CN101850410B - 一种基于神经网络的连铸漏钢预报方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的连铸漏钢预报方法，该方法包括：步骤1：在线采集连铸现场热电偶的温度数据并存储该温度数据；步骤2：对所述温度数据进行预处理；步骤3：将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型，并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较，如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值，则预报漏钢会发生；其特征在于，使用遗传算法来初始化该单偶时序网络漏钢预报模型的连接权值和阈值。该方法能够提高对连铸黏结漏钢过程的识别效果和预报精度，从而很大程度减少了误报率和漏报率。

Description

一种基于神经网络的连铸漏钢预报方法

技术领域

本发明涉及冶金铸造领域，特别地涉及一种基于神经网络的连铸漏钢预报方法。

背景技术

漏钢是指连铸初期或浇注过程中，铸坯坯壳凝固情况不好或因其他外力作用引起坯壳断裂或破漏使内部钢水流出的现象。漏钢是连铸生产过程中危害性最大的生产事故之一，其不仅直接影响连铸生产顺行，而且严重损害结晶器、辊道等设备，增加维修量和维修成本，造成巨大的经济损失，更存在巨大的安全隐患。在各种原因造成的漏钢事故中黏结性漏钢约占漏钢总次数的65％～80％，因此减少黏结性漏钢成为降低连铸漏钢率的有效方法。

目前国内外几乎所有漏钢预报系统主要为在热电偶测温法的基础上，通过应用逻辑判断法和神经网络法对连铸黏结性漏钢进行预报。其中，神经网络法相对于逻辑判断法具有较好的自适应能力和容错能力，且其性能随时间的增长不断提高，因此成为漏钢诊断预报的发展趋势。但在实际应用中，神经网络也暴露了一些自身固有的缺陷：权值的初始化是随机的，易陷入局部极小；学习过程中隐含层的神经元个数和其他参数的选择只能根据经验和实验来选择；收敛时间过长、鲁棒性差等，从而导致漏钢预报精度低、误报频繁及漏报等情况。

发明内容

为解决现有的连铸漏钢预报方法中存在的漏钢预报精度低的问题，本发明的目的是提供一种提高预报精度、降低误报率和漏报率的基于神经网络的连铸漏钢预报方法。

为实现上述问题，本发明提供一种基于神经网络的连铸漏钢预报方法，包括：步骤1：在线采集连铸现场热电偶的温度数据并存储该温度数据；步骤2：对所述温度数据进行预处理；步骤3：将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型，并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较，如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值，则预报漏钢会发生，所述单偶时序网络漏钢预报模型基于BP神经网络被建立，并对该单偶时序网络漏钢预报模型进行学习；其中，所述对该单偶时序网络漏钢预报模型进行学习包括使用遗传算法来初始化所述单偶时序网络漏钢预报模型的连接权值和阈值的步骤。

本发明提供的连铸漏钢预报方法，通过遗传算法优化基于BP神经网络的单偶时序网络漏钢预报模型的初始连接权值和阈值，不仅提高了运算速度，而且明显提高了单偶时序网络漏钢预报模型对连铸黏结漏钢过程中典型温度模式的识别效果和预报精度，从而很大程度减少了误报率和漏报率。

附图说明

图1是根据本发明的实施方式提供的基于神经网络的连铸漏钢预报方法的流程图；

图2是热电偶在结晶器上分布的展开示意图；

图3是示出了结晶器壁的结构以及热电偶的安装位置的示意图；

图4是描述了单偶时序网络漏钢预报模型的示意图；

图5示出了对连接权值和阈值进行实数编码的示例；

图6是描述了单偶时序网络漏钢预报模型与组偶网络漏钢预报模型的组合的示意图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

如图1所示，根据本发明的一个实施方式，基于神经网络的连铸漏钢预报方法可以包括：

步骤1：在线采集连铸现场热电偶的温度数据并存储该温度数据。如图2-3所示，连铸机结晶器上安装有成矩阵排列的多个热电偶，例如图2中示例性示出了在结晶器的两个宽侧面(包括固定侧和活动侧)上分别安装有6排7列、两个窄侧面上分别安装有7排2列且分布均匀的热电偶，这样共112个热电偶覆盖整个结晶器铜板，可以实现全结晶器壁的温度检测。热电偶的测量范围可以为0-1250℃，这些热电偶通过一组多芯转接器连接到工控机的I/O单元，由此可以将热电偶检测到的温度数据传送给工控机，工控机可以是本领域技术人员公知的装置，例如计算机、PLC、DSP芯片等。根据漏钢时的温度突变过程所持续的时间可以合理设定温度采样周期。例如根据历史漏钢报警数据的分析，发现漏钢时的温度突变过程大约为30s，通过综合考虑神经网络的规模和灵敏性，可以确定温度采样周期为2s，这样可以设定从某个热电偶上连续采集的15个温度数据为一组温度数据。当然也可以确定其它的温度采样周期，例如1s，3s等，这样一组温度数据中温度数据的个数相应地分别为30个和10个。

步骤2：对温度数据进行预处理。该预处理包括不良数据处理和数据标准化处理过程。不良数据处理过程：通常情况下，在不发生漏钢时相邻时刻的采样温度变化幅度不会超过15％；发生漏钢时，即时温度变化明显但相邻时刻的采样温度变化也不会超过30％。因此，将当前时刻的采样温度与前一时刻的采样温度进行比较，如果当前时刻的采样温度与前一时刻的采样温度相差太大时，则用该前一时刻的采样温度替代当前时刻的采样温度，具体可以由公式(1)来表示：

