（材料加工工程专业论文）热轧低合金高强度钢性能预报研究.pdf

武汉科技大学硕士学位论文 第1 页 摘要 钢的化学成分是影响热轧材最终组织性能的基本因素，合理的成分设计是生产优良钢 铁产品的基础，因此探讨合金成分与钢铁产品的力学性能的关系，分析不同合金成分对不 同性能指标的影响程度并最终实现对热轧材性能的预报是当前研究的热点课题。本文采用 的性能预报就是通过已知的合金成分对最终的性能进行预测。实践证明采用性能预报的方 法预报钢的最终力学性能在很多方面优于传统的人工取样检验，可以减少性能检测时间， 缩短生产周期，保持热轧板性能的稳定，促进新产品的开发等。 本文分别采用逐步回归技术和人工神经网络两种方法对武钢热轧低合金高强度钢的 力学性能进行预报。预报数据为武钢热轧低合金高强度钢q 3 4 5 a 、q 3 4 5 b 、s 3 5 5 和s 2 7 5 生产现场实测数据，两种方法都是通过研究这几种钢中的合金成分与最终力学性能如屈服 强度、抗拉强度、延伸率及冲击功的关系并分别建立逐步回归方程式和人工神经网络模型。 通过统计分析逐步回归方程中的合金元素，得到影响产品最终性能的主要合金元素为 碳、锰、硅、磷、硫、钛、铌等元素。人工神经网络模型为具有一个隐层的三层b p 网络， 输入参数为各种合金成分，输出为各力学性能。选择参数的前提是假设在确定的轧制工艺 参数下，生产工艺控制精度较高。两种方法建立的预报模型，其精度均达到了较高的水平， 能满足实际生产的应用。 本文还采用已建立的神经网络模型对影响最终性能的主要合金元素进行研究，主要是 通过改变各个合金成分的含量来研究每一个合金对最终产品力学性能的影响程度，从而为 合金成分优化提供了一种途径。 关键字：性能预报；低合金高强度钢：逐步回归；神经网络；合金成分 第1 i 页武汉科技大学 硕士学位论文 a b s t r a c t c h 训c a lc o m p o s i t i o ni s t 1 1 eb a s i cf a c t o r sw h i c hi m p a c t e dm ef i n a lm i c r o s t m c t u r e 锄d p r o p e r t i e so fh o t r o l l e dm a t e r i a l t h er e a s o n a b l ec o m p o s i t i o nd e s i 窒皿i st h eb 弱i cf o rm e p m d u c t i o no fl l i g hq u a l i t ) ，s t e e lp r o d u c t s s od i s c l l s s i n gt l l e r e l a t i o n s h i pb e t w e e i la l l o y c o m p o s i t i o na i l dm e c h a n i c a lp r o p e r t i e so fs t e e lp r o d u c t s ，锄da n a l y z i n gt l l ei n n u e n c eo fd i 丘a a 吐 a l l o yc o m p o s i t i o no nm e c h a n i c 2 l lp r o p e r t i e sa n de v e i l t i l a l l yt 0a c h i e 、，em ef i o r e c 弱t i n g p e o n n a i l c eo fh o t - r o n e ds h e e ta r ec l l r r e n t l yah o tr e s e a r c ht o p i c h l “sp a p e rw ef o r e c a s tt h e f i n a lm e c h a n i c a lp r o p e r t i e sb yu s i n gm ek n o w nc 1 1 e i n i c a lc o m p o s i t i o n p r a c t i c eh a sp r o v e dt l l a t f o r e c a s t i n gm eu l t i m a t em e c h a n i c a lp r o p e r t i 锱o fs t e e lb yu s i n go ft h ep e r f 0 m a n c ep r e d i c t i o n m e t h o d si sb 甜e rm 锄b y 把a d i t i o n a lm 锄u a ls 锄1 p l i n gi i l s p e c t i o ni i lm 锄y 嬲p e c t s ，踮c h 鹊 r e d u c i n gt h et i m ef 0 rt e s t i n gp e r f o m a i l c e ，s h o r t e i lm ep r o d u c t i o nc y d e ，t 0m a i n t a i nt h e 嘲b i l 时 o fp e r f 0 m 锄c eo fh o t r o l