Verfahren und ComputerSystem zur Vorhersage einer Schrumpfung eines gegossenen Metallproduktes

Gebiet der Technik

Die vorliegende Erfindung betrifft das Gebiet von Gießverfahren von Metallen.

Einerseits betrifft die Erfindung ein Verfahren zur Vorhersage einer Schrumpfung eines Strangquerschnittes, eines Metallproduktes, welches durch einen Gießprozess aus flüssigem Metall erzeugt wurde, bevorzugt eine durch eine Stranggussanlage gegossene Bramme.

Anderseits betrifft die Erfindung ein Computersystem mit einem Speicher.

Stand der Technik

Innerhalb einer Gießanlage für Metalle, beispielsweise einer Stranggussanlage, stellt sich das Problem, dass eine spezifizierte Abmessung des Gießproduktes - im kalten Zustand - während und / oder vor dem Gießprozesses eingestellt werden muss. Durch Erstarrungsprozesse und Abkühlung einer Metallschmelze erfährt das Gießprodukt eine Schrumpfung, dadurch erfolgt eine Verringerung der Abmessungen des Gießproduktes, welche durch Gieß- und Qualitätsparameter der Metallschmelze beeinflusst werden.

Während des Gießens in einer Stranggussanlage wirkt zudem ein Ferrostatischer Druck auf eine Strangschale, was zum sogenannten Kriechen führt. Dies führt dazu, dass eine durch die Stranggussanlage gegossene Bramme eine Vergrößerung der Breite erfährt. Des Weiteren beeinflusst auch eine Gefügeänderung des Metalls während des Abkühlens eine Veränderung in den Abmessungen. Die Folge daraus ist, dass die Abmessung der erkalteten Bramme von den Abmessungen, welche an einer Kokille eingestellt wurden, abweicht. Um Brammen mit definierten Abmessungen produzieren zu können, muss die Abweichung im Vorfeld kompensiert werden. Die Einstellung der Kokille - im speziellen Kokillenseitenplatten - müssen also entsprechend der gewünschten Brammen Abmessungen vorgenommen werden. Durch eine Vielzahl an Einflussfaktoren auf die Schrumpfung des Gießproduktes ist eine mathematische Abbildung schwer möglich oder ungenau. Dies macht die Vorhersage und somit die richtige Einstellung des Gießprozesses schwierig. Derzeit werden Mathematische Modelle oder auf Erfahrungswerte basierende Tabellen verwendet. In der EP2279052 Bl wird ein Verfahren zum Stranggießen gezeigt, in welchem ein mathematisches Simulationsmodell für die Berechnung der Schrumpfung verwendet wird. Diese sind vereinfacht und können Veränderungen der Schmelze, Produktionsparameter oder andere Einflussparameter nur mit einem gewissen Fehlerbereich berücksichtigen .

Die JP H07214268 A zeigt ein Verfahren um eine Schrumpfung einer aus Stahl gegossen Bramme, mithilfe eines neuronalen Netzes, zu bestimmen.

Zusammenfassung der Erfindung

Die Aufgabe der Erfindung ist es eine zuverlässige Methode zur Verfügung zu stellen, um die Schrumpfung zwischen Kokillenquerschnitt und erzeugtem Strangquerschnitt möglichst genau vorherzusagen und fehlerhafte Eingangsparameter schnell zu erkennen.

Die Aufgabe wird gelöst durch ein neuronales Netz, welches aus einem mehrschichtigem feedforward-Netz besteht. Das neuronale Netz hat eine Vielzahl von Eingangsparametern, welche charakteristische Parameter des Gießprozesses und des Metallproduktes sind. Als Eingangsparameter zwingend erforderlich sind: eine aktuelle Gießbreite eine Temperatur der Schmelze eine Gießgeschwindigkeit Zusammensetzung der Schmelze.

Als Ausgang wird die Produktbreite und/oder Produkthöhe des gegossenen Metallproduktes ausgegeben. Die Produkthöhe und die Produktbreite sind jene Abmessungen welche vom neuronalen Netz an vorbestimmten Stellen innerhalb der Gießanlage, nach der Gießanlage oder bei einer vorgegebenen Temperatur - beispielsweise Raumtemperatur - ermittelt werden.