如果满足

则t_n＝t_n-1    公式(1)

其中t_n表示当前时刻的采样温度，t_n-1表示前一时刻的采样温度，β根据连铸现场的具体情况而定，一般可以为但不仅限于20％-40％，优选可以为30％。

数据标准化处理过程：为了消除不同拉速以及温度数量级对神经网络的影响以及减少神经网络学习时平台现象出现的可能性，需要对采集到的温度数据进行归一化处理，具体计算公式如下：

$t_i^{*}=\left\{\begin{array}{cc}\frac{t_i}{\sqrt{\underset{i=1}{\overset{n_0}{\mathrm{\&Sigma;}}}{t}_i^2}}& (\max T-\min T)<\mathrm{\&lambda;}\\ \frac{t_i-\min T}{\max T-\min T}& (\max T-\min T)\&GreaterEqual;\mathrm{\&lambda;}\end{array}\right.$ 公式(2)

其中，

表示原始采样温度序列，

表示归一化处理后的采样温度，n₀表示原始采样温度的个数，在本发明的一个实施方式中，可以取n₀＝70，λ为温度测量序列的稳定阙值，λ的取值可以通过对漏钢板坯连铸机采集的历史温度数据进行分析来确定，该历史温度数据可以是在之前的连铸过程中采集热电偶的温度数据，并已知连铸过程的状态(即是否发生漏钢)，存储这些温度数据作为历史温度数据用于之后的分析以及用作基于神经网络的漏钢预报模型学习的温度样本数据。在本发明的该实施方式中，λ可以例如为25℃。

步骤3：将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型，并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较，如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值，则预报漏钢会发生；其中所述单偶时序网络漏钢预报模型基于BP神经网络被建立，并对该单偶时序网络漏钢预报模型进行学习。如图3所示，基于BP神经网络的单偶时序网络漏钢预报模型包含输入层、输出层以及处于输入层与输出层之间的一个或多个隐含层，每层包括一个或多个神经元。其中BP是Back Propagation的缩写，表示多层前馈网络的误差反向传播算法。如图1所示，单偶时序网络漏钢预报模型包括Q+1个层，Q为大于1的整数，规定第0层为输入层，第Q层为输出层，第0层与第Q层之间的层为隐含层，n₀表示输入层的神经元的个数，n₀表示输出层的神经元的个数，设第q(q＝1，2，…，Q)层的神经元个数为n_q，其前一层第q-1层的神经元个数为n_q-1，第q-1层的第j个神经元到第q层的第i个神经元的连接权值为

为第q层的第i个神经元的阈值(i＝1，2，…，n_q；j＝1，2，…，n_q-1)。模型的学习需要输入温度样本数据，在本发明的实施方式中，样本数据可以选择上述历史温度数据。例如，在连铸过程中按一定采样周期(例如2s)采集热电偶的温度数据，并对采集的温度数据进行现场分析以得到温度数据对应的期望结果(例如下文将提及的与温度序列样本向量对应的期望输出向量)。该温度数据构成温度样本数据集，并存储温度样本数据集。所述温度样本数据集以及对应的期望结果可以通过有限次的在线采集连铸现场热电偶的温度数据并利用本领域技术人员公知的分析方法得到与之对应的期望结果。例如，假如发现漏钢时的温度突变过程大约为30s，温度采样周期为2s，则可以在连铸过程中现场采集热电偶的温度，将采集的温度序列划分成每组30/2＝15个温度数据的若干组，每组即为温度序列样本向量，通过现场分析可以得到与该组对应的期望结果，例如，如果在采集该组温度数据时发生漏钢，则期望结果可以用概率值1表示，如果没有发生漏钢，则可以用概率值0来表示。本领域技术人员应当理解，以上只是举例并非限定，温度样本数据集及其对应的期望结果的确定可以使用本领域技术人员公知的其它方法来实现。

单偶时序网络漏钢预报模型的学习包括：

(a)初始化单偶时序网络漏钢预报模型各层之间连接权值以及各层神经元的阈值

(b)从温度样本数据集中选择经过上述数据预处理过程的P组温度序列样本向量并将该P组样本向量以及与其对应的期望输出向量

提供给单偶时序网络漏钢预报模型，其中P为正整数，p为1-P的整数，

表示提供给输入层的第p组温度序列样本值，

表示提供给输入层第一个神经元的第p组温度序列样本值中的一个样本值，

表示提供给输入层第二个神经元的第p组温度序列样本值中的一个样本值，依此类推，

表示提供给输入层第n₀个神经元的第p组温度序列样本值中的一个样本值，

表示与对应的在输出层中的期望输出向量，其中d_p1表示输出层第一个神经元的期望输出值，d_p2表示输出层第二个神经元的期望输出值，

表示输出层第n_Q个神经元的期望输出值；这里输入层神经元的个数n₀等于每组样本向量中的样本值的数量，输出层的神经元个数n_Q等于对应的每组期望输出向量中的期望值的个数；温度序列样本向量组数P的选择越大，学习效果越理想，但也会增加计算负担。因此组数P的选择根据提高学习效果与降低计算负担之间的权重来确定，在本发明的实施方式中，P可以为30。