l e dp l a t e sa r l dt op r o m o t et h ed e v e l o p m e n to fn e wp r o d u c t s i nt h i sp a p e rw eu s es t e p w i s er e 灯e s s i o n 锄da r t i f i c i a ln e u r a ln e t w o r kt of 1 0 r e c 嬲tm e u l t i m a t em e c h a n i c a lp r o p e i t i e so fw i s c om 曲一s t r e i l 擘ml o w a l l o yh o t r o l l e ds t e e l 7 i h ed a t ai s m e 嬲u r e di nt h ep r o d u c t i o np r o c e s sw h i c hp r o d u c tq 3 4 5 a ，q 3 4 5 b ，s 3 5 5a i l ds 2 7 5o fw i s c o b o t ho ft h em e m o d sa r es t l l d vt h er e l a t i o n s l l i pb e t 、e e nt l l ea l l o yc o m p o s i t i o no ft h e s ek i n d so f s t e e l sa i l dt t l em e c h a l l i c a lp r o p e r t i e ss u c h 弱y i e l ds 仃e n g t l l ，t e n s i l es 仃e n 舀h ，e l o n g a t i o n 锄d i m p a c te i l e r g y 锄dm e i lg e ts t e p w i s er e g r e s s i o ne q u a t i o n s 锄da n i f i c i a ln e u r a ln e 觚o r km o d e l s r c s p e c t i v e l y w es t a t i s t i c 趾da n a l y s i st h ea l l o yc o m p o s i t i o n 丘o mt h es t e p w i s er e 田e s s i o ne q u a t i o n sa n d g e tm em 痂a l l o yc o m p o s i t i o ns u c ha sc ，m 玛s i ，s ，p ，n b 锄dt i ，w h i c ha 髓c tt l l ef i n a l m e c h a i l i c a lp r o p e r t i e s a r t i f i c i 以n e l l r a ln e t w o t km o d e lh a sah i d d e nl a y e ro ft h r e el a y e r sb p n e t w o r k ，t h ei i l p u tp a r 锄e t e l l sa r em e 如ur a n g eo fa l l o yc o m p o s i t i o n ，t h eo u t p u t sa r et l l e m e d l a n i c a lc a p a c i t i e s t h e s ep 副强m e t e r s 锄es e tb a l s e do nt h ea s s u 】【1 1 p t i o nt h a tt h ep r o d u c t i o no f h i 曲p r e c i s i o np r o c e s sc o n 臼o la 1 1 dac e r t a i nr o l l i n gp r o c e s sp a r a m e t e r s i tp r o v e dt h a tt l l e s e 铆o k i n d so fm o d e l so fl l i 曲e ra c c u r a c v 锄dc a nm e e tt h ep r o d u c t i o n 砌1 da p p l i c a t i o n t h i sa r t i c l ea l s os t l l d i e st h em a i na l l o yc o m p o s i t i o n sw h i c ha 岱：c tf i n a lp r o p e r t i e sb yu s i n g t h e s ee s t a b l i s h e dm o d e l s ，a n dm a i n l yb yc h a n g i n gt h ec o m p o s i t i o no fv a r i o u sa l l o y st os t u d y 廿1 e w a vo fe a d la l l o yi n f l u e n c eo nm e d l a l l i c a