EP4069448A1 - Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes - Google Patents

Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Info

Publication number
EP4069448A1
EP4069448A1 EP20780216.6A EP20780216A EP4069448A1 EP 4069448 A1 EP4069448 A1 EP 4069448A1 EP 20780216 A EP20780216 A EP 20780216A EP 4069448 A1 EP4069448 A1 EP 4069448A1
Authority
EP
European Patent Office
Prior art keywords
product
width
shrinkage
cast
height
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
Application number
EP20780216.6A
Other languages
English (en)
French (fr)
Inventor
Adnan HUSAKOVIC
Rainer Kaltseis
Daniel FUCHSHUBER
Franz Hartl
Andreas ROHRHOFER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Primetals Technologies Austria GmbH
Original Assignee
Primetals Technologies Austria GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Primetals Technologies Austria GmbH filed Critical Primetals Technologies Austria GmbH
Publication of EP4069448A1 publication Critical patent/EP4069448A1/de
Pending legal-status Critical Current

Links

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
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/168—Controlling or regulating processes or operations for adjusting the mould size or mould taper
    • 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
    • B22D11/1206—Accessories for subsequent treating or working cast stock in situ for plastic shaping of strands
    • 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

Definitions

  • the present invention relates to the field of metal casting processes.
  • the invention relates to a method for predicting a shrinkage of a strand cross-section, of a metal product which has been produced from liquid metal by a casting process, preferably a slab cast by a continuous casting plant.
  • the invention relates to a computer system with a memory.
  • the problem arises that a specified dimension of the cast product - in the cold state - has to be set during and / or before the casting process.
  • the cast product undergoes shrinkage, which results in a reduction in the dimensions of the cast product, which are influenced by the casting and quality parameters of the metal melt.
  • EP2279052 B1 shows a method for continuous casting in which a mathematical simulation model is used to calculate the shrinkage. These are simplified and can only take into account changes in the melt, production parameters or other influencing parameters with a certain error range.
  • JP H07214268 A shows a method for determining the shrinkage of a slab cast from steel with the aid of a neural network.
  • the object of the invention is to provide a reliable method to predict the shrinkage between the mold cross-section and the strand cross-section produced as precisely as possible and to quickly identify incorrect input parameters.
  • the object is achieved by a neural network which consists of a multi-layer feedforward network.
  • the neural network has a large number of input parameters, which are characteristic parameters of the casting process and the metal product.
  • the following are essential input parameters: a current casting width a temperature of the melt a casting speed composition of the melt.
  • the product width and / or product height of the cast metal product is output as an output.
  • the product height and the product width are those dimensions which are determined by the neural network at predetermined points within the casting plant, after the casting plant or at a given temperature - for example room temperature.
  • the multi-layered feedforward network has shown very good results.
  • the input parameters depend on the casting plant and the cast metal melt.
  • the molten metal can consist of a large number of alloying elements, each of which can have a different influence on the shrinkage.
  • any cooling devices and other system-specific features also have an influence on the shrinkage.
  • a multilayer feedforward network also has at least one hidden layer.
  • the output of these hidden layers is not visible from the outside.
  • the neural network is trained for each casting plant, for example by recording measurement data during commissioning and feeding it to the neural network accordingly. Furthermore, the actual width and / or actual height of the metal product is measured. If there is a discrepancy between the product width and the actual width and / or between the product height and the actual height, the neural network is used to calculate back from the output to the input parameters, and the cause of the respective discrepancy is determined.
  • the actual width and actual height are measured in the state in which the prediction of the shrinkage is made - for example when it is cold or at a predetermined position inside or outside the casting plant.
  • the predetermined position can be in front of a flame cutting machine, for example. Since the generated strand cross-section has a certain state at this point - for example has a certain temperature - this is also shown at the output of the neural network. It is also conceivable that the measurement and the determination of the shrinkage are carried out at several points with the aid of a neural network.
  • the influence of the individual input parameters on the forecast can be calculated and possible causes of deviations can be determined. If the influence of an input parameter deviates significantly from the norm, this indicates a malfunction, such as incorrect data transmission or incorrect measurement. With this design, for example, faulty measuring equipment can be quickly identified or measuring errors can be recognized.
  • LRP Layerwise Relevance Propagation
  • the relevance to the output can be determined for a given input parameter. This enables possible incorrect measurement or process data to be determined.
  • the LRP algorithm can be used to calculate back for each layer and each neuron and determine the respective relevance of the respective neuron in one layer to a neuron in the next layer. This is done until the relevance of the input layer is available. Due to the relevance of the individual input parameters of the input layer to the output, the causes of deviations from the measured result and the result predicted by the neural network can be quickly identified.
  • the characteristic relevance distribution of the sensor or input parameter m - defined by relevance scores R m (n) - of the individual input parameters are described by statistical moments for nominal operation. If the product height and the actual height or the product width and the actual width match in nominal operation, the expected relevance scores are within defined confidence intervals, characterized by the mean and a standard deviation a m for each individual input parameter. In continuous operation, standardized random variables (z-score) z m (ri) are then calculated for the individual relevance scores R m (ji) of the deviation between the measurement and the output of the neural network, as shown in equation 1.
  • a selection of the following input parameters is used for the feedforward network: a temperature of the solidification point, a current position of side walls of a mold, information on the type and quantity of alloying elements in the melt, a casting powder type, a casting height,
  • the selection of which input parameters are used for the prediction of the shrinkage depends on the molten metal and its Composition.
