Jatketiilen tukkeentumisen mallintaminen neuroverkoilla

Transkriptio

1 SÄÄTÖTEKNIIKAN LABORATORIO Jatketiilen tukkeentumisen mallintaminen neuroverkoilla Jouni Ikäheimonen, Kauko Leiviskä ja Jari Ruuska Raportti B No 32, Helmikuu 2001

2 Oulun yliopisto Säätötekniikan laboratorio Raportti B No 32, Helmikuu 2001 Jatketiilen tukkeentumisen mallintaminen neuroverkoilla Jouni Ikäheimonen, Kauko Leiviskä ja Jari Ruuska Tiivistelmä: Tämän raportti on osa Oulun yliopiston ja teknillisen korkeakoulun sulautettua vikadiagnostiikkaa käsittelevän tutkimusprojektin raportointia. Oulun yliopiston osuudessa teollisena yhteistyökumppanina on toiminut Rautaruukki Oyj, jonka prosessiin tutkimus on keskittynyt. Tutkittavana vikana on ollut jatketiilen tukkeutuminen teräksen jatkuvavalussa. Jatketiili tukkeentuu siten, että terässulan kuona-aineita kertyy tiilimateriaalin sisäpinnalle. Myös alhainen terässulan lämpötila voi kiihdyttää tukkeentumisilmiötä. Valunopeus ja ennenkaikkea sen muutokset vaikuttavat tukkeentumisilmiöön. Jatketiilen tukkeentuminen teräksen jatkuvavalussa useimmiten keskeyttää tekeillä olevan valusarjan ja hidastaa tuotantoa. Tukkeentunut jatketiili on vaihdettava uuteen ennen kuin valua voidaan jatkaa. Lisäksi kuona-aineet voivat kulkeutua jatketiilen kautta valettavaan teräsaihioon aiheuttaen erilaisia laatuvikoja aihion pintaan ja sisäosiin. Jos laatuviat ovat vakavia, niin ko. aihiot joudutaan romuttamaan ja hylkäämään. Jatketiilen pikainen tukkeentuminen on usein myös merkki terässulan suuresta kuona-ainepitoisuudesta. Tässä tutkimuksessa on data-analyysin keinoin etsitty tekijöitä, jotka vaikuttavat jatketiilen tukkeentumiseen. Samalla on tutkittu, voidaanko mallipohjaisesti määrittää ja ennustaa valetut tonnit tukkeumahetkellä tai ainakin ennakoida, kuinka monta sulatusta voidaan valaa ilman jatketiilen vaihtoa. Tässä raportissa esitetyt mallit on tehty myötäkytketyillä neuroverkoilla, jotka on opetettu backpropagation-menetelmällä. Hakusanat: jatkuva valu, jatketiili, mallintaminen, neuroverkot ISBN Oulun yliopisto ISSN Säätötekniikan laboratorio ISBN (PDF) PL 4300

3 SISÄLLYSLUETTELO FIN OULUN YLIOPISTO 1 JOHDANTO 1 2 PROSESSIKUVAUS Jatketiilen tukkeentuminen Konvertterin etunäyte ja lisäpuhallukset Huuhteluaseman operaatiot Valukoneanalyysit 4 3 DATAN ESIKÄSITTELY Tiivistystavan ja suoritustavan vaikutukset Huuhtelutavan ja huuhteluasemien vaikutukset Aihiolaadun vaikutukset Valuhäiriöiden vaikutukset Lisäpuhallukset 6 4 KORRELAATIOANALYYSI Valukoneittain ja aihiolaaduittain Kahden sulatuksen muuttujavalikoima Joitakin huomioita datasta ja korrelaatioista 9 5 MALLINTAMISPERIAATTEET Muuttujien esikäsittely neuroverkoille Käytettyjen neuroverkkojen rakenne Neuroverkot ja opetusdata 11 6 NEUROVERKKOMALLIT Valukoneen 5 mallit Valukoneen 6 mallit Mallien ristiintestaus Testaaminen ehjien sulatusten datalla 13 7 YHTEENVETO Tukkeumamallit Mallien muuttujista Jatkotutkimukset 15

4 MERKINTÖJEN SELITYKSET Ana- Etu- Huuhttai hu- Hu_Al_tot tai hualtot HU_3M_TOT tai hu3m HUJ_TOT tai hujalt Hukasaik HuRO_TOT Koklev Ohje-LIKVI Ohje- VSENK Ohje- HUJALK Ok±30t Ok±60t S1(huN)* S1(huAO)* Valukoneen analyysi, aineen pitoisuus Konvertterianalyysi, aineen pitoisuus Huuhteluaseman analyysi, aineen pitoisuus Alumiinilangan toteutunut määrä huuhtelussa Sulan lämpötila huuhteluasemalla 3 min huuhtelun kuluttua Sulan lämpötila huuhtelun päättyessä Huuhteluaika Jäähdytysromun toteutunut määrä huuhtelussa Kokillin leveys Likvivduslämpötila Välisenkan ohjelämpötila Ohjelämpötila huuhtelun jälkeen Mallin oikein ennustaminen pumppausten prosenttiosuus ±30 t ja ±60 t tarkkuuksilla Sarjan 1. sulatuksen huuhteluaseman typpipitoisuus Sarjan 1. sulatuksen huuhteluaseman oksidisen alumiinin pitoisuus S1vslt* Suhvshu* Tukton Sarjan 1. sulatuksen välisenkka lämpötila, ensimmäinen mittaus Suhde, välisenkan keskiarvolämpötila jaettuna lämpötilaerolla huuhtelun ja välisenkan välillä, vskalt / (hujalt - vskalt) Jatketiilen tukkeumatonnit, ennustemallin tavoite- ja lähtösuure Valunop Valunopeus, [ m/min ]

5 Vjno Vk Vnopero* Vnopm* Vserohka* Vserohs1* Vserolika* Vskalt Vs1lt Valun järjestysnumero Valukone Valunopeusero ohjeen ja toteutuneen välillä Valunopeus kerrottuna kokillin leveydellä, valunop koklev Välisenkan erolämpötila ohjeen ja keskiarvon välillä Välisenkan erolämpötila ohjeen ja sarjan 1. lämpötilan välillä Välisenkan erolämpötila likviduksen ja keskiarvon välillä Välisenkan keskiarvolämpötila Välisenkan lämpötila, ensimmäinen mittaus Tarkenteet: k0 tai k_0 k1 tai k_1 Valussa oleva sulatus Valettavaa sulatusta edeltävä sulatus * Laskennallinen lisämuuttuja