lc a p a c i t i e so ft h ef i n a lp r o d u c t ，a 1 1 dt op r o v i d ea c r e d i b l ew a yf o ro p t i m i z i n gm em e c h a n i c a lp r o p e n i e s k e y w o r d s ： p e r f o n n a j l c ep r e d i c t i o n ；l l i 曲一s t r e i l 舀h1 0 w a l l o ys t e e l ；s t e p w i s er e 斟e s s i o n ；n e u r a l n e 帆o r k ；a l l o y i n gc o m p o n e l l t 武汉科技大学 研究生学位论文创新性声明 本人郑重声明：所呈交的学位论文是本人在导师指导下，独立进行研 究所取得的成果。除了文中已经注明引用的内容或属合作研究共同完成的 工作外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。 对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 赫函 日期：牡 研究生学位论文版权使用授权声明 本论文的研究成果归武汉科技大学所有，其研究内容不得以其它单位 的名义发表。本人完全了解武汉科技大学有关保留、使用学位论文的规定， 同意学校保留并向有关部门( 按照武汉科技大学关于研究生学位论文收录 工作的规定执行) 送交论文的复印件和电子版本，允许论文被查阅和借阅， 同意学校将本论文的全部或部分内容编入学校认可的国家相关数据库进行 检索和对外服务。 论文作者签名：盘函 指导教师签名：啦 日 武汉科技大学 硕士学位论文第1 页 第一章前言弟一早刖百 钢铁作为人类社会文明的基础材料，对人类进步和经济的发展起着不可取代的作用， 而人类对科学的探索反过来又促进了钢铁行业的不断进步。然而随着全球化浪潮的兴起， 任何一个国家和钢铁公司都必须面对日益激烈的市场竞争；另一方面人类的发展无形中又 增加了地球的危机，特别是钢铁材料生产过程中能耗消耗高，环境负荷重。这促使冶金工 作者在利用现有的科技知识基础上，通过结构调整和新技术的开发及应用来到达优质、高 产和低耗的目的。 低合金高强钢，因其本身具有高的强度、良好的低温冲击韧性及可建造同样承载能力 而重量较轻的结构等一系列优异的机械性能和显著的经济效益，而广泛用于船舶、海洋平 台、桥梁、高层建筑、压力容器、石油和天然气输送管线等各种工业领域。目前，全世界 低合金高强钢的年消耗量约为1 2 1 5 亿吨，并以每年5 8 的速度增长。我国发展的更 为迅速，近几年每年产量增长约为1 5 嘣。在过去的几十年中，低合金高强钢取得了显著 进展，精炼技术、微合金钢技术、控轧控冷技术、形变热处理等一些先进技术的应用，使 得低合金高强钢的机械性能大大改善；另一方面，随着计算机技术的不断开发，对生产过 程进行控制越来越精确，使得钢铁材料的强度和韧性得到了进一步的稳定和提高，也使得 低合金高强钢更加广泛地发展起来，同时，关于低合金高强度钢生产过程的精确控制，材 料性能的优化和材料潜能的不断提高也是轧钢科学工作者不断研究的课题。 本文正是在结合武汉钢铁公司热轧厂控制轧制技术的生产实践，以q 3 4 5 a 、q 3 4 5 b 、 s 3 5 5 及s 2 7 5 钢为研究对象，通过对武钢现场实测数据进行统计分析，利用逐步回归方法 研究合金成分对力学性能的影响，建立基于性能与化学成分关系的数学模型。并利用人工 神经网络对热连轧过程中的数据进行建模，通过训练仿真进行预测性能，并在此基础上分 别研究各合金元素对力学性能的影响，从而为成分的优化设计提供依据。 生产实践证明，力学性能的预报对工业生产具有重要的意义，一般来说，力学性能预 报对比常规的力学性能检测主要有以下优势： ( 1 ) 可提高力学性能检验的准确性 目前，钢的力学性能检验结果不能全面反映整卷带钢的力学性能，这是目前力学性能 检验取样方法决定的，目前在钢厂普遍应用的力学性能检验是在钢卷的尾部取样，做常规 抗拉强度、屈服强度、延伸率以及冲击功等试验。而尾部力学性能受轧制速度变化以及卷 取过程中卷取机冷却水等因素影响，尾部各项力学性能值与钢卷中间部位有较大的波动， 影响力学性能检验合格率。 ( 2 ) 采用力学性能预报可节约大量检验费用 奥钢联林茨等钢厂采用力学性能预报，实现了对普通钢种全部免于取样检验，只是对 某些特殊钢种采取少量试样做力学性能检验。这样大大节约了取样与检验费用，减少了钢 材的损失。武钢如果采用力学性能预报，每年可节约大量的检验经费。 第2 页武汉科技大学 硕士学位论文 ( 3 ) 缩短产品供货周期，减少库存 采用力学性能预报，可以大大减少带钢的库存时间，不需等待力学检验结果即可立即 交付用户或转至下道工序冷轧，缩短供货周期，加快资金周转降低生产成本，为企业带来 巨大经济效益。 ( 4 ) 可促进新产品开发周期 用力学性能预报的方法可根据新钢种的成分设计以及所采用的不同轧制工艺进行性 能预报，通过性能预报的值来指导产品成分设计和工艺参数制定，减少实际生产中的实验 次数，提高成功率，缩短产品开发周期，减少产品开发费用。 