热轧含Nb高强钢力学性能预报模型

借助工业大数据和冶金机理对各要素的影响进行剖析、把复杂问题拆分成若干子问题,建立热轧含Nb高强钢力学性能预报模型。首先,借鉴广义可加模型的思路,提出融合大数据与冶金机理的力学性能建模方法;考虑微合金元素碳氮化物析出对力学性能的影响,开发含Nb钢碳氮化物析出的热力学模型,可对不同温度与成分下的奥氏体平衡成分、碳氮析出物含量进行模拟计算。接着,针对某热轧线进行建模实验,采用三次光滑样条非参数估计方法获得各自变量的单变量光滑函数,得到成分、碳氮化物及工艺参数对抗拉强度的影响关系曲线。实际预测实践表明,抗拉强度、屈服强度的预测误差分别为2.54%和3.34%,新模型具有计算精度高、适应能力强等优点,可为微合金钢产品设计和优化提供参考。     

数据清洗对热轧微合金钢性能预报模型的改进

热轧生产过程实测数据具有噪音大、信噪比低等特点,运用合适的方法对异常数据进行清洗将有助于提高钢材力学性能预报模型的精度。基于带钢热连轧过程数据的分布特点,采用孤立森林算法对热轧过程异常数据进行清洗,提高了性能预报模型的预测精度。首先,基于收集到的大量热轧微合金钢生产过程数据,采用孤立森林算法计算原始数据集中每条数据记录的异常分值;接着结合异常分值排序与力学性能建模实验,确定异常数据记录的个数;最后,基于清洗后的数据集合,运用融合数据与机理的建模方法建立力学性能预报模型,并对抗拉强度和屈服强度进行预测。预测实践表明,抗拉强度和屈服强度预报的平均绝对百分误差分别为2.50%和3.42%,且分别有93.13%和86.30%的数据预测值和实测值绝对误差在±6%之内;采用孤立森林算法对热轧生产过程异常数据进行清洗,可显著提高热轧带钢力学性能预报模型的精度。     

宝钢力学性能预报模型的研究与开发

热轧带钢的力学性能预报是一项非常复杂的冶金前沿技术,经历了几十年的发展而没有走向成熟,其中原因很多。对性能预报问题的复杂性、难点及现实的数据条件进行了深入分析,揭示了传统的基于误差最小化的统计建模方法存在的问题,并指出了单纯追求模型精度难以建立可靠的预报模型。在综合分析基础上,介绍了全局可加力学性能预报模型的建模思路。实践表明,在现有数据条件下,建立全局性能预报模型是正确可行的。     

基于随机森林的钢材性能预报与影响因素筛选

钢材力学性能的影响因素众多且存在复杂交互作用,合理筛选性能预报模型的影响因素,将有助于提高模型精度。采用随机森林算法以及数据与机理分析相结合的力学性能建模方法,对热轧带钢力学性能预报与影响因素筛选问题进行了研究。首先,基于收集到的大量热轧生产过程实测数据,采用随机森林算法获得各影响因素的重要性排序;接着,基于各因素的重要性排序,逐个增加自变量建立一系列力学性能预测模型,并根据各模型预测误差的变化趋势,判断各因素对模型预测精度影响的大小,进一步筛选出更为重要的影响因素,最终建立以少量重要性较高的影响因素作为自变量的性能预报模型。最后,对国内某大型热连轧机组生产的热轧含铌高强钢产品进行了抗拉强度建模试验,实践表明,基于Mn、Cs、FDH、Nb C、Nb N、RT、Si、CT以及FET等因素建立的抗拉强度预测模型具有较高的预测精度,平均绝对百分误差为2.52%,均方根误差为21.65 MPa。     

