论文部分内容阅读
连铸方坯内部质量对后序轧制过程及产品性能有决定性影响。方坯内部质量缺陷主要有裂纹、偏析、疏松及缩孔等,不同含碳量的方坯内部常见的质量缺陷会有所不同。针对上面问题,本课题以某钢厂的65#高碳方坯和Q235低中碳方坯为研究对象,针对不同含碳量方坯的典型内部质量缺陷,以预报并诊断分析其原因为目标,分别建立基于改进BP神经网络算法的预报模型和基于动态核主元分析法的质量诊断分析模型,最终结合两组模型建立质量监控系统并进行验证。主要研究内容如下:(1)建立基于改进BP神经网络算法的方坯质量预报模型。基于钢厂实际生产数据分析不同含碳量方坯对应的典型内部质量缺陷,对相应的缺陷成因进行分析,在成因分析和生产经验的基础上得到将用于建模的生产参数种类,其中偏析部分确定为21个生产参数,裂纹部分确定为12个生产参数。针对传统BP神经网络模型进行方坯质量预报时模型不稳定以及准确度不够的问题,基于理论分析和实践运行效果,对其输入函数进行改进,并利用遗传算法优化网络的初始权值和阈值,保证所建模型的稳定性和准确度。(2)建立基于动态核主元分析法的方坯质量诊断分析模型。针对核主元分析法对数据容错性差、受核参数影响显著、核函数计算量大以及考虑不到前后数据关联性的问题,采用以下方法解决:利用数据异常点处理、小波消噪、归一化处理以及建模数据选择对建模数据进预处理,保证其准确度;选用矩阵相似度量理论和遗传算法确定最优核参数,保证核函数在映射空间中的分类效果;运用特征矢量选择法,减少核函数的计算量;利用平行分析法计算时滞长度,构建动态增广矩阵以考虑到样本前后数据之间关联性。由此,用动态核主元分析法构建方坯典型内部质量缺陷分析模型,针对有缺陷的方坯样本,计算每个参数的CT2,new,及CSPE,ew,j统计量,绘制由它们表示的贡献图以显示出可能不合理的参数。(3)基于预报和诊断模型设计实现连铸方坯内部质量监控系统并进行准确性验证。针对利用两组模型分别进行监控时的操作复杂性和输出结果不直观等问题,建立内部质量监控系统,有效地将两组模型结合在一起,并实现它们的可视化。利用两组不同的低倍样本数据对两部分预报模型进行验证,中心偏析部分的预报准确度达到90%,内部裂纹部分达到87%,达到了预期目标。