автореферат диссертации по металлургии, 05.16.01, диссертация на тему:Ретроспективный анализ массивов данных производственного контроля для задач управления качеством стали

ФЕДЕРАЛЬНОЕ АГЕНТСТВО РФ ПО ОБРАЗОВАНИЮ ГОУ ВПО МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ СТАЛИ И СПЛАВОВ (ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ)

На правах рукописи

ИВАЩЕНКО АНАСТАСИЯ ВИКТОРОВНА

РЕТРОСПЕКТИВНЫЙ АНАЛИЗ МАССИВОВ ДАННЫХ ПРОИЗВОДСТВЕННОГО КОНТРОЛЯ ДЛЯ ЗАДАЧ УПРАВЛЕНИЯ КАЧЕСТВОМ СТАЛИ

Специальность 05.16.01 - Металловедение и термическая обработка металлов

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва, 2005

Работа выполнена яа кафедре металловедения и физики прочности Московского государственного института стали и сплавов (технологический университет)

Научный руководитель

Профессор, доктор технических наук Кудря А.В.

Официальные оппоненты

Профессор, д.т.н. Рожков И.М. Доцент, К.Т.Н. Волков В.А.

Ведущая организация

ОАО «НИИ Стали» (г. Москва)

Защита диссертации состоится «dQv> НОЯБРЯ 2005 г. в 1540 часов на заседании Диссертационного совета Д 212.132.08 при Московском государственном институте стали и сплавов (технологический университет)

по адресу: 119049, Москва, Ленинский проспект, 4, аудитория 436

С диссертацией можно ознакомиться в библиотеке Московского государственного института стали и сплавов (технологического университета)

Автореферат разослан « ? » октября 2005 г. Ученый секретарь Диссертационного сог~~~

доктор физ.-мат. наук

С.И. Мухин

П510

Актуальность проблемы

Наблюдаемая в металлургии неоднородность разномасштабных структур и сопутствующий им разброс свойств однородной продукции, часто значительный, появление необъяснимых «вспышек брака» (когда все параметры технологии находятся в пределах поля допуска) - результат неблагоприятного сочетания порознь суммируемых, но взаимодействующих отклонений от нормы на разных этапах технологии.

Достаточно хорошо организованная система измерения и сбора информации по технологической цепочке, где последовательность операций описывают ~102 управляемых параметров, а качество продукта - не менее 10 параметров, обеспечивает быстрое накопление в архивах АСУ предприятия представительных массивов данных контроля. В то же время объем информации ограничен сверху: обычно он содержит менее 1000 плавок, так как за большее время меняются или заказы на продукт, или технология и оборудование. В такой многомерной нелинейной задаче при использовании классических статистических алгоритмов - регрессионного и дисперсионного анализа - оказывается малодостоверным даже только прогноз результата. Между тем, для производства конечной целью является не столько прогноз, сколько возможность корректировки процесса - единовременной либо поплавочной, в реальном времени, по наблюдениям начальной части траектории. Для этого необходимо найти эффективный комплекс алгоритмов ретроспективного анализа данных («раскопок данных» - data mining), применимых в условиях металлургического производства.

Цель и задачи работы

Цель состояла в сопоставлении и оценке возможностей современных статистических методов при работе с данными заводских архивов для решения задач нелокального адаптивного управления процессом по заданному свойству. На примере архивов контроля данных производства крупных поковок и толстолистового листа ставилась цель найти параметры технологии, приводящие к появлению брака, установить для них интервалы риска и предложить компенсационные воздействия на последующих переделах, позволяющие снижать потери по уровню свойств, без выхода за пределы технологических норм.

Решалась следующая цепь задач:

- выбор метода отбора технологических факторов, воздействующих на конечный результат, для снижения размерности поля параметров;

- выделение для этих факторов зон риска (в пределах поля допуска)

- поиск оптимальной траектории технологического процесса с наибольшим снижением потерь по уровню свойств, при возможно меньших ограничениях технологических интервалов;

- формирование и проверка на большом массиве «решающих правил» нелокального адаптивного управления качеством продукта без изменения технологической схемы.

Научная новизна

Указаны ограничения эффективности статистических методов при ретроспективном анализе данных производственного контроля по полному циклу металлургической технологии, где цепи последовательных операций заданы 102 параметрами при 10-30 характеристиках на выходе и однородном массиве, не более, чем из (1 -З)*!©2 плавок. Предложена асимтотически оптимальная схема непараметрического дискриминантного анализа, основанная на процедуре Колмогорова-Смирнова, для выделения полей риска по одному и нескольким параметрам. Для многомерной задачи, с конечным объемом информации предложена последовательность многостадийного анализа данных с разделением по длине технологической цепочки, выделяющая значимые управляющие параметры технологии.

На примере анализа массива данных технологического контроля производства крупных поковок из улучшаемой стали 38ХНЭМФА-Ш показана эффективность предложенного многостадийного выделения полей риска и синтеза решающих правил для нелокального адаптивного управления, повышающего выход годного.

Практическая значимость

Из анализа данных контроля технологии получения поковок предложен способ поплавочной корректировки режимов нагрева под ковку в зависимости от условий плавки и полученного состава, позволяющий снизить выход поковок с высоким баллом камневид-ного излома.

Полученные рекомендации по повышению относительного сужения толстолистовой стали в г-направлении ( корректировкой химического состава, режимов продувки, доводки в ковше и разливки) были учтены при модернизации и реконструкции на ООО «Уральская сталь» (ОХМК).

Апробация работы

Основные положения диссертации докладывались и обсуждались: на 8 научных конференциях и семинарах: Iя и 2* Евразийской научно-практической конференции

«Прочность неоднородных структур», г. Москва, 2002, 2004 гг., Школа - семинар «Современные проблемы механики и прикладной математики» г. Воронеж; 2002; Научно-годишная сессия, г. Варна (Болгария), 2000; Семинар «Нейроинформатика и ее приложения», г. Красноярск, 2003; XV международной конференции «Физика прочности и пластичности материалов», г.Тольятти, 2003. По материалам диссертации опубликованы 4 статьи в журнале, трудах конференций и семинаров, тезисы.

Структура и объем работы. Диссертация состоит из введения, 3 глав, списка использованных источников из 228 наименований. Диссертация изложена на 128 страницах, включая 49 рисунков и 23 таблицы.

Основное содержание работы Материал и методика исследования

Сталь 38ХНЗМФА-Ш выплавляли в 60-тонной мартеновской печи (кремневосста-новительный кислый процесс с обработкой в ковше синтетическим шлаком). Химический состав стали регламентировали требования отраслевых нормативных документов. Слитки подвергались элекгрошлаковому переплаву по принятой на предприятии технологии. После ступенчатого нагрева в интервале температур 620-1270°С проводили ковку (в интервале температур 1065-910°С).

Термическая обработка цилиндрической поковки (около 5т), включала в себя: про-тивофлокенный отжиг; нормализацию; закалку и высокий отпуск.

С двух торцов ступенчатой цилиндрической поковки (тонкого - А и толстого - Б) отбирали пробы (темплеты) для вырезки тангенциальных образцов на растяжение (предел текучести и прочности, относительное сужение и удлинение) и ударную вязкость (при температурах испытания +20°С и -50°С), оценки вида структур и изломов.

После статического нагружения и разрушения надрезанной половинки поперечного темплета классифицировали тип излома: 1 балл - 0, 3 балл - <10, 4 балл - 10^30% камне-видной составляющей в вязком изломе.

Массив данных производственного контроля технологии включал в себя результаты контроля 112 параметров (72 управляющих, 40 выходных) по каждой из 342 поковок.

В работе также были использованы архивы данных контроля производства горячекатаного толстого листа из сталей Зсп, 10Г2С1, 10ХСНД, 14Г2АФ, по 100, 50, 110,47 партиям соответственно. Листы из сталей Зсп, 10Г2С1 и 14Г2АФ поставлялись в нормализованном состоянии, сталь 10ХСНД после закалки и отпуска.

Для каждой плавки контролировалось 52-60 параметров: химический состав - 1012, стадия выплавки и разливки - 14-16, механические свойства - 8, и результаты контроля неметаллических включений - 20-25 параметров.

Все стали выплавляли в двухванной печи, емкость каждой ванны 250 т. Металл продували кислородом в ковше, с регламентацией температуры в ковше (1590-1650'>С). Раскислители и легирующие элементы вводили в ковш во время выпуска плавки, сталь

10ХСНД и 14Г2АФ обрабатывали в ковше аргоном и азотом. После разливки сверху в изложницы (слиток ~13т) проводили прокатку на листы толщиной 20 - 45 мм, шириной 1500-1880 мм.

Химический состав и сдаточные свойства сталей регламентировался требованиями нормативной документации.

От каждой плавки отбирали два листа или рулон, от каждого листа от головного конца (вблизи его поверхности) вырезали пробу для изготовления двух образцов на растяжение. Ось одного из них была перпендикулярна к поверхности проката (так называемое третье или z-направление), а другой совпадала с плоскостью проката. Диаметр в рабочей части образца - 6мм, рабочая длина - 9 мм.

Поскольку низкая пластичность в z-направлении - дефект перемежающийся, зависящий от места вырезки образца, в качестве характеристики плавки принято меньшее значение fz для двух испытанных образцов.

Испытания на растяжение проводили в соответствии с ГОСТ 1497-73 на универсальной испытательной машине 1958У-10-1 (шкала 50 и 20 кН; запись диаграммы «нагрузка-перемещение» в масштабе 0,2 и 0,08 кН/мм соответственно и 1 мм/100 мм).

Балл зерна определен в соответствии с ГОСТ 5639-82, полосчатость структуры- с ГОСТ 5640-68. Оценка загрязненности сталей неметаллическими включениями проводилась по ГОСТ 1778 -70, микроструктуры - по ГОСТ 5640-68.

Дополнительно в поперечных сечениях z-образцов на растяжение исследовали на микроскопе Neophot, при увеличениях 100-1000, неоднородность структур и неметаллических включений. Вид изломов - на сканирующем электронном микроскопе HITACHI S-800 при увеличениях 140-2000, от 80 до 150 полей зрения на каждом изломе общей площадью 59...72мм2 в масштабе образца.

Ретроспективный анализ массивов данных производственного контроля Первичная статистика технологических процессов

Если содержание химических элементов стали Э8ХНЗМФА-Ш во всех плавках соответствовало требованиям нормативных документов, то в ряде плавок листовых сталей наблюдались отклонения.

Коэффициент вариации значений концентраций основных легирующих элементов (Сг, Ni, Mo) в стали 38ХНЗМФА-Ш изменялся в более узких пределах и его абсолютная величина была существенно меньше по сравнению с аналогичными данными для листовых сталей: от 0,11 до 0,29 и от 0,29 до 1,27 соответственно.

Для стали 38ХЮМФА-Ш прочность, пластичность и вязкость металла всех 342 поковок была «в норме» их значения были достаточно однородными (коэффициент вариации изменялся в более узком диапазоне от 0,15 до 0,95). Увеличение степени укова (В=>А) фактически не привело к изменению пластичности и вязкости.

В листе колебания механических свойств от партии к партии были больше. Размах (Хшм-Хш„) пластичности OFz) и вязкости (KCU) в пределах марки достигал 60% и 170 Дж/см2 при средних их значениях 18% и 575 Дж/смг соответственно.

Коэффициент вариации значений относительного сужения на поперечных г-образцах составил для сталей 10Г2С1 - 3,14; 10ХСНД - 3,10; 14Г2АФ - 2,01; Зсп - 2,26 соответственно.

Возможности ретроспективного анализа для задач управления качеством продукции

В современном массовом производстве продукт проходит через длинную последовательность операций. Его состояние на входе и параметры («режимы») каждой операции измеряются, отчасти управляемы и вместе составляют £-100 параметров процесса 4к (в совокупности - АГ-мерный вектор параметров !;)• В отлаженной, «директивной» технологии для каждого параметра процесса заданы допустимые пределы {§ ктю; % к™*} - поле допуска. Качество продукта на выходе определяют >10 параметров качества у |, для которых задан допустимый уровень <1, (требуется у ,><1, либо у, «I,).

