基于多支持向量机齿轮钢淬透性预报方法的研究

第22卷第1期2010年1月

钢铁研究学报

Jour nal of Ir on and Steel Research

V ol.22,No.1January 2010

作者简介:林 平(1970 ),男,博士生,高级工程师; E mail:lin ping100@; 收稿日期:2009 01 20

基于多支持向量机齿轮钢淬透性预报方法的研究

林 平

1,2

, 王福利1, 刘 浏

2

(1.东北大学自动化研究所,辽宁沈阳110004; 2.钢铁研究总院冶金工艺研究所,北京100081)摘 要:由于齿轮钢淬透性与钢的化学成分和组织结构间存在非常复杂的关系,传统方法难以建立准确的预测模型。针对这一问题,提出了一种多支持向量机的建模方法,将影响淬透性的各因素按其相关性进行分类,根据分类结果确定子模型个数和子模型的输入。同时,为保证模型具有更好的拟合精度和泛化能力,在模型的训练中采用遗传算法对支持向量机进行参数寻优。仿真结果表明,采用多支持向量机建立的钢材淬透性预测模型具有更高的预测精度。

关键词:淬透性;预报;支持向量机;遗传算法;齿轮钢

中图分类号:T F 701 2 文献标志码:A 文章编号:1001 0963(2010)01 0004 05

Multi SVM Based Prediction Model for Hardenability of Gear Steel

LIN Ping

1,2

, WANG Fu li 1, LIU Liu

2

(1.Key Labo rator y o f Integ r ated A utomatio n o f Pr ocess Industr y,No rtheastern U niver sity,Sheny ang 110004,L iao ning ,China; 2.M etallur gical Depar tment ,Cent ral I ron and Steel Resear ch Institute,Beijing 100081,China)Abstract:H ar denabilit y predictio n is v ery diff icult in the st eel refining pro cess.Based on the idea that the accuracy of model can be sig nif icantly impr ov ed by combining several sub mo dels,a multiple support vector machine (M SVM )based hardenability pr edict ion model is pro posed.T he facto rs offecting hardenability are analysised and the number of sub model and the input variables of the sub model are deter mined.I n or der to improv e the precision and generaliza tio n capabilit y of t he predictio n mo del,genetic algorithm (G A)is adopted to optimize the parameters of MSVM.T he simulated results demonst rate the efficiency of the method.

Key words:hardenability ;predictio n;suppo rt v ector machine;g enetic alg or ithm;g ear steel

对冶炼高品质齿轮钢来说,最基本要求就是提高钢材淬透性的稳定性和一致性。通常高品质齿轮钢的基本要求是淬透性带宽小于6(H RC),国际先进水平达到淬透性带宽小于4[1]。在精炼过程实现淬透性的准确预报是缩小齿轮钢淬透性带宽的关键技术。由于淬透性与钢的化学成分和组织结构间存在非常复杂的关系,采用传统的回归方法,如多元线性回归模型、非线性模型,难以准确描述,而神经网络由于自身结构上的缺陷也难以建立准确的模型。支持向量机比BP 神经网络具有更好的学习能力、泛化能力以及更低的样本数据的依赖程度等[2],目前已经得到广泛应用。本文在分析了影响齿轮钢淬

透性的各种因素基础上,采用多支持向量机模型预报首钢齿轮钢淬透性。

1 齿轮钢淬透性的主要影响因素分析

钢的淬透性是指钢通过淬火冷却获得马氏体的能力。而在一定冷却条件下,获得马氏体的程度取决于钢的过冷奥氏体转变动力学特性,即与过冷奥氏体成分和组织状态(主要是晶粒度)有关。下面从金属学强化理论角度研究影响20CrM nT iH 齿轮钢淬透性的主要因素。1 1 晶粒度和组织的影响

众多研究表明,晶粒越大,钢的淬透性越大[3]。

由于晶粒增大,单位体积内的晶界面积减少,非马氏体型转变时的成核位置减少,成核率减少,从而推迟转变,提高钢的淬透性。同时粗大晶粒还降低转变温度,也导致钢的淬透性提高。

