[发明专利]一种铸坯质量预报方法

说明书

本发明公开了一种铸坯质量预报方法，涉及冶金技术领域，采用基于BP算法的多层前馈神经网络模型，通过收集现场生产数据，将工艺参数作为输入，铸坯质量缺陷作为输出，应用数学方法研究输入与输出信息的关系，开发出基于人工神经网络的大方坯质量在线预报模型。实现了对特殊钢大方坯铸坯质量进行在线及时预报，并根据预报结果对铸坯的下一步走向做出判断，保证热送热装坯的质量，从而满足节能降耗、提高钢材成材率以及降低生产成本的目的。

技术领域

本发明涉及冶金技术领域，特别是涉及一种铸坯质量预报方法。

背景技术

BP神经网络的全称是基于误差反向传播的多层前馈神经网络(error backpropagation learning algorithm)，这是一种多层非线性映射网络，属于静态网。BP网络可以实现输入到输出的任意非线性映射，在工程应用中最成熟、性能最稳定、最广泛的神经网络类型即为BP型神经网络。BP神经网络是多层前馈神经网络，BP网络包括一个输入层、一个输出层、一个或多个隐含层，各层神经元之间形成全互联连接，各层内的神经元之间没有连接，其结构如图1所示。由于网络各层之间的连接权的调整采用误差反向传播(BackPropagation)的学习算法，所以将其简称为BP神经网络。BP网络模型已成为神经网络的重要模型之一，在很多领域得到了应用，但它也存在一些不足。如从数学上看，它是一个非线性优化问题，这就不可避免地存在局部极小点问题；BP网络的学习算法收敛速度较慢，且收敛速度与网络的初始权值有关；网络的结构设计，即隐含层及其节点数的选择尚无理论指导，而是根据经验选取。

随着国家大力提倡发展循环经济，冶金企业对节能降耗的要求也越来越高。在以具有能耗低、投资省、成材率高、生产周期短等明显特征的近终形连铸连轧、热送热装和直接轧制为代表的工艺紧凑化技术快速发展的今天，传统的冷态取样检查铸坯质量的判定方法已远远不能适应这一要求。因此，如何根据铸坯缺陷形成机理，利用现代数学与人工智能技术建立铸坯质量在线预报系统受到广泛关注。

连铸是一个边充填、边凝固并涉及凝固体高温塑性变形的复杂的动态凝固工艺，铸坯缺陷产生的机理非常复杂，影响铸坯质量的因素繁多，应用基于凝固机理的数学模型建立的铸坯质量预报模型很难达到令人满意的预报精度，所以在实际应用中具有相当大的局限性。而神经网络的出现给缺陷诊断提供了可能，借助于神经网络良好的自适应性、非线性逼近能力、记忆能力以及泛化能力，就可以很好地解决连铸坯质量预报这种多因素、不确定和不精确的复杂的非线性问题。

发明内容

本发明针对上述技术问题，克服现有技术的缺点，提供一种铸坯质量预报方法，选择三层BP网络结构来建立板坯铸坯内部质量预报模型，从而获得铸坯缺陷等级与工艺参数之间的复杂非线性函数关系。

为了解决以上技术问题，本发明提供一种铸坯质量预报方法，其特征在于：针对特殊钢大方坯连铸生产过程中出现的中心裂纹、中间裂纹和中心偏析三种内部缺陷来建立基于BP神经网络的铸坯质量预报模型，该模型包括输入层、隐含层和输出层，具体：

①输入层和输出层节点数的确定