基于广义可加模型的热轧变形抗力预报

基于热连轧生产过程实测数据,建立一种具有广义可加形式的热轧带钢变形抗力模型。首先,提出基于广义可加模型框架的热轧带钢变形抗力建模方法,包括变量预分析、模型设定、模型估计与结果分析等步骤;给出了估计模型各自变量平滑函数的back-fitting算法。接着,针对宝钢1880精轧机组进行建模实验,通过收集覆盖多钢种的带钢样本数据,建立了热轧带钢变形抗力的广义可加模型,采用三次光滑样条来估计各个模型自变量的单变量函数,获得了变形温度、变形程度、变形速率等因素对变形抗力的影响规律。实际建模实践表明,新模型的结构优于宝钢1880在线模型,具有计算精度高、适应钢种范围广等优点,可用于热连轧生产在线过程控制。     

关于热轧带钢力学性能预报技术的思考

热轧带钢力学性能预报技术兴起于20世纪70年代,因其具有广阔的应用前景,从而受到了国内外众多学术机构和企业的重视,然而,该技术的实际应用、特别是在线应用效果一直不理想。作者认为,造成这种现象的首要原因,是生产线的数据质量较差,从而使预报的可靠性大为降低。针对该问题,提出了力学性能预报技术实用化的解决思路,即把冶金机理和统计建模相结合,建立热轧带钢力学性能预报的分布式模型。实践证明,这一思路是可行的。     

基于实测数据的热轧带钢变形抗力模型

采用热连轧生产过程实测数据,建立一种新型结构的精轧带钢变形抗力模型。首先,提出热轧带钢变形抗力广义相加模型的建立方法,包括清洗数据、建立子模型、验证子模型、修正子模型等建模步骤,给出了求解广义相加模型的局部积分算法。接着,针对某热连轧生产线进行变形抗力建模实验,基于收集到的大量热连轧带钢生产历史数据,根据轧制机理和先验知识对各模型自变量进行函数变换预处理,再采用参数估计方法并指定变形抗力模型的基本形式,通过局部积分算法迭代计算确定各自变量的单变量光滑函数。预测实践表明,新模型计算精度高于该热连轧机组在线模型,具有计算精度高、适应性强等优点。     

热轧带钢组织性能预报模型及应用

 基于物理冶金理论,研究了热轧带钢过程中的奥氏体晶粒长大模型、奥氏体再结晶模型、奥氏体相变模型以及力学性能模型。奥氏体再结晶模型中,通过研究位错密度的变化来描述由于再结晶不完全造成的变形抗力的变化。奥氏体相变模型中,通过碳扩散理论描述了奥氏体-铁素体相界面随冷却过程的变化规律。基于热轧带钢过程中的冶金物理模型,开发热轧带钢组织性能预报系统。系统包括4个模块,分别用于计算板坯在加热炉、粗轧精轧、层流冷却和卷取完成各阶段的组织和力学性能参数,生产工艺是该系统的重要输入参数。利用该系统对某钢厂实际生产过程的组织性能进行预报,预报的力学性能和现场实测值有较好的一致性。     

棒线材力学性能数学模型的开发与应用

结合宣钢热轧钢筋和线材实际工艺和产品性能特征,一方面在实验室对典型的低合金钢和微合金钢进行全面系统的物理冶金试验,另一方面在热轧机组对实际生产的典型产品进行大量的成分－工艺－组织－性能数据统计处理和回归分析。通过对强化理论的基本公式和回归经验方程的分析,建立了新型的综合反映各主要强化机制对强度贡献增量的包括屈服强度、抗拉强度和伸长率在内的热轧棒线材力学性能数学模型,经宣钢三条棒材生产线和三条高速线材生产线上应用,具有高精度和高准确率的特点。     