6 1 JOHDANTO Tämän tutkimuksen tavoitteena on ollut vähentää sulatushylkäysten osuutta terässulatolla vikadiagnostiikan keinoilla. Teollisena yhteistyökumppanina on toiminut Rautaruukki Oyj, jonka prosessiin tutkimus on keskittynyt. Tutkittavana vikana on ollut jatketiilen tukkeentuminen teräksen jatkuvavalussa. Jatketiilen tukkeentumista on tutkittu Rautaruukin prosessissa aiemmin 1. Kyseisiä diplomitöitä käytettiin tämän tutkimuksen aiheeseen perehtymisessä. Työssä oli tutkittu ja selvitetty mm. välisenkkalämpötilan vaikutuksia jatketiilen tukkeentumiseen. Lämpötilan todettiin olevan keskeinen tekijä tukkeentumiselle. Jatketiili tukkeentuu siten, että terässulan kuona-aineita kertyy tiilimateriaalin sisäpinnalle. Myös alhainen terässulan lämpötila voi kiihdyttää tukkeentumisilmiötä. Valunopeus ja ennenkaikkea sen muutokset vaikuttavat tukkeentumisilmiöön. Jatketiilen tukkeentuminen teräksen jatkuvavalussa useimmiten keskeyttää tekeillä olevan valusarjan ja hidastaa tuotantoa. Tukkeentunut jatketiili on vaihdettava uuteen ennen kuin valua voidaan jatkaa. Lisäksi kuona-aineet voivat kulkeutua jatketiilen kautta valettavaan teräsaihioon aiheuttaen erilaisia laatuvikoja aihion pintaan ja sisäosiin. Jos laatuviat ovat vakavia, niin ko. aihiot joudutaan romuttamaan ja hylkäämään. Jatketiilen pikainen tukkeentuminen on usein myös merkki terässulan suuresta kuona-ainepitoisuudesta. Tässä tutkimuksessa on data-analyysin keinoin etsitty tekijöitä, jotka vaikuttavat jatketiilen tukkeentumiseen. Samalla on tutkittu, voidaanko mallipohjaisesti määrittää ja ennustaa valetut tonnit tukkeumahetkellä tai ainakin ennakoida, kuinka monta sulatusta voidaan valaa ilman jatketiilen vaihtoa. Rautaruukin terässulatolta on toimitettu Oulun yliopistolle data-aineistoa konverttereilta, huuhteluasemilta ja jatkuvavalukoneilta. Data-aineiston avulla on aluksi selvitetty prosessialueet ja prosessien ajotavat sekä aihiolaadut, joihin tukkeentumisvika keskittyy. Vika esiintyy pääsääntöisesti Al-tiivistetyillä sulatuksilla, jotka kulkevat huuhteluasemien kautta jatkuvavalukoneille. Tukkeentumismalleilla on tarkoitus ennustaa jatketiilen tukkeentuminen aihiolaaduittain, jotta valukoneella työskentelevä henkilöstö voi käyttää sitä apunaan. Valumiehistö voi päättää mallin avulla, valetaanko tekeillä oleva valusarja loppuun asti vai vaihdetaanko jatketiili ennen kuin mallin antamat tonnit täyttyvät. Tässä raportissa esitetyt mallit on tehty myötäkytketyillä neuroverkoilla, jotka on opetettu backpropagation-menetelmällä. Muitakin tekniikoita on kokeiltu, mutta neuroverkoilla on ainakin toistaiseksi saatu parhaita tuloksia. Käytännön sovelluksessa neuroverkot vaatinevat tuekseen myös muuta informaatiota. 1 Petri Karhu, Al-tiivistettyjen terästen kuonapuhtaus ja valettavuus. Diplomityö. Oulun yliopisto, prosessitekniikan osasto, Mika Päätalo, Välisenkkakuonan vaikutus Al-tiivistettyjen terästen kuonapuhtauteen. Diplomityö. Oulun yliopisto, prosessitekniikan osasto, 1996.

7 2 PROSESSIKUVAUS 2.1 Jatketiilen tukkeentuminen Sulatolla raakaraudasta poistetaan hiiltä konvertteripuhalluksella, jolloin rauta muuttuu teräkseksi samalla, kun hiilipitoisuus alenee. Puhalluksessa happi reagoi hiilen kanssa häkäkaasuksi (hiilimonoksidiksi) ja hiilidioksidiksi. Puhallus lopetetaan yleensä, kun hiilipitoisuus on lähellä arvoa 0.05%. Toinen merkittävä tekijä, johon konvertteripuhalluksella vaikutetaan, on sulan lämpötila. Terässulan ohjelämpötilat vaihtelevat välillä C puhalluksen päättyessä. Yksi puhallus on kestoltaan min. Konvertterissa käsiteltävästä panoksesta käytetään nimitystä sulatus, joka on kooltaan noin 120 tonnia. Rautaruukilla sulatukset voidaan jakaa mm. pii- ja alumiinitiivistettyihin sulatuksiin. Tiivistäminen tarkoittaa hapenpoistoa teräksestä. Al-tiivistetyillä sulatuksilla happi reagoi pääasiassa alumiinioksidiksi, joka on kuona-aine ja joka pyritään poistamaan teräksestä ennen valuprosessia. Konvertterilta sulatukset siirretään lämpöeristetyissä astioissa, senkoissa, joko huuhteluun, senkkauunille tai vakuumikäsittelyyn. Jatketiilivian havaittiin esiintyvän pääasiassa Al-tiivistetyillä sulatuksilla, jotka kulkevat huuhtelun kautta jatkuvavaluun. Huuhteluasemalla sulatusta jälkitäsmätään sekä lämpötilan että koostumuksen osalta. Sulatusta voidaan jäähdyttää huuhteluasemalla jäähdytysromua lisäämällä ja sitä voidaan tiivistää edelleen Al-lankaa syöttämällä. Huuhtelusta terässenkka siirretään valukoneelle. Jatkuvavalukoneilla sujuva senkanvaihto on mahdollista välialtaan päälle sijoitetun kääntöpöydän avulla. Välialtaasta sula teräs juoksee tutkimuksen kohteena olevan jatketiilen kautta valukoneen kokilliin (Kuva 1). Täysi väliallas sisältää sulaa terästä noin 30 tonnia. Kokilli on vesijäähdytetty suorakaiteen muotoinen vaippa, jota oskilloidaan valun aikana. Kokillissa käytetään lisäksi valupulvereita muun muassa siksi, ettei teräs tarttuisi kiinni kokillin seinämiin. Aihioiden leveys ja paksuus määräytyy kokillin koon mukaan. Aihiot leikataan määrämittaisiksi polttoleikkaamalla jatkuvavalukoneen loppuosalla. Polttoleikkaus tapahtuu samalla, kun aihio kulkee valukoneella eteenpäin. Jatketiili sijaitsee välialtaan pohjassa välialtaan ja kokillin välissä (Kuva 1). Se on halkaisijaltaan noin 15 cm putki ja sen päässä on tavallisesti kaksi purkaussuuntaa molemmille sivuille. Purkaus ei tapahdu kohtisuoraan alaspäin, koska silloin olisi muun muassa vaara, etteivät kuona-aineet erottuisi kokillin yläosassa valanteen pinnalle, vaan jäisivät valuaihion sisään. Jatketiili johtaa sulavirtauksen kokilliin sekä eristää sulan ja ilma-atmosfäärin toisistaan. Terässulassa on kuona-aineita, jotka pyrkivät kertymään jatketiilen seinämille. Alumiinioksidin (Al 2 O 3 ) oletetaan olevan pääasiallinen kuona-aine, joka tukkii jatketiiltä. Jatketiili tukkeentuu yleensä vasta toisen peräkkäisen valun jälkeen, tavallisesti kolmatta, neljättä tai viidettä sulatusta valettaessa. Jos tukkeentuminen tapahtuu aiemmin, on todennäköistä, että kuonaa on teräksessä tavallista enemmän tai että sulatuksen lämpötila 2

