胀,当加到凝固前沿的张应力超过钢所能承受的强度时,则会产生中间裂纹。在连铸过程中,冷却强度过大,会增大铸坯的内外温差,产生热应力,增加铸坯内裂倾向;冷却强度不足,将造成凝固坯壳太薄,因强度低而产生鼓肚或菱变,还会导致微合金钢产生角部横裂纹,在方坯连铸温度均匀性控制当中,除了温度均匀性控制方法,高效的评价方法,同样对于方坯连铸温度均匀性起到至关重要的作用,精准的预测如果没有有效的评价方法来进行评价,其精准性也很难得到有效的认知,有了高效的评价方法,就能够客观判定方坯连铸温度控制方法的有效性和实用性。对于铸坯质量提升和过程顺行具有重要意义。
发明内容
为克服现有技术的不足,本发明的目的是提供一种基于方坯连铸二冷区温度均匀预测及评价方法,利用稳定度标准来进行方坯连铸二冷区温度均匀性控制,融合了稳定性和BP神经网络构造了稳定神经网络即STBP神经网络,赋予了各影响因素不同的稳定度,同时进行了方坯连铸二冷分区,对各个分区进行横向和纵向的温度预测评价分析,提高方坯连铸二冷区温度控制均匀性。
为实现上述目的,本发明通过以下技术方案实现:
一种基于方坯连铸二冷区温度均匀预测及评价方法,包括以下步骤:
1)数据预处理
进行生产现场数据采集,数据包括铸坯尺寸H、结晶器液位L、二冷区分段信息D、浇铸温度T浇、拉坯速度V、冷却水量Q、分区出口中心点目标温度T目;收集到的原始数据采用均值化空缺值填充方法;
2)稳定度因子:构造输入矩阵[H,L,D,T浇,V,Q,T目],输出矩阵[T],T为分区出口中心点温度;为了发现H的稳定度,假定[L,D,T浇,V,Q,T目]各增加1个单位,H不变,增加前分区出口温度为T前,增加后分区出口温度为T后,则定义:
Z=1-Y,Z为H的稳定度因子;
根据第一步骤预处理完的数据和稳定度因子的概念,进行稳定度因子的数据发现,按照稳定度的大小,排序BP神经网络的输入层,同时把相应的稳定度赋予输入层与隐含层的权值以及隐含层与输出层的权值,构建STBP神经网络;
3)构建并训练STBP神经网络
根据稳定度因子构建STBP神经网络,三层神经网络可逼近任何非线性函数,神经网络输入包括铸坯尺寸H、结晶器液位L、二冷区分段信息D、浇铸温度T浇、拉坯速度V、冷却水量Q、分区出口中心点目标温度T目,输出为分区出口中心点温度T,根据构建的STBP神经网络模型,采用一定数量样本数据进行神经网络训练;
4)STBP神经网络二冷分区温度预报
根据步骤3)训练好的神经网络模型,采用实际测试数据进行不同分区出口中心点计算温度的预报;
5)温度均匀性评价
对连铸二冷分区进行横向和纵向对比分析,横向采集是指同时刻对多个分区出口中心点采集温度,纵向采集是指同分区不同时刻出口中心点采集温度。
与现有技术相比,本发明的有益效果是:
本发明利用STBP神经网络预测方坯连铸二冷区温度,同时进行了方坯连铸二冷分区,利用稳定性神经网络对各个分区进行横向和纵向的温度预测,结果显示应用稳定性神经网络进行方坯连铸二冷区温度预测,提高了方坯连铸二冷区温度控制精度。
附图说明
图1是STBP神经网络方坯连铸二冷分区温度预设定模型图。
图2是含铝冷镦钢二冷各区温度控制图。
图3是含铝冷镦钢二冷1区温度控制图。
图4是含铝冷镦钢二冷6区温度控制图。
具体实施方式
下面结合说明书附图对本发明进行详细地描述,但是应该指出本发明的实施不限于以下的实施方式。
在众多的影响因素中,选取铸坯尺寸H、结晶器液位L、二冷区分段信息D、浇铸温度T浇、拉坯速度V、冷却水量Q、分区出口中心点目标温度T目作为神经网络输入量,分区出口中心点计算温度为输出量。STBP神经网络的训练样本数据来源于现场生产实际数据,表1为输入样本数据的一部分(16组),共200组样本数据进行训练,按照Y的计算方法,确定各因素稳定度因子如表2,把稳定度因子赋予神经网络的相应权值。对于连铸产线二冷区进行6区划分,具体的划分明细如表3,铸坯二冷各区表面温度指的是各区出口铸坯中心点表面温度。
表1 输入数据
表2 各因素稳定因子
输入因素 | H(mm) | L(mm) | D | T浇(℃) | V(m/min) | Q(m3/h) | T目(℃) |
稳定因子 | 0.1 | 0.2 | 0.5 | 0.4 | 0.3 | 0.50 | 0.35 |
表3 连铸机二冷区各冷却段长度
二次冷却 | 1区 | 2区 | 3区 | 4区 | 5区 | 6区 |
冷却区长度(m) | 1.24 | 1.93 | 1.37 | 3.92 | 8.84 | 10.24 |
