镀锡产品边部线状缺陷分析与改进

重点分析镀锡产品边部线状缺陷的生长机制和缺陷遗传规律。在大量现场试样分析的基础上,探讨轧制过程工艺对细线缺陷产生的影响。采用SEM,EDS等方式分析缺陷的形貌,成分及组织。结果表明,边部线状缺陷主要由炼钢的夹杂物、热轧带钢边部翘皮、氧化铁皮以及冷轧热轧工序边部擦划伤缺陷遗传所致。通过热轧辊形优化可以有效控制边部翘皮缺陷;通过系列工艺控制,可以有效避免夹杂物、擦划伤及氧化铁皮缺陷。镀锡产品边部线状缺陷率降低70%以上,产品质量得到有效改善。     

带钢边部表面缺陷原因分析

对影响带钢表面质量的几种常见边部缺陷及形成机理进行了研究,采用关键过程数据分析和电镜观察相结合的方法明确了形态相似、诱因各异的形成特点。结果发现,外生夹杂导致的热轧带钢边部层状、线状缺陷区分布富含F、Na、Mg、Si等元素的块体,局部存在夹杂物与氧化铁的异质混合层。薄规格冷轧带钢叠轧类层状缺陷与轧制工艺参数设置有关,其层间组织光滑;边部线状缺陷异物刮痕特征明显,缺陷处无异物质点。研究结果为带钢表面缺陷的成因及判定提供了新的分析思路。     

热轧带钢边部起皮缺陷影响因素分析

针对某厂热轧带钢生产过程中存在边部起皮缺陷的重难点问题,从热轧工艺角度分析了加热炉炉体结构和加热温度、粗轧负荷分配、立辊侧压等对边部起皮的影响。优化热轧工艺后,带钢起皮缺陷发生率大大降低,确保了带钢表面质量。     

基于SAE-DBN混合深度网络的热轧带钢表面缺陷预报

热轧带钢表面质量缺陷严重制约了产品质量高端化，其带钢表面质量缺陷具有多元化、随机性等特征，不同缺陷的形成机理不同，造成带钢表面质量缺陷的工艺复杂，难以实现对表面质量缺陷的有效控制。为解决热轧带钢质量缺陷难以实现在线诊断的问题，针对热轧生产过程发生频率较高的氧化铁皮印压入、边部翘皮、边部裂纹缺陷展开诊断预报研究。基于表面缺陷机理分析，明确了轧制过程影响带钢表面质量缺陷产生的原因变量，将其作为热轧板带表面质量缺陷预判模型的输入数据源。然后，基于深度置信网络和深度稀疏自编码器，提出一种基于SAE-DBN(spare auto encoder-deep belief nets,稀疏自编码器-深度置信网络)混合深度网络的热轧带钢表面缺陷预报模型。在DBN诊断模型的基础上，训练单个SAE得到最优网络权重。将得到的网络权重赋值给DBN模型的首层RBM(restricted Boltzmann machine,受限玻耳兹曼机),以此种方式初始化网络权值和偏置，以此进一步提高模型的预报能力和学习效率，改善深度自编码器稳健性不足的情况。采用热轧带钢生产过程实际数据对模型进行验证，结果表明SAE-DBN混合...     

1422粗轧带钢板廓形状变化仿真研究

采用有限元的方法建立带钢立轧/平轧的三维模型,对热轧带钢粗轧过程的板廓的变化规律进行了仿真研究,重点分析了各道次轧制后带钢板廓形状和边角的位置变化,以及材质,立辊辊形,立轧压下量等因素对边角位置的影响.研究结论为现场解决热轧带钢表面的边部黑线缺陷问题提供了技术思路,为工厂最终解决此一表面缺陷提供了帮助.     

基于神经网络的热轧产品性能预报与参数优化

以实际生产数据为基础,建立热轧产品性能预报神经网络模型;通过BP网络实现逆映射,建立工艺参数设计的神经网络模块.试验结果表明,产品性能神经网络模型与工艺参数优化神经网络模型十分可靠,为解决热轧产品性能预报与工艺优化设计问题提供科学的途径.     