Значения ¡;кл и ут (и=1, 2, ... Л*) измеряются для каждой из N партий продукта (в металлургии - для плавки, садки, рулона) и частично фигурируют также как приемочные или справочные показатели в документах на отгрузку продукции Будем называть набор К фактических значений параметров для данной партии п траекторией процесса п (траекторией п в пространстве параметров Каждая траектория приводит к своему набору показателей качества {уь\.

Важно найти из необходимые изменения технологии, сокращающие потери или повышающие средний уровень свойств <у! >. Решением может быть ограничение или смещение поля допуска {¡¿тт ; ¡а™"} для некоторых из параметров процесса £к- Но смещение поля допуска нарушает требования производственной документации, тогда как его сужение не противоречит «директивной» технологии, а только требует некоторых затрат. Поэтому рассматривался возможный эффект от сужения поля допуска.

Общие трудности «раскопок данных» в том, что исходные массивы данных о процессе и продукте, накапливаемые в информационных системах управления агрегатами и производством, часто неполные, не вполне достоверны, плохо структурированы, рассредоточены по разным хранилищам и носителям, слишком быстро уничтожаются.

Но кроме этих и некоторых других («организационных») сложностей объект накладывает и принципиальные математические ограничения на выбор метода. Например, в металлургии «партией» чаще всего является плавка. Обычно плавок одной марки и сортамента N<1000 - далее или кончится заказ, или сменится технология. При этом у процесса К-100 параметров ¡^ (состав, режимы плавки, раскисления, разливки, обработки давлением и термической обработки). Для минимального учета взаимодействия факторов надо найти ~К2/2 «перекрестных» членов ск5 ¡;к уравнения регрессии. Но поскольку Ы<К2/2, дисперсии коэффициентов регрессии Скя окажутся бесконечными. Объем данных позволяет искать только линейную зависимость уД^к} от всего множества факторов

Параметры качества у, на выходе (механические свойства и показатели макро- и микроструктуры) выражены числом, а качественные (балл структур, изломов и т п ) можно ранжировать. В любом случае нормы качества у,>с1, дискретны. Грубо дискретны и ар-

гументы Тогда цель прогноза у,® - указать не экстремум у,©, а границы у,(£)=<1| «области достаточного качества», I де достигается у,>4 - (или нескольких областей с разным уровнем качества ё,).

В дальнейшем, нормировав все параметры 4кп на диапазон их существования (¡[к"1" - """)< заменим их факторами х 1ш=(4кп - - изменяющимися в пределах

[0;1]. (Иначе в зависимости у,® будут доминировать факторы выраженные большими абсолютными числами).

Уравнение регрессии у,(х) дает как положение экстремума, так и искомые границы у,(х)~(1,. Но чем дальше точка х к от центра распределения <х к>, тем больше размыт конТУР У(*)~ ¿1-е расстоянием [х^ - <х к>] ошибки прогноза линейно растут Поэтому регрессия - средство интерполяции внутри области наблюдения х, а не экстраполяции. Когда данных мало (Ы<К 2/2), регрессия возможна только линейная и границей будет гиперплоскость, а тогда наилучший режим неизменно будет указан на краю поля допуска.

Свойства объекта таковы, что регрессию можно использовать только для предварительного отсева незначимых аргументов (в том числе группировкой малозначимых аргументов и генетическими алгоритмами).

Линейная дискриминация неприемлема, когда нелинейная зависимость у(х) имеет экстремум в области наблюдения (Кхк <1. Например, если область х\ - внутри сферы |х|=сопз1, а Хц - вне той же сферы, то все [<дгк>1 - <дгк>н]=0 , то есть по линейному критерию области совпадают, хотя в действительности на любой оси хк область I имеет две четкие границы.

Использование гипотез о виде распределений вызывает потерю информации. В анализе длинных технологических цепочек обычен недостаток данных, и их надо беречь. Досгупнее нам эмпирические функции распределения параметров \ к, заданны дискретно (целым числом партий, где ¡^ > % Л- Они заведомо не нормальные, так как обрезаны по уровню ^к"™* сверху и """ снизу. Поэтому в работе предложена последовательность непараметрических приемов дискриминации - не зависящая от вида распределения и в силу этого более робастная.

Непараметрический дискриминантный анализ. Существо предлагаемого непараметрического метода видно на примере с одним фактором л*. Из N наблюдавшихся траекторий все Л траекторий риска, которые привели к потерям (у„ < </ ]), составляют группу риска, занимающую область *[. Остальные 5 =Ы - Л траекторий с «благополучным» исходом уп >Ао составят контрольную группу в области Хц. (Возможно как с1а=<11, так и ¿о> ¡1, -разбиение более чем на две группы).

Присвоив траекториям из группы риска номера 1< г < Л в порядке х к,+1)> х ^, по числу г (х) траекторий, где х ь< х, построим на отрезке [0;1] эмпирическое кумулятивное распределение Фк(х)= г (х)/Я. Точно так же нумеруя траектории контрольной группы 1< 5 < 5, построим распределение %(*)= ,ч(х)/3

Разность распределений группы риска Фк(дс) и контрольной группы Чу*)

ок(х)=Фк(х) - ад;

в некоторой точке х *к наибольшая:

(О V* VI - тах \0&)\

(1)

Критерий Смирнова - наилучший способ обнаружения различия между произвольными эмпирическими распределениями Фк(х) и Ч*к(х): у него асимптотически наибольшая относительная эффективность IV. Если два эмпирических распределения совпадают, то величина О может превышать уровень ЭЕ с вероятностью а.

При объемах сравниваемых выборок, например, для двух групп поковок, отличающихся долей камневидной составляющей в изломе П|=34; П2<°33 (количество поковок с Iм и 4 баллом излома соответственно) и риске ошибки а=0,05, порог составляет 0а=0,32. Предварительный отбор значимых факторов был сделан по уровню 0а=0,24, что соответствовало уровню а=0,19

Расстояние ¿>\ не меняется от любых нелинейных преобразований, монотонно (с сохранением порядка) отображающих а на некоторые другие переменные, - в частности, при любом способе определения ранга качественных факторов.

Если классическое назначение критерия Смирнова 0*>0а -обнаружить различие двух произвольных распределений /2/,те в нашем случае важно, что при определении £>к(х*) одновременно можно найти точку, дг*к где это различие наибольшее. В точке х\ различие двух распределений наибольшее - независимо от их вида. Поэтому она наилучшим образом выделяет область, где преобладают потери: это х < х\, если А,(*к*)>0 или х > х\ при £к(;с»)<0.

Если Г>к(д:*)<0, то Фк(**к) - риск «ошибки первого рода» (вероятность не опознать партию из группы рйска), а [1 - %(**0] - риск «ошибки второго рода» (причислить к группе риска «благополучную» партию). Критерий = тах |/>к(*к)1 соответствует минимуму суммы этих двух ошибок. Он обнаруживает ЛФк(**к) партий, принадлежащих к зоне риска (а также ошибочно относит в эту зону 5 [1 - ЧМх'к)] «благополучных» партий).

Центры тяжести распределений <х >и, = 1о' х(с!Ф/с1д:) Лс; и <х >т - /о1 х(&¥/йх) <3х; Поэтому разность [<*>!- <х>ц]= /о1 |Ф-Ч'| Лг; - это площадь «линзы» между кривыми Ф(х) -4>(х) (рис.1). Критерий дискриминации по Фишеру - площадь этой линзы, предполагаемой симметричной. Непараметрический критерий (1) использует наибольший поперечник той же линзы: тах |Ф(дг) - Хорда и площадь линзы пропорциональны и критерии равносильны, если два распределения симметричны относительно точки !4;'/а. Но - в отличие от критерия Фишера - критерий (1) указывает границу х\ при любых распределениях.

Непараметрический критерий обнаруживает границы и там, где линейная дискриминация по Фишеру невозможна. Если у(1) имеет на 0<лк <1 экстремум, то в некоторой

(2)

]

точке Ф(дг0)=Ч'(д:о), то есть Ф(х) и 1Р(дг) пересекаются. Тогда есть две границы, и обе указаны положением D\ = max |ОД*к)| отдельно при х< хо и х > хо (для двух линз - рис.1) -если соответствующие D*i значимы.

Рис. 1- Определение порога дискриминации распределения Ф(дс)-Ч/(х)

Если отличается от нуля значимо, то простейшее возможное решение- сузить поле допуска на фактор *к до величины (И эта величина дг*к определена оптимально -с наименьшим риском ошибки).

Если предлагается ограничить только один фактор, то разумно выбрать тот, что дает наибольший эффект.

Если же достигнутого снижения потерь недостаточно, то надо ограничить два и более факторов хь из числа значимых (для которых расстояние Смирнова >Д,) При их выборе помимо ранжирования (по убыванию 0*ь или же некоторой меры эффективности) надо учесть связи факторов.

Корреляции проверяются непараметрически. Если по фактору к в группу риска по критерию х\ отобрано п к партий, а по фактору т и критерию х*т - лш партий, и л (щ, из них - одни и те же партии, то показатель связи Оы " Пкш / Чт

Если Q\m«\, то факторы кит действуют независимо, и тогда при их ограничении по полезный эффект суммируется. Если л ь, = пт и я I > пт , то - вместо ограниче-

ния двух факторов (к и т), можно с тем же результатом ограничить один фактор к. И при сильной корреляции нескольких факторов (0кт~1) достаточно ограничить один из них (с наименьшими затратами) - ограничения по остальным бесполезны.

Поэтому возможно последовательное ограничение нескольких факторов, оптимальное на каждом шагу. Ограничив по уровню х*ь первый фактор, найдем и исключим все факторы т, сопряженные с ним достаточно сильно - с Выберем из оставших-

ся следующий по эффективности фактор и так же исключим все сильно сопряженные с ним.

В отлаженном производстве причиной потерь часто является неблагоприятное со-чеаание нескольких факторов £ к, каждый из которых в отдельности не выходил за допустимые пределы { £ктя ; ^к™"}- В этом случае умеренно связанных факторов (бкш<1) их ограничение должно быть взаимосвязанным.

Когда значимых фактора только два, такое решение наглядно на плоскости -хт (рис 2)- горизонтальная прямая хт= х*т =сопв1 или вертикальная - х*у =еопй разделяют два множества «покоординатно», а гипербола {х\х2=г* =соп51 на рис.2г) - по двум переменным одновременно.

Х2

«Р'J —

XI

Рис.2. - Возможные схемы оптимального ограничения по двум параметрам: а) только по jt*i; б) только по х*г; в) линейно под;*) и х*г; г) совместно по x*i и х*г по условию

X]X2=Z* =СОПЯ

Адаптивное управление Возможно выборочное применение ограничения по параметру хт в зависимости от прогноза риска по реализации предшествующего (к<т) «сцепленного» с ним (¡2 km~l) параметра-индикатора Ограничение по *т вводят только для данной партии и, когда уже известно, что она попала в зону риска (измерено < Управление по такому принципу адаптивное - поскольку действия предпринимают лишь в избранных случаях предвидимого риска, и нелокальное - воздействуют не на причины риска, а «в реальном времени» где-то на дальнейшие операции, нейтрализуя его последствия.

Тогда затраты делаются не для всех N партий, а только для /МОДс**) партий риска, отобранных по величине хь- Поэтому при адаптивном нелокальном управлении допустимы более затратные ограничения режимов.

Сужение поля допуска избирательно для «партий риска» и сложнее организационно. Однако оно становится предпочтительным, когда локальные системы управления объединены в интегрированную систему сквозного управления процессами и производством. В ней по прогнозу «в реальном времени» можно принимать решения о воздействии на последующие операции, пока что-то можно еще исправить и сократить потери.

Если номер к »1, 2, . К перечисляет операции последовательно во времени (по моменту их выполнения для данной партии), то можно выделить область наблюдения существующую «до» некоторой операции (к =1,2, .и); и область управления к=(и+1), (и +2), ... К-«после». Если в области наблюдения (по участку траектории 1 <к< и) уже видно, что для партии п процесс ведет к потерям (попадает в группу риска), то можно, не отступая от директивной технологии, снизить этот риск «управляющим воздействием»: сузив для некоторых параметров л* в области управления (к>д) поле допуска. (Для металлургических технологий первое очевидное деление: область наблюдения операции с жидким металлом, область управления - с твердым).