8 välialtaassa on alhainen. Välialtaan ohjelämpötilat ovat alueella C. Kuvassa 1 on esitetty jatkuvavaluprosessiin kuuluvat pääasialliset osat. TERÄSSENKKA VÄLIALLAS JATKETIILI KOKILLI SULAKARTIO OIKAISURULLASTO AIHIO Kuva 1. Jatkuvavaluprosessin pääosat ja jatketiilen sijainti. Terästä valetaan yleensä 3 6 sulatusta peräkkäin samaan valusarjaan. Terässenkallisia kuluu silloin myös 3 6 valusarjaa kohti. Yhden sulatuksen valaminen kestää valunopeudesta riippuen minuuttia. Kukin valusarja pyritään suunnittelemaan niin, että se on kokonaan samaa aihiolaatua. Jatketiili vaihdetaan aina, kun valusarja on valettu. Seuraava valusarja alkaa aina uudella jatketiilellä. Jatketiilen läpi kulkee kussakin valusarjassa tonnia terästä. Normaaliolosuhteissa jatketiilen tukkeentumisriski kasvaa koko ajan siten, että kun on valettu noin 360 tonnia eli kolme senkallista, on jo ryhdyttävä tarkkailemaan virtausta jatketiilen läpi. Samalla jatketiilellä voi vain harvoin valaa esim. 7 sulatusta eli 840 tonnia. Silmävaraisen arvion ja suunnitellun valusarjan pituuden perusteella valumiehistö voi arvoida, joudutaanko mahdollisesti alkanutta tukkeumaa poistamaan. Tukkeentuminen ei tapahdu silmänräpäyksessä, vaan alkanutta tukkeumaa voidaan poistaa sulkutankoa edestakaisin liikuttamalla. Näin on usein mahdollista valaa sarja loppuun ilman jatketiilen vaihtoa. Erilaisia jatketiilimateriaaleja on olemasssa useita, samoinkuin mitoiltaan ja rakenteiltaan erilaisia jatketiiliä. 3

9 2.2 Konvertterin etunäyte ja lisäpuhallukset Konvertteriprosessi on ollut kaikenkaikkiaan vaikea hallita ja säätää. Nykyisin käytössä oleva LD- konvertterityyppi otettiin ensi kerran käyttöön noin 50 vuotta sitten, mutta sen säätöä parannetaan edelleen. Prosessia ohjataan puhalluksen aikana siten, että haluttu tähtäys C-pitoisuus ja lämpötila saavutetaan. Ohjaussuureita on useita, kuten panosromu, panosraakarauta, panoskoksi, panossintteri, kuonanmuodostajat, pohjahuutelutapa, puhalluslanssin asetussyvyys sekä tietysti puhallusaika. Puhalluksen päättäminen oikealla hetkellä on haasteellista, koska suoria mittauksia ei ole rajattomasti käytössä. Savukaasun lämpötilan alkaessa laskea jyrkästi tehdään suora mittaus ns. pommisondilla, jolla saadaan mitattua lämpötila. Savukaasun lämpötila korreloi hiilen palamisnopeuden kanssa. Ennenkuin konvertterin sisältö kaadetaan senkkaan, siitä otetaan ns. etunäyte. Etunäytteestä määritetään muun muassa seuraavia alkuainepitoisuuksia: O, P, N, Si, Mn sekä C. Etunäytteestä määritetään myös sulan lämpötila. Jos C-pitoisuus on liian suuri tai lämpötila liian matala, sulatukselle tehdään lisäpuhallus. Lisäpuhalluksessa hapensyöttöä teräskylpyyn jatketaan, jotta sulatuksen C-pitoisuus tai lämpötila saadaan halutuiksi. Lisäpuhallukset eivät ole toivottavia tilanteita, mutta niitä joudutaan tekemään silloin tällöin. 2.3 Huuhteluaseman operaatiot Kun terässenkka saapuu huuhteluasemalle, siitä määritetään lämpötila sekä joukko alkuainepitoisuuksia. Jos O-pitoisuus on liian suuri, niin ylimääräinen happi voidaan poistaa langansyöttömenetelmällä. Al-tiivistettävillä teräslaaduilla tiivistyksessä käytetään Al-lankaa. Ylimääräinen happi reagoi tällöin Al 2 O 3 :ksi. Mikäli sulatuksen lämpötila on liian korkea, sulatusta jäähdytetään lisäämällä teräsromua senkkaan. Teräskylpyä sekoitetaan syöttämällä inerttiä kaasua (N 2, Ar) joko pohjan kautta tai lanssin avulla terässulaan. Lanssihuuhtelu on varamenetelmä, mikäli huuhtelu pohjan kautta ei onnistu. Sekoituksen tarkoituksena on tehdä sulatuksesta homogeeninen ja edesauttaa kuona-aineiden erottumista. Yhden sulatuksen huuhtelukäsittely kestää noin 10 min. Huuhteluasemilla voidaan koostumusta myös jälkitäsmätä. Tämä tehdään yleensä langansyöttömenetelmällä. 2.4 Valukoneanalyysit Rautaruukilla tehdään koostumukseltaan useita teräslaatuja. Valukoneilla sulatuksille tehdään alkuaineanalyysit, joissa määritetään esim. seuraavia alkuaineita: Al, B, C, Ca, Mn, N, P, S, Si, Ti ja V. Analyyseillä voidaan varmistaa, vastaako sulatuksen koostumus tilausta. Alumiinin osalta määritetään kokonaisalumiin lisäksi sulan alumiini ja oksidinen alumiini. Jatketiilen tukkeentumisen kannalta valukoneen Al 2 O 3 analyysi on merkittävä. Analyysit tehdään samalla, kun sulatusta valetaan aihioiksi. 4

10 3 DATAN ESIKÄSITTELY Vuoden 2000 alkupuoliskolla jatkuvavalukonella 4 tehtiin modernisointia eikä siltä kerätty mittaustietoja. Jatketiilen tukkeumaa tutkittiin aluksi jatkuvavalukoneilla 5 ja 6. Kaikkiaan data-aineistoa on kerätty noin sulatuksesta. Valukoneelta 5 sulatuksia on kerätty 5800 ja valukoneelta 6 samoin Kaikkia sulatuksia ei ole tarkoitus käyttää jatketiilen tukkeumamalleja varten. Tukkeentuminen esiintyy lähinnä Al-tiivistetyillä sulatuksilla ja teräslaaduilla. Tukkeentumiseen vaikuttavat suoritustapa, huuhtelutapa, valuhäiriöt ja valettava aihiolaatu. Lisäpuhallusten voi olettaa lisäävän oksidikuonien määrää terässulassa ja täten myös jatketiilen tukkeumia, mutta data-analyysi osoitti lisäpuhallukset merkityksettömiksi tukkeumariskin kannalta. Tukkeumamalleja varten data-aineistoa rajattiin erillisiin ryhmiin em. tekijöiden mukaan. Seuraavassa kerrotaan tarkemmin datan esikäsittelystä. 3.1 Tiivistystavan ja suoritustavan vaikutukset Tukkeentumisvian havaittiin esiintyvän pääasiassa Al-tiivistetyissä sulatuksissa, jotka kulkevat huuhteluasemien kautta jatkuvavaluun. Datassa oli merkitty kullekin sulatukselle suoritustapakoodit. Suoritustapa F eli senkkauunikäsittelyt poistettiin tarkastelusta, koska näille sulatuksille suoritettiin usein ns. sulkeumien modifiointi CaSi-käsittelyllä. Myös koodit C2 ja C3 poistettiin tarkastelusta, koska ne tarkoittavat sulkeumien modifiointia (pallotusta). Pallotus vähentää merkittävästi jatketiilen tukkeentumista. Raja-arvona Al-tiivistetylle sulatukselle käytettiin valukoneen Si- analyysiä. Jos Si-analyysi oli alle 0.1, niin kyseessä oli Al-tiivistetty sulatus, muutoin Si-tiivistetty. Si-tiivistetyt poistettiin tarkastelusta. 3.2 Huuhtelutavan ja huuhteluasemien vaikutukset Dataa analysoitaessa selvisi, että lanssihuuhtelulla on tukkeentumista lisäävä vaikutus (Liite 1). Lanssihuuhdeltuja sulatuksia sisältäviä valusarjoja oli noin 20% vikasarjoissa, mutta vain noin 10% onnistuneissa sarjoissa. Jos sarja sisälsi lanssihuuhdeltuja sulatuksia, niin ko. sarja jätettiin tarkastelun ulkopuolelle. Vain pohjahuuhdellut sarjat otettiin jatkokäsittelyyn. Alustavassa data-analyysissä huuhteluajalla tai jollakin tietyllä huuhteluasemalla ei voitu selittää jatketiilen tukkeentumista (Liite 1). Tukkeentumia esiintyi melko tasaisesti kunkin huuhteluaseman kautta kulkeneissa sulatuksissa. Huuhteluaika ei ollut merkittävästi pienempi sarjoissa, joissa tukkeentumisvika esiintyi. Tarkasteluun sisällytettiin kaikki huuhteluasemat. Toisaalta Liitteen 1 huuhteluanalyysi käsittää kaikki Al-tiivistetyt aihiolaadut ja siksi ei ole täysin poissuljettua, etteikö huuhteluaika voisi selittää tukkeentumista joillakin aihioilla. 5

