摘要:潛流式水平連續(xù)鑄造坯錠-高精冷軋工藝生產無氧銅帶材的關鍵工序是熔鑄過程,它決定著無氧銅加工材的兩個內在質量指標———致密度和氧含量。對鑄造工藝來說,若參數匹配不妥,鑄坯內會存在晶粒粗大、顯微裂紋、縮孔、縮松、偏析等組織缺陷,使致密度降低,這也是冷加工報廢的主要原因。通過連鑄工藝參數的正交實驗,建立了鑄坯致密度與主要工藝參數之間的神經網絡描述,網絡模型與遺傳算法結合對工藝參數的組合進行了優(yōu)化,改善了鑄坯的組織質量,提高了鑄坯致密度。

關鍵詞:無氧銅帶坯;水平連鑄;工藝參數優(yōu)化

無氧銅加工材因其優(yōu)良的導電、導熱特性,在信息、電子、電力、制冷等行業(yè)中發(fā)揮著重要的作用,尤其是在大功率電真空器件中更是不可替代[1,2]。致密度和氧含量是無氧銅加工材***重要的兩個內在質量指標,直接影響著材料的使用性能,決定其內在質量的關鍵階段是加工材生產的熔鑄過程。潛流式水平連續(xù)鑄造坯錠-高精冷軋工藝生產無氧銅帶材,因無熱軋工序而避免了加工過程的滲氧,但水平連續(xù)鑄造獲得的帶坯,其致密度隨連鑄工藝條件的變化而波動較大,若連鑄工藝參數及其組合不合理,鑄坯中會存在晶粒粗大、顯微裂紋、縮孔、縮松、偏析等組織缺陷[3,4],這些組織缺陷導致密度不高、不穩(wěn)定,也是影響鑄坯進一步加工成帶材成品率和帶材使用性能的主要因素。本文對影響上述鑄坯內組織質量優(yōu)劣的鑄造溫度、冷卻強度和引拉參數及其匹配進行了實驗研究,以正交實驗為基礎,通過人工神經網絡建模、遺傳算法優(yōu)化,獲得了較優(yōu)的工藝參數及組合,改善和穩(wěn)定了鑄坯的組織質量,提高了帶坯的致密度,為生產提供了可行的方法和理論依據。

1.工藝流程與實驗因素選取

1.1工藝流程

水平連續(xù)鑄造坯錠-高精冷軋技術生產無氧銅帶材的完整工藝過程為:水平連續(xù)鑄造帶坯※銑面※粗軋※中軋※裁邊※中間光亮退火※預精軋※精軋※成品光亮退火※表面處理※分條※包裝入庫,其中,水平連續(xù)鑄造帶坯是影響帶材內在質量的關鍵階段。本文實驗是在實際生產線上完成的,連續(xù)鑄造機組的熔煉-保溫三聯體爐、結晶器、牽引機和系統(tǒng)控制為本公司生產,圖1和圖2分別為連鑄過程和結晶器示意圖。結晶器為雙鑄坯通道,冷卻水套長240 mm,冷卻水二進四出,石墨模長290 mm;鑄坯規(guī)格16 mm× 450 mm雙流;連鑄工藝規(guī)程拉—?！低啤！?/span>

1.2因素選取

實驗旨在探索連鑄部分優(yōu)化的工藝參數及組合,根據生產經驗、理論分析及設備的可操作性,選取鑄造溫度(保溫爐內熔體的溫度)、冷卻水入口溫度(進入結晶器的水溫測量值)、系統(tǒng)水壓和引拉周期的周期間停留時間、回推時間、回推停頓時間及拉坯時間七個參數。

為考察因素,各因素的水平分別為鑄造溫度1 180、1 240、1 280 ℃ ,冷卻水入口溫度18、25、30 ℃ ,水壓0.4、0.6、0.8 MPa,牽引停頓時間為3.50、4.50、5.50、6.20、6.80、7.60 s,回推時間0.08、0.16、0.25 s,回推停頓時間0.15、0.20、0.25 s,牽引時間0.35、0.50、0.70 s?？己酥笜藶閹鞯闹旅芏?。拉坯速度為控制變量,優(yōu)化的參數及組合屬于特定的拉坯速度,以方便生產。拉速為17.5 mm/s條件下的正交實驗方案L18(61× 36)[5]、實驗和仿真結果見表1。

