[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

EP3831511A1 - Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes - Google Patents

Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes Download PDF

Info

Publication number
EP3831511A1
EP3831511A1 EP19213866.7A EP19213866A EP3831511A1 EP 3831511 A1 EP3831511 A1 EP 3831511A1 EP 19213866 A EP19213866 A EP 19213866A EP 3831511 A1 EP3831511 A1 EP 3831511A1
Authority
EP
European Patent Office
Prior art keywords
shrinkage
metal product
computer system
predicting
cast
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP19213866.7A
Other languages
English (en)
French (fr)
Inventor
Adnan HUSAKOVIC
Rainer Kaltseis
Daniel FUCHSHUBER
Franz Hartl
Andreas ROHRHOFER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Primetals Technologies Austria GmbH
Original Assignee
Primetals Technologies Austria GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Primetals Technologies Austria GmbH filed Critical Primetals Technologies Austria GmbH
Priority to EP19213866.7A priority Critical patent/EP3831511A1/de
Priority to PCT/EP2020/077406 priority patent/WO2021110300A1/de
Priority to EP20780216.6A priority patent/EP4069448A1/de
Publication of EP3831511A1 publication Critical patent/EP3831511A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/168—Controlling or regulating processes or operations for adjusting the mould size or mould taper
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/12—Accessories for subsequent treating or working cast stock in situ
    • B22D11/1206—Accessories for subsequent treating or working cast stock in situ for plastic shaping of strands
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations

Definitions

  • the present invention relates to the field of metal casting processes.
  • the invention relates to a method for predicting a shrinkage, preferably a shrinkage width and / or a shrinkage height of a strand cross-section, of a metal product which was produced by a casting process from liquid metal, preferably a slab cast by a continuous casting plant.
  • the invention relates to a computer system with a memory.
  • a specified dimension of the cast product - in the cold state - has to be set during and / or before the casting process.
  • the cast product undergoes shrinkage, which results in a reduction in the dimensions of the cast product, which are influenced by the casting and quality parameters of the metal melt.
  • ferrostatic pressure also acts on a strand shell, which leads to so-called creep.
  • a slab cast by the continuous caster experiences an increase in width.
  • a change in the structure of the metal during cooling also influences a change in the dimensions.
  • the object of the invention is to provide a reliable method for predicting the shrinkage as precisely as possible.
  • the object is achieved by a neural network which consists of a multi-layer feedforward network.
  • the neural network has a large number of input parameters, which are characteristic parameters of the casting process and the metal product.
  • the output is the shrinkage of the cast metal product.
  • the multi-layered feedforward network has shown very good results.
  • the input parameters depend very much on the casting system and the cast metal melt.
  • the molten metal can be made from a variety of Alloy elements exist, each of which can have a different influence on the shrinkage.
  • any cooling devices and other system-specific features also have an influence on the shrinkage.
  • a multilayer feedforward network also has at least one hidden layer. The output of these hidden layers is not visible from the outside.
  • the neural network is trained for each casting plant, for example by recording measurement data during commissioning and feeding it to the neural network accordingly.
  • the selection of which input parameters are used to predict the shrinkage depends on the molten metal and its composition.
  • the casting plant is also of crucial importance.
  • the molten metal usually has several alloy elements such as carbon, silicon, manganese, titanium, chromium, nickel, bromine, arsenic and / or other alloy elements. To as much as possible To obtain exact results, the respective proportion of the alloying elements should be available to the neural network as an input parameter.
  • the multilayer feedforeard network has at least two hidden layers, particularly preferably at least three hidden layers.
  • the use of at least two hidden layers enables a very good prediction of the strand shrinkage.
  • noise and additional non-linearities are also taken into account.
  • the number of layers used depends very much on the particular casting plant. In most cases, having two layers hidden will give the best results. However, in some cases - especially with more complex systems - it can be advantageous to use more than two shifts. If too many hidden layers are used, the problem arises that the too high model order makes the results worse again - this is known as the overfitting tendency.
  • An advantageous embodiment provides that the respective hidden layers each have up to 250 neurons.
  • the number depends on the number of input parameters. It has been found that with a number of up to 250 neurons, very good predictions for the shrinkage can be achieved.
  • An expedient embodiment provides that a rectified linear unit, a rectangular function, a Tanh function or a Gaussian function is used as the activation function of the individual neurons.
  • the Retified Linear Unit (RELI) function has proven to be particularly advantageous and leads to very precise results. But it is also a rectangle, a Tanh or a Gaussian function conceivable to get the good results of the shrinkage. It is possible for several different activation functions to be used in the neural network. It can therefore be advantageous that not all neurons have the same activation function.
  • a particularly preferred embodiment provides that the shrinkage, preferably the shrinkage width and / or shrinkage height, is fed to a control and / or regulating device of the continuous casting plant.
  • the prediction of the shrinkage - i.e. the dimensions of the cast slab - can be used directly for the control and / or regulating device in order to make the desired settings on the continuous casting plant. By directly including this forecast, it is always possible to react to changed conditions - such as changed composition or temperature of the molten metal.
  • changed conditions - such as changed composition or temperature of the molten metal.
  • one or more parameters of the continuous casting plant - for example the casting width - can be adjusted accordingly.
  • control and / or regulating device controls and / or regulates the position of the side walls of a mold.
  • the described method allows the position of the side walls of a mold to be controlled or regulated in a particularly simple manner so that the cast slab has the desired dimensions in the cooled state.
  • the actual width and / or actual height of the metal product is measured. If there is a discrepancy between the shrinkage width and actual width and / or between the shrinkage height and the actual height, the output is used to calculate the input parameters back to the input parameters and the cause of the respective deviation is determined.
