D0I:10.13374/j.issn1001-053x.1995.s1.022 第17卷增刊 北京科技大学学报 Vol.17 1995年12月 Journal of University of Science and Technology Beijing Dec.1995 模式识别及人工神经网络算法 在16Mn钢生产中应用 徐荣军”欧昌俗” 姚忠卯)马智明”刘洪霖” 1)安阳钢铁公司2)中科院上海冶金研究所 摘要介绍了模式识别与人工神经网络算法应用于16M微合金化钢的生产工艺优化,并给出 了各目标的最佳工艺参数供生产时参考. 关键词优化,模式识别,人工神经网络,16Mn钢 Application of Pattern Recognition and Artificial Neural Network Algorithm in Optimization of 16Mn-steel Production Xu Rongjun Qu Changsu Yao Zhongmao Ma Zhiming Liu Honglin 1)Anyan Tron and Steel Company 2)Shanghai Institute of Metallurgy,(hinesc Acadeny of Science ABSTRACT Recomend Pattern recognition and artifical neural network algorithm be used on the procedure op- timization of tiny vanadium alloy-treated 16Mn-steel production.It has been gived that optimum procedure parameter for various traget to provide reference in production. KEY WORDS optimization,pattern recognition,artificial neural network,16Mn-steel 全国生产16M系列钢中,往往因为强度低,而不能按标准交货,被迫降级出售的大约占 9%.我公司1993年生产16Mn合格率仅为84.5%.其中因a.、不合格改判的占14.4%,冷 弯不合格占1%.针对这一问题,我们采用了微钒合金化的措施来提高16Mn钢板性能合格 率. 我们将人工神经网络方法(ANN)应用于工艺优化过程,并将它和传统的模式识别优化 方法结合,建立了以PIS为基础的人工神经网络算法(PLS一ANN)及其相应的模式识别一 人工智能软件包PRAI.对微钒合金化后的16Mn生产数据进行了优化分析,找到了影响 16Mn中板性能的主要工艺参数,指明了优化方向、优化点、优化区域,并利用人工神经网络 *1995一10一25收稿
第 17 卷 增刊 1 9 9 5 年 1 2 月 北 京 科 技 大 学 学 报 J o u r n a l o f U n i v e r s i r y o f Sc i e n e e a n d T e e h n o l o g y Be i ji n g V o l . 1 7 D e C . 1 9 9 5 模式识别及人工神经 网络算法 在 16 M n 钢生产 中应用 徐荣军 ` ’ 欧 昌俗” 姚忠卯 ` , 马 智 明 ` , 刘 洪霖 2 , l) 安阳钢铁公 司 2) 中科院上 海冶 金 研究 所 摘要 介绍了模式识别与 人工 神经 网络算法应 用于 16 M n 微合金化钢的生产 工艺优 化 , 并给 出 了各 目标的最佳工 艺参数供生产时参考 . 