Для такого управления в реальном времени анализ заканчивается набором автоматически выполняемых решающих правил «если - то»: если процесс зашел в зону риска типа А, то продолжать его надлежит с ограничениями, описанными набором В Полезность найденных решающих правил будет видна по прогнозу достижимого сокращения потерь.

Определив, какими параметрами процесса необходимо и достаточно управлять, можно судить, каковы возможности и пределы реального управления качеством при неизменном основном оборудовании - за счет информационной системы. Задачей работы было проверить - сколь они существенны

Структурные факторы пластичности толстолистовой стали «в третьем направлении» (обнаружение и объединение скрытых переменных).

Массив данных был заведомо неполным (на предприятии не все существенные параметры плавки и разливки документируются, а системы сбора информации о горячей прокатке пока вообще нет). Поэтому решалась частная задача: выяснить достаточность предполагаемых скрытых переменных (например баллов неметаллических включений) для прогноза свойств. Если этих переменных окажется достаточно, то в дальнейшем по ним можно вести всю оптимизацию плавки.

Для сокращения доли листа с низкой пластичностью в третьем направлении рассмотрена возможность ограничения поля допуска (по содержанию С, Мп, 51, N. Б, Р и некоторых технологических факторов).

Выявление из них значимых параметров регрессионным анализом осложнено большим числом аргументов при умеренном числе плавок (110 и 38). При полном наборе в 20 аргументов в принципе невозможно получить регрессию отличную от линейной. Для выявления перекрестных эффектов была принята, процедура пошаговой регрессии. Для выбранной пары аргументов получали уравнение линейной регрессии, затем полином второй степени; и оценивали остаточную дисперсию ЭИ и среднеквадратичное отклонение в, коэффициентов. Если некоторое значение а, не превысило своей ошибки (|а,|<5/). соответствующие члены опускали и регрессию повторяли. Если по Р-критерию Фишера второе приближение было не лучше, оставляли линейное. После ранжировки по величине ЭП парных уравнений регрессии у(х„х;) для всех сочетаний аргументов 1 и \ в лучшее из них вводили третий аргумент Хз, проверяли возможность включения членов Хз; Хз2; Х1Х3,

Х2Х3, и оставлялся вариант, наиболее и значимо понижающий ЭО. После перебора Хз для наилучшего варианта проводился анализ приемлемости четырех аргументов.

Даже у наилучших полученных моделей качество низкое (коэффициент детерминации не более 0,1-0,15; Р-критерий не более 5). Таким образом, в данном случае прогноз уровня у* только по результатам химического анализа стали оказался мало перспективен и для выявления причин провалов пластичности Ч^ необходимо использовать «скрытые переменные» в частности - балл неметаллических включений

Роль включений в снижении пластичности в третьем направлении была показана прямыми измерениями изломов г-образцов плавок листовой стали с 0,012 . 0,015%8 Там где Ч'г< 19% (в диапазоне колебаний от 5,0 до 39%) в преимущественно вязких изломах с мезоступеньками (под углом ~90° к оси разрушения образца) были раскатанные протяженностью от 100 до 300 мкм сульфиды марганца (рис.3). В изломах образцов с пониженной пластичностью также наблюдались россыпи глобулярных частиц, размером 210 мкм, образующих «губчатую» структуру (рис.4а); округлые включения, размером около ЗО-бОмкм, иногда в виде скоплений (рис 46); кластеры ограненных частиц (рис 4в).

& ("пил* Г

Рис. 3 - Сульфидные включения в изломе

х2500 щ = 19,5%

х200 = 5% б)

хЮ00ц/г = 31,0% в)

Рис.4 - Морфология включений в изломе

Очевидно, что такие крупные скопления неметаллических включений (различной морфологии), могли стать причиной неудовлетворительной пластичности в третьем направлении.

Штатный контроль фиксировал по измерениях на двух образцах средний балл -сульфидных, силикатных и оксидных включений. Для отдельных наблюдений фиксировался шестой балл (ГОСТ регламентирует загрязненность до 5-го балла). Для анализа брался наибольший балл в паре (худший случай), оценивалась также протяженность сульфидов. Чтобы оценить информативность балла неметаллических включений для провоза пластичности «в третьем направлении», использовали имевшиеся результаты для 182 плавок сталей Зсп, 10Г2С1, 14Г2АФ, 10ХСНД.

В нашем случае величина относительного сужения снижается при увеличении балла оксидных и сульфидных включений (рис.5). Большой разброс данных на каждом из полей «Ч^ - балл включений» возможно объясняется различием по другим типам включений.

•

♦ 0

1 • • 0

• • 4 • • 1

1 « • •

• • 1 ! $ 1 • • • 5 | « • . . * • •

1 ! . . • 1 1 1 « ' '

Рис.5 - Регистрируемый балл неметаллических включений и величина

По схеме «пошаговой регрессии» строились регрессионные модели прогноза относительного сужения в третьем направлении, по баллу неметаллических включений Их качество было сопоставимо с качеством моделей регрессии по химическому составу Максимальный уровень коэффициента детерминации не превышал 0,31, Р <7.Усложнение моделей за счет нелинейности положительного результата не дало.

Поэтому пороговое значение балла неметаллических включений совместно для сталей Зсп, 10Г2С1, 14Г2АФ, приводящее к катастрофическому снижению <10%, определялось непараметрическим методом через расстояние Смирнова О (рис. 6). При П1=61 и пг=72 плавках в пределах у,. <10% и 14/2 >20% порог различия 0а=0,21 при а^0,05. Пороговые значения балла сульфидов 2,5 (0стах=0,14), 2 балл оксидов (0ои:тах=0,14) и 4 балл силикатов пластичных (0сптах=0,15)

Рис.6 - Кумулятивное распределение плавок с относительным сужением щ >20% Ф(х) и с у2<10% Ч*(х) по степени загрязненности неметаллическими включениями' а) сульфиды б) оксиды в) силикаты пластичные г) сульфиды и оксиды

Совместное влияние разных неметаллических включений оценено суммой баллов 8 (Б^Б.сульфидов+Б.оксидов; 52=Б.сульфидов+Б оксидов+Б.силикатов), величина критерия Э более значимая в случае если объединенный аргумент учитывает только сумму сульфидов и оксидов (О51=0,21) (с учетом пластичных силикатов [>82=0,15).

Проверена также эффективность суммирования баллов оксидов и сульфидов с весом. Наилучший результат дискриминации (1X1,28) получен для 5|,5=Б.сульф+1,5*Б.оксидов. При значении 3|,5>4,6 вероятность получить низкие (менее 10%) значения относительного сужения в г-направлении Р¥2<ю=0,49, а высокие (ц/г>20%) РчиИО^Л-

Отсюда, в частности вытекает, что критерий 81,5>4,5 наилучший для прогноза риска низкой пластичности (ч/г<10%) по баллу неметаллических включений Им можно управлять через параметры плавки (а соответственно и уровнем ц/г). В частности для выхода плавок Зсп и 10ХСНД с пластичностью ц/г>20% найдены оптимальные интервалы для времени продувки кислородом, количества вводимого алюминия, времени наполнения слитка. Прямой связи между параметрами раскисления и критерием 5 не выявлено. Однако параметры плавки и прокатки были представлены в базах лишь частично. Очевидно, что для повышения эффективности анализа необходимо развивать схему контроля и сбора данных на производстве.

Предотвращение камневидного излома в крупных поковках

Эффективность предлагаемой цепочки алгоритмов системного отбора управляемых параметров также проверялась на массиве данных контроля производства крупных поковок из стали типа 38ХНЭМФА-Ш с целью оценки возможности устранения камневидного излома.

Камневидный излом (рис.7) - аномалия вязкого разрушения. В изломе темплета наблюдаются крупные (100-200 мкм), плоские фасетки с ямочной поверхностью. Камне-видности сопутствует при низкой температуре испытания излом типа «белых пятен» и снижение сопротивляемости разрушению. Доля камнсвидной составляющей оценивалась баллом Из 342 поковок у 34 поковок камневидной составляющей в изломе не обнаружено (1балл), у 33 поковок более 10% камневидной составляющей в изломе (4 балл).

а) б)

Рис.7 - Камневидный излом а) общий вид х250 б) строение зернограничной фасетки х1200

Для поиска факторов, контролирующих появление камневидного излома, было оставлено 44 технологических параметра (остальные исключены как постоянные, неуправляемые, или сильно коррелированные).

Выбирая из этих 44 параметров группы в несколько аргументов (до 8), строили зависимости от них балла излома в виде уравнения линейной регрессии У=Ха;х,. (Процедура состояла из пошаговой регрессии «вперед» - расширением группы до 8 параметров и «назад» - с исключением незначимых аргументов из групп) Всего сформировано и исследовано 25 групп параметров Из 44 параметров в эти частные модели попадал как значимый 21 параметр. Но у всех значимых моделей коэффициент детерминации не превышал 0,28. Таким образом, описатечьная способность линейной регрессии оказалась низкой, а для перехода к нелинейной регрессии массив был недостаточным.

Нелинейная дискриминация нейросетевыми алгоритмами, где в качестве входных переменных использовали тот же массив из 44 контролируемых параметров для 64 поковок, генерацией 500000 сетей выявила связь камневидного излома с параметрами плавки и составом. Однако возможности предотвращения камневидного излома регулированием температурно-временных режимов при ковки не обнаружено (хотя генетический алгоритм дал этим параметрам наивысший рейтинг). В целом показано, что данного объема массива оказалось недостаточно для построения эффективной нейронной сети, охватывающей все переделы.

Для непараметрической дискриминации по предложенной в работе схеме из того же массива выделены два подмножества: с 1 и 4 баллом камневидности («1=34; и2=33 поковки, соответственно). При объемах сравниваемых выборок плавки и риске ошибки а=0,05 порог составляет Д,=0,32. Предварительный отбор значимых факторов был сделан по уровню Дх=0,24, что соответствовало а=0,19 и оценено расстояние между распределениями П для значимых факторов (табл.).

Все три метода нашли значимыми два параметра: температура в ковше, кремний. По два метода отобрали в значимо важные: количество вводимого известняка к весу плавки, отношение концен граций Мп/в, температуры в 3-ей и 4-ой зонах при нагреве под ковку, время закалки. Регрессионные модели упустили некоторые параметры (отношение Мп/Я, температура 2-ой зоны), отобранные нейронной сетью.

Таблица - Значимые технологические параметры, отбираемые тремя методами

Алгоритм отбора я 8 А "2 Мп % % Температура нагрева под ковку Время

5 3 !§ с X а я я (П 5 С % У % Мп/Б 1-ая зона 2-ая зона 3-ей зоны 4-ой зоны /2-4 зон/ закалки Л 5 В Я * 1 1 О

Регрессия 0,6 0,2 0,3 0,3 0,3 0,4 0,3 0,3 0,4

нейронные сети 0,81 0,78 0,71 0,70 0,79 0,80 0,88 0,77 0,85 0,83 0,77 0,73

Критерий Смирнова (О) 0,52 0,48 0,37 0,40 0,40 0,29

По результатам непараметрического анализа по процедуре Колмогорова-Смирнова появление камневидного излома вызывают четыре значимых фактора плавки и разливки (рис.8): ввод известняка менее бОкг/т; температура в ковше менее 1600°С; отношение Mn/S после ЭШП менее 35, содержание кремния после ЭШП менее 0,29. Механизм влияния трех факторов (помимо последнего по порядку) имеет удовлетворительное объяснение в научно-технической литературе. Зернограничные кластеры частиц - причина образования камневидного излома формируются в результате растворения четвертичных включений MnS или A1N при нагреве под ковку и осаждения их на границе зерна при охлаждения после ковки. В нашем случае вероятность появления камневидного излома увеличивается при низком отношении Mn/S и малом количестве известняка, вводимого в шлак при мартеновской плавке. Чем ниже отношение Mn/S, тем больше железа в этом сульфиде и тем быстрее он растворяется. Известняк вводят, в частности, для десульфура-ции - он удаляет серу в шлак, а также связывает ее в трудно растворимый сульфид CaS. Поэтому оба фактора действуют на растворимость сульфидов, а температура в ковше -как на выпадение сульфидов в виде крупных вторичных включений, так и на всплытие их в шлак.

