铸坯质量判定系统的研究

叶瑞海

【摘 要】本文针对一炼钢厂连铸机铸坯质量判定的系统进行介绍，详细介绍了该厂在质量判定系统的实施过程，完善质量判定系统，对铸坯质量预测取得了满意的效果，减少了不合格坯子流入下道工序，为邯钢的稳定运行以及众多新产品的快速开发，提供了坚实的质量保障，取得了良好的经济效益。

【关键词】连铸机；质量判定；预测

0.前言

随着连铸生产线在国内大型钢铁企业的普及，我国的钢铁企业也在不断的走向成熟。树立企业形象，建立企业产品品牌的信誉度，已经成为目前钢铁企业面临的首要问题。在连铸生产中，铸坯质量判定已经成为钢铁企业的迫切需要。在铸坯生产的同时对铸坯质量实时在线预报，对确保生产的连续性、提高产品质量及降低生产成本具有重要意义。

在大量现场数据的基础上，本课题针对邯钢一炼钢厂中冶连铸设计的连铸机的实际特点，该系统是基于BP（Back Propagation）神经网络的铸坯质量判定系统，使用神经元网络模块和逻辑模块对结晶器热电偶温度模式进行识别，以现场采集的工艺参数作为输入，铸坯质量缺陷作为输出，利用BP神经网络的自学习与调整功能，对发生铸坯表面质量的可能性给出判定。

1.研究对象

该系统研究的对象包括150*150和200*200连铸机目前生产的产品主要有：

（1）低碳钢。该类产品的最终成品的厚度较薄，表面质量要求极高，所以连铸坯缺陷在冷轧加工后必然会导致最终产品报废。对于镀锌类成品还有极高的si含量要求，所以该类钢种的连铸坯属于铸坯质量判定系统的重点监控对象。

（2）普碳钢。如该类产品的最终成品的厚度较厚，表面质量要求极低，产品缺陷主要包括：成分偏差、大块夹渣和夹杂、表面缺陷三种，其中后两种通常可以用肉眼直接发现。

（3）电学硅钢。为保证该类产品的电学性能，对连铸坯的C含量有极高的要求，通常以ppm来表示，但在实际生产过程中，由于连铸过程性增碳，导致铸坯C含量超标是此类钢种的常见缺陷。

以上三种产品是目前多数方坯连铸机产品的典型代表，其产品质量要求包括

了大多数钢种的普遍要求。能准确判定出以上三类产品的质量，是对连铸方坯质量判定的最基本要求，所以，本课题将选取这三类钢种为研究的对象。

2.铸坯质量判定的提出

研究表明，影响铸坯质量的因素很多，如：拉速、结晶器内液面波动与扰动、偏流、大包烧氧及无保护浇注等等。连铸生产过程中，存在各种缺陷，如表面缺陷、内部裂纹等，导致铸坯质量不符合后段工序生产需要，必须加以辨别，将不合格产品分拣出来。铸坯缺陷不能完全避免，但可以根据缺陷产生的条件进行有效的预测，利用预测的结果判定铸坯质量是否满足要求，必要时将缺陷铸坯下线，防止损失扩大是完全可行的。因此，为了更加准确有效地预测铸坯质量，引入铸坯质量判定系统是完全有必要的。

3.铸坯质量判定的工作原理

本课题研究的铸坯质量判定系统由以下四个模块组成：

（1）数据采集模块。

（2）BP神经网络建模模块。

（3）质量判定模块，其中包括内部质量判定和表面质量判定。

（4）数据查询和存储模块，主要是查询和保存在线产生的预报结果。

其中质量判定模块是该系统要实现的核心功能，也是本系统的最终目的。铸坯判定的实质就是将连铸生产过程中采集的各种工艺参数送入网络的相应输入单元中，利用训练好的BP神经网络的前向计算得到铸坯缺陷的产生情况。

4.铸坯质量数据加工

本课题提出的铸坯质量判定系统避开复杂的连铸凝固机理的研究，依靠连铸生产过程中大量传感器采集的海量的工艺数据，借助适合复杂系统过程分析的人工神经网络技术利用数学方法实现对铸坯质量的在线预报。

