EP4069448A1 - Method and computer system for predicting shrinkage of a cast metal product - Google Patents

Method and computer system for predicting shrinkage of a cast metal product

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
German (de)
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/en
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.

Abstract

The invention relates to a method and to a computer system (3) for predicting shrinkage of a metal product that has been produced from liquid metal by means of a casting process. The problem addressed by the invention is that of providing a method for predicting, as accurately as possible, the shrinkage between the mold cross-section and the produced strand cross-section. Said problem is solved by means of a neural network (10), which consists of a multi-layer feedforward network having a plurality of input parameters. The input parameters are characteristic parameters of the casting process and of the metal product. A product width and/or product height of the cast metal product is output as the result, and an actual width and/or actual height of the metal product is measured. If there is a deviation between the product width and the actual width and/or between the product height and the actual height, a back-calculation from the result to the input parameters is performed by means of the neural network. The cause of the deviation in question is thereby determined.

Description

Beschreibung description
Verfahren und ComputerSystem zur Vorhersage einer Schrumpfung eines gegossenen Metallproduktes Method and computer system for predicting shrinkage of a cast metal product
Gebiet der Technik Field of technology
Die vorliegende Erfindung betrifft das Gebiet von Gießverfahren von Metallen. The present invention relates to the field of metal casting processes.
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. On the one hand, 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.
Anderseits betrifft die Erfindung ein Computersystem mit einem Speicher. On the other hand, the invention relates to a computer system with a memory.
Stand der Technik State of the art
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. Within a casting plant for metals, for example a continuous casting plant, 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. As a result of the solidification processes and cooling of a metal melt, 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.
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 . During casting in a continuous casting plant, ferrostatic pressure also acts on a strand shell, which leads to so-called creep. As a result, a slab cast by the continuous caster experiences an increase in width. Furthermore, a change in the structure of the metal during cooling also influences a change in the dimensions. The consequence of this is that the dimensions of the cooled slab deviate from the dimensions that were set on a mold. In order to be able to produce slabs with defined dimensions, the deviation must be compensated in advance. The setting of the mold - in particular the mold side plates - must therefore be made in accordance with the desired slab dimensions. Due to a large number of influencing factors on the shrinkage of the cast product, a mathematical representation is difficult or imprecise. This makes the prediction and thus the correct setting of the casting process difficult. Mathematical models or tables based on empirical values are currently used. 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.
Die JP H07214268 A zeigt ein Verfahren um eine Schrumpfung einer aus Stahl gegossen Bramme, mithilfe eines neuronalen Netzes, zu bestimmen. JP H07214268 A shows a method for determining the shrinkage of a slab cast from steel with the aid of a neural network.
Zusammenfassung der Erfindung Summary of the invention
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. 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.
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. 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.
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. 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.
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. 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. Furthermore, any cooling devices and other system-specific features also have an influence on the shrinkage.
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. In addition to an output layer, 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.
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. By calculating back from the output layer along the individual layers to the input, 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. With the help of the Layerwise Relevance Propagation (LRP) algorithm, the relevance to the output can be determined for a given input parameter. This enables possible incorrect measurement or process data to be determined. After the result for the output is available, 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.
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 . 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.
(Gleichung 1) (Equation 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. If, for example, the z-score z m (n)> 2, this means that the deviation - from the measurement and the output of the neural network for the sampling point (n) - due to the input parameter m - for example a sensor or a process parameter - is the cause of the deviation. Of course, several input parameters can be the cause of the deviation.
Es können auch andere Anomaly Detection Algorithmen angewendet werden. Other anomaly detection algorithms can also be used.
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, In a preferred embodiment, 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,
Parameter der Kühlstrecke sind Parameters of the cooling section are
Betriebsparameter einer Gießanlage, insbesondere einer Stranggussanlage . Operating parameters of a casting plant, in particular a continuous casting plant.
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. This list is not exhaustive. Other input parameters can also be used. 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.
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. A particularly preferred embodiment provides that 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. By using three hidden layers, 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.
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. An advantageous embodiment provides that the respective hidden layers each have up to 250 neurons. A grid search with a simplification (grid search with pruning) and a cross-validation result in an optimized number of neurons in the hidden layers. For the prediction of shrinkage, 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. However, a rectangle, a tanh or a Gaussian function are also conceivable in order to obtain the good results of the shrinkage. It is possible for several different activation functions to be used in the neural network. It can therefore be advantageous that not all neurons have the same activation function.
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. 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. By predicting a change in shrinkage, one or more parameters of the continuous casting plant - for example the casting width - can be adjusted accordingly.
In einer besonders vorteilhaften Ausführungsform steuert und/oder regelt die Steuer- und/oder Regeleinrichtung die Position von Seitenwänden einer Kokille. In a particularly advantageous embodiment, the control and / or regulating device controls and / or regulates the position of the side walls of a mold.
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. 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.
Durch dieses Computersystem kann die Schrumpfung eines Metallproduktes sehr gut vorhergesagt werden. With this computer system the shrinkage of a metal product can be predicted very well.
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. A preferred embodiment provides that the multilayer feedforward network has at least two hidden layers, particularly preferably at least three hidden layers. The same advantages result as already explained under the method.
Eine weitere bevorzugte Ausführungsform sieht vor, dass das Computersystem mit einer Stranggussanlage zum Gießen von Brammen verbunden ist und Betriebsdaten als Eingangsparameter verwendet werden. 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.
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 In an expedient embodiment, 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. Brief description of the drawings
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 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
Beschreibung der Ausführungsformen Description of the embodiments
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 Fig. 1, 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. In addition to specific data from the continuous casting plant 1, measurement data can also be stored in the memory 4, which data can be used to learn the neural network.
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. A structure of a neural network 10 is shown in FIG. Through this neural network 10, the Shrinkage of a cast metal product can be determined very precisely. 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.
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. 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.
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. 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.
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. As can be seen from the curves, the prediction (17) by the neural network agrees very well with the actually measured data. Although the invention has been illustrated and described in more detail by the preferred exemplary embodiments, the invention is not restricted by the disclosed examples and other variations can be derived from them by the person skilled in the art without departing from the scope of protection according to the claims.
Bezugszeichenliste List of reference symbols
1 Stranggussanlage 1 continuous casting plant
2 Kokille 2 mold
3 ComputerSystem 3 ComputerSystem
4 Speicher 4 memories
5 Eingänge 5 entrances
5a Messinstrumente 5a measuring instruments
5b Speicherleitung 5b storage line
6 Flüssiges Metall 6 Liquid metal
7 Strang 7 strand
8 Anzeigeeinheit 8 display unit
9 Regel- und/oder Steuereinrichtung9 Regulation and / or control device
10 Neuronales Netz 11 EingangsSchicht 12 Erste verdeckte Schicht 10 Neural network 11 Input layer 12 First hidden layer
13 Zweite verdeckte Schicht 13 Second hidden layer
14 AusgangsSchicht 14 Starting layer
15 Neuronen 15 neurons
16 Messdaten 17 Vorhersage 16 Measurement data 17 Forecast

