·1702 工程科学学报，第43卷，第12期 50 700 (a) (b) 44.00%44.00% 型600 芝30 500 40 kg 10 6.007 300 4.00% 2.00% a. 0 300 400 500 600 700 -60 -40 -20 0 20 40 60 Actual values/kg Error scope/kg 国4LF精炼造渣模型预报结果.(a)石灰加入量预报：(b)石灰加入量命中率 Fig.4 Prediction results of LF refining slag-making model:(a)comparison between the calculated and actual weights of lime;(b)hit ratio of predicting the required weight of lime 为了使精炼终点钢液成分能够精准命中目 导致铸坯产生角部裂纹和内部裂纹.因此，需要严 标，笔者团队进一步构建了LF精炼终点钢液成分 格控制凝固末端强冷位置和水量，从而避免裂纹 预报模型.本团队以某钢厂现场实际数据为研究 的产生.笔者团队针对不同断面尺寸的铸坯，20， 对象，首先利用线性回归的方法研究合金料加入 结合机理研究和工业试验，提出了“凝固前段弱 量与合金元素在钢液中收得质量的关系，并根据 冷+凝固末端强冷”的连铸坯凝固冷却技术.以断 线性回归分析的结果，得到合金元素在钢液中的 面尺寸为1800mmx250mm的Q345D钢连铸板坯 终点化学成分.其次，在线性回归分析的基础上， 为例，运用该技术对连铸机结晶器和二冷区的配 采用多层递阶回归分析的方法构建了精炼终点钢 水量进行系统优化后，连铸坯特征温度情况如 液合金元素成分的预报模型.采用某钢厂现场实 图5所示，结晶器区的冷却强度降低，足辊区和弯 际数据对所建模型进行验证可知.该模型对钢液 曲段上部回温幅度和回温速率趋于平缓，二冷区 中碳、硅元素的预报结果在±0.02%误差范围内的 扇形段3段之前铸坯宽面中心温度降低变得更加 命中率可以达到95%以上，对锰元素与铬元素的 平缓，冷却更加均匀，有利于改善铸坯内部质量 预报结果在0.02%误差范围内的命中率可以达 同时，二冷区第6、7冷却段的冷却强度加大，温降 到90%以上，对硼元素的预报结果在0.0003%误 速率加快，有利于发挥凝固末端强冷工艺对板坯 差范围内的命中率可以达到90%以上.综上，所建 中心偏析的抑制作用，进而改善板坯中心的偏析 模型能够较为准确地预报钢液终点成分 缺陷.采用“凝固前段弱冷+凝固末端强冷”的连 1.3连铸工序工艺控制模型 铸坯凝固冷却技术实现了对连铸坯裂纹和中心偏 连铸工序作为钢水化学冶金过程的最后阶 析的有效控制. 段，是控制连铸坯质量的关键所在.其结晶器、二 此外，随着信息技术的快速发展，基于大数据 冷区及空冷区的工艺条件对连铸坯的凝固质量具 的机器学习方法也被用于连铸坯中心偏析的预 有重要的作用.因此，针对钢水连铸过程工艺条件 测.本团队采集了某钢厂两年的82B帘线钢2396 与钢的凝固特性及组织性能之间的相互关系进行 组连铸生产数据，包括中间包钢水成分、结品器冷 深入研究，不断优化连铸工艺参数，实现连铸凝固 却参数、二次冷却参数、拉速、过热度、比水量以 冷却过程的精益控制，是提高铸坯质量的重要措 及相应的中心碳偏析指数等15个变量的大数据， 施.笔者团队在连铸坯“纵-横”凝固冷却、连铸 经过预处理后采用Pearson相关系数法来分析变 过程二冷动态控制)、“凝固前段弱冷+凝固末端 量间的关联性，别除存在强相关性的变量，消除数 强冷”连铸坯凝固冷却技术8-1以及连铸坯质量 据的多重共线性问题.运用灰色关联分析法进一 控制等方面做了大量研究工作，以实现连铸坯 步对变量进行降维处理，剔除与中心碳偏析指数 凝固冷却过程的精益控制.本节以连铸过程凝固 相关性较弱的变量.最后，通过大量的参数调整试 冷却控制与铸坯中心偏析预测为例进行论述. 