《低碳钢组织性能的柔性化轧制研究－RAL邓天勇.pdf》由会员分享，可在线阅读，更多相关《低碳钢组织性能的柔性化轧制研究－RAL邓天勇.pdf（13页珍藏版）》请在三一文库上搜索。
1、2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 86 低碳钢组织性能的柔性化轧制研究* 邓天勇，吴 迪，许云波，刘相华，王国栋 （东北大学轧制技术及连轧自动化国家重点实验室，辽宁 沈阳） 摘摘 要要：在现阶段钢铁行业中，用户的个性化需求与企业规模化生产之间存在较大的矛盾。本文以 SPHC 为研究对 象，通过遗传算法改善神经网络参数，获得最佳预测能力的神经网络，建立了带钢化学成分等因素与产品的性能影 响之间的定量关系。考虑到生产的条件和能力以及用户对机械性能的要求，通过遗传算法计算轧制过程中的温度制 度参数，包括精轧入口温度、精轧出口温度和卷取温度，实现组织性能的柔性
2、化轧制。研究结果表明：实际测量的 三个温度制度参数包含在预测的温度制度参数范围内。在生产能力允许的条件下，温度制度可以控制的屈服强度波 动范围约为10。采用遗传算法能高效地计算温度制度参数。 关键词：关键词：热轧；柔性化轧制；精轧入口温度；精轧出口温度；卷取温度 Study on Microstructure and Properties Flexible Rolling for Low Carbon Steels DENG Tianyong, WU Di, XU Yunbo, LIU Xianghua, WANG Guodong (The State Key Lab of Rolling a
3、nd Automation, Northeastern University, Shenyang ) Abstract: In the present iron and steel industry, there is a huge contradiction between consumers individualized demands and mass customization. In this paper, the steel of SPHC has been studied; neural network with the best prediction ability was g
4、ot by parameter of neural network optimized by genetic algorithm. The quantificational relationship between mechanical properties of strip and its influencing factors such as chemical composition etc has been founded. In addition to the conditions and capabilities of production-line, consumers deman
5、ds of mechanical properties having been taken into account, flexible rolling for microstructure property was realized by calculating parameters of temperature schedule included finishing inlet temperature (FIT)、 finishing outlet temperature (FOT) and coiling temperature (CT) according to genetic alg
6、orithm. It is shown that, three kinds of measured temperature above are covered by those predicted areas. Yield strength of strip varies between 10 with the conditions of production-line. It is efficiently of genetic algorithm to calculating parameters of temperature schedule above. Key words: hot r
7、olling；flexible rolling；finishing inlet temperature；finishing outlet temperature；coiling temperature 1 前言 随着现代科学技术和经济建设的发展，大型化、连续化和集约化的钢铁生产发展很难满足用户 对钢铁产品需求的多样化、个性化和优质化。同时也随着钢铁企业硬件设备的改善和轧制工艺的发 展，组织性能的柔性化轧制技术可以很好的解决这个矛盾。组织性能的柔性化轧制技术，是指在组 织性能控制方面，能够导致轧制过程具有较大灵活性和适应性的轧制技术1。以前往往采用调整化 学成分来满足用户对不同强度产品的需求，这
