CC BY
24
2. Нургатина Л.А., Стаес П., Тайес Н., Маслов Д.В. Модель CAF в сфере государственного управления в Европе // Стандарты и качество. 2014. №3. С 72-45.
Stepanova Kristina Mihailovna, Student (e-mail: o3orni3a@yandex.ruj Vladimir state University, Russia
Sushchev Anatoly Konstantinovich, Cand. Eng. Sci, Docent, Academician of the Academy of quality problems (e-mail: aksushev@yandex.ruj Vladimir state University, Russia
PROCEDURE OF THE SELF-EVALUATION OF THE LEVEL OF DEVELOPMENT OF PROCESSES OF QMS OF PRODUCTION OF AUTOCOMPONENTS
Abstract: The procedure for self-assessment of the level of development of the processes of the quality management system for the production of auto components is examined by criteria that characterize the opportunities and results ofprocesses to determine the directions for improving their effectiveness and effectiveness.
Key words: processes of the quality management system, model, estimation, production of automotive components.
УДК 681.3
ПРОГНОЗИРОВАНИЕ ТВЕРДОСТИ ГОРЯЧЕКАТАНЫХ ЛИСТОВЫХ СТАЛЕЙ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ Шкатов Валерий Викторович, д.т.н., профессор (e-mail: shkatov@mail.ru) Мазур Игорь Петрович, д.т.н., профессор (e-mail: mazur_ip@mail.ru) Шкатов Виктор Валерьевич, к.т.н., доцент
Липецкий государственный технический университет, г. Липецк, Россия
(e-mail: shkatov1981@bk.ru)
В данной статье проведена оценка эффективности применения нейронных сетей несколько типов (многослойный персептрон, сеть радиальных базисных функций, генеральная регрессионная нейронная сеть) для прогноза твердости горячекатаных листовых сталей по их химическому составу и параметрам структуры.
Ключевые слова: сталь, горячая прокатка, химический состав, структура, твердость, нейронные сети, прогнозирование.
Установление связей химического состава и структуры стали с ее механическими свойствами, является одной из важнейших задач в металловедении. В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (в дальнейшем НС). Интерес к нейронным сетям неуклонно возрастает: они применяются в промышленности, медицине,
финансах, технике, георазведке, биологии [1, 2]. В настоящее время в литературе имеется весьма мало примеров использования нейронных сетей для моделирования связей химического состава сталей и их структуры с характеристиками механических свойств.
Таблица 1 - Характеристики массива данных горячекатаных полосовых
сталей
Параметр Минимальное значение Максимальное значение Среднее значение
Толщина полосы, мм 1,5 13 2,84
Ширина полосы, мм 935 1640 1237
Содержание С, % масс. 0,027 0,189 0,048
Содержание Mn, % масс. 0,14 0,53 0,224
Содержание Si, % масс. 0,001 0,24 0,026
Содержание S, % масс. 0,01 0,025 0,017
Содержание P, % масс. 0,007 0,023 0,013
Содержание №, % масс. 0,01 0,05 0,022
Содержание О; % масс. 0,01 0,05 0,025
Содержание Си, % масс. 0,01 0,08 0,04
Содержание А1, % масс. 0,02 0,08 0,04
Содержание N % масс. 0,002 0,009 0,004
Диаметр зерна феррита, мкм 8,33 21,35 13,88
Объемная доля феррита, доли 0,708 0,999 0,9612
Объемная доля перлита, доли 0,001 0,2918 0,0381
Степень сфероидизации перлита, доли 0,001 1,0 0,15
Содержание А1 в твердом растворе, % масс. 0,012 0,079 0,028
Содержание N в твердом растворе, % масс. 0,001 0,007 0,0031
Твердость по Роквеллу, HRB 43,1 71,3 54,5
Для оценки эффективности использования НС для прогнозирования твердости горячекатаной стали использовали массив экспериментальных данных, содержащий информацию о химическом составе, характеристиках структуры металла и результатах определения твердости по Роквеллу (HRB) 1266 полос из углеродистых и низколегированных сталей, прокатанных на широкополосном стане горячей прокатки. Характеристики структуры металла (размер зерна феррита, объемную долю феррита, объемную доля перлита и степень его сфероидизации, содержание алюминия и азота в твердом растворе) были рассчитаны с использованием математических моделей формирования структуры в линии широкополосного стана горячей прокатки [3-7] на основе данных о содержании химических элементов в стали и параметрах прокатки.
Диапазоны изменения содержания химических элементов, размера полос, характеристик структуры и твердости сталей приведены в таблице 1.
Структурная идентификация нейросетевой модели состоит в выборе используемых функций активаций нейронов, количество слоев, количество нейронов в каждом скрытом слое [2]. Функции активации чаще всего выбираются одинаковыми для каждого из слоев нейронов сети. Выбор функции активации зависит от задач, а также типов НС, для решения которых предполагается их использование.