(c)根据上述样本向量、连接权值和阈值计算各层神经元的输入即激活值，根据该激活值通过激活函数

计算各层中各个神经元的实际输出值

激活值

根据公式(3)计算：

$s_{\mathrm{pi}}^{\left(q\right)}=\underset{j=1}{\overset{n_{q-1}}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^{\left(q\right)}{x}_{\mathrm{pj}}^{(q-1)}-{\mathrm{\&theta;}}_i^{\left(q\right)}$ 公式(3)

实际输出值

根据公式(4)计算：

$x_{\mathrm{pi}}^{\left(q\right)}=f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)=\frac{1}{1+e^{-s_{\mathrm{pi}}^{\left(q\right)}}}$ 公式(4)

在公式(3)和公式(4)中，表示输入层中第p组温度序列样本值在第q层的第i个神经元的激活值，

表示输入层中第p组温度序列样本值在第q-1层的第j个神经元的实际输出值，表示输入层中第p组温度序列样本值在第q层的第i个神经元的实际输出值，其中q为1到Q的整数；

(d)根据公式(5)计算单偶时序网络漏钢预报模型的期望输出与实际输出的全局误差E：

$E=\frac{1}{2}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}{(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})}^2=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{E}_p$ 公式(5)

其中， $E_p=\frac{1}{2}\underset{i=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}{(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})}^2$

其中，表示输入层中第p组温度序列样本值在第Q层(即输出层)的第i(i＝1，2，…n_Q)个神经元的实际输出值，E_p表示第p组温度序列样本的网络期望输出与实际输出的误差；

(e)判断上述全局误差E是否小于限定值ε_BP，如果E不小于ε_BP，则调整连接权值

和阈值

直到E小于限定值ε_BP或学习次数H大于终止次数H_BP。限定值ε_BP的取值与单偶时序网络漏钢预报模型的学习准确度有关，要求的学习准确度越高，ε_BP越小；反之，ε_BP越大。

下面分别介绍调整连接权值

和阈值

的方法。

基于BP神经网络的单偶时序网络漏钢预报模型是基于反向误差传播调整连接权值

使E达到最小值，采用沿E负梯度方向学习的调整方法，从第Q层(输出层)开始来依次计算：

$\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{ij}}^{\left(q\right)}},(q=Q,Q-1,\&CenterDot;\&CenterDot;\&CenterDot;1)$

由于， $\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{ij}}^{\left(q\right)}}=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\frac{\&PartialD;E_p}{\&PartialD;w_{\mathrm{ij}}^{\left(q\right)}}$ 公式(6)

对于第Q层(输出层)有

$\frac{\&PartialD;E_p}{\&PartialD;w_{\mathrm{ij}}^{\left(Q\right)}}=\frac{\&PartialD;E_p}{\&PartialD;x_{\mathrm{pi}}^{\left(Q\right)}}\frac{\&PartialD;x_{\mathrm{pi}}^{\left(Q\right)}}{\&PartialD;s_{\mathrm{pi}}^{\left(Q\right)}}\frac{\&PartialD;s_{\mathrm{pi}}^{\left(Q\right)}}{\&PartialD;w_{\mathrm{ij}}^{\left(Q\right)}}=-(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})f^{\&prime;}\left(s_{\mathrm{pi}}^{\left(Q\right)}\right)x_{\mathrm{pj}}^{(Q-1)}=-{\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(Q\right)}{x}_{\mathrm{pj}}^{(Q-1)}$ 公式(7)

在公式(7)中， ${\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(Q\right)}=-\frac{\&PartialD;E_p}{\&PartialD;s_{\mathrm{pi}}^{\left(Q\right)}}=(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})f^{\&prime;}\left(s_{\mathrm{pi}}^{\left(Q\right)}\right)$ 公式(8)

其中，表示输入层中第p组温度序列样本值在第Q层(输出层)的第i(i＝1，2，…，n_Q)个神经元的激活值，

表示输入层中第p组温度序列样本值在第Q-1层的第j(j＝1，2，…，n_Q-1)个神经元的实际输出值，

表示输入层中第p组温度序列样本值在第Q层(输出层)的第i(i＝1，2，…，n_Q)个神经元的误差梯度；

对于第Q-1层有

$\frac{\&PartialD;E_p}{\&PartialD;w_{\mathrm{ij}}^{(Q-1)}}=\frac{\&PartialD;E_p}{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}\frac{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}{\&PartialD;w_{\mathrm{ij}}^{(Q-1)}}=\left(\underset{k=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}\frac{\&PartialD;E_p}{\&PartialD;s_{\mathrm{pk}}^{\left(Q\right)}}\frac{\&PartialD;s_{\mathrm{pk}}^{\left(Q\right)}}{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}\right)\frac{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}{\&PartialD;s_{\mathrm{pi}}^{(Q-1)}}\frac{\&PartialD;s_{\mathrm{pi}}^{(Q-1)}}{\&PartialD;w_{\mathrm{ij}}^{(Q-1)}}$ 公式(9)

$=\left(\underset{k=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}(-{\mathrm{\&delta;}}_{\mathrm{pk}}^{\left(Q\right)}{w}_{\mathrm{ki}}^{\left(Q\right)})\right)f^{\&prime;}\left(s_{\mathrm{pi}}^{(Q-1)}\right)x_{\mathrm{pi}}^{(Q-2)}=-{\mathrm{\&delta;}}_{\mathrm{pi}}^{(Q-1)}{x}_{\mathrm{pi}}^{(Q-2)}$

