基于多傳感器的轉爐煉鋼產品質量在線控制研究

鄭景星

（唐山不銹鋼有限責任公司 河北 唐山 063000）

0 引言

伴隨工業化進程的發展，對煉鋼產品要求越來越高，材料和制造業需要不斷創新，特別是使用頻次較高的高強鋼使用，給鋼鐵冶煉帶來了新的挑戰[1-2]。轉爐煉鋼工藝是鋼鐵冶煉的關鍵工序，通過使用受控的質量檢測系統提升生產品質量可靠性。此外，實踐生產應用效果足以證明對在線質量進行無損探測可有效提高生產效率，因此研究人員針對現行工藝制定出用于轉爐煉制高強鋼無損檢測的新方法[3-4]。

轉爐煉鋼產品質量檢測試驗主要是為了實現產品的強度校驗，強度受溫度熔核形成的影響。為了驗證連接質量達成的截面積是否合格，傳統測試方法主要側重于監測煉制的過程，個別檢測點的強度測試通常利用超聲波無損檢測完成，或通過隨機破壞性測試，如鑿子測試[5-7]。然而這些方法都有其局限性，特別是在22MnB5高強鋼的煉制中，測試幾乎不可行，而熱成像方法則可以替代上述方法完成測試。

1 實驗方法

在冶煉工藝框架內為系統開發質量檢測機，為了有效評估該方法的可行性和局限性，在生產允許的條件下進行了大量的試驗。測試中，使用控制單元，氣動伺服電機在中等頻率模式下驅動噴槍工作。改變噴槍電流和電極壓力，產生不同的熔核直徑，鋼產品材料使用鍍鋅鋼H340LAD Z100（厚度為1.5 mm）和熱式鋼22MnB5（厚度2.0 mm）。工藝參數進行詳細記錄，包括檢測電流、電壓、電極壓力、電阻和煉制過程中的聲發射，所有數據通過外部傳感器檢測并記錄，在5 kN的電極壓力作用下電流變化范圍為（5，6，7，9）kA。相反，在電流6 kA時電極壓力變化范圍為（3，5.5）kN。為了保證實驗的可靠性，在每種條件下進行10次試驗，取其平均值。

利用數據處理軟件分析過程數據，測試數據經過預處理后再進行分類。一個重要的先決條件是：測試信號要具備一些明顯特征，這些特征的選擇和數學描述過程能被高程度的理解轉化，同時還要充分認知反映相關質量特性的工藝參數和目標值之間的關系。除此之外，還需對模式識別關系方法進行分析和評估，因為它們能夠從信號模式中獲取信號特征。為了驗證質量無損，使用3MA方法進行無損檢測。

2 基于傳感器的數據分析方法

2.1 過程數據分析

為了減少用于分析算法的計算時間，輸入信號的采樣數減少到m個。對于特征計算，集合B?Rm包含了所有相關缺陷類別的波形，其中每個波形S∈B可以看作是在m維歐氏空間中的一個點，兩個波形越相似，它們在空間中顯示的點越靠近；代表特定缺陷類型的理想波形將在歐氏空間中形成孤立的點簇[8]。

為了簡化分類，減少計算復雜度，m維空間減為n維特征空間，其中n＜m。f=（f1...fn）T采用線性方法獲得：

為了在特征空間中實現缺陷簇的良好分離，使用FastICA獨立分量分析方法計算C，FastICA算法建立在最大化負熵值fi統計獨立特性的基礎上：

fi=CiS（Ci是C的第i排）

其中負熵定義為隨機分布偏離正態分布的程度。FastICA算法可以根據統計學的中心極限定理加以澄清，中心極限定理表明了獨立隨機變量的總和在某些條件下近似正態分布。

在C的基礎上，使用交叉驗證方案構建學習和測試集：

1）構造類別標簽 1j∈｛1，2｝（1：不被接受（n.a.）；2：接受（a.））

其中，j是波形Si∈B的索引。

2）生成k個兩兩隨機分區：

3）建立學習和測試集合：

每k個分區的多層感知器（MLP）由n個輸入神經元，一個隱層和兩個輸出神經元o1、o2組成。第i個分區的訓練是通過從Li到該網絡的輸入層中隨機選擇的特征向量來完成的。網絡的期望輸出是根據輸入特征向量的類別標簽設置：

給MLP一個新特征向量后，用反向傳播算法進行處理。為了給MLP找到最佳的學習參數，使用具有不同參數集的訓練信號，并和所得到的分類精度進行比較。用Li對MLP訓練的分類精度進行測試，通過設定MLP到fi∈Ti的輸入，執行向前傳播步驟，對MLP輸出與期望輸出進行比較。假如1j=1且o1＞o2或1j=2且o1＜o2，特征向量fj歸類于正確。根據每個k分區的分類試驗，建立一個混淆矩陣K。Kij計算特征向量的數量，這些特征向量原來屬于i類，通過MLP后歸為j類。為了確定分類平均精度，相加分區中的所有混淆矩陣，由此產生的混亂矩陣K—如表1所示（表1）。

表1 混淆矩陣

i類別的分類精度pi由下式計算：

圖1示出了數據流圖形式中所提方法的概要。

圖1 過程數據分析的數據流圖

2.2 用3MA方法進行無損檢測

微磁無損檢測技術可以表征材料機械性能，如硬度、硬化層深度、屈服強度和抗拉強度，微磁多參數微觀結構和應力分析（3MA）方法具備詳細的描述過程，但僅可以應用于鐵磁材料。

