摘要:潜流式水平连续铸造坯锭-高精冷轧工艺生产无氧铜带材的关键工序是熔铸过程,它决定着无氧铜加工材的两个内在质量指标———致密度和氧含量。对铸造工艺来说,若参数匹配不妥,铸坯内会存在晶粒粗大、显微裂纹、缩孔、缩松、偏析等组织缺陷,使致密度降低,这也是冷加工报废的主要原因。通过连铸工艺参数的正交实验,建立了铸坯致密度与主要工艺参数之间的神经网络描述,网络模型与遗传算法结合对工艺参数的组合进行了优化,改善了铸坯的组织质量,提高了铸坯致密度。
关键词:无氧铜带坯;水平连铸;工艺参数优化
无氧铜加工材因其优良的导电、导热特性,在信息、电子、电力、制冷等行业中发挥着重要的作用,尤其是在大功率电真空器件中更是不可替代[1,2]。致密度和氧含量是无氧铜加工材***重要的两个内在质量指标,直接影响着材料的使用性能,决定其内在质量的关键阶段是加工材生产的熔铸过程。潜流式水平连续铸造坯锭-高精冷轧工艺生产无氧铜带材,因无热轧工序而避免了加工过程的渗氧,但水平连续铸造获得的带坯,其致密度随连铸工艺条件的变化而波动较大,若连铸工艺参数及其组合不合理,铸坯中会存在晶粒粗大、显微裂纹、缩孔、缩松、偏析等组织缺陷[3,4],这些组织缺陷导致密度不高、不稳定,也是影响铸坯进一步加工成带材成品率和带材使用性能的主要因素。本文对影响上述铸坯内组织质量优劣的铸造温度、冷却强度和引拉参数及其匹配进行了实验研究,以正交实验为基础,通过人工神经网络建模、遗传算法优化,获得了较优的工艺参数及组合,改善和稳定了铸坯的组织质量,提高了带坯的致密度,为生产提供了可行的方法和理论依据。
1.工艺流程与实验因素选取
1.1工艺流程
水平连续铸造坯锭-高精冷轧技术生产无氧铜带材的完整工艺过程为:水平连续铸造带坯※铣面※粗轧※中轧※裁边※中间光亮退火※预精轧※精轧※成品光亮退火※表面处理※分条※包装入库,其中,水平连续铸造带坯是影响带材内在质量的关键阶段。本文实验是在实际生产线上完成的,连续铸造机组的熔炼-保温三联体炉、结晶器、牵引机和系统控制为本公司生产,图1和图2分别为连铸过程和结晶器示意图。结晶器为双铸坯通道,冷却水套长240 mm,冷却水二进四出,石墨模长290 mm;铸坯规格16 mm× 450 mm双流;连铸工艺规程拉—停—返推—停。
1.2因素选取
实验旨在探索连铸部分优化的工艺参数及组合,根据生产经验、理论分析及设备的可操作性,选取铸造温度(保温炉内熔体的温度)、冷却水入口温度(进入结晶器的水温测量值)、系统水压和引拉周期的周期间停留时间、回推时间、回推停顿时间及拉坯时间七个参数。
为考察因素,各因素的水平分别为铸造温度1 180、1 240、1 280 ℃ ,冷却水入口温度18、25、30 ℃ ,水压0.4、0.6、0.8 MPa,牵引停顿时间为3.50、4.50、5.50、6.20、6.80、7.60 s,回推时间0.08、0.16、0.25 s,回推停顿时间0.15、0.20、0.25 s,牵引时间0.35、0.50、0.70 s。考核指标为带坯的致密度。拉坯速度为控制变量,优化的参数及组合属于特定的拉坯速度,以方便生产。拉速为17.5 mm/s条件下的正交实验方案L18(61× 36)[5]、实验和仿真结果见表1。
2.网络模型
2.1网络结构
三层前向网络(Feed-forward Networks)能够以任意精度逼近任何非线性关系[6]。本文经实验确定的网络结构模型如图3所示,输入层7个神经元,隐层14个神经元,输出层一个神经元。用列向量Xj=[ x1,…,xn] T表示隐层或输出层第j个神经元所接受的输入,n为上一级神经元个数,用行向量Wj=[ωj1,ωj2,… ,ωji,·177·