其中， ${\mathrm{\&delta;}}_{\mathrm{pi}}^{(Q-1)}=-\frac{\&PartialD;E_p}{\&PartialD;s_{\mathrm{pi}}^{(Q-1)}}=\left(\underset{k=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{\mathrm{pk}}^{\left(Q\right)}{w}_{\mathrm{ki}}^{\left(Q\right)}\right)f^{\&prime;}\left(s_{\mathrm{pi}}^{(Q-1)}\right)$

式中，

表示第Q-2层的第j(j＝1，2，…，n_Q-2)个神经元输入到第Q-1层的第i(i＝1，2，…，n_Q-1)个神经元的连接权值，

表示输入层中第p组温度序列样本值在第Q-1层的第i(i＝1，2，…，n_Q-1)个神经元的实际输出值，

表示输入层中第p组温度序列样本值在第Q层(输出层)的第k(k＝1，2，…，n_Q)个神经元的激活值，

表示输入层中第p组温度序列样本值在第Q-1层的第i(i＝1，2，…，n_Q-1)个神经元的激活值，

表示第Q-1层的第i(i＝1，2，…，n_Q-1)个神经元输入到第Q层(输出层)的第k(k＝1，2，…，n_Q)个神经元的连接权值，

表示输入层中第p组温度序列样本值在第Q-2层的第i(i＝1，2，…，n_Q-2)个神经元的实际输出值，

表示输入层的第p组温度序列样本值在第Q层(输出层)的第k(k＝1，2，…，N_Q)个神经元的误差梯度，

表示输入层中第p组温度序列样本值在第Q-1层的第i(i＝1，2，…，n_Q-1)个神经元的误差梯度。

单偶时序网络漏钢预报模型的权值学习算法采用反向递推方法，即首先计算出

再计算出

依次类推，继续反向递推计算出

和

由于

函数的导数可求得：

$x_{\mathrm{pi}}^{\left(q\right)}=f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)=\frac{1}{1+e^{-s_{\mathrm{pi}}^{\left(q\right)}}}$ 公式(10)

$f^{\&prime;}\left(s_{\mathrm{pi}}^{\left(q\right)}\right)=\frac{e^{-s_{\mathrm{pi}}^{\left(q\right)}}}{{(1+e^{-s_{\mathrm{pi}}^{\left(q\right)}})}^2}=f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)[1-f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)]=x_{\mathrm{pi}}^{\left(q\right)}(1-x_{\mathrm{pi}}^{\left(q\right)})$ 公式(11)

得出单偶时序网络漏钢预报模型的权值学习算法如下：

$w_{\mathrm{ij}}^{\left(q\right)}(H+1)=w_{\mathrm{ij}}^{\left(q\right)}\left(H\right)+\mathrm{\&alpha;}{D}_{\mathrm{ij}}^{\left(q\right)}\left(H\right),q=Q,Q-1,\&CenterDot;\&CenterDot;\&CenterDot;,1$

$D_{\mathrm{ij}}^{\left(q\right)}=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(q\right)}{x}_{\mathrm{pj}}^{(q-1)},q=Q,Q-1,\&CenterDot;\&CenterDot;\&CenterDot;,1$

${\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(q\right)}=\left(\underset{k=1}{\overset{n_{q+1}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{\mathrm{pk}}^{(q+1)}{w}_{\mathrm{ki}}^{(q+1)}\right)x_{\mathrm{pi}}^{\left(q\right)}(1-x_{\mathrm{pi}}^{\left(q\right)}),q=Q-1,Q-2,\&CenterDot;\&CenterDot;\&CenterDot;,1$ 公式(12)

${\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(Q\right)}=(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})x_{\mathrm{pi}}^{\left(Q\right)}(1-x_{\mathrm{pi}}^{\left(Q\right)}),q=Q$

i＝1，2，…，n_q j＝1，2，…，n_q-1

公式(12)中，H表示学习次数，α(α＞0)称为学习率，

表示输入层中第p组温度序列样本值在第q+1层的第k(k＝1，2，…，n_q+1)个神经元的误差梯度，

表示第q层第i(i＝1，2，…，n_q)个神经元输入到第q+1层的第k(k＝1，2，…，n_q+1)个神经元的连接权系数，学习终止次数H_BP以及学习率α(α＞0)的选择根据对单偶时序网络漏钢预报模型学习的准确度需求而合适选择；

每个神经元的阈值

也是变化值，在调整连接权值的同时也需要调整，原理与连接权值的调整相同。具体为对于第Q层(输出层)有：

$\frac{\&PartialD;E_p}{\&PartialD;{\mathrm{\&theta;}}_i^{\left(Q\right)}}=\frac{\&PartialD;E_p}{\&PartialD;x_{\mathrm{pi}}^{\left(Q\right)}}\frac{\&PartialD;x_{\mathrm{pi}}^{\left(Q\right)}}{\&PartialD;s_{\mathrm{pi}}^{\left(Q\right)}}\frac{\&PartialD;s_{\mathrm{pi}}^{\left(Q\right)}}{\&PartialD;{\mathrm{\&theta;}}_i^{\left(Q\right)}}=(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})f^{\&prime;}\left(s_{\mathrm{pi}}^{\left(Q\right)}\right)={\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(Q\right)}$ 公式(13)