鋼產品的機械性能和微觀結構之間存在本構關系，由化學成分及機械預處理確定。現有晶格缺陷的數量和類型將影響材料的整體性能，包括塑性及韌性，從而影響機械性能，如拉伸強度和硬度。鋼的磁特性由微觀結構決定，鐵磁材料由磁化到飽和值的區域（外斯區）組成，區域之間的邊界被稱為磁疇壁。在外部磁場的影響下，通過移動磁疇壁到外部磁場方向來排列外斯區，該過程受到現有晶格缺陷的影響。磁化過程中材料的性能用磁參數來描述，如磁導率、矯頑磁力和剩磁。微觀結構和機械強度或鐵磁材料的磁特性之間的關系為3MA方法提供了依據。它是電磁測試方法的組合，該方法基于交變磁場的磁化，可增加磁導率，減小巴克豪森噪聲，產生多頻渦流。

啟動交變磁場（也稱為諧波），除了研究切向磁場的基波頻率，還可以分析材料的諧波矯頑力（強磁性和機械硬質材料），或用于檢測表面硬化材料的深度。巴克豪森噪聲的波形提供了材料硬度和殘余應力的相關信息，用來記錄增量磁導率的信號。多頻渦流檢測的信號根據材料的導電率和磁導率不同而變化，提供了關于材料結構變化和缺陷的相關信息。

3MA校準函數描述了3MA測量和目標值之間的因果關系，目標值的數量可以通過破壞性參考方法來確定（如維氏硬度，拉伸強度，屈服強度），用于計算校準函數的數學模型是基于統計的分析方法（回歸分析）而建立的。

3 結果與討論

3.1 過程數據分析結果

圖2和圖3展示了質量檢測過程和熔核微小片段中的電阻特征波形。測得的阻力曲線與所得的熔核直徑d相關。研究所需的最小熔核直徑為4.3 mm，產品中不能用直徑較小的熔核，因為熔核直徑不足時質量檢測過程的波形（見圖2）明顯不同于直徑足夠大時的波形（見圖3）。

圖2 熔核直徑不足情況下產品阻力曲線（d＜4.3 mm）

圖3 熔核直徑足夠大情況下產品阻力曲線（d≥4.3 mm）

電阻特性快速獨立分量分析法（FastICA算法）主要用于提取特征，用一部分電流值的信號曲線來進行訓練（25%），以確保分析測試中可利用足夠的“未知”信號特征。分類的目的是選擇更精確的曲線用于教學，以覆蓋所有可能的信號路徑。

接下來進行多次交叉驗證，同時測定值的25%用于訓練，75%為試驗評估，用分類結果計算混淆矩陣：標“正確”的檢測點是指測試集中檢測點的總數；標“無法找到故障”的檢測點是指缺陷檢測點的總數；獲得“假警報”的檢測點是指無損檢測點的總數。

質量檢測點系列在不同電流下進行20次交叉驗證，其結果是：88%檢測點是正確的，9%有缺陷的檢測點無法找到故障，15%的無損檢測點得到一個假警報；在不同的電極力下進行15次交叉驗證：91%的樣品是正確的，11%有缺陷的檢測點無法找到故障，7%無損的檢測點得到一個假警報。如果對所有檢測點同時分析，結果可能得到進一步改進。在32個特征快速獨立分量分析的基礎上，對檢測點評估進行過程訓練和特征提取，施加到檢測點的“未知”特征中（99個樣品）。對樣品的子集和整個集合進行交叉驗證，25%的曲線在每種情況下進行20次試驗，最小化集合特征選擇帶來的影響，選擇75%的曲線作為測試樣本，使統計結果足夠可靠。其結果是，94%的樣品是正確的，5%有缺陷的檢測點無法找到故障，7%無損的檢測點得到一個假警報。

3.2 3MA無損檢測結果

熔核直徑是由3MA技術無損檢測決定的，試驗裝置由德國開發，并與標準探頭3MAII E1030配套使用。為了確定校準函數，定義學習集合（約1/3所有檢測點），通過鑿子試驗和微片段來確定熔核直徑，并對熔核直徑進行校準，測試檢測點的最小熔核直徑為4.3 mm。表2示出了3MA方法的結果，3MA方法的可靠性高達80%～90%，結果可以與無損檢測方法的結果（如超聲波探傷）相媲美。

表2 用3MA方法無損檢測的結果：檢測電流和電極力的變化

4 結論

試驗證明，在轉爐煉鋼產品質量檢測過程中電阻特性為熔核及熔核直徑的形成提供信息，測得的電阻曲線與熔核直徑有關。電阻曲線反映了缺陷和孔隙的發展，尤其在冷卻條件下更為顯著，能夠識別約0.1 mm甚至更小的孔隙。利用模式識別分析數據能夠實現更高的可靠性，在質量檢測過程中同時對電阻和電極力的特性進行分析，精確度將超過95%，這樣的測試未檢測到故障和假警報的百分比可控制在5%以下；因此3MA方法可用于鋼產品橫截面的無損檢測，直接校準熔核直徑，利用評估軟件對測試結果進行客觀及自動化的評估。3MA方法的校準基本上獨立于檢測過程，所以只能檢測已完成產品的質量。為了校準該方法，需要一個數量相對較少的樣本，高達85%～90%的精確度可與常規無損檢測方法的結果媲美。