Для этих трех параметров (по всем 342 поковкам) была сопоставлена (рис.9) ожидаемая из распределений (см. рис.8) вероятность появления камневидного излома при попадании в один из интервалов риска (а также во все три одновременно).

Для адаптивного управления были выделены две группы параметров: параметры плавки, разливки, переплава, состав стали после электрошлакового переплава - для прогноза риска. Для управления уровнем выходного свойства (камневидный излом) остаются только режимы ковки и термической обработки. Определение для них порога дискриминации Xk позволило выделить диапазоны их изменения (рис. 10а), уменьшающие выход поковок с 4 баллом камневидного излома и составить из них безопасную траекторию.

" / /

т 4

4 * /

/

/

0-0,48 /' '

г ^ Деля 1-м «алм « Дма4-г»>апт

б)

1 1 / / > / / V / ✓ / О-О.ЗТ^'

* / уг / ^г *Дом1-юбадм Дала 44* баяла

Т|М11,*С Я,мкшипм%

в) г)

Рис 8 - Кумулятивные распределения плавок с камневидным изломом Ф(х) и без него

Ч'(х) по параметру выплавки: а) количество известняка; б) отношение Мп/Б; в) температура в ковше; г) содержание

кремния

О 18 О 16 014 012 01 00* 0 0в 004 002

0«еь маесиа Т ■ и«м И»—стаи«/—с Мп/8 В«сь м«ссив

Рис.9 Вероятность получения камневкдного излома в случае попадания значений параметров в зону риска

Решающие правила для адаптивного управления находили наложением различных сочетаний возможных ограничений технологических режимов Для управления выбирали по 2. .4 параметра из 39 влияющих Для 16 проверенных сочетаний приведен вычисленный прогноз потерь (рис.106).

Время, ч > >мин.

Попе риска ННВ Благоприятный прогноз

а)

/ / // / /// /

I*

2

3

4

6

7 в

9

10 11 12

13

14

15

16

б)

Рис.10 - Адаптивное управление

а) безопасная траектория ковки и термической обработки б) сравнение факторов адаптивного управления по эффективности для плавок из интервала риска

Итог анализа формулируется как решающие правила:

Правило 1: если температура в ковше 1600°С и ниже, нагрев под ковку во второй зоне должен быть не выше 1040°С.

Правило 2: если вес известняка составил менее 60 кг/т, то кроме регламентации температуры нагрева под ковку необходимо, чтобы суммарное время нагрева было свыше 8 ч.

Правило 3: если после электрошлакового переплава соотношение Мп/Я<35, то время подогрева под ковку должно быть не менее 7часов, температура в 1 -ой зоне не ниже 760°С, а во 2 зоне - не выше 1120°С.

Правило 4: если одновременно известняк дан менее бОкг/т; температура в ковше ниже 1600°С; отношение Мп/8<35, то надо ограничить температуры нагрева под ковку: в зоне 2 ниже 1110°С, в зоне 3 ниже 1200°С, в зоне 4 ниже 1210 °С.

Смысл рекомендаций более равномерный нагрев, позволит избежать перегрева поверхностных слоев поковки, где берется проба на излом.

Так правило 4 снизит выход из группы риска поковок с 4 баллом камневидности до 7%, что вдвое ниже ожидаемого без корректировки.

Как проверено по всему массиву, эти решающие правила, минимизирующие выход поковок с камневидной составляющей в изломе, не приводят к ухудшению прогноза на выход других сдаточных свойств, в частности, ударной вязкости при низкой температуре испытания.

Сопоставление алгоритмов (регрессия, нейронные сети, непараметрическая дискриминация по критерию Смирнова) показала, что массивов данных (20-60 контролируемых параметров технологии и сдаточных свойств) использование регрессии и нейросете-вого моделирования для прогнозирования на неоднородных выборках ограниченного объема (10г наблюдений) и большей размерности малоперспективно, в таких условиях оказалось более эффективно использование непараметрических критериев

Приобретенный в работе опыт позволяет рекомендовать для работы с производственными массивами технологических данных большой размерности, но ограниченного объема следующую последовательность действий:

1. Покоординатная (а при необходимости - и попарно двухкоординатная) дискриминация - выделение значимых факторов риска по критерию Смирнова; затем определение порога риска по предложенной схеме;

2. Для жесткого управления - просчет по найденным порогам ожидаемого снижения потерь для траекторий процесса с разным набором ограничиваемых параметров, выбор оптимальной траектории;

3. Для адаптивного управления - разделение значимых факторов на «Параметры прогноза риска» и «Параметры управления риском» и выбор решающих правил «если риск - то управление», основанный на просчете изменения потерь в разных вариантах траекторий.

Предложенная методика позволяет найти способ снизить потери, не меняя номинально утвержденной технологии, и оценить, какое снижение достижимо

Выводы

1.Изучены возможности использования архивных массивов данных о 1ехнол01иче-ских процессах для управления качеством металла. Показано, что специфика ретроспективного анализа в металлургии ограничивает выбор метода анализа и делает предпочтительными непараметрические методы с наименьшей потерей информации.

2. Предложен теоретически оптимальный (с наибольшей асимптотической эффективностью) непараметрический метод выделения "зоны риска" и нахождения решающих правил для корректировки обработки "плавок риска" в пределах, регламентированных технологией.

3. Сопоставление результатов предложенного метода и методов регрессионного анализа и нейронных сетей с генетическими алгоритмами показало предпочтение предложенного непараметрического подхода с определением критерия Смирнова.

4. Метод опробован на заводских данных о производстве крупных поковок из стали типа 38ХГОМФА-Ш. Обнаруженная группа факторов риска по камневидности излома состоит из трех параметров: температура в ковше; количество вводимого известняка; отношение Mn/S.

5. Найденный способ снижения риска - понижение температур в первых зонах печи при нагреве под ковку, позволит сократить на 70% выход поковок с долей камневидной составляющей в изломе более 10%.

6. Для неполных по объему массивов данных листовой стали показана возможность удовлетворительного решения частных задач - определения достаточности скрытых переменных (балл включений) для прогноза пластичности в гретьем направлении ц/г

Список цитируемой литературы

1. Лапко A.B., Лапко В.А., Соколов М.И., Ченцов С.В. Непараметрические системы классификации. Новосибирск: Наука, 2000, - 240 с.

2. Ван дер Варден Б.Л.. Математическая статистика. М.: ИЛ, 1960, - 436 с.

Основное содержание диссертации изложено в следующих работах:

1 Москаленко В.А., Кудря A.B., Грызунов В.И., Соколовская Э.А., Иващенко A.B. Использование баз данных производственного контроля для управления качеством продукции, Электрометаллургия, 2000, №12, с.29-31

2. Кудря A.B., Соколовская Э.А., Иващенко A.B., Солдатов А.И. Возможности "раскопок данных" (data mining) для управления качеством металлургической продукции в реальном времени, Сб трудов конференции «На технические университет в Варн, 2001, Варна, Болгария с.128-133

3. Кудря A.B., Соколовская Э.А., Иващенко A.B. Алгоритмы анализа больших массивов производственных данных для сквозного управления качеством продукции, Сб. трудов школы семинар «Современные проблемы механики и прикладной математики» Воронеж, 2002, с. 45-47

4 Штремель М.А , Кудря А. В., Соколовская Э. А., Иващенко A.B. Возможности ретроспективного анализа баз данных произволе!венного контроля для управления качеством материалов, Сб.тезисов докладов 1-й Евразийской научно -практической конференции «ПРОСТ-2002», Москва 2002, с. 58

5 Кудря A.B., Соколовская Э.А., Иващенко A.B. Ретроспективный анализ архивных баз данных технологического контроля в металлургии для прогноза и управления качеством продукции , Сб трудов XI Всероссийский семинар «Нейроинформатика и ее приложения», Красноярск, 2003, с. 96-97

6. Штремель М.А., Кудря А. В., Соколовская Э. А., Иващенко A.B. Ретроспективный анализ массивов производственных данных для управления качеством материалов ,

Сб тезисов XV Международной конференции «Физика прочности и пластичности материалов», Тольятти, 2003, с. 68

Штремель М.А., Кудря А. В, Соколовская Э. А., Иващенко A.B., Пономарева М.В., Ретроспективный анализ данных производственного контроля с целью управления качеством металла , Сб.тезисов докладов 2-й Евразийской научно -практической конференции «ПРОСТ-2004», Москва, 2004, с. 165

Подписано в печать 07 10 2005. Формат 60x90/16. Бумага офсетная 1,0 п. л. Тираж 100 экз. Заказ № 1436

-»-»мискински! и 1 исУДАРСТВЕННОГО ГОРНОГО УНИВЕРОИ'1 КТЛ

Лицензия на издательскую деятельность ЛР № 062809 Код издательства 5X7(03)

Отпечатано в типографии Издательства Московского государственно! о горного университета

Лицензия на полиграфическую деятельность ПЛД№ 53-305

119991 Москва, ГСП-1, Ленинский проспект, 6; Издательство МГГУ; тел. (095) 236-97-80; факс (095) 956-90-40

I (

!

»

У

/

f

»

■s

i {

91 8 5 8 8'

РНБ Русский фонд

2006-4 17570

t

Введение.

Глава 1. Аналитический обзор литературы.

1.1 Факторы качества металлургической продукции.

1.1.1. Низколегированные стали.

1.1.1.2 Конструкционные улучшаемые легированные стали.

1.1.2 Металлургическое качество стали, как фактор однородности свойств.

1.1.2.1 Влияние неметаллических включений и примесей на разрушение конструкционных сталей.

1.1.3 Дефекты стали и их влияние на преждевременное разрушение.

1.1.3.1 Макронеоднородность, зональная ликвация.

1.1.3.2 Дендритная ликвация.

1.1.3.5 Шиферность в изломе (шиферный излом).

1.1.3.6 Светлые полосы в изломе.

1.1.3.7 Белые пятна в изломе.

1.1.3.8 Камневидный излом.

1.2 Системы управления качеством.

1.2.1 Развитие понятия качества.

1.2.2 Алгоритмы и методы анализа технологических данных.

1.2.3 Статистические методы, особенности применения.

1.2.4 Искусственные нейронные сети.

1.2.4.1 Области применения НС.

1.2.4.2 Структура искусственных нейронных сетей.

1.2.4.3 Обучение сети.

1.2.5 Реализация «раскопок данных» и нейросетевых алгоритмов в прикладных задачах.

1.3 Выводы по литературному обзору.

1.4 Цели и задачи исследования.

Глава 2. Материал и методика исследования.

2.1 Объект исследования.

2.1.1 База данных технологии производства крупных поковок из стали 38Х113МФА-Ш

2.1.2 Базы данных толстолистового проката.

2.1.3 Анализ неоднородности структур и разрушения.

2.2 Некоторые понятия и термины использованные при статистическом описании данных

2.3 Термины и понятия нейростатистики, использование программных модулей.

Глава 3. Результаты и их обсуждение (Ретроспективный анализ массивов производственного контроля для задач управления качеством стали).

3.1 Использование баз данных производственного контроля для управления качеством металлопродукции.

3.2 Анализ структуры данных в базах. Первичный анализ массива.

3.2.1 База данных производства крупных поковок (сталь типа 38ХНЗМФА-Ш).

3.2.2 База данных листовых сталей (Зсп, 10Г2С1, 14Г2АФ, 10ХСНД).

3.3 Ретроспективный анализ технологического цикла для задач управления качеством.

3.4 Структурные факторы пластичности толстолистовой стали «в третьем направлении» (обнаружение и объединение скрытых переменных).

3.4.1 Роль неметаллических включений.

3.4.2 Влияние параметров плавки на балл неметаллических включений.