  • the actual width and actual height are measured in the state in which the prediction of the shrinkage is made - for example, in the cooled state.
  • the input parameters can be calculated and thus possible deviations can be determined. Due to the incorrect input parameter, the cause, such as incorrect data transmission or incorrect measurement, can be determined.
  • This advantageous embodiment enables faulty measuring equipment to be identified quickly, for example, or measuring errors to be recognized.
  • the object is also achieved by a computer system of the type mentioned above.
  • the computer system has a memory which contains a neural network which consists of a multilayered feedforward network. This has a large number of input parameters.
  • the output is the shrinkage of a cast metal product.
  • the computer system has inputs for measurement data and / or other data which are used as input parameters.
  • the computer system is connected to a display device, a control device and / or a regulating device in order to transmit the shrinkage to the latter. With this computer system the shrinkage of a metal product can be predicted very well.
  • the multilayer feedforward network has at least two hidden layers, particularly preferably at least three hidden layers.
  • Another preferred embodiment provides that the computer system is connected to a continuous casting plant for casting slabs and operating data are used as input parameters.
  • the open-loop and / or closed-loop control of a position of side walls of a mold is carried out by the control and / or regulating device.
  • a continuous casting plant 1 is shown schematically.
  • Liquid metal 6 is poured into a mold 2 and a cast strand 7 is then withdrawn from the mold.
  • the shrinkage is then fed to a regulating, control device 9 and / or a display unit 8.
  • the regulating and / or control device 9 can regulate and / or control the continuous casting plant 1 due to the shrinkage. This is done, for example, by adjusting the side walls of the mold 2.
  • the computer system 3 receives input parameters via inputs 5.
  • These input parameters can be transferred from measuring instruments 5a, 5b, from memory 4 via memory line 5b and / or from a higher-level control system of the industrial plant.
  • the parameters recorded by measuring instruments are, for example, the measured strand dimensions, temperature of the melt, casting speed and / or parameters of the cooling section.
  • a composition of the melt can either be stored in the memory or transmitted through the higher-level control system of the industrial plant.
  • measurement data can also be stored in the memory 4, which data can be used to learn the neural network.
  • the neural network 10 allows the shrinkage of a cast metal product to be determined very precisely.
  • the neural network 10 consists of an input layer 11.
  • the input layer 11 transfers important parameters of the casting process and of the liquid metal to the neural network 11. These important parameters include the current temperature of the melt, the current casting speed, a current casting width, a current angular position of the side walls of the mold, a temperature above the solidification point of the melt, alloying elements, casting powder type and / or parameters of the cooling section. These parameters are also used to train the neural network.
  • the neural network 10 also consists of a first hidden layer 12 and a second hidden layer 13, each of which has a large number of neurons 15.
  • the number of neurons 15 of each hidden layer depends on the input parameters. If the input layer consists of fourteen input parameters, the first hidden layer 12 and the second hidden layer 13 each have around 250 neurons 15, for example.
  • the neural network 10 is completed by the output layer 14.
  • the output layer 14 outputs the shrinkage.
  • the shrinkage can be indicated by the ratio of the cast width to that in the cooled state. Of course, the shrinkage in height, length or other dimensions can also be determined.
  • FIG. 3 shows the shrinkage of slabs that were produced by a continuous caster.
  • a first curve shows the shrinkage, which was determined with measurement data (16).
  • a second curve represents a prediction (17) of the shrinkage, which was determined by the neural network.
  • the shrinkage is shown as the ratio of the cast width - the width set on the mold - to the width in the cooled state at 25 ° C.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Continuous Casting (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Vorhersage einer Schrumpfung eines Metallproduktes, welches durch einen Gießprozess aus flüssigem Metall erzeugt wurde. Aufgabe der Erfindung ist es ein Verfahren zu schaffen, welches eine Schrumpfung sehr genau vorhersagen kann.Diese Aufgabe wird durch ein neuronales Netz (10), welches aus einem mehrschichtigem feedforward-Netz mit einer Vielzahl von Eingangsparametern besteht, gelöst. Die Eingangsparameter sind charakteristische Parameter des Gießprozesses und des Metallproduktes. Am Ausgang des neuronalen Netzes wird die Schrumpfung des gegossenen Metallproduktes ausgegeben.Die Aufgabe wird weiters durch ein Computersystem mit einem Speicher gelöst, welcher ein neuronales Netz (10) beinhaltet. Dieses neuronale Netz (10) besteht aus einem mehrschichtigem feedforward-Netz, welches eine Vielzahl an Eingangsparameter aufweist und als Ausgang die Schrumpfung eines gegossenen Metallproduktes ausgegeben wird. Das Computersystem (3) hat Eingänge (5) für Daten, welche als Eingangsparameter verwendet werden und die Schrumpfung wird an ein Anzeigegerät (8), eine Steuereinrichtung und / oder eine Regeleinrichtung (9) übermittelt.

