论文部分内容阅读
表面纵裂纹是包晶钢连铸板坯常见的表面缺陷之一。轻微的纵裂纹经板坯精整后对下步工序不会产生影响,严重的纵裂则会使整块板坯报废,降低金属收得率,给生产带来严重危害。因此,在连铸生产中,对铸坯质量及时作出在线预报,对于确保连铸生产的连续性、提高产品质量及降低生产成本具有重要实际意义。连铸生产作为控制钢材质量的重要环节,由于其涉及的工艺操作参数多,人工控制已越来越难以满足要求。人工神经网络具有较强的非线性问题处理能力且容错性能强,可实现实时应用以及在线响应,受到人们普遍关注。本论文针对连铸板坯表面质量影响因素多且难以实时准确检测等问题,开发了基于人工神经网络技术的板坯表面纵裂预测模型,并对模型预测结果进行了检验和分析。同时,为满足南钢中厚板卷厂宽板坯连铸包晶钢生产数据记录的需要,建立了SQL SERVER连铸板坯表面质量数据库。所得主要结论如下:(1)影响铸坯表面纵裂的主要因素包括:钢水成分([C]、[Mn]、[P]、[S]、[Si])、钢水过热度、铸坯拉速、结晶器宽面水量、二冷比水量、结晶器宽面尺寸、水口插入深度及结晶器振动方式等。(2)建立了网络参数为隐含层节点数12、学习率0.4、惯性系数0.9的宽板坯表面纵裂的神经网络预测模型。对随机抽取的10组测试数据进行预报,误差在10%以内,命中率约为90%。(3)所建立的包晶钢宽板坯表面纵裂的数据库系统可实现现场数据的及时收取、存储、更新和检索,并为后续铸坯表面质量预测做准备。(4)训练集样本数据的选择对模型的精度具有决定性的影响。增加采集的数据种类,可使模型精度得到提高;保证采集数据的连续性以及分布的均匀性,对所得模型的精度也有适当改善。(5)在样本集不断更新的基础上定期进行神经网络的重新离线训练,可以保证模型的时效性以及对现场实际生产的适应性。