11 3.3 Aihiolaadun vaikutukset Laskemalla kaikki sarjat ja vikasarjat aihiolaaduittain yhteen, saatiin selvitetyksi, mitä laatuja valmistetaan eniten ja mitkä ovat aihiolaadut, joille datamäärä riittää tukkeumien mallitukseen (Liite 2). Al-tiivistetyt teräslaadut, joihin tällä perusteella keskityttiin, olivat kaksinumeroiset 1-, 2-, 3- ja 4-alkavat laadut. Lisäksi laatu 151 yhdistettiin 1-laatuihin. Näin tarkastelu rajoittui neljään aihiolaaturyhmään. 3.4 Valuhäiriöiden vaikutukset Joskus terässenkka joudutaan avaamaan happipoltolla. Tällöin teräksen happipitoisuus kasvaa ja samalla tukkeentumisriski kasvaa, koska vapaa Al voi reagoida Al 2 O 3 :ksi. Al 2 O 3 -kuonalla on taipumus tukkia jatketiiltä. Useimmiten samalla, kun terässenkka avataan hapella, ko. senkka joudutaan valuttamaan välialtaaseen ilman suihkunsuojaputkea ns. avosuihkuvaluna. Tällöin teräksen reoksidaatio eli toisiohapettuminen korostuu. Alustava data-analyysi antoi myös viitteitä, että tukkeentuminen on voimakkaampaa valuhäiriöiden yhteydessä (Liite 3). Valukoneella 5 vikasarjoissa oli happiaukaisuja 14% ja onnistuneissa 5%. Valukoneella 6 happiaukaisuja oli vikasarjoissa 10% ja onnistuneissa 7%. Happiaukaisut ja avosuihkuvalut jätettiin tarkastelun ulkopuolelle, jos jatketiili tukkeentui kyseisissä sarjoissa. 3.5 Lisäpuhallukset Sulatuksen hiilipitoisuus saattaa jäädä konvertteripuhalluksen jälkeen liian suureksi, jolloin tehdään lisäpuhallus halutun hiilipitoisuuden saavuttamiseksi. Toinen syy lisäpuhallukseen voi olla liian matala lämpötila tähtäyslämpötilaan verrattuna. Lisäpuhalluksessa happea joutuu sulaan tavallista enemmän ja tätä kautta myös kuona-aineita voi muodostua enemmän. Data-analyysi kuitenkin osoitti, että lisäpuhallukset ovat merkityksettömiä tukkeumariskin kannalta (Liite 4). Lisäpuhallettuja sulatuksia sisältävien sarjojen suhteellinen osuus onnistuneissa sarjoissa on jopa suurempi kuin vikasarjoissa. Esimerkiksi valukoneella 5 aihiolaadulla 1 lisäpuhallettuja sarjoja on 45% onnistuneissa ja 37% vikasarjoissa (Liite 4). Syynä tähän voi olla, että lisäpuhalletut sulatukset ovat kuumempia kuin kertapuhalletut. Suurempi lämpötila taas saattaa vähentää kiinteän kuonan osuutta terässulassa ja vähentää tätä kautta myös jatketiilen tukkeentumista. Lisäpuhalluksesta päätetään etunäytteisiin perustuen ennenkuin konvertteria on kaadettu senkkoihin. Lisäpuhalluksia ei ole erotettu datasta erilleen. Lisäpuhalletut ja kertapuhalletut sulatukset ovat malleissa mukana yhdessä. 6

12 4 KORRELAATIOANALYYSI Korrelaatioanalyysi tehtiin vain tukkeentuneille sulatuksille. Aluksi kokeiltiin, löytyykö korrelaatioita tukkeumatonneihin pitämällä valukoneet (4, 5, 6) ja aihiolaadut (1, 2, 3, 4) kaikki yhdessä. Korrelaatiot jäivät kuitenkin heikoiksi ja siksi dataa lähdettiin pilkkomaan pienempiin osiin. Korrelaaatioanalyysillä selvitettiin, onko käytettävissä olevassa data-aineistossa riittävästi muuttujia, jotka korreloivat tukkeumatonneihin; ts. valettuun määrään ennen jatketiilen pumppausta. Korrelaatioanalyysi tehtiin vain tukkeentuneille sulatuksille. Analyysin ensimmäisessä vaiheessa havaittiin, että korrelaatioita löytyy yhteisesti lähes kaikille valukoneille (4, 5, 6) sekä aihiolaaduille (1, 2, 3, 4). Kuitenkin voitiin olettaa, että mallintaminen onnistuu parhaiten yksittäiselle valukoneelle ja aihiolaadulle. Tästä johtuen analyysi suoritetiin myös valukoneittain ja aihiolaaduittain. Analyysin tuloksena korreloivia muuttujia saatiinkin käyttöön enemmän yksittäisille valukoneille ja aihiolaaduille kuin niille yhteisesti. Samoin valukone- ja aihiolaatukohtaisilta malleilta voitiin odotaa parempaa suorituskykyä kuin kaikille valukoneille ja/tai aihioille yhteisesti toimivilta malleilta. Seuraavassa kerrotaan tarkemmin mitkä valukoneet ja aihiolaadut analysoitiin sekä mitä mittauksia ja muuttujia analyysissä oli mukana. 4.1 Valukoneittain ja aihiolaaduittain Analyysi tehtiin valukoneille ja 6 erikseen sekä aihiolaaduille 1, 2, 3 ja 4 erikseen, jotta osattiin poimia merkittävät muuttujat varsinaisiin tukkeumamalleihin. Erilaisia analysoitavia olosuhteita oli kahdeksan (8) eli kahdelta valukoneelta (5 ja 6) molemmilta 4 kpl erilaisia aihiolaaturyhmiä. Aihiolaaturyhmät olivat em. kohdassa 3.3 esille tulleet ryhmät, ts. 1-, 2-, 3- ja 4- alkuiset aihiolaadut. 4.2 Kahden sulatuksen muuttujavalikoima Korrelaatioanalyysit tehtiin seuraavalle 67 muuttujan muuttujavalikoimalle (Taulukko 1), joka käsittää kahden peräkkäisen valun ja sulatuksen mittauksia sekä joitakin laskennallisia lisämuuttujia. Ne datarivit, joissa valussa olevan sulatuksen järjestysnumero oli 1, poistettiin, koska niille ei ole olemassa edellistä sulatusta samalla jatketiilellä. Valussa olevan sulatuksen valun järjestysnumero alkaa 2:sta ja edellisen sulatuksen 1:stä. Kullekin muuttujalle (Taulukko 1) laskettiin korrelaatiokertoimet tukkeumatonneihin. Laskennassa käytettiin Excelin Data Analysis- toimintoa. Liitteessä 5 on koottu korrelaatioanalyysissä eniten tukkeumatonneihin korreloivat muuttujat. Korrelaatiokertoimet tukkeumatonneihin on esitetty kunkin sarakkeen alimmalla rivillä. Liitteessä 5 on esitetty myös kunkin muuttujan korrelaatiokertoimet muiden muuttujien suhteen. Korrelaatiokertoimet kahden muuttujan välillä löytyvät ko. rivin ja sarakkeen risteyskohdasta. 7