  • the casting plant is also of crucial importance.
  • the molten metal usually has several alloy elements such as carbon, silicon, manganese, sulfur, phosphorus, titanium, chromium, nickel, bromine, arsenic and / or other alloy elements. In order to obtain the most accurate results possible, the respective proportion of the alloying elements should be available to the neural network as an input parameter.
  • the multilayer feedforward network has at least two hidden layers, particularly preferably at least three hidden layers.
  • the use of at least two hidden layers enables a very good prediction of the strand shrinkage.
  • noise and additional non-linearities are also taken into account.
  • the number of layers used depends very much on the particular casting plant. In most cases, having two layers hidden will give the best results. However, in some cases - especially with more complex systems - it can be advantageous to use more than two shifts. If too many hidden layers are used, there is the problem that the too high model order makes the results worse again - this is referred to as the so-called overfitting tendency.
  • An advantageous embodiment provides that the respective hidden layers each have up to 250 neurons.
  • the number of neurons depends on the number of input parameters. It has been found that with a number of up to 250 neurons, very good predictions for the shrinkage can be achieved.
  • An expedient embodiment provides that a rectified linear unit (ReLU), a rectangular function, a Tanh function or a Gaussian function is used as the activation function of the individual neurons.
  • the ReLU function has proven to be particularly advantageous for the hidden layers and leads to very precise results.
  • a particularly preferred embodiment provides that the shrinkage, preferably the product width and / or product height, is fed to a control and / or regulating device of the continuous casting plant.
  • the prediction of the shrinkage - i.e. the dimensions of the cast slab - can be used directly for the control and / or regulating device in order to make the desired settings on the continuous casting plant. By directly including this forecast, it is always possible to react to changed conditions - such as changed composition or temperature of the molten metal.
  • changed conditions - such as changed composition or temperature of the molten metal.
  • one or more parameters of the continuous casting plant - for example the casting width - can be adjusted accordingly.
  • control and / or regulating device controls and / or regulates the position of the side walls of a mold.
  • the described method allows the position of the side walls of a mold to be controlled or regulated in a particularly simple manner so that the cast slab has the desired dimensions in the cooled state.
  • the object is also achieved by a computer system of the type mentioned above.
  • the computer system has a memory which contains a neural network which consists of a multilayered feedforward network. This has a large number of input parameters. At least a current casting width, a temperature of the melt, a casting speed of the slab and a composition of the melt are required as input parameters.
  • the output is the shrinkage of a cast metal product.
  • the computer system has inputs for measurement data and / or other data which are used as input parameters. As an output, the computer system transmits the product width and / or product height of the cast metal product.
  • the actual width and / or actual height of the metal product is measured by a measuring instrument and in the event of a deviation between product width and actual width and / or product height and actual height, the computer system uses the neural network to calculate the input parameters from the output and the The cause of the respective deviation is determined.
  • the multilayer feedforward network has at least two hidden layers, particularly preferably at least three hidden layers.
  • Another preferred embodiment provides that the computer system is connected to a continuous casting plant for casting slabs and operating data are used as input parameters.
  • the open-loop and / or closed-loop control of a position of side walls of a mold is carried out by the control and / or regulating device.
  • FIG. 1 shows a schematic representation of a continuous casting plant.
  • FIG. 2 shows a neural network for predicting shrinkage.
  • FIG. 3 comparing measurement results and predicting shrinkage
  • a continuous casting plant 1 is shown schematically.
  • Liquid metal 6 is poured into a mold 2 and a cast strand 7 is then withdrawn from the mold.
  • a computer system 3 which is connected to a memory 4, calculates the shrinkage of the cast strand 7 with the aid of a neural network.
  • the shrinkage is then fed to a regulating, control device 9 and / or a display unit 8.
  • the regulation and / or control device 9 can regulate and / or control the continuous casting plant 1 due to the shrinkage. This is done, for example, by adjusting the side walls of the mold 2.
  • the computer system 3 receives input parameters via inputs 5.
  • These input parameters can be transferred from measuring instruments 5a, from memory 4 via memory line 5b and / or from a higher-level control system of the industrial plant.
  • the parameters recorded by measuring instruments are, for example, the measured strand dimensions, temperature of the melt, casting speed and / or parameters of the cooling section.
  • a composition of the melt can either be stored in the memory or transmitted through the higher-level control system of the industrial plant.
  • measurement data can also be stored in the memory 4, which data can be used to learn the neural network.
  • the neural network 10 consists of an input layer 11.
  • the input layer 11 transfers important parameters of the casting process and of the liquid metal to the neural network 11. These important parameters include the current temperature of the melt, the current casting speed, a current casting width, a current angular position of the side walls of the mold, a temperature above the solidification point of the melt, alloying elements, casting powder type and / or parameters of the cooling section. These parameters are also used to train the neural network.
  • the neural network 10 also consists of a first hidden layer 12 and a second hidden layer 13, each of which has a large number of neurons 15.
  • the number of neurons 15 of each hidden layer depends on the input parameters. If the input layer consists of fourteen input parameters, the first hidden layer 12 and the second hidden layer 13 each have around 250 neurons 15, for example.
  • the neural network 10 is completed by the output layer 14.
  • the output layer 14 outputs the shrinkage.
  • the shrinkage can be indicated by the ratio of the cast width to that in the cooled state. Of course, the shrinkage in height, length or other dimensions can also be determined.
  • FIG. 3 shows the shrinkage of slabs which have been produced by a continuous casting plant.
  • a first curve shows the shrinkage, which was determined with measurement data (16).
  • a second curve represents a prediction (17) of the shrinkage, which was determined by the neural network.
  • the shrinkage is shown as the ratio of the cast width - the width set on the mold - to the width in the cooled state at 25 ° C.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Continuous Casting (AREA)