关键词 优化 , 模式识别 , 人工神经 网络 , 16 M n 钢 A p p li e a t i o n o f P a t t e r n R e e o g n i t i o n a n d A r t if i e i a l N e u r a l N e t w o r k A lg o r i t h m i n O p t i m i z a t i o n o f 1 6M n 一 s t e e l P r o d u e t i o n X u R on g z u n l ) Q u hC a n g s u ` ’ aY o Z h on g m a o ” M a Z h lm 动对 〕 -lI u H O, Z g ln 助 l ) A n y a n T r o n a n d S t e e l (二o m p a n y 2 ) S h a n g h a i I n s t一 t u t e ( ) f M e t a ll u r g y , ( 二h 一n c s e A e a d c n y o f 介i e n e e A B S T R A C T R e e o m e n d P a r t e r n r e e o g n i t i o n a n d a r r if i e a ] n e u r a l n e t w o r k a lg o r i r h m b e u s e d o n r h e p r oc e d u r e 0 1卜 t im i z a t i o n o f t i n y v a n a d i u m a l l o y 一 t r e a t e d 1 6 M n 一 s t e e l 一) r浏 u e t i ( , n . I t h o s b e e n g l v e d r h a t o p t im u m p r oc e d u r e p a r a m e t e r f o r v a r i o u s t r a g e t t o p r o v id e r e f e r e n e e i n p r (川 u e t i o n . K E Y w 0 R D S o p t i m i z a t i o n , p a t r e r n r e e 〔) g n i r i o n , a r t if i e i a l n e u r a l n e t w o r k , 1 6 M r l 一 s t e e l 全 国生 产 16 M n 系 列钢 中 , 往 往 因为强 度 低 , 而不 能按 标 准交 货 , 被迫 降级 出售 的 大约 占 9 % . 我公 司 1 9 9 3 年 生产 16 M n 合格率 仅 为 8 4 . 5 % . 其 中因 。 S 、 。 b 不 合格改 判 的占 14 . 4 % , 冷 弯 不 合 格 占 1 % . 针 对这 一 问题 , 我 们 采 用 了微钒 合金化 的 措施 来 提 高 16 M n 钢 板 性能 合格 率 . 我们将 人工 神经 网 络方 法 ( A N N ) 应 用于 工艺 优 化过 程 , 并将 它 和传 统的模 式识别优 化 方 法 结合 , 建立 了以 IP 一 为基础 的 人工 神经 网络算 法 ( IP 另 一 A N N ) 及其 相应 的模式 识另l] 一 人工 智能 软 件 包 P R A I . 对 微 钒 合 金 化 后 的 16 M n 生 产数 据 进行 了 优 化 分 析 , 找 到 了影 响 16 M n 中板性 能 的主要 工艺 参数 , 指 明 了优化 方 向 、 优化 点 、 优 化 区域 , 并 利 用人 工 神经 网络 安 1 9 9 5一 1 0一 2 5 收 稿 DOI: 10. 13374 /j . issn1001 -053x. 1995. s1. 022
·106· 北京科技大学学报 算法对优化.点进行了成功的预报,以此为基础,初步建立了16M钢生产的炉前生产专家系 统 1模式识别一人工智能优化原理简介 1.1ANN-BP原理 (1)学习理解阶段、将变量作为输入神经元的“感知”,进入神经隐埋层的若干神经元进 行尝试“理解”(建立逼近对象的非线性函数),给出问题的判断(函数目标值).由这些判断 的准确度好坏来修改“理解”(调整函数)、直到“理解”令人满意(逼近函数准确到某个精 度).这样就可用得到的知识去预测某个给定变量的结果. 对工业优化,ANN一BP有如下若千缺点.