一种基于组织预测的横裂纹判定方法及系统与流程

本发明涉及炼钢中连铸工序，更具体地说，涉及一种基于组织预测的横裂纹判定方法及系统。

背景技术：

1、连铸坯热装热送以及连轧技术可以大幅度降低设备投入及生产成本，提高产品竞争力，要求热装热送的是无缺陷铸坯。横裂纹多为皮下裂纹，难以通过红外等相机进行识别，因此对连铸坯表面横裂纹缺陷进行实时有效的在线预测是连铸坯生产中的一个备受关注的课题。

2、近些年来，随着信息技术的快速发展，尤其是大数据和ai技术等的发展在互联网和医疗等行业的应用成功，带来了显著的经济效益，开始了在工业上的应用。机器学习/深度学习方法开始应用在铸坯的纵向裂纹的在线检测上。公开号cn111618265a名称为“一种基于k近邻分类的连铸坯纵裂纹在线检测方法”，公开号cn 111666710a名称为“一种采用逻辑回归分类预测连铸坯纵裂纹的方法”以及公开号cn 111680448 a名称为“一种基于支持向量机svm分类的连铸述纵裂纹预测方法”，公开了采用不同机器学习分类算法(k近邻、逻辑回归以及支持向量机svm)预测连铸坯纵裂纹的方法，该方法对纵裂纹和正常工况下同列热电偶温度的温度变化率进行拼接得到温度样本以及样本库；利用分类算法对样本库和在线实时检测的同列热电偶温度预处理结果进行分类，识别和预报连铸坯纵裂纹。

3、以上应用到机器学习算法的公开专利仅限于板坯纵向裂纹预测，尚无涉及应用到专门进行板坯横裂纹在线预测。

4、基于此，本专利申请人提交了一件申请号202210015470.x，专利名称“一种连铸板坯横裂纹在线预测方法”的专利，该专利异常检测以及钢种横裂纹倾向指数综合判断是否会发生横裂纹。在该专利中，根据历史上该钢种是否发生过横裂纹以及该钢种是否有析出相生成设定将该钢种的横裂纹倾向指数设定为0(不发生)或1(可能发生)。如果横裂纹倾向指数为0，进一步地，根据机器学习计算实时生产数据的异常概率p，当p在0.4-0.6之间时发生横裂纹。该方法的优点是考虑了常规的横裂纹发生的必要条件，即晶界有氮化析出物如a1n、nb(cn)、vn、bn的发生。然而，该方法存在的不足在于：

5、(1)晶界有氮化物析出是横裂纹产生的必要条件，但是不是充分条件，还需要考虑晶粒尺寸、碳当量等的影响；如当晶粒尺寸足够小时，钢的韧性好，产生析出物不会导致横裂纹的产生；

6、(2)以上申请专利202210015470.x基于出钢记号，没有基于在炼钢过程中的实绩成分，在实绩成分中，少量的n含量的变化会很大地影响析出组织。

7、以上两点会提升横裂纹预测的准确性，但是会将正常板坯误判为缺陷板坯，导致误判率升高，不利于提升板坯的热装热送率。

技术实现思路

1、针对现有技术中存在的上述缺陷，本发明的目的是提供一种基于组织预测的横裂纹判定方法及系统，充分考量了横裂纹发生的组织特征与生产中的实绩，能够降低误判率，有利于提升热装热送率。

2、为实现上述目的，本发明采用如下技术方案：

3、一方面，一种基于组织预测的横裂纹判定方法，包括以下步骤：

4、s1、l2系统(生产模型与控制的l2级系统)实时收集的板坯识别信息，当发现有板坯切断时，从l2系统收集该板坯的生产实绩信息；

5、s2、根据生产实绩信息计算获取冷却曲线，即板坯从液态到固态过程中的温度-时间曲线；

6、s3、根据生产实绩信息、冷却曲线，通过板坯组织预测模型模块进行板坯凝固组织信息的预测；

7、s4、基于生产实绩信息、板坯凝固组织信息，通过横裂纹判定模型模块进行板坯横裂纹的预测，对于预测为横裂纹的板坯进行下线处理。

8、较佳的，所述步骤s1中，所述生产实绩信息包括中包检测成分、结晶器上各热电偶的温度、结晶器一冷与结晶器二冷的冷却模式；和/或

9、所述生产实绩信息还包括生产稳定性信息；和/或

10、所述生产稳定性信息包括板坯位置、板坯宽度。

11、较佳的，所述步骤s2中，所述冷却曲线为施用连铸机常规冷却曲线。

12、较佳的，所述步骤s3中，所述板坯组织预测模型模块包括成分-冷却曲线-组织数据库与组织预测计算模型；

13、所述成分-冷却曲线-组织数据库包括连铸机出钢记号按照名义成分与常用冷却模式的组织；

14、所述组织预测计算模型采用相似性原则进行建模。

15、较佳的，所述板坯组织预测计算模型的建模进一步包括：

16、首先，根据步骤s2获取的生产实绩信息中冷却模式，在所述成分-冷却曲线-组织数据库中找到同样冷却模式的数据；其次，在同样冷却模式的数据中，根据成分相似度计算找到与板坯钢种成分最相似的前3～20条案例，目标板坯的组织构成为最相似案例的组织的集合，各组织占比为前3～20条案例的平均值。

