一种淬透性预报及生产窄淬透性带钢的方法 技术领域 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 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。
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。
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。
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。
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
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。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。
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。
本发明的发明思路是 ：
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。
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。 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。
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 ：
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。
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。
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。
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。
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
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。 附表说明 ： 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4
102033978 A CN 102033981说明书3/5 页J9 和 J15 值的影响系数。
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。
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。
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。
1. 目标成分的设计
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。
2. 化学成分的精确控制
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 ：
1) 稳定转炉或电炉装入制度， 减小出钢量波动 ；
2) 完善钢水和合金称量系统， 提高计量精度 ；
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 -6 a[O] ≤ 7×10 ；
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 )。
3. 淬透性预报模型的建立与预测
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 ：
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。
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％。
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。
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 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 和 分别为第 i 个参考炉次的实测值， HRC ；测值， HRC ； i 为参考炉次标号， 取值为 1 ～ 6 ； 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。
4. 成分调整规则库的建立 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。
5. 窄淬透性带的在线控制
精炼过程中 20CrMnTiH 淬透性控制流程如图 4 所示， 具体步骤如下 ：
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 ；
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 ；
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 ；
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 ；
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。
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 ；
6. 预测模型的自学习
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 ；
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。
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。
表1
元素 J9 J15
C 66.89 43.46Si 33.32 24.33Mn 10.9 5.23Cr 14.46 4.23Ti -33.74 -30.35表2 元素 目标成分 /％ 控制精度 /％ C 0.20 ±0.01 Si 0.26 ±0.02 Mn 0.93 ±0.02 Cr 1.08 ±0.03 Ti 0.07 ±0.01
元素 C Si Cr表3控制对象 增碳剂 硅铁 碳素铬铁 控制方程 WCPowder ＝ (1000ΔC-7.4WHCFeMn-4.2WFeCr-3.2WMCFeMn-4.6WFeTi)/61 WFeSi ＝ (1000ΔS-63)/67 WFeCr ＝ 1000ΔCr/54