郑景星

（唐山不锈钢有限责任公司 河北 唐山 063000）

0 引言

伴随工业化进程的发展，对炼钢产品要求越来越高，材料和制造业需要不断创新，特别是使用频次较高的高强钢使用，给钢铁冶炼带来了新的挑战[1-2]。转炉炼钢工艺是钢铁冶炼的关键工序，通过使用受控的质量检测系统提升生产品质量可靠性。此外，实践生产应用效果足以证明对在线质量进行无损探测可有效提高生产效率，因此研究人员针对现行工艺制定出用于转炉炼制高强钢无损检测的新方法[3-4]。

转炉炼钢产品质量检测试验主要是为了实现产品的强度校验，强度受温度熔核形成的影响。为了验证连接质量达成的截面积是否合格，传统测试方法主要侧重于监测炼制的过程，个别检测点的强度测试通常利用超声波无损检测完成，或通过随机破坏性测试，如凿子测试[5-7]。然而这些方法都有其局限性，特别是在22MnB5高强钢的炼制中，测试几乎不可行，而热成像方法则可以替代上述方法完成测试。

1 实验方法

在冶炼工艺框架内为系统开发质量检测机，为了有效评估该方法的可行性和局限性，在生产允许的条件下进行了大量的试验。测试中，使用控制单元，气动伺服电机在中等频率模式下驱动喷枪工作。改变喷枪电流和电极压力，产生不同的熔核直径，钢产品材料使用镀锌钢H340LAD Z100（厚度为1.5 mm）和热式钢22MnB5（厚度2.0 mm）。工艺参数进行详细记录，包括检测电流、电压、电极压力、电阻和炼制过程中的声发射，所有数据通过外部传感器检测并记录，在5 kN的电极压力作用下电流变化范围为（5，6，7，9）kA。相反，在电流6 kA时电极压力变化范围为（3，5.5）kN。为了保证实验的可靠性，在每种条件下进行10次试验，取其平均值。

利用数据处理软件分析过程数据，测试数据经过预处理后再进行分类。一个重要的先决条件是：测试信号要具备一些明显特征，这些特征的选择和数学描述过程能被高程度的理解转化，同时还要充分认知反映相关质量特性的工艺参数和目标值之间的关系。除此之外，还需对模式识别关系方法进行分析和评估，因为它们能够从信号模式中获取信号特征。为了验证质量无损，使用3MA方法进行无损检测。

2 基于传感器的数据分析方法

2.1 过程数据分析

为了减少用于分析算法的计算时间，输入信号的采样数减少到m个。对于特征计算，集合B⊂Rm包含了所有相关缺陷类别的波形，其中每个波形S∈B可以看作是在m维欧氏空间中的一个点，两个波形越相似，它们在空间中显示的点越靠近；代表特定缺陷类型的理想波形将在欧氏空间中形成孤立的点簇[8]。

为了简化分类，减少计算复杂度，m维空间减为n维特征空间，其中n＜m。f=（f1...fn）T采用线性方法获得：

为了在特征空间中实现缺陷簇的良好分离，使用FastICA独立分量分析方法计算C，FastICA算法建立在最大化负熵值fi统计独立特性的基础上：

fi=CiS（Ci是C的第i排）

其中负熵定义为随机分布偏离正态分布的程度。FastICA算法可以根据统计学的中心极限定理加以澄清，中心极限定理表明了独立随机变量的总和在某些条件下近似正态分布。

在C的基础上，使用交叉验证方案构建学习和测试集：

1）构造类别标签 1j∈｛1，2｝（1：不被接受（n.a.）；2：接受（a.））

其中，j是波形Si∈B的索引。

2）生成k个两两随机分区：

3）建立学习和测试集合：

每k个分区的多层感知器（MLP）由n个输入神经元，一个隐层和两个输出神经元o1、o2组成。第i个分区的训练是通过从Li到该网络的输入层中随机选择的特征向量来完成的。网络的期望输出是根据输入特征向量的类别标签设置：

给MLP一个新特征向量后，用反向传播算法进行处理。为了给MLP找到最佳的学习参数，使用具有不同参数集的训练信号，并和所得到的分类精度进行比较。用Li对MLP训练的分类精度进行测试，通过设定MLP到fi∈Ti的输入，执行向前传播步骤，对MLP输出与期望输出进行比较。假如1j=1且o1＞o2或1j=2且o1＜o2，特征向量fj归类于正确。根据每个k分区的分类试验，建立一个混淆矩阵K。Kij计算特征向量的数量，这些特征向量原来属于i类，通过MLP后归为j类。为了确定分类平均精度，相加分区中的所有混淆矩阵，由此产生的混乱矩阵K—如表1所示（表1）。

表1 混淆矩阵

i类别的分类精度pi由下式计算：

图1示出了数据流图形式中所提方法的概要。

图1 过程数据分析的数据流图

2.2 用3MA方法进行无损检测

微磁无损检测技术可以表征材料机械性能，如硬度、硬化层深度、屈服强度和抗拉强度，微磁多参数微观结构和应力分析（3MA）方法具备详细的描述过程，但仅可以应用于铁磁材料。