Claims

Ansprüche Expectations
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. 1. A method for predicting a shrinkage of a metal product which is produced from liquid metal by a casting process using a casting plant, preferably a slab cast by a continuous casting plant (1), characterized in that a neural network (10), which consists of a multilayer feedforward -Network with at least a current casting width, a temperature of the melt, a casting speed of the metal product and a composition of the melt as input parameters, outputs a product width and / or product height of the cast metal product as output, with an actual width and / or actual height of the Metal product is measured and in the event of a deviation in product width and actual width and / or product height and actual height using the neural network (10) is calculated back from the output to the input parameters and the cause of the respective deviation is determined.
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 2. The method for predicting shrinkage of a metal product cast from liquid metal according to claim 1, characterized in that additional input parameters are at least a selection from the following parameters: a temperature of the solidification point a current position of side walls of a mold information on the type and amount of alloying elements Melt, a molding powder type, a pouring height
Parameter der Kühlstrecke sind, The parameters of the cooling section are
Betriebsparameter einer Gießanlage, insbesondere einer Stranggussanlage . Operating parameters of a casting plant, in particular a continuous casting plant.
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. 3. Method of predicting shrinkage of a metal product cast from liquid metal Claims 1-2, characterized in that the multilayer feedforward network has at least two hidden layers (12, 13), particularly preferably at least three hidden layers.
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. 4. The method for predicting a shrinkage of a metal product cast from liquid metal according to claims 1-3, characterized in that the respective hidden layers (12, 13) each have up to 250 neurons.
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. 5. The method for predicting shrinkage of a metal product cast from liquid metal according to claim 3 or 4, characterized in that a retified linear unit function, a rectangle function, a tanh function and / or a Gaussian function as the activation function of the individual neurons of the hidden layers Function is used.
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. 6. A method for predicting shrinkage of a metal product cast from liquid metal according to claims 1-5, characterized in that the product width and / or product height is fed to a control and / or regulating device (9) of the continuous casting plant (1).
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. 7. The method for predicting shrinkage of a metal product cast from liquid metal according to claim 6, characterized in that the control and / or regulating device (9) controls or regulates the position of side walls of a mold (2).
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. 8. Computer system (3) with a memory (4), the memory (4) containing a neural network (10) which consists of a multi-layer feedforward network which has a large number of input parameters and outputs the shrinkage of a cast metal product as an output becomes, where the Computer system (3) inputs (5) for at least a current casting width, a temperature of the melt, a casting speed of the slab and a composition of the melt, which are used as input parameters and the computer system (3) as output the product width and / or product height of the cast metal product, the actual width and / or actual height of the metal product being measured by a measuring instrument (5a) and, in the event of a discrepancy between product width and actual width and / or product height and actual height, the computer system using the neural network (10) is calculated back from the output to the input parameters and the cause of the respective deviation is determined.
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. 9. Computer system with a memory according to claim 8, characterized in that the multilayer feedforward network has at least two hidden layers (12, 13), particularly preferably at least three hidden layers.
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. 10. Computer system with a memory according to claim 8-9, characterized in that the computer system is connected to a continuous casting plant (1) for casting slabs and operating data are used as input parameters.
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. 11. Computer system with a memory according to claim 10, characterized in that the control and / or regulating device (9) controls or regulates the position of side walls of a mold (2).
EP20780216.6A 2019-12-05 2020-09-30 Method and computer system for predicting shrinkage of a cast metal product Pending EP4069448A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19213866.7A EP3831511A1 (en) 2019-12-05 2019-12-05 Method and computer system for predicting a shrinkage of a cast metal product
PCT/EP2020/077406 WO2021110300A1 (en) 2019-12-05 2020-09-30 Method and computer system for predicting shrinkage of a cast metal product