Durch das mehrschichtige feedforward Netz haben sich sehr gute Ergebnisse gezeigt. Die Eingangsparameter hängen von der Gießanlage und der vergossenen Metallschmelze ab. Die Metallschmelze kann aus einer Vielzahl von Legierungselementen bestehen, welche jeweils einen unterschiedlichen Einfluss auf die Schrumpfung aufweisen können. Des Weiteren haben auch etwaige Kühlvorrichtungen und andere Anlagenspezifischen Besonderheiten einen Einfluss auf die Schrumpfung.

Ein mehrschichtiges feedforward Netz besitzt neben einer Ausgabeschicht auch zumindest eine verdeckte Schicht. Die Ausgabe dieser verdeckten Schichten ist von außen nicht sichtbar. Das Neuronale Netz wird für jede Gießanlage antrainiert, indem beispielsweise bei der Inbetriebnahme Messdaten aufgenommen werden und dem neuronalen Netz entsprechend zugeführt werden. Des Weiteren wird die Ist- Breite und / oder Ist-Höhe des Metallproduktes gemessen. Bei einer Abweichung von Produktbreite und Ist-Breite und / oder von Produkthöhe und Ist-Höhe wird mithilfe des neuronalen Netzes vom Ausgang auf die Eingangsparameter rückgerechnet und die Ursache der jeweiligen Abweichung bestimmt. Die Messung der Ist-Breite und Ist-Höhe erfolgt in dem Zustand in welchem auch die Vorhersage der Schrumpfung gemacht wird - beispielsweise im erkalteten Zustand oder an einer vorgegebenen Position innerhalb oder außerhalb der Gießanlage. Die vorgegebene Position kann sich beispielsweise vor einer Brennschneidmaschine befinden. Da der erzeugte Strangquerschnitt an dieser Stelle einen bestimmten Zustand - beispielsweise eine bestimmte Temperatur aufweist - ist dies am Ausgang des neuronalen Netzes ebenfalls abgebildet. Es ist auch denkbar, dass die Messung und die Bestimmung der Schrumpfung mithilfe eines neuronalen Netzes an mehreren Stellen erfolgt.

Durch das Rückrechnen von der Ausgangsschicht entlang der einzelnen Schichten zum Eingang kann der Einfluss der einzelnen Eingangsparameter auf die Vorhersage berechnet werden und so mögliche Abweichungsursachen bestimmt werden. Weicht der Einfluss eines Eingangsparameters von der Norm stark ab, weist dies auf einen Fehlfunktion hin, wie beispielsweise falsche Datenübermittlung oder fehlerhafte Messung. Durch diese Ausführung kann beispielsweise schnell fehlerhaftes Messequipment identifiziert werden oder Messfehler können erkannt werden. Mithilfe vom Layerwise Relevance Propagation (LRP) Algorithmus können für einen gegebenen Eingangsparameter die Relevanz auf den Ausgang bestimmt werden. Dies ermöglicht es mögliche falsche Mess oder Prozessdaten zu ermitteln. Nachdem das Ergebnis für den Ausgang vorliegt kann mithilfe des LRP Algorithmus für jede Schicht und jedes Neuron zurückgerechnet werden und die jeweilige Relevanz vom jeweiligen Neuron einer Schicht zu einem Neuron in der nachfolgenden Schicht bestimmt werden. Dieses zurückrechnen erfolgt bis die Relevanz der Eingangsschicht vorliegt. Durch die Relevanz der einzelnen Eingangsparameter der Eingangsschicht auf den Ausgang können die Ursachen für Abweichungen von gemessenem und durch das neuronale Netz vorhergesagte Ergebnis rasch identifiziert werden.

Die charakteristische Relevanzverteilung des Sensors bzw. Eingangsparameter m - definiert durch Relevanzscores R _m (n) - der einzelnen Eingangsparameter werden für den Nominalbetrieb durch statistische Momente beschrieben. Bei einer Übereinstimmung von Produkthöhe und Ist-Höhe bzw. von Produktbreite und Ist-Breite im Nominalbetrieb liegen die erwarteten Relevanzscores innerhalb definierter Konfidenzintervalle, charakterisiert durch Mittelwert und einer Standardabweichung a _m für jeden einzelnen Eingangsparameter. Im kontinuierlichen Betrieb werden dann standardisierte Zufallsvariablen (z-score) z _m (ri) für die einzelnen Relevanzscores R _m (ji) der Abweichung von Messung und Ausgang des neuronalen Netzes berechnet, wie in Gleichung 1 dargestellt .

