一种基于神经网络方法进行连铸坯定重的工艺设施和方法与流程

本发明涉及炼钢连铸技术领域，具体为一种基于神经网络方法进行连铸坯定重的工艺设施和方法。

背景技术

目前，国家标准和行业规范要求，连铸坯均以钢坯的定尺长度为依据进行钢坯分段切割，重量不作为交货依据，仅是参考指标。由于钢坯在运动成型过程中，受拉速、钢水温度及结晶器磨损的影响，单位重量时时变化，同批号连铸坯基本相差40kg以上，甚至超过100kg，钢坯经轧钢轧制后，钢材的长度变化大，尾部不能达到定尺要求的切掉或计入不定尺材，造成很大浪费和经济效益的损失。

目前，主要通过两种方式控制连铸坯重量，一是用定尺控制，即对铸坯的长度进行测量，当铸坯长度达到定尺时，利用切割机切割，以铸坯长度来估算铸坯重量。需要值得注意的是，连铸的工艺参数特别是拉速对钢坯密度影响很大，在长度一定的条件下，等长度的连铸坯重量偏差波动也在10kg以上。由于工艺参数对密度的影响不能建立起准确的函数关系，目前钢坯以定尺长度进行分段切割系统存在重量误差较大的缺陷。

另外一种是定重控制，主要采用称重传感器来称量已切割的连铸坯重量，然后将该重量与设定值进行比较后反馈给定尺系统，并在下一根连铸坯切割中调整切割长度。其缺点是，调整目标不是针对同一支连铸坯，工况条件的变化引起系统不稳定和称重误差大。

技术实现要素：

本发明的目的在于提供一种基于神经网络方法进行连铸坯定重的工艺设施和方法，提高传统采用定尺方式取得定重的精度，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于神经网络方法进行连铸坯定重的工艺设施和方法，包括连铸坯长度、宽度和厚度实时测量装置5、连铸坯温度测量装置6、连铸坯拉速测量装置3、中间包液面高度和钢水温度记录装置1、结晶器尺寸和过钢量记录装置2、连铸坯密度认知模块9、连铸坯切割装置4和连铸坯测重装置8；

所述连铸坯长度、宽度和厚度实时测量装置5间隔一定时间记录每流连铸坯7的长度、宽度和厚度，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；

所述连铸坯温度测量装置6间隔一定时间记录每流连铸坯7温度，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；

所述连铸坯拉速测量装置3间隔一定时间记录每流连铸坯7拉速值，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；

所述中间包液面高度和钢水温度记录装置1间隔一定时间记录中间包液面高度和钢水温度，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；

所述结晶器尺寸和过钢量记录装置2间隔一定时间记录当前使用中的结晶器过钢量和尺寸信息，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；

所述连铸坯切割装置4根据连铸坯密度认知模块9的定尺指令，定位至切割位置进行连铸坯7切割，切割完成连铸坯7自动标号，并将连铸坯7标号和定尺信息反馈给连铸坯密度认知模块9；

所述连铸坯测重装置8自动识别连铸坯7和称重，并将连铸坯7标号和连铸坯7重量信息反馈给连铸坯密度认知模块9。

优选的，所述连铸坯密度认知模块9能够动态实时采集反馈来的每流连铸坯7长度、宽度、厚度、温度、拉速以及中间包液面高度和钢水温度、结晶器尺寸和过钢量信息，根据已往存储的大数据信息实时计算出每个采集时间间隔内每流连铸坯7重量变化，形成连铸坯7横截面在微小长度方向的数据按时间轴排序的向量模型，并在连铸坯7传送速度方向上的实时积分，当积分至所需钢坯重量时，标记长度并发出切割信号给连铸坯切割装置4，并按时间轴排序记录连铸坯7标号和定尺信息。

优选的，所述连铸坯密度认知模块9能够动态实时采集反馈来切割完成的钢坯标号和重量信息，利用神经网络方法建立起微小长度方向的连铸坯数据向量库与钢坯重量认知模型，并将数据存入数据库，指导下一步的定尺切割。

与现有技术相比，本发明的有益效果是：

1、本发明提供的一种基于神经网络方法进行连铸坯定重的工艺设施和方法，对连铸机切割系统进行了技术工艺优化，采用神经网络方法分析采集的连铸机和连铸坯的大数据，更准确认知各项连铸机、钢水和连铸坯的参数对于连铸坯密度的影响因素，可有效提高定重钢坯重量的准确性，提高成材率和有效降低生产成本。

2、本发明提供的一种基于神经网络方法进行连铸坯定重的工艺设施和方法，充分认知连铸机工艺参数和连铸坯自身测量参数对密度的关系，提高采用定尺方式取得定重的精度，在目前仪器仪表的控制精度情况下，有效可控制的定重精度为正负3kg。

3、本发明提供的一种基于神经网络方法进行连铸坯定重的工艺设施和方法，采用神经网络方法，分析连铸机工艺参数和连铸坯自身参数对于密度的影响关系，推广在连铸坯生产中采用人工智能方式来实现重量的闭环控制。