4.1数据分析

在连铸生产过程中，每个与质量有关的工艺参数（如拉速，二冷区各段水量等）都会在不同的位置或区域、以不同的方式对铸坯的质量造成不同的影响（即每个过程参数都有一个影响区）。例如，拉速和中包温度会对铸流中的整个铸坯质量有影响，而二冷区各段水量只会对在各扇形段长度内的铸坯质量造成影响。该质量预报系统将每流中的铸坯（从结晶器弯月面到切割点）分成很多切片（每片长约100㎜）并一一编号。浇注开始后，系统追随物流跟踪，从切片在弯月面产生开始一直到切割点，将每个过程参数分配到各自发生作用的部位并详细记载，这样切割结束后，定尺铸坯就包含有其开始和结束的切片范围内的所有切片的工艺数据。这些工艺数据中有的是依靠现场传感器以一定采样周期自动采集的（如拉速5秒/次），有的是过程控制机的二级模型计算出来的（如铸坯表面温度），有的是现场操作工通过控制板的按钮手工输入的以及还有前面工序如精炼、化验室传递过的如化学成份等等。

4.2数据处理

从一个切片在弯月面产生开始跟踪直到达到切割点，切片依次连续经过结晶器、足辊段以及二冷区各段等，在这个过程中，不同区域的传感器不断的按采样周期对过程参数进行采集。在得到切片的与质量有关的所有过程参数后，我们不能把这些数据简单地作为输入向量直接传入神经网络，而必须从这些时间序列的数据中提取出符合神经网络输入特征矢量要求的样本数据，这就需要对原始数据进行一系列的预处理了。

（1）空值处理。空值即缺失值，比如传感器的偶发性故障、数据传输失败、数据库存贮错误等造成的数据缺失。在本系统中，我们采用的是用平均值替换缺失值。

（2）噪声值处理。对采集的工艺参数设置有效值范围，当传感器采集的数据超出该有效值范围，就视为噪声信号，就直接将其删除，不予采用。

（3）归一化处理。采集的各特征参数原始数据具有不同的量纲、大小差别很大、数据分布范围也不同，如果将其直接送入网络进行训练，可能由于数据平均值和方差不一样会产生夸大某些变量影响输出目标的作用或掩盖某些变量的贡献的不良后果。为了消除这种不良后果，训练前必须对样本集中的数据进行归一化处理。归一化有很多方法，主要有最大最小值标准化方法和平均值及标准偏差标准化方法。

本文选用最大最小值标准化方法，公式如下：

xi'=（xi-xmin）（xmax-xmin）

式中，xi为原始输入数据，xmax为该组变量数据的最大值，xmin为最小值，而xi'为归一后的原始输入数据。结果使得输入输出数据都为介于（0-1）之间的数据。

5.铸坯质量系统的使用

5.1铸坯质量判定的操作

根据图1，可以看到当前各个炉次的铸坯信息，如C、S、P等含量及结晶器

温度和液面、中包重量、中包温度和设备的使用状态，这些信息供现场的工作人员参考。

图1 铸坯生产信息

5.2铸坯质量判定的运行

该系统利用现场采集的各项工艺参数作为输入，结合BP神经网络的自学习与调整功能，运行结果如图2所示。

图2 铸坯质量判定的运行结果

6.效果

铸坯质量判定系统的建立需要大量有效的现场记录数据作为支撑，系统建立后，只要跟踪并采集设备和工艺的数据，就可以判定铸坯质量的好坏，从而达到分拣铸坯的目的。该系统利用采集的与质量有关的工艺参数对铸坯质量进行在线预报，实现了连铸“按坯管理”，提高了连铸坯质量管理的可追溯性和规范性，便于工程技术人员对铸坯进行质量分析。

【参考文献】

[1]张尚诚.铸坯质量判定与诊断系统研发及应用.中国期刊全文数据库：冶金工业出版社，1990.

[2]魏寿彭.过程系统优化技术.中国石油出版社，1995，5.