8、样会带来增加成本，加快稀缺资源消耗等问题；如今， 可以通过改变轧制工艺，使一种化学成分的坯料生产出不同强度级别的产品2。这样可以简化冶炼、 连铸的操作和管理，有利于冶炼和连铸工艺的持续稳定，使冶炼、连铸、板坯库、加热炉之间的衔 接便捷、管理简化、难度降低3。这种以生产技术的柔性化来满足用户需求的多样化的方法，为金 *基金项目：国家自然科学基金重点项目, 项目编号：50334010,50504007 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 87 属产品的大规模定制提供了途径，可以很好满足用户的个性化需求。 热轧过程中， 轧制参数对机械性能有及其重要的影响。 在
9、研制细晶普碳钢时， 利用成分与 Q195 Q235 相同的普碳钢， 已成功地生产出屈服强度为 400MPa 的产品， 也就是说用同一化学成分的坯料， 生产出不同强度级别的产品2,3。 神经网络算法是一种很好的逼近非线性函数的方法，经常被用于处理很多领域中的比较复杂的 非线性问题。遗传算法是一种模仿生物进化过程的算法，经常用来优化复杂的非线性函数参数。近 十几年中， 国内外的学者把神经网络算法49和各种进化算法1011广泛运用于轧钢行业各种参数的预 测，并取得了较好的结果。本文在坯料化学成分和产品厚度确定的条件下，采用神经网络算法和遗 传算法等人工智能方法和进化算法，深入研究了轧制过程的温度制度
10、对产品组织和性能影响的定量 关系，主要包括精轧入口温度、精轧出口温度和卷取温度。然后通过遗传算法对这些参数进行预测 和优化，为在线控制和工艺参数调整提供了理论依据，从而达到用户要求的性能指标和保证产品的 质量要求。 2 轧制参数及其数据分析 R1 R2 E4 R4 E5 R5 E6 R6 E0 F0 CS FSB F1 F2 F3 F4 F5 F6ACC 粗轧区 精轧区 冷却区 加热区 L1 L2 C1 C2 卷取区 温度仪 温度仪 温度仪 图 1 生产线的简单示意图 Fig 1 Schematic diagram of rolling line 本文主要是为了提供一种通过预测一般用热轧钢板
11、SPHC 的温度制度参数，来精确生产出的不 同机械性能产品的方法，生产线的布置如图 1 所示。由于对 SPHC 来说，屈服强度是一个非常重要 的指标，本文只分析各种影响因素对带钢屈服强度的定量关系，以及预测生产不同强度级别带钢的 温度制度参数。 影响其机械性能的主要化学元素是 C、Mn、Si、S、P；总压缩比是一个影响带钢机械性能的重 要因素，由于从加热炉出来的板坯的初始厚度基本一致，本文忽略初始厚度的影响，带钢产品的最 终厚度比与总压缩比成反比；另外，SPHC 属于普碳钢，在高温的粗轧过程一般能比较完全的发生 再结晶和晶粒长大，而且粗轧过程的轧制参数非常相近，忽略精轧过程之前各种因素对带钢的
12、影响； 控制精轧入口温度和精轧出口温度的大小，就可以控制带钢的奥氏体组织在再结晶区和未再结晶区 的变化过程，决定了发生相变前奥氏体晶粒尺寸大小和奥氏体晶粒内变形带的数量，对铁素体相变 过程产生不同的影响，因此精轧入口温度和精轧出口温度也是影响带钢机械性能的重要因素；卷取 温度对钢材相变过程影响比较大，可以认为卷取温度是影响机械性能的主要的因素。 从图 2（a d）看出屈服强度并不会随着成品厚度、精轧入口温度、精轧出口温度或者卷取温 度的增加而单调的增加或者降低，屈服强度是一个由众多影响因素映射的函数。本文研究的产品厚 度分布在 28mm 之间；精轧入口温度分布在 9311069之间；精轧出口温
13、度分布在 832922 之间；卷取温度分布在 500786之间。 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 88 246 100 200 300 400 屈服 强度/MPa 成品 厚度/mm (a) 图 2-a 成品厚度与屈服强度之间的关系 Fig 2-a Relationship of finished strip thickness and yield strength 95010001050 100 200 300 400 屈服 强度/MPa 温度/ (b) 图 2-b 精轧入口温度与屈服强度之间的关系 Fig 2-b Relationship of F
14、IT and yield strength 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 89 850900 100 200 300 400 屈服 强度/MPa 温度/ (c) 图 2-c 精轧出口温度与屈服强度之间的关系 Fig 2-c Relationship of FOT and yield strength 500600700800 100 200 300 400 屈服 强度/MPa 温度/ (d) 图 2-d 卷取温度与屈服强度的关系 Fig 2-d Relationship of CT and yield strength 假设精轧入口温度与精轧出口温
15、度的温差为 1 T，精轧出口温度与卷取温度的温差为 2 T。为 了更直观地观察到精轧入口温度、精轧出口温度和卷取温度之间的关系，使其改变成精轧入口温度、 精轧出口温度分别与 1 T和 2 T之间的关系。 如图 3 为精轧入口温度与 1 T和精轧出口温度与 2 T之 间关系。从图中可以看出，精轧入口温度和精轧出口温度与 1 T、 2 T存在一定的函数关系， 1 T和 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 90 2 T的范围随着精轧入口温度和精轧出口温度的变化而变化，可以通过式（1）和（2）表示。 1 T和 2 T的范围反映了生产线的冷却能力。 1 (FIT)