降低成本与提高产品性能一直是冶金工作者所致力追求的目标，为了达到这个目标， 就有必要在生产前对所生产的产品的性能进行预测，然后根据预报的结果，设计钢种的成 分和加工工艺，从而降低研制成本，缩短研发时间。传统的生产实践中，往往依赖工程师 的个人经验和知识，通过统计方法进行预报，由于轧制系统本身是一个非常复杂的非线性 系统，相关工艺参数数据数量巨大，同时，微观结构演变是一个动态的过程，这样的预测 会花费大量时间和精力，而且生产过程又不断受各种随机因素的干扰，无法通过对生产工 艺参数的调整对产品的力学性能进行精确的预测和控制。对热轧过程中钢材的力学性能进 行预报是最近国内外正在大力进行的材料加工领域里的热点研究内容之一，它具有巨大的 经济效益和广阔的应用前景。 随着市场竞争加剧及对后续生产的严格要求，钢材产品的质量问题越来越受到重视， 尤其需要在加工过程中提高性能以减少品种、降低成本，从质量设计直到性能预测及在线 控制。钢材综合性能预报继厚度控制、板形控制之后，己成为第三个研究热点，它的目的 在于提高产品的质量，以求企业在激烈的竞争中生存和发展，意义十分重大。正因为此， 北美十五家钢铁公司在北美钢铁学会组织下，五年投入7 5 0 万美元巨资，进行综合性能预 报及控制的研究【2 】。该项目己完成，并在十四家钢厂得到应用，获得了巨大的经济效益。 它不仅在性能预报及控制中发挥作用，而且在合金设计、新产品试制、生产改进中也是一 个不可缺少的工具。正由于其显著效益，北美最近又扩大了其研究范围，近年欧洲也参加 他们的合作研究。此外英国等许多国家都投入了大量人力、物力开展这方面的工作。显然， 我国加强这方面的研究是十分必要和迫切的。 在轧制过程中，合金成分对钢材性能的影响非常显著，因合金成分的波动而导致钢的 机械性能不稳定是十分普遍的现象，因此对低合金高强度钢中合金成分对力学性能的影响 行为进行预报，从而为优化钢中的合金成分以提高和稳定钢的性能提供科学依据。 本课题研究以武钢批量生产的数据为依据，分别建立逐步回归和b p 神经网络模型对 低合金高强度钢实现力学性能的预报，对于指导分析影响产品性能的主要因素，减少产品 取样和检验的数量和周期，节省成本，优化合金结构，提高新产品开发效率，提高控制产 品性能的精度和稳定性有重要的意义。 武汉科技大学硕士学位论文第3 页 2 1 低合金高强度钢 第二章低合金钢性能预报研究进展 2 1 1 低合金高强度钢的定义 低合金高强钢是在碳素钢基础上，加入少量合金元素，提高强度，并改善其使用性能 而发展起来的一类工程结构用钢。低合金高强度钢作为一类量大面广的工程结构材料，至 今还没有共同认可的名称和严格的定义。 在美国，这一类材料叫高强度低合金钢( h i 曲s 慨g t l ll 0 wa l l o ys t e e l s 或简称h s l a s t e e l s ) 。在日本叫高强度钢( 高张力钢) 。在前苏联曾叫低合金建筑钢。1 9 8 8 年苏联国家标 准把这一类材料取名高强度钢。在我国，这一类钢的名称也有过几次变化。5 0 年代末，钢 种发展初期，曾叫低合金高强度钢。6 0 年代中期，大量推广时，曾易名为普通低合金钢。 7 0 年代以后，为了强调这类钢的优质方面，以区别于普通碳素钢，因而去掉了“普通”二 字，叫做低合金结构钢，简称低合金钢。 美国钢铁学会( a i s i ) 曾对这类钢给了如下的定义：“高强度低合金钢是一种专门类别的 钢，在这类钢中，由于除碳而外，有意地加入一种或多种合金元素，从而使力学性能提高， 并且在大多数情况下，具有良好的抗腐蚀性能。这类钢通常以轧制状态，或根据焊接要求 以退火、正火或消除应力状态，一般地以保证最低力学性能来供应。 日本的高强度钢低温用钢的焊接一书中对高强度钢有如下的叙述：“高强度钢是考 虑焊接性的抗拉强度在4 9 0 m p a 以上的低碳低合金结构用钢。 我国的材料科学和工程百科全书对高强度低合金钢的介绍如下：“高强度低合金钢 是屈服强度大于2 7 5 m p a 的钢，加入合金元素的目的在于提供特定的所需的综合性能，例 如强度、韧性、成形性、焊接性和耐大气腐蚀性。高强度低合金钢是传统的，以型、板、 棒材，用于铆接、栓接或焊接的桥梁和建筑结构材料的低碳软钢的优良的替用品。 王祖滨及东涛认为，凡是合金元素总量在5 以下，屈服强度在2 7 5 m p a 以上，具有良 好的焊接性、耐蚀性、耐磨性和成形性，通常以板、带、型、管等钢材形式直接供使用的 结构钢种可称为低合金高强度钢。 2 1 2 低合金高强度钢的发展 近几年来，由于质高价廉材料的牵引和钢铁冶金技术的进步，低合金高强度钢得到了 很大的发展，作为一类量大面广的工程结构材料，它在世界各国的钢铁生产和使用中有着 举足轻重的作用。 低合金高强度钢的发展已有1 0 0 多年的历史。国外低合金高强度钢的发展大体上可分 为三个阶段，即：本世纪2 0 年代之前，2 0 6 0 年代和6 0 年代至今。 第4 页武汉科技大学 硕士学位论文 本世纪2 0 年代以前，低合金高强度钢的用途是有限的，主要用于桥梁和船舶。由于结 构物尺寸的增大，低碳结构钢或所谓软钢的性能己经远远不能满足设计建造要求，迫切需 要提高钢的强度，以减小断面，降低自重并且又不减少承载和运输能力。