[發明專利]一種鑄坯質量預報方法

在審

• 申請號: 202010149259.8
• 申請日: 2020-03-06
• 公開（公告）號: CN111476348A
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 常運合
• 申請（專利權）人: 南京鋼鐵股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;B22D11/16
• 代理公司: 南京利豐知識產權代理事務所(特殊普通合伙) 32256
• 代理人: 談倩;任立

本發明公開了一種鑄坯質量預報方法，涉及冶金技術領域，采用基于BP算法的多層前饋神經網絡模型，通過收集現場生產數據，將工藝參數作為輸入，鑄坯質量缺陷作為輸出，應用數學方法研究輸入與輸出信息的關系，開發出基于人工神經網絡的大方坯質量在線預報模型。實現了對特殊鋼大方坯鑄坯質量進行在線及時預報，并根據預報結果對鑄坯的下一步走向做出判斷，保證熱送熱裝坯的質量，從而滿足節能降耗、提高鋼材成材率以及降低生產成本的目的。

技術領域

本發明涉及冶金技術領域，特別是涉及一種鑄坯質量預報方法。

背景技術

BP神經網絡的全稱是基于誤差反向傳播的多層前饋神經網絡(error backpropagation learning algorithm)，這是一種多層非線性映射網絡，屬于靜態網。BP網絡可以實現輸入到輸出的任意非線性映射，在工程應用中最成熟、性能最穩定、最廣泛的神經網絡類型即為BP型神經網絡。BP神經網絡是多層前饋神經網絡，BP網絡包括一個輸入層、一個輸出層、一個或多個隱含層，各層神經元之間形成全互聯連接，各層內的神經元之間沒有連接，其結構如圖1所示。由于網絡各層之間的連接權的調整采用誤差反向傳播(BackPropagation)的學習算法，所以將其簡稱為BP神經網絡。BP網絡模型已成為神經網絡的重要模型之一，在很多領域得到了應用，但它也存在一些不足。如從數學上看，它是一個非線性優化問題，這就不可避免地存在局部極小點問題；BP網絡的學習算法收斂速度較慢，且收斂速度與網絡的初始權值有關；網絡的結構設計，即隱含層及其節點數的選擇尚無理論指導，而是根據經驗選取。

隨著國家大力提倡發展循環經濟，冶金企業對節能降耗的要求也越來越高。在以具有能耗低、投資省、成材率高、生產周期短等明顯特征的近終形連鑄連軋、熱送熱裝和直接軋制為代表的工藝緊湊化技術快速發展的今天，傳統的冷態取樣檢查鑄坯質量的判定方法已遠遠不能適應這一要求。因此，如何根據鑄坯缺陷形成機理，利用現代數學與人工智能技術建立鑄坯質量在線預報系統受到廣泛關注。

連鑄是一個邊充填、邊凝固并涉及凝固體高溫塑性變形的復雜的動態凝固工藝，鑄坯缺陷產生的機理非常復雜，影響鑄坯質量的因素繁多，應用基于凝固機理的數學模型建立的鑄坯質量預報模型很難達到令人滿意的預報精度，所以在實際應用中具有相當大的局限性。而神經網絡的出現給缺陷診斷提供了可能，借助于神經網絡良好的自適應性、非線性逼近能力、記憶能力以及泛化能力，就可以很好地解決連鑄坯質量預報這種多因素、不確定和不精確的復雜的非線性問題。

發明內容

本發明針對上述技術問題，克服現有技術的缺點，提供一種鑄坯質量預報方法，選擇三層BP網絡結構來建立板坯鑄坯內部質量預報模型，從而獲得鑄坯缺陷等級與工藝參數之間的復雜非線性函數關系。

為了解決以上技術問題，本發明提供一種鑄坯質量預報方法，其特征在于：針對特殊鋼大方坯連鑄生產過程中出現的中心裂紋、中間裂紋和中心偏析三種內部缺陷來建立基于BP神經網絡的鑄坯質量預報模型，該模型包括輸入層、隱含層和輸出層，具體：

①輸入層和輸出層節點數的確定