16、Tf= （1） 2 (FOT)Tf= （2） 8408809209601000104010801120 0 80 160 240 320 400 温差/ 温度/ T1 T2 图 3 精轧入口温度与 1 T和精轧出口温度与 2 T之间的关系 Fig 3 Relationship of FIT to 1 T and FOT to 2 T 本文对于温度制度参数的预测主要通过两个步骤来进行的，首先是采用各种方法提高最近生产 过程的预测能力；然后在高精度的神经网络预测能力的前提下，通过进化算法来预测和优化轧制参 数。 3 最优神经元网络结构的建立 9 个输入 层单元 输入层 隐藏层 输出层 3 个输出
17、层单元 图 4 三层神经网络结构 Fig 4 Framework of 3-layer neural network 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 91 近几年随着对进化算法如遗传算法、粒子算法、蚁群算法等广泛的研究和应用，高效地寻找最 佳预测能力的神经网络结构成为可能。 本文通过采用基因算法获得最优的预测屈服强度的神经网络， 神经网络采用三层的网络结构，当同一生产线生产相同钢种的带钢产品时，带钢产品本身的化学成 分和带钢的生产条件是决定产品性能的最重要因素。根据上面的数据分析，采用 C、Mn、Si、S、P、 带钢厚度、精轧入口温度、精轧出口温度和
18、卷取温度作为输入层，带钢的屈服强度、抗拉强度和延 伸率作为输出层。 考虑到用户的需要，把满足一定相对误差内的样本百分数作为评价标准。中间层节点数和训练 时间是影响网络预测能力的重要因素，为了获得最优预测能力的神经网络结构，文中通过基因算法 来优化这些参数，获得最优的预测精度最高的网络结构。计算过程中使用的训练样本和预测样本为 最近一个时间段中采集的数据，而且训练样本发生在预测样本之前。这样可以保证神经网络能更好 的预测最近带钢样本的机械性能。 本文引入相对误差(RE)和预测能力(PA)两个概念7,10： ap a RE | 100% xx x = （3） NCP PA100 TP = （4）
19、a x 为实测的机械性能 ； p x 为预测的机械性能；CP 代表的低于相对误差的预测样本, NCP 代 表的是 CP 的个数, TP 代表总的预测样本数。 预测能力的评价函数可以通过所有预测能力加权和来计算。 1 PA | m it i fitness = = （5） 通过上式可以计算出与理想机械性能相比最均衡的值， 实际中用户对屈服强度的要求比较严格， 本文在计算中只对屈服强度进行分析。当相对误差取 7，此时最佳的神经网络预测结果如图 5，当 相对误差为 7时，预测能力约为 90。 246810 0.4 0.6 0.8 1.0 预 测能力 相对误差/% 图5 最佳神经网络在不同相对误差内的
20、预测能力 Fig 5 PA with different RE of the optimal neural network 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 92 4 轧制过程温度制度参数的计算 当获得用户要求的相对误差内的最佳神经网络之后，存储最佳预测能力神经网络的参数，包括 权值、阈值、训练时间和中间层单元数等。然后通过遗传算法计算出最佳的轧制过程中的温度制度 参数。对于从加热炉出来的钢坯，其化学成分已经被测量出来，而且，带钢产品的最终厚度已经被 预先设定。在计算的过程中，这几个参数作为已知量直接从输入层输入。为了获得用户要求的性能 要求，通过遗传
21、算法预先计算出最优的精轧入口温度、精轧出口温度和卷取温度，为自动化控制系 统提供一个工艺参数计算的理论算法。 如图 6，计算的流程如下： 初始化 通过最佳神经网络预测 评价适应度 解码 记录满足条件的个体 计算是否完成 开始 再生 交叉 变异 结束 产生下一代 图6 轧制过程温度制度参数的计算流程 Fig 6 Flow chart of temperature schedule parameters in the hot rolling process (1) 初始化种群，包括每代种群的个体数、交叉概率 c p、变异概率 m p以及初始化神经网络的权 值与阈值，对精轧入口温度、精轧出口温度和卷
22、取温度采用实数编码； (2) 带钢的化学成分和带钢的厚度作为已知量直接输入，计算出最佳神经网络预测的机械性能， 计算每个个体的适应度； (3) 记录已计算过的神经网络结构以及相应的适应度，避免再次计算； (4) 根据轮盘法则选择个体； (5) 以概率 c p对两个个体进行交叉操作，产生两个新个体；如果没有进行交叉操作，个体直接 进行复制； (6) 每个个体以概率 m p变异产生新个体； (7) 将新个体插入到种群中，形成新种群； (8) 重新解码，进行神经网络训练，计算适应度，然后进行选择、交叉、变异操作。 (9) 记录所有的中间结果，直到结束。 2007 年全国塑性加工理论与新技术学术研讨会
