一种淬透性预报及生产窄淬透性带钢的方法

摘要

一种淬透性预报及生产窄淬透性带钢的方法，主要针对有淬透性要求且以Jominy值评价末端淬火硬度的钢种，包括齿轮钢、调质钢、弹簧钢和轴承钢。本发明将BP(Back Propagation)人工神经网络模型和增量算法结合，以化学成分对参考炉次的成分增量作为输入，以Jominy末端淬火硬度对参考炉次的端淬值增量作为输出，建立基于增量神经网络的淬透性预报模型；根据增量神经网络模型的端淬预测值与端淬目标值的差值，由成分规则库给出各元素成分调整量，并按合金加料模型计算的合金加入量进行加料，实现钢水精炼过程中的化学成分在线微调和窄淬透性带控制。应用本发明，可生产出淬透性带宽为4HRC的端淬钢。

权利要求

1.一种淬透性预报及生产窄淬透性带钢的方法，其特征在于，将人工神经网络模型和增量算法结合，以化学成分对参考炉次的成分增量作为输入，以Jominy末端淬火硬度对参考炉次的端淬值增量作为输出，建立基于增量神经网络的淬透性预报模型；根据增量神经网络淬透性预报模型的端淬预测值与端淬目标值的差值，由成分规则库给出各元素成分调整量，并按合金加料模型计算的合金加入量进行加料，实现钢水精炼过程中的化学成分在线微调和控制窄淬透性带；增量神经网络采用3～4层结构，中间隐含层和输出层神经元处理函数分别采用Sigmoid函数和线性函数；选取当前炉次之前的4～6个历史炉次作为参考炉次；以各参考炉次对应的端淬预测值的算术平均值作为当前炉次的端淬预测值。

说明书

一种淬透性预报及生产窄淬透性带钢的方法

技术领域

[0001] 本发明涉及一种淬透性预报及生产窄淬透性带钢的方法，适用于有淬透性要求且以Jominy值评价末端淬火硬度的钢种，包括齿轮钢、调质钢、弹簧钢和轴承钢。

背景技术

[0002] 近几年，端淬钢的应用领域(如齿轮和轴承工业等)向着高速、重载、精密和低噪音的技术方向发展，要求端淬钢具有更高的加工精度和尺寸稳定性。为了实现这一目的，对高品质端淬钢的基本要求是提高钢材淬透性的稳定性与控制精度，减少其热处理后的回弹量。实践证明，端淬钢的淬透性带宽越窄，热处理后的回弹量越小，尺寸精度越高。通常高品质端淬钢的基本要求是淬透性带宽≤6HRC，国际先进水平达到淬透性带宽≤4HRC。

[0003] 缩小淬透性带宽的措施主要包括：1)严格控制钢材化学成分，实现窄成分控制；2)对淬透性进行在线预报与调整，确保控制精度和淬透性稳定。

[0004] 中国专利申请号90103405.3公开了“一种生产窄淬透性带钢的方法”，该方法采用复杂的非线性代数式预报钢的端淬硬度值，在不进行和进行成分微调情况下，能分别生产出淬透性带宽在8HRC和6HRC以内的端淬钢。但其端淬值预测模型不能消除化学成分分析和硬度测试过程中存在的系统误差，且涉及的模型参数众多，不便于进行参数修正，难以满足高品质端淬钢窄淬透性带的控制要求。

[0005] 日本国专利申请号2004-294246公开了有淬透性要求钢材末端淬火Jominy值的预测及钢水成分调节方法，该方法选取一个参考成分及对应的端淬值为比较基础，采用成分增量模型预测端淬值，并根据预测结果调节熔炼钢水成分。尽管该方法能在一定程度上消除化学成分分析和硬度测试的系统误差，但选择的参考炉次过少，选择不当易引起较大的端淬值预测误差；且模型过于简化，将化学成分与端淬值间复杂的非线性关系，简化为简单的线性增量模型，会降低模型预报精度。

