CN101947645A - 一种钢包卷渣过程识别方法 - Google Patents

Abstract

一种钢包卷渣过程识别方法，其步骤过程如下：首先对钢包浇注过程中的钢流冲击振动信号时间序列进行阶段定义，然后处理现场干扰信号，确定钢包卷渣过程特征参数；基于动态模式识别方法，建立面向钢包卷渣过程识别的人工神经网络模型，然后利用改进的模拟退火-神经网络算法实现对钢包卷渣过程中各个阶段定义的标准状态的识别。本发明的有益效果主要表现在：实现在连铸工业现场强噪声环境下的钢流冲击振动信号的干扰剔除与动态模式识别，为振动式钢包下渣检测系统的在线判断提供可靠依据；为振动式钢包下渣系统识别的准确性与稳定性提供有力保证；提高了目标参数的预测精度；保证了对钢流冲击振动信号识别的实时性。

Description

一种钢包卷渣过程识别方法

技术领域

本发明涉及钢铁冶金过程检测与控制领域，尤其是涉及一种钢包卷渣过程识别方法。

背景技术

随着全球一体化进程的不断深入，钢铁需求日益增加。我国的钢铁产量更是增势迅猛，截止到2007年，粗钢产量已经达到4.89亿吨，占全球总产量的36.4%，超过日本、美国、俄罗斯、印度、韩国、德国、乌克兰、巴西、等国的总和。但是我国钢铁质量却始终处于较低水平，出口钢材也是以低附加值的普通钢材为主，而用于制造精密机械、仪表以及轿车的高质量钢材却基本依靠进口。

钢铁生产中的连铸技术具有生产率和成材率高及节约能源的特点，同时可减少铸件中夹杂物的含量，提高铸件质量，是目前应用最为广泛的冶金技术之一。利用连铸技术生产钢材的产量占总产量的比重称为连铸比(Continuous Casting Ratio, CCR)。发达国家的CCR一般在95％以上，有些国家如意大利已经达到100％；我国的CCR为94.8%，高于世界平均水平90.5%。因此在这种形势下，提高我国钢铁企业的连铸生产工艺水平与竞争能力就显得尤为迫切。

在钢铁连铸生产过程中，氧化剂和钢水中的杂质混合形成液体钢渣，其比重较轻，只有纯钢水比重的0.4~0.6倍，浮于钢水上部。在钢包浇注后期，钢渣逐渐从钢包流入中间包，并在中间包内逐步积累,影响钢材品质，严重时甚至使连铸生产无法进行。随着现代工业生产的不断扩大与发展，对钢铁品种和质量的要求不断提高，当然对连铸生产中钢水纯净度要求也就越来越高。连铸下渣检测技术(Slag Carry-over Detection Technology, SCDT)就是通过对钢包浇注后期钢水状态的有效识别来控制钢水纯净度，提高铸件质量与钢水收得率的重要手段之一。

SCDT作为钢铁连铸生产的关键技术，世界各国尤其是西方发达国家都给予了高度重视。上世纪80年代末，德国成功的开发出基于电磁感应原理的SCDT，成为目前世界上应用最为广泛的SCDT。但电磁式SCDT在应用过程中存在使用寿命短、不易安装维护、使用成本较高等缺点。针对以上问题，一些其它检测方法逐步被开发应用，如超声波检测法、红外检测法、振动检测法等，其中振动检测法能够有效的解决电磁检测法存在的问题。与电磁检测法相比，其在使用寿命、检测准确率、稳定性、系统维护等方面均具有优势。但是振动检测法的技术要求很高，振动传感器的设计安装、振动信号干扰剔除与分离、钢包卷渣过程动态识别等问题具有很高的难度。

发明内容

为了克服在充满诸多振动干扰源的连铸工业现场特殊环境条件下，进行钢流冲击振动信号的干扰剔除与分离、钢包卷渣过程动态识别技术具有高难度的问题，本发明提供一种能在连铸工业现场强噪声环境下的钢流冲击振动信号的干扰剔除与动态模式识别的钢包卷渣过程识别方法。

本发明的技术方案：

一种钢包卷渣过程识别方法，其特征在于：其步骤过程如下：

首先，对钢包浇注过程中的钢流冲击振动信号时间序列进行阶段定义，包括未有钢渣混入钢流的初始阶段，钢水、钢渣与空气混合成钢流的过渡阶段，以钢渣为主的钢流的完结阶段；

然后，处理现场干扰信号，确定钢包卷渣过程特征参数，包括最大值、最小值、平均值、均方根、标准差、峰峰值、偏度、峭度、频率重心、均方频率、频率方差和烈度；

再者，基于动态模式识别方法，建立面向钢包卷渣过程识别的人工神经网络模型；所述人工神经网络模型的信号输入层以卷渣过程特征参数作为输入信号，其过程输出层是需要识别的三个阶段定义；所述输入层的输入信号在中间隐含层经过作用函数运算后得到输出值；