Abstract

Die Erfindung betrifft ein Verfahren und ein Computersystem (3) zur Vorhersage einer Schrumpfung eines Metallproduktes, welches durch einen Gießprozess aus flüssigem Metall erzeugt wurde. Aufgabe der Erfindung ist es ein Verfahren zu schaffen, die Schrumpfung zwischen Kokillenquerschnitt und erzeugtem Strangquerschnitt möglichst genau vorherzusagen. Diese Aufgabe wird durch ein neuronales Netz (10), welches aus einem mehrschichtigem feedforward-Netz mit einer Vielzahl von Eingangsparametern besteht, gelöst. Die Eingangsparameter sind charakteristische Parameter des Gießprozesses und des Metallproduktes. Als Ausgang wird eine Produktbreite und/oder Produkthöhe des gegossenen Metallproduktes ausgegeben, wobei eine Ist-Breite und / oder Ist-Höhe des Metallproduktes gemessen wird. Bei Abweichung von Produktbreite und Ist-Breite und/oder von Produkthöhe und Ist-Höhe wird mithilfe des neuronalen Netzes (10) vom Ausgang auf die Eingangsparameter rückgerechnet. Die Ursache der jeweiligen Abweichung wird dadurch bestimmt.

Description

Beschreibung
Verfahren und ComputerSystem zur Vorhersage einer Schrumpfung eines gegossenen Metallproduktes
Gebiet der Technik
Die vorliegende Erfindung betrifft das Gebiet von Gießverfahren von Metallen.
Einerseits betrifft die Erfindung ein Verfahren zur Vorhersage einer Schrumpfung eines Strangquerschnittes, eines Metallproduktes, welches durch einen Gießprozess aus flüssigem Metall erzeugt wurde, bevorzugt eine durch eine Stranggussanlage gegossene Bramme.
Anderseits betrifft die Erfindung ein Computersystem mit einem Speicher.
Stand der Technik
Innerhalb einer Gießanlage für Metalle, beispielsweise einer Stranggussanlage, stellt sich das Problem, dass eine spezifizierte Abmessung des Gießproduktes - im kalten Zustand - während und / oder vor dem Gießprozesses eingestellt werden muss. Durch Erstarrungsprozesse und Abkühlung einer Metallschmelze erfährt das Gießprodukt eine Schrumpfung, dadurch erfolgt eine Verringerung der Abmessungen des Gießproduktes, welche durch Gieß- und Qualitätsparameter der Metallschmelze beeinflusst werden.
Während des Gießens in einer Stranggussanlage wirkt zudem ein Ferrostatischer Druck auf eine Strangschale, was zum sogenannten Kriechen führt. Dies führt dazu, dass eine durch die Stranggussanlage gegossene Bramme eine Vergrößerung der Breite erfährt. Des Weiteren beeinflusst auch eine Gefügeänderung des Metalls während des Abkühlens eine Veränderung in den Abmessungen. Die Folge daraus ist, dass die Abmessung der erkalteten Bramme von den Abmessungen, welche an einer Kokille eingestellt wurden, abweicht. Um Brammen mit definierten Abmessungen produzieren zu können, muss die Abweichung im Vorfeld kompensiert werden. Die Einstellung der Kokille - im speziellen Kokillenseitenplatten - müssen also entsprechend der gewünschten Brammen Abmessungen vorgenommen werden. Durch eine Vielzahl an Einflussfaktoren auf die Schrumpfung des Gießproduktes ist eine mathematische Abbildung schwer möglich oder ungenau. Dies macht die Vorhersage und somit die richtige Einstellung des Gießprozesses schwierig. Derzeit werden Mathematische Modelle oder auf Erfahrungswerte basierende Tabellen verwendet. In der EP2279052 Bl wird ein Verfahren zum Stranggießen gezeigt, in welchem ein mathematisches Simulationsmodell für die Berechnung der Schrumpfung verwendet wird. Diese sind vereinfacht und können Veränderungen der Schmelze, Produktionsparameter oder andere Einflussparameter nur mit einem gewissen Fehlerbereich berücksichtigen .
Die JP H07214268 A zeigt ein Verfahren um eine Schrumpfung einer aus Stahl gegossen Bramme, mithilfe eines neuronalen Netzes, zu bestimmen.
Zusammenfassung der Erfindung
Die Aufgabe der Erfindung ist es eine zuverlässige Methode zur Verfügung zu stellen, um die Schrumpfung zwischen Kokillenquerschnitt und erzeugtem Strangquerschnitt möglichst genau vorherzusagen und fehlerhafte Eingangsparameter schnell zu erkennen.
Die Aufgabe wird gelöst durch ein neuronales Netz, welches aus einem mehrschichtigem feedforward-Netz besteht. Das neuronale Netz hat eine Vielzahl von Eingangsparametern, welche charakteristische Parameter des Gießprozesses und des Metallproduktes sind. Als Eingangsparameter zwingend erforderlich sind: eine aktuelle Gießbreite eine Temperatur der Schmelze eine Gießgeschwindigkeit Zusammensetzung der Schmelze.
Als Ausgang wird die Produktbreite und/oder Produkthöhe des gegossenen Metallproduktes ausgegeben. Die Produkthöhe und die Produktbreite sind jene Abmessungen welche vom neuronalen Netz an vorbestimmten Stellen innerhalb der Gießanlage, nach der Gießanlage oder bei einer vorgegebenen Temperatur - beispielsweise Raumtemperatur - ermittelt werden.