(I)由于工业过程变量多,输入结点太多,函 数关系尤其复杂,难于建立贴切的网络结构;(2)往往出现过拟合现象(Over一fitting),即 虽可相当好地拟合训练样本集,却不能正确地预测非训练样本;(3)如果给定目标值,网络 很难预报相应的变量,因为目标量往往少于变量数目很多,给定目标值求相应的变量本身是 一个不定解问题,而后者恰恰是生产上最关心的事情. 在这种情况下,我们引入了PLS为基的模式识别方法,为ANN一BP提供改善了的输入 神经元(即令输入神经元是原变量的函数且数目减少),提供将被预测的类型定性已知的优化 点,使有可能用最简单的网络结构(尽可能少的输入神经元、隐埋层及其神经元)来建立理 解的知识所对应的非线性函数. 1.2PLS算法 令X、Y分别为预处理过的训练样本集的变量和目标矩阵,t、u为潜变量(latent variables),p、q为其对应的负荷(loading),E、F为回归残差.X和Y的外部关系为: X=Stp E;Y Suq+F; X和Y的内部关系表示为:b=ut. 经过推导,可得PLS基矢R,并有:T=XR和R=(PT)-'.这里有T是训练样本在PLS 空间的投影 我们取R和R2为基,通过R一(P)-1求出训练优化样本集的分布,用传统的模式识别 法求优化类聚集区重心附近的试探优化点,再用逆映照法求得后者所对应的原始工艺参数. 2计算过程 2.1原始数据的采集及分类 为保证样本的准确性及完整性,采用了1993年末和1994年16Mn加钒微合金化后的生 产数据的跟班记录做为处理样本集,数据全部采用初验结果,考虑的变量有C、Si、M、P、 S、V含量,板厚,终轧温度等8个因素.它们依次记为X、X2…、X,其目标变量为o、 、ò及冷弯,依次认为Y、Y:、Y、Y,分别单独作为目标和综合考虑做为目标进行处理.其 分类依据分别见表1~表5
. 1 0 6 . 北 京 科 技 大 学 学 报 算法 对优化 点进 行 了成 功 的预 报 , 以 此 为基 础 , 初 步建 立 了 16 M n 钢 生产 的炉 前生产 专 家系 统 . 1 模式识别 一 人工 智能优化原理 简介 1 . 1 A N N 一 B P 原理 ( 1) 学 习理 解 阶段 , 将 变 量 作为输 入 神经 元 的 “ 感 知 ” , 进 入 神经 隐埋层 的若干 神经 元进 行尝试 “ 理 解 ” ( 建 立逼 近对 象 的非 线性 函 数 ) , 给 出问题 的 判断 ( 函 数 目标 值 ) . 由这些 判断 的准确度 好 坏来 修改 “ 理 解 ” (调 整 函 数 ) , 直到 “ 理 解 ” 令 人满 意 ( 逼近 函数 准 确到 某 个精 度 ) . 这 样就 可 用得 到 的知识去预 测 某 个给 定变量 的 结果 . 对工 业优 化 , A N N 一 B P 有如 下若 干 缺点 . ( l) 由于 工业 过程 变量 多 , 输 入 结点 太 多 , 函 数关 系 尤其 复杂 , 难 于建 立 贴切 的 网络结 构 ; ( 2) 往往 出现过 拟 合现 象 (〔) ve r 一 ift it n g ) , 即 虽可相 当好地 拟 合训练 样 本集 , 却不 能 正 确地 预 测非 训练 样本 ; ( 3) 如 果给 定 目标值 , 网络 很难预报 相应 的变 量 , 因为 目标量 往 往少 于变 量 数 目很 多 , 给 定 目标 值求相 应 的变量 本 身是 一 个不定 解 问题 , 而 后者 恰恰 是 生产 上最 关心 的 事情 . 在这 种情况 下 , 我们 引入 了 IP 一 S 为基 的模 式识别方 法 , 为 A N N 一 B P 提供改 善 了的输入 神 经元 ( 即 令输 入神 经元 是 原变 量 的函 数 且 数 目减 少 ) , 提 供将 被 预测 的类 型定 性 已知 的优化 点 , 使有 可能 用最 简单 的 网络 结构 ( 尽可 能少 的输 入 神经 元 、 隐埋 层及 其神 经元 ) 来 建立 理 解 的知识所对 应 的非线 性 函数 . 1 . 