17、较佳的，所述板坯钢种成分的相似度计算按照碳当量原则，即最相似案例为碳当量值距离最小。

18、距离为c当量(案例1)-c当量(案例2)绝对值最小，即为最相近。

19、较佳的，所述板坯钢种成分的相似度计算按照碳当量与氮含量原则，最相似案例在碳当量相近的前3～10条案例中，寻找氮含量最相近(氮含量距离最小)的案例。

20、较佳的，所述步骤s3中，所述板坯凝固组织信息包括晶粒尺寸、析出相、析出相数量。

21、较佳的，所述步骤s4中，所述横裂纹判定模型模块根据历史数据的机器学习获取；

22、在进行机器学习时，数据的变量为碳当量、晶粒尺寸、析出物、析出物量、板坯位置、板坯调宽标识，数据的目标为横裂纹发生情况。

23、另一方面，一种基于组织预测的横裂纹判定系统，包括：

24、数据采集模块，用以收集l2系统中板坯的生产实绩信息以及生产稳定性信息；

25、冷却曲线计算模块，根据生产实绩信息用以计算获取冷却曲线，以及板坯从液态到固态过程中的温度-时间曲线；

26、板坯组织预测模型模块，根据生产实绩信息、冷却曲线，用以对板坯凝固组织信息的预测；

27、横裂纹判定模型模块，基于生产实绩信息、板坯凝固组织信息，用以对板坯横裂纹的预测；

28、所述基于组织预测的横裂纹判定系统用以实现所述的基于组织预测的横裂纹判定方法。

29、本发明所提供的一种基于组织预测的横裂纹判定方法及系统，主要从横裂纹产生的凝固机理角度出发，解析横裂纹发生的必要条件，在预测与识别横裂纹时考量了凝固后的晶粒尺寸与析出物，减少将正常板坯判定为横裂纹的机率。同时，结合历史实绩数据特征值进行横裂纹识别，进一步降低误判率，提升横裂纹预报的命中率。

技术特征：

1.一种基于组织预测的横裂纹判定方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于组织预测的横裂纹判定方法，其特征在于：所述步骤s1中，所述生产实绩信息包括中包检测成分、结晶器上各热电偶的温度、结晶器一冷与结晶器二冷的冷却模式；和/或

3.根据权利要求1所述的基于组织预测的横裂纹判定方法，其特征在于：所述步骤s2中，所述冷却曲线为施用连铸机常规冷却曲线。

4.根据权利要求2所述的基于组织预测的横裂纹判定方法，其特征在于：所述步骤s3中，所述板坯组织预测模型模块包括成分-冷却曲线-组织数据库与组织预测计算模型；

5.根据权利要求4所述的基于组织预测的横裂纹判定方法，其特征在于，所述板坯组织预测计算模型的建模进一步包括：

6.根据权利要求5所述的基于组织预测的横裂纹判定方法，其特征在于：所述板坯钢种成分的相似度计算按照碳当量原则，即最相似案例为碳当量值距离最小。

7.根据权利要求5所述的基于组织预测的横裂纹判定方法，其特征在于：所述板坯钢种成分的相似度计算按照碳当量与氮含量原则，最相似案例在碳当量相近的前3～10条案例中，寻找氮含量最相近的案例。

8.根据权利要求1所述的基于组织预测的横裂纹判定方法，其特征在于：所述步骤s3中，所述板坯凝固组织信息包括晶粒尺寸、析出相、析出相数量。

9.根据权利要求1所述的基于组织预测的横裂纹判定方法，其特征在于：所述步骤s4中，所述横裂纹判定模型模块根据历史数据的机器学习获取；

10.一种基于组织预测的横裂纹判定系统，其特征在于，包括：

技术总结
本发明公开了一种基于组织预测的横裂纹判定方法及系统，包括以下步骤：S1、实时收集L2系统的板坯识别信息，当发现有板坯切断时，从L2系统收集该板坯的生产实绩信息；S2、根据生产实绩信息计算获取冷却曲线，即板坯从液态到固态过程中的温度‑时间曲线；S3、根据生产实绩信息、冷却曲线，通过板坯组织预测模型模块进行板坯凝固组织信息的预测；S4、基于生产实绩信息、板坯凝固组织信息，通过横裂纹判定模型模块进行板坯横裂纹的预测，对于预测为横裂纹的板坯进行下线处理。本发明充分考量了横裂纹发生的组织特征与生产中的实绩，能够降低误判率，有利于提升热装热送率。

技术研发人员：谢玉,徐国栋,王迎春,于艳,李济永
受保护的技术使用者：宝山钢铁股份有限公司
技术研发日：
技术公布日：2024/1/15