Durch das mehrschichtige feedforward Netz haben sich sehr gute Ergebnisse gezeigt. Die Eingangsparameter hängen von der Gießanlage und der vergossenen Metallschmelze ab. Die Metallschmelze kann aus einer Vielzahl von Legierungselementen bestehen, welche jeweils einen unterschiedlichen Einfluss auf die Schrumpfung aufweisen können. Des Weiteren haben auch etwaige Kühlvorrichtungen und andere Anlagenspezifischen Besonderheiten einen Einfluss auf die Schrumpfung.
Ein mehrschichtiges feedforward Netz besitzt neben einer Ausgabeschicht auch zumindest eine verdeckte Schicht. Die Ausgabe dieser verdeckten Schichten ist von außen nicht sichtbar. Das Neuronale Netz wird für jede Gießanlage antrainiert, indem beispielsweise bei der Inbetriebnahme Messdaten aufgenommen werden und dem neuronalen Netz entsprechend zugeführt werden. Des Weiteren wird die Ist- Breite und / oder Ist-Höhe des Metallproduktes gemessen. Bei einer Abweichung von Produktbreite und Ist-Breite und / oder von Produkthöhe und Ist-Höhe wird mithilfe des neuronalen Netzes vom Ausgang auf die Eingangsparameter rückgerechnet und die Ursache der jeweiligen Abweichung bestimmt. Die Messung der Ist-Breite und Ist-Höhe erfolgt in dem Zustand in welchem auch die Vorhersage der Schrumpfung gemacht wird - beispielsweise im erkalteten Zustand oder an einer vorgegebenen Position innerhalb oder außerhalb der Gießanlage. Die vorgegebene Position kann sich beispielsweise vor einer Brennschneidmaschine befinden. Da der erzeugte Strangquerschnitt an dieser Stelle einen bestimmten Zustand - beispielsweise eine bestimmte Temperatur aufweist - ist dies am Ausgang des neuronalen Netzes ebenfalls abgebildet. Es ist auch denkbar, dass die Messung und die Bestimmung der Schrumpfung mithilfe eines neuronalen Netzes an mehreren Stellen erfolgt.
Durch das Rückrechnen von der Ausgangsschicht entlang der einzelnen Schichten zum Eingang kann der Einfluss der einzelnen Eingangsparameter auf die Vorhersage berechnet werden und so mögliche Abweichungsursachen bestimmt werden. Weicht der Einfluss eines Eingangsparameters von der Norm stark ab, weist dies auf einen Fehlfunktion hin, wie beispielsweise falsche Datenübermittlung oder fehlerhafte Messung. Durch diese Ausführung kann beispielsweise schnell fehlerhaftes Messequipment identifiziert werden oder Messfehler können erkannt werden. Mithilfe vom Layerwise Relevance Propagation (LRP) Algorithmus können für einen gegebenen Eingangsparameter die Relevanz auf den Ausgang bestimmt werden. Dies ermöglicht es mögliche falsche Mess oder Prozessdaten zu ermitteln. Nachdem das Ergebnis für den Ausgang vorliegt kann mithilfe des LRP Algorithmus für jede Schicht und jedes Neuron zurückgerechnet werden und die jeweilige Relevanz vom jeweiligen Neuron einer Schicht zu einem Neuron in der nachfolgenden Schicht bestimmt werden. Dieses zurückrechnen erfolgt bis die Relevanz der Eingangsschicht vorliegt. Durch die Relevanz der einzelnen Eingangsparameter der Eingangsschicht auf den Ausgang können die Ursachen für Abweichungen von gemessenem und durch das neuronale Netz vorhergesagte Ergebnis rasch identifiziert werden.
Die charakteristische Relevanzverteilung des Sensors bzw. Eingangsparameter m - definiert durch Relevanzscores Rm(n) - der einzelnen Eingangsparameter werden für den Nominalbetrieb durch statistische Momente beschrieben. Bei einer Übereinstimmung von Produkthöhe und Ist-Höhe bzw. von Produktbreite und Ist-Breite im Nominalbetrieb liegen die erwarteten Relevanzscores innerhalb definierter Konfidenzintervalle, charakterisiert durch Mittelwert und einer Standardabweichung am für jeden einzelnen Eingangsparameter. Im kontinuierlichen Betrieb werden dann standardisierte Zufallsvariablen (z-score) zm(ri) für die einzelnen Relevanzscores Rm(ji) der Abweichung von Messung und Ausgang des neuronalen Netzes berechnet, wie in Gleichung 1 dargestellt .
(Gleichung 1)
Wenn beispielsweise der z-score zm(n)> 2 ist, bedeutet dies, dass die Abweichung - von der Messung und dem Ausgang des neuronalen Netzes für den Abtastpunkt (n) - durch den Eingangsparameter m - beispielsweise ein Sensor bzw. ein Prozessparameter - die Ursache der Abweichung ist. Es können natürlich mehrere Eingangsparameter die Ursache für die Abweichung sein.
Es können auch andere Anomaly Detection Algorithmen angewendet werden.
In einer bevorzugten Ausführungsform wird eine Auswahl aus folgenden Eingangsparameter für das feedforward Netz verwendet: eine Temperatur des Erstarrungspunktes eine aktuelle Position von Seitenwänden einer Kokille Angaben über Art und Menge von Legierungselementen der Schmelze, ein Gießpulvertyp, eine Gießhöhe,
Parameter der Kühlstrecke sind
Betriebsparameter einer Gießanlage, insbesondere einer Stranggussanlage .
Diese Auflistung ist nicht abschließend. Es können auch noch weitere Eingangsparameter verwendet werden. Die Auswahl welche Eingangsparameter für die Vorhersage der Schrumpfung verwendet werden, hängt von der Metallschmelze und deren Zusammensetzung ab. Des Weiteren ist auch die Gießanlage von entscheidender Bedeutung. Die Metallschmelze weist meistens mehrere Legierungselemente wie beispielsweise Kohlenstoff, Silizium, Mangan, Schwefel, Phosphor, Titan, Chrom, Nickel, Brom, Arsen und / oder weitere Legierungselemente auf. Um möglichst genaue Ergebnisse zu erhalten, soll der jeweilige Anteil der Legierungselemente dem Neuronalen Netz als Eingangsparameter zur Verfügung stehen.