2 P L S 算 法 令 X 、 Y 分 别 为 预 处 理 过 的 训 练 样 本 集 的 变 量 和 目标矩 阵 , , 、 u 为潜 变 量 l( at en t va iar lb se ) , P 、 q 为其 对应 的 负荷 l( oa id n g ) , E 、 F 为 回 归残差 . x 和 Y 的外 部关 系 为 : X 一 凡P + E ; Y 一 艺uq + F ; X 和 Y 的 内部 关 系表示 为 : b一 ut . 经 过推 导 , 可得 IP 一 基 矢 R , 并 有 : T 一 X R 和 R 一 ( 尸勺一 ’ . 这里 有 T 是训 练样 本在 P L S 空 间的投影 . 我 们取 R , 和 R Z 为 基 , 通 过 R 一 ( 尸r ) 一 `求 出训 练优 化样 本集的分 布 , 用传 统 的模式 识别 法求优 化类 聚集 区重 心 附近 的试 探 优化 点 , 再用 逆 映照法 求得 后者 所对 应 的原 始工 艺参 数 . 2 计算过程 .2 1 原始数据的采 集及 分类 为保证样本 的 准确性及 完整 性 , 采 用 了 1 9 9 3 年 末和 1 9 9 4 年 16 M n 加钒 微 合金 化 后 的生 产数据 的跟班 记录做 为处理 样 本集 . 数据 全部 采 用初 验结 果 , 考虑 的变 量有 c 、 iS 、 M n 、 P 、 S 、 V 含量 , 板 厚 , 终 轧温度 等 8 个因素 , 它 们依次 记 为 X I 、 X Z… … 、 x s , 其 目标 变 量 为 。 S 、 6 b 、 占 5 及冷 弯 , 依次认 为 y l 、 y : 、 Y 3 、 Y j 分别单独 作 为 目标和 综 合考 虑做 为 目标 进行 处理 . 其 分类 依据分别 见表 1一 表 5
徐荣军等:模式识别及人工神经网络算法在16Mn钢生产中应用 ·107· 表1以6,为目标对样本的分类 表2以为目标对样本的分类 类别划分依据/MPa炉数占份数/% 类别划分依据/MPa炉数占份数/% 1 0,≥400 3845.8 1 m≥550 4250.6 2345<a,<400 38 45.8 2 510≤m<550 2833.7 3 0,≤345 7 8.4 3 0m<510 1315.7 表3以6,为目标对样本的分类 类别划分依据/%炉数占份数/% 表4以冷弯为目标对样本分类 1 6:≥28 40 48.2 类别 划分依据 炉数占份数/% 22≤6528 4048.2 1 冷弯合格 72 86.7 3 6<22 33.6 2冷弯裂或断 1113.3 表5以a,、、6:及冷弯综合为目标对样本分类 2.2样本集的预处理 类别 划分依据 炉数占份数/% 设M,、S,为训练样本集的变量j 1符合,≥365,0m≥540,6s≥25 的平均值和方差。定义一个分类贡献 怜弯合格 35 42.2 量: 2不属于1、3类者 2327.7 C=1M,1-M,:/WS,1-VS,2)3符合a<345,<510,a<22 2530.1 将变量按其分类贡献量大小重排,使用前m个变量作为PLS变换,令训练样本向PLS第一和 第二基构成的平面投影,测量在该平面上的聚类情况.又令由小到大,直到聚类最佳,从 而确定变量的选取.经过这一步骤后,被选用的变量又称为类识别的特征变量(features)..通 过样本的标准化,又删去变量波动过大的样本,再合并相近的样本(即变量和目标量极为相 近的样本) 经过上述预处理,选用8个特征变量,训练样本83个. 2.3作已确定变量的PLS计算 得到训练样本在PLS的R和R2的二维空间分布. 3类样本可以被较好地分开,在第一类样本聚集区重心附近获得若干优化点,通过逆映 照,得到它们的工艺参数.同时也给出2、3类样本聚集区的重心对应工艺参数,以便考验即 将建立的神经网络可靠程度(见表6)