其中，所述的作用函数是                                                    ；                      (1)

然后利用快速模拟退火组合优化算法把网络中所有权重的集合看成是一个解向量，然后构造目标函数

；                    (2)

式(2)中，

为训练样本数，

为输出层神经元的个数，

为第

神经元关于第

个样本的期望输出，

为第神经元关于第

个样本的实际网络输出；

最后，通过修改网络权值来得到式(2)的目标函数的最小值，取得钢包卷渣过程中各个阶段定义的标准状态。

进一步，所述修改网络权值来取得目标函数最小值步骤如下：

①初始化，随机产生一组初始网络权值

，并设置初始温度、迭代次数

、检验精度，

是目标函数的取值，令

、、

；

②将网络权值

作为初始点

，利用鲍威尔算法进行优化，快速搜素到某一个局部极小点，得到一组新的网络权值

，令

、

、

；

③将网络权值作为迭代值

，设当前解

，令

，进行最佳保留模拟退火操作；按照接受准则，得到一组新的网络权值

；令，其下降实现方法为

；                           (3)

④若经过模拟退操作后所得的网络权值

满足精度要求或迭代次数，则算法结束；否则，若

，则令

，转入步骤②；若

，则令

，转入步骤③。

进一步，所述的现场干扰信号的处理方法，是首先通过程序判断滤波克服随机脉冲干扰，然后利用滑动平均滤波有效抑制周期性干扰信号，最后进行无限冲击响应滤波。

本发明的有益效果主要表现在：

1) 实现在连铸工业现场强噪声环境下的钢流冲击振动信号的干扰剔除与动态模式识别，为振动式钢包下渣检测系统的在线判断提供可靠依据；

2) 利用程序判断滤波、滑动平均滤波与无限冲击响应滤波相结合的软件滤波方法进行钢流冲击振动信号干扰剔除处理，为振动式钢包下渣系统识别的准确性与稳定性提供有力保证；

3) 采用改进的模拟退火-神经网络算法决误差反向传播网络可能在局部极小点收敛的问题，从而提高目标参数的预测精度；为了保证对钢流冲击振动信号识别的实时性，采用鲍威尔算法来提高网络计算的收敛速度，实现对钢包卷渣过程的即时判断。

附图说明

图1是钢包浇注初始阶段时域振动信号波形。

图2是钢包浇注过渡阶段时域振动信号波形。

图3是钢包浇注完结阶段时域振动信号波形。

图4是钢包浇注过程钢流冲击振动信号功率谱分布；其中：a、b为初始阶段功率谱，c、d为过渡阶段功率谱，e、f为完结阶段功率谱。

图5是本发明的识别步骤；其中：1-振动信号采集 2-干扰信号剔除 3-特征参数提取 4-模式匹配与识别 5-用户控制操作。

图6是本发明的人工神经网络模型；其中：P₀-最大值，P₁-最小值，P₂-平均值，P₃-均方根，P₄-标准差，P₅-峰峰值，P₆-偏度，P₇-峭度，P₈-频率重心，P₉-均方频率，P₁₀-频率方差，P₁₁-烈度，S₀-初始阶段，S₁-过渡阶段，S₂-完结阶段。

图7是本发明的改进的模拟退火-神经网络算法实现流程。

图8是模拟测试获得的初始阶段识别结果波形图；其中：a为经过人工神经网络处理后的数据波形，b为原始的钢流冲击振动信号波形。

图9是模拟测试获得的完结阶段识别结果波形图；其中：a为经过人工神经网络处理后的数据波形，b为原始的钢流冲击振动信号波形。

具体实施方式

一种钢包卷渣过程识别方法，其具体事例实现步骤可描述如下：对钢包浇注过程中的钢流冲击振动信号时间序列进行阶段定义；处理现场干扰信号，确定钢包卷渣过程特征参数；基于动态模式识别理论，建立面向钢包卷渣过程识别的人工神经网络模型；利用改进的模拟退火-神经网络算法实现对钢包汇流旋涡卷渣过程及其产生的突变特征信号的有效识别。结合附图，下面对本发明实例进行详细说明。