Eine besonders bevorzugte Ausführungsform sieht vor, dass das mehrschichtige feedforward-Netz zumindest zwei verdeckte Schichten, besonders bevorzugt zumindest drei verdeckte Schichten aufweist. Die Verwendung von zumindest zwei verdeckten Schichten ermöglicht eine sehr gute Vorhersage der Strangschrumpfung. Durch die Verwendung von drei verdeckten Schichten wird ein Rauschen und zusätzliche Nichtlinearitäten mitberücksichtigt. Die Anzahl der verwendeten Schichten hängt sehr von der jeweiligen Gießanlage ab. In den meisten Fällen werden mit zwei verdeckten Schichten die besten Ergebnisse erzielt. Es kann aber in manchen Fällen - besonders bei komplexeren Anlagen - vorteilhaft sein mehr als zwei Schichten zu verwenden. Durch Verwendung von zu vielen verdeckten Schichten besteht das Problem, dass durch die zu hohe Modellordnung die Ergebnisse wieder schlechter werden - was als sogenannte Overfittingtendenz bezeichnet wird.
Eine vorteilhafte Ausführung sieht vor, dass die jeweiligen verdeckten Schichten jeweils bis zu 250 Neuronen aufweisen. Durch eine Rastersuche mit einer Vereinfachung (Grid Search mit Pruning) und einer Kreuzvalidierung kommt man zu einer optimierten Anzahl von Neuronen in den verdeckten Schichten. Für die Vorhersage der Schrumpfung hängt die Anzahl der Neuronen von der Anzahl der Eingangsparameter ab. Es hat sich herausgestellt, dass sich mit einer Anzahl von bis zu 250 Neuronen sehr gute Vorhersagen für die Schrumpfung erzielen lassen. Eine zweckmäße Ausführung sieht vor, dass als Aktivierungsfunktion der einzelnen Neuronen eine Rectified Linear Unit (ReLU), eine Rechteck Funktion, eine Tanh Funktion oder eine Gaussian Funktion verwendet wird. Die ReLU-Funktion hat sich als besonders vorteilhaft für die Hidden Layers erwiesen und führt zu sehr genauen Ergebnissen. Es sind aber auch eine Rechteck, eine Tanh oder eine Gaussian Funktion denkbar um die gute Ergebnisse der Schrumpfung zu erhalten. Es ist möglich, dass in dem Neuronalen Netz mehrere verschiedenen Aktivierungsfunktionen zum Einsatz kommen. Es kann also vorteilhaft sein, dass nicht alle Neuronen die gleichen Aktivierungsfunktion haben.
Eine besonders bevorzugte Ausführungsform sieht vor, dass die Schrumpfung, bevorzugt die Produktbreite und / oder Produkthöhe einer Steuer- und/oder Regeleinrichtung der Stranggussanalage zugeführt wird. Die Vorhersage der Schrumpfung - also der Abmessungen der gegossenen Bramme - kann direkt für die Steuer- und/oder Regeleinrichtung verwendet werden, um die gewünschten Einstellungen an der Stranggussanlage vorzunehmen. Durch das direkte Einbeziehen dieser Vorhersage kann immer auf geänderte Bedingungen- wie beispielsweise geänderte Zusammensetzung oder Temperatur der Metallschmelze - reagiert werden. Durch die Vorhersage einer Schrumpfungsänderung kann ein oder mehrere Parameter der Stranggussanlage - beispielsweise die Gießbreite - entsprechend angepasst werden.
In einer besonders vorteilhaften Ausführungsform steuert und/oder regelt die Steuer- und/oder Regeleinrichtung die Position von Seitenwänden einer Kokille.
Durch das beschriebene Verfahren lässt sich eine Steuerung oder Regelung der Position der Seitenwände einer Kokille besonders einfach bewerkstelligen, damit die gegossene Bramme im abgekühlten Zustand die gewünschten Abmessungen aufweist. Die Aufgabe wird weiters durch ein Computersystem der eingangsgenannten Art gelöst. Das Computersystem weist einen Speicher auf, der ein neuronales Netz beinhaltet, welches aus einem mehrschichtigem feedforward-Netz besteht. Dieses weist eine Vielzahl an Eingangsparameter auf. Als Eingansparameter sind zumindest eine aktuellen Gießbreite, eine Temperatur der Schmelze, eine Gießgeschwindigkeit der Bramme und eine Zusammensetzung der Schmelze erforderlich. Als Ausgang wird die Schrumpfung eines gegossenen Metallproduktes ausgegeben. Das Computersystem weist Eingänge für Messdaten und / oder andere Daten auf, welche als Eingangsparameter verwendet werden. Als Ausgang übermittelt das Computersystem die Produktbreite und/oder Produkthöhe des gegossenen Metallproduktes. Durch ein Messinstrument wird die Ist-Breite und / oder Ist-Höhe des Metallproduktes gemessen und bei Abweichung von Produktbreite und Ist-Breite und / oder von Produkthöhe und Ist-Höhe rechnet das Computersystem mithilfe des neuronalen Netzes vom Ausgang auf die Eingangsparameter rückgerechnet und die Ursache der jeweiligen Abweichung bestimmt.
Durch dieses Computersystem kann die Schrumpfung eines Metallproduktes sehr gut vorhergesagt werden.