早期研制和生产 的低合金高强度钢种的设计是以抗拉强度为基础的，碳含量比较高，在o 3 左右，合金元 素都是单个采用的，如铬、镍、硅、锰等。每一种合金元素的含量相对较高，通常以轧制 状态供应使用。 本世纪2 0 年代以后，在制造金属结构时，日益广泛地采用焊接技术，给低合金高强度 钢的发展带来深远的影响。众所周知，焊接金属在节约金属、减少劳动量和简化工序等各 方面有很大的优越性，但同时带来母材因受焊接热影响所产生的硬化和开裂以及整个焊接 部位的延性恶化等弊病。焊接热影响区的硬化程度，主要取决于母材的化学成分和焊接后 的冷却速度。化学成分中影响最大的是碳，而所有的合金元素在不同程度上都影响钢的淬 硬性。降低碳含量是发展焊接性能好的低合金高强度钢的必然要求。同时，在合金化方面， 也要选择淬硬性倾向小的元素，并且在保证强度的前提下其用量越低越好。由此，趋向于 多元素合金化。 本世纪6 0 年代以后到现在，低合金高强度钢的产量不断上升，品种也不断增加，用途 也越来越广。微合金钢的开发和生产工艺的革新是这个阶段发展的主要特征。人们早就注 意到了钒、铌、钛等合金元素对提高和改进低合金高强度钢性能方面的有益影响，但是只 有在这类钢中的组织和性能的关系有了比较深入的认识以后，才得以充分发挥他们的作 用。冶金工艺技术的发展，特别是顶底复合吹炼、炉外精练、控制轧制和控制冷却方面的 革新引发了一批新型低合金高强度钢的竞相问世。 我国低合金高强度钢的生产和研制起步较晚，当时世界上低合金高强度钢的发展j 下处 于第二阶段向第三阶段过渡时期。1 9 5 7 年鞍山钢铁公司试制成功s t5 2 钢是我国发展低合金 高强度钢的开端。到目前为止已经初步建立了具有我国资源特点，并且能够适应对外开放 要求的低合金高强度钢系列。 目前，为了减轻构件的质量，提高安全性和可靠性，现代钢铁材料中相继开发了新意 义上的低合金高强度钢，这些钢种有人叫做微合金化控制轧制钢【3 】，低合金沉淀硬化钢等 名称。他们的特点是热轧状态使用，很少或者不进行热处理，生产成本低，冶炼工艺简单， 适合大批量生产，应用领域广，有良好性能价格比，实际强度范围是3 0 0 7 0 0 m p a 。 为了满足未来经济和社会发展的需要，需要研究和开发出高强度和长寿命的新一代钢 材。目前，在我国开展的新一代钢铁材料重大基础研究项目，主要是通过高洁净度、高均 匀度、超细晶粒的方法来达到新一代钢材的高强度和长寿命的目标。 2 1 3 低合金高强度钢的性能要求 采用低合金高强度钢的主要目的是减轻金属结构的重量，提高其可靠性，因此首先要 求钢材具有较高的屈服强度。钢的屈服强度主要取决于其显微组织，目前低合金高强度钢 所能达到的强度与组织的关系大致可以划分如下【4 】： 武汉科技大学 硕士学位论文第5 页 ( 1 ) 铁素体珠光体组织，低合金高强度钢极大部分属于这类，盯。为3 0 0 3 5 0 m p a 。 ( 2 ) 低碳贝氏体组织，仃。为4 5 0 6 5 0 m p a 。 ( 3 ) 低碳索氏体组织，这类刚经过调质处理，仃为6 5 0 8 0 0 m p a 或更高。 屈强比仃。厨。也是一个有意义的指标，此值越大，越能发挥钢材的潜力。但是为了使 用安全，亦不宜过大，适合的比值在o 6 5 o 7 5 之间。 在塑性方面，要求厚度为3 2 0 m m 钢板的延伸率万一般不小于2 1 。室温冲击韧性在 纵向和横向分别不小于8 0 和6 0 j c i f 。 此外还要求这类钢具有良好的工艺性能和耐蚀性。工程构件用钢的一个重要性能就是 能用普通方法进行加工成型。钢结构在焊后不易进行热处理，故要求有良好的焊接性能， 即焊后焊缝性能不低于或者很少低于母材，焊缝热影响区的性能变化要小。不至于产生裂 纹。用于冷冲的钢板要具有良好的冲压性能。还要有良好的耐蚀性因为使用低合金高强度 钢后，由于减少了结构中钢材的厚度，必须相应地提高由于大气腐蚀而引起的消损率。 总的来说，低合金高强度钢的合金化需要考虑的因素很多，为了兼顾以上性能的要求， 只能采用低碳，多种合金而且尽量不含过多贵重元素或者根本不含贵重元素，以降低成本。 2 2 性能预报基本原理方法 力学性能预报工作开展很早，2 0 世纪8 0 年代开始力学性能预报己经在各大钢铁厂生产 中得到应用，奥钢联、德国和北美的钢铁厂力学性能预报应用己经达到了相当的水平，预 报值精度很高。这些钢厂对普碳钢的预报几乎完全取代了实际取样检验，实现了带钢离线 即可交付用户，大大缩短了供货周期，经济效益显著。随着检测设备性能的不断提高，提 高了在线组织结构检测精度，为带钢的在线组织控制创造了条件。借助微观组织检测设备， 将轧制过程中的组织结构和晶粒度反馈给性能预报模块，预报模型结合带钢的化学成分、 实际轧制温度、金属轧制过程的形变再结晶、微合金析出等因素，由性能预报模型预报出 力学性能【5 1 ，预报结果与实际值比较精度很高，再用于指导控轧控冷工艺过程，精确控制 带钢的力学性能与组织结构，大大提高带钢的成材率和质量。 力学性能预报目前有两种方法，传统性能预报和神经网络性能预报。传统性能预报是 将各工艺参数与力学性能通过数学回归方法建立数学模型，通过变形量、轧制温度结合各 轧制阶段的组织结构和晶粒度，确定最终产品的力学性能【6 j 。