2.網絡模型

2.1網絡結構

三層前向網絡(Feed-forward Networks)能夠以任意精度逼近任何非線性關系[6]。本文經實驗確定的網絡結構模型如圖3所示,輸入層7個神經元,隱層14個神經元,輸出層一個神經元。用列向量Xj=[ x1,…,xn] T表示隱層或輸出層第j個神經元所接受的輸入,n為上一級神經元個數,用行向量Wj=[ωj1,ωj2,… ,ωji,·177·

… ,ωjn]表示隱層或輸出層神經元j的連接權向量,ωji代表神經元j所獲得的第i個輸入;神經元j的總輸入,sj= ∑ni= 1ωjixi+θj= WjXj+θj,θj為閾值;采用f(sj)=11+ e- sj為轉移函數,則神經元j的輸出為yj= f(sj)=[1+ exp(- WjXj+θj)]- 1。

2.2網絡學習

以正交實驗的每個實驗組號的鑄造溫度、牽引停頓時間、回推時間、回推停頓時間、牽引時間、冷卻水入口溫度、冷卻水壓和致密度為網絡訓練的一個輸入樣本對。設系統(tǒng)有p個樣本對,誤差函數定義為:Ep=12∑mj= 1(djp- yjp)2,djp和yjp分別為第j個輸出元的實際輸出和監(jiān)督信號。在網絡學習階段,若網絡輸出誤差小于指定精度則結束,否則,轉入反向傳播(Error

Back Propagation),即將誤差信號沿原來的連接通路反向修正各神經元的權向量,使誤差信號達到指定精度為止。學習過程采用Levenberg-Marguardt算法,基本迭代公式為[7]:ω(k+ 1)=ω(k)-(JTJ+ ul)- 1 g式中g是誤差函數對權向量的梯度,J為誤差函數對權向量微分的Jacobian矩陣,I為單位矩陣,u是可以調整的非負數。

學習結束后,數據內在的規(guī)律便以神經元權向量值的形式分布存儲于入網絡中,供網絡工作階段使用。本實驗取0.001為訓練精度,即網絡學習結束準則,學習速度變步長,初始取為0.01,由3組平行實驗獲得的樣本數據進行訓練,經18個檢驗樣本的檢驗后,仿真結果見表1***后一列。

3.優(yōu)化與實驗

經訓練和檢驗后的網絡模型用于優(yōu)化預測。在優(yōu)化階段,網絡的輸入(一組因素水平的組合)由GA(genetic algorithms)優(yōu)化算法產生[8],網絡的輸出為GA的適應度函數值。每一因素用一個4位二進制編碼,7個工藝參數組成28位二進制字串為一個個體,隨機產生20個個體組成初始種群Y(0)={y1(0),y2(0),… ,y20(0)},令k= 0;計算種群Y(k)中每一個個體的適應度函數值(將一個體作為一個實驗的因素水平輸入網絡,網絡輸出即為該個體的適應度函數值);從種群Y(k)中選取若干對進行交叉(取概率Pc=0.6),產生新個體;對每個新個體依變異概率Pm=0.04進行變異,并把變異后的個體作為下一代種群Y(k+ 1)的個體,令k= k+ 1;直到連續(xù)4代個體平均適應度變化差滿足ε≤ 0.01為止,當前代中適應度值***大的個體即為***優(yōu)工藝參數。

本實驗中,拉速為17.5 mm/s時,獲拉速域內優(yōu)化預測的***高致密度為8.94 g/cm3,對應的參數組合為:鑄造溫度1 230℃ ;牽引停頓時間5.2 s;回推時間0.17 s;回推停頓時間0.19 s;牽引時間0.48 s;冷卻水入口溫度19℃ ;冷卻水壓0.53 MPa。經實際生產運行檢驗,該工藝條件下,實際致密度為8.93 g/cm3±2%,銅含量99.97%～ 99.99%。

4.結語

帶坯致密度和氧含量是無氧銅加工材***重要的兩個內在質量指標,直接影響著材料的使用性能,致密度的高低反映了內在組織特性,連鑄過程中,致密度取決于一定的工藝條件和合金本身的成分及含量。通過正交實驗和網絡建模與優(yōu)化,很大程度上彌補了單因素或正交實驗中實驗點不連續(xù)的問題,通過計算機在廣泛區(qū)域上全局尋優(yōu),既可獲得一定設備和生產環(huán)境下的一套較優(yōu)工藝參數,同時減少了實際實驗次數和成本,效果較好,經濟效益顯著提高。

來源：中國知網    作者：郭明恩