控制连铸板坯中心偏析的实践

中心偏析是连铸板坯常见的内部缺陷之一.近几年来,武汉钢铁股份有限公司炼钢总厂二分厂通过坚持日常的铸坯低倍组织分析,采用轻压下技术和电磁搅拌工艺,控制好铸机辊缝精度,完善二冷配水制度,维护好二冷设备等措施,消除了铸坯A类偏析,并将B类偏析发生率控制在5%以下.     

连铸板坯中心偏析的成因及预防措施调研

针对板坯连铸过程中产生的连铸坏中心偏析内部缺陷较严重的问题，分析了产生连铸板坏中心偏析的成因，并提出了包括凝固末端动态轻压下、结晶器电磁搅拌、二冷动态控制、连铸拉速与钢水温度优化核心控制等核心技术。     

关于连铸板坯中心偏析的形成

中心区气孔和裂纹的出现，氢引起裂纹出现的趋势提高，钢的焊接性变差这些不良现象与连铸板坯中心偏析有关。许多文章专门讨论研究中心偏析产生的机理和条件。深人研究了结晶的理论模型，在此基础上可以定量测出铸坯的显微偏析和带状偏析程度。结果     

20g,16MnR连铸板坯中心偏析的研究

通过对16MnR、20g钢连铸板坯的低倍组织检验评级和轧材的偏析形态观察、力学焊接性能、偏析度检测以及偏析区显微组织分析等专项研究,查明偏析情况及其钢板性能的影响;采取适当措施后改善中心偏析的效果;并针对设备和工艺的实际情况提出进一步改善中心偏析的建议。     

用轻压下技术改善连铸板坯中心偏析

一、前言安装在里贾纳钢厂的加拿大省际管子和钢公司(IPSCO)板坯连铸机,1987年5月投产,至今一直正常生产,连铸比已达97％。本文主要介绍IPSCO板坯连铸机为控制末端凝固使用的轻压下技术,这项技术在改善板坯中心偏析方面具有重要的地位。板坯中心偏析通常指发生在板坯中心部位的半宏观偏析。以前的研究告表明,这     

连铸板坯横截面中心偏析的原位统计分布分析

采用原位统计分布分析技术对连铸板坯横截面的中心偏析特性进行了研究.通过对C、Si、Mn、P、S等元素在连铸板坯横截面中央与两侧的成分分布规律的对比,发现C,P,S,Mn等元素在连铸板坯横截面中央与两侧的成分分布存在明显差异,在中央部分易形成连续"带状"中心偏析,较两侧的偏析更为严重;Si等元素在中央与两侧的成分分布差异不明显.通过图形合成发现,在整体横截面上元素C、,P,S,Mn形成一条较连续的贯穿的"带状"偏析,而且"带状"偏析的严重程度在一定范围内起伏变化.     

16MnCr5连铸板坯中心偏析的控制研究

针对某炼钢厂生产精冲钢16MnCr5板坯中心偏析无法满足用户加工的问题,采用钢种原位分析方法,研究铸坯内部元素的含量、疏松及分布情况,优化精冲钢16MnCr5连铸生产工艺。试验结果表明:中间包浇铸钢水过热度为20～30℃;提升连铸机辊缝开口度精度;优化动态轻压下压下区间与压下量,16MnCr5板坯低倍指数由2.4级改善到2.0级。     

BP神经网络在连铸板坯质量在线诊断中的应用

为了更好地应用BP神经网络对连铸板坯质量进行在线诊断,基于连铸生产特点,利用采集的过程数据建立了符合生产实际的均一化函数.通过分析BP神经网络中各参数对网络性能及诊断准确率的影响,对BP神经网络的结构及学习算法进行修正,使该网络有选择和有区分地学习铸坯质量知识.结合某钢厂连铸现场数据,以黏结为例,建立了6种网络模型,对各模型算法进行了比较测试.结果表明:采用自定义函数均一化样本或采用提出的差异性算法训练神经网络,均可明显提高诊断准确率;采用选择性算法可确保诊断准确率不变的同时,提高学习速度;修正的算法更能很好地符合连铸生产实际.     

基于BP神经网络的大方坯质量在线预报模型

在对铸坯质量缺陷类型及其主要影响因素分析总结的基础上,确定以特殊钢大方坯常见的中间裂纹、中心裂纹和中心偏析为研究对象,利用BP神经网络建立了该3种典型缺陷的预测模型.基于冶金理论和连铸生产大量历史数据的统计分析,提炼出影响以上3种内部缺陷的20个主要工艺参数,进而提出20-15-3的预测模型网络拓扑结构.采用生产现场数...     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到956%和978%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到95.6%和97.8%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

基于BP神经网络和回归的脱硫粉剂预报模型

分析了铁水脱硫时铁水温度、铁水量、初始硫含量、脱硫后硫含量对镁粉耗量的影响,表明:随铁水温度增加镁粉耗量随之增加;随脱硫后硫含量的降低,镁粉耗量明显增加且增幅逐步扩大,为降低成本,脱硫深度应控制合理。为确定合适的粉剂用量,建立了基于BP神经网络和回归的铁水脱硫粉剂预报模型,其中BP神经网络模型是粉剂模型的主输出,回归模型用于限定输出范围。铁水脱硫粉剂预报模型已实现了在线控制,无需人工干预,达到了较好的应用效果。当偏差区间为[-0.001 5%,0.001 5%]时,脱硫后硫含量的符合率为90.85%,可有效实现脱硫后硫含量的控制。     

基于BP神经网络预测硬质合金硬度

通过BP神经网络，对WC-Co硬质合金硬度进行模拟和预测。结果表明，该方法能够比较精确地预测WC-Co硬质合金硬度与其成分变化的关系。     

基于模糊聚类及神经网络的连铸漏钢预报

在模糊RBF神经网络的基础上,通过融合基于贴近度的改进FCM和Conditional FCM算法,建立了改进的模糊RBF网络模型;并结合某钢厂连铸现场采集的历史数据将该模型应用于连铸漏钢预报的过程中。结果表明,改进的网络模型能更准确地辨识连铸粘结漏钢过程中典型温度模式1和模式2,对二者的预报率分别达到949%和983%,报出率均达到100%,其预报性能更佳,能更有效地预报拉漏事故。     

基于LM算法BP神经网络的高炉-转炉界面铁水温度预报模型

通过研究高炉-转炉界面铁水运输过程温度的主要影响因素,确定了影响高炉-转炉界面铁水运输过程温度的参数,建立了基于Levenberg-Marquardt (LM)算法BP神经网络的高炉-转炉界面铁水温度及铁水过程温降的预报模型.用沙钢100包铁水数据进行模型训练,50包铁水数据进行现场预报,结果表明:在高炉-转炉界面“一包到底”模式下,当绝对误差| X |≤20℃时,铁水温度命中率为94％,铁水温降命中率为78％;当绝对误差|X|≤40℃时,铁水温度命中率为100％,铁水温降命中率为92％,该预报模型能够满足现场实际生产需求,对炼钢生产有很好的指导意义.     

高强度船板钢连铸坯中心偏析的研究

针对连铸坯的中心偏析,采用低倍检验、金相分析、原位分析等方法对铸坯宽度方向的不同位置进行了检验、分析.结合钢水的过热度、成分、二冷状况、设备精度对连铸坯偏析状况的影响,从设备和工艺方面提出了改进措施.