神经网络预报方法是通过神 经网络模型将带钢化学成分和轧制工艺参数等条件与相应的力学性能数据建立起对应关 系，通过大量数据的输入训练，对应关系以网络权值系数矩阵的形式建立【7 1 。神经网络会 记住各种条件下带钢的力学性能当你输入相似条件的轧制工艺后，网络会预报出相应的力 学性能值，神经网络预报方法更接近生产现场实际。 2 3 性能预报国内外研究进展 利用数学模型预测钢材的组织变化和最终力学性能的最初想法是i r v i n e 和p i c k e r i n g 在 第6 页武汉科技大学 硕士学位论文 五十年代提出来的。他们的研究工作表明，钢铁材料的抗拉强度与相变行为之间存在一定 的关系。由此，如果相变行为己知，则可以通过计算得出抗拉强度。这一成果促使人们一 方面不断研究材料的微观组织与力学性能之间的定量关系，另一方面也改变了人们的思维 方法，即人们不必通过破坏性的实验，而是通过数学方法就可以得到材料的力学性能。 2 3 1 国外研究情况 最初在进行性能预报时，研究人员往往是根据生产积累的数据，采用统计回归的方法， 建立产品力学性能和工艺参数间的定量关系，从而对产品性能进行预报【8 】。英国谢菲尔大 学的c m 塞拉斯是最先预报板带热轧过程显微组织演变建模的研究人员，他首先提出了量 化热轧钢材中的温度场和冶金学现象的思想，他研究的模型已经用于低碳c m n 钢的组织预 报，并成功预报了奥氏体晶粒组织的变化。9 0 年代在美国能源部和美国国家钢铁局的巨额 资助和主持下，加拿大不列颠哥伦比亚大学冶金过程工程中心和美国国家标准局以及北美 1 4 家大钢铁企业共同开发了一套板材热连轧的过程模拟软件。该软件己在北美的大钢铁企 业中使用多年，反应很好。该软件是迄今为止开发的最成功的热连轧组织性能预报软件之 一【9 】o 奥钢联开发了名为v a i q 的热轧模拟软件，其核心是用物理冶金模型对轧制工艺相关 的微观组织变化进行描述以及对沉淀物在加热过程中的溶解和带钢在冷却过程中的析出 进行描述【1 0 1 。v a i o 系统通过精确的分段追踪记录下带钢不同位置的整个变化过程，从而 算出每个点的性能。该软件在预测低碳钢有较好的预报精度。 近年来，随着神经网络热潮的兴起和应用研究的深入，神经网络以其对非线性问题处 理的独特优势进入轧制过程自动化领域。国外，尤其是日本和德国，在神经网络、专家系 统、模糊控制等方面进行了比较深入的研究，并在实际应用中取得了较好的实际效果。 人工神经网络在塑性加工领域的应用研究在国内外都是刚刚起步，它被用于预报轧制 力、晶粒尺寸、变形抗力以及板形控制等问题，都取得了令人满意的效果【1 1 1 4 】。l 出o l a 将 物理模型与神经网络结合起来，从而优化冷轧带钢过程中的工艺参数，并预报轧后带钢的 性能，从而提高了尺寸精度和轧制效率。1 9 9 6 年2 月l i u z y 运用人工神经网络预报了热轧 c m n 钢的机械性能。 西门子公司开发了热轧带钢组织性能预测的商业软件一西门子微观组织监测系统，该 系统用物理冶金模型描述了热轧带钢的组织温度过程，在计算最终的力学性能时，采用神 经网络方法。西门子公司己将具有上述神经网络功能的过程控制系统用于在线控制【1 5 17 1 。 2 3 2 国内研究情况 性能预报目前在国内也渐成热点，中科院金属所在国家9 3 7 项目支持下，开发了组织 性能预报工作，结合工艺和物理冶金模型开发了模拟软件r o l l 蝌，现在己在鞍钢1 7 8 0 上 使用，离线预报误差可以满足免检的需要。为提高轧钢控制水平，优化工艺参数起到了不 可替代的作用。 武汉科技大学 硕士学位论文第7 页 1 9 9 5 年刘振宇、王昭东【1 8 】等人应用神经网络预报热轧带钢组织性能。在系统分析描述 钢材显微组织与力学性能之间关系的各种强韧化机制的基础上，建立了热轧带钢显微组织 与力学性能以及热轧工艺参数与力学性能对应关系的神经网络模型。开发的神经网络模型 能够对钢材强度、韧性和硬度等指标进行精确预报，克服了传统经验公式的缺点。 宝钢与东北大学合作，采用人工智能方法己成功预报了低合金钢的力学性能，并正准 备投入生产中。此外，东北大学、北京科技大学、北京钢铁研究设计总院在采用神经网络 等方面也采取了模拟研究工作【1 9 埘j 。 2 4 性能预报模型与系统的工业应用及存在的问题 逐步回归数学模型和神经网络预报方法有各自的优点，也存在各自不足。回归数学模 型预报存在的问题是数学模型只能根据带钢的化学成分和轧制工艺参数包括开轧温度、终 轧温度、压下量等来预报带钢的组织性能，然而化学成分和生产的工艺参数与成品最终力 学性能之间的关系非常复杂，受生产过程中各种随机因素的干扰【2 2 1 ，化学成分和生产工艺 参数对力学性能的影响很难用准确的数学表达式表示出来，实际是一种非线性的关系。神 经网络的非线性预报的特点可以解决这一问题。 但是目前神经网络预报工作处于研究初期，在工业生产中的应用不够理想，对碳钢和 微合金钢能够满足少检或免检的要求，但对合金钢，如石油管线钢等钢种还不能满足预报 精度的需要。由于产品性能与生产线的控制水平、检测系统的稳定性和连铸坯的质量等都 有关系，使得预报精度难以提高。在未来几年，模拟的重点是提高预报精度，扩展钢种和 规格。