3.5 Камневидный излом крупных поковок.

Выводы.

Наблюдаемая в металлургии неоднородность разномасштабных структур и сопутст-4 вующий им разброс свойств однородной продукции, часто значительный, появление необъяснимых «вспышек брака» (когда все параметры технологии находятся в пределах поля допуска) - результат неблагоприятного сочетания порознь суммируемых, но взаимодействующих отклонений от нормы на разных этапах технологии.

Достаточно хорошо организованная система измерения и сбора информации по технологической цепочке, где последовательность операций описывают ~102 управляемых параметров, а качество продукта - не менее 10 параметров, обеспечивает быстрое накопление в архивах АСУ предприятия представительных массивов данных контроля. В то же время объем информации ограничен сверху: обычно он содержит менее 1000 плавок, так как за большее время меняются или заказы на продукт, или технология и оборудование. В такой многомерной нелинейной задаче при использовании классических статистических алгоритмов -регрессионного и дисперсионного анализа - оказывается малодостоверным даже только прогноз результата. Между тем, для производства конечной целью является не столько прогноз, сколько возможность корректировки процесса - единовременной либо поплавочной, в реальном времени, по наблюдениям начальной части траектории. Для этого необходимо найти эффективный комплекс алгоритмов ретроспективного анализа данных («раскопок данных» -« data mining), применимых в условиях металлургического производства.

Выводы

• 1.Изучены возможности использования архивных массивов данных о технологических процессах для управления качеством металла. Показано, что специфика ретроспективного анализа в металлургии ограничивает выбор метода анализа и делает предпочтительными непараметрические методы с наименьшей потерей информации.

2. Предложен теоретически оптимальный (с наибольшей асимптотической эффективностью) непараметрический метод выделения "зоны риска" и нахождения решающих правил для корректировки обработки "плавок риска" в пределах, регламентированных технологией.

3. Сопоставление результатов предложенного метода и методов регрессионного анализа и нейронных сетей с генетическими алгоритмами показало предпочтение предложенного непараметрического подхода с определением критерия Смирнова.

4. Метод опробован на заводских данных о производстве крупных поковок из стали типа 38ХГ13МФА-Ш. Обнаруженная группа факторов риска по камневидности излома состоит из трех параметров: температура в ковше; количество вводимого известняка; отношение Mn/S.

5. Найденный способ снижения риска - понижение температур в первых зонах печи « при нагреве под ковку, позволит сократить на 70% выход поковок с долей камневидной составляющей в изломе более 10%.

6. Для неполных по объему массивов данных листовой стали показана возможность удовлетворительного решения частных задач - определения достаточности скрытых переменных (балл включений) для прогноза пластичности в третьем направлении vj/z.

включений

Было установлено, что при раскислении алюминием стали Зсп в количестве более 0,50 кг/т сокращается доля плавок с низким баллом неметаллических включений на 25% и с Рокс>2=0,22±0,10 до Pokc<i,5=0,47±0,14 возрастает вероятность получить балл оксидов от 2 балла и выше. Твердый оксид алюминия может быть центром выделения сульфидных включений различной морфологии. у < I

•

1 3---------1-. □ ! □ о

• □

•

• » • • • Во £ s □ IS о° с 3 i i

5.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.S А) в ковш • от 2.5 балла

80 100 120 140 160 180 200 220 240 время наполнения сталь Зсп

10ХСНД

Рис.3.26 - Оценка влияния технологических параметров на степень загрязненности сульфидными включениями в стали Зсп и 10ХСНД

В стали 10ХСНД доля образцов с баллом оксидных включений от 2 и выше возрастает если время продувки кислородом менее 4,2 и составляет 0,73±0,29. Средний балл сульфидных включений также увеличивается. При продолжительности продувки кислородом стали Зсп не более 1,5 минут, риск получить балла сульфидов выше 2,5 составляет Рсульф>215=0,66±0,18, если продолжительность продувки увеличить, то он снижается до Рсульф>2,5=0,36±0,12. Однако разные стали - это разные технологии, следовательно, переноса выявленных правил не происходит.

В интервале 1,5-2,5 минут времени наполнения слитка отношение образцов с низким баллом к образцам с высоким баллом неметаллических включений находилось в отношении »3/1 (Р0ко2,о-0,81±0,19; Рокс<1,5=0,19±0,07) Так сократив время наполнения слитка, уменьшаем риск получить загрязненность по неметаллическим включениям большого балла (РсУльф<2,5=0,86±0,27 если t<l,5 минут).

Регламентирование указанных технологических параметров, в пределах указанных интервалов, изменило прогноз по выходу относительного сужения. Ожидается снижение доли испытаний с низким уровнем относительного сужения, в случае увеличении времени продувки кислородом (рис.3.27 ).

1.2 1 0.8 08 04 0 2 0

1° j. о

•■кнсся Враиа продувш 0?«1 4S Врана продуаш 02>1 9 мсьыксш Врана преет*** OJ<4 4 6р*ыя предуми 02>4 45 а) Зсп б)10ХСНД

Рис.3.27 - Прогноз изменения выхода с пластичностью <10% и >20% при оптимизации технологии выплавке сталей Зсп и 10ХСНД по времени продувки Ог

Для стали 10ХСНД в случае, если время продувки кислородом не превышает 4,4 минут риск получить vj/z<10 Pvz<io=0,75±0,21, а вероятность получения удовлетворительной пластичности падает до PV((Z>2o=0,07±0,05, в то время как на всем массиве P4/z>2o=0,22±0,06. При увеличении продолжительности времени продувки стали Зсп более чем в 1,5 минуты Рц/г>2о увеличивается с 0,32±0,12 до 0,50±0,12, а Р^ю уменьшается с 0,36±0,13 до 0,26±0,08.

V V V V V

Яроыя продувки о,

V V

-V ////// /

Время продувки О,

•—PaxWt -«-Pti>20|

L ^^

Также происходит изменения прогноза на долю выхода vj/z при реализации управления по рациональному вводу алюминия (рис.3.28). При ограничении ввода алюминия до 0,27 происходит сокращение риска получить низкую пластичность P^io^O.ieiO.Oe, и увеличивается вероятность получения удовлетворительного уровня относительного сужения Рч,г>2о=0,58±0,13.

Рис.3.28 - Влияние количества вводимого А1 на vj/z<10% и vj/z >20% (сталь Зсп)

В условиях, когда количество управляющих параметров и параметров риска ограничено, в первую очередь длиной рассматриваемой технологической цепочки, во вторую количеством регистрируемых параметров и их вариацией в пределах технологического коридора, возможно перебрать все связи, не прибегая к алгоритмам отбора входных данных (регрессия, нейронные сети).

Проведенный ретроспективный анализ архивов данных контроля технологии производства толстого листа из низколегированных сталей показал влияние неметаллических включений (оксидов и сульфидов) на уровень пластичности vj/z. Выше границы суммарного балла сульфидов и оксидов, «Балл сульф+1,5*Балл оксидов=4,5», то вероятность получить сужение vj/z>20% составляет всего 0,20±0,05.

Среди представленных в базах параметрах технологии определены факторы, влияющие на степень загрязненности неметаллическими включениями, и выход плавок с пластичностью vj/z<10% и >20%. Найдены оптимальные интервалы для времени продувки кислородом, количества вводимого алюминия, времени наполнения слитка из сталей Зсп и 10ХСНД. Оценки (Р) риска забраковать изделие и риска повышенного содержания неметаллических включений в стали к риску получить низкую пластичность близки. Малое время продувки кислородом повышает риск неудовлетворительной пластичности (P4,z<io=0,75±0,21), и ухудшает показателей загрязненности неметаллических включений РОКС>2=0,73±0,29 для стали 10ХСНД. Для стали Зсп, когда обеспечение требуемого уровня раскисления А1, снижает как вероятность получения оксидов с баллом более 2-го РОКС>2=0,22±0,10, так и низкой пластичности P4,z<io=0,16±0,06. Надо отметить, что прямой связи между параметрами раскисления и критерием СУММ 1,5 не выявлено. На включения влияют также условия горячей деформации, которые в базах данных завода не регистрировались. Таким образом, при имеющейся базе данных не следует отказываться от обеих направлений оптимизации: по неметаллическим включениям и по технологическим параметрам. Кроме этого такой подход косвенно позволяет проверять результат в условиях ограниченного набора переменных.

Предложенный комплекс последовательных алгоритмов (регрессия, нейронные сети, расчет расстояния Смирнова) позволяет проводить анализ массивов данных ограниченного объема (не более 102 наблюдений) для 20-60 контролируемых параметров технологии и сдаточных свойств, из которых для адаптивного управления можно использовать 10-20. Использование регрессии и нейросетевого моделирования для прогнозирования на неоднородных выборках малой размерности малоперспективно, в таких условиях оказалось более эффективно использование непараметрических критериев.

3.5 Камневидный излом крупных пиковок

Эффективность предлагаемой цепочки алгоритмов системного отбора управляемых параметров проверялась на полученном из многолетних экспериментальных исследований Массиве контроля производства крупных (4350-5150 кг) поковок (113 контролируемых параметров по 342 поковкам) из стали типа 38ХНЗМФА-Ш, Выявлялись технологические факторы, позволяющие, не только прогнозировать долю поковок с камневидной составляющей в изломе более ] 0%. но и в рамках действующей технологии, уменьшать их выход.

Камневидный излом - аномалия вязкого разрушения. В изломе темп лета наблюдаются крупные (100-200 мкм), плоские фасетки с ямочной поверхностью (рис. 3.29). При низкой температуре испытания камневидности сопутствует излом «белые пятна» и снижение вязко

Г1о нормам предприятия доля камневидной составляющей оценивается в представленной базе баллом 1,3 или 4. У 34 поковок камневидной составляющей в изломе не обнаружено (5баял). У 275 поковок не более )0% площади излома занято камвевидннми фасетками (3 балл), у 33 поковок, от 10 до 30% камневидной составляющей в изломе (4 балл) (2-ой балл по шкале предприятия - это древовидность излома, которой на рассматриваемых 342 поковках не было).

Рис. 3.29 - Камневидный излом а) Камневидный излом х250 б) фасетка кам невидного излома х 1200

Связи механических свойств при 20(1С, ударной вязкости при -50°С с баллом камне-видного излома не обнаружено {рис.3.30). Но наличие камневидной составляющей в изломе указывает на риск хрупкого разрушения при эксплуатации изделия в экстремальных режимах. Поэтому необходимо было выявить ее причины и найти возможности снижения доли поковок с 4-ым баллам камневидности.

12 3 4

Балл

Рис. 3.30 - Ударная вязкость KCU+20 и KCU"50 при разном балле камневидного излома

В таблице 3.16 приведен список регламентируемых и регистрируемых технологических параметров и диапазон их изменений.

Для мартеновской плавки приведен ее вес (Х4), время плавления (XI), кипения и общее время плавки (Х2, ХЗ), масса данных в шлак извести (Х9) и бокситов (кг/т)(Х10), температура в ковше (Х7), температура в печи (Х8).

Для ЭШП указаны верхний (Х25) и нижний (Х26) размер слитка; масса флюса (Х24), время разведения флюса (Х21), время переплава (Х22) и выведения усадки (Х23).

Для ковки указана температура в четырех зонах печи (Х27,Х29-Х31), время в первой зоне (Х28) и остальное время нагрева (ХЗЗ), температура слитка при выдаче (Х32), в начале (Х34) и в конце ковки (Х35).

Для термической обработки известны температура и время нормализации (Х36) и (Х37) и нагрева под закалку (Х38) и (Х39), температура воды (Х41) и масла (Х42) и время подстуживания в воде (Х40) и охлаждения в масле (Х43), температуры (Х44, Х46) и время (Х45, Х47) двух отпусков (а для 30 поковок также температура и время дополнительного третьего отпуска - Х48 и Х49).