验确定预测模型的基本参数如表1所示，构建了 凝固末端强冷是改善连铸坯内部质量的有效 基于正则化极限学习机(RELM)的连铸坯中心碳 方法，但由于其作用位置靠近矫直区，喷水强冷易 偏析预测模型2四(a) 700 600 500 400 300 400 500 600 700 Actual values/kg ±40 kg Predicted values/kg 300 50 (b) 40 30 20 10 0 Error scope/kg Hit ratio/ % −40 −20 0 20 40 60 0 4.00% 44.00% 44.00% 6.00% 2.00% −60 图 4    LF 精炼造渣模型预报结果. (a) 石灰加入量预报; (b) 石灰加入量命中率[8] Fig.4    Prediction results of LF refining slag-making model: (a) comparison between the calculated and actual weights of lime; (b) hit ratio of predicting the required weight of lime 为了使精炼终点钢液成分能够精准命中目 标，笔者团队进一步构建了 LF 精炼终点钢液成分 预报模型. 本团队以某钢厂现场实际数据为研究 对象，首先利用线性回归的方法研究合金料加入 量与合金元素在钢液中收得质量的关系，并根据 线性回归分析的结果，得到合金元素在钢液中的 终点化学成分. 其次，在线性回归分析的基础上， 采用多层递阶回归分析的方法构建了精炼终点钢 液合金元素成分的预报模型. 采用某钢厂现场实 际数据对所建模型进行验证可知，该模型对钢液 中碳、硅元素的预报结果在±0.02% 误差范围内的 命中率可以达到 95% 以上，对锰元素与铬元素的 预报结果在±0.02% 误差范围内的命中率可以达 到 90% 以上，对硼元素的预报结果在±0.0003% 误 差范围内的命中率可以达到 90% 以上. 综上，所建 模型能够较为准确地预报钢液终点成分. 1.3    连铸工序工艺控制模型 连铸工序作为钢水化学冶金过程的最后阶 段，是控制连铸坯质量的关键所在. 其结晶器、二 冷区及空冷区的工艺条件对连铸坯的凝固质量具 有重要的作用. 因此，针对钢水连铸过程工艺条件 与钢的凝固特性及组织性能之间的相互关系进行 深入研究，不断优化连铸工艺参数，实现连铸凝固 冷却过程的精益控制，是提高铸坯质量的重要措 施. 笔者团队在连铸坯“纵−横”凝固冷却[16]、连铸 过程二冷动态控制[17]、“凝固前段弱冷+凝固末端 强冷”连铸坯凝固冷却技术[18−19] 以及连铸坯质量 控制[12] 等方面做了大量研究工作，以实现连铸坯 凝固冷却过程的精益控制. 本节以连铸过程凝固 冷却控制与铸坯中心偏析预测为例进行论述. 凝固末端强冷是改善连铸坯内部质量的有效 方法，但由于其作用位置靠近矫直区，喷水强冷易 导致铸坯产生角部裂纹和内部裂纹. 因此，需要严 格控制凝固末端强冷位置和水量，从而避免裂纹 的产生. 笔者团队针对不同断面尺寸的铸坯[13, 20] ， 结合机理研究和工业试验，提出了“凝固前段弱 冷+凝固末端强冷”的连铸坯凝固冷却技术. 以断 面尺寸为 1800 mm×250 mm 的 Q345D 钢连铸板坯 为例，运用该技术对连铸机结晶器和二冷区的配 水量进行系统优化后，连铸坯特征温度情况如 图 5 所示，结晶器区的冷却强度降低，足辊区和弯 曲段上部回温幅度和回温速率趋于平缓，二冷区 扇形段 3 段之前铸坯宽面中心温度降低变得更加 平缓，冷却更加均匀，有利于改善铸坯内部质量. 同时，二冷区第 6、7 冷却段的冷却强度加大，温降 速率加快，有利于发挥凝固末端强冷工艺对板坯 中心偏析的抑制作用，进而改善板坯中心的偏析 缺陷. 采用“凝固前段弱冷+凝固末端强冷”的连 铸坯凝固冷却技术实现了对连铸坯裂纹和中心偏 析的有效控制. 此外，随着信息技术的快速发展，基于大数据 的机器学习方法也被用于连铸坯中心偏析的预 测. 本团队采集了某钢厂两年的 82B 帘线钢 2396 组连铸生产数据，包括中间包钢水成分、结晶器冷 却参数、二次冷却参数、拉速、过热度、比水量以 及相应的中心碳偏析指数等 15 个变量的大数据， 经过预处理后采用 Pearson 相关系数法来分析变 量间的关联性，剔除存在强相关性的变量，消除数 据的多重共线性问题. 运用灰色关联分析法进一 步对变量进行降维处理，剔除与中心碳偏析指数 相关性较弱的变量. 最后，通过大量的参数调整试 验确定预测模型的基本参数如表 1 所示，构建了 基于正则化极限学习机（RELM）的连铸坯中心碳 偏析预测模型[22] . · 1702 · 工程科学学报，第 43 卷，第 12 期