13 Tarkenteina liitteessä 5 on käytetty merkintöjä k0 ja k1, joista k0 tarkoittaa valussa olevaa sulatusta ja k1 tätä välittömästi edeltänyttä sulatusta/valua. Taulukko 1. Tukkeumamallien muuttujavalikoima. Laskennallisia lisämuuttujia on merkitty *:llä. Muuttujat ovat kahdesta peräkkäisestä sulatuksesta ja valusta. Valussa olevan sulatuksen osalta valun järjestysnumero (vjno) alkaa 2:sta ja edellisen sulatuksen osalta 1:stä. VALUSSA OLEVA SULATUS 1 Ohje-LIKVI 12 Hu-N 18 Vskalt 2 Ohje-VSENK 13 S1(huN)* 19 Vs1lt 3 Ohje-HUJALK 14 Hu-AL 20 Vserohka* 4 HU_3M_TOT 15 Hu-AM 21 Suhvshu* 5 HUJ_TOT 16 Hu-AO 22 Vserolika* 6 Hukasaik 17 S1(huAO)* 23 S1vslt* 7 HuRO_TOT 24 Vserohs1* 8 Hu_Al_tot 25 Valunop 9 Etu-C 26 Vnopero* 10 Etu-P 27 Vnopm* 11 Etu-V 28 Koklev 29 Vjno EDELLINEN SULATUS 30 HU_3M_TOT 42 Ana-AM 55 S1(anaN-huN)* 31 HUJ_TOT 43 Ana-AO 56 Hu-Al 32 Hukasaik 44 Ana-Mn 57 Hu- AM 33 HuRO_TOT 45 Ana-SI 58 Hu- AO 34 Hu_Al_tot 46 Etu-C 59 AnaAO-huAO* 35 Ana-B 47 Etu-P 60 Vskalt 36 Ana-C 48 Etu-V 61 Vs1lt 37 Ana-N 49 EtuV-anaV* 62 Vserohka* 38 Ana-P 50 S1(etuVanaV)* 63 Suhvshu* 39 Ana-S 51 EtuP-anaP* 64 Vserolika* 40 Ana-V 52 S1(etuPanaP)* 65 Valunop 41 Ana-Al 53 Hu-N 66 Vnopero* 54 AnaN-huN* 67 Vnopm* MALLIN VASTE 68 Tukton 8

14 4.3 Joitakin huomioita datasta ja korrelaatioista Seuraavassa on huomattava, että analyysi kohdistuu vain niihin valusarjoihin, jotka ovat päättyneet pumppaukseen ts. joissa jatketiili on tukkeutunut. Tämä yhdessä datan jakamiseen aihiolaatujen perusteella johtaa joissakin tapauksissa mallintamisen kannalta pieniin datajoukkoihin. Valukoneella 6 kahden sulatuksen korrelaatioanalyysi ei ole kovin luotettava pienestä datamäärästä johtuen. Koneella 6 aihiolaatujen 3 ja 4 datamäärä jäi alle 20 pisteen analysoitaessa kahta peräkkäistä sulatusta. Sen sijaan datapisteitä on käytössä enemmän, jos analysoidaan yksittäisten sulatusten korrelaatioita tukkeumiin. Valukoneella 6 saatiin tällä tavalla käyttöön yhteensä 98 pistettä aihiolaadulla 1, 49 pistettä aihiolaadulla 2, 38 pistettä aihiolaadulla 3 ja 24 pistettä aihiolaadulla 4. Tällöin muuttujavalikoima toisaalta pienenee valussa olevan sulatuksen muuttujiin (Taulukko 1), joita on 29 kpl. Valukoneella 5 aihiolaadulla 3 välisenkkalämpötilat eivät vaikuta tukkeumatonneihin tai niillä on vähemmän merkitystä verrattuna muihin laatuihin (1, 2, 4). Laadulla 3 ainoa lämpötila, joka korreloi tukkeumatonneihin on muuttuja 30 eli valettavaa sulatusta edeltävän sulatuksen lämpötila huuhtelussa 3 min huuhtelun kohdalla (Liite 5). Valukoneen booripitoisuus (muuttuja 35) korreloi vain aihiolaadulla 4 tukkeumatonneihin. Muilla aihiolaaduilla (1, 2, 3) booripitoisuus on lukuarvoltaan paljon pienempi, eivätkä korrelaatiot ole voimakkaita (Liite 5). On todennäköistä, että laatua 4 seostetaan boorilla muita enemmän. Valukoneiden Ca- ja Ti-analyysejä ei otettu mukaan korrelaatioanalyysiin, koska ko. mittaukset eivät olleet kovin informatiivisia. Ko. mittauksissa erilaisia lukuarvoja oli vain muutamia. Jatketiilen tukkeuman ennustemalleissa valukoneanalyysejä ei voi käyttää heti, vaan vasta edellisen sulatuksen osalta. Jos mallissa halutaan nimenomaan käyttää näitä mittauksia, niin on käytettävä mallia, joka käsittää kahden peräkkäisen sulatuksen tietoja. Valukoneen analyysitiedot tehdään samanaikaisesti, kun sulatusta valetaan aihioiksi. Jatketiilen tukkeuman ennustaminen valussa olevan sulatuksen analyyseistä ei käytännössä onnistu. 9

15 5 MALLINTAMISPERIAATTEET Tutkimuksessa käytettiin neuroverkkomenetelmää jatketiilen tukkeuman ennustamiseen. Neuroverkkomallintamisessa on kaksi vaihetta: opetus ja testaus. Opetuksessa verkon painokertoimia päivitetään tietystä alkutilanteesta alkaen estimoidun ja mitatun vasteen väliseen virheeseen perustuen. Tässä tutkimuksessa verkot opetettiin backpropagation proseduurilla. Backpropagation-menetelmässä verkon painokertoimien päivitys tapahtuu verkon lähtökerroksesta alkaen takaisin tulokerrosta kohti. Testivaiheessa neuroverkon painokertoimet pidetään vakioina ja verkon lähtösuure lasketaan aineistosta, jota ei käytetty opetuksessa. Kun mallin virhe testiaineistossa on kyllin pieni, verkon painokertoimet talletetaan. 5.1 Muuttujien esikäsittely neuroverkoille Jotta neuroverkkoa voitiin opettaa, siinä käytettävät tulo- ja lähtösuureet skaalattiin ennen opetusta. Tavallisesti skaalaus tehdään välille tai Tulosuureista suurin osa esikäsiteltiin Matlab-funktiolla prestd(). Prestd()-funktiolla muuttuja skaalautuu keskiarvoon nolla ja keskihajontaan yksi. Tällöin muuttujan pienimmät arvot alkavat -2 läheisyydestä ja suurimmat ovat +2 paikkeilla. Tulosuureista valun järjestysnumero sen sijaan skaalattiin välille jakamalla se 6:lla. Järjestysnumero alkaa 1:stä ja pisimmät valusarjat olivat 7 valun mittaisia. Kokillin leveys skaalattiin likimain välille Tämä tapautui yhtälöllä (1): Koklev=(koklev-1000) / 800 (1) Neuroverkon lähtösuure eli tukkeumatonnit skaalattiin myös välille jakamalla lukuarvo kuuden sulatuksen kokonaistonneilla eli 720 tonnilla. 5.2 Käytettyjen neuroverkkojen rakenne Tutkimuksessa sovellettiin kaksikerroksisia myötäkytkettyjä neuroverkkoja. Myötäkytketyillä rakenteilla saadaan aikaan staattisia malleja tulo- ja lähtösuureiden välille. Käytetyt aktivointifunktiot olivat hyberbolinen tangentti (y = tanh(x)) sekä lineaarinen funktio (y = x). Tanh(- ) = -1 ja tanh(+ ) = +1. Tanh(0) = 0, tanh(-1) ja tanh(+1) Neuroverkko-ohjelmistona käytettiin Matlabin NN-toolboxia. Neuroverkon ensimmäiseen kerrokseen asetettiin epälineaariset tanh-funktiot ja toiseen kerrokseen yksinään lineaarinen y = x funktio. Epälineaarisia aktivointifunktioita käyttämällä voidaan tehdä epälineaarisia malleja. Kuvassa 2 on esitetty tällä tavalla toteutettu kaksikerroksinen neuroverkko. Kuvan 2 neuroverkossa on yhteensä viisi neuronia. Epälineaariset funktiot on merkitty ympyröillä ja lineaarinen funktio suorakaiteella. Verkon kuhunkin nuolimerkintään liittyy painokerroin ja kuhunkin neuroniin liittyy bias-arvo. Verkon parametrien lukumäärä saadaan laskemalla painokertoimien ja bias-arvojen lukumäärät yhteen. Kuvan 2 neuroverkossa on 21 parametria. 10