对连铸二冷分区进行横向和纵向对比分析,横向采集是指同时刻对6个分区出口中心点采集温度,纵向采集是指同分区不同时刻出口中心点采集温度,采样时间间隔10秒。对整个分区进行横向时间点采样分析,同时利用测温设备对1区和6区出口中心点进行纵向采样分析,采样8次,间隔10秒。采用三层STBP神经网络进行相应温度预测,结构为8×10×1,在训练过程中,学习率设为0.05,最小梯度要求1×e-20,动量因子设为0.9,训练次数设为2000次,结束目标1×e-3。利用6个二冷各区出口处的表面温度进行验证,验证结果见图2,横向采集计算温度与实测温度差绝对均值为7.63℃,且这两个温度都在含钼冷镦钢二冷各区目标温度上下。具体的各区表面目标温度、实测温度与计算温度如表4、表5。
表4 含铝冷镦钢在二冷区各段的表面目标温度
区号 | 1区 | 2区 | 3区 | 4区 | 5区 | 6区 |
含铝冷镦钢目标温度℃ | 1040 | 1010 | 990 | 975 | 935 | 900 |
表5 含铝冷镦钢二冷区各段的实测温度与计算温度
纵向采集1区实测温度及计算温度见表6,验证结果见图3,计算温度与实测温度差绝对均值为7.45,且值在目标温度1040℃上下。
表6 含铝冷镦钢二冷1区实测温度与计算温度
纵向采集6区实测温度与计算温度见表7,验证结果见图4。
表7 含铝冷镦钢二冷6区实测温度与计算温度
计算温度与实测温度差绝对均值为6.27,其值在目标温度900℃左右,三个验证结果误差均值均在10℃以内,即很好的将温度控制精度提高到(-10℃,10℃)以内,满足实际生产中对铸坯表面温度的均匀性控制,减少了铸坯表面温控制不均匀带来的横纵裂纹缺陷,大大提高铸坯质量。
Claims (1)
1.一种基于方坯连铸二冷区温度均匀预测及评价方法,其特征在于,包括以下步骤:
1)数据预处理
进行生产现场数据采集,数据包括铸坯尺寸H、结晶器液位L、二冷区分段信息D、浇铸温度T浇、拉坯速度V、冷却水量Q、分区出口中心点目标温度T目;收集到的原始数据采用均值化空缺值填充方法;
2)稳定度因子:构造输入矩阵[H,L,D,T浇,V,Q,T目],输出矩阵[T],T为分区出口中心点温度;为了发现H的稳定度,假定[L,D,T浇,V,Q,T目]各增加1个单位,H不变,增加前分区出口温度为T前,增加后分区出口温度为T后,则定义:
Z=1-Y,Z为H的稳定度因子;
根据第一步骤预处理完的数据和稳定度因子的概念,进行稳定度因子的数据发现,按照稳定度的大小,排序BP神经网络的输入层,同时把相应的稳定度赋予输入层与隐含层的权值以及隐含层与输出层的权值,构建STBP神经网络;
3)构建并训练STBP神经网络
根据稳定度因子构建STBP神经网络,三层神经网络可逼近任何非线性函数,神经网络输入包括铸坯尺寸H、结晶器液位L、二冷区分段信息D、浇铸温度T浇、拉坯速度V、冷却水量Q、分区出口中心点目标温度T目,输出为分区出口中心点温度T,根据构建的STBP神经网络模型,采用一定数量样本数据进行神经网络训练;
4)STBP神经网络二冷分区温度预报
根据步骤3)训练好的神经网络模型,采用实际测试数据进行不同分区出口中心点计算温度的预报;
5)温度均匀性评价
对连铸二冷分区进行横向和纵向对比分析,横向采集是指同时刻对多个分区出口中心点采集温度,纵向采集是指同分区不同时刻出口中心点采集温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010643777.5A CN111859788B (zh) | 2020-07-07 | 2020-07-07 | 一种基于方坯连铸二冷区温度均匀预测及评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010643777.5A CN111859788B (zh) | 2020-07-07 | 2020-07-07 | 一种基于方坯连铸二冷区温度均匀预测及评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859788A CN111859788A (zh) | 2020-10-30 |
CN111859788B true CN111859788B (zh) | 2023-11-10 |
Family
ID=73151884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010643777.5A Active CN111859788B (zh) | 2020-07-07 | 2020-07-07 | 一种基于方坯连铸二冷区温度均匀预测及评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859788B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
JP2019141893A (ja) * | 2018-02-22 | 2019-08-29 | 日本製鉄株式会社 | 連続鋳造機の2次冷却制御装置、連続鋳造機の2次冷却制御方法、およびプログラム |