23、 2007 年 5 月 沈阳 93 5 结果与讨论 5.1 预测的温度制度参数与实测温度参数的比较 表1 预测钢种的实测参数 Table 1 Measured parameters of predicted steels 序号 w(C) w(Si)w(Mn) w(P)w(S) 厚度/mm CT / FIT / FOT / 屈服强度/MPa 1# 0.034 0.0150.165 0.0110.01433.01 623889980 199 2# 0.044 0.0130.198 0.0220.02234.37 5808721015 245 3# 0.066 0.0160.201 0.0250.0
24、2452.76 6248771016 305 表 1 为三块通过本文模型预测的带钢的实际温度制度参数，其中 1#3#理想的屈服强度分别为 200MPa、250MPa、300MPa。图 79 分别为三块不同屈服强度带钢（1#3#）的温度制度参数预测 结果。图(79)-a 为整个计算过程中， 1 T和 2 T随着精轧入口温度和精轧出口温度变化的分布；图 (79)-b 为整个计算过程中，出现的所有相对误差的分布图；图(79)-c 为相对误差比最小相对误差高 2时的所有预测值与实测值的比较结果。其中，取的预测值包含在一定的小范围内，而不是一个最 优的结果，这是考虑到生产过程中控制的方便。基因算法本来是
25、一种用来寻找一个全局最优的计算 结果的方法。如果只是求一个最优结果，不一定能满足生产线的需要，考虑到生产的控制能力和测 量方面的误差，生产线更多的是对温度制度参数控制在一定的范围内，这样可以给生产线的自动化 控制系统提供理论指导。 从图 a 中可以看出，在整个计算过程中，三个被预测的温度几乎会遍历整个生产条件所允许的 范围，而且在部分区域分布的比较稠密。图 a 与图 c 相比较可以看出，从图 c 中的区域基本包含在 图 a 中稠密区域的范围内，这就是基因算法优越性所在，其变异、交叉和遗传特点，可以使比较优 越的结果得到较好的遗传。这样可以提高进化算法在搜寻最优结果过程的效率，减少计算时间。 8
26、408809209601000104010801120 0 80 160 240 320 400 温差/ 温度/ T1 T2 1# (a) 图7-a 整个计算过程中精轧入口温度与 1 T和精轧出口温度与 2 T之间的关系 Fig 7-a Relationship of FIT to 1 T and FOT to 2 T during the whole calculation process 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 94 可以从 b 图中看出，在生产条件允许的情况下对于 SPHC 来说，温度制度可以控制的屈服强度 波动范围约为10。对于图(7
27、8)-b，可以看出对于前两块带钢，预测的最佳屈服强度与用户要求的 屈服强度之间的最低相对误差几乎为零，也就是说带钢从加热炉出来之后，通过该生产条件允许的 情况下，可以轧制出用户所需的屈服强度；从图 9-b 可以看出，在该生产条件允许的情况下，预测 的屈服强度与实测的屈服强度之间最小的相对误差约为 6，预测结果中只能计算得到最接近实测 值的温度制度参数。实测的温度制度参数包含在预测结果范围内。 0.00 0.03 0.06 0.09 相对误差/% 预 测序号 1# (b) 图7-b 整个计算过程中相对误差分布图 Fig 7-b distributing diagram of relative e
28、rrors during the whole calculation process 8408809209601000104010801120 0 80 160 240 320 400 温差/ 温度/ 预 测的 T1 预 测的 T2 实测的 T1 实测的 T2 1# (c) 图7-c实测温度制度参数与预测温度制度参数的关系 Fig 7-c Relationship of measured temperature schedule parameters and predicted ones 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 95 840880920960
29、1000104010801120 0 80 160 240 320 400 温差/ 温度/ T1 T2 2# (a) 图8-a 整个计算过程中精轧入口温度与 1 T和精轧出口温度与 2 T之间的关系 Fig 8-a Relationship of FIT to 1 T and FOT to 2 T during the whole calculation process 0.00 0.03 0.06 0.09 相对误差/% 预 测序号 2# (b) 图8-b 整个计算过程中相对误差分布图 Fig 8-b distributing diagram of relative errors durin
30、g the whole calculation process 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 96 8408809209601000104010801120 0 80 160 240 320 400 温差/ 温度/ 预 测的 T1 预 测的 T2 实测的 T1 实测的 T2 2# (c) 图8-c实测温度制度参数与预测温度制度参数的关系 Fig 8-c Relationship of measured temperature schedule parameters and predicted ones 84088092096010001040108