(Gleichung 1)

Wenn beispielsweise der z-score z _m (n)> 2 ist, bedeutet dies, dass die Abweichung - von der Messung und dem Ausgang des neuronalen Netzes für den Abtastpunkt (n) - durch den Eingangsparameter m - beispielsweise ein Sensor bzw. ein Prozessparameter - die Ursache der Abweichung ist. Es können natürlich mehrere Eingangsparameter die Ursache für die Abweichung sein.

Es können auch andere Anomaly Detection Algorithmen angewendet werden.

In einer bevorzugten Ausführungsform wird eine Auswahl aus folgenden Eingangsparameter für das feedforward Netz verwendet: eine Temperatur des Erstarrungspunktes eine aktuelle Position von Seitenwänden einer Kokille Angaben über Art und Menge von Legierungselementen der Schmelze, ein Gießpulvertyp, eine Gießhöhe,

Parameter der Kühlstrecke sind

Betriebsparameter einer Gießanlage, insbesondere einer Stranggussanlage .

Diese Auflistung ist nicht abschließend. Es können auch noch weitere Eingangsparameter verwendet werden. Die Auswahl welche Eingangsparameter für die Vorhersage der Schrumpfung verwendet werden, hängt von der Metallschmelze und deren Zusammensetzung ab. Des Weiteren ist auch die Gießanlage von entscheidender Bedeutung. Die Metallschmelze weist meistens mehrere Legierungselemente wie beispielsweise Kohlenstoff, Silizium, Mangan, Schwefel, Phosphor, Titan, Chrom, Nickel, Brom, Arsen und / oder weitere Legierungselemente auf. Um möglichst genaue Ergebnisse zu erhalten, soll der jeweilige Anteil der Legierungselemente dem Neuronalen Netz als Eingangsparameter zur Verfügung stehen.

Eine besonders bevorzugte Ausführungsform sieht vor, dass das mehrschichtige feedforward-Netz zumindest zwei verdeckte Schichten, besonders bevorzugt zumindest drei verdeckte Schichten aufweist. Die Verwendung von zumindest zwei verdeckten Schichten ermöglicht eine sehr gute Vorhersage der Strangschrumpfung. Durch die Verwendung von drei verdeckten Schichten wird ein Rauschen und zusätzliche Nichtlinearitäten mitberücksichtigt. Die Anzahl der verwendeten Schichten hängt sehr von der jeweiligen Gießanlage ab. In den meisten Fällen werden mit zwei verdeckten Schichten die besten Ergebnisse erzielt. Es kann aber in manchen Fällen - besonders bei komplexeren Anlagen - vorteilhaft sein mehr als zwei Schichten zu verwenden. Durch Verwendung von zu vielen verdeckten Schichten besteht das Problem, dass durch die zu hohe Modellordnung die Ergebnisse wieder schlechter werden - was als sogenannte Overfittingtendenz bezeichnet wird.

Eine vorteilhafte Ausführung sieht vor, dass die jeweiligen verdeckten Schichten jeweils bis zu 250 Neuronen aufweisen. Durch eine Rastersuche mit einer Vereinfachung (Grid Search mit Pruning) und einer Kreuzvalidierung kommt man zu einer optimierten Anzahl von Neuronen in den verdeckten Schichten. Für die Vorhersage der Schrumpfung hängt die Anzahl der Neuronen von der Anzahl der Eingangsparameter ab. Es hat sich herausgestellt, dass sich mit einer Anzahl von bis zu 250 Neuronen sehr gute Vorhersagen für die Schrumpfung erzielen lassen. Eine zweckmäße Ausführung sieht vor, dass als Aktivierungsfunktion der einzelnen Neuronen eine Rectified Linear Unit (ReLU), eine Rechteck Funktion, eine Tanh Funktion oder eine Gaussian Funktion verwendet wird. Die ReLU-Funktion hat sich als besonders vorteilhaft für die Hidden Layers erwiesen und führt zu sehr genauen Ergebnissen. Es sind aber auch eine Rechteck, eine Tanh oder eine Gaussian Funktion denkbar um die gute Ergebnisse der Schrumpfung zu erhalten. Es ist möglich, dass in dem Neuronalen Netz mehrere verschiedenen Aktivierungsfunktionen zum Einsatz kommen. Es kann also vorteilhaft sein, dass nicht alle Neuronen die gleichen Aktivierungsfunktion haben.