Для поиска параметров, контролирующих появление камневидного излома, из имеющихся 49 параметров (табл.3.16) технологических параметров, было оставлено 44. Остальные исключались, как постоянные или неуправляемые, если (xkmax - тш) <28х (например Температура нормализации варьировалась в коридоре 10°С). Не рассматривался отдельно химический состав после мартеновской выплавки, так как состав после электрошлакового переплава с ним сильно связан (п.3.2.1). После ЭШП произошло снижение содержания серы на 0,001-0,007 % и кремния на 0,03-0,18 %. Значительного изменения в содержании других химических элементов после ЭШП не выявлено.

1. Betegon С., Belzunce F.J., Rodriguez С., A two parameter fracture criterion for high strength low carbon steel; Acta Metallurgica (Acta Mater), Vol. 44 #3, pp 1055-1061, 1996

2. Золоторевский B.C. Механические свойства металлов. — М.:МИСИС, 1998

3. WANG G. Z., CHEN J. H. On locations initiating cleavage fracture in precracked specimens of low alloy steel and weld metal, International Journal of Fracture 108: 235-250, 2001.

4. Воскобойников В.Г.,,Кудрин B.A., Якушев A.M. Общая металлургия//-М.: Металлургия, 1979,488с

5. Технология металлов и сварка//под.ред. проф. Полухина П.И.М.:Высшая школа, 1977, с.464

6. Гольдштейн М.И., Грачёв С.В., Векслер Ю.Г. Специальные стали.— М.:Металлургия, 1985.-408с.

7. S rihar G., D as S .К., М ukhopadhyay N.K., F ailure a nalysis о f 1 ow с arbon free-cutting s teel wire rods; Engineering Failure Analysis, 6, pp 155-172, 1999

8. Калинников E.C. Хладостойкая низколегированная сталь, -M. Металлургия, 1976, с.288

9. Hodson P.D., Hickson M.R., Gibbs R.K. Ultrafine ferrite in low carbon steel; Scripta Materi-alia, Vol.40 No 10, pp 1179-1184, 1999 /2213.pdf7

10. Винокур Б.Б., Пилюшенко В. Jl., Касаткин О. Г. Влияние легирования на рост аусте-нитного зерна малоуглеродистой стали // Известия АН СССР. Металлы.-1984.-№2.-С. 107112

11. Узлов И.Г., Парусов В.В., Гвоздев Р.В., Филонов О.В. Управляемое термическое упрочнение проката. — Киев: Технжа, 1989. — 118 с.

12. Сталь на рубеже столетий./ Под ред. Ю.С. Карабасова.-М.: МИСиС, 2001.—664 с.

13. Бринза В.В., Погоржельский В.И., Коровин А.В. Оптимизация механических свойств толстолистового проката // Черная металлургия России и стран СНГ в 21 веке.-1994.-№4,-С. 122-124.

14. ГОСТ 19281 — 89. Прокат из стали повышенной прочности. Общие технические условия. — Переиздание. Май. 1991 с изм. 1. — М.: Изд-во стандартов, 1991.

15. ГОСТ 5520 — 79 Сталь листовая углеродистая низколегированная и легированная для котлов и сосудов, работающих под давлением. Технические условия. — Переизд. Июнь 1998 с изм 1; 2; 3; 4 — М.: ИПК Изд-во стандартов, 1998.

16. Mohan R., Marschall С.; Cracking instabilities in a low-carbon steel susceptible to dynamic strain aging; Acta Metallurgica (Acta Mater), Vol. 46 #6, pp 1933-1948, 1998

17. Nelson D. E., baeslaek W. A. Characterization of the Weld Structure in a Duplex Stainless Steel Using Color Metallography// Metallography 18:215-225 (1985)

18. Степанов Г.А. Механические свойства листового проката стали в направлении его толщины// МиТС)М.-2001 .-№7.-с.39-40

19. Журавлев В.Н., Николаева О.И. Машиностроительные стали. Справочник .— 4-е изд. -М.Машиностроение, 1992.-480 с

20. Dong Hyuk Shin, Byung Cheol Kim, yong-Seog Kim, Kyung-Tae Park; Microstructural evolution in a commercial low carbon steel by equal channel angular pressing (Acta Mater), Vol. 48 , pp 2247-2255,2000

21. Shinozaki K., Wang X., North Т.Н.; Effect of Oxygen on Hydrogen Cracking in High-Strength Weld Metal; Metallurgical Transactions A, Vol21 A, May 1990, ppl287-1298

22. Verbeken K., Kestens L. Strain-induced selective growth in an ultra low carbon steel after a small rolling reduction// Acta Materialia 51 (2003) 1679-1690

23. Yamane Т., Hisayuki K., Kawazu Y. Improvement of toughness of low carbon steels containing nitrogen by fine microstructures// Journal of Materials Science 37, 20002.- h3875-3879.

24. Зикеев B.H., Шафигин E.K., Иржов Г.Г. Свойства трубных сталей, природнолегирован-ных хромом и никелем // МиТОМ.-2001.-№5.-с.20-23.

25. Солнцев Ю.П., Титова Т.И. Стали для севера и Сибири -СПб, Химиздат, 2002, 352с

26. Yuan Z.-X., JiaJ, A.-M.Guo, Shen D.-D., Song S.-H., Cooling-induced tin segregation to grain boundaries in a low-carbon steel,// Scripta Materialia 48 (2003)203 -206

27. Watanabe Т., Tsurekawa S. The control of brittleness and development of desirable mechanical properties in polycrystalline systems by grain boundary engineering, Acta metallugica, vol 47, No 15, 1999, p. 4171-4185

28. Немзер Г.Г. Тепловые процессы производства крупных поковок.:-Ленинград, Машиностроение, 1979, с.269

29. Гудремон Э. Специальные стали. Москва,I960.-1638с.

30. Z hang X .Z., К nott J. F. С leavage fracture i n b ainitic a nd m artensitic m icrostructures, A eta metallurgies vol.47, No 12, 1999, p 3483-3495

31. Приданцев M.B., Давыдов JT.H. Конструкционные стали. -M.: Металлургия, 1980.

32. Thomason P.F. Ductile spallation fracture and the mechanics of void growth and coalescence under shock-loading conditions, Acta Metallurgica, vol. 47, No 13, 1999 p.3633-3646

33. Changsheng X., Mulin H., Yarning S., Wulin S., Oxidation reaction during laser cladding of SAE1045 carbon steel with SiC/Cu alloy powder, Journal of materials science, 36, 2001, p. 1501-1505

34. Материалы в машиностроении. Выбор и применение: Справ изд. Т.2. Конструкционная сталь / Под ред. И.В. Кудрявцева.- М.Машиностроение, 1968.-496с

35. Термическая обработка крупногабаритных изделий и полуфабрикатов на металлургических заводах, М. Металлургия, 1985 С.

36. Переверзев Е.С. Испытания и надежность технических систем.- Киев: Наукова думка.-1990.-328с

37. А.В. Кудря, М.А. Бочарова, Г.В. Пантелеев и др. Влияние неоднородности структуры на разрушение конструкционных сталей. Материалы II Международной конференции / Болгария, София, 1997.

38. Коттрелл А.Х. Теоретические аспекты процесса разрушения //Атомный механизм разрушения, -М.: Гос. Научно техническое изд. по черной и цветной металлургии.- 1963.30-68 с.

39. Перотте А.И., Карташов Г.Д. Основы ускоренных испытаний на надежность.-М.: Советское радио.-1986.-224с.

40. Лахтин Ю.М. Металловедение и ТО металлов: 4-е изд. -М.: Металлургия, 1993.

41. Гликман Е. Э., Година Ю. В., Котышев В. Ф. Об оценке восприимчивости стали к обратимой отпускной хрупкости // Известия ВУЗов. Черная металлургия.-1978.-№2.-с.113-117.

42. Виноград М.И.Включения в стали и ее свойства. Металлургиздат, Москва 1963

43. Атлас дефектов стали. Пер. с нем. Е.Я. Капуткина под ред. Проф. М.Л. Бернштейна. — М.: Металлургия, 1979. — 188 с.

44. Власов Н.М., Любов Б.Я., Гектина И.В., Лаврентьев Ф.Ф., Старцев В.И. Взаимодействие дефектов и свойства металлов. Тула 1976

45. Штремель М. А. Проблемы металлургического качества стали (неметаллические включения) // Металловедение и термическая обработка металлов.-1974.-№2.-с.67-74.

46. Черненко A.IL, Федоров А.II. Об эффективности метода контроля макроструктуры не-прерывнолитого металла, Заводская лаборатория, №12, 1993г., с.60

47. Справочник по электротермическим процессам, Емлин Б.И., Гасик М.И.,М. Металлургия, 1978г., С.287

48. Кудря А.В., Кузько Е.И., Соколовская Э.А. Анализ изломов. Возможности и перспективы для аттестации и управления качеством металлопродукции // Национальная металлургия. — 2001. — № 2. — с. 44 47.

49. ГОСТ 1778-70 "Металлографические методы определения неметаллических включений". — Переизд. авг. 1984 с изм 1. — М.: Изд-во стандартов, 1984.

50. Изменение №2 ГОСТ 1778 70 // ИУС №1. — М: Изд-во стандартов 1990.

51. Включения и газы в сталях, Явойский В.И., Близшоков С.А„ Вишкарев А.Ф., Горохов J1.C., Хохлов С.Ф., Явойский А.В., М. Металлургия, 1979, С.272

52. Малиночка Я.Н., Ковальчук Г.З. Сульфиды в сталях и чугунах.— М.:Металлургия,1988.—248с.

53. Волчок И.П. Критический размер неметаллических включений /Проблемы прочности, 1978, №9, с.87-89.

54. Штремель М.А. Перспективы качества стали // Черная металлургия России и стран СНГ в 21 веке.-1994.-№5.-С. 159-162.

55. Явойский В.И., Рубенчик Ю.И., Окенко А.П., Неметаллические включения и свойства стали, -М: Металлургия, 1980, -176 с.

56. Таран А. В., Гуляев А. П., Павлерова И. А. Влияние степени чистоты на механические и технологические свойства стали // Сталь.-1973.-№4.-С.350-361.

57. Зубко А. М., Ильина В. Н., Медведев 3. И. Влияние чистоты металла на склонность к хрупкому разрушению высокопрочной стали 38Х5МФСА // Бюллетень ЦНИИЧМ.-1971.№13.-С.51-52

58. Курдюмов Г. В., Энтин Р. И. Отпускная хрупкость конструкционных сталей. М.: Ме-таллургиздат, 1945.-c.134

59. Металлургия электрошлакового процесса/под ред. Б.Е. Патона и Б.И. Медовара -Киев.-Нукова думка, 1986. -246с.

60. Чистая сталь, Гуляев А.П., М. Металлургия, 1975, С. 184

61. Кудря А.В. Неоднородность структуры и вязкость металла крупных поковок, МиТОМ. №4. 1999г. СС.49-52

62. Дефекты стали: Справочник / Под ред. С.М.Новокощеновой, М.И.Виноград — М.: Металлургия, 1984. — 200 с

63. Ершов Г.С., Позняк JI.A. Микронеоднородность металлов и сплавов. — М.: Металлуг-рия, 1985. —216 с.

64. ГОСТ 10243 — 75 Сталь. Метод испытаний и оценки макроструктуры. — Переизд. Апр. 1985 с изм. 1. — М.: Изд-во стандартов 1985.

65. ГОСТ 1414 — 75. Прокат из конструкционной стали высокой обрабатываемости резанием. Технические условия. — Переизд. Авг. 2002 с поправками и изм. 1; 2; 3 — М.: Изд-во стандартов, 2002.

66. Контроль качества термической обработки стальных полуфабрикатов и изделий: Справочник /Под ред. В.Д.Кальнера. — М.: Машиностроение, 1984. — 384 с.

67. Спектор А.Г., Зельберт Б.М., Киселева С.А. Структура и сойства подшипниковых сталей. — М.: Металлургия, 1980. — 264 с.

68. Любов Б.Я., Темкин Д.Е., Борисов В.Т. Рост и несовершенства металлических кристаллов. «Наукова думка», Киев 1996

69. Герасимова Л.П., Ежов А.А., Маресев М.И. Изломы конструкционных сталей: Справочник — М.: Металлургия, 1987. — 272 с.