钢产品的机械性能和微观结构之间存在本构关系，由化学成分及机械预处理确定。现有晶格缺陷的数量和类型将影响材料的整体性能，包括塑性及韧性，从而影响机械性能，如拉伸强度和硬度。钢的磁特性由微观结构决定，铁磁材料由磁化到饱和值的区域（外斯区）组成，区域之间的边界被称为磁畴壁。在外部磁场的影响下，通过移动磁畴壁到外部磁场方向来排列外斯区，该过程受到现有晶格缺陷的影响。磁化过程中材料的性能用磁参数来描述，如磁导率、矫顽磁力和剩磁。微观结构和机械强度或铁磁材料的磁特性之间的关系为3MA方法提供了依据。它是电磁测试方法的组合，该方法基于交变磁场的磁化，可增加磁导率，减小巴克豪森噪声，产生多频涡流。

启动交变磁场（也称为谐波），除了研究切向磁场的基波频率，还可以分析材料的谐波矫顽力（强磁性和机械硬质材料），或用于检测表面硬化材料的深度。巴克豪森噪声的波形提供了材料硬度和残余应力的相关信息，用来记录增量磁导率的信号。多频涡流检测的信号根据材料的导电率和磁导率不同而变化，提供了关于材料结构变化和缺陷的相关信息。

3MA校准函数描述了3MA测量和目标值之间的因果关系，目标值的数量可以通过破坏性参考方法来确定（如维氏硬度，拉伸强度，屈服强度），用于计算校准函数的数学模型是基于统计的分析方法（回归分析）而建立的。

3 结果与讨论

3.1 过程数据分析结果

图2和图3展示了质量检测过程和熔核微小片段中的电阻特征波形。测得的阻力曲线与所得的熔核直径d相关。研究所需的最小熔核直径为4.3 mm，产品中不能用直径较小的熔核，因为熔核直径不足时质量检测过程的波形（见图2）明显不同于直径足够大时的波形（见图3）。

图2 熔核直径不足情况下产品阻力曲线（d＜4.3 mm）

图3 熔核直径足够大情况下产品阻力曲线（d≥4.3 mm）

电阻特性快速独立分量分析法（FastICA算法）主要用于提取特征，用一部分电流值的信号曲线来进行训练（25%），以确保分析测试中可利用足够的“未知”信号特征。分类的目的是选择更精确的曲线用于教学，以覆盖所有可能的信号路径。

接下来进行多次交叉验证，同时测定值的25%用于训练，75%为试验评估，用分类结果计算混淆矩阵：标“正确”的检测点是指测试集中检测点的总数；标“无法找到故障”的检测点是指缺陷检测点的总数；获得“假警报”的检测点是指无损检测点的总数。

质量检测点系列在不同电流下进行20次交叉验证，其结果是：88%检测点是正确的，9%有缺陷的检测点无法找到故障，15%的无损检测点得到一个假警报；在不同的电极力下进行15次交叉验证：91%的样品是正确的，11%有缺陷的检测点无法找到故障，7%无损的检测点得到一个假警报。如果对所有检测点同时分析，结果可能得到进一步改进。在32个特征快速独立分量分析的基础上，对检测点评估进行过程训练和特征提取，施加到检测点的“未知”特征中（99个样品）。对样品的子集和整个集合进行交叉验证，25%的曲线在每种情况下进行20次试验，最小化集合特征选择带来的影响，选择75%的曲线作为测试样本，使统计结果足够可靠。其结果是，94%的样品是正确的，5%有缺陷的检测点无法找到故障，7%无损的检测点得到一个假警报。

3.2 3MA无损检测结果

熔核直径是由3MA技术无损检测决定的，试验装置由德国开发，并与标准探头3MAII E1030配套使用。为了确定校准函数，定义学习集合（约1/3所有检测点），通过凿子试验和微片段来确定熔核直径，并对熔核直径进行校准，测试检测点的最小熔核直径为4.3 mm。表2示出了3MA方法的结果，3MA方法的可靠性高达80%～90%，结果可以与无损检测方法的结果（如超声波探伤）相媲美。

表2 用3MA方法无损检测的结果：检测电流和电极力的变化

4 结论

试验证明，在转炉炼钢产品质量检测过程中电阻特性为熔核及熔核直径的形成提供信息，测得的电阻曲线与熔核直径有关。电阻曲线反映了缺陷和孔隙的发展，尤其在冷却条件下更为显著，能够识别约0.1 mm甚至更小的孔隙。利用模式识别分析数据能够实现更高的可靠性，在质量检测过程中同时对电阻和电极力的特性进行分析，精确度将超过95%，这样的测试未检测到故障和假警报的百分比可控制在5%以下；因此3MA方法可用于钢产品横截面的无损检测，直接校准熔核直径，利用评估软件对测试结果进行客观及自动化的评估。3MA方法的校准基本上独立于检测过程，所以只能检测已完成产品的质量。为了校准该方法，需要一个数量相对较少的样本，高达85%～90%的精确度可与常规无损检测方法的结果媲美。