Eine bevorzugte Ausführungsform sieht vor, dass das mehrschichtige feedforward-Netz zumindest zwei verdeckte Schichten, besonders bevorzugt zumindest drei verdeckte Schichten aufweist. Es ergeben sich dieselben Vorteile wie bereits unter dem Verfahren erläutert.
Eine weitere bevorzugte Ausführungsform sieht vor, dass das Computersystem mit einer Stranggussanlage zum Gießen von Brammen verbunden ist und Betriebsdaten als Eingangsparameter verwendet werden.
In einer zweckmäßige Ausführungsform wird durch die Steuer- und/oder Regeleinrichtung die Steuerung und / oder Regelung einer Position von Seitenwänden einer Kokille ausgeführt. Kurze Beschreibung der Zeichnungen
Fig. 1 eine schematische Darstellung einer Stranggussanlage Fig. 2 ein neuronales Netz zur Vorhersage einer Schrumpfung Fig. 3 Vergleich von Messergebnissen und Vorhersage der Schrumpfung
Beschreibung der Ausführungsformen
In der Fig. 1 ist schematisch eine Stranggussanlage 1 dargestellt. In eine Kokille 2 wird flüssiges Metall 6 gegossen und aus der Kokille wird dann ein gegossener Strang 7 abgezogen. Durch ein Computersystem 3, welches mit einem Speicher 4 verbunden ist, wird die Schrumpfung des gegossenen Stranges 7 mithilfe eines neuronalen Netzes berechnet. Die Schrumpfung wird dann einer Regel-, Steuereinrichtung 9 und/oder einer Anzeigeneinheit 8 zugeführt. Die Regel und/oder Steuereinrichtung 9 kann aufgrund der Schrumpfung die Stranggussanlage 1 regeln und/oder steuern. Dies erfolgt beispielsweise über die Einstellung von Seitenwänden der Kokille 2. Das Computersystem 3 erhält über Eingänge 5 Eingangsparameter. Diese Eingangsparameter können einerseits von Messinstrumenten 5a, vom Speicher 4 über die Speicherleitung 5b und/oder von einem übergeordneten Leitsystem der Industrieanlage übergeben werden. Die von Messinstrumenten erfassten Parameter sind beispielsweise die gemessen Strangabmessungen, Temperatur der Schmelze, Gießgeschwindigkeit und/oder Parameter der Kühlstrecke. Eine Zusammensetzung der Schmelze kann entweder im Speicher abgelegt sein, oder durch das übergeordnete Leitsystem der Industrieanlage übermittelt werden. Im Speicher 4 können neben spezifischen Daten der Stranggussanlage 1 auch Messdaten abgelegt sein, welche zum Anlernen des neuronalen Netzes herangezogen werden.
In der Fig. 2 ist ein Aufbau eines neuronalen Netzes 10 dargestellt. Durch dieses neuronale Netz 10 kann die Schrumpfung eines gegossenen Metallproduktes sehr genau bestimmt werden. Das neuronale Netz 10 besteht aus einer Eingangsschicht 11. Durch die Eingangsschicht 11 werden dem neuronalen Netz 11 wichtige Parameter des Gießvorganges und des flüssigen Metalls übergeben. Diese wichtigen Parameter sind unter anderem die aktuelle Temperatur der Schmelze, die aktuelle Gießgeschwindigkeit, eine aktuelle Gießbreite, eine aktuelle Winkel Stellung von Seitenwänden der Kokille, eine Temperatur über dem Erstarrungspunkt der Schmelze, Legierungselemente, Gießpulvertyp und / oder Parameter der Kühlstrecke. Diese Parameter werden auch für das Antrainieren des neuronalen Netzes herangezogen.
Das Neuronale Netz 10 besteht weiters aus einer ersten verdeckten Schicht 12 und einer zweiten verdeckten Schicht 13 die jeweils eine Vielzahl an Neuronen 15 aufweisen. Die Anzahl der Neuronen 15 jeder verdeckten Schicht ist abhängig von den Eingangsparametern. Wenn die Eingangsschicht aus vierzehn Eingangsparametern besteht weisen die erste verdeckte Schicht 12 und die zweite verdeckte Schicht 13 beispielsweide jeweils um die 250 Neuronen 15 auf. Das neuronale Netz 10 wird durch die Ausgangsschicht 14 vervollständigt. Die Ausgangschicht 14 gibt die Schrumpfung aus. Die Schrumpfung kann durch das Verhältnis von der gegossenen Breite zu jener in abgekühltem Zustand angegeben werden. Es kann natürlich auch die Schrumpfung der Höhe, einer Länge oder anderer Abmessungen bestimmt werden.
In der Fig. 3 ist die Schrumpfung von Brammen, welche durch eine Stranggussanlage produziert wurden, dargestellt. Eine erste Kurve zeigt die Schrumpfung, welche mit Messdaten (16) ermittelt wurde. Eine zweite Kurve stellt eine Vorhersage (17) der Schrumpfung dar, welche durch das neuronale Netz ermittelt wurde. Die Schrumpfung ist jeweils dargestellt als Verhältnis von gegossener Breite - eingestellte Breite an der Kokille - zur Breite im abgekühlten Zustand bei 25°C.
Wie aus den Kurven ersichtlich ist, stimmt die Vorhersage (17) durch das neuronale Netz sehr gut mit den tatsächlich gemessenen Daten überein. Obwohl die Erfindung im Detail durch die bevorzugten Ausführungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang gemäß den Ansprüchen zu verlassen.
Bezugszeichenliste
1 Stranggussanlage
2 Kokille
3 ComputerSystem
4 Speicher
5 Eingänge
5a Messinstrumente
5b Speicherleitung
6 Flüssiges Metall
7 Strang
8 Anzeigeeinheit
9 Regel- und/oder Steuereinrichtung
10 Neuronales Netz 11 EingangsSchicht 12 Erste verdeckte Schicht
13 Zweite verdeckte Schicht
14 AusgangsSchicht
15 Neuronen
16 Messdaten 17 Vorhersage