徐荣军等 : 模式识别及人工 神经网 络算法在 1 6M n 钢生产 中应 用 表 1 以 6 , 为 目标对样本 的分类 表 2 以 。 、 为 目标对样本 的分类 类别 划 分依据 / M P a 炉数 占份数 / % 类别 划分依据 / M P a 炉数 占份数 / % 00 ǎ 8 八J C a , ) 4 0 0 4 5 . 8 2 3 4 5 < 口。 < 4 0 0 4 2 2 8 5 0 . 6 4 5 . 8 l 饥妻 5 5 0 2 5 1 0蕊 。 、 < 5 5 0 3 。 : 挺 3 4 5 仇 < 5 1 0 3 3 1 5 表 3 以 a : 为 目标对样本的分类 类别 划分 依据 / 写 炉数 占份数 / % 表 4 以冷弯为 目标 对样本分类 1 a s ) 2 8 4 0 2 2 2簇a s 镇 2 8 4 0 4 8 4 8 类别 划分依据 冷弯合格 炉 数 占份数 / % 己5 < 2 2 冷弯裂 或断 7 2 8 6 1 1 1 3 表 5 以 6 , 、 。 。 、 占5 及冷弯综合为 目标对样本分 类 2 . 2 样本集的预处理 类别 划分 依据 炉 数 占份数 / % 设 M , 、 S , 为训练 样本 集 的变 量 j 的平均 值和方差 . 定义一 个分类贡 献 量 : cj 一 l。 , 1 一 、 , 2 一/川瓦 一 v溉 ) 符合 a : 》 3 6 5 , a 、 ) 5 4 0 , a s ) 2 5 冷弯合 格 不属于 l 、 3 类者 符 合 a , < 3 4 5 , a 、 < 5 1 0 , 己5 < 2 2 3 5 2 3 4 2 . 2 : ū 沙` 0 」9é八 将变量 按其分类贡献量 大小重排 , 使用前 m 个变 量作 为 P L S 变换 . 令训 练样本 向 P L S 第一 和 第二 基构 成 的平 面投 影 , 测量 在该 平面 上的 聚类 情况 . 又 令 m 由小 到大 , 直 到聚 类最 佳 , 从 而 确 定变量 的选取 . 经 过这 一步 骤后 , 被选 用 的变 量 又 称 为类 识别 的特 征变量 ( f ea t 盯es ) . 通 过样本 的标 准 化 , 又 删去 变量 波动 过大 的样 本 , 再 合并 相近 的样 本 ( 即变 量和 目标量极 为 相 近 的样 本 ) . 经过上 述预 处理 , 选 用 8 个特 征变 量 , 训练 样 本 83 个 . 2 . 3 作已确定变量 的 P L S 计算 得到 训 练 样本在 P L S 的 R l 和 R : 的 二维 空 间分布 . 3 类样 本 可 以 被 较好 地 分开 . 在 第一类 样本 聚 集 区 重 心 附近 获 得若 干 优 化点 , 通 过 逆 映 照 , 得 到 它 们 的工 艺参 数 . 同时 也给 出 2 、 3 类 样本 聚 集区 的重 心对 应 工艺 参数 , 以 便考 验 即 将 建立 的 神经 网络 可靠 程度 ( 见 表 6)
◆108· 北京科技大学学报 表6PLS分类图上预报点的人工神经网络预测值 X1 X2 Xa X XsXs X7 X8 Y:Y:Y,Y 10.1590.3931.3370.0200.0200.0438.286854.2420.59578.0628.731.0003 20.1600.3951.3340.0200.0160.0407.825847.23424.12584.3328.861.0001 30.1400.4041.4710.0190.0190.06011.835847.70425.57595.7122.011.0351 40.1310.3551.4910.0210.0150.05011.971798.80392.14581.9325.591.9462 50.1200.3601.3520.0160.0210.0508.03811023.04360.73477.9530.181.0000 60.1240.2811.1150.0250.0330.0418.0401006.07343.80479.6130.371.0142 注:1~3为PLS图上优化区的预报点,4~6为差样本. 2.4建立网络 将训练样本集的PLS基R1和R2的投影作为输入神经元,建立一个拟合最好且结构简单 的网络,2个输入神经元(外加一个偏差),1个单隐埋层,3个隐埋神经元,8个输出端。最 后应用该网络去预测由PLS预报的试探优化点的目标值和几个待考验的“坏点”.预测结果表 明,该网络结构准确地预报了各个预报点(见表6).上述所有计算和判断决策过程可以人工 不干预软件包自动执行,也可以随机地由人工干预. 3结果与讨论 3.1按照、、6冷弯及综合考虑的模式识别 其结果如表7. 