31、01120 0 80 160 240 320 400 温差/ 温度/ T1 T2 3# (a) 图9-a 整个计算过程中精轧入口温度与 1 T和精轧出口温度与 2 T之间的关系 Fig 9-a Relationship of FIT to 1 T and FOT to 2 T during the whole calculation process 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 97 0.06 0.09 0.12 0.15 相对误差/% 预 测序号 3# (b) 图9-b 整个计算过程中相对误差分布图 Fig 9-b distributing di
32、agram of relative errors during the whole calculation process 8408809209601000104010801120 0 80 160 240 320 400 温差/ 温度/ 预 测的 T1 预 测的 T2 实测的 T1 实测的 T2 3# (c) 图9-c实测温度制度参数与预测温度制度参数的关系 Fig 9-c Relationship of measured temperature schedule parameters and predicted ones 5.2 误差及其可信度分析 如果当最佳神经网络在相对误差为 RE1的
33、条件下，预测能力为 PA1，然后通过遗传算法预测轧 制参数时，相对误差为 RE2，此时的预测的可信度为(1- RE1)*PA1*(1-RE2)。因此为了提高轧制参数 的预测精度，应该在较小的相对误差范围内尽量提高最佳神经网络的预测能力，减小遗传算法预测 轧制参数的相对误差。 6 结论 2007 年全国塑性加工理论与新技术学术研讨会 2007 年 5 月 沈阳 98 （1） 实际的温度制度参数在预测的温度制度参数范围内。 （2） 对于 SPHC 来说，温度制度可以控制的屈服强度波动范围约为10。 （3） 遗传算法在预测和优化轧制参数的过程中，能提高预测过程的效率。 参考文献 1 刘相华，王国栋，
34、杜林秀，等. 钢材性能柔性化与柔性轧制技术J. 钢铁，2006，41（11） ：32-36. 2 王国栋，刘相华，李维娟，等. 超级Super-SS400钢的工业轧制试验J. 钢铁，2001，36（5） ：39-43. 3 刘相华，陆匠心，张丕军，等. 400-500MPa级碳素钢先进工业化制造技术J. 中国有色金属学报，2004，14（增 刊1） ：207-210. 4 刘振宇，许云波，王国栋. 热轧钢材组织-性能演变的模拟和预测M. 沈阳：东北大学出版社. 2004. 5 郑晖, 王昭东, 王国栋等. 利用人工神经网络模型预测SS400热轧板带力学性能 J, 钢铁, 2002, 37(7)
35、: 37-40. 6 莫春立， 李强， 张殿中等. 应用回归和神经网络方法预测热轧带钢性能 J， 金属学报，2003，39(10): 1110-1114. 7 E.I.Poliak, Application of linear regression analysis in accuracy assessment of rolling force calculations, Met Mater. 4 (5) (1998) 10471056. 8 Rasit Koker, Necat Altinkok, Adem Demir. Neural network based prediction of
36、mechanical properties of particulate reinforced metal matrix composites using various training algorithms J, Materials and Design, 2007, 28: 616-627. 9 S.M.K.Hosseini, A.Zarei-Hanzaki, M.J.Yazdan, et al. ANN Model for prediction of the effects of composition and process parameters on tensile strengt
37、h and percent elongation of Si-Mn Trip Steels J, Materials Science and Engineering, 2004, 374A: 122-128. 10 J.S.Son, D.M.Lee, I.S.Kim, et al. A study on genetic algorithm to select architecture of a optimal neural network in the hot rolling process, Journal of Materials Processing Technology J. 2004, 153-154: 643-648. 11 A.J.Kulkarni, K.Krishnamurthy, S.P.Deshmukh, et al. Microstructural optimization of alloys using a genetic algorithm J. Materials Science and Engineering, 2004, 372A: 213-220.