Eine besonders bevorzugte Ausführungsform sieht vor, dass die Schrumpfung, bevorzugt die Produktbreite und / oder Produkthöhe einer Steuer- und/oder Regeleinrichtung der Stranggussanalage zugeführt wird. Die Vorhersage der Schrumpfung - also der Abmessungen der gegossenen Bramme - kann direkt für die Steuer- und/oder Regeleinrichtung verwendet werden, um die gewünschten Einstellungen an der Stranggussanlage vorzunehmen. Durch das direkte Einbeziehen dieser Vorhersage kann immer auf geänderte Bedingungen- wie beispielsweise geänderte Zusammensetzung oder Temperatur der Metallschmelze - reagiert werden. Durch die Vorhersage einer Schrumpfungsänderung kann ein oder mehrere Parameter der Stranggussanlage - beispielsweise die Gießbreite - entsprechend angepasst werden.

In einer besonders vorteilhaften Ausführungsform steuert und/oder regelt die Steuer- und/oder Regeleinrichtung die Position von Seitenwänden einer Kokille.

Durch das beschriebene Verfahren lässt sich eine Steuerung oder Regelung der Position der Seitenwände einer Kokille besonders einfach bewerkstelligen, damit die gegossene Bramme im abgekühlten Zustand die gewünschten Abmessungen aufweist. Die Aufgabe wird weiters durch ein Computersystem der eingangsgenannten Art gelöst. Das Computersystem weist einen Speicher auf, der ein neuronales Netz beinhaltet, welches aus einem mehrschichtigem feedforward-Netz besteht. Dieses weist eine Vielzahl an Eingangsparameter auf. Als Eingansparameter sind zumindest eine aktuellen Gießbreite, eine Temperatur der Schmelze, eine Gießgeschwindigkeit der Bramme und eine Zusammensetzung der Schmelze erforderlich. Als Ausgang wird die Schrumpfung eines gegossenen Metallproduktes ausgegeben. Das Computersystem weist Eingänge für Messdaten und / oder andere Daten auf, welche als Eingangsparameter verwendet werden. Als Ausgang übermittelt das Computersystem die Produktbreite und/oder Produkthöhe des gegossenen Metallproduktes. Durch ein Messinstrument wird die Ist-Breite und / oder Ist-Höhe des Metallproduktes gemessen und bei Abweichung von Produktbreite und Ist-Breite und / oder von Produkthöhe und Ist-Höhe rechnet das Computersystem mithilfe des neuronalen Netzes vom Ausgang auf die Eingangsparameter rückgerechnet und die Ursache der jeweiligen Abweichung bestimmt.

Durch dieses Computersystem kann die Schrumpfung eines Metallproduktes sehr gut vorhergesagt werden.

Eine bevorzugte Ausführungsform sieht vor, dass das mehrschichtige feedforward-Netz zumindest zwei verdeckte Schichten, besonders bevorzugt zumindest drei verdeckte Schichten aufweist. Es ergeben sich dieselben Vorteile wie bereits unter dem Verfahren erläutert.

Eine weitere bevorzugte Ausführungsform sieht vor, dass das Computersystem mit einer Stranggussanlage zum Gießen von Brammen verbunden ist und Betriebsdaten als Eingangsparameter verwendet werden.

In einer zweckmäßige Ausführungsform wird durch die Steuer- und/oder Regeleinrichtung die Steuerung und / oder Regelung einer Position von Seitenwänden einer Kokille ausgeführt. Kurze Beschreibung der Zeichnungen

Fig. 1 eine schematische Darstellung einer Stranggussanlage Fig. 2 ein neuronales Netz zur Vorhersage einer Schrumpfung Fig. 3 Vergleich von Messergebnissen und Vorhersage der Schrumpfung