对于第Q-1层有：

$\frac{\&PartialD;E_p}{\&PartialD;{\mathrm{\&theta;}}_i^{(Q-1)}}=\frac{\&PartialD;E_p}{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}\frac{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}{\&PartialD;{\mathrm{\&theta;}}_i^{(Q-1)}}=\left(\underset{k=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}\frac{\&PartialD;E_p}{\&PartialD;s_{\mathrm{pk}}^{\left(Q\right)}}\frac{\&PartialD;s_{\mathrm{pk}}^{\left(Q\right)}}{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}\right)\frac{\&PartialD;x_{\mathrm{pi}}^{(Q-1)}}{\&PartialD;s_{\mathrm{pi}}^{(Q-1)}}\frac{\&PartialD;s_{\mathrm{pi}}^{(Q-1)}}{\&PartialD;{\mathrm{\&theta;}}_i^{(Q-1)}}$

$=-\left(\underset{k=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}(-{\mathrm{\&delta;}}_{\mathrm{pk}}^{\left(Q\right)}{w}_{\mathrm{ki}}^{\left(Q\right)})\right)f^{\&prime;}\left(s_{\mathrm{pi}}^{(Q-1)}\right)={\mathrm{\&delta;}}_{\mathrm{pi}}^{(Q-1)}$ 公式(14)

式中，

表示第Q-1层的第i(i＝1，2，…，n_Q-1)个神经元的阈值。

与调整连接权值相似，首先计算出再计算出依次类推，继续反向递推计算出

和

由于函数的导数可求得：

$x_{\mathrm{pi}}^{\left(q\right)}=f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)=\frac{1}{1+e^{-s_{\mathrm{pi}}^{\left(q\right)}}}$ 公式(15)

$f^{\&prime;}\left(s_{\mathrm{pi}}^{\left(q\right)}\right)=\frac{e^{-s_{\mathrm{pi}}^{\left(q\right)}}}{{(1+e^{-s_{\mathrm{pi}}^{\left(q\right)}})}^2}=f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)[1-f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)]=x_{\mathrm{pi}}^{\left(q\right)}(1-x_{\mathrm{pi}}^{\left(q\right)})$ 公式(16)

得出单偶时序网络漏钢预报模型的阈值学习算法如下：

${\mathrm{\&theta;}}_i^{\left(q\right)}(H+1)={\mathrm{\&theta;}}_i^{\left(q\right)}\left(H\right)+\mathrm{\&alpha;}{D}_i^{\left(q\right)}\left(H\right),q=Q,Q-1,\&CenterDot;\&CenterDot;\&CenterDot;,1$

$D_i^{\left(q\right)}=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(q\right)},q=Q,Q-1,\&CenterDot;\&CenterDot;\&CenterDot;,1$

${\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(q\right)}=\left(\underset{k=1}{\overset{n_{q+1}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{\mathrm{pk}}^{(q+1)}{w}_{\mathrm{ki}}^{(q+1)}\right)x_{\mathrm{pi}}^{\left(q\right)}(1-x_{\mathrm{pi}}^{\left(q\right)}),q=Q-1,Q-2,\&CenterDot;\&CenterDot;\&CenterDot;,1$

${\mathrm{\&delta;}}_{\mathrm{pi}}^{\left(Q\right)}=(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})x_{\mathrm{pi}}^{\left(Q\right)}(1-x_{\mathrm{pi}}^{\left(Q\right)}),q=Q$

i＝1，2，…，n_q j＝1，2，…，n_q-1公式(16)

其中，学习次数H与学习率α(α＞0)与公式(12)中的相同。

从以上描述可知，从初始化连接权值和阈值开始计算全局误差E，如果E大于上述限定值ε_BP则分别按照公式(12)和(16)计算第一次调整(即第一次学习)后的连接权值和阈值；根据第一次调整后的连接权值和阈值按公式再次计算E，并判断E是否小于上述限定值ε_BP如果E大于上述限定值ε_BP则重复上述步骤，直到满足网络终止准则，即E小于限定值ε_BP或H大于学习终止次数H_BP以先满足的为准。

其中，可以使用遗传算法来初始化上述连接权值

和阈值

一般包括：

步骤S1初始化种群G，设定初始种群规模N，随机产生任意值的所述连接权值和阈值，以及确定遗传终止代数L。连接权值可以取0-1之间的随机数，阈值可以取0-1之间的随机值，种群规模N是指该种群G包含N个个体，这里每个个体是随机产生的一组连接权值和阈值，N的范围可以在20-100，遗传终止代数L一般为80-500，优选为100。

步骤S2采用实数对连接权值和阈值进行编码，编码后的一组连接权值和阈值即为一个个体。例如，编码方法可以从输出层开始，将输出层的神经元的连接权值和阈值依次排列，然后是隐含层中的神经元的连接权值和阈值，再到输入层中的神经元。图5示出了一种实施编码的示例，如图5所示，示出了一个三层的BP神经网络结构，X₁，X₂表示输入层的两个神经元，Y表示输出层，w_i(i＝1，2，…6)表示各神经元间的连接权值，θ_j(j＝1，2，3)表示各神经元的阈值。该网络实数编码为：(w₁，w₂，θ₁，w₃，w₄，θ₂，w₅，w₆，θ₃)，当给该连接权值与阈值的组合中的连接权值和阈值随机生成一组值时，即形成一个个体，当随机形成另一组值时，即形成另一个个体。图5是对连接权值和阈值进行实数编码的一种方式，当然还可以有本领域技术人员已知的其它实数编码方式。

步骤S3计算每个个体的适应度。具体地，根据公式(17)计算适应度：

$f_n=\frac{1}{E}$ 公式(17)

其中，E为上述全局误差，f_n表示第n个个体的适应度。

步骤S4根据适应度选择再生个体；其中可以根据公式(18)计算得到的概率值来选择再生个体：

$G_n=\frac{f_n}{\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_n}$ 公式(18)

