CC BY
36
В1СНИК ПРИАЗОВСЬКОГО ДЕРЖАВНОГО ТЕХН1ЧНОГО УН1ВЕРСИТЕТУ
2008 р.
Вип. № 18
УДК 621.74.019.008.2
Сокол С.П.*
ПРОГНОЗИРОВАНИЕ ДЕФЕКТОВ ПРИ ПРОИЗВОДСТВЕ ЛИТЫХ ЗАГОТОВОК
Рассмотрены вопросы возникновения дефектов при производстве литых слябов на МНЛЗ. Предложена система прогнозирования дефектов слябов на основе искусственных нейронных сетей. Даны предложения по использованию информации, поступающей от ИНС.
При производстве литых заготовок на МНЛЗ возникают различного вида дефекты [1]. Их подразделяют на поверхностные и внутренние. Дефекты поверхности подразделяются, в свою очередь, на металлургические и технологические в зависимости от причин, их вызывающих. К металлургическим дефектам поверхностей относят трещины (продольные, угловые, поперечные, разветвленные), вкрапления, пузыри. К технологическим дефектам относят риски от шлифовки, царапины, вмятины, риски от скрапа.
К технологическим дефектам можно отнести также отклонения вида поперечного сечения заготовок от прямоугольной формы (трапецеидальность, поверхностные и боковые выпуклости и т.п.).
Практически все перечисленные дефекты визуально могут быть определены только на холодных заготовках. Технических устройств для выявления дефектов непосредственно на раскалённых непрерывнолитых заготовках в настоящее время практически не существует. Известны только разработки для определения геометрических размеров поперечного сечения заготовок, например, описанных в [2, 3].
Однако, по мнению автора, возможно создание систем, прогнозирующих появление разного рода дефектов у заготовок. Об этом впервые было сказано в работе[4]. Тогда было предложено использовать искусственную нейронную сеть (ИНС) для компенсации трапецеидально-сти непрерывнолитых заготовок.
Целью настоящей статьи является создание систем, прогнозирующих появление различного вида металлургических дефектов при получении непрерывнолитых заготовок на МНЛЗ на
Основная идея заключается в применении специально обученных ИНС для каждого вида дефектов (рис. 1).
базе ИНС.
х4
На рис. 1 изображена некоторая обобщенная трехслойная ИНС. Вектор входных параметров (х/ : х4), определяющих протекание технологического процесса, составляет первый слой. Количество входных параметров определяется в каждом конкретном случае. Второй, скрытый слой, составляют к - нейроны, и третий, выходной слой, в данном случае представляет нейрон у. На вход нейронной сети подаются значения параметров XI, соответствующих нормальному протеканию технологического процесса, т.е. исключающих появление дефектов. Выходной сигнал у = 0. При выходе одного или нескольких значений параметров х, за допустимые пределы, на выходе ИНС появляется сигнал, информирующий о возможном появлении дефекта. Таким образом, ИНС работает в режиме советчика.
Рис. 1 - Искусственная нейронная сеть для прогнозирования дефектов
ПГТУ, ассистент
После накопления статистических данных, изменения архитектуры сети, и её повторного обучения, возможно использование выходного сигнала И НС для создания системы автоматического управления процессом формообразования литых заготовок со значительно меньшим количеством дефектов. Рассмотрим возможность построения такой системы на примере появления продольных трещин. На рис. 2 показан вид продольной трещины [1].
Типичные продольные трещины возникают на поверхности сляба (заготовки), имеют длину от нескольких сантиметров до нескольких метров и могут частично располагаться зигзагами и/или смещаться. Главным образом, они возникают в середине сляба и сопровождаются образованием легких впадин на поверхности.
Глубина трещины 2 мм - 20 мм. Глубокие продольные трещины можно определить по темным полоскам на горячем слябе. Однако нельзя сделать точный вывод до того момента, пока сляб остынет.
В большинстве случаев, продольные трещины формируются в кристаллизаторе и/или сразу под Рис. 2 - Продольные трещины кристаллизатором и могут увеличиваться из-за
слишком интенсивного вторичного охлаждения. Согласно [1] причинами возникновения продольных трещин являются:
- конусность узких стенок кристаллизатора отрегулирована на меньшее значение;
- высокая степень износа в нижней части узких стенок;
- недостаточная опора слитка из-за боковых направляющих ручья (конус настроен на слишком маленькое значение, слишком маленькое смещение между медными пластинами и роликами боковой направляющей ручья):
- слишком высокая температура в промковше, вмятины на поверхности слитка из-за разливочного шлака;
- слишком маленький рост корки из-за неблагоприятных условий в кристаллизаторе, вызванных неправильной установкой погружного стакана;
- завышенное содержание серы.
