基于模式识别和人工神经网络建立的板坯连铸二冷水模型

IRONANDSTEELVol.36,No.2February2001基于模式识别和人工神经网络建立

的板坯连铸二冷水模型

徐荣军　陈念贻　刘洪霖

(中国科学院上海冶金研究所)

张永鑫　马智明

(安阳钢铁集团有限责任公司)

摘　要　介绍了一种铸坯表面测温的方法,并依据铸坯表面温度,应用模式识别与人工神经网络相结合的方法,建立了板坯连铸的二冷水模型。该模型既可根据模式识别的分类图预报优化的二冷工艺参数,亦可根据钢种、中间包钢水温度、拉速及希望的二冷区不同部位的铸坯表面温度由PLS改善了的输入神经元网络,预报连铸不同回路的水量。该模型运用于生产实际后,铸坯表面裂纹大为减少,取得了较好的效果。关键词　连铸　模式识别　人工神经网络α

MODELOFSECONDARYCOOLINGFORSLAB

CONTINUOUSCASTINGONPLSB-BPN

XURongjun　CHENNianyi　LIUHonglin

(ShanghaiInstituteofMetallurgy,ChineseAcademyofScience)

ZHANGYongxin　MAZhiming(AnyangIronandSteelGroupCo1,Ltd1)

ABSTRACT　Thispaperintroducesamethodofmeasuringsurfacetemperatureofslab1Basedonsurfacetemperatureofslab,themodelofsecondarycoolingforslabcontinuouscastinghasbeendevelopedwithPLSB2BPN1Themodelcanprovideoptimalparametersbymeansoftheclassificationmapofpatternrecognition1Itcanalsopredicttheproperquantityofwaterforeverysecondarycoolingwaterloopscorrespondingtodesiredsurfacetemperatureatdifferentpointsonslabsurfacebasedonsteelgrade,temperatureofmoltensteelintundishandcastingspeedbyusingtheartificialneuralnetworkwiththeinputofPLS1Slabsurfacecrackinghasbeendecreasedsharplywithnewmodel1KEYWORDS　continuouscasting,patternrecognition,artificialneuralnetwork

1　前言

连铸机冷却制度是影响铸坯质量的关键环节[1,2]。笔者曾采用传热模型对1998年投产的安钢二炼钢4号板坯连铸机建立了二冷水自动控制数学模型。经过一年多生产运行,效果良好。笔者曾采用

模式识别和人工神经网络相结合的方法应用于工业过程优化,并已取得较好效果[3～5],可以预期它也可用于连铸过程二冷水模型的优化。2　铸坯表面温度测量

铸坯在二冷区的表面温度是一冷制度、二冷制

α联系人:徐荣军,高级工程师,安阳(455004)安阳钢铁集团有限责任公司技术中心

第2期　　　　　　　　　徐荣军等:基于模式识别和人工神经网络建立的板坯连铸二冷水模型・27・

度及凝固传热等交互作用的综合表现,是反映其凝固过程及热塑性变化历程的重要参数,从而成为生产中调节冷却水量、拉坯速度、确定液相穴深度的一个重要依据。近代板坯连铸机就是将表面温度作为铸坯状态在线检测的一个主要参数,其中二冷动态控制实质上就是铸坯表面温度分布控制。但是由于二冷区检测环境及铸坯表面条件恶劣,铸机内二冷区测温至今仍是连铸生产中存在的难题。

本文测温所采用的HWSG—2B式红外双色测温仪,具有以下优点:①测定目标可达到<018mm的能力;②通过对物体热辐射中两个红外窄波段能量的采集、分析、处理来测量物体温度,使测温值受物体表面发射率变化影响小,一般不必进行发射率修正;③利用011MPa压缩空气清扫光路,避免水

汽干扰,抗水汽干扰能力大大增强,对测温距离没有要求,因而现场适应性好,复现精度高;④仪器测温速度快,每次0103～0104s,因而能对运动中的物体进行动态测温;⑤仪器有丰富的软体功能,通过在线编程设定可采用滤波抗强干扰值测定,设定记录周期,滤波值测温方式实质上是进行有条件的多次最大平均值测量,设定互差阈值,可避免氧化铁皮及保护渣残留物干扰。除足辊区、0段及1、2段内因辊间距过小、空间狭窄和水汽太大仪表难以测量外,该方法能够较好的解决板坯连铸机二冷段的测温问题。6个测温点全部在铸坯中心线上,具体位置分布及实测铸坯表面温度与传热理论计算温度对比见表1(铸坯断面为180mm×1050mm、拉速018