融合半监督学习的小样本条件下热轧带钢力学性能预测

基于工业数据的热轧带钢力学性能预测技术可以有效减少热轧过程中带钢性能检测取样频率、缩短交货周期、降低生产成本，然而针对小样本下的数据驱动建模始终是一个建模难题。本文聚焦小样本条件下的热轧带钢力学性能建模问题，基于工业生产过程中产生的数据，采用安全弱监督学习(safe weakly supervised learning, SAFEW)算法为未标记数据添加伪标签，实现训练数据的扩展，采用随机森林算法建立热轧带钢成分、工艺、性能之间对应关系，并通过贝叶斯优化的方法确定随机森林超参数，实现小样本条件下热轧带钢力学性能预测。针对工业应用，本文在此基础上开发了热轧带钢力学性能预测软件，结果显示，融合半监督学习的随机森林算法较普通随机森林算法在小样本热轧带钢力学性能预测方面表现更为优异。经统计，屈服强度和抗拉强度预测值和实测值绝对误差在±30 MPa以内的命中率较普通随机森林模型分别提高了6.08%和2.60%,伸长率预测值和实测值绝对误差在±3%以内的命中率较随机森林模型提高了4.78%。     

中厚板生产过程中组织性能的预报

本文建立了C-Mn钢在控制轧制和控制冷却生产中微观组织演变和力学性能预测的物理冶金模型。模型包括加热、再结晶、相变和力学性能四部分，分别描述了中厚板热轧度冷却过程中的物理冶金现象。根据现场数据，计算了轧制过程奥氏体晶粒尺寸和再结晶分数的演变，预测了在不同工艺条件下连续冷却转变各相的体积分数和铁素体的晶粒尺寸等显微组织参数和相关的力学性能，预测结果和实测值吻合较好。     

中厚板生产过程中组织性能的预报

建立了C-Mn钢在控制轧制和控制冷却生产中微观组织演变和力学性能预测的物理冶金模型。模型包括加热、再结晶、相变和力学性能四部分，分别描述了中厚板热轧及冷却过程中的物理冶金现象。根据现场数据，计算了轧制过程奥氏体晶粒尺寸和再结晶分数的演变，预测了在不同工艺条件下连续冷却转变各相的体积分数和铁素体的晶粒尺寸等显微组织参数和相关的力学性能，预测结果和实测值吻合较好。     

400 MPa级C-Mn钢控轧控冷生产过程组织-性能的预测

建立了C－Mn钢在控制轧制和控制冷却生产中微观组织演变和力学性能预测的物理冶金模型，模型包括加热、再结晶、相变和力学性能四部分，分别描述了带热轧及冷却过程中的物理冶金现象，根据现场数据，计算了轧制过程奥氏体晶粒尺寸和再结晶分数的演变，预测了在不同工艺条件下连续冷却转变各相的体积分数和铁素体的晶粒尺寸等显微组织参数和相关的力学性能，预测结果和实测值吻合较好。     

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。     

热连轧钢材力学性能在线预报的研究与应用

 传统的产品力学性能检测是一种建立在统计学随机抽样理论基础上的检验方法,即在实验室中对取样板卷的头尾部切割样品进行检测,检测结果代表整批产品的力学性能。由于钢材生产流程长,生产过程控制参数存在一定的波动,传统力学性能检测方法不能反应每一卷带钢的力学性能,所检测样品的代表性不够充分。随着工业互联网、大数据和人工智能技术的飞速发展,特别是工业大数据相关技术的发展和应用,为这一问题的解决提供了新的途径。以实现山东钢铁集团日照有限公司热连轧产品力学性能在线预报为试验对象,以热连轧产品生产全流程关键控制工艺参数为基础,采用神经元网络、随机森林等算法建立碳素结构钢、低合金高强度结构钢的力学性能预报模型,构建了一种基于工业大数据为基础的热轧产品力学性能预报系统,包括数据采集、数据清洗、模型训练、结果分析、再现性试验和在线应用。力学性能在线预报系统已成功运行2年多时间,系统的预测精度高、稳定可靠。预测结果精度在±6%以内的比例达到90%以上,MAPE(平均绝对百分误差)不大于4%,均低于再现性检测水平,预测结果完全可以取代检测试验;提高了生产效率,缩短了产品的检测周期,轧后即可掌握产品的力学性能,降低了生产成本,已成为生产运行过程不可缺少的环节。     