Description

    Gebiet der Technik
  • Die vorliegende Erfindung betrifft das Gebiet von Gießverfahren von Metallen.
  • Einerseits betrifft die Erfindung ein Verfahren zur Vorhersage einer Schrumpfung, bevorzugt eine Schrumpfungsbreite und/oder eine Schrumpfungshöhe 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 B1 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.
    • Zusammenfassung der Erfindung
  • Die Aufgabe der Erfindung ist es eine zuverlässige Methode zur Verfügung zu stellen, um die Schrumpfung möglichst genau vorherzusagen.
  • 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 Ausgang wird die Schrumpfung des gegossenen Metallproduktes ausgegeben.
  • Durch das mehrschichtige feedforward Netz haben sich sehr gute Ergebnisse gezeigt. Die Eingangsparameter hängen sehr 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 anderen 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.
  • In einer bevorzugten Ausführungsform wird eine Auswahl aus folgenden Eingangsparameter für das feedforward Netz verwendet:
    • eine aktuelle Gießbreite
    • eine Temperatur der Schmelze
    • eine Gießgeschwindigkeit
    • eine Temperatur des Erstarrungspunktes
    • Zusammensetzung der Schmelze
    • eine aktuelle Position von Seitenwänden einer Kokille
    • Angaben über Art und Menge von Legierungselementen der Schmelze,
    • ein Gießpulvertyp,
    • Parameter der Kühlstrecke sind
    • Betriebsparameter einer Gießanlage, insbesondere einer Stranggussanlage.
  • Diese Auflistung ist nicht abschließend. Es können natürlich 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, 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 feedforeard-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 zuvielen 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 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, eine Rechteck Funktion, eine Tanh Funktion oder eine Gaussian Funktion verwendet wird. Die Retified Linear Unit (RELI) Funktion hat sich als besonders vorteilhaft 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 Schrumpfungsbreite und / oder Schrumpfungshöhe 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.
  • In einer besonders bevorzugten Ausführungsform wird die Ist-Breite und / oder Ist-Höhe des Metallproduktes gemessen. Bei einer Abweichung von Schrumpfungsbreite und Ist-Breite und / oder von Schrumpfungshöhe 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.
  • Durch das Rückrechnen von der Ausgangsschicht entlang der einzelnen Schichten zum Eingang können die Eingangsparameter berechnet werden und so mögliche Abweichungen bestimmt werden. Aufgrund des fehlerhaften Eingangsparameter kann die Ursache, wie beispielsweise falsche Datenübermittlung oder fehlerhafte Messung, bestimmt werden. Durch diese vorteilhafte Ausführung kann beispielsweise schnell fehlerhaftes Messequipment identifiziert werden oder Messfehler können erkannt werden.
  • 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 Ausgang wird die Schrumpfung eines gegossenen Metallproduktes ausgegeben. Das Computersystem weist Eingänge für Messdaten und / oder andere Daten auf, welche als Eingangsparameter verwendet werden. Das Computersystem ist mit einem Anzeigegerät, einer Steuereinrichtung und / oder einer Regeleinrichtung verbunden, um die Schrumpfung an diese zu übermitteln. 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, 5b, 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

Claims (12)