Beschreibung der Ausführungsformen

In der Fig. 1 ist schematisch eine Stranggussanlage 1 dargestellt. In eine Kokille 2 wird flüssiges Metall 6 gegossen und aus der Kokille wird dann ein gegossener Strang 7 abgezogen. Durch ein Computersystem 3, welches mit einem Speicher 4 verbunden ist, wird die Schrumpfung des gegossenen Stranges 7 mithilfe eines neuronalen Netzes berechnet. Die Schrumpfung wird dann einer Regel-, Steuereinrichtung 9 und/oder einer Anzeigeneinheit 8 zugeführt. Die Regel und/oder Steuereinrichtung 9 kann aufgrund der Schrumpfung die Stranggussanlage 1 regeln und/oder steuern. Dies erfolgt beispielsweise über die Einstellung von Seitenwänden der Kokille 2. Das Computersystem 3 erhält über Eingänge 5 Eingangsparameter. Diese Eingangsparameter können einerseits von Messinstrumenten 5a, vom Speicher 4 über die Speicherleitung 5b und/oder von einem übergeordneten Leitsystem der Industrieanlage übergeben werden. Die von Messinstrumenten erfassten Parameter sind beispielsweise die gemessen Strangabmessungen, Temperatur der Schmelze, Gießgeschwindigkeit und/oder Parameter der Kühlstrecke. Eine Zusammensetzung der Schmelze kann entweder im Speicher abgelegt sein, oder durch das übergeordnete Leitsystem der Industrieanlage übermittelt werden. Im Speicher 4 können neben spezifischen Daten der Stranggussanlage 1 auch Messdaten abgelegt sein, welche zum Anlernen des neuronalen Netzes herangezogen werden.

In der Fig. 2 ist ein Aufbau eines neuronalen Netzes 10 dargestellt. Durch dieses neuronale Netz 10 kann die Schrumpfung eines gegossenen Metallproduktes sehr genau bestimmt werden. Das neuronale Netz 10 besteht aus einer Eingangsschicht 11. Durch die Eingangsschicht 11 werden dem neuronalen Netz 11 wichtige Parameter des Gießvorganges und des flüssigen Metalls übergeben. Diese wichtigen Parameter sind unter anderem die aktuelle Temperatur der Schmelze, die aktuelle Gießgeschwindigkeit, eine aktuelle Gießbreite, eine aktuelle Winkel Stellung von Seitenwänden der Kokille, eine Temperatur über dem Erstarrungspunkt der Schmelze, Legierungselemente, Gießpulvertyp und / oder Parameter der Kühlstrecke. Diese Parameter werden auch für das Antrainieren des neuronalen Netzes herangezogen.

Das Neuronale Netz 10 besteht weiters aus einer ersten verdeckten Schicht 12 und einer zweiten verdeckten Schicht 13 die jeweils eine Vielzahl an Neuronen 15 aufweisen. Die Anzahl der Neuronen 15 jeder verdeckten Schicht ist abhängig von den Eingangsparametern. Wenn die Eingangsschicht aus vierzehn Eingangsparametern besteht weisen die erste verdeckte Schicht 12 und die zweite verdeckte Schicht 13 beispielsweide jeweils um die 250 Neuronen 15 auf. Das neuronale Netz 10 wird durch die Ausgangsschicht 14 vervollständigt. Die Ausgangschicht 14 gibt die Schrumpfung aus. Die Schrumpfung kann durch das Verhältnis von der gegossenen Breite zu jener in abgekühltem Zustand angegeben werden. Es kann natürlich auch die Schrumpfung der Höhe, einer Länge oder anderer Abmessungen bestimmt werden.

In der Fig. 3 ist die Schrumpfung von Brammen, welche durch eine Stranggussanlage produziert wurden, dargestellt. Eine erste Kurve zeigt die Schrumpfung, welche mit Messdaten (16) ermittelt wurde. Eine zweite Kurve stellt eine Vorhersage (17) der Schrumpfung dar, welche durch das neuronale Netz ermittelt wurde. Die Schrumpfung ist jeweils dargestellt als Verhältnis von gegossener Breite - eingestellte Breite an der Kokille - zur Breite im abgekühlten Zustand bei 25°C.

Wie aus den Kurven ersichtlich ist, stimmt die Vorhersage (17) durch das neuronale Netz sehr gut mit den tatsächlich gemessenen Daten überein. Obwohl die Erfindung im Detail durch die bevorzugten Ausführungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang gemäß den Ansprüchen zu verlassen.

Bezugszeichenliste

1 Stranggussanlage

2 Kokille

3 ComputerSystem

4 Speicher

5 Eingänge

5a Messinstrumente

5b Speicherleitung

6 Flüssiges Metall

7 Strang

8 Anzeigeeinheit

9 Regel- und/oder Steuereinrichtung

10 Neuronales Netz 11 EingangsSchicht 12 Erste verdeckte Schicht

13 Zweite verdeckte Schicht

14 AusgangsSchicht

15 Neuronen

16 Messdaten 17 Vorhersage