70. Каптюг И.С., Голубев А.Я. Шиферный излом и расслоения в стали. М.: Металлургия, 1982.-С.88

71. Мовчан Б.А. Границы кристаллитов в литых металлах и сплавах. Издательство «Тех-шка», Киев 1970

72. Утевский Л. М. Отпускная хрупкость стали. М. : Металлургиздат, 1961.-192с.

73. Садовский В.Д., Малышев К.А., Полякова A.M., Авдеева В.Д., Арзамасцев И.Г., Ису-пов В.Ф. Камневидный излом в конструкционных легированных сталях, Сталь, №9, 1955г. СС.545-548

74. Производство стальных поковок, Лошкарев В.Ф. М. Метллургиздат, 1953, с.

75. Кудря А. В., Алексеев И. Г., Осоков Ю. В. Изменение доли камневидного излома с температурой испытаний. // Известия ВУЗов. Черная металлургия.-1991.-№10.-с.43.

76. Штремель М.А,, Алексеев И.Г„ Кудря А.В, Взаимосвязь двух аномалий излома высоколегированной конструкционной стали, металлы. №2. 1994. с.96-99

77. Гольдштейн Я.Е., Муштакова Т.Л. Камневидный излом стали — МиТОМ, 1978, №5, с. 70—74

78. Гольдштейн Я. Е., Лазарева М. И. Камневидный излом в конструкционных сталях обычной и высокой чистоты //Известия АН СССР. Металлы.- 1973.-№2.-С. 156-159./

79. Проблемы электрошлакового переплава / сб. статей

80. Гербих Н.М., Кутьин А.Б., Полякова А.М, Сохранение «старых» границ в структуре повторно закаленной стали/ МиТОМ, №8/, 1989г. с.51

81. Бобылев М.В., Горохов Л.С., Кудря А.В„ Мочалов Б.В., Артемьев Г.С. Влияние аусте-низации на сопротивляемость разрушению улучшаемой Cr-Ni-Mo стали, Черная металлургия, известия ВУЗ №11,1990, СС.70-73

82. Гличев А.В. Основы управления качеством продукции. -М.: Изд-во стандартов, 1988 с.241

83. Никитин В.А. Управление качеством на базе стандартов ISO 9000-2000, СПб, Питер, 2002, с.272

84. Штремель М.А. Перспективы качества стали, Черная металлургия России и стран СНГ в 21 веке.-1994.-№5.- С. 159-162

85. Архангельский С.И., Гринберг Е.М., Тихонова И.В. Металловедение и метрология, МиТОМ, №6, 2002, с.45-48

86. Крылов Г.Д. Зарубежный опыт управления качеством.-М.: Изд-во стандартов, 1992

87. Полховская Т.М., Соловьёв В.П., Карпов Ю.А. Основы управления качеством продукциям.: МИСиС, 1990.-173 с.

88. Миттаг Х.Й., Ринне X. Статистические методы обеспечения качества -М.: Машиностроение, 1995 с.616

89. Розова Н. К. Управление качеством: краткий курс, СПб, Питер, 2001, с. 224

90. Гиссин В.И. Управление качеством продукции, Феникс, Ростов-на-Дону, 2000, с.256

91. Айвазян С.А., Енюков И.С. Прикладная статистика: основы моделирования и первичная обработка данных. -М.: Финансы и статистика, 1983,

92. Гмурман В.Е. Теория вероятностей и математическая статистика. Учебное пособие для вузов. Изд. 7-е, стер.- М.: Высш. шк., 2000.-479с

93. Никитин В.А. Управление качеством на базе стандартов ISO 9000-2000, СПб, Питер, 2002, с.272

94. Штремель М.А. и др. Перспективы качества стали. // Известия ВУЗов. Черная метал-лургия.-1980.-№5

95. Адлер Ю.П. Новые направления в статистическом контроле качества метод Тагути. -М.: Знание, 1988

96. Елисеева И.И., Юзбашев М.М., Общая теория статистики, Финансы и статистика, Москва, 2000, с.480

97. Дюк В., Самойленко A. Data Mining: учебный курс, СПб, Питер, 2001, с.368

98. Hosking Jonathan R.M., Edwin P.D. Pednault, Madhu Sudan;A statistical perspective on data mining; FGCS, 13, pp 117-134, 1997

99. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы, Финансы и Статистика, 2000,с. 352

100. Scotney В., McClean S. Efficient knowledge discovery through the intgration of heterogeneous data, Information and software technology, 41, 1999, p. 569-578

101. Glymour C., Madigan D., Pregibon D., Smyth P. Statistical themes and lessons for data mining, Data mining and knowledge discovery, 1, 1997, p. 11-28

102. Киселев M., Соломатин E. Средства добычи знаний в бизнесе и финансах // Открытые системы. -1997. -№4.

103. Bon К. Sy, Aijun К. Gupta, Data Mining Approach Based on Information-Statistical Analysis: Application to Temporal-Spitial Data, MLDM 2001, LNAI2123, pp 128-140, 2001

104. Mangasarian О .L. Mathematical Programming i n Data Mining, Data Mining and Knowledge Discovery// LNAI.- 1997.-P. 183-201.

105. Scott P.D., Wilkins E.; Evaluating data mining procedures: techniques for generating artificial data sets; Information and Software Technology 41, pp579-587, 1999

106. Bon K. Sy, Arjun K. Gupta, Data Mining Approach Based on Information-Statistical Analysis: Application to Temporal-Spitial Data, MLDM 2001, LNAI 2123, ppl28-140, 2001

107. Итоги науки и техники: физические и математические модели нейронных сетей, том 1,М„ изд. ВИНИТИ, 1990,

108. Eide A., Johansson R., Lindblad Т.,. Lindsey С. S; Data mining and neural networks for knowledge discovery; Nuclear instruments & methods in physics research, 389, pp 251-254, 1997

109. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. -М.: Мир, 1965

110. Mark W. Craven, Jude W. Shavlik Using Neural networks for data mining;; FGCS, 13, pp 211-229,1997

111. Sou-Sen Leu, Chee-Nan Chen, Shiu-Lin Chang, Data mining for tunnel support stability: neural network approach; Automation in construction 10, pp 429-441, 2001

112. Haofen Zhou, Beijun Ruan, Jianqiu Zhu, Yangyong Zhu, Baile Shi, ARMiner: A data Mining tool based on association rules; WAIM 2001, LNCS 2118, pp 114-121, 2001

113. Mangasarian О.L. Mathematical Programming in Data Mining, Data Mining and Knowledge Discovery// LNAI.-1997.-P. 183-20

114. Bruha Ivan, Pre- and Post-processing in Mashin Learning and Data Mining; ACAI99, LNAI2049, pp 258-266, 2001

115. Букатова И.Л., Михаев Ю.И., Шаров A.M. Эвоинформатика: теория и практика эволюционного моделирования. Наука М.-1991 206с

116. Baeck Т., Rudolph g., Schwefel Н. Evolutionary programming and evolution strategies: similarities and difference. Proceedings of the EP'93, 1993, p.11-22

117. Davis L. Genetic Algorithms and simulated annealing, Morgan Kaufmann publ., Inc., San Francisco CA, 1987

118. Mitchell M. An Introduction to genetic algorithms MIT Press, Cambridge, mass., 1996

119. Glymour C., Madigan D., Pregibon D., Smyth P. Statistical themes and lessons for data mining, Data mining and knowledge discovery, 1, 1997, p. 11-28

120. Dattilo G., Greco S., Masciari E., Pontieri L., A hybrid Technique for Data Mining on Balance-Sheet Data, Springer-Verlag Berlin Heidelberg, 2000, p 419-424

121. Eide A., Johansson R., Lindblad T.,. Lindsey C. S; Data mining and neural networks for knowledge discovery; Nuclear instruments & methods in physics research, 389, pp 251-254, 1997

122. Macedo M., Cook D., Brown J.T. Visual data mining in atmospheric science data, Data mining and knowledge discovery, 4, 2000, p. 69-80

123. Antony Unwin, Statistification or Mystification? The Need for Statistical Thought in Visual Data Mining ECML 2001, LNAI2167, p.602.2001

124. Гнеденко Б.В. Орлов А.И., Заводская лаборатория. -1988. -Т. 54. -№ 1. -С.1-4

125. Ивахиенко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. -М.: Радио и связь, 1987

126. Лемешко Б.Ю., Постовалов С.Н. О зависимости распределений статистик непараметрических критериев и их мощности от метода оценивания параметров, Заводская лабора-тория.-2001.- №7.-С.62-64.

127. Орлов А.И. Всегда ли распределение является нормальным, Заводская лаборатория, № ю, 902, с.64 66

128. Чекмарев А.Н., Барвинок В.А., Шалавин В.В. Статистические методы управления качеством.- М.Машиностроение, 1999.- 320 с.

129. Зажигаев Л.С. Методы планирования и обработки результатов физического эксперимента. М.: Атомиздат.-1987.-232с.

130. Каев В.П., Бояршинова Л.И., Крыванова Л.И., Статистический контроль показателей качества, Заводская лаборатория, №12, 1993г., с.61

131. Малиновский Л.Г. Модельно- структурные методы в многомерном статистическом анализе // Заводская лаборатория.-2001.- №11.-С.52-61

132. Новицкий П.В., Зограф И.А. Оценка погрешностей результатов измерений. -Л.: Энер-гоатомиздат, 1985

133. Корхин А.С. Адаптивный статистический контроль служебных свойств металлопродукции на основе регрессионной модели // Заводская лаборатория.-1996.- №3.-С.52-60

134. Поулер Л. Хауэл Дж. Статистические методы контроля качества продукции. -М.: Мир, 1989,

135. Медико-биологическая статистика, Гланц Стентон, М. Практика, 1999, С.459

136. Корнилов С.Г. Об ошибках в описанпии F-критерия и кое-что об односторонних статистических критериях, Заводская лаборатория, т.59 №7, 1993г. с.60-63

137. Оптимизация гарантии в задачах управления, Субботин А.И., Ченцов А.Г., М. Паука, 1981, С.288

138. Статистические решающие правила и оптимальные выводы, Ченцов Н.Н.,М. Наукв, 1972, С.520

139. Ротарь В.И. Математический аппарат моделирования. -М.: Наука, 1983

140. Шиндовский Э. Щюрц О. Статистические методы управления качеством. М.: Мир, 1976

141. Сударев В.П., Демидович Е.А., Ковалев П.И. Контроль качества металлопродукции по корреляционной связи между параметрами// Заводская лаборатория.-2001.- №1.-с.65-72

142. Румшинский J1.3. Математическая обработка результатов эксперимента. -М.: Наука, 1971

143. Шеффе Г. Дисперсионный анализ: 2-е изд. -М.: Наука, 1980

144. Радаев Н.Н. Методы повышения достоверности испытаний при малом объеме выборки на основе совместного использования априорной и апостериорной информации // Заводская лаборатория.-1998.- №5.-С. 50-53

145. Artificial Neural Networks: Concepts and Theory // IEEE Computer Society Press, 1992.

146. Richard P. L. An Introduction to Computing with Neural Nets // IEEE Acoustics, Speech, and Signal Processing Magazine.- 1987.-№4

147. Галушкин A.M. Теория нейронных сетей, ИПРЖР, Москва 2000, с.416

148. Галушкин А.И., Синтез многослойных систем распознавания образов, // Энергия, Москва, 1974

149. Weiss Y. Correctness of local probability propagation in graphical models with loops, Neural Computation, 12, 2000, p. 1-41

150. Heckerman D. Bayesian Networks for Data mining, Data mining and knowledge discovery, 1, 1997, p. 79-119

151. Araujo Carmen p.S. Novel Neural Network models for computing homothetic invariances: an image algebra notation, Journal of mathematical imaging and vision, 7, 1997, p. 6983

152. Каллан P. Основные концепции нейронных сетей: Пер. с англ.-М.: Издательский дом «Вильяме», 2001.- 287 с.