  1. Verfahren zur Vorhersage einer Schrumpfung, bevorzugt eine Schrumpfungsbreite und/oder eine Schrumpfungshöhe eines Strangquerschnittes, eines Metallproduktes, welches durch einen Gießprozess aus flüssigem Metall erzeugt wurde, bevorzugt eine durch eine Stranggussanlage (1) gegossene Bramme, dadurch gekennzeichnet, dass ein neuronales Netz (10), welches aus einem mehrschichtigem feedforward-Netz mit einer Vielzahl von Eingangsparametern, welche charakteristische Parameter des Gießprozesses und des Metallproduktes sind und als Ausgang die Schrumpfung des gegossenen Metallproduktes ausgegeben wird.
  2. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1, dadurch gekennzeichnet, dass Eingangsparameter zumindest eine Auswahl aus folgenden Parametern sind:
    - eine aktuelle Gießbreite
    - eine Temperatur der Schmelze
    - eine Gießgeschwindigkeit
    - eine Temperatur des Erstarrungspunktes
    - Zusammensetzung der Schmelze
    - eine aktuelle Position von Seitenwänden einer Kokille
    - Angaben über Art und Menge von Legierungselementen der Schmelze,
    - ein Gießpulvertyp,
    - Parameter der Kühlstrecke sind,
    - Betriebsparameter einer Gießanlage, insbesondere einer Stranggussanlage.
  3. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 -2, dadurch gekennzeichnet, dass mehrschichtige feedforeard-Netz zumindest zwei verdeckte Schichten (12, 13) besonders bevorzugt zumindest drei verdeckte Schichten aufweist.
  4. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 - 3, dadurch gekennzeichnet, dass die jeweiligen verdeckten Schichten (12, 13) jeweils bis zu 250 Neuronen aufweisen.
  5. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 -4 , dadurch gekennzeichnet, dass als Aktivierungsfunktion der einzelnen Neuronen eine Retified Linear Unit Funktion, eine Rechteck Funktion, eine Tanh Funktion oder eine Gaussian Funktion verwendet wird.
  6. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 - 5, dadurch gekennzeichnet, dass die Schrumpfung, bevorzugt die Schrumpfungsbreite und / oder Schrumpfungshöhe einer Steuer- und/oder Regeleinrichtung (9) der Stranggussanalage (1) zugeführt wird.
  7. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 6, dadurch gekennzeichnet, dass die Steuer- und/oder Regeleinrichtung (9) die Position von Seitenwänden einer Kokille (2) steuert oder regelt.
  8. Verfahren zur Vorhersage einer Schrumpfung eines aus flüssigem Metall gegossenen Metallproduktes nach Anspruch 1 -7, dadurch gekennzeichnet, dass die Ist-Breite und / oder Ist-Höhe des Metallproduktes gemessen wird und bei Abweichung von Schrumpfungsbreite und Ist-Breite und / oder von Schrumpfungshöhe und Ist-Höhe mithilfe des neuronalen Netzes (10) vom Ausgang auf die Eingangsparameter rückgerechnet wird und die Ursache der jeweiligen Abweichung bestimmt wird.
  9. Computersystem (3) mit einem Speicher (4), dadurch gekennzeichnet, dass der Speicher (4) ein neuronales Netz (10) beinhaltet, welches aus einem mehrschichtigem feedforward-Netz, welches eine Vielzahl an Eingangsparameter aufweist und als Ausgang die Schrumpfung eines gegossenen Metallproduktes ausgegeben wird, wobei das Computersystem (3) Eingänge (5) für Daten, insbesondere Messdaten, aufweist, welche als Eingangsparameter verwendet werden und das Computersystem (3) ist mit einem Anzeigegerät (8), einer Steuereinrichtung und / oder einer Regeleinrichtung (9) verbunden, an welche die Schrumpfung übermittelt wird.
  10. Computersystem mit einem Speicher nach Anspruch 9, dadurch gekennzeichnet, dass das mehrschichtige feedforeard-Netz zumindest zwei verdeckte Schichten (12, 13), besonders bevorzugt zumindest drei verdeckte Schichten aufweist.
  11. Computersystem mit einem Speicher nach Anspruch 9 - 10, dadurch gekennzeichnet, dass das Computersystem mit einer Stranggussanlage (1) zum Gießen von Brammen verbunden ist und Betriebsdaten als Eingangsparameter verwendet werden.
  12. Computersystem mit einem Speicher nach Anspruch 11, dadurch gekennzeichnet, dass die Steuer- und/oder Regeleinrichtung (9) die Position von Seitenwänden einer Kokille (2) steuert oder regelt.
EP19213866.7A 2019-12-05 2019-12-05 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes Withdrawn EP3831511A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP19213866.7A EP3831511A1 (de) 2019-12-05 2019-12-05 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
PCT/EP2020/077406 WO2021110300A1 (de) 2019-12-05 2020-09-30 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
EP20780216.6A EP4069448A1 (de) 2019-12-05 2020-09-30 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP19213866.7A EP3831511A1 (de) 2019-12-05 2019-12-05 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Publications (1)

Publication Number Publication Date
EP3831511A1 true EP3831511A1 (de) 2021-06-09

Family

ID=68806692

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19213866.7A Withdrawn EP3831511A1 (de) 2019-12-05 2019-12-05 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
EP20780216.6A Pending EP4069448A1 (de) 2019-12-05 2020-09-30 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Family Applications After (1)

Application Number Title Priority Date Filing Date
EP20780216.6A Pending EP4069448A1 (de) 2019-12-05 2020-09-30 Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Country Status (2)