表7各工艺参数对不同目标量的贡献大小及优化方向 贡 冷弯 综合考虑 献 顺 特征优化特征优化特征优化特征优化特征优化 序 变量方向变量方向变量方向变量方向变量方向 1X.4个X,个◆。X4↓↓X,↓★X5↓↓ 2XX, X,¥X, X, 3X: X X 4 X: X: X2 Xa 5 X X X X 6 X: X X X: X X X 8X6一 X一X, 一X6 注:↑忄表示对目标贡献很重要,且向大的方向变化,↓表示对目标贡献很重要且向小的方向变化: ↑表示一般重要,且向大的方向变化:↓表示一般重要,且向小的方向变化;一表示对目标贡献不重要 (I)由表7可以看到、.主要受终轧温度影响,C、Mn、Si含量次之,S含量降低对提高
· 1 0 8 · 北 京 科 技 大 学 学 报 表 6 P L S 分类图上预报 点的人工 神经 网络预测值 X 1 X Z X 3 X ; X S X 6 X 7 X S Y , Y : Y 3 Y ; 1 O . l 5 9 0 . 3 9 3 1 . 3 3 7 0 . O 2 O 0 . 0 2 0 0 . 0 4 3 8 . 2 8 6 8 5 4 . 2 4 2 0 . 5 9 5 7 8 . 0 6 2 8 . 7 3 1 . 0 0 0 3 2 0 . 1 6 0 0 . 3 9 5 l . 3 3 4 0 . O 2 O 0 . 0 l 6 0 . 0 4 0 7 . 8 2 5 8 4 7 . 2 3 4 2 4 . l 2 5 8 4 . 3 3 2 8 . 8 6 1 . O0 O l 3 O . 1 4 O O . 4 O 4 1 . 4 7 1 0 . 0 1 9 0 . 0 1 9 0 . 0 6 0 1 l . 8 3 5 8 4 7 . 7 0 4 2 5 . 5 7 5 9 5 . 7 1 2 2 . 0 1 1 . 0 3 5 1 4 O . 1 3 l O . 3 5 5 1 . 1 9 l O . 0 2 1 0 . 0 1 5 0 . 0 5 0 1 1 . 9 7 1 7 9 8 . 8 0 3 9 2 . 1 4 5 8 1 . 9 3 2 5 . 5 9 1 . 9 搜6 2 5 O . 1 2 O O . 3 6 O l . 3 5 2 O . 0 1 6 O . O 2 1 0 . 0 5 0 8 . 0 3 8 1 l 0 2 3 . 0 4 3 6 O . 7 3 4 7 7 . 9 5 3 0 . 1 8 1 . O 0 O O 6 0 . l 2 4 O . 2 8 4 l . l 1 5 O . O 2 5 0 . O 3 3 0 . O 4 1 8 . 0 4 O l 0 0 6 . O 7 3 4 3 . 8 O 4 7 9 . 6 l 3 0 . 3 7 1 . O l 4 2 注 : 1 一 3 为 P L S 图 上 优化 区 的预报点 , 4一 6 为差样本 . 2 . 4 建 立 网络 将训 练 样 本集 的 lP 另 基 R l 和 R : 的投 影作 为输 入神 经元 , 建立 一 个拟 合 最好且结 构 简 单 的 网络 , 2 个 输入 神 经元 ( 外 加一 个偏 差 ) , 1 个单隐埋层 , 3 个隐埋神经 元 , 8 个输 出端 . 最 后应 用该 网 络 去预 测 由 P L S 预报 的试 探优 化 点的 目标值 和 几个待 考 验 的 “ 坏 点 ” . 预 测结 果 表 明 , 该 网络 结构 准 确地 预 报 了各个 预 报点 ( 见 表 6) . 上述 所有 计算 和 判断 决策过 程 可 以 人 工 不干 预软 件包 自动执行 , 也可 以 随 机地 由人工干 预 . 3 结果与讨论 3 . 1 按照 6 , 、 6 b 、 a s 冷 弯及 综合考虑的模式识别 其结果 如表 7 表 7 各工 艺参数对不同 目标 t 的贡献大小 及优 化方向 冷 弯 综合考虑 特征 变量 优 化 方 向 特征 变量 优化 方 向 特征 变量 优化 方 向 特征 变量 优化 方 向 特 征 变量 优 化 方 向 贡献顺序 I X 、 个 个 X , 个 个 X 3 告 告 X 7 杏告 X 。 