Publications (1)

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

Family

ID=68806692

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19213866.7A Withdrawn EP3831511A1 (en) 2019-12-05 2019-12-05 Method and computer system for predicting a shrinkage of a cast metal product
EP20780216.6A Pending EP4069448A1 (en) 2019-12-05 2020-09-30 Method and computer system for predicting shrinkage of a cast metal product

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP19213866.7A Withdrawn EP3831511A1 (en) 2019-12-05 2019-12-05 Method and computer system for predicting a shrinkage of a cast metal product

Country Status (2)

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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07214268A (en) * 1994-02-02 1995-08-15 Nippon Steel Corp Method for controlling slab width in continuous casting equipment
AT506976B1 (en) 2008-05-21 2012-10-15 Siemens Vai Metals Tech Gmbh METHOD FOR CONTINUOUSLY GASING A METAL STRUCTURE

Also Published As

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

Similar Documents

Publication Publication Date Title
EP0813700B1 (en) Intelligent computerized control system
EP0813701B1 (en) Control system for e.g. primary-industry or manufacturing-industry facilities
DE4008510C2 (en) Control device with optimal decision unit
DE60311739T2 (en) Method and online monitoring system for casting a continuous casting plant and method for early breakthrough detection in continuous casting of steel
DE112019001512T5 (en) INJECTION MACHINE SYSTEM
DE4338615B4 (en) Method and device for managing a process in a controlled system
DE4338608B4 (en) Method and device for managing a process in a controlled system
DE102012224132B4 (en) Monitoring method for a continuous casting mold with construction of a database
EP0756219B1 (en) Method for supervising product properties and method for controlling a manufacturing process
DE4416317B4 (en) Method and control device for controlling a material processing process
DE4338607A1 (en) Process control of regulated system, e.g. rolling system
DE2440273C2 (en) PROCEDURE FOR CONTROLLING THE CONTINUOUS CASTING PROCESS DURING STEEL PASTING, AND ARRANGEMENT FOR PERFORMING THE PROCESS
WO2005072886A1 (en) Control method and control device for a roll stand
DE102007013044B4 (en) Injection molding machine and method for monitoring continuous injection molding cycles of an injection molding machine
DE19881041B4 (en) Method for controlling and presetting a steelworks or parts of a steelworks
WO2021110300A1 (en) Method and computer system for predicting shrinkage of a cast metal product
EP3173166B1 (en) Method and device for setting the width of a continuously cast metal strand
EP1542102B1 (en) Method and device for suboptimal control by means of a search strategy and method and device for gas separation ,in particular for cryogenic air separation
EP3984688A1 (en) Method, computer program and laser cutting system for smart corner cutting
WO2021073996A1 (en) Method for a model-based determination of model parameters
WO2023139438A1 (en) Method for controlling a casting method, control system for a casting method, device and computer program
EP0977897A1 (en) Method and device for cooling metals in a steel works
WO2021180719A1 (en) Method for reducing process disruptions in the production of a rolled product
EP4134763A1 (en) Additive manufacturing with temperature simulation
WO2023006834A1 (en) Method for establishing a likelihood of defects in a cast product section

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)