Claims

Ansprüche
1. Verfahren zur Vorhersage einer Schrumpfung eines Metallproduktes, welches durch einen Gießprozess mithilfe einer Gießanlage aus flüssigem Metall erzeugt wird, bevorzugt eine durch eine Stranggussanlage (1) gegossene Bramme, dadurch gekennzeichnet, dass ein neuronales Netz (10), welches aus einem mehrschichtigem feedforward-Netz mit zumindest einer aktuellen Gießbreite, einer Temperatur der Schmelze, eine Gießgeschwindigkeit des Metallproduktes und eine Zusammensetzung der Schmelze als Eingangsparameter, als Ausgang eine Produktbreite und/oder Produkthöhe des gegossenen Metallproduktes ausgibt, wobei eine Ist-Breite und / oder Ist-Höhe des Metallproduktes gemessen wird und bei Abweichung von Produktbreite und Ist-Breite und / oder von Produkthöhe und Ist-Höhe mithilfe des neuronalen Netzes (10) vom Ausgang auf die Eingangsparameter rückgerechnet wird und die Ursache der jeweiligen Abweichung bestimmt wird.
2. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1, dadurch gekennzeichnet, dass zusätzliche Eingangsparameter zumindest eine Auswahl aus folgenden Parametern sind: eine Temperatur des Erstarrungspunktes eine aktuelle Position von Seitenwänden einer Kokille Angaben über Art und Menge von Legierungselementen der Schmelze, ein Gießpulvertyp, eine Gießhöhe
Parameter der Kühlstrecke sind,
Betriebsparameter einer Gießanlage, insbesondere einer Stranggussanlage .
3. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 -2, dadurch gekennzeichnet, dass mehrschichtige feedforward-Netz zumindest zwei verdeckte Schichten (12, 13) besonders bevorzugt zumindest drei verdeckte Schichten aufweist.
4. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 - 3, dadurch gekennzeichnet, dass die jeweiligen verdeckten Schichten (12, 13) jeweils bis zu 250 Neuronen aufweisen.
5. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 3 oder 4 , dadurch gekennzeichnet, dass als Aktivierungsfunktion der einzelnen Neuronen von den verdeckten Schichten eine Retified Linear Unit Funktion, eine Rechteck Funktion, eine Tanh Funktion und/oder eine Gaussian Funktion verwendet wird.
6. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 - 5, dadurch gekennzeichnet, dass die Produktbreite und / oder Produkthöhe einer Steuer- und/oder Regeleinrichtung (9) der Stranggussanalage (1) zugeführt wird.
7. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 6, dadurch gekennzeichnet, dass die Steuer- und/oder Regeleinrichtung (9) die Position von Seitenwänden einer Kokille (2) steuert oder regelt.
8.Computersystem (3) mit einem Speicher (4), wobei der Speicher (4) ein neuronales Netz (10) beinhaltet, welches aus einem mehrschichtigem feedforward-Netz, welches eine Vielzahl an Eingangsparametern aufweist und als Ausgang die Schrumpfung eines gegossenen Metallproduktes ausgegeben wird, wobei das Computer System (3) Eingänge (5) für zumindest eine aktuellen Gießbreite, eine Temperatur der Schmelze, eine Gießgeschwindigkeit der Bramme und eine Zusammensetzung der Schmelze aufweist, welche als Eingangsparameter verwendet werden und das Computersystem (3) als Ausgang die Produktbreite und/oder Produkthöhe des gegossenen Metallproduktes ausgibt, wobei durch ein Messinstrument (5a) die Ist- Breite und / oder Ist-Höhe des Metallproduktes gemessen wird und bei Abweichung von Produktbreite und Ist-Breite und / oder von Produkthöhe und Ist-Höhe das Computersystem mithilfe des neuronalen Netzes (10) vom Ausgang auf die Eingangsparameter rückgerechnet und die Ursache der jeweiligen Abweichung bestimmt.
9.Computersystem mit einem Speicher nach Anspruch 8, dadurch gekennzeichnet, dass das mehrschichtige feedforward-Netz zumindest zwei verdeckte Schichten (12, 13), besonders bevorzugt zumindest drei verdeckte Schichten aufweist.
10. Computersystem mit einem Speicher nach Anspruch 8 - 9, dadurch gekennzeichnet, dass das Computersystem mit einer Stranggussanlage (1) zum Gießen von Brammen verbunden ist und Betriebsdaten als Eingangsparameter verwendet werden.
11. Computersystem mit einem Speicher nach Anspruch 10, dadurch gekennzeichnet, dass die Steuer- und/oder Regeleinrichtung (9) die Position von Seitenwänden einer Kokille (2) steuert oder regelt.
EP20780216.6A 2019-12-05 2020-09-30 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes Pending EP4069448A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19213866.7A EP3831511A1 (de) 2019-12-05 2019-12-05 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
PCT/EP2020/077406 WO2021110300A1 (de) 2019-12-05 2020-09-30 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Publications (1)