附图说明

图1为本发明的整体结构示意图。

图中：1中间包液面高度和钢水温度记录装置；2结晶器尺寸和过钢量记录装置；3连铸坯拉速测量装置；4连铸坯切割装置；5连铸坯长度、宽度和厚度实时测量装置；6连铸坯温度测量装置；7连铸坯；8连铸坯测重装置；9连铸坯密度认知模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中：提供一种基于神经网络方法进行连铸坯定重的工艺设施和方法，包括连铸坯长度、宽度和厚度实时测量装置5、连铸坯温度测量装置6、连铸坯拉速测量装置3、中间包液面高度和钢水温度记录装置1、结晶器尺寸和过钢量记录装置2、连铸坯密度认知模块9、连铸坯切割装置4和连铸坯测重装置8；

其中，浇铸的连铸坯7头部进入定尺区域，中间包液面高度和钢水温度记录装置1间隔一定时间记录中间包液面高度和钢水温度，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；同时，结晶器尺寸和过钢量记录装置2间隔一定时间记录当前使用中的结晶器过钢量和尺寸等信息，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；连铸坯拉速测量装置3间隔一定时间记录每流连铸坯7拉速值，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；同时，连铸坯长度、宽度和厚度实时测量装置5间隔一定时间记录每流连铸坯7长度、宽度和厚度，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9；同时，连铸坯温度测量装置6一定时间记录每流连铸坯温度，并将信息向量化按时间轴排序反馈给连铸坯密度认知模块9，连铸坯密度认知模块9采集和记录每个时间间隔内的每流连铸坯7的长度、宽度、厚度、温度、拉速以及中间包液面高度和钢水温度、结晶器尺寸和过钢量等信息，形成每个时间间隔内连铸坯7横截面在微小长度方向连铸坯7相关向量信息，并根据已往存储的大数据信息实时计算出每个采集时间间隔内每流连铸坯7微小单元内的重量；

其中，连铸坯切割装置4能够根据连铸坯密度认知模块9的定尺指令，定位至切割位置进行连铸坯7切割，切割完成连铸坯7后自动标号，并将连铸坯7的标号和定尺信息反馈给连铸坯密度认知模块9，伴随连铸坯7行进过程中，将进入切割单元的在连铸坯7重量传送速度方向上的实时积分，当积分至所需钢坯重量时，标记长度并发出切割信号给连铸坯切割装置4，然后将切割完成的连铸坯7标号和每个连铸坯7微小单元向量数据固化送入内部数据库；连铸坯测重装置8自动识别连铸坯7和称重，并将切割完成的连铸坯7标号和重量信息和每个连铸坯7微小单元向量数据固化送入内部数据库；连铸坯密度认知模块9动态实时采集按时间轴排序记录的每个连铸坯7微小单元向量数据，基于神经网络方法，按以下步骤训练认知连铸机工艺参数和连铸坯7参数对于连铸坯7密度的影响因素；训练神经网络结构的输入层、隐含层、输出层中所有权值和阈值，比较训练预测结果与真实结果，得到预测精度高的最优化网络。

以钢坯长度为10-12m，钢坯断面为150×150mm²，钢坯拉速在2m/min-6m/min之间变化，具体实现过程为：

第一步：设定目标函数minρ＝f(w1,w2,…,wn,b1,b2,…,bm)；式中ρ为样本训练预测结果与真实结果的总均方差，w1,w2,…,wn,b1,b2,…,bm为统一编号后的bp神经网络输入层、隐含层、输出层的连接权重和阈值矩阵；

第二步：由于神经网络训练中权重与阈值矩阵为二维向量，采用多种群遗传算法进行优化时，要转化为一维连续向量，进行重新统一编号；

第三步：样本训练：对样本输入输出数据归一化后，以总均方误差值、收敛步数为目标函数，采用数值试验方法确定最佳抽样份数、隐层节点数、学习规则、学习率等神经网络模型结构参数，输出得到最优预报模型；

第四步：模型的使用：每次切割完成一次连铸坯7，将来料铸坯特征情况信息，经处理后，作为输入参数，给予构造出的智能算法模型，得到结果，再以计算得到的性能结果为依据，在不能满足要求下，搜索数据库内，得出既满足性能要求又与制定的拟定工艺偏差最小的连铸坯7工艺参数和连铸机参数，最后根据实际结果数据，更新一次数据库和模型结构参数。

综上所述：本发明提供的一种基于神经网络方法进行连铸坯定重的工艺设施和方法，包括连铸坯长度、宽度和厚度实时测量装置5、连铸坯温度测量装置6、连铸坯拉速测量装置3、中间包液面高度和钢水温度记录装置1、结晶器尺寸和过钢量记录装置2、连铸坯密度认知模块9、连铸坯切割装置4和连铸坯测重装置8，本发明对每流连铸坯7间隔一定时间记录连铸坯7长度、宽度、厚度、温度、拉速以及中间包液面高度和钢水温度、结晶器过钢量等信息，利用连铸坯密度认知模块9中的数据库，实时计算出该时间间隔内连铸坯7重量，形成连铸坯7横截面在微小长度方向的数据向量库，并在连铸坯7传送速度方向上的实时积分，当积分至所需钢坯重量时，连铸坯切割装置4标记长度并进行切割，切割完成的钢坯送入连铸坯测重装置8进行测重，重量信息送入连铸坯密度认知模块9，利用神经网络方法建立起微小长度方向的连铸坯7数据向量库与钢坯重量认知模型；本发明对连铸机切割系统进行了技术工艺优化，采用神经网络方法分析采集的连铸机和连铸坯7的大数据，更准确认知各项连铸机、钢水和连铸坯7的参数对于连铸坯7密度的影响因素，可有效提高定重钢坯重量的准确性，提高成材率和有效降低生产成本。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。