Resumen

Basándose en el estudio del mecanismo de la grieta de la pruina, se determinan los principales factores que afectan a la calidad de la pruina. Se introduce el algoritmo de optimización inteligente que combina PSO y la red neuronal Back Propagation(BP) para establecer el modelo de predicción basado en defectos típicos. Se recogen datos de muestra in situ, se normalizan y se utiliza PSO para recalcular los pesos y umbrales con el fin de acelerar la convergencia y mejorar la precisión y estabilidad de los resultados. Los resultados experimentales muestran que la precisión de predicción del modelo de red neuronal optimizado es alta, y se aproxima más a la producción real de fundición continua.

INTRODUCCIÓN

La entrega en caliente, la carga en caliente y la laminación directa se han convertido en los estándares establecidos de la producción de colada continua, y la premisa principal es garantizar la calidad de los tochos de colada [1]. Debido a la complejidad de las condiciones de campo y a la diversidad de los problemas de calidad de los desbastes, el método tradicional de detección de la calidad de los tochos en cadena fría ya no puede adaptarse a la situación actual de la producción, mientras que los equipos de detección de tochos en caliente son caros [2]. Por lo tanto, se puede utilizar el modelado dinámico de inteligencia artificial para implementar la monitorización dinámica del desbaste.

En vista de la complejidad del juicio de calidad del desbaste, se propone un modelo de red neuronal combinado con la optimización de enjambre de partículas para simular [3,4]. Entre ellos, las muestras se procesan mediante una red neuronal, la función de procesamiento relacionada se establece mediante parámetros metalúrgicos, y los pesos de la red neuronal se optimizan mediante un algoritmo inteligente. El experimento demuestra que el modelo de predicción tiene una alta precisión y una gran viabilidad.

PRINCIPIO DE ANÁLISIS Y PREDICCIÓN DE LA CALIDAD DE LOS DESBASTES

En este trabajo se investiga la calidad del desbastado, que se refleja principalmente en las grietas internas, incluidas las grietas de esquina, las grietas intermedias y las grietas centrales [5]. Los factores que afectan a las grietas internas son la calidad del acero, el proceso y el equipo. El crecimiento de los cristales y la nucleación son condiciones necesarias para la solidificación de los metales, y el gradiente de recalentamiento y temperatura afectará directamente a la velocidad de crecimiento de los cristales.  Además, el grado de fusión de los fundentes del molde o la razón de la humedad afectarán al grosor de la cáscara. Con el aumento de recalentamiento, el crecimiento de cristales es demasiado rápido, lo que es fácil causar que la cáscara de tocho sea demasiado delgada, la segregación central y la soltura central serán mayores.

• Materias:Red neuronal Modelo de predicción Fundición continua Forjado
• Subjects:Neural network Prediction modeling Continuous casting Forging
• Palabras claves:Fundición continua; Calidad de la placa de acero; Red neuronal; Optimización por enjambre de partículas; Modelo de predicción
• Keywords:Continuous casting; Steel slab quality; Neural network; Particle swarm optimization; Prediction model