基于大数据挖掘的低碳钢连铸工艺参数优化

摘要：针对热轧卷表面缺陷，基于大数据挖掘技术中的神经网络预测模型，提出了一种优化连铸工艺参数的新方法(prediction model method，简称PMM)。PMM方法可以得到各连铸参数对表面缺陷发生可能性的多样本连续变化图，并以此得到对应影响规律、关键工艺参数及临界值。结果表明，吹氩参数中，保护氩气流量对低碳钢热轧卷表面缺陷影响最为明显且呈负相关关系，塞棒与水口位置的最佳吹氩流量分别为3.0和1.8L/min。结晶器热流参数中，内弧侧水流量影响最明显，各面水温差最佳范围为7~9℃，最佳进水温度在35℃附近。同时，表面缺陷发生可能性随拉速提高、板坯宽度、浇铸长度增加而增加明显，但随中间包钢水质量增加而逐渐降低。此外，对比发现浇铸速度、板坯宽度、保护氩气流量与结晶器冷却水流量等参数是影响热轧卷表面缺陷形成的关键连铸工艺参数，且缺陷发生可能性对结晶器冷却水总流量的波动最为灵敏，其临界下限值为8700L/min。     

缩短混匀矿检验周期的生产实践

介绍了缩短马钢混匀矿质量检验周期的管理经验,通过对混匀矿检验流程进行梳理,减少检验批次、提升试样转移速度,优化系统数据发布,满足铁厂生产需要,实现有成分参与烧结生产。     

基于大数据挖掘的连铸结晶器传热独立变化规律

针对连铸板坯表面纵裂纹,基于连铸生产过程参数,利用大数据挖掘方法,提出了一种获取现场不同参数对结晶器传热单独影响的新方法,即生产参数独立影响(IPI)法。IPI方法包含数据预处理、交叉相关程度计算、主要相关参数检验、数据筛选和独立影响分析等5个环节,以实现从交互相关的连铸参数中找到参数的主要相关参数,从而分析各连铸参数对结晶器传热的独立影响规律。结果表明,除拉速、过热度、板坯宽度、结晶器锥度、结晶器总水流量等常规影响因素外,结晶器振动频率、结晶器液位、水口插入深度、塞棒位置以及不同位置吹Ar流量等均对结晶器热流有不同程度的影响。塞棒吹Ar流量、塞棒位置和水口插入深度均对结晶器传热有正向促进作用,而水口吹Ar流量、结晶器振动频率、结晶器总水流量主要表现为负向抑制作用。另外,对于水口吹Ar流量和结晶器总水流量而言,存在结晶器热流最大的拐点值,分别为3.5 L/min和8250～8750 L/min。     

基于连铸生产大数据的热轧卷质量预测模型

板坯热送热装或连铸连轧技术逐渐被越来越多的钢厂采用,然而其进一步发展受到连铸坯质量的制约。故针对连铸坯缺陷的有效判断可避免存在质量问题的铸坯进入轧制环节,从而降低额外的能耗。基于对铸坯质量的在线检测困难这一问题,从生产大数据的角度建立了板坯热轧卷的质量预测模型。首先根据正常与缺陷产品高度不平衡的数据特点,提出了相关性分析、不平衡数据随机分类与主成分数据降维三者相结合的数据预处理方法,随后选择GA-BP神经网络算法构建了针对低碳钢、包晶钢和中碳钢的热轧卷质量预测模型。预测模型具有较高的准确率,其中低碳钢模型总体预测准确率达到94.7%,缺陷预测准确率为82.8%;包晶钢模型总体预测准确率达到93.3%,缺陷预测准确率为87.5%;中碳钢模型总体预测准确率为85.4%,缺陷预测准确率为87.3%。最后,基于Python语言编写了热轧卷质量在线预测软件,可对热轧卷质量进行实时预测,方便快速地溯源缺陷发生原因。