告告 XX 令告 XX XX 甲血V1 鑫山甲卜l e 土 XX . 甲二 亨盛l AI今 山甲血l . 么 ▲丫lse 山甲lwe 一 X 7 一 一 X ~ XX S X 。 一 X 。 一 X 、 一 X ; 一 X 。 一 注 : 个 个表示对 目标贡 献很重要 , 且 向大的方 向变 化 , 十寺表示 对 目标贡献很重要 且向 小的方向变化 ; 个表示 一般重要 , 且 向大 的方向变 化 ; 告表示 一 般重要 , 且向小的方 向变化 ; 一 表示 对 目标贡献 不重要 ( l) 由表 7 可 以 看 到 , 。 s 主要 受终 轧 温度 影 响 , c 、 M n 、 iS 含 量次 之 , S 含 量 降低对 提高
徐荣军等:模式识别及人工神经网络算法在16Mn钢生产中应用 ·109· G.有益.P、V含量及钢板厚度对G,影响不显著. (2)C、Mn含量对o影响很显著,终轧温度及Si、S含量次之,板厚、P、V含量不显 著 (3)6;主要受C、Si、Mn含量及板厚影响,终轧温度次之,P、V、S含量对其影响不大. (4)造成冷弯不合格的主要原因除与板厚有关外与其它工艺因素关系不大.其主要影响 因素是钢质不纯即钢中气体及夹杂含量过高及成分偏析所致.影响因素依次为板厚及P、S含 量,终轧温度、碳含量及其它工艺因素次要.由以上分析可以看到,,、、6及冷弯之间的 优化工艺参数相互矛盾,即对某一目标是最佳的工艺参数,对另一目标并非最佳还可能很差, 在目前工艺条件下,对16M钢板最主要的影响因素是S,它是造成冷弯不合格的主要因素且 降低o、及d,其次为Si、C、Mn含量,终轧温度及钢板厚度也有一定影响,P、V含量影 响不显著, 3.2钢中钒含量对16Mn各项性能指标影响 因为钢中钒的吸收率很稳定,且加入量固定,钢中平均含V量0.053%,波动值为 0.0109%,其波动值很小,对分类贡献不大,若与未加钒微合金化的16Mn放在一起识别,则 它是第一位的影响因素,c、,平均提高55.7MPa和17.7MPa,V在钢中主要起沉淀强化和 弥散强化作用,该钢中含0.053%的V足已达到此作用,更多的钒对钢的强化已不明显,且 对钢的延伸率和冷弯有坏的影响, 3.3优化区和优化点及碳含量 综合考虑到、、⑥冷弯4个指标,在PLS图上可以找到优化区域,如要保证产品全部 为1类点,应在图上直线1左边区域。该直线方程为: Y=28.33x+23.6x2+2.488r3-159.5x4-159.5x4 -252.3x5+14.49r6-0.3535x?-0.02831x8+18.00>0 如要保证产品好于2类点,即合格,此区为图1中直线2左边区域.此直线方程为: Y=8.815T+8.683x+2.534x3-78.82x4-109.4x5 +2.195x6-0.2310x,-0.01815xg+21.454>0 1类的重心即优化点工艺参数为:0.15%C,0.393%Si,1.337%Mn,0.020%P,0.020% S,0.043%V,钢板厚度8.26mm,终轧温度854.26C.该工艺条件下预报的目标值为a,为 420.59MPa,为578.06MPa,6为28.73%,冷弯1.0003(好). 3.4碳含量 用逐步回归方法得到微合金化后,计算。、的碳当量,计算公式如下: Ce=C+0.11Si+0.07Mn+1.12V(计算.用) CE=C+0.198Si+0.10Mn+0.793V(计算用) 4结论 模式识别及人工神经网络优化方法对16Mn加钒微合金化钢的优化非常有效.非常适合 于工业生产中多目标、多变量的优化
徐荣军等 : 模式识别及 人工 神经网络算法在 16 M n 钢 生产 中应用 . 1 0 9 . 。 , 有益 . P 、 v 含量 及 钢板 厚度 对 氏 影响 不显 著 . (2 ) C 、 M n 含量对 6 、 影 响很 显著 , 终 轧温 度及 iS 、 S 含 量次 之 , 板厚 、 P 、 V 含量不 显 著 . ( 3) 6 5 主要 受 C 、 iS 、 M n 含量及 板厚影 响 , 终 轧温 度次 之 , P 、 V 、 S 含量 对其 影 响 不大 . ( 4) 造成冷弯 不合格 的主要 原 因除与 板厚 有关 外与 其 它工 艺 因素关 系 不大 . 