BP神经网络在电渣重熔工艺参数优化中的应用研究

Ｖｏｌ－３１ＮＯ．１００Ｃｔ．２０１０铸造技术

ＦＯＵＮＤＲＹＴＥＣＨＮＯＬＯＧＹ

ＢＰ神经网络在电渣重熔工艺参数优化中的应用研究唐建军１’２，耿茂鹏１，饶磊１（１．南昌大学，江西南昌机电学院，江西南昌３３００１３；２．江西农业大学计算机与信息工程学院，江西南昌３３００４５）摘要：电渣重熔过程中需要兼顾产品质量、生产效率、生产成本等因素，本文以熔铸电流、冷却水流量、渣池深度作为输入变量，以电极端部锥高、熔化效率、电功率因数作为输出变量，利用ＢＰ人工神经网络理论，在ＭａｔＬａｂ平台上建立起电渣重熔生产工艺优化模型。实验证明，该模型可以用于电渣重熔过程中工艺参数的辅助选择。关键词：电渣重熔；ＢＰ神经网络；参数优化中图分类号：ＧＦ７４４文献标识码：Ａ文章编号：１０００－８３６５Ｉ２０１０）１０—１２９１—０３

ＳｔｕｄｙｏｆＥＳＲＰｒｏｃｅｓｓｉｎｇＰａｒａｍｅｔｅｒｓＯｐｔｉｍｉｚａｔｉｏｎＵｓｉｎｇＢＰＮｅｕｒａｌＮｅｔｗｏｒｋＴＡＮＧＪｉａｎ－ｊｕｎｌ一。ＧＥＮＧＭａｏ－ｐｅｎ９１，ＲＡＯＬｅｉｌ（１．ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｃｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ３３００１３，Ｃｈｉｎａ；２．ＩｎｓｔｉｔｕｔｅｏｆＣｏｍｐｕｔｅｒａｎｄＩｍｆｏｒｍｉｎｇＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｘｉＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｊｉａｎｇｘｉ３３００４５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＩｎＥＳＲｐｒｏｃｅｓｓ，ｐｒｏｄｕｃｔｑｕａｌｉｔｙ，ｐｒｏｄｕｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙ，ｐｒｏｄｕｃｔｉｏｎｃｏｓｔｓａｎｄｏｔｈｅｒｆａｃｔｏｒｓ

ｎｅｅｄｓｔｏｂｅｔａｋｅｎｉｎｔｏａｃｃｏｕｎｔｂａｌａｎｃｅｄ．Ｉｎｔｈｉｓｒｅｓｅａｒｃｈ，ａｎｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌｏｆＥＳＲｐｒｏｄｕｃｔ

ｐｒｏｃｅｓｓｗａｓｅｓｔａｂｌｉｓｈｅｄｉｎｔｈｅＭａｔＬａｂｐｌａｔｆｏｒｍｕｓｉｎｇＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｔｈｅｏｒｙ．Ｔｈｅｍｏｄｅｌｕｓｉｎｇ

ｔｈｅｍｅｌｔｉｎｇｃｕｒｒｅｎｔ，ｃｏｏｌｉｎｇｗａｔｅｒｆｌｏｗ，ｓｌａｇｐｏｏｌｄｅｐｔｈａｓｉｎｐｕｔｖａｒｉａｂｌｅｓ，ａｎｄｕｓｉｎｇ

ｃｏｎｅ－ｈｅｉｇｈｔ

ｏｆ

ｔｈｅｅｌｅｃｔｒｏｄｅｂｏｔｔｏｍ，ｍｅｌｔｉｎｇｒａｔｅ，ｅｌｅｃｔｒｉｃｐｏｗｅｒｆａｃｔｏｒａｓｔｈｅｏｕｔｐｕｔｖａｒｉａｂｌｅ．Ｅｘｐｅｒｉｍｅｎｔｓ

ｓｈｏｗ

ｔｈａｔｔｈｅｍｏｄｅｌｃａｎｂｅｕｓｅｄｆｏｒｔｈｅｐａｒａｍｅｔｅｒｓｃｈｏｉｃｅａｕｘｉｌｉａｒｙｉｎＥＳＲｐｒｏｄｕｃｔｐｒｏｃｅｓｓ．

Ｋｅｙｗｏｒｄｓ：ＥＳＲ；ＢＰＮｅｕｒａｌｎｅｔｗｏｒｋ；Ｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ

电渣重熔生产的钢种具有纯度高、含硫量低、非金属夹杂物少、钢锭表面光滑、结晶均匀致密、金相组织和化学成分均匀等优点，电渣产品广泛应用于航空航天、军工、能源、船舶制造、电子、石化、重型机械、交通等许多国民经济的重要领域［１］。电渣重熔过程是一个非常复杂的过程，其中包含了大量的冶金反应现象，影响参数也非常多。电渣重熔作为一种典型的“近净成型”方法，在实际生产中必须充分发挥它在材料提纯精炼方面的优势，但又要兼顾生产效率和生产成本等因素。因此，电渣熔铸过程工艺参数优化设计是一个多目标的组合优化问题，生产中希望能够根据生产目标选择相应的工艺指标，这就需要靠大量的反复实验来获取不同目标下的工艺参数。由于其中所涉及的参数较多，因此在实际中使用是不现实的，且难以用传统的数学方法解决。人工神经网络系统具有通过模拟人的收稿日期：２０１０—０６—１７；修订日期：２０１０－０７—１８基金项目：国家８６３计划资助项目（７１５—００９—０１１０）；南昌市科技局资助项目作者简介：唐建军（１９７５一），江西抚州市人，副教授．主要从事电渣冶金、自动控制的研究．Ｅｎｔａｉｌ：ｔａｎｇｊｊ［＠１６３．ｃｏｒｎ神经元的学习功能，映射任何复杂的非线性关系，而无需建立复杂的物理模型和人工干预［２］。本文试图将人工神经网络应用于电渣重熔过程中的工艺参数优化中，通过给出电渣熔铸的工艺参数及熔铸目标，经过神经网络的训练学习，可以实现由熔铸目标选择熔铸工艺参数。１试验装置与方法１．１试验装置实验在小型电渣熔铸机上进行，可以完成自耗电极的连续、自动的输送，电力系统为１６０ｋＶＡ，熔铸电流范围０～３０００Ａ，短网输出电压５０Ｖ，最大熔化率６０ｋｇ・ｈ一，电流跟踪精度１％，结晶器入口最大水压

０．４ＭＰａ。结晶器结构示意图见图１。试验中的渣料为ＡＮＦ一６渣系，自耗电极材料为４５钢。１．２试验方法采用作正交实验，因素与水平设置见表１。１．３参数选择１．３．１输入参数选择参数的选择要求能够真实反映生产中的工艺参数及熔铸目标，且可以控制，选择的参数如下。

万方数据ＦＯＵＮＤＲＹＴＥＣＨＮＯＬＯＧＹＶ０１．３１Ｎｏ．１００ｃｔ．２０１０ｏＩｎｎ

蕊Ｌ—型量一图１结晶器结构示意图Ｆｉｇ．１Ｓｃｈｅｍａｔｉｃｏｆｍｏｌｄ表１试验因素水平设置表Ｔａｂ．１Ｅｘｐｅｒｉｍｅｎｔａｌｆａｃｔｏｒｓｌｅｖｅｌｓｅｔｔａｂｌｅ