CN110293212A (zh) * | 2019-07-25 | 2019-10-01 | 中冶赛迪工程技术股份有限公司 | 一种高拉速条件下小方坯连铸二冷水量控制方法 |
-
2020
- 2020-07-07 CN CN202010643777.5A patent/CN111859788B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
JP2019141893A (ja) * | 2018-02-22 | 2019-08-29 | 日本製鉄株式会社 | 連続鋳造機の2次冷却制御装置、連続鋳造機の2次冷却制御方法、およびプログラム |
CN110293212A (zh) * | 2019-07-25 | 2019-10-01 | 中冶赛迪工程技术股份有限公司 | 一种高拉速条件下小方坯连铸二冷水量控制方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的板坯连铸二冷水动态控制模型;郑忠;占贤辉;;重庆大学学报(自然科学版)(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111859788A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101850410B (zh) | 一种基于神经网络的连铸漏钢预报方法 | |
CN104493121B (zh) | 一种大方坯连铸生产过程的凝固末端位置在线检测方法 | |
CN105911095A (zh) | 一种连铸坯表面纵裂纹的可视化识别方法 | |
Dong et al. | Shrinkage porosity and its alleviation by heavy reduction in continuously cast strand | |
CN103157772B (zh) | 一种连铸坯内部质量的预报方法 | |
CN102527971A (zh) | 一种铸坯内裂缺陷的在线预报方法 | |
Wu et al. | Influence of differential roll rotation speed on evolution of internal porosity in continuous casting bloom during heavy reduction | |
CN102426439A (zh) | 一种基于数据驱动的荒管质量预报与控制方法 | |
CN111859788B (zh) | 一种基于方坯连铸二冷区温度均匀预测及评价方法 | |
CN108959810B (zh) | 一种铸坯传热参数的快速辨识方法、装置及连铸设备 | |
CN116652143B (zh) | 一种大方坯连铸轻压下和重压下在线协同控制方法 | |
CN116738518B (zh) | 一种连铸轻压下裂纹位置的数值模拟验证方法及内部质量控制方法 | |
CN1641356B (zh) | 硬线产品显微组织与力学性能预报系统 | |
CN103593493B (zh) | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 | |
CN115985424A (zh) | 一种基于bp神经网络的零件热处理性能预测方法及系统 | |
CN102004834B (zh) | 一种预测大锻件轴向中心线上空洞闭合率的方法 | |
CN109614710B (zh) | 基于随机数学原理预测连铸坯元素偏析三维特征的方法 | |
Akgerman et al. | Computer-aided roll pass design in rolling of airfoil shapes | |
Androsenko et al. | Determining the quality of continuous casting from billet caster | |
CN117034473A (zh) | 一种针对铸坯缩孔缩松预测和敏感性分析的工艺优化方法 | |
CN112883578B (zh) | 一种机车车辆散热器剩余寿命预测方法 | |
CN104537167A (zh) | 基于鲁棒区间极限学习机的区间型指标预报方法 | |
CN116049935B (zh) | 连续箱梁施工易裂化区域识别及全过程数字化监测方法 | |
CN117574706A (zh) | 基于有限元仿真方法的心部孔隙尺寸变化的预测方法 | |
Mroz et al. | Numerical modeling of rolling process using longitudinal slitting passes |
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 |