Country Link
EP (2) EP3831511A1 (de)
WO (1) WO2021110300A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07214268A (ja) * 1994-02-02 1995-08-15 Nippon Steel Corp 連続鋳造設備におけるスラブ幅制御方法
EP2279052B1 (de) 2008-05-21 2016-11-09 Primetals Technologies Austria GmbH Verfahren zum stranggiessen eines metallstrangs

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07214268A (ja) * 1994-02-02 1995-08-15 Nippon Steel Corp 連続鋳造設備におけるスラブ幅制御方法
EP2279052B1 (de) 2008-05-21 2016-11-09 Primetals Technologies Austria GmbH Verfahren zum stranggiessen eines metallstrangs

Also Published As

Publication number Publication date
EP4069448A1 (de) 2022-10-12
WO2021110300A1 (de) 2021-06-10

Similar Documents

Publication Publication Date Title
EP0813701B1 (de) Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.
EP0813700B1 (de) Intelligentes rechner-leitsystem
DE4008510C2 (de) Regeleinrichtung mit Optimal-Entscheidungseinheit
AT525791B1 (de) Überwachungsverfahren für eine Stranggießkokille mit Aufbau einer Datenbank
WO2012159866A1 (de) Steuerverfahren für eine walzstrasse
EP2346631B1 (de) Verfahren und vorrichtung zur steuerung der erstarrung eines giessstranges in einer stranggiessanlage beim anfahren des giessprozesses
EP0756219A2 (de) Verfahren zur Überwachung von Produkteigenschaften und Verfahren zur Regelung eines Herstellungs-prozesses
EP1200216A1 (de) Verfahren und einrichtung zum herstellen eines stranges aus metall
DE19637917C2 (de) Verfahren und Einrichtung zum Entwurf oder zur Steuerung des Prozeßablaufs einer Anlage der Grundstoffindustrie
DE4416317A1 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE2440273C2 (de) Verfahren zur regelung des stranggiessprozesses beim vergiessen von stahl, sowie anordnung zur durchfuehrung des verfahrens
EP4150419A1 (de) System und verfahren zur steuerung einer aus mehreren anlagenteilen bestehenden produktionsanlage, insbesondere einer produktionsanlage zur erzeugung von industriegütern wie metallischem halbzeug
WO2005021811A2 (de) Verfahren und einrichtung zur steuerung einer anlage zur herstellung von stahl
DE102019208736A1 (de) Verfahren zum Gießen eines Gießstrangs in einer Stranggießanlage
DE102007013044A1 (de) Spritzgießmaschine
EP2673099B1 (de) Verfahren zur regelung einer temperatur eines strangs durch das positionieren einer verfahrbaren kühldüse in einer strangführung einer stranggiessanlage
EP3831511A1 (de) Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
EP3173166B1 (de) Verfahren und vorrichtung zum einstellen der breite eines stranggegossenen metallstrangs
EP1542102B1 (de) Verfahren und Vorrichtung zur suboptimalen Regelung mittels einer Suchstrategie und Verfahren und Vorrichtung zur Gaszerlegung, insbesondere zur Tieftemperatur-Luftzerlegung
WO1998049354A1 (de) Verfahren und einrichtung zur kühlung von metallen in einem hüttenwerk
WO2021204950A1 (de) Verfahren zur dynamischen produktionsplanung bei strangguss anlagen
DE19740691A1 (de) Verfahren und Einrichtung zur Kühlung von Metallen in einem Hüttenwerk
WO2023139438A1 (de) Verfahren zur steuerung eines gussverfahrens, steuerungssystem für ein gussverfahren, vorrichtung sowie computerprogramm
EP4377028A1 (de) Verfahren zur feststellung einer defektwahrscheinlichkeit eines gegossenen produktabschnittes
EP3349078A1 (de) Diagnoseeinrichtung und verfahren zur überwachung und/oder optimierung einer regeleinrichtung

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20211210