（１）熔铸电流。这是在电渣熔铸过程中容易控制，且对熔铸件质量有较大影响的因素之一。熔铸电流过小，会使熔铸过程变慢，影响效率，甚至会使熔铸过程中断；过大，可以提高熔铸效率，但会降低电流做有用功的效率［１］，且对设备要求高，易造成结晶器击穿等事故。本试验选取２０００～３０００Ａ的熔铸电流范围。（２）渣池深度。渣池直接影响熔铸件的凝固结晶、非金属夹杂物和气体的去除，从而影响钢锭的质量［２］，并影响着熔铸电流的大小，进而影响熔铸的效率［３］。渣池深度可以由熔铸初始时倒入的渣量进行控制。渣池深度过小易导致自耗电极易插入金属熔池而致短路事故；过大，则会使熔铸电流过大，而对设备要求高，且易导致结晶器击穿事故发生。根据本设备的多次试验，渣池深度取值范围在６０～１００ｍｍ之间。（３）冷却水流量。冷却水用于对金属熔池中的金属液进行强制冷却结晶，因而对结晶质量有较大的影响。冷却水流量可以通过冷却水阀门进行控制，但冷却水流量过小会使结晶器壁熔化；过大又会对水冷系统连接等部位要求过高，易产生渗漏，出现事故，且增加成本。根据经验，将其值选取在１．２～１．６ｍ３／ｓ之间较合适。１．３．２目标参数的选取（１）电极端部锥高。电渣重熔过程中，熔化金属液与渣液接触而具有净化作用的渣洗过程对铸件质量有明显影响，提高熔化金属液表面积可以使净化过程更好的完成，锥高可以间接反应这一指标，因此，将锥高作为目标参数之一。（２）电极熔化率。该指标将反应生产效率，因此在生产中是～个很重要的指标之一。（３）功率因数。由于电渣熔铸过程中，电能消耗较大，而且电能产生的热量很大部分要被消耗掉，功率因数反映电能利用率，因此功率因素对于生产成本具有很大的影响。１．４神经网络的建立由于ＢＰ网络是一种较强的学习系统，且具有复杂的非线性处理能力ｈ引，因此本文采用ＢＰ网络，网络结构为输入层、隐含层（中间层）和输出层３层，输入层单元数根据已知输入的数据设定为３个，输出层单元数根据需要得到的结果设定为３个，隐含层单元数采用经验公式计算：ＮⅢｄｅｎ一杉而式中，优，咒分别代表输入、输出层单元数。本例选择隐含层单元数为３。１．５人工神经网络的学习训练与模拟ＢＰ网络训练样本来源于正交设计实验，并以相同试验条件的７组单因素实验数据［１’６’７］作网络验证数据。为了防止大样本淹没小样本，且提高计算的效率，需要对原始数据进行归一化处理，将数据归一化至［ｏ，１］之间。归一化公式为：ｔ。＝（￡一￡ＩｎｉＩＩ）／（￡。。一￡。。）式中，ｔ是输入的试验数据，ｔ面。、￡。，分别是输入数据中的最小值和最大值，ｔ。是归一化后的数据。网络建立后，利用ＭａｔＬａｂ神经网络工具箱对样本进行训练，以便建立输入与输出的映射关系。本文训练函数采用Ｌｅｖｅｒｂｅｒｇ—Ｍａｒｑｕａｒｄｔ优化算法。训练完成后，就可以利用工具箱中的ｓｉｍ（）函数进行预测仿真。２实验结果与分析正交实验数据及利用这些数据训练网络，结果见表２。在数据进行归一化时，由于电极熔化率及功率因数的值域已经在［ｏ，１］之间，因此，不做处理。经试算，如直接利用电极端部锥高作训练数据，将导致训练后的网络泛化能力很差，需要利用以下公式转换成锥部表面积后作为训练数据：Ｓ一氕矗唧式中，ｒ为电极半径，ｈ为电极锥高。网络训练误差变化如图２所示。由于训练样本较少，因此训练过程中误差可以很快的降低到０．００１以下。

万方数据《铸造技术）１０／２０１０唐建军等：ＢＰ神经网络在电渣重熔工艺参数优化中的应用研究・１２９３・

表２神经网络训练数据Ｔａｂ．２ＴｒａｉｎｉｎｇｄａｔａｏｆＡＮＮ

榭媸蜷＝＝ａ

迭代次数图２网络训练误差变化图．Ｆｉｇ．２Ｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｅｒｒｏｒｃｈａｎｇｅｃｕｒｖｅ

将文献中的７组数据代人训练好的网络中进行仿

真预测，结果见表３。利用文献中的数据进行仿真验证，结果表明，除第４、７组的电极端部表面积的预测值相差较大，分别为０．４５６９和０．１１６０，其余参数的输入值与预测值相差

在０．００１～０．０８０之间，已经非常小了，即利用训练的网络能够对电渣熔铸中选择的工艺参数对目标参数进行仿真预测，并进行优化。

表３网络仿真预测值Ｔａｂ．３ＳｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｏｆＡＮＮ

３结语

利用人工神经网络理论，建立起以熔铸电流、渣池深度、冷却水流量为输入参数，以电极锥表面积、电极熔化率、功率因数为输出参数，建立的电渣重熔过程中的工艺参数的预测模型，可以反映真实生产过程中对工艺参数优化的要求，可以用于工艺参数的优化选择。

参考文献Ｅ１３饶磊，耿茂鹏，杨小军．电渣熔铸过程中自耗电极熔化率的模拟研究［Ｊ］．特种铸造及有色合金，２００４，（５）：１５—１８．

尧军平，耿茂鹏．调整功率对电渣重熔（ＥＳＲ）熔池深度的影响Ｉ－Ｊ］．特殊钢，２００４，２５（３）：２３—２５．尧军平，耿茂鹏．电渣熔铸过程中金属熔池深度的数值模拟研究［Ｊ］．热加工工艺，２００４，（３）：３３—３５．王永骥，涂健．神经元网络控制［Ｍ］．北京：机械工业出版社，１９９８．阎平凡，张长水．人工神经网络与模拟进化计算［Ｍ］．北京：清华大学出版社，２０００．饶磊，耿茂鹏．电渣熔铸中渣池深度对自耗电极端部形状的影响研究口］．中国铸造装备与技术，２００４，（６）：１９－２１．饶磊．电渣熔铸中电极熔化过程及工艺参数优化研究［Ｄ］．南昌：南昌大学，２００５．］］］］］］心口心∞陆口

万方数据