153. Лекции по нейроинформатике, мат-лы школы-семинара «Современные проблемы ней-роинформатики», МИФИ, Москва, 2001, с.212

154. Омату С., Марзуки X., Рубия Ю. Нейроуправление и его приложения, пер. с англ. Батина Н.В., ИПРЖР, Москва 2000, с.272

155. Мак-Каллон У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы. -М.: Изд-во иностр. л-ры, 1965. с.362-402

156. Knight Bruce W. Dynamics of encoding in neuron populations: some general mathematical Features, Neural Computation, 12, 2000, p. 473-518

157. Vivarelli Fr., Williams Chr. Comparing Bayesian neural network algorithms for classifying segmental outdoor images; Neural Networks, 14, pp427-437, 2001

158. Уоссермен Ф. Нейрокомпьютерная техника.- М.:Мир, 1992

159. Новиков А.Б. Физические и математические модели нейронных сетей // Итоги науки и техники. -1990. -№1

160. Головко А.В. Нейронные сети: обучение, организация и применение. Москва: ИПРЖР, 2001,256с.

161. Тимофеев А.В. Методы синтеза диофантовых нейросетей минимальной сложности // Доклады АН. -1995. -Т. 301. -№3. с.1106-1109

162. Zhao Т., Tang L.H., Horace H.S. IP, Feihu QI, Visual keyword image retrieval based on synergetic Neural Network for Web-Based image search, Real-Time Systems, 21, 2001, p. 127142

163. Тимофеев A.B., Каляев А.В. Методы обучения и минимизации сложности когнитивных нейромодулей супер-макро-нейрокомпьютера с программируемой архитектурой // Доклады АН. 1994. Т.301. №2. с 180-183

164. Трифонов И.Л. Итоги науки и техники: физические и математические модели нейронных сетей.- М.:ВИПИТИ, 1990

165. Taylor J.G., Horwitz В., Friston K.J. Neural modeling and function brain imaging: an overview, Neural Networks, No 13, 2000, p. 829-846

166. Meitzler R.C., Strohbehn K., Boahen K., Analog VLSI Neuromorphic Image Acquisition and pre-processing systems, Neural Networks, vol.8No7/8, 1995, p. 1323-1347

167. Bartlett W. Mel, Fiser J. Minimizing Binding Errors Using learned conjunctive features, Neural Computation, 12, 2000, p. 247-278

168. Ezhov A.A., Vvedensky V.L. Object generation with Neural Networks (When spurious memories are useful), Neural Networks, vol.9, 9, 1996, pp 1491-1495

169. Нейронные сети. STATISTICA Neural Networks. -M.: Горячая линяя-Телеком, 2000. с. 182

170. Elsila U. (2000): Knowledge Discovery Methods in Measurements of Steel Industry. Diploma Thesis. University of Oulu, Department of Electrical Engineering, Oulu, Finland, 86 p

171. Cerpenter J.D., Shepherd R.G. Clean Steel project ^identification of variables that affect cope oxide inclusions in steel castings, AFS Transactions, p.237-248

172. Gorni A. A. The Application of Neural Networks in the Modeling of Plate Rolling Processes, JOM-e, 49 (4) (1997)

173. Jackson A .G., P awlak Z., LeClair S .R., R ough s ets a pplied t о t he d iscovery о f m aterials knowledge, Journal of alloys and compounds, 279, 1998, p. 14-21

174. Elsila U. and Roning J. (2002): Knowledge Discovery in Steel Industry Measurements. In: Proc. of STarting Artificial Intelligence Researchers Symposium (STAIRS 2002), July, Lyon, France, pages 197-206

175. Pam Haley, Don Soloway, Brian Gold, Real-time Adaptive Control Using Neural Generalized Predictive Control pp 4278-4282, NASA-99

176. Hernandez R. P., Gallegos J.A., Hernandez Reyes J.A. Simple recurrent neural network: A neural network structure for control systems; Neurocomputing N23,1998, p. 277-289

177. Juutilainen I. (2002): Predicting the Strength of Steel Plates Using Regression Analysis and Neural Networks. M.Sc. thesis, Department of Mathematics, Statistics, University of Oulu, Finland

178. Laurinen P., Roning J., Tuomela H. (2001): Steel slab temperature modelling using neural-and Bayesian networks. Soft Computing and Intelligent Systems for Industry (SOCO/ISFI 2001), June 26-29, Paisley, Scotland, U.K

179. Juutilainen I. (2002): Predicting the Strength of Steel Plates Using Regression Analysis and Neural Networks. M.Sc. thesis, Department of Mathematics, Statistics, University of Oulu, Finland

180. Neural networks accelerate materials design? LeClair St., Advanced materials &processes, 1,2000, p.45

181. Туманов В. Нейросети в море бизнеса, PC week, 7/10, 1997г. С. 65-68

182. Ту Дж., Гонсалес Р. Принципы распознавания образов. -М.: Мир185 1978, Taylor J.G., Horwitz В., Friston K.J. The global brain: imaging and modeling, Neural Networks, No 13, 2000, p. 2

183. Dua A. Inversion of Neural Networks: A Solution to the problems Encountered by a Steel Corporation/ Advanced Undergraduate Project Data Mining Group: Professor Amar Gupta, 2000, p.26

184. Fielding St. Metal detection using neural networks, a thesis, 09, 1993 p. 144

185. Hideyki Maki and Yuko Teranishi; Development оf Automated Data Minind System for Quality Control in Manufacturing; DaWaJ2001, LNCS 2114, pp93-100,2001

186. Ozel Tu , Karpat Yi Predictive Modeling of Surface Roughness and Tool Wear in Hard Turning using Regression and Neural Networks International Journal of Machine Tool and Manufacture 06,2004, pp. 120-160

187. Vitek J.M., Iskander Y.S., Oblow E.M., Babu S.S., David S.A. Neural Network model for predicting ferrite number in stainless steel welds, 5-th international conference on trends in welding research, June, 1998, p. 121-130

188. Ozel Tu , Abhijit Nadgir, Prediction of flank wear by using back propagation neural network modeling when cutting hardened H-13 steel with chamfered and honed CBN tools International Journal of Machine Tools & Manufacture 42 (2002) 287-297

189. Ozel Tu, Precision tracking control of a horizontal arm coordinate measuring machine in the presence of dynamic exibilities 23 September 2004 Int J Adv Manuf Technol

190. ГОСТ 4543-71. Прокат из легированной конструкционной стали. Технические условия. Переизд. Дек. 1996 с изм. 1-5. -М.:Издательство стандартов, 1996

191. ГОСТ 18895-81. Сталь. Метод фотоэлектрического спектрального анализа. М.: Изд-во стандартов, 1981

192. ГОСТ 22536.1-88. Кулонометрический метод определения массовой доли углерода с использованием экспресс- анализатора АН-7 529. М: Изд-во стандартов, 1988

193. ГОСТ 22536.2-87. Кулонометрический метод определения массовой доли серы в стали с использованием экспресс- анализатора АС-7932. М.: Изд-во стандартов, 1987

194. ГОСТ 7564-73 (СТ СЭВ 2859-81, ИСО 377-85). Общие правила отбора проб, заготовок и образцов для механических и технологических испытаний. М.: Изд-во стандартов, 1982.

195. ГОСТ 1497-73. Металлы. Методы испытания на растяжение. М.: Изд-во стандартов, 1979

196. ГОСТ 9454-78. Металлы. Метод испытания на ударный изгиб при пониженной, комнатной и повышенной температурах. -Переизд. июнь 1990 с изм.1,2.-М.: Изд-во стандартов, 1990.

197. ГОСТ 5639-82 (СТ СЭВ 1959-79). Стали и сплавы. Методы выявления и определения величины зерна. Переизд. янв. 1984 с изм.1.-М.: Изд-во стандартов, 1984.

198. ГОСТ 5640-68 Сталь. Металлографический метод оценки микроструктуры листов и ленты. Переизд. янв. 1988 с изм.1.-М.: Изд-во стандартов, 1988.

199. ГОСТ 1778-70. Сталь. Металлографические методы определения неметаллических включений. -М.: Изд-во стандартов, 1971 Изменение №1 ГОСТ 1778-70 // ИУС.-№8.- М.: Изд-во стандартов, 1984 Изменение №2 ГОСТ 1778 -- 70 // ИУС №1. — М: Изд-во стандартов 1990.

200. Математическая статистика под. Ред. Зарубина B.C., Крищенко А.П., М.:изд-во МГТУ им. Н.Э. Баумана, 2001, с.424;

201. Математическая статистика Иванова В.М., Калинина В.И., Нешумова Л.А., Решетникова И.О., М.: Высшая школа, с.371

202. Нейронные сети. STATISTICA Neural Networks. Москва, Горячая линяя-Телеком 2000, с.182

203. Галушкин А.И. Теория нейронных сетей. — М: Кнорус, 2000.

204. Головко В.А. Нейроинтеллект. Теория и применения. Организация и обучение нейронных сетей с прямыми и обратными связями. — Брест: БПИ, 1999

205. Jackie Rees, Gary Koehler Evolution in Groups: A Genetic Algorithm Approach to Group Decision Support Systems; Information Technology and Management, 2002, 3 ,c. 213-227;

206. Mengjie Zhang, Victor Ciesielski Using Back Propagation Algorithm and Genetic Algorithm to Train and Refine Neural Networks for Object Detection, Lecture Notes in Computer Science, 1677, 1999, c.215-245;

207. S. Dunn, S. Peucker Genetic Algorithm Optimisation of Mathematical Models Using Distributed Computing, Lecture Notes in Computer Science, 2358, 2002 c.220-240;

208. Matthew G. Smith, Larry Bull Feature Construction and Selection Using Genetic Programming and a Genetic Algorithm, Lecture Notes in Computer Science, 2003, c.229-237

209. Васильев В.И., Коноваленко В.В, Горелов Ю.И. Имитационное управление неопределенными объектами. — К: Наукова Думка, 1989

210. ЗагоруЙко Н.Г., Ульянов Г.В. Локальные методы заполнения пробелов в эмпирических таблицах // Сборник научных трудов "Экспертные системы и распознавание образов" Новосибирск, 1988.- 177с.

211. Литтл Р.Дж.А., Рубин Д.Б. Статистический анализ данных с пропусками /Пер. с. англ. М.: Финансы и статистика, 1990. 336с.: ил. - (Математико-статистические методы за рубежом)

212. Москаленко, Электрометаллуригия

213. Кудря А.В. Возможности и перспективы информационных технологий в управлении качеством металла. Электрометаллургия. № 9. 2002.C.35-42

214. Тихов М.С. Оценивание показателей качества по неполным выборкам // Надежность и контроль качества. 1996. №11. С. 16-24.

215. Колпаков С.С., Потемкин, В.К., Хлыбов О.С. Сталь, 1998, №7.

216. Рожков И.М., Власов С.А., Мулько Г.П. Математические модели для выбора рациональной технологии и управления качеством стали. М.: Металлургия, 1990. — 184 с.

217. Налимов В.В. Теория эксперимента. М.: Наука, 1971. -208 с.

218. Горский В.Г., Адлер Ю.П., Талалай A.M. Планирование промышленных экспериментов (модели динамики). М.: Металлургия, 1978. 112 с.

219. Гайдышев И. Анализ и обработка данных. Специальный справочник. СПб.: Питер, 2001.-752 с.

220. Никитин Я.Ю. Асимптотическая эффективность непараметрических критериев. М.: Физматлит, 1995. 240 с.

221. Ван дер Варден «Математическая статистика», М. ил., 1960

222. Кокс Д., Хин Счастливцев В.М., Кутьин А.Б., Смирнов A.M. Исправление структуры и изломов конструкционной перегретой стали. УрО РАН, Екатеринбург, 2003, 192 с. кли Д. Теоретическая статистика. М.: Мир, 1978. - 560с.

223. Герасимов В.А. Методы решения проблемы нечеткости в задачах управления. Новосибирск: Наука, 1999. 240 с.

224. Саати Т. Принятие решений. Метод анализа иерархий. М.: РиС, 1993. 316 с.

225. Счастливцев В.М., Кутьин А.Б., Смирнов A.M. Исправление структуры и изломов конструкционной перегретой стали. УрО РАН, Екатеринбург, 2003,- 192 с.