其中，G_n表示第n个个体的概率值，N表示所述种群规模。

选择采用的方法可以是本领域技术人员公知的方法，例如：轮盘赌选择方法、分级选择方法、稳定状态选择方法、精英主义选择方法等，优选为轮盘赌选择方法。

步骤S5确定交叉概率和变异概率；其中可以分别根据公式(19)和公式(20)确定交叉概率和变异概率：

公式(19)和

公式(20)

其中，G_c和G_m分别表示交叉概率和变异概率，f_max、f_avg和f_n分别表示当前代数最大适应度、平均适应度和第n个个体的适应度，k₁为0.52，k₂为0.0002，G_c的范围为0.4-0.99，G_m的范围为0.0001-1。

步骤S6根据选择、交叉以及变异进行操作，以产生新一代个体；

步骤S7将新一代个体插入到种群中；

步骤S8判断是否满足遗传算法终止准则，如果满足该终止准则，则将新一代的一个最优的个体作为单偶时序网络漏钢预报模型的初始连接权值和阈值，如果不满足终止准则，则用新一代的一个个体替换上一代的一个个体，并重复步骤S3到步骤S7，其中终止准则是遗传代数大于遗传终止代数L。

将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型，如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值ε_max，则预报漏钢会发生，并可以报警。这里所述的从任一个热电偶上采集的温度数据是按一定采样周期(例如2s)连续采集的一组温度数据，该组温度数据的个数与输入层的神经元个数相同，并被依次输入到输入层的神经元中。该最大判别阈值ε_max可以是根据对预报准确度的要求合适确定。

进一步地，如果在步骤3中，单偶时序网络漏钢预报模型的输出值小于ε_max且大于最小判别阈值ε_min，则该方法还可以包括：

步骤4：将该组偶空间网络漏钢预报模型的输出值与组偶判别阈值ε_m进行比较，如果组偶空间网络漏钢预报模型的输出值大于该ε_m，则预报漏钢会发生，并可以报警。该ε_m值的选择根据预报的准确度的需求而合适确定。其中组偶空间网络漏钢预报模型也是基于BP神经网络建立的。图6是示出了根据本发明的一个实施方式的单偶时序网络漏钢预报模型与组偶空间网络漏钢预报模型的组合的示意图。对该组偶空间网络漏钢预报模型进行学习；该组偶空间网络漏钢预报模型的输入是分别同时从步骤3中所述的一个热电偶和该一个热电偶的下一排热电偶中相对于该热电偶的左、中、右三个热电偶采集的温度数据输入到单偶时序网络漏钢预报模型后得到的该漏钢预报模型的输出值。例如，如图2所示，假如步骤3中所述的一个热电偶的编号为312，则相对于该热电偶的左、中、右三个热电偶的编号分别为411、412、413；假如步骤3中所述一个热电偶的位于结晶器某个面的边缘，例如热电偶310，这时相对的左、中、右三个热电偶的编号分别为49、410、411。

组偶空间网络漏钢预报模型的学习步骤与单偶时序网络漏钢预报模型的学习基本相同，区别在于：1)可以不使用遗传算法来优化组偶空间网络漏钢预报模型初始连接权值和阈值；2)两个模型采用的BP神经网络的层数以及各层的神经元的个数可以不同；3)输入的样本向量不同，单偶时序网络漏钢预报模型的输入样本向量是从热电偶采集到的温度样本数据(经过预处理)，而组偶空间网络漏钢预报模型的输入样本向量是如步骤4中所述的从4个热电偶(一个热电偶以及与其对应的下排左、中、右三个热电偶)同时采集的温度样本数据输入到单偶时序网络漏钢预报模型后分别得到的漏钢预报模型的输出值；4)限定值ε_BP的值的选择可以相同或不同，这根据两个模型的学习准确度需求可以合适地选择；5)学习终止次数H_BP可以相同或不同，这根据两个模型的学习准确度需求可以合适地选择；6)两个模型的期望输出值可以不同，都可以预先确定。

如果在步骤3中所述的一个热电偶已经是最后一排中的热电偶，也就是说不存在下面一排的热电偶，在这种情况中，钢水即将离开结晶器，不会发生漏钢，因此即便出现单偶时序网络漏钢预报模型的输出值小于ε_max且大于最小判别阈值ε_min的情况，也不需要执行步骤4。

在本发明的一个实施方式中，单偶时序网络漏钢预报模型和组偶空间网络漏钢预报模型可以同时建立，在单偶时序网络漏钢预报模型的学习完成之后执行组偶空间网络漏钢预报模型的学习。

在本发明的一个实施方式中，单偶时序网络漏钢预报模型采用的BP神经网络可以为三层，即一个输入层，一个隐含层以及一个输出层；综合考虑网络的规模和灵敏性，温度采样周期为2s，确定输入层神经元的个数可以为15个；一个隐含层的神经元的个数可以为12个；考虑到输出层的输出值是表示漏钢可能发生的危险度，因此，确定输入层的神经元个数可以为1个，输出值可以在0-1之间，以便于判断以及与外界通信。在单偶时序网络漏钢预报模型中，限定值ε_BP可以为e^-8-e^-4，优选为e^-6；学习终止次数H_BP可以为500-2000，优选为1000，学习率α可以为0.01-0.6，优选为0.1；最大判别阈值ε_max可以为0.9，最小判别阈值ε_min可以为0.8；