16 Tulo 1 Tulo 2 Tukkeumatonnit Tulo 3 Kuva 2. Kaksikerroksinen myötäkytketty neuroverkko, jossa on kolme tulosuuretta ja yksi lähtösuure. Tukkeumatonnit ovat verkon lähtösuureena. 5.3 Neuroverkot ja opetusdata Neuroverkkomalleihin valittiin korrelaatioanalyysin perusteella (Liite 5) sellaisia muuttujia, jotka eivät olleet suoraan ohjeellisia arvoja ja joiden korrelaatiokertoimet tukkeumatonnien kanssa olivat suurempia kuin 0.2. Kun neuroverkkoa käytetään prosessimallina, neuroverkon kaksi sisäänmenosuuretta eivät saa korreloida keskenään voimakkaasti. Rajana käytettiin korrelaatiokerrointa 0.5. Käytettävissä oleva opetusdata rajoittaa joskus tukkeumamalleissa käytettävän neuroverkon kokoa. Neuroverkossa ei saisi olla ainakaan enempää viritettäviä parametrejä kuin mitä opetusaineistossa on pisteitä. Käytännössä on jo vaikeaa tehdä neuroverkkomalleja alle 60 mittauspisteen perustella. Mallin opetus vaatii noin 30 pistettä samoin kuin testaus. Jos käytetään viittä tulosuuretta ja tavanomaista myötäkytkettyä kaksikerrosverkkoa opetetaan 30 pisteen avulla, niin verkossa saisi olla enää korkeintaan viisi neuronia. Datan niukkuus rajoitti neuroverkon kokoa valukoneella 6. Valukoneella 5 dataa oli enemmän käytössä ja sillä voitiin käyttää suurempia neuroverkkoja. 11

17 6 NEUROVERKKOMALLIT 6.1 Valukoneen 5 mallit Taulukossa 2 on esitetty useita neuroverkkomalleja valukoneelle 5. Mallintaminen on tehty erikseen kullekin neljälle aihiolaadulle. Taulukossa muuttujia on lyhyyden vuoksi merkitty Taulukon 1 järjestysnumeroilla. Mallien tarkkuutta on kuvattu sulatusten prosentuaalisella määrällä, joka testitapauksissa onnistutaan ennustamaan joko ±60 tai ±30 t tarkkuudella. Taulukossa 2 N tarkoittaa opetusdatan määrää ja P neuroverkon parametrien lukumäärää. Joitakin esimerkkejä on Liitteessä 6. Taulukko 2. Valukoneen 5 neuroverkkomallien suorituskyky, Muuttujat vastaavat Taulukon 1 muuttujien järjestyslukuja, tarkkuutta on kuvattu ±60 ja ±30 t ennustamisprosentilla, N on opetusdatan määrä ja P neuroverkon parametrien lukumäärä. Aihiolaatu Tulomuuttujat ±60 t ±30t N P 1 12, 18, 24, 27, 29 64% 35% , 22, 24, , 30, 41, 24, 60, , 18, 27, 29, 34, 61, , 18, 23, 27, , 20, 29, 34, 35, 61, , 18, 29, 59, 61, , 18, 30, 37, 42, , 29, 41, 52, 24, , 35, 39, 21, 27, , 5, 21, 27, , 5, 21, , 28, 29, 35, 38, 58, , 28, 29, 59, Valukoneen 6 mallit Vastaavat mallit valukoneelle 6 on esitetty taulukossa Mallien ristiintestaus Ristiintestauksessa sovellettiin valukoneen 5 mallia valukoneen 6 dataan. Tulokset on esitetty Taulukossa 4. Vain aihiolaadulla 1 ristiintestaus antoi siedettävän tuloksen. Tämä vahvistaa aikaisempia tuloksia siitä, että eri koneilla eri tekijät vaikuttavat tukkeentumiseen. 12

18 Taulukko 3. Valukoneen 6 neuroverkkomallien suorituskyky, Muuttujat vastaavat Taulukon 1 muuttujien järjestyslukuja, tarkkuutta on kuvattu ±60 ja ±30 t ennustamisprosentilla, N on opetusdatan määrä ja P neuroverkon parametrien lukumäärä. Aihio- Tulomuuttujat ±60 t ±30t N P laatu 1 13, 19, 24, 27, 29 61% 34% , 13, 19, 24, , 13, 24, 28, , 11, 24, 28, , 12, 23, , 21, , 13, 28, , 12, , 12, 20, 28, , 12, 20, , 23, , 23, , 8, , 8, 15, Taulukko 4. Mallien ristiintestaus. Merkinnät ovat muuten samat kuin Taulukoissa 2 ja 3 paitsi Nt tarkoittaa testidatan määrää. Aihio- Tulomuuttujat ±60 t ±30t Nt laatu 1 12, 18, 24, 27, 29 60% 28% , 18, 23, 27, , 18, 30, 37, 42, , 5, 21, 27, Testaaminen ehjien sulatusten datalla Liitteessä 7 on esitetty testitulokset, joissa on käytetty valukoneen 6 aihiolaadulle 1 kehitettyä mallia ja vastaavaa ehjien sulatusten dataa. Tulos on odotettu. Koska ehjistä sulatuksista ei tiedetä, kuinka monta tonnia olisi voitu valaa, mallin antama tulos jää lähes poikkeuksetta todellista valettua määrää pienemmäksi. Keskimääräinen virhe on noin 120 t eli yksi sulatus. Mallien käytön kannalta tulos on oleellinen: mallit eivät koskaan ennusta harhaanjohtavasti liian suuria sulatusmääriä. 13