现有模型比较好地预报了抗拉强度和屈服强度，但伸长率的结果预测不够准确，原 因是伸长率不仅取决于成分、相分数、晶粒度，还取决于卷取温度、精轧温度等工艺参数， 甚至强度的影响。但无论如何，组织性能预报将是提升钢铁行业水平的一个重要标志，会 受到钢铁工业界越来越多的重视。 第8 页武汉科技大学 硕士学位论文 3 1 神经网络基础知识 3 1 1 人工神经网络的发展 第三章人工神经网络 人工神经网络的研究已经有6 0 多年的历史了，但是它的发展历程非常曲折，既有繁 花似锦、兴旺昌盛的高速发展期，又有困难重重、步履维艰的低潮期。在最困难的时候， 甚至有人对此理论持悲观态度，认为它“已走入死胡同，无发展的余地。 人工神经网络的发展可以追溯到4 0 年代。当时，与人工神经网络有关的神经科学研 究，诸如大脑功能的生理学、心理学研究、神经元的电生理实验等都又不小的进步和可喜 的成果。由麦克科洛( m e c u l l o c h ) 和毕兹( p i t t s ) 【2 3 】提出了麦克科洛毕兹神经模型( 即m p 模 型) ，由海勃( d h e b b ) 【2 4 】提出了一种将学习功能引入人工神经网络系统并改变神经元之间连 接强度的h e b b 规则。尽管这些模型和规则在当时是作为一种假设提出的，但其正确性现 已得到了证实。这个假设，从提出到现在一直在人工神经网络模型中占有一席之地，起着 重要作用。 6 0 年代初，人们开始了人工智能网络系统的研究，并做了不少的工作。其间，罗圣勃 莱特( f r o s e n b l a l l t ) 提出了感知机( p r e c 印们n ) 【2 5 1 ，维特罗( w i d r o w ) 提出了自适应线性元件 a d a l i n e ( a d a p t i v el i n e re l e m e i l t ) 【2 6 】。前者由阈值神经元组成，其取值只能是0 或l ，主要用 于模式识别；后者是连续取值的线性网络。这些简单网络所体现出来的性质，诸如并行处 理、连续计算、可学习型，与当时以顺序的、离散的符号推理为特征的人工智能途径有很 大差别，因而引起了人们极大的兴趣。 人工智能的创始人之一明斯基( m i n s k y ) 和拜伯特( p a p e n ) 潜心研究数年，对以感知机为 代表的网络系统的功能及其局限性从数学上做了深入的研究，于1 9 6 9 年出版了颇有影响 的著作感知机。在这本书中，他们的结论是悲观的。由于明斯基在学术界的地位和影 响，故其后若干年内，这一课题的研究处于低潮。但这只是问题的一方面，更主要的原因 在于，传统的诺依曼( v o nn e 啪a n n ) 型数学计算机当时正处在发展的鼎盛时期，整个学术界 陶醉于数字计算机的成功之中，从而掩盖了发展新型模拟计算机和人工智能计算机的必要 性和迫切性。难能可贵的是，在此期间，仍有不少学者在极端艰难的条件下致力于这一研 究，不断提出新的网络模型，增加网络的功能，研究各种神经网络的学习算法等。 7 0 年代后期，研究模拟视觉和听觉的人工智能专家首先遇到挫折，设计制造计算机的 科学家也发现存在不可逾越的线路微型化的物理极限，即使人们习以为常的普通知识和经 验也难以“教给”计算机。这个事实迫使人们去思考诺依曼型数字计算机究竟能走多远， 人脑的智能是否可以在机器中重现。 武汉科技大学硕士学位论文第9 页 1 9 8 2 年，美国加州工学院物理学家霍普菲尔特( h o 面e l d ) 【2 7 】提出了m 州模型，从而有 力地推动了人工神经网络的研发。他引入了“计算能量函数”的概念，给出了网络稳定性 判据。h n n 模型电子电路的实现为神经计算机的研究奠定了基础，同时也开拓了人工神经 网络用于联想记忆和优化计算的新途径。欣顿( h i n t o n ) 和赛诺斯基( s 白n o w s l ( i ) 【2 8 】提出的波尔 茨曼机模型则借用了统计物理学的概念和方法，首先采用了多层网络的学习算法，并在学 习过程中采用模拟退火技术，保证整个系统趋于全局稳定点。鲁姆哈特( r l l m e m a n ) 等人1 2 9 j 提出了p d p ( 并行分布处理) 理论，致力于认识微观结构的探索，同时发展了今天广泛使用 的b p 算法。继此，一大批科学家又被吸引到人工神经网络这一研究领域。在理论上不断 取得进展的同时，硬件实现的研究工作也在积极开展并取得可喜成果。 在7 0 年代中期，阿尔布斯( a 1 b u s ) 发表了关于学习控制模型( 基于对小脑功能的理解) 的文章【3 0 1 。这个学习控制算法被称为小脑模型( c e r e b e l l a rm o d e la n i c u l a t i o nc o n 仃0 1 1 e r ，简 称c m a c ) ，并且首先应用在机器手控制上。由于设计简单和快速的特性，小脑模型的基 本算法及其变种在过去的十年里已经被用在许多不同的控制学习的问题上，包括仿真和实 现【3 i 3 3 1 。这种方法的突出优点是比b p 神经网络学习速度快一个数量级以上，而且不存在 局部极小问题，所以适用于实时控制。 现在，人工神经网络理论的应用已经渗透到各个领域，并且在信号处理、智能控制、 模式识别、机器视觉、非线性优化、自动目标识别、知识处理、传感技术等方面取得令人 鼓舞的进展。 