其主 要影 响 因 素是钢质不 纯 即钢 中气体及 夹杂含 量过 高及 成分偏 析所致 . 影 响 因素依次为 板厚及 P 、 S 含 量 , 终轧温度 、 碳 含量 及其 它工 艺因 素次要 . 由以 上分 析 可 以 看到 , 。 s 、 。 b 、 6 5 及冷 弯 之 间 的 优化工艺参数 相 互矛 盾 , 即对 某一 目标是 最佳的 工艺 参数 , 对 另一 目标 并非 最佳还 可 能很差 . 在 目前工艺条件下 , 对 16 M n 钢板 最主要 的 影 响因 素是 S , 它是造 成 冷 弯不 合格的 主要 因 素且 降低 as 、 6 b 及 a s , 其次 为 iS 、 C 、 M n 含 量 , 终轧 温度 及钢板厚度也有 一 定影 响 , P 、 V 含 量影 响不 显著 . 3 . 2 钢中钒含量对 1 6 M n 各项性能指 标 影响 因 为钢 中钒的 吸 收率 很 稳 定 , 且 加 入 量 固 定 , 钢 中平 均 含 V 量 0 . 0 53 % , 波 动 值 为 0 . 0 1 0 9 % , 其 波 动值 很 小 , 对分类贡 献不大 , 若 与未加 钒微合 金化 的 16 M n 放在 一起识别 , 则 它是 第一 位 的影 响因素 , 6 5 、 a 、 平均提 高 5 5 . 7 M P a 和 1 7 . 7M P a , V 在 钢 中主要起沉 淀 强化 和 弥 散强 化作 用 , 该 钢 中含 0 . 0 53 % 的 V 足 已 达 到此 作 用 , 更多 的钒对钢 的强 化 已 不 明显 , 且 对钢 的延伸率 和冷 弯有坏 的影 响 . 3 . 3 为 1 优化区和 优化 点及碳含量 综合 考虑到 6 5 、 。 b 、 a : 冷 弯 4 个指 标 , 在 P L S 图上 可 以 找到 优 化 区域 , 如要 保证产 品全部 类点 , 应 在 图上直线 1 左边 区域 . 该直 线方 程 为 : Y = 2 8 . 3 3 x l + 2 3 . 6 x : + 2 . 4 8 8了 : 一 1 5 9 . s x ; 一 1 5 9 . 5 x 4 一 2 5 2 · 3 x : + 1 4 . 4 9了 6 一 0 . 3 5 3 5了 : 一 0 . 0 2 8 3 1 x s 十 1 8 . 0 0 > O 如要 保证 产品好 于 2 类 点 , 即 合格 , 此 区 为图 1 中直线 2 左 边 区 域 . 此 直线 方 程为 : Y = 8 . 8 1 s x l + 8 . 6 8 3了: + 2 . 5 3 4 x 3 一 7 8 . 8 2 x ; 一 10 9 . 4 x 5 十 2 . 1 9 5了 6 一 0 . 2 3 1 0工: 一 0 . O 1 8 1 5 x : + 2 1 . 4 5 4 > O 1 类 的重心 即优化 点工艺 参数 为 : 0 . 1 5 % C , 0 . 3 9 3 % 5 1 , 1 . 3 3 7 % M n , 0 . 0 2 0 % P , 0 . 0 2 0 % S , 0 . 04 3 % V , 钢 板厚 度 8 . 26 m m , 终 轧 温度 8 54 . 26 ` C . 该 工 艺条 件下 预报 的 目标值 为 氏 为 4 2 0 · 5 9 M P a , a b 为 5 7 8 . O 6M P a , 己: 为 2 8 . 7 3 % , 冷弯 一 0 0 0 3 ( 好 ) . .3 4 碳含 量 用逐步 回 归方法得 到 微合 金化 后 , 计 算 6 5 、 。 b 的碳 当量 , 计 算公式如 下 : C E = C + 0 . 1 15 1+ 0 . o 7 M n + 1 . 1 2 V ( 计 算 。 , 用 ) C E = C + 0 . 1 9 8 5 1+ 0 . l o M n + 0 . 7 9 3 V (计 算 a b 用 ) 4 结论 模 式识别 及 人工 神经 网络优 化方 法 对 16 M n 加钒 微合 金化 钢 的优化 非常有 效 . 非 常适 合 于工 业 生 产 中多 目标 、 多变 量 的优化