System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及炼钢连铸,更具体的说是涉及一种板坯铸坯质量预测准确度的提升方法、装置及介质。
技术介绍
1、连铸坯质量控制一直以来都是连铸生产工艺控制的重点,也是技术人员研究的核心内容,对于铸坯质量缺陷产生原因及危害的理论研究已经比较深入,在控制和提升铸坯质量方面取得了较为显著的成效,但由于铸坯凝固过程非常复杂,涉及钢水流场、传热、传质、应力等多种因素影响,铸坯质量缺陷问题仍没有得到完全解决,质量缺陷仍时有发生。另外在铸坯质量感知方面检测手段非常有限,整个连铸过程仍是处于“黑箱”状态,如能实现具有较高预测精度的铸坯质量预测方法,将为钢铁企业质量控制提供重要指导。
2、为此,相关研究机构开发了多种形式的铸坯质量预测系统,包括基于规则编辑的质量判定评级系统、基于经验机理的专家系统等,随着大数据及机器学习的广泛应用,近年来部分研究机构开展了利用决策树、神经网络、支持向量机等机器学习算法开发铸坯质量预测模型的研究与应用,取得了一定的实际效果。
3、基于大数据及机器学习的铸坯质量预测模型的核心是以连铸及其前道工序(转炉、精炼)的工艺、操作、设备等参数作为输入条件,以铸坯质量缺陷结果作为输出结果,通过历史数据进行模型训练建立输入条件与输出结果的关联关系,并对实时数据进行采集从而实现对铸坯质量的预测。作为输入条件的工艺、操作、设备等参数数据均可实现实时采集或线下采集存储,但作为输出结果铸坯质量缺陷数据量偏少,对铸坯质量的分析手段基本是抽样质检,对于表面质量目前多数连铸机无在线表面质量检测系统,仅靠人工检查,误检漏检情况较
技术实现思路
1、针对以上问题,本专利技术的目的在于提供一种板坯铸坯质量预测准确度的提升方法、装置及介质,能够以轧制缺陷为输出结果进行机器学习训练,大幅度增加质量缺陷数据量;在输入数据方面加强线下数据的采集,如保护渣耗量、钢水流动性、浸入式水口插入深度及对中情况、结晶器寿命、二冷喷嘴堵塞情况、扇形段顺弧情况等,解决了铸坯质量缺陷数据量少及数据不完整的问题,提升了铸坯质量预测的准确性。
2、本专利技术为实现上述目的,通过以下技术方案实现:
3、第一方面,本专利技术公开了一种板坯铸坯质量预测准确度的提升方法,包括:建立轧制缺陷与铸坯缺陷的对应关系;
4、收集轧制缺陷信息,并对轧制缺陷信息进行分级判定,将判定结果作为板坯铸坯质量预测模型的输出项;
5、采集炼钢过程中的铸坯质量关联信息,并存储到冶金数据库中,作为板坯铸坯质量预测模型的输入项;
6、按照轧制缺陷种类分类确定铸坯质量的影响因素,建立板坯铸坯质量预测模型的输入层和输出层;
7、选取样本数据并进行数据清洗;
8、基于bp神经网络模型建立板坯铸坯质量预测模型,并进行模型训练;
9、对板坯铸坯质量预测模型进行模型测试,根据预测效果进行模型调整,并运行调整后的铸坯质量预测模型。
10、进一步,所述建立轧制缺陷与铸坯缺陷的对应关系,包括:
11、在预设的轧钢系统中的在线表面检测系统中获取钢板表面质量信息,在探伤检测系统中获取钢板内部质量信息;
12、根据轧制缺陷与铸坯缺陷的对应规则和分级标准,建立轧制缺陷与铸坯缺陷的对应关系。
13、进一步,所述收集轧制缺陷信息,并对轧制缺陷信息进行分级判定,包括:当出现钢板轧制缺陷后,收集缺陷长度、面积和数量信息;
14、根据收集的信息对轧制缺陷进行分级判定,并将相关的判断数据记录值mes系统中。
15、进一步,所述采集炼钢过程中的铸坯质量关联信息,包括:
16、采集炼钢过程中的保护渣耗量、钢水流动性信息、浸入式水口对中状态信息及插入深度、二冷喷嘴堵塞状态信息和扇形段顺弧状态信息。
17、进一步,所述铸坯缺陷种类包括:纵裂、横裂、网状裂纹、皮下夹渣、皮下气泡、中心偏析、中心疏松、内部夹杂。
18、进一步,所述选取样本数据并进行数据清洗,包括:
19、获取归属于炼钢原因的轧制缺陷作为模型训练的输出项样本,根据输出项样本对应的铸坯号查询相应的炼钢过程中的铸坯质量关联信息作为输入项样本,并生成样本数据;
20、去除样本数据中缺陷等级最大和最小数据;
21、对样本数据进行噪声去除处理。
22、进一步,所述基于bp神经网络模型建立板坯铸坯质量预测模型,并进行模型训练,包括:
23、根据铸坯缺陷种类及对应的轧制缺陷,基于bp神经网络模型对每个分类分别进行模型建立和训练;
24、训练时,设定预设数量的隐含层,确定网络结构,并对选取的样本数据使用matlab进行样本输入项的归一化处理;设定模型的学习速率,利用样本数据执行模型训练,并输出轧制缺陷。
25、进一步,所述对板坯铸坯质量预测模型进行模型测试,根据预测效果进行模型调整,并运行调整后的坯铸坯质量预测模型,包括:
26、选取炼钢过程中的实际生产数据及出现的轧制缺陷测试板坯铸坯质量预测模型;