中间包温度1542℃、浇铸钢种16Mn)。m󰃗min、

表1　铸坯表面测温点位置分布及实测铸坯表面温度与理论计算温度对比Table1　Positionsoftemperaturemeasurementalongslabsurfaceandslabsurface

temperaturescontrastpracticalmeasurementwiththeoreticalcalculation

项目

距弯月面距离󰃗mm

物理意义

模型计算温度󰃗℃实测温度󰃗℃

171062、3段接口11541069

28147

389603、4段接口11221036

410355

5127685、6段接口1076988

614678

第一矫直点

11341048

最后一个矫直点

10891002

二冷室出口

1036951

3　二冷配水模式识别311　原始样本采集及分类

构成的平面投影,测量在该平面上的聚类情况。由小到大改变m,直到聚类最佳,从而确定变量选取。经过这一步骤后,被选用的变量可称为类识别的特征

变量,通过样本的标准化,再合并相近样本(即变量值和目标值极为接近的样本)。

经过上述预处理,选用了11个特征变量,它们是:拉速、二冷1～10回路水量,其变量依次记为

X1,…,X11。因所生产钢种相近,中间包温度波动较

根据影响铸坯表面温度的因素,为保证样本一

致可靠,在固定一个拉速相对稳定30min后,采集一组数据为一个样本,除中间包温度外,其他数据全部由计算机自动采集。样本变量包括钢种、中间包钢水温度、拉速、二冷1～10回路水量(因断面、结晶器水量不变,不考虑这两个因素),其目标变量为实测铸坯不同部位的6个温度依次记为Y1,…,Y6。对训练样本按照目标进行分类。其分类标准遵循二冷冶金准则。即:①铸坯表面温度回升小于30℃󰃗m;②铸坯表面冷却速度小于50℃󰃗m;③最后一个矫直点处矫直温度大于900℃。符合上述标准者为第1类样本,否则为第2类样本。样本总数为126组。312　样本的预处理

设Mj、Sj为训练样本集的变量j的平均值和方差,定义一个分类贡献量:

Cj=󰃜M

j1

小,对分类贡献量不大,这两个变量删除,参与训练样本126个,其中第1类样本78个,第2类样本48个。

313　已确定变量的PLS计算

训练样本在PLS的R1和R2的二维空间分布,两类样本可以被较好地分开。在第1类样本聚集的重心附近获得若干优化点,通过逆映照,得到这些点的工艺参数,同时也给出第2类样本聚集的重心相对应的工艺参数(表2)。由这些点可以考验即将建立网络的可靠程度。314　建立网络

-Mj2󰃜(Sj1-Sj2)(1)

　　将变量按其分类贡献量大小重排,使用前m个变量作PLS变换,令训练样本向PLS第1和第2基

将测得样本集PLS的R1～R6的投影作为输入

・28・钢　铁　　　　　　　　　　　　　　　　　　　　　第36卷

神经元,建立6个拟合最好且结构简单的网络,6个输入神经元(外加一个偏置),一个单隐层,三个隐埋神经元,一个输出端,最后用该网络去预测由PLS预报的试探优化点的目标值和二个待考验的“坏点”。上述所有计算和判断决策过程可以人工不干

预,让软件包自动执行,也可以随机地由人工干预。

ANN—BP预测结果与从PLS模式空间获得的第1类样本及第2类样本相一致,说明计算结果是可信的。

4　二冷配水的神经网络模型

表2　第1类样本点重心和第2类样本点两个区重心附近工艺参数及表面温度预测

Table2　Technologicalparametersofsamplesatthecenterofclass1andtwocenter

ofclass2andsurfacetemperaturepredictedbyANN

序号

123

X

1

X

2

X

3

X

4

X

5

X

6

X

7

X

8

X

9

X

10

X

11

Y1Y2Y3Y4Y5Y6

018360186201832

8412643

365720

11818168

10215854

9313357

10415159

6510033

8013046

497926

7412044

10259291110

10069111092

9949001076

9598651051

9338441024

9127891009

411　网络知识表达

确定二冷水10个回路水量的因素有钢种、中间包钢水温度、拉速,同时还要考虑到铸坯质量(即用铸坯不同部位的表面温度来描述)。目前面对如此复杂的系统,很难总结出用来表达这种知识的逻辑推理方式,又难以灵活地应付预料不到的随机变化。因此,笔者用人工神经网络作为知识的主要表达方式。

网络结构是8个输入元(中间包钢水温度、拉速和6个表面温度),3个节点的单隐层,二冷总水量为输出元。以收集到的样本中的第1类点进行训练网络,直到拟合精度达到±6度。然后根据要求,每次拉钢前输入该钢种期望的6个点的表面温度数据通过微机采集拉速和中间包温度数据一起进入输入层,网络即可找出相对应的二冷水总流量。412　辅助知识表达

网络仍存在其他缺陷,网络学习的样本数量不够多,

学习知识有限,当训练样本差别大的输入时,未必没有过拟合现象。如拉速过低(<016m󰃗min)和拉速过高(>110m󰃗min)等,因实际生产中从未出现,无法收集到。413　模式识别知识表达网络预报的二冷水量是否正确还可用分类模式识别定性地判别。类似地,将所得的各回路水量与拉速、中间包钢水温度一起作为特征参数,计算该样本的势,如果势小于0,属于优类样本;同时又作为PLS—BPN的输入,由此得到网络的输出,检验是