基于热轧工艺过程数据的硅钢同板差预测模型

为建立冷轧硅钢同板差预测模型,运用岭回归分析法对同板差影响因素进行分析,验证热轧断面参数到冷轧同板差的遗传性,并得到各特征参数的特征重要度。根据特征参数与热轧板形数据,以冷轧同板差为目标,利用BP神经网络算法建立热轧断面到冷轧同板差的遗传模型,并对冷热轧生产中各工艺特征的特征参数进行重要度关联分析,量化各工艺特征参数对带钢冷轧同板差指标的重要程度;并依据重要度参数进行模型特征选择,从而建立带钢同板差预报模型。最终将预报模型应用于工业现场,通过热轧板形数据,定量的来预测冷轧成品质量,获得较好的应用效果。     

一种基于遗传神经网络的热连轧带钢弯辊力预报方法

针对传统板形模型缺陷和带钢热连轧轧制特点,提出基于遗传神经网络的弯辊力优化预报方法.利用1580mm热轧Q235B钢种实际生产数据对网络进行训练和测试,并对结果进行分析比较.结果表明遗传神经网络预报能力不但优于传统弯辊力设定模型,而且优于单纯神经网络的预报能力,能较准确预报热连轧带钢弯辊力.基于遗传神经网络的弯辊力预报模型可提高头部板形控制精度,有实际应用的价值.     

基于深度学习模型识别热轧钢卷边部缺陷的探索

为了实现对热轧带钢边部各种质量缺陷的有效检测,针对带钢边部常见的边损、拉丝缺陷,基于深度学习SSD网络模型原理,建立钢卷边部缺陷识别模型,通过机器视觉对缺陷图片进行有效标记。模型应用后,提高了产品缺陷的识别精度和人员劳动效率,减少了质量缺陷产品的流出。     

利用SSP模块改善热轧带钢边部线状缺陷

边部线状缺陷是发生在热轧带钢上的常见缺陷,当前研究结果发现该类缺陷产生于水平轧制时带坯棱角部金属翻转至表面的过程.据此理论,对板坯定宽侧压机(SSP)模块进行形状上的设计应用,通过SSP模块改变带坯侧面形状,缩短缺陷距带钢边部距离,实现了减少切边量、提高成材率的目的.     

热轧板带边部缺陷形成机理及研究现状

对热轧板带常见的边部缺陷如边裂、边部夹层和“黑线”等进行了概述性总结,对其形成机理以及研究现状进行了介绍,并给出了有关于边部夹层和黑线的最新研究成果。利用显示动力学方法和重启动方法,以现场实际轧制参数为基础,对五道次可逆立—平轧制过程进行数值模拟。对比数值模拟结果与现场实测值,误差均在允许范围之内,可以为立-平轧制的各道次提供准确的轧制参数,且为消除边部夹层和黑线提供了理论依据。同时阐述了有限元软件在热轧板带生产中的应用现状以及亟待解决的问题,对以后的课题研究具有一定的指导意义。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

基于深度学习的热轧带钢头部厚度的命中预测

针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法.在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象.利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命...     

取向硅钢冷轧断带问题研究

对取向硅钢冷轧过程出现的断带缺陷进行了跟踪,明确了从起皮到形成孔洞,再到断带的演变过程,采用扫描电镜对翘皮缺陷进行研究,结果表明：翘皮缺陷中主要元素是Fe、Si、Al,与基体一致,另外还有微量的Ca、Mg、K、Na等元素。冷轧起皮、断带主要是由于热轧边裂缺陷遗传而成。热轧过程部分边部掉肉飞溅至热轧板表面被压入,在冷轧过程由于伸长率与基体不一致而起皮剥落。通过降低铸坯加热温度、缩短高温段在炉时间、优化轧制模型,有效抑制了热轧板边裂的产生,从而解决了冷轧断带问题。     