在本发明的一个实施方式中，组偶空间网络漏钢预报模型采用的BP神经网络可以是三层，即一个输入层，一个隐含层以及一个输出层；输入层的神经元个数可以是4个，隐含层的神经元个数可以是5个以及输出层的神经元个数可以是1个；输出层的输出值在0-1之间。在组偶空间网络漏钢预报模型中，限定值ε_BP可以为0.0001-0.01(给范围)，优选为0.001；学习终止次数H_BP可以为100-500，优选为300，学习率α可以为0.01-0.1，优选为0.03；组偶判别阈值ε_m可以为0.7。

本发明提供的连铸漏钢预报方法，通过遗传算法优化基于BP神经网络的单偶时序网络漏钢预报模型和/或组偶空间网络漏钢预报模型的初始连接权值和阈值，不仅提高了运算速度，而且明显提高了单偶时序网络漏钢预报模型和/或组偶空间网络漏钢预报模型对连铸黏结漏钢过程中典型温度模式的识别效果和预报精度，从而很大程度减少了误报率和漏报率。

另外，可以从温度样本数据集中选择另外的典型温度模式的30个样本值，另外加入了10个非稳态浇铸温度模式(包括开浇、改变拉速、拉尾坯等)的样本值以构成测试样本集，利用该测试样本集来对单偶时序网络漏钢预报模型和组偶空间网络漏钢预报模型进行测试，以了解使用本发明的连铸漏钢预报方法对连铸漏钢进行预报的情况，例如，误报率、报出率等。

在对某钢厂现场采集的395炉数的温度数据分别使用本发明的基于神经网络的连铸漏钢预报方法与传统的基于神经网络的连铸漏钢预报方法进行离线测试，测试结果如表1所示，其中误报率＝误报警次数/浇铸炉数×100％，报出率＝正确报警次数/(正确报警次数+漏报次数)×100％。

表1

从表1可以看出，使用本发明的连铸漏钢预报方法的各项评价指标都优于传的连铸漏钢预报方法，使用两种方法对于在此期间发生的4次连铸黏结漏钢都检测了出来，即报出率都是100％，但传统连铸漏钢预报方法却存在8次的误报警，而本发明的连铸漏钢预报方法的误报次数为1次，可见，本发明的连铸漏钢预报方法的误报率与传统连铸漏钢预报方法相比有了明显的降低，从1.8％(次/炉)降低到了0.25％(次/炉)，说明本发明的连铸漏钢预报方法能够更准确地对连铸黏结漏钢过程中典型温度模式进行识别，大大减少了误报。

文中提出的方法或流程图可以以结合在由通用计算机或处理器执行的计算机可读存储介质中的计算机程序、软件或固件被执行。计算机可读存储介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、寄存器、缓冲存储器、半导体存储装置、诸如内部硬盘和移动硬盘的磁介质、磁光介质和诸如CD-ROM光盘和数字多功能光盘(DVD)的光介质。

合适的处理器包括，例如，通用处理器、专用处理器、常规处理器、数字信号处理器(DSP)、多个微处理器、与DSP核心相关联的一个或多个微处理器、控制器、微控制器、专用集成电路(ASIC)、现场可编程门阵列电路(FPGA)、其它任何类型的逻辑电路和/或状态机。

Claims (10)

1.一种基于神经网络的连铸漏钢预报方法，该方法包括：

步骤1：在线采集连铸现场热电偶的温度数据并存储该温度数据；

步骤2：对所述温度数据进行预处理；

步骤3：将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型，并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较，如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值，则预报漏钢会发生；其中所述单偶时序网络漏钢预报模型基于BP神经网络被建立，并对该单偶时序网络漏钢预报模型进行学习；

其特征在于，所述对该单偶时序网络漏钢预报模型进行学习包括步骤(a)使用遗传算法来初始化该单偶时序网络漏钢预报模型的连接权值和阈值，其中，所述使用遗传算法来初始化所述单偶时序网络漏钢预报模型的连接权值和阈值包括：

步骤S1初始化种群，该初始化种群包括设定初始种群规模，随机产生任意值的所述连接权值和阈值，以及确定遗传终止代数；

步骤S2采用实数对连接权值和阈值进行编码，编码后的一组连接权值和阈值为一个个体；

步骤S3计算每个个体的适应度；

步骤S4根据适应度选择再生个体；

步骤S5确定交叉概率和变异概率；

步骤S6根据选择、交叉以及变异进行操作，以产生新一代个体；

步骤S7将新一代个体插入到种群中；

步骤S8判断是否满足遗传算法终止准则，如果满足该终止准则，则将新一代的一个个体作为单偶时序网络漏钢预报模型的初始连接权值和阈值，如果不满足终止准则，则用新一代的一个个体替换上一代的一个个体，并重复步骤S3到步骤S7，其中终止准则是遗传代数大于遗传终止代数。

2.根据权利要求1所述的连铸漏钢预报方法，其中，所述单偶时序网络漏钢预报模型包含Q+1个层，分别是输入层、输出层以及处于输入层与输出层之间的一个或多个隐含层，第0层为输入层，第Q层为输出层，Q为大于1的整数。