否优类样本。5　模型实际运行效果

模式识别和人工神经网络板坯连铸二冷水模型运行近半年来,与原模型相比,生产低合金钢时,比水量由原来的11037L󰃗kg下降到01666L󰃗kg(拉速019m󰃗min时),实测铸坯最后一个矫直辊处温度上升约96℃。因铸坯角部横裂纹造成的轧制20mm以上中厚板的钢板边部裂纹发生率由8514%

上面建立的网络虽然对类似训练样本的输入能给出较可信赖的输出总水量值,但生产中关心的是10个分回路的水量。

根据凝固前沿放出的潜热等于凝固壳的传导传热,而凝固壳的传导热流是由喷射到铸坯表面的水滴带走的原理[2],有:

Q∝

1HV(2)

降低到416%。未采用镀镍铁的铬锆铜结晶器前,因铸坯表面网状裂纹造成的轧制20mm以上低合金(或铌微合金化低合金)中厚板的钢板龟裂发生率由3316%降低到514%,采用镀镍铁的铬锆铜结晶器

　　基于式(2),根据冷却区的面积和铸坯各段内外弧水量之比(足辊区、0段上区、0段下区均为1∶1;1、2段为1∶111;3、4段为1∶113;5、6段为1∶115),及各个区域的面积,可以确定10个回路的水

后,该裂纹完全避免。经酸洗整块铸坯和低倍检验也未见铸坯内部裂纹。每年可为工厂减少切边和整块

钢板报废废品达万吨之多。6　结论

(1)模式识别人工神经网络方法建立的二冷配

量之比为:

1∶014167∶11414∶11232∶111035∶112138∶017554∶01982∶015846∶01877

水模型,全部基于生产实际中表面温度的实测值,该模型和传统的传热理论模型相比更加切合生产实

(下转第55页)际。

由此比值即可确定10个二冷水回路的水量。但

第2期　　　　　　　　　　　　　　　　　高　阳:超低碳钢的高温强度・55・

体,与Χ相相比这一初析的铁素体相的变形应力以及加工硬化率都较小,外部应力容易在Α相集中,有

)可能形成热轧缺陷[5]。但是也有人提出利用(Χ+Α两相区热轧,细化晶粒提高钢材的强度和韧性[6]。

5　结论

(1)在Α和Χ单相区,本试验范围的碳浓度变

化对高温强度影响不大。低碳钢高温强度数据可应用于超低碳钢。

(2)在(Α)两相区存在着强度极小值。这一+Χ

极小值随碳浓度的减小而减小。

(3)本试验范围内,应变速率对高温强度的影响大于碳含量。

参　考　文　献

1　作井诚太,酒井拓1󰁫}󰁺ƒ󰂊󰁥󰂈领域における0116%炭素钢の变形举动1铁と钢,1997,63:28512　酒井拓,大桥真幸1炭素钢の高温变形举动に及ぼすひずみ速度と炭素含有量の影响1铁と钢,1981,67:

200013　濑沼武秀1连1998,74:14181

5　铃木洋夫,西村哲11200から600℃温度域におけゐ钢の脆化特性1高温变形と高温破坏、第3回

热间加工工程中の冶金现象を考虑した变形抵抗の开发1铁と钢,1984,70:13921

4　长崎千裕,木原淳二1炭素钢の󰁫}󰁺ƒ󰂊󰁥󰂈温度域におけゐ变形抵抗に及ぼす炭素量の影响1铁と钢,

󰁸󰁽󰂝󰁹󰁧󰂠、铁钢基础举动研究会11981,118～1331

6　田中智夫1钢の制御压延1铁钢の高温变形举动、铁钢基础共同研究会11979,55～731

(上接第28页)

　　(2)该模型应用于实际工业生产后,较好地避免了钢的表面和内部裂纹的发生。

(3)该模型不象理论模型那样需要测定大量钢的热物性参数和二冷换热系数,避免因这些参数欠准确而影响模型的精度。但模式识别与人工神经网络优化属于经验型优化(相对于机理型的传热模型而言),该模型是建立在大量生产数据之上,视生产

过程如同“黑箱”,只求获得预想结果而不求弄清过程细节,因而不适用于新的生产工艺或设备。

(4)训练样本的工艺参数有一定的范围,超过这个范围的输入参数,网络从未见过,网络没有外推能力,输入未必可靠。这一缺陷可以通过逐渐积累生产数据后,更新网络数据解决。

参　考　文　献

1　蔡开科1连铸坯裂纹1北京科技大学学报,1993,15(增刊2):3～1312　蔡开科1连续铸钢1北京:科学出版社,19901

3　徐荣军,姚忠卯,程大振1热轧硅钢牌号PLS—ANN人工智能优化1钢铁,1997,32(1):36～3914　黄世萍,刘洪霖,陈念贻1初轧加热炉节能的模式识别优化1钢铁,1993,28(11):691

5　徐荣军,欧昌俗,姚忠卯1模式识别及人工神经网络算法在16Mn钢生产中的应用1北京科技大学学报,1995,

17(增刊2):105～1091