热轧带钢表面缺陷识别算法研究与应用

 在带钢热连轧生产过程中,带钢表面会出现不同类型的缺陷,给带钢性能造成不利影响,严重时引发质量异议。目前在线使用的带钢表面检测系统经常需要人工调整缺陷图片库,部分类别的典型缺陷图片调整后会影响另一些类型的检测精度。采用深度学习方法,设计了一种轻量化残差网络LDS-ResNet14,缩减了原始残差网络ResNet18的层数和宽度,并将普通的卷积替换成深度可分离卷积,网络的参数量和运算量大量减少;同时,使用知识蒸馏(Knowledge Distillation,KD)方法迁移大型残差网络ResNet50的知识,并提出一种混合KL散度和交叉熵的损失函数让知识更好的迁移到LDS-ResNet14上,在压缩模型的同时提升了模型的精度和泛化能力。离线试验表明,提出的网络LDS-KD-ResNet14针对武钢CSP机组的8类带钢表面缺陷的平均识别精度为99.16%,相较于ResNet18精度提高0.67%,计算量仅为原来的12.1%。实际现场在线应用表明,针对武钢CSP热连轧机组的折叠、油污、夹杂和麻点这4类缺陷,模型缺陷检出率达到96.43%、缺陷识别率达到94.10%,单张图片的检测速度为16.5 ms,满足实际生产要求。     

热轧薄规格钢带折叠缺陷成因分析及措施探讨

针对热轧折叠缺陷对酸连轧工序造成的原料空卷问题,从热轧工序相关影响因素出发,分析了薄规格热轧钢带生产过程中折叠缺陷形成原因,主要为钢带头尾存在不同程度镰刀弯或局部浪形等问题,经卷取侧导板和夹送辊共同挤压作用后形成的。通过在设备精度、工艺改进、预警机制等方面进行系统优化和改进,薄规格热轧钢带折叠缺陷发生量得以有效控制,月均发生量从攻关前的55卷左右逐渐下降至攻关以来的20卷左右水平。进一步提高了热轧钢带一检合格率和折叠缺陷的预警识别率,有效降低了热轧钢带折叠类缺陷对下游工序生产过程造成的影响,促进了上下游生产节奏的提升。     

高强钢SFB700热轧板形缺陷的成因及控制措施

分析3.0～6.0 mm厚规格的SFB700热轧板边部浪形缺陷的形成原因,主要在于轧制精轧出口板型控制边浪趋势,与带钢在轧后冷却时边部冷却不均有关。通过优化精轧板形控制策略、调节层冷区域两侧水量差及侧喷水角度减少边部浪形缺陷的产生,并采用新的平整工艺有效消除边部浪形,显著降低了SFB700边浪缺陷的发生率。     

无取向硅钢边部“翘皮”缺陷产生机理及控制

针对新钢热连轧无取向硅钢冷轧基料XG1300WR、XG1000WR、XG800WR带钢边部＂翘皮＂缺陷,根据其形成机理,对影响无取向硅钢带钢边部＂翘皮＂缺陷的主要影响因素进行了分析。结果表明,在一定钢种成分与加热轧制工艺下,粗轧过程边部的组织形态和侧压量对带钢边部＂翘皮＂缺陷的发生率有较大影响。为了有效控制带钢边部＂翘皮＂缺陷,在钢的成分控制,加热与轧制工艺,立辊孔型以及影响粗轧板坯边部温降等方面提出了可行的改进措施。     

基于机器学习的钢铁轧制过程性能预测

为了实现快速的热轧工艺优化设计,基于工业数据的钢铁材料性能预测引起了研究者的极大关注,对利用机器学习进行钢铁材料轧制过程性能预测的研究进展进行了梳理.首先介绍了钢铁材料轧制过程性能预测常用的主流机器学习算法,其中包括人工神经网络、模糊神经网络、支持向量机、随机森林、智能优化算法等.其次,分别对钢铁材料轧制过程性能预测建...     

基于RF-LSTM的热连轧板坯粗轧出口温度预报

热连轧板坯温度的连续、实时预报是提高带钢产品性能的关键,针对热连轧过程数据维度过高不利于快速、准确预测板坯温度的问题,提出一种基于随机森林-长短期记忆神经网络(RF-LSTM)的板坯粗轧出口温度预测模型.首先,采用改进随机森林算法对特征变量进行选择,通过分析板坯粗轧出口温度的预测结果变化衡量特征的贡献度,进而构造反映过...