… ,ωjn]表示隐层或输出层神经元j的连接权向量,ωji代表神经元j所获得的第i个输入;神经元j的总输入,sj= ∑ni= 1ωjixi+θj= WjXj+θj,θj为阈值;采用f(sj)=11+ e- sj为转移函数,则神经元j的输出为yj= f(sj)=[1+ exp(- WjXj+θj)]- 1。
2.2网络学习
以正交实验的每个实验组号的铸造温度、牵引停顿时间、回推时间、回推停顿时间、牵引时间、冷却水入口温度、冷却水压和致密度为网络训练的一个输入样本对。设系统有p个样本对,误差函数定义为:Ep=12∑mj= 1(djp- yjp)2,djp和yjp分别为第j个输出元的实际输出和监督信号。在网络学习阶段,若网络输出误差小于zhiding精度则结束,否则,转入反向传播(Error
Back Propagation),即将误差信号沿原来的连接通路反向修正各神经元的权向量,使误差信号达到zhiding精度为止。学习过程采用Levenberg-Marguardt算法,基本迭代公式为[7]:ω(k+ 1)=ω(k)-(JTJ+ ul)- 1 g式中g是误差函数对权向量的梯度,J为误差函数对权向量微分的Jacobian矩阵,I为单位矩阵,u是可以调整的非负数。
学习结束后,数据内在的规律便以神经元权向量值的形式分布存储于入网络中,供网络工作阶段使用。本实验取0.001为训练精度,即网络学习结束准则,学习速度变步长,初始取为0.01,由3组平行实验获得的样本数据进行训练,经18个检验样本的检验后,仿真结果见表1***后一列。
3.优化与实验
经训练和检验后的网络模型用于优化预测。在优化阶段,网络的输入(一组因素水平的组合)由GA(genetic algorithms)优化算法产生[8],网络的输出为GA的适应度函数值。每一因素用一个4位二进制编码,7个工艺参数组成28位二进制字串为一个个体,随机产生20个个体组成初始种群Y(0)={y1(0),y2(0),… ,y20(0)},令k= 0;计算种群Y(k)中每一个个体的适应度函数值(将一个体作为一个实验的因素水平输入网络,网络输出即为该个体的适应度函数值);从种群Y(k)中选取若干对进行交叉(取概率Pc=0.6),产生新个体;对每个新个体依变异概率Pm=0.04进行变异,并把变异后的个体作为下一代种群Y(k+ 1)的个体,令k= k+ 1;直到连续4代个体平均适应度变化差满足ε≤ 0.01为止,当前代中适应度值***大的个体即为***优工艺参数。
本实验中,拉速为17.5 mm/s时,获拉速域内优化预测的***高致密度为8.94 g/cm3,对应的参数组合为:铸造温度1 230℃ ;牵引停顿时间5.2 s;回推时间0.17 s;回推停顿时间0.19 s;牵引时间0.48 s;冷却水入口温度19℃ ;冷却水压0.53 MPa。经实际生产运行检验,该工艺条件下,实际致密度为8.93 g/cm3±2%,铜含量99.97%～ 99.99%。
4.结语
带坯致密度和氧含量是无氧铜加工材***重要的两个内在质量指标,直接影响着材料的使用性能,致密度的高低反映了内在组织特性,连铸过程中,致密度取决于一定的工艺条件和合金本身的成分及含量。通过正交实验和网络建模与优化,很大程度上弥补了单因素或正交实验中实验点不连续的问题,通过计算机在广泛区域上全局寻优,既可获得一定设备和生产环境下的一套较优工艺参数,同时减少了实际实验次数和成本,效果较好,经济效益显著提高。