[0006] 淬透性预报是进行化学成分微调、实现窄淬透性带控制的基础。因此，提高淬透性预报模型的预报精度和准确率至关重要。人工神经网络(ANN-ArtificialNeural Network)模型因其良好的非线性映射能力、容错性、鲁棒性和自学习能力，被广泛应用于组织性能预报领域，并取得较好效果；目前最常用的ANN模型是BP(Back Propagation)模型，即误差反向传播模型。增量模型因其在一定程度上能消除化学成分分析、检测和计量参量的系统误差，在氧气转炉炼钢静态控制模型上得到广泛应用；目前最常用的是基于多个参考炉次的增量模型。

发明内容

[0007] 本发明的目的是提供一种淬透性预报及生产窄淬透性带钢的方法，解决了常规淬透性预报与控制方法的控制精度低、难以满足高品质端淬钢窄淬透性带控制要求的问题。淬透性预报和精炼成分在线微调，适用于有淬透性要求且以Jominy值评价末端淬火硬度的钢种，包括齿轮钢、调质钢、弹簧钢和轴承钢。

[0008] 本发明的技术解决方案是：将BP(Back Propagation)人工神经网络模型和增量算法结合，以化学成分对参考炉次的成分增量作为输入，以Jominy末端淬火硬度对参考炉次的端淬值增量作为输出，建立基于增量神经网络的淬透性预报模型；根据增量神经网络淬透性预报模型的端淬预测值与端淬目标值的差值，由成分规则库给出各元素成分调整量，并按合金加料模型计算的合金加入量进行加料，实现钢水精炼过程中的化学成分在线微调和控制窄淬透性带。

[0009] 增量神经网络采用3～4层结构，中间隐含层和输出层神经元处理函数分别采用Sigmoid函数和线性函数；选取当前炉次之前的4～6个历史炉次作为参考炉次；以各参考炉次对应的端淬预测值的算术平均值作为当前炉次的端淬预测值。

[0010] 本发明的发明思路是：

[0011] 1)建立基于增量神经网络的淬透性预报模型，以有效消除化学成分分析和硬度检测过程中存在的系统偏差，简化化学成分和端淬硬度的复杂非线性映射函数关系，提高端淬硬度值的预报精度。

[0012] 2)建立成分调整规则库和合金加料模型，根据增量神经网络淬透性预报模型的端淬预测值与端淬目标值的差值，由规则库给出各元素成分调整量，并按合金加料模型计算的合金加入量进行加料，以实现钢水精炼成分的在线微调。

[0013] 3)将端淬值预测与精炼钢水成分调整反复交替进行，直至端淬预测值与端淬目标值偏差绝对值小于等于2HRC，实现窄淬透性带端淬钢稳定生产。

[0014] 本发明的技术效果：通过建立基于增量神经网络的淬透性预报模型，并以该模型指导钢水精炼过程中的化学成分微调，能稳定生产带宽为4HRC的窄淬透性带端淬钢。附图说明：

[0015] 图1是本发明一种淬透性预报及生产窄淬透性带钢的方法的增量神经网络淬透性预报模型结构图。

[0016] 图2是本发明一种淬透性预报及生产窄淬透性带钢的方法的基于增量神经网络的淬透性预报模型的预报精度。

[0017] 图3是本发明一种淬透性预报及生产窄淬透性带钢的方法的成分调整原则图。

[0018] 图4是本发明的一种淬透性预报及生产窄淬透性带钢的方法的基于增量神经网络模型的淬透性预报与成分微调控制流程。

[0019] 图4中 和 分别为本炉次当前成分与第i个参考炉次对应元素含量的差值，％；J9aim和J15aim分别为J9和J15控制目标值。
实施例

[0020] 以齿轮钢20CrMnTiH的窄淬透性带控制为例。国标GB/T5216-2004规定其端淬值范围：J9值为30～42HRC，J15值为22～35HRC。当客户按照J9和J15值的中限4HRC范围进行订货时，即J9值为34～38HRC，J15值为27～31HRC，需按如下方式实现窄淬透性钢的生产。

