一种基于方坯连铸二冷区温度均匀预测及评价方法与流程

本发明涉及一种基于方坯连铸二冷区温度均匀预测及评价方法。
背景技术：
：连铸过程的二冷温度均匀性控制是稳定和提高铸坯质量的关键环节。连铸过程温度控制不均匀，会导致铸坯表面温度呈现周期性的回升，引起坯壳膨胀，当加到凝固前沿的张应力超过钢所能承受的强度时，则会产生中间裂纹。在连铸过程中，冷却强度过大，会增大铸坯的内外温差，产生热应力，增加铸坯内裂倾向；冷却强度不足，将造成凝固坯壳太薄，因强度低而产生鼓肚或菱变，还会导致微合金钢产生角部横裂纹，在方坯连铸温度均匀性控制当中，除了温度均匀性控制方法，高效的评价方法，同样对于方坯连铸温度均匀性起到至关重要的作用，精准的预测如果没有有效的评价方法来进行评价，其精准性也很难得到有效的认知，有了高效的评价方法，就能够客观判定方坯连铸温度控制方法的有效性和实用性。对于铸坯质量提升和过程顺行具有重要意义。技术实现要素：为克服现有技术的不足，本发明的目的是提供一种基于方坯连铸二冷区温度均匀预测及评价方法，利用稳定度标准来进行方坯连铸二冷区温度均匀性控制，融合了稳定性和bp神经网络构造了稳定神经网络即stbp神经网络，赋予了各影响因素不同的稳定度，同时进行了方坯连铸二冷分区，对各个分区进行横向和纵向的温度预测评价分析，提高方坯连铸二冷区温度控制均匀性。为实现上述目的，本发明通过以下技术方案实现：一种基于方坯连铸二冷区温度均匀预测及评价方法，包括以下步骤：1)数据预处理进行生产现场数据采集，数据包括铸坯尺寸h、结晶器液位l、二冷区分段信息d、浇铸温度t浇、拉坯速度v、冷却水量q、分区出口中心点目标温度t目；收集到的原始数据采用均值化空缺值填充方法；2)稳定度因子：构造输入矩阵[h，l，d，t浇，v，q，t目]，输出矩阵[t]，t为分区出口中心点温度；为了发现h的稳定度，假定[l，d，t浇，v，q，t目]各增加1个单位，h不变，增加前分区出口温度为t前，增加后分区出口温度为t后，则定义：z＝1-y，z为h的稳定度因子；根据第一步骤预处理完的数据和稳定度因子的概念，进行稳定度因子的数据发现，按照稳定度的大小，排序bp神经网络的输入层，同时把相应的稳定度赋予输入层与隐含层的权值以及隐含层与输出层的权值，构建stbp神经网络；3)构建并训练stbp神经网络根据稳定度因子构建stbp神经网络，三层神经网络可逼近任何非线性函数，神经网络输入包括铸坯尺寸h、结晶器液位l、二冷区分段信息d、浇铸温度t浇、拉坯速度v、冷却水量q、分区出口中心点目标温度t目，输出为分区出口中心点温度t，根据构建的stbp神经网络模型，采用一定数量样本数据进行神经网络训练；4)stbp神经网络二冷分区温度预报根据步骤3)训练好的神经网络模型，采用实际测试数据进行不同分区出口中心点计算温度的预报；5)温度均匀性评价对连铸二冷分区进行横向和纵向对比分析，横向采集是指同时刻对多个分区出口中心点采集温度，纵向采集是指同分区不同时刻出口中心点采集温度。与现有技术相比，本发明的有益效果是：本发明利用stbp神经网络预测方坯连铸二冷区温度，同时进行了方坯连铸二冷分区，利用稳定性神经网络对各个分区进行横向和纵向的温度预测，结果显示应用稳定性神经网络进行方坯连铸二冷区温度预测，提高了方坯连铸二冷区温度控制精度。附图说明图1是stbp神经网络方坯连铸二冷分区温度预设定模型图。图2是含铝冷镦钢二冷各区温度控制图。图3是含铝冷镦钢二冷1区温度控制图。图4是含铝冷镦钢二冷6区温度控制图。具体实施方式下面结合说明书附图对本发明进行详细地描述，但是应该指出本发明的实施不限于以下的实施方式。在众多的影响因素中，选取铸坯尺寸h、结晶器液位l、二冷区分段信息d、浇铸温度t浇、拉坯速度v、冷却水量q、分区出口中心点目标温度t目作为神经网络输入量，分区出口中心点计算温度为输出量。stbp神经网络的训练样本数据来源于现场生产实际数据，表1为输入样本数据的一部分(16组)，共200组样本数据进行训练，按照y的计算方法，确定各因素稳定度因子如表2，把稳定度因子赋予神经网络的相应权值。对于连铸产线二冷区进行6区划分，具体的划分明细如表3，铸坯二冷各区表面温度指的是各区出口铸坯中心点表面温度。表1输入数据表2各因素稳定因子输入因素h(mm)l(mm)dt浇(℃)v(m/min)q(m3/h)t目(℃)稳定因子0.10.20.50.40.30.500.35表3连铸机二冷区各冷却段长度二次冷却1区2区3区4区5区6区冷却区长度(m)1.241.931.373.928.8410.24对连铸二冷分区进行横向和纵向对比分析，横向采集是指同时刻对6个分区出口中心点采集温度，纵向采集是指同分区不同时刻出口中心点采集温度，采样时间间隔10秒。对整个分区进行横向时间点采样分析，同时利用测温设备对1区和6区出口中心点进行纵向采样分析，采样8次，间隔10秒。采用三层stbp神经网络进行相应温度预测，结构为8×10×1，在训练过程中，学习率设为0.05，最小梯度要求1×e-20，动量因子设为0.9，训练次数设为2000次，结束目标1×e-3。利用6个二冷各区出口处的表面温度进行验证，验证结果见图2，横向采集计算温度与实测温度差绝对均值为7.63℃，且这两个温度都在含钼冷镦钢二冷各区目标温度上下。具体的各区表面目标温度、实测温度与计算温度如表4、表5。表4含铝冷镦钢在二冷区各段的表面目标温度区号1区2区3区4区5区6区含铝冷镦钢目标温度℃10401010990975935900表5含铝冷镦钢二冷区各段的实测温度与计算温度纵向采集1区实测温度及计算温度见表6，验证结果见图3，计算温度与实测温度差绝对均值为7.45，且值在目标温度1040℃上下。表6含铝冷镦钢二冷1区实测温度与计算温度纵向采集6区实测温度与计算温度见表7，验证结果见图4。表7含铝冷镦钢二冷6区实测温度与计算温度计算温度与实测温度差绝对均值为6.27，其值在目标温度900℃左右，三个验证结果误差均值均在10℃以内，即很好的将温度控制精度提高到(-10℃，10℃)以内，满足实际生产中对铸坯表面温度的均匀性控制，减少了铸坯表面温控制不均匀带来的横纵裂纹缺陷，大大提高铸坯质量。当前第1页12