19 7 YHTEENVETO 7.1 Tukkeumamallit Tutkimus on osoittanut, että mallintaminen onnistuu parhaiten tekemällä mallit erikseen valukoneille ja aihiolaaduille. Yhteismallit, joissa kaikki valukoneet (4, 5, 6) tai kaikki aihiolaadut (1, 2, 3, 4) olivat samanaikaisesti mukana, eivät yltäneet yhtä hyvään mallitarkkuuteen kuin erilliset mallit kullekin valukoneelle ja aihiolaadulle. Mallintamisessa ei käytetty lainkaan onnistuneiden sarjojen dataa. Tästä syystä malliennusteet toimivat tarkasti vain tukkeentuneissa sarjoissa. Jos malleihin syotetään onnistuneiden sarjojen dataa, niin ennusteet ovat tonnimääriltään pienempiä kuin mitä todellisuudesssa on valettu. Nyt neuroverkoilla toteutetut ja aikaansaadut tukkeumamallit ovat kuitenkin melko hyviä ja tarkkoja vikatapauksissa ja viallisissa valusarjoissa. Suurin osa valukone- ja aihiolaatukohtaisista tukkeumamalleista saavutti 70% onnistumisprosentin. 7.2 Mallien muuttujista Taulukossa 5 on esitetty yhteenveto tärkeimmistä malleihin tulleista muuttujista ja niiden esiintymiskerroista. Taulukossa ei ole mitään yllättävää, vaan valittujen muuttujien voikin olettaa vaikuttavan jatketiilen tukkeentumiseen. Taulukko 5. Malleissa useimmin esiintyvät muuttujat. N tarkoittaa muuttujan esiintymiskertojen määrää taulukoiden 2 ja 3 malleissa. Muuttuja N Muuttujan merkitys 5 6 Sulan lämpötila huuhtelun jälkeen 8 6 Alumiinilangan syöttö huuhteluun 12 6 Valussa olevan sulatuksen N huuhteluasemalla 13 5 Sarjan 1. sulatuksen N huuhteluasemalla 16 4 Valussa olevan sulatuksen AO huuhteluasemalla 18 5 Välisenkan lämpötilojen keskiarvo 20 4 Välisenkan lämpötilaero; ohje-keskiarvo 21 4 Muuttuja 18/(muuttuja 5- muuttuja 18) 23 4 Sarjan 1. sulatuksen välisenkan lämpötila; 1 mittaus 24 8 Välisenkan lämpötilaero; ohje-sarjan Valunopeus kertaa kokillin leveys 28 9 Kokillin leveys Valun järjestysnumero sarjassa 67 5 Valunopeus kertaa kokillin leveys; edellinen sulatus 14

20 7.3 Jatkotutkimukset Tässä vaiheessa tukkeumamalleja on tehty valukoneilla 5 ja 6. Valukoneen 4 modernisoinnin vuoksi sen tukkeumien mallintaminen on ollut muita hitaampaa. Valukoneella 4 datamäärä ei ole toistaiseksi riittävä, jotta tukkeumien mallintaminen aihiolaaduittain olisi mahdollista. Valukoneelle 4 on olemassa kaikille aihioille yhteinen malli. Jatkossa tarvitaan lisää dataa valukoneelta 4, jos halutaan tehdä mallit erikseen kullekin aihiolaadulle. Sulkutangon asentotieto tuo lisäinformaatiota eroteltaessa tukkeentuneita ja onnistuneita sarjoja toisistaan. Jos sulkutangon asento on riittävän erilainen vika- ja ei-vikatapauksissa, sen avulla voi päätellä, onko tukkeumariski suurentunut. Sulkutangon asennon voi olettaa olevan enemmän auki juuri tukkeumatilanteissa. Valunopeuden oletetaan olevan pienempi tukkeentuneissa sarjoissa. Tätä tutkitaan jatkossa ainakin siten, että piirretään valunopeus ja sulkutangon asento samaan kuvaan. Jos valunopeus on säännönmukaisesti normaalia pienempi jo ennen kuin sulkutankoa on pumpattu ts. vedetty kiinni, niin oletus on oikea ja valunopeus on tärkeä tekijä tukkeumamallituksessa. SOM-kartoilla voi testata muutaman muuttujan ryhmiä kerrallaan vika- ja ei-vikatapauksissa. Jos karttoihin muodostuu yhteisiä alueita vikaluokkien ja muuttujien välille, niin ko. muuttujat saattavat olla hyödyllisiä eroteltaessa tukkeentuneita ja ehjiä sarjoja toisistaan. 15

21 HUUHTELUN VAIKUTUS TUKKEUMIIN LIITE1 VK 5 HUUHTELUTAPA, -ASEMA ja - AIKA SEKÄ VIKAPROSENTIT AL-tiivistetyt sulatukset Huuhtelutapa Asema Sulatukset Sarjat Vikasarjat Vikaprosentti Pohja ,4 % Pohja ,8 % Pohja ,3 % Yht 840 Yht 302 Yht 77 Lanssi ? Lanssi ? Lanssi % Yht 68 Yht 58 Yht 7 Keskiarvohuuhteluaika pohjahuuhtelussa = 641 Keskiarvohuuhteluaika lanssihuuhtelussa = 807 Minimihuuhteluaikojen keskiarvo vikasarjoilla = 481 Minimihuuhteluaikojen keskiarvo onnistuneilla sarjoilla = 481

22 VK5 LIITE1 Vikasarjat, joissa sekä lanssi-, että pohjahuudeltuja sulatuksia ennen pumppausta tai pumpatulla sulatuksella= 19 kpl. Sekäettä huuhdeltujen sarjojen prosenttiosuus vikasarjoissa = 19 / 84 = 23%. Onnistuneet sarjat (276 kpl), joissa sekä lanssi-, että pohjahuuhdeltuja sulatuksia= 31 kpl. Sekäettä huuhdeltujen sarjojen prosenttiosuus onnistuneissa sarjoissa = 31/276 = 11%. Johtopäätökset: sekäettä-huuhtelu lisää tukkeumia, luultavasti lanssihuuhtelu ei ole yhtä tehokas kuin pohjahuuhtelu eli lanssihuuhtelu lisää tukkeumia, huuhteluaikojen keskiarvot ovat epäloogisesti yhtäsuuria sarjojen minimeistä laskettuna (VK5) viallisissa ja onnistuneissa sarjoissa, ts. huuhteluaika ei selitä tukkeentumista tässä analyysissä.

23 HUUHTELUN VAIKUTUS TUKKEUMIIN LIITE 1 VK 6 HUUHTELUTAPA, -ASEMA ja - AIKA SEKÄ VIKAPROSENTIT AL-tiivistetyt sulatukset Huuhtelutapa Asema Sulatukset Sarjat Vikasarjat Vikaprosentti Pohja ,3 % Pohja % Pohja % Yht 784 Yht 283 Yht 68 Lanssi ? Lanssi ? Lanssi % Yht 72 Yht 64 Yht 9 Keskiarvohuuhteluaika pohjahuuhtelussa = 645 Keskiarvohuuhteluaika lanssihuuhtelussa = 611 Minimihuuhteluaikojen keskiarvo vikasarjoilla = 456 Minimihuuhteluaikojen keskiarvo onnistuneilla sarjoilla = 467

24 VK6 LIITE1 Vikasarjat, joissa sekä lanssi-, että pohjahuudeltuja sulatuksia ennen pumppausta tai pumpatulla sulatuksella = 18 kpl. Sekäettä huuhdeltujen sarjojen prosenttiosuus vikasarjoissa = 18 / 77 = 23%. Onnistuneet sarjat, joissa sekä lanssi-, että pohjahuuhdeltuja sulatuksia = 25 kpl. Sekäettä huuhdeltujen sarjojen prosenttiosuus onnistuneissa sarjoissa =25/270 = 9,3%. Johtopäätökset: sekäettä-huuhtelu lisää tukkeumia (lanssihuuhtelu ei ole yhtä tehokas kuin pohjahuuhtelu), huuhteluaika on loogisesti pienempi sarjan minimeistä laskettuna vikasarjoissa, muttei välttämättä tilastollisesti pienempi.

