[发明专利]热轧钢棒材热处理后的力学性能预测系统及预测方法

说明书

本发明公开了一种热轧钢棒材热处理后的力学性能预测系统，所述系统包括数据库通信模块、流程控制模块、机器学习算法模块、物理冶金模型模块。所述系统实时监控采集现场的生产数据，并根据不同钢材的轧制过程生产数据，在不进行热处理的条件下预测其按国标热处理工艺处理后的力学性能，包括拉伸屈服强度、拉伸抗拉强度、拉伸断后伸长率、拉伸屈强比试验、面缩。本发明利用深度卷积神经网络实现对42CrMo钢棒材热处理后力学性能的在线预测，相关预测结果可用来取代实际热处理检验过程，降低生产成本。

技术领域

本发明属于钢材轧制技术领域，尤其涉及一种42CrMo棒材力学性能预报系统及预测方法。

背景技术

在当今工业社会，热轧棒材被广泛用于各种各样的场合，例如建筑业、造船业、车辆制造业、家具行业等。这些产业都需要板卷拥有良好的力学性能以保证工程质量，避免安全隐患。而棒材的力学性能与其组成成分和加工过程参数，比如加热、轧制、冷却等工艺和各工艺之间的顺序密切相关。由于元素成分和工艺参数的随机性而引起的棒材力学性能的变化可能会带来一些问题。首先，棒材的生产需要进行热处理才能进行力学测试，测试其是否满足其预期用途所需的机械性能。这一过程通常需要几天时间，而且如果某一批次中的一部分制造的钢板不符合性能要求，可能就会导致整个批次被丢弃，增加了大量的浪费。其次，取样和测试过程又需要大量的人工工作，这反过来又增加了生产成本和时间。鉴于这些缺点，迫切需要设计一种可实现在线预测棒材力学性能的新方法。

由于棒材生产过程是极其复杂的多因素耦合过程，所以线棒材的组织性能预报的难度较大，是国内外冶金工作者较关注的研究方向之一，与之相关的大量基础研究工作也相继展开。现有资料显示，专利申请201010232151.1，一种40Cr线棒材力学性能预报系统中，采用BP神经网络对40Cr线棒材进行力学预测，但相关模型没有考虑热处理数据波动的影响，同时BP神经网络结构较为简单，难以实现较高预测精度。此外一些硏究高碳钢线棒材的温度、变形或模拟硏究了初轧坯高碳钢线材的显微组织演变；但尚未有报道可实现对42CrMo棒材热处理后力学性能预测。

发明内容

发明目的：本发明的目的在于提供一种热轧42CrMo钢棒材热处理后力学性能预测系统及方法，实现在42CrMo钢种完成轧制工艺流程后，对其热处理后力学性能进行预报，可替代产品热处理性能检测环节，降低生产成本。

技术方案：本发明的热轧钢棒材热处理后的力学性能预测系统，所述系统实时监控采集现场的生产数据，并根据不同钢材的轧制过程生产数据，在不进行热处理的条件下预测其按国标热处理工艺处理后的力学性能(包括拉伸屈服强度、拉伸抗拉强度、拉伸断后伸长率、拉伸屈强比试验、面缩)。系统主要由数据库通信模块、流程控制模块、机器学习算法模块、物理冶金模型模块构成。在系统的预测过程中会将每一批钢的现场生产数据输入机器学习算法模块，由机器学习算法模块计算出初步力学性能，并存储至现场数据库。

本发明公开热轧钢棒材热处理后的力学性能预测系统的预测方法，包括如下步骤：

(1)将数据库中存储的热处理力学性能实验数据进行处理；

(2)采用DNN神经网络进行反向推导，输入参数是热处理后力学性能实验数据以及热处理工艺，输出参数是剔除热处理工艺参数波动影响的典型力学性能参数；

(3)完成数据处理后，利用处理过后的热处理性能数据以及数据库中生产相关工艺数据；

(4)以工艺数据为基础训练深度卷积神经网络，训练过程中首先将生产相关工艺数据以4行5列的形式处理为二维数组并输入深度卷积神经网络进行预测，采用深度卷积神经网络结构为4*5的输入参数和3*4+2*3+5的输出参数，其中输出参数为处理过后的热处理性能数据。

进一步地，步骤(2)中，所述DNN神经网络结构为20*100*5。

进一步地，步骤(2)中，所述力学性能实验数据包括常温拉伸屈服强度、常温拉伸抗拉强度、常温拉伸断后伸长率、常温拉伸屈强比、面缩。