3 1 2 人工神经网络的基本特征和通用性质 人工神经网络是由大量处理单元广泛互连而成的网络。它是在现代神经科学研究成果 的基础上提出的，反映了人脑功能的基本特性，但并不是人脑的真实描写，而只是它的某 种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现，知识与信息的存 贮表现为网络元件间分布式的物理联系，网络的学习和识别决定于各神经元连接权值的动 态演化过程。 人工神经网络是一个具有高度非线性的超大规模连续时间动力学系统。其最主要特征 为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度的鲁棒性和学习 联想能力。同时它又具有一般非线性动力系统的共性，即不可预测性、吸引性、耗散性、 非平衡性、不可逆性、高维性、广泛连接性与自适应性等。因此，它实际上是一个超大规 模非线性连续时间自适应信息处理系统。 3 1 3 人工神经网络的类型 如果将大量功能简单的神经元通过一定的拓朴结构组织起来，构成并行分布式处理的 计算结构，那么这种结构就是人工神经网络，在不引起混淆的情况下，称为神经网络。为 了叙述方便，把神经网络中的神经元也称为单元或处理单元。就目前己有的典型神经网络 第1 0 页武汉科技大学 硕士学位论文 模型而言，尽管已略去了许多生物细节，但它们充分保留了脑神经系统的结构特点，部分 反映了生物神经系统工作的内在机理。 根据神经元之间连接的拓朴结构上的不同，神经网络结构分为两大类：分层网络和相 互连接型网络。分层网络可以细分为不含反馈的前向网络、从输出层到输入层有反馈的前 向网络、层内有相互连接的前向网络三种互连形式，因而，一般根据连接方式的不同，将 神经网络分成以下四种类型： ( 1 ) 不含反馈的前向网络：如图3 1 ( a ) 所示，神经元分层排列，组成输入层、隐层( 亦 称中间层，可有若干层) 和输出层。每一层的神经元自接受前一层的输入，输入模式经过各 层的顺次变换后，得到输出层输出。感知器和误差反向传播算法中使用的网络都属于这种 类型。 ( 2 ) 从输出层到输入层有反馈的向前网络：如图3 1 ( b ) 所示，福岛和j o r d 锄提出的网 络都属于这种类型，他可以开储存某种模式序列，如神经认知机即属此类。 ( 3 ) 层内有相互连接的前向网络：如图3 1 ( c ) 所示，通过层内神经元间的相互结合，可 以实现同一层内神经元之间的横向抑制或兴奋机制，这样可以限制每层内能同时动作的神 经元数，或者把每层内的神经元分成若干组，让每组作为一个整体来动作。例如，可以利 用横向机制把某层内具有最大输出的神经元挑选出来，而抑制其它神经元处于输出的状。 ( 4 ) 相互连接型网络：如图3 1 ( d ) 所示，这种网络是在任意两种神经元之间可能有连接。 b o l t 撒锄机属于这一类。在无反馈的前向网络中，信号要在神经元之间反复往返传递，网 络若干次的变化，才会到达某种平衡状态，根据网络的结构和神经的特性，还有可能进入 周期振荡或其他如混沌等平衡状态。 图3 1 神经网络拓扑结构形式 3 1 4 人工神经网络的主要模型 目前，人们已经提出了近1 0 0 种人工神经网络模型。网络按照学习方式、结构和状态 武汉科技大学 硕士学位论文 第1 1 页 的不同，可以有多种不同的分类。神经网络模型按学习方式进行分类时，可以分为三种： 有导师学习网络、强化学习网络及无导师学习网络。 表3 1 中列出了近年来具有较大影响和代表性的人工神经网络，它们各有自身特点和 应用领域，所使用的学习算法也不尽相剐3 4 1 。 表3 1 人工神经网络主要模型 ( 注：嘶导师学习网络；u 一无导师学习网络；n 一强化学习网络；f f l 前馈网络； 斑卜反馈网络；d 一离散型神经网络；c 一连续型神经网络) 3 2b p 神经网络 b p 神经网络又称误差反向传播网络( b a c kp r o p a g a t i o n ) ，这是因为该神经网络的连接权 的调整采用的是反向传播的学习算法。b p 神经网络是一种前馈网络，采用最小的方差学习 方式。b p 网络应用于多参数、非线性预报，对于无法建立起准确的数学模型的复杂事件采 用这种方法进行学习，可以提供有效的数值预报。本研究就是基于b p 神经网络的这一特 征建立有关化学成分对热轧低合金高强度钢的成品力学性能的影响关系模型。 b p 神经网络是人工神经网络模型中使用最广泛的一种。b p 网络可以用于函数逼近、 模式识别等领域。 ( 1 ) 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数； ( 2 ) 模式识别：用一个特定的输出矢量将它与输入矢量联系起来； ( 3 ) 分类：把输入矢量以所定义的合适方式进行分类； ( 4 ) 数据压缩：对数据进行压缩，以减少输出矢量维数以便于传输或存贮。 目前，在人工神经网络的实际应用中，8 0 9 0 的人工神经网络模型是采用b p 网络 和它的变化形式，它也是前向网络的核心部分，并体现了人工神经网络最精华的部分。 3 2 1b p 神经网络的模型结构 从结构上讲，b p 神经网络是典型的多层前向网络，分为输入层、中间层或隐含层、输 出层。层与层之间多采用全互连方式，同一层单元之间