25 AIHIOLAADUT ja VIKAPROSENTIT VK 5 Huuhtelukäsitellyt ja Al-tiivistetyt sulatukset AIHIOLAATU OHJE-VSENK Sulatukset (kpl) Sarjat (kpl) Vikasarjat (kpl) Vikaprosentti sarjoissa(%) LIITE YHT

26 AIHIOLAADUT ja VIKAPROSENTIT LIITE 2 VK6 Huuhtelukäsitellyt ja Al-tiivistetyt sulatukset Aihiolaatu OHJE- VSENK Sulatukset (kpl) Sarjat (kpl) Vikasarjat (kpl) Vikaprosentti sarjoissa (%) YHT

27 VALUHÄIRIÖN VAIKUTUS JATKETIILEN TUKKEUMIIN VK 5 JA 6 AL- tiivistetyt sulatukset LIITE3 Valuhäiriökoodi 11, terässenkan happiaukaisu VK5 kpl Kaikki häiriöt 29 Ainakin yksi häiriö vikasarjassa 11 Ainakin yksi häiriö onnistuneessa sarjassa 11 Vikasarjat 77 Onnistuneet sarjat 225 Kaikki sarjat 302 Häiriöprosentti vikasarjoissa 14% Häiriöprosentti onnistuneissa sarjoissa 5% VK6 kpl Kaikki häiriöt 33 Ainakin yksi häiriö vikasarjassa 7 Ainakin yksi häiriö onnistuneessa sarjassa 16 Vikasarjat 68 Onnistuneet sarjat 215 Kaikki sarjat 283 Häiriöprosentti vikasarjoissa 10% Häiriöprosentti onnistuneissa sarjoissa 7%

28 LISÄPUHALLUSTEN VAIKUTUS TUKKEUMIIN LIITE 4 VK5 Aihiolaatu 1 Kaikki sarjat kpl 211 Onnistuneet sarjat kpl 162 Vikasarjat kpl 49 Lisäpuhallus onnistuneessa kpl 73 Lisäpuhallus vikasarjassa kpl 18 Lisäpuh. suht.os. onnist sarj. = 73/ 162= 45% Lisäpuh. suht. os. vikasarjassa = 18 / 49 = 37% Aihiolaatu 2 Kaikki sarjat kpl 146 Onnistuneet sarjat kpl 104 Vikasarjat kpl 40 Lisäpuhallus onnistuneessa kpl 45 Lisäpuhallus vikasarjassa kpl 15 Lisäpuh. suht.os. onnist sarj. = 45/ 104= 43% Lisäpuh. suht. os. vikasarjassa = 15 / 40 = 38% Aihiolaatu 3 Kaikki sarjat kpl 121 Onnistuneet sarjat kpl 72 Vikasarjat kpl 49 Lisäpuhallus onnistuneessa kpl 25 Lisäpuhallus vikasarjassa kpl 13 Lisäpuh. suht.os. onnist sarj. = 25/ 72 = 35% Lisäpuh. suht. os. vikasarjassa = 13 / 49 = 27% Aihiolaatu 4 Kaikki sarjat kpl 84 Onnistuneet sarjat kpl 52 Vikasarjat kpl 32 Lisäpuhallus onnistuneessa kpl 21 Lisäpuhallus vikasarjassa kpl 13 Lisäpuh. suht.os. onnist sarj. = 21/ 52 = 40% Lisäpuh. suht. os. vikasarjassa = 13 / 32 = 41 %

29 LISÄPUHALLUSTEN VAIKUTUS TUKKEUMIIN LIITE 4 VK6 Aihiolaatu 1 Kaikki sarjat kpl 196 Onnistuneet sarjat kpl 150 Vikasarjat kpl 46 Lisäpuhallus onnistuneessa kpl 85 Lisäpuhallus vikasarjassa kpl 22 Lisäpuh. suht.os. onnist sarj. = 85/ 150= 57% Lisäpuh. suht.os. vikasarjassa = 22 / 46 = 48% Aihiolaatu 2 Kaikki sarjat kpl 96 Onnistuneet sarjat kpl 76 Vikasarjat kpl 20 Lisäpuhallus onnistuneessa kpl 37 Lisäpuhallus vikasarjassa kpl 7 Lisäpuh. suht.os. onnist sarj. = 37/ 76= 49% Lisäpuh. suht. os. vikasarjassa = 7 / 20 = 35% Aihiolaatu 3 Kaikki sarjat kpl 68 Onnistuneet sarjat kpl 44 Vikasarjat kpl 24 Lisäpuhallus onnistuneessa kpl 18 Lisäpuhallus vikasarjassa kpl 11 Lisäpuh. suht.os. onnist sarj. = 18/ 44 = 41% Lisäpuh. suht. os. vikasarjassa = 11 / 24 = 46% Aihiolaatu 4 Kaikki sarjat kpl 53 Onnistuneet sarjat kpl 41 Vikasarjat kpl 12 Lisäpuhallus onnistuneessa kpl 14 Lisäpuhallus vikasarjassa kpl 6 Lisäpuh. suht.os. onnist sarj. = 14/ 41 = 34% Lisäpuh. suht. os. vikasarjassa = 6 / 12 = 50 % JOHTOPÄÄTÖKSET: Lisäpuhallukset eivät vaikuta ainakaan tukkeumia lisäävästi, eivätkä toisaalta vähennä niitä merkittävässä määrin. 1 ja 2 aihioilla lisäpuhallukset näyttäisivät jopa vähentävän tukkeumia. Voi olla, että lisäpuhalletut sulatukset ovat kuumempia kuin kertapuhalletut sulatukset ja siksi niiden valettavuus säilyy samanlaisena huolimatta suuremmasta hapen pitoisuudesta.

30 6 LIITE VK6 Jatketiilen tukkeuman ennuste(--) ja mitattu, opetus Vk6a1mod5 Aihiolaatu Input=etuP,s1huN,vserohs1,koklev,vjno VK6 Jatketiilen tukkeuman ennuste(--) ja mitattu, testi Vk6a1mod5 Aihiolaatu OK+-60t=84%, OK+-30t=65% Input=etuP,s1huN,vserohs1,koklev,vjno

31 7 LIITE VK6 Jatketiilen tukkeuman ennuste(--) ja mitattu, opetus Vk6a2mod4 Aihiolaatu Input=hujalt, s1hun, koklev, vjno VK6 Jatketiilen tukkeuman ennuste(--) ja mitattu, testi Vk6a2mod4 Aihiolaatu OK+-60t=84%, OK+-30t=53% Input=hujalt, s1hun, koklev, vjno

32 8 LIITE VK6 Jatketiilen tukkeuman ennuste(--) ja mitattu, opetus vk6a3mod33 Aihiolaatu INPUT=huAltot, vserohka, koklev, vjno VK 6 Jatketiilen tukkeuman ennuste(--) ja mitattu, testi vk6a3mod33 Aihiolaatu INPUT=huAltot, vserohka, koklev, vjno OK+-60t=71%, OK+-30t=41%

33 9 LIITE 6 VK6 Jatketiilen tukkeuman ennuste(--) ja mitattu, opetus Vk6a4mod51 Aihiolaatu Input=hujalt, hualtot, huam VK6 Jatketiilen tukkeuman ennuste(--) ja mitattu, testi 550 Vk6a4mod51 Aihiolaatu Input=hujalt, hualtot, huam OK+-60t=88%, OK+-30t=50%

34 Tukkeumamallin toiminta ehjissä sarjoissa LIITE 7 VK6, Aihiot1, malli VK6 Tukkeumamallin toiminta ehjissä sarjoissa vk6a1mod1 Valettu yht. keskiarvo 508t Tukkeumaennusteen (- -) keskiarvo 387t Aihiolaatu Eron keskiarvo 121t