铌、钒微合金紧固件钢的研究

探讨了铌、钒复合与单独铌微合金钢用于制造８．８级非调质高强度紧固件的实用性，同时对两种不同微合金化系统在现行钢的生产工艺条件下的物理冶金和力学性能特点及产品制造工艺特点进行了较详细的试验研究。铌、钒微合金钢热轧态显微组织为铁素体一珠光体，而铌微合金钢则为铁素体一贝氏体。两者在热轧状态下有较高的强度（σ＿ｂ＝６６０～６７０ＭＰａ），较好的塑性（δ＿５＝２５％～２６％）。前者的析出强化作用大于后者。铌、钒复合和单独铌微合金钢的冷拔面缩率分别超过１５％和１８％时，即可达到８．８级紧固件强度水平。为达到产品塑性要求，两者均需进行时效处理，最佳时效温度均为４００℃。紧固件试制说明，用两种试验钢制造的螺栓产品均达到了产品质量要求。     

一种热轧带钢力学性能预报模型的适用性分析方法

GLOSP模型是以宝钢2050 mm热轧产线的实际生产数据为基础,历经10年的探索与研究,从实际应用的角度研制出的一个全局通用型热轧带钢力学性能预报模型.提出了一种GLOSP模型的适用性分析方法,该方法通过设置分组变量以剔除一些可见因素造成的干扰,并在各分组内分别对力学性能实测值、预报值与其关键自变量进行线性回归,进而根据相应线性回归系数的相似度进行模型的适用性分析.应用实践表明,该方法不仅有效,还为模型的跨产线应用提供了方便.     

热轧工艺参数对含钒微合金钢组织性能的影响

以实验室热模拟实验和热轧实验为基础,采用光学显微技术和力学分析等方法,系统研究了不同热轧参数对含钒微合金钢组织和性能的影响,给出了试验钢种获得较好组织和力学性能的控冷控轧工艺制度,为改进工业生产提供了理论依据。     

热镀铝锌机组产品力学性能预报技术

针对热镀铝锌机组产品力学性能超差的问题,在对产品力学性能影响参数进行重要度分析和数据样本聚类分析的基础上,建立热镀铝锌机组产品力学性能BP神经网络预报模型,实现带钢屈服强度、抗拉强度与断后伸长率等力学性能参数在统计学意义上的计算。基于平整轧制机理模型,以变形抗力为桥梁,根据平整轧制过程中实时轧制力数据模型,反算出带钢出口处变形抗力的波动情况,以此对由BP神经网络模型预报得到的屈服强度、抗拉强度和断后伸长率进行修正,进一步形成了一套神经网络模型与物理冶金模型相结合的热镀产品力学性能预报技术。将此技术应用到了某钢厂热镀铝锌机组生产现场,为该机组生产工艺的制定提供了理论依据。     

热轧含Ti微合金钢拉伸性能及冲击韧性的改善

为研究Ti对热轧钢板拉伸和冲击性能的影响，利用热轧试验机组对不同成分体系含Ti微合金钢采用不同的轧制工艺进行轧制试验，并采用OM、SEM、拉伸和冲击试验等方法对试验钢的微观组织和力学性能进行表征与测试。结果表明，低碳钢中加入一定量的Ti,可以显著提高钢的强度，但同时也会导致钢的冲击韧性明显降低。钢中析出的大颗粒的TiN和粗大的铁素体晶粒是导致含Ti微合金钢冲击韧性恶化的主要因素。通过在含Ti微合金钢中加入Nb,采用Ti-Nb复合强化，同时配合840℃低温终轧和560℃低温卷取工艺，可显著改善含Ti微合金的冲击韧性，使钢板获得高强、高韧的综合性能。