Как видно из предыдущего текста, количество входных параметров, влияющих на появление продольных трещин, равно 6. Следовательно, входной слой должен состоять из 6 нейронов. Входные сигналы (параметры) перед началом обучения:
- заданное расстояние между узкими стенками кристаллизатора перед его установкой;
- расчётное количество плавок на компанию кристаллизатора;
- настройка конуса и заданное смещение между медными пластинами и роликами боковой направляющей ручья;
- расчётная температура стали в промковше;
- расчётное значение глубины установки погружного стакана;
- заданное значение содержания серы.
Обучение ИНС рекомендуется провести по методике обучения «с учителем» с обратным распространением ошибки [5]. Выходной сигнал рекомендуется принять у = 0.
После обучения нейронной сети на её вход необходимо подавать фактические значения входных параметров либо в ручном режиме, либо автоматически, от датчиков, однако в последнем случае потребуется обновление комплекса технических средств.
Отклонения значения у от 0 служит предупредительным сигналом о возможном появлении продольных трещин.
Для остальных дефектов рекомендуются индивидуальные ИНС приведенного выше типа. Рассмотрим возможность применения данного подхода к прогнозированию возникновения продольных трещин на модели однослойной ИНС. Схема такой модели приведена на рис. 3.
Количество входов модели соответствует количеству входных сигналов перед началом обучения.
Будем считать, что изменяющимися параметрами для данной модели являются: порядковый номер плавки в компании кристаллизатора, расчетная температура стали в промежуточном ковше и заданное содержание серы.
Запрограммированная ИНС, схема которой представлена на рис. 3, в результате проведения ряда опытов показала следующие результаты: при отклонении изменяющихся параметров на 10 % вероятность определения возникновения трещин составляет 75 %.
При предложенном подходе к решению задачи прогнозирования дефектов, сигнал об их возможном появлении формируется нейронной сетью уже в тот момент, когда сочетание технологических параметров только создало предпосылки к появлению дефектов, а не после их появления.
Будущие разработки в данном направлении будут направлены на создание самонастраивающихся систем управления на базе ИНС. Будет возможно автоматически подстраиваться под различные марки стали и геометрические размеры слябов, а также приспосабливаться к постоянно меняющимся параметрам оборудования MHJ13.
Следует, однако, учитывать тот факт, что ИНС дает только вероятностную оценку возможности возникновения дефекта. Поэтому для повышения точности работы модели необходимо учитывать все возможные параметры, влияющие на ход кристаллизации слитка.
Выводы
Разработка и внедрение специально обученных искусственных нейронных сетей позволит осуществлять прогнозирование появления различного вида металлургических дефектов при получении непрерывнолитых слитков в MHJ13, что повысит качество готовой продукции за счет более оперативного реагирования на изменения параметров разливки. Это, в свою очередь, позволит уменьшить потери металла при производстве проката.
Перечень ссылок
1. Разливка стали на машинах непрерывного литья заготовок (MHJ13) конверторного цеха. Технологическая инструкция ТИ 232 - 151 - 2005. - Мариуполь, 2005. - 244 с.
2. Зайцев B.C. Токовихревой измеритель геометрических размеров проката / B.C. Зайцев II Автоматизащя виробничих процсав .- 2001. - № 2 (13). - С. 141 - 142.
3. Автоматическое регулирование конусности и толщины непрерывнолитого слитка в ходе процесса непрерывной разливки / К. Федершпилъ, К. Мервалъд, М. Талхаммер, А. Ангерер II Черные металлы - 2001. - № 6. - С. 64 - 69.
4. Зайцев B.C. Применение нечёткой логики для коррекции трапецеидальности непрерывно-литых заготовок / B.C. Зайцев, Ю.В. Илъвутченко // Вюник Приазов. держ. техн. ун-ту: 36. наук. пр. - Мар1уполь, 2002. - Вип. 12. - С. 229 - 232.
5. Нейронные сети в системах автоматизации / В.И. Архангельский, H.H. Богаенко, Г.Г. Гра-бовский, H.A. Рюмшин. - К.: Техника, 1999. - 364 с.
Рецензент: B.C. Зайцев д-р техн. наук, проф., ПГТУ
Статья поступила 25.02.2008