[0021] 附表说明：

[0022] 表1是本发明一种淬透性预报及生产窄淬透性带钢的方法的20CrMnTiH各元素对J9和J15值的影响系数。

[0023] 表2是本发明一种淬透性预报及生产窄淬透性带钢的方法的20CrMnTiH的目标成分及控制精度范围。

[0024] 表3是本发明一种淬透性预报及生产窄淬透性带钢的方法的20CrMnTiH的合金化加料计算模型。

[0025] 表3中ΔC、ΔSi和ΔCr为要求的各元素成分调整量，％；Wi为各种合金料吨钢加入量，kg/t。下标CPowder代表增碳剂，HCFeMn为高碳锰铁，MCFeMn为中碳锰铁，FeCr为碳素铬铁，FeTi为钛铁，FeSi为硅铁。

[0026] 1.目标成分的设计

[0027] 分析主要合金元素C、Si、Mn、Cr和Ti对J9和J15值的影响，确立各元素对J9和J15值的影响系数，如表1所示。为保证J9值和J15值的淬透性带宽同时达到≤4HRC要求，将与J9/36HRC和J15/29HRC对应的成分作为目标成分，根据每种合金元素对淬透性的贡献确定各元素的控制精度范围，如表2所示。

[0028] 2.化学成分的精确控制

[0029] 为达到20CrMnTiH的设计目标成分，提高成分控制精度，采取以下技术措施：

[0030] 1)稳定转炉或电炉装入制度，减小出钢量波动；

[0031] 2)完善钢水和合金称量系统，提高计量精度；

[0032] 3)降低精炼炉渣和钢水含氧量，稳定元素收得率，要求加钛铁前的氧活度-6a[O]≤7×10 ；

[0033] 4)建立精炼过程合金化加料计算机控制模型，如表3所示，提高成分控制的稳定性和精确性(表3中仅给出了碳粉、铬铁和硅铁合金加料方程)。

[0034] 3.淬透性预报模型的建立与预测

[0035] 成分调整是以淬透性预报为基础，基于增量神经网络的淬透性预报模型结构如图1所示。其结构和使用描述如下：

[0036] 1)模型的建立：人工神经网络模型采用BP模型，该模型设计为三层网络结构，分输入层、隐含层和输出层，以C、Si、Mn、Cr和Ti元素对参考炉次的成分增量(ΔC、ΔSi、ΔMn、ΔCr和ΔTi)为网络输入，输入层节点数为5；以J9值和J15值对参考炉次的增量(ΔJ9和ΔJ15)为网络输出，输出层节点数为2，输出层的神经元处理函数采用线性函数；隐含层节点数为10，其神经元采用Sigmoid函数。

[0037] 2)模型的训练：基于增量神经网络的淬透性预报模型建立后，利用历史炉次数据，构建500个增量样本，随机抽取300个样本对网络进行训练，另外200个样本作为检验样本，检验网络训练效果。图2为检验样本J9和J15的预测值与实测值的比较，可见，基于增量神经网络的淬透性预报模型的预报精度很高，J9和J15值预测精度为±2.0HRC时，模型的命中率分别达到99.5％和98.4％。

[0038] 3)模型的预测：选取当前炉次之前的6个历史炉次作为参考炉次，以当前炉次精炼钢水的当前成分与各参考炉次的成品成分增量分别作为BP神经网络模型的输入，得到与各参考炉次对应的当前炉次精炼钢水的当前成分的6个J9预测值和6个J15预测值。对6个J9预测值和6个J15预测值分别进行算术平均，得到与当前炉次精炼钢水的当前成分对应的J9和J15的预测值。

[0039]

[0040]

[0041] 式(1)和(2)中，J9pre和J15pre分别为与当前炉次当前成分对应的J9和J15预测值，HRC； 和 分别为以第i炉为参考炉时，当前炉次当前成分对应的J9和J15预测值，HRC；i为参考炉次标号，取值为1～6； 和 分别为第i个参考炉次的实测J9和J15值，HRC； 和 分别为以第i炉为参考炉时，当前炉次当前成分对应的J9和J15预测值与第i个参考炉次的实测值的差值，HRC。