27、收集测试结果,从中确定最佳的预测效果,并获取相应模型的隐含层数量;根据获取的隐含层数量调整板坯铸坯质量预测模型的隐含层数量,并运行调整后的坯铸坯质量预测模型。
28、第二方面,本专利技术还公开了一种板坯铸坯质量预测准确度的提升装置,包括:
29、存储器,用于存储板坯铸坯质量预测准确度的提升程序;
30、处理器,用于执行所述板坯铸坯质量预测准确度的提升程序时实现如上文任一项所述板坯铸坯质量预测准确度的提升方法的步骤。
31、第三方面,本专利技术还公开了一种可读存储介质,所述可读存储介质上存储有板坯铸坯质量预测准确度的提升程序,所述板坯铸坯质量预测准确度的提升程序被处理器执行时实现如上文任一项所述板坯铸坯质量预测准确度的提升方法的步骤。
32、对比现有技术,本专利技术有益效果在于:本专利技术公开了一种板坯铸坯质量预测准确度的提升方法、装置及介质,通过建立轧制缺陷与铸坯缺陷的对应关系,以轧制缺陷为输出结果进行机器学习训练,因铸坯低倍及人工观测不能完全反馈铸坯质量实际情况,而轧制缺陷可几乎完整的反映铸坯质量控制实际情况,增加了机器学习训练的有效性;且采用此种方法可在较短时间内收集较多轧制缺陷数据,避免了因数据量偏少导致的模型预测准确率低的问题。另外在输入数据方面加强线下数据的采集,找出铸坯质量有关键性影响线下因素,解决影响因素数据不完整的问题,进一步提升铸坯质量预测的准确性,通过模型的应用及时对在线铸坯做出处置意见,对工艺设本文档来自技高网...
【技术保护点】
1.一种板坯铸坯质量预测准确度的提升方法,其特征在于,包括:
2.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述建立轧制缺陷与铸坯缺陷的对应关系,包括:
3.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述收集轧制缺陷信息,并对轧制缺陷信息进行分级判定,包括:
4.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述采集炼钢过程中的铸坯质量关联信息,包括:
5.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述铸坯缺陷种类包括:纵裂、横裂、网状裂纹、皮下夹渣、皮下气泡、中心偏析、中心疏松、内部夹杂。
6.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述选取样本数据并进行数据清洗,包括:
7.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述基于BP神经网络模型建立板坯铸坯质量预测模型,并进行模型训练,包括:根据铸坯缺陷种类及对应的轧制缺陷,基于BP神经网络模型对每个分类分别进行模型建立
8.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述对板坯铸坯质量预测模型进行模型测试,根据预测效果进行模型调整,并运行调整后的坯铸坯质量预测模型,包括:
9.一种板坯铸坯质量预测准确度的提升装置,其特征在于,包括:
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有板坯铸坯质量预测准确度的提升程序,所述板坯铸坯质量预测准确度的提升程序被处理器执行时实现如权利要求1至8任一项权利要求所述的板坯铸坯质量预测准确度的提升方法的步骤。
...【技术特征摘要】
1.一种板坯铸坯质量预测准确度的提升方法,其特征在于,包括:
2.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述建立轧制缺陷与铸坯缺陷的对应关系,包括:
3.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述收集轧制缺陷信息,并对轧制缺陷信息进行分级判定,包括:
4.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述采集炼钢过程中的铸坯质量关联信息,包括:
5.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述铸坯缺陷种类包括:纵裂、横裂、网状裂纹、皮下夹渣、皮下气泡、中心偏析、中心疏松、内部夹杂。
6.根据权利要求1所述的板坯铸坯质量预测准确度的提升方法,其特征在于,所述选取样本数据并进行数据清洗,...
【专利技术属性】
技术研发人员:周平,董慧,赵立峰,李长新,张学民,王成镇,黄少文,
申请(专利权)人:山东钢铁股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。