Строго определенной процедуры для выбора количества нейронов и количества слоев в сети нет. Чем больше количество нейронов и слоев, тем шире возможности сети в смысле отражения сложных зависимостей нелинейного типа между входом и выходом. Однако это влечет снижение интенсивности её обучения и темпа работы. При определении количества нейронов и слоев приходится учитывать множество факторов: сложность решаемой задачи, объемы имеющихся данных для обучения, количество требуемых входов и выходов сети, объемы ресурсов вычислительного устройства (память и быстродействие), на котором синтезируется сеть, моделирующая объект [1, 2]. В работе [1] отмечается два противоречивых требования по отношению к количеству нейронов в скрытом слое:
- для повышения точности наилучшей аппроксимации число скрытых нейронов должно быть большим;
- для повышения точности эмпирического соответствия аппроксимации количество скрытых нейронов должно оставаться малым.
Используемая для построения НС выборка была разбита на обучающую и проверочную. Данные между выборками распределялись случайным образом, для увеличения достоверности получаемых НС моделей. Дополнительно к этому сеть обучалась образцами, поступающими на ее входы в случайном порядке, для того чтобы избежать нежелательных эффектов, которые могут также могут отразиться на качестве моделей (осцилляция и схождение к локальному минимуму). Для всех типов сетей исходные данные нормировались на диапазон [0;1] для исключения влияния размерности входных параметров.
Таблица 2 - Результаты прогнозирования твердости горячекатаных _сталей нейронными сетями различных типов_
Типы Средняя квадратичная ошибка
сетей Обучение Прогноз
МП 2,98 3,29
РБФ 3,22 3,67
ГР 2,66 3,56
При прогнозе твердости сталей были использованы несколько типов сетей: многослойный персептрон (МП); сеть радиальных базисных функций (РБФ); генеральная регрессионная нейронная сеть (ГР).
Для многослойного персептрона исследовалось влияние количества нейронов в слое, количества слоев, количества эпох обучения, алгоритма обучения, также проводилась оценка вклада факторов в точность аппроксимации. На сети радиальных базисных функций изучалось влияние количества нейронов в скрытом слое, способа установки радиальных весов и порогов. Для генеральной регрессионной нейронной сети оценивалось влияние количества нейронов в скрытом слое и сглаживания.
Результаты обучения НС и прогнозирования твердости сталей по обученным нейронным сетям разных типов приведены в табл. 2. Лучший результат получен на персептронной сети с 9 нейронами в скрытом слое. Данная НС обеспечивает минимальную среднеквадратичную ошибку прогноза твердости, равную 3,29 ИЯВ.
Выводы
Проведена оценка эффективности применения нейронных сетей для прогнозирования зависимости твердости от химического состава и параметров структуры листового проката из углеродистых и низколегированных сталей. Показано, что нейронная сеть способна с высокой точностью описать связь химического состава и параметров структуры с твердостью горячекатаных полосовых сталей.
Работа проведена в рамках выполнения государственного задания Министерства образования и науки России по проекту № 11.1446.2017/ПЧ.
Список литературы
1. Хайкин С. Нейронные сети. Полный курс. - М.: ООО «И. Д. Вильямс», 2006.-1104с.
2. Оссовский, С. Нейронные сети для обработки информации. - М.: Финансы и статистика, 2004. - 344 с.
3. Лизунов В.И., Шкатов В.В., Моляров В.Г., Канеев В.П. Управление по структуре качеством стали при горячей прокатке // Черная металлургия. - 1999. - № 4. - С. 52-56.
4. Шкатов В.В., Франценюк Л.И., Богомолов И.В. Математическое моделирование структурообразования при горячей прокатке стали // Сталь. - 1995. - № 8. - С. 64-69.
5. Шкатов В.В., Франценюк Л.И., Богомолов И.В. Закономерности формирования структуры при распаде переохлажденного аустенита //Известия высших учебных заведений. Черная металлургия. - 1997. - № 3. - С. 47-50.
6. Шкатов В.В., Мухин Ю.А., Шкатов В.В. Кинетика выделения ЛШ при охлаждении горячекатаных полос из раскисленых алюминием сталей // Вестник Воронежского госуд. техн университета. Сер. «Материаловедение» - Воронеж: ВГТУ. - 2002. - Вып. 1.12. - С.87-98.
7. Шкатов В.В. Моделирование и оптимизация структурообразования при непрерывной горячей прокатке листовых сталей: автореф. дис. ... д-ра техн. наук. Липецк, 1998. 39 с.
Shkatov Valery Viktorovich, professor
(e-mail: shkatov@mail.ru)
Lipetsk state technical university, Lipetsk, Russia
Mazur Igor Petrovich, professor
(e-mail: mazur_ip@mail.ru)
Lipetsk state technical university, Lipetsk, Russia
Shkatov Victor Valerevich, associate professor
(e-mail: shkatov1981@bk.ru)
Lipetsk state technical university, Lipetsk, Russia
PREDICTION OF HARDNESS OF HOT-ROLLED SHEET STEEL WITH USING NEURAL NETWORK MODELS
Abstract. This article assesses the effectiveness of several types of neural networks (multilayer perceptron, radial basis functions network, general regression neural network) for predicting the hardness of hot rolled sheet steels by their chemical composition and structure parameters.
Keywords: steel, hot rolling, chemical composition, structure, hardness, neural networks, prediction.