1 2 化学成分的影响

碳是决定齿轮钢淬火后获得马氏体硬度的最重要元素。随碳含量增加,马氏体硬度变大,同时钢的淬透性也随之增加。

合金元素(除Co外)主要通过固溶于奥氏体中提高过冷奥氏体稳定性来提高淬透性;而强碳化物形成元素则通过形成碳化物或其它化合物间接影响钢的淬透性。其中[4]:

1)硅主要提高碳钢过冷奥氏体在中温区的稳定性,而对650~700的高温区影响很小,甚至降低其稳定性;

2)锰强烈增加钢的淬透性,可以改善钢的热加工性能,但Mn含量较高时,有使钢晶粒粗化的倾向;

3)铬能显著增加钢的淬透性,在一定强度水平情况下,使钢具有较好的塑性和韧性;

4)钛是细化晶粒元素,在钢中主要以碳化物存在,而TiC在一般奥氏体化温度下是未溶的,因此减少了奥氏体的含碳量,并通过细化晶粒和起到形核作用而降低钢的淬透性;

5)磷作为钢中有害元素,固溶于奥氏体中,能增加钢的淬透性。而硫因与M n结合形成M nS,降低了Mn的强化效果,导致钢的淬透性降低;

6)硫在钢中以固溶态和高熔点氧化物或氮化物的形式存在。以难熔化合物形式存在时,因细化晶粒和降低加热时奥氏体晶粒长大倾向性而降低钢的淬透性;固溶于铁素体中时,则能提高钢的淬透性。

1 3 化学成分微观不均匀性的影响

化学成分的微观不均匀性主要是晶粒或枝晶范围内的不均匀性。不均匀性有下列几种形式[5]:

1)枝晶偏析;

2)碳化物的溶解和析出导致的微观不均匀性;

3)晶间内吸附导致的微观不均匀性;

4)固溶体内的晶体缺陷导致微观化学成分不均匀性;

5)溶质原子的交互作用。

2 基于多支持向量机的淬透性预报模型

在评定钢淬透性的诸方法中,端淬法更适于标准化和定量处理,也是目前各国普遍采用的方法。因首钢齿轮钢晶粒度基本分布在8 0~8 5级水平,完全可忽略其对淬透性的影响,在建立数学模型时,影响因子就只考虑化学成分。主要考虑两个主要淬透性指标:J9和J15。

精炼炉炼钢是一个非常复杂的过程,简单将某几个变量作为软测量模型的输入往往不能得出被估参数的精确结果,主要原因是变量之间强的相关性导致了模型的信息冗余,特别是当用于模型训练的数据不能够分布到整个输入输出空间,单个模型就不能做出准确的估计[6]。本文利用支持向量机技术建立1种多模型结构进行淬透性的软测量。将原输入变量集进行分类,划分成多个子集合,使得各个子集合中变量之间的相关性最小,分别作为各个子模型的输入,这样即降低了模型的维数又避免了信息冗余,最后将这些子模型融合,进行淬透性的软测量。形成了1个具有两级形式的多模型结构,这种结构的模型在模型估计精度和鲁棒性等方面都有明显的提高。

2 1 多最小二乘法支持向量机MLS SVM结构

多模型结构分为两级,首先是利用原始数据来构造多个具有不同特性的子模型,然后通过对这些子模型的输出进行融合来提高最终估计的整体性能。其模型结构如图1所示。

一般的预测及辨识模型都是一次性利用所有的输入数据进行建模。而精炼炉炼钢这样的复杂非线性动态过程,可用的输入变量之间都存在着很大的相关性,把它们一起作为单一模型的训练输入数据就会有很大的信息冗余,往往会出现模型的!过拟和∀,模型的泛化性很差。为了有效解决这一问题,笔者基于最小二乘法支持向量机(LS SV M)[7]方法建立了多模型结构,把输入信息的相关性作为构建子

图1 多模型结构

Fig 1 Structure of multi model

#

5

#

第1期 林 平等:基于多支持向量机齿轮钢淬透性预报方法的研究