宽板坯表面纵裂的神经元网络预测模型

论文摘要

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。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 前言
• 1.2 本课题的研究背景及意义
• 1.3 本课题研究的主要内容
• 第二章 文献综述
• 2.1 连铸坯质量控制的现状和发展
• 2.1.1 国内外连铸坯质量预报的发展现状
• 2.2 神经网络理论在冶金工业的应用
• 2.2.1 人工神经网络概述
• 2.2.2 人工神经网络的发展
• 2.2.3 人工神经网络的特点
• 2.2.4 人工神经网络理论在连铸坯质量预报方面的应用
• 第三章 连铸坯表面缺陷及其形成机理研究
• 3.1 概述
• 3.2 连铸坯表面缺陷分类
• 3.3 连铸坯表面缺陷形成机理
• 3.3.1 钢的高温延展性
• 3.3.2 亚包晶钢的裂纹敏感性
• 3.3.3 连铸过程中的裂纹敏感性
• 3.4 板坯表面纵裂影响因素
• 3.4.1 钢水成分对板坯纵裂的影响
• 3.4.2 钢水过热度
• 3.4.3 铸坯拉速
• 3.4.4 结晶器冷却条件
• 3.4.5 二冷区水量
• 3.4.6 结晶器保护渣
• 3.4.7 结晶器液面波动
• 3.4.8 浸入式水口参数
• 第四章 人工神经元网络模型的建立
• 4.1 神经元模型
• 4.1.1 神经元结构
• 4.1.2 神经元激活函数
• 4.2 人工神经网络模型的学习过程
• 4.3 神经网络模型的选择
• 4.3.1 BP网络算法
• 4.3.2 BP网络的全局误差函数
• 4.3.3 学习速率
• 4.3.4 隐层节点数的设计
• 4.3.5 BP网络算法程序流程图
• 4.3.6 算法改进措施
• 4.4 神经网络程序设计
• 4.4.1 网络训练样本
• 4.4.2 变量选择
• 4.4.3 变量筛选
• 4.5 数据预处理
• 4.5.1 数据筛选
• 4.5.2 输入输出数据标准化
• 4.6 网络层数设计
• 4.7 模型训练
• 4.7.1 隐含层节点数的确定
• 4.7.2 其他参数的确定
• 4.8 BP网络模型预测结果
• 4.9 误差分析
• 4.10 本章小结
• 第五章 宽板坯表面纵裂神经元网络预测模型
• 5.1 数据库的作用和功能
• 5.2 数据库的建立
• 5.3 数据库的管理与维护
• 5.3.1 数据库的备份
• 5.3.2 数据库的恢复
• 5.4 预报模块的建立
• 5.4.1 ADO数据库访问模块
• 5.4.2 SOCKET连接模块
• 5.4.3 数据操作模块
• 5.4.4 数据预测模块
• 5.4.5 客户端发送数据模块
• 5.5 本章小结
• 第六章 总结论
• 参考文献
• 致谢