3.根据权利要求2所述的连铸漏钢预报方法，其中，对所述单偶时序网络漏钢预报模型进行学习还包括步骤：

(b)从温度样本数据集中选择经过预处理的P组温度序列样本向量

并将该P组温度序列样本向量以及与其对应的期望输出向量提供给单偶时序网络漏钢预报模型，其中P为正整数，p为1至P的整数，

表示提供给输入层的第p组温度序列样本值，表示提供给输入层第一个神经元的第p组温度序列样本值中的一个样本值，

表示提供给输入层第二个神经元的第p组温度序列样本值中的一个样本值，

表示提供给输入层第n₀个神经元的第p组温度序列样本值中的一个样本值，表示与

对应的在输出层中的期望输出向量，其中d_p1表示输出层第一个神经元的期望输出值，d_p2表示输出层第二个神经元的期望输出值，

表示输出层第n_Q个神经元的期望输出值；输入层神经元的个数等于每组样本向量中的样本值的数量，输出层的神经元个数等于对应的每组期望输出向量中的期望输出值的个数；

(c)根据上述样本向量、连接权值和阈值计算各层神经元的激活值，根据该激活值通过激活函数

计算各层中各个神经元的实际输出值，激活值根据公式(3)计算：

$s_{\mathrm{pi}}^{\left(q\right)}=\underset{j=1}{\overset{n_{q-1}}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^{\left(q\right)}{x}_{\mathrm{pj}}^{(q-1)}-{\mathrm{\&theta;}}_i^{\left(q\right)}$ 公式(3)

实际输出值根据公式(4)计算：

$x_{\mathrm{pi}}^{\left(q\right)}=f\left(s_{\mathrm{pi}}^{\left(q\right)}\right)=\frac{1}{1+e^{-s_{\mathrm{pi}}^{\left(q\right)}}}$ 公式(4)

在公式(3)和公式(4)中，

表示输入层中第p组温度序列样本值在第q层的第i个神经元的激活值，

表示输入层中第p组温度序列样本值在第q-1层的第j个神经元的实际输出值，

表示输入层中第p组温度序列样本值在第q层的第i个神经元的实际输出值，其中q为1到Q的整数，

为第q-1层的第j个神经元到第q层的第i个神经元的连接权值，为第q层的第i个神经元的阈值，n_q-1为第q-1层的神经元个数；

(d)根据公式(5)计算单偶时序网络漏钢预报模型的期望输出与实际输出的全局误差：

$E=\frac{1}{2}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}{(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})}^2=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{E}_p$ 公式(5)

其中， $E_p=\frac{1}{2}\underset{i=1}{\overset{n_Q}{\mathrm{\&Sigma;}}}{(d_{\mathrm{pi}}-x_{\mathrm{pi}}^{\left(Q\right)})}^2$

其中，E表示上述全局误差，表示输入层中第p组温度序列样本值在第Q层的第i个神经元的实际输出值，E_p表示第p组温度序列样本的期望输出值与实际输出值的误差，n_Q表示输出层的神经元的个数；

(e)判断上述全局误差E是否小于限定值，如果全局误差E不小于限定值，则调整连接权值

和阈值直到全局误差E小于限定值或学习次数大于终止次数。

4.根据权利要求3所述的连铸漏钢预报方法，其中，所述计算每个个体的适应度包括根据公式(17)计算适应度：

$f_n=\frac{1}{E}$ 公式(17)

其中，f_n表示第n个个体的适应度。

5.根据权利要求4所述的连铸漏钢预报方法，其中，所述根据适应度选择再生个体包括根据公式(18)计算得到的概率值来选择再生个体：

$G_n=\frac{f_n}{\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_n}$ 公式(18)

其中，G_n表示第n个个体的概率值，N表示所述种群规模。

6.根据权利要求5所述的连铸漏钢预报方法，其中，所述确定交叉概率和变异概率包括分别根据公式(19)和公式(20)确定交叉概率和变异概率：

公式(19)和

公式(20)

其中，G_c和G_m分别表示交叉概率和变异概率，f_max、f_avg和f_n分别表示当前代数最大适应度、平均适应度和第n个个体的适应度，k₁为0.52，k₂为0.0002，G_c的范围为0.4-0.99，G_m的范围为0.0001-1。

7.根据权利要求3所述的连铸漏钢预报方法，其中，Q等于2，所述输入层神经元的个数为15个，隐含层的神经元个数为12个，输出层的神经元个数为1个；所述限定值为e^-6，所述学习终止次数为1000。

8.根据权利要求1所述的连铸漏钢预报方法，其中，如果所述单偶时序网络漏钢预报模型的输出值小于最大判别阈值但大于最小判别阈值，该方法还包括：

步骤4：将组偶空间网络漏钢预报模型的输出值与组偶判别阈值进行比较：如果组偶空间网络漏钢预报模型的输出值大于组偶判别阈值，则预报漏钢会发生；其中该组偶空间网络漏钢预报模型是基于BP神经网络而被建立的，包含输入层、输出层和在输入层和输出层之间的一个或多个隐含层，该组偶空间网络漏钢预报模型输入层的输入为分别从步骤3中所述的一个热电偶和对应于该一个热电偶的下一排热电偶中的相对于该一个热电偶的左、中、右三个热电偶同时采集的温度数据输入到所述单偶时序网络漏钢预报模型后得到的输出值。

9.根据权利要求8所述的连铸漏钢预报方法，其中，在建立所述单偶时序网络漏钢预报模型后建立所述组偶空间网络漏钢预报模型。

10.根据权利要求8所述的连铸漏钢预报方法，其中所述组偶空间网络漏钢预报模型包括一个输入层、一个隐含层和一个输出层，该输入层的神经元个数为4个，该隐含层的神经元个数为5个，该输出层的神经元个数为1个。

Images