Publication Number Publication Date
EP4069448A1 true EP4069448A1 (de) 2022-10-12

Family

ID=68806692

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19213866.7A Withdrawn EP3831511A1 (de) 2019-12-05 2019-12-05 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
EP20780216.6A Pending EP4069448A1 (de) 2019-12-05 2020-09-30 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP19213866.7A Withdrawn EP3831511A1 (de) 2019-12-05 2019-12-05 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Country Status (2)

Country Link
EP (2) EP3831511A1 (de)
WO (1) WO2021110300A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205128B (zh) * 2022-12-12 2025-06-17 中国航天科技创新研究院 基于多层前馈神经网络加权提高全球平均测高精度方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07214268A (ja) * 1994-02-02 1995-08-15 Nippon Steel Corp 連続鋳造設備におけるスラブ幅制御方法
AT506976B1 (de) 2008-05-21 2012-10-15 Siemens Vai Metals Tech Gmbh Verfahren zum stranggiessen eines metallstrangs

Also Published As

Publication number Publication date
EP3831511A1 (de) 2021-06-09
WO2021110300A1 (de) 2021-06-10

Similar Documents

Publication Publication Date Title
EP0813700B1 (de) Intelligentes rechner-leitsystem
EP0813701B1 (de) Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.
DE4008510C2 (de) Regeleinrichtung mit Optimal-Entscheidungseinheit
DE4338615B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE112019001512T5 (de) EINSPRITZGIEßMASCHINENSYSTEM
DE4338608B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
AT525791B1 (de) Überwachungsverfahren für eine Stranggießkokille mit Aufbau einer Datenbank
EP4150419B1 (de) System und verfahren zur steuerung einer aus mehreren anlagenteilen bestehenden produktionsanlage, insbesondere einer produktionsanlage zur erzeugung von industriegütern wie metallischem halbzeug
EP0756219A2 (de) Verfahren zur Überwachung von Produkteigenschaften und Verfahren zur Regelung eines Herstellungs-prozesses
DE4416317B4 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE4338607B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE2440273C2 (de) Verfahren zur regelung des stranggiessprozesses beim vergiessen von stahl, sowie anordnung zur durchfuehrung des verfahrens
DE102019208736A1 (de) Verfahren zum Gießen eines Gießstrangs in einer Stranggießanlage
DE19881041B4 (de) Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
DE102007013044B4 (de) Spritzgießmaschine und Verfahren zur Überwachung kontinuierlicher Spritzgießzyklen einer Spritzgießmaschine
EP4069448A1 (de) Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
EP3173166A1 (de) Verfahren und vorrichtung zum einstellen der breite eines stranggegossenen metallstrangs
DE19740691A1 (de) Verfahren und Einrichtung zur Kühlung von Metallen in einem Hüttenwerk
EP1711283A1 (de) Regelverfahren und regler für ein walzgerüst
WO2023139438A1 (de) Verfahren zur steuerung eines gussverfahrens, steuerungssystem für ein gussverfahren, vorrichtung sowie computerprogramm
WO2025022214A1 (de) Verfahren zur steuerung eines gussverfahrens, steuerungssystem für ein gussverfahren, vorrichtung sowie computerprogramm
EP1542102B1 (de) Verfahren und Vorrichtung zur suboptimalen Regelung mittels einer Suchstrategie und Verfahren und Vorrichtung zur Gaszerlegung, insbesondere zur Tieftemperatur-Luftzerlegung
EP0735443B1 (de) Neuronales Netz zur Positionsabweichungskompensation bei Werkstückbearbeitungseinrichtungen
WO2021180719A1 (de) Verfahren zur reduzierung von prozessstörungen bei der herstellung eines walzproduktes
DE102016216387A1 (de) Verfahren zur Steuerung einer Faserstoffbahnherstellungsmaschine

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220705

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)