[0042] 4.成分调整规则库的建立

[0043] 当增量神经网络模型预测的J9和J15值与控制目标值的差值的绝对值大于2HRC时，需对精炼成分进行微调。成分调整应遵循一定的规则，首先对J9和J15预测值与控制目标值的差值情况进行分类，对每一类情况建立相应的成分调整规则，最终形成一个完整的成分调整规则库。以此规则库为基础进行化学成分的微调。对20CrMnTiH齿轮钢而言，因钛是活泼金属元素，易氧化，只能在钢水完全脱氧后加入；且与其他元素增加淬透性不同，Ti元素降低淬透性。因此，成分调整规则库建立的总原则是：1)通常情况下，固定钢水目标钛含量(0.07％)，主要调整C、Si、Mn和Cr元素含量；2)根据C、Si、Mn和Cr的当前成分和Ti目标成分预测的J9和J15值超过窄淬透性带控制上限时，应调整钢水中Ti元素含量。图3是对精炼到站钢水，其J9和J15预测值低于控制目标范围下限时，给出的一组成分调整规则。此规则以硅含量和钛含量控制目标成分是定值为前提。

[0044] 5.窄淬透性带的在线控制

[0045] 精炼过程中20CrMnTiH淬透性控制流程如图4所示，具体步骤如下：

[0046] 1)根据精炼到站钢水成分启动增量神经网络淬透性预报模型，预报当前成分下的J9和J15值；

[0047] 2)如果J9和J15预测值没有落入36±2HRC和/或29±2HRC范围，根据J9和J15的预测值与目标值的差值，由成分调整规则库给出各元素成分的调整量，并由合金加料模型计算各种合金加入量；

[0048] 3)按照合金加入量的计算值进行加料，对精炼钢水成分进行调整；

[0049] 4)根据调整后的实际钢水成分，采用增量神经网络模型预报J9和J15值；

[0050] 5)比较J9和J15预测值和目标值，当J9和J15预测值分别落入36±2HRC和29±2HRC范围，且当前成分已满足国标GB/T5216-2004要求，当前炉次实现窄淬透性带控制，满足当前客户要求，钢水出站；否则，按照步骤2)、3)和4)反复执行，直至钢水成分和窄淬透性带控制均满足要求为止。

[0051] 6)如果针对当前客户的窄淬透性带控制失败，应根据实际淬透性带的分布进行改判或寻找其他客户；

[0052] 6.预测模型的自学习

[0053] 1)参考炉次的更新：在参考炉炉次总数为6炉的情况下，选取近期成分控制合理且淬透性控制精度高的炉次作为新的参考炉，部分或完全替代以前的参考炉次，以提升参考炉次信息的参考价值；

[0054] 2)神经网络模型的自学习：每隔2天，选取近期500炉数据样本对网络重新进行训练，以确保模型的适应性和预报准确性。

[0055] 采用齿轮钢20CrMnTiH淬透性在线预报和在线控制后，成品钢材取样检测J9和J15值，其在36±2HRC和29±2HRC范围的比例均达到94％以上。

[0056] 表1

[0057]元素 C Si Mn Cr Ti
J9 66.89 33.32 10.9 14.46 -33.74
J15 43.46 24.33 5.23 4.23 -30.35

[0058] 表2

[0059]元素 C Si Mn Cr Ti
目标成分/％ 0.20 0.26 0.93 1.08 0.07
控制精度/％ ±0.01 ±0.02 ±0.02 ±0.03 ±0.01

[0060] 表3

[0061]元素 控制对象 控制方程
C 增碳剂 WCPowder＝(1000ΔC-7.4WHCFeMn-4.2WFeCr-3.2WMCFeMn-4.6WFeTi)/61
Si 硅铁 WFeSi＝(1000ΔS-63)/67
Cr 碳素铬铁 WFeCr＝1000ΔCr/54