①钢包浇注过程阶段定义

在钢包浇注前中期，流经水口保护套管的钢流为纯钢水，产生的冲击振动信号幅度较稳定。随着钢水液面的降低，在重力、科里奥利(Coriolis)力以及由于转炉出钢、钢包运输产生的初始流体扰动的作用下，钢包内会逐渐形成一定规模的汇流旋涡。当旋涡前锋到达水口时，其中心形成空气芯，进入贯穿的稳定状态。浮在钢水表面的钢渣将会被卷进旋涡中心，夹杂一部分空气进入保护套管，这时产生的冲击振动信号幅度会出现一定的变化。

基于以上分析，本发明对钢包浇注过程中的钢流冲击振动信号时间序列作出如下定义：①初始阶段  汇流旋涡形成以前的稳定状态，钢流的成分组成为纯钢水，其比重较大，此时未有钢渣混入，产生的冲击振动强度较大；②过渡阶段  从汇流旋涡产生到进入贯穿稳定阶段的中间过程，钢流的成分组成为钢水、钢渣与空气，振动强度有所减小，但随着钢渣含量的变化呈现出较强的随机性；③完结阶段  汇流旋涡形成以后的稳定状态，钢流的主要成分为钢渣，其比重较小，故产生的冲击振动强度较小。

附图1~附图3是某一次浇注过程的钢流振动信号时域波形图，其中横坐标为采样点数N，纵坐标为信号无量纲振动幅值A，采样频率为10KHz，采样点数为1024。从图中可以看出，完结阶段(附图3)时的振动信号幅值较初始阶段(附图1)、过渡阶段(附图2)时有明显减小。显然，钢流时域振动信号包含了对应浇注状态的重要信息，但由于过渡阶段振动信号的不稳定性以及诸多的环境干扰影响，因此仅从时域波形的变化是不足以对下渣过程进行识别的。

附图4是钢包浇注过程的振动信号功率谱，其中横坐标为频率F，纵坐标为功率谱密度幅值A。初始阶段(附图4a)功率谱密度幅值较大；过渡阶段(附图4b~4d)信号幅值变化范围较大，呈不稳定状态；完结阶段(附图4e~4f)信号幅值减小，且频谱结构出现明显的变化。

通过以上分析可以发现，钢流的状态变化是不平稳的，期间应该存在一个突变过程。这个突变过程可能发生在过渡阶段的某个时刻，与汇流旋涡的形成过程是相对应的；它的产生是某种内部冲击作用的结果，这一点可以通过附图4d得到证明。

②干扰信号处理与特征参数提取

对现场干扰信号的分析与滤除是非常必要的工作，它直接影响到后续的振动信号处理工作与检测系统的有效性。连铸车间一般为钢架结构，在连铸机周围有起重行车以及其它冶炼设备如精炼炉等，它们工作时都会产生较强的振动冲击，因此连铸生产现场的振动情况是比较复杂的。

经过长时间现场实验及调研工作，发现对从操作臂进行振动信号采集的影响因素主要有：在钢包浇注过程中，根据不同钢种、铸坯的连铸工艺要求，现场操作人员会改变水口开度，调整中间包液面高度以及铸坯拉速，上述操作反映到操作臂就表现为振动信号发生一定幅度的异常变化；在一炉钢水尚未浇完的情况下，放置钢包的回转台会接收下一炉钢水，以上操作称为坐包，它会对连铸机工作平台构造成很大冲击，导致采集到的振动信号出现较大波动，从而对检测系统的识别结果产生重大影响；连铸机工作平台本身会在某种外界激励的影响下产生振动，其强度虽然较小，但也会对操作臂振动信号的某些频段产生一定影响；实际的生产过程中，有一些经常出现但无规律的异常因素，如异物敲打钢包或中间包、烧钢、浇铸支撑结构暂时性故障等，都会给振动信号的检测造成不同程度的影响。

因此，在采集到的钢流冲击振动信号中，包含了大量与卷渣过程特征信号无关的干扰信号。在对数据进行预处理后，需要通过软件滤波方法滤除某些干扰信号的影响，才能实现对钢流振动信号的有效利用，准确检测下渣。

考虑到连铸生产现场干扰的复杂性与钢流冲击振动信号的非平稳性，本发明利用程序判断滤波、滑动平均滤波与无限冲击响应滤波相结合的软件滤波方法，具体实现方法为：首先通过程序判断滤波克服因偶然因素引起的随机脉冲干扰，然后利用滑动平均滤波有效抑制周期性干扰信号，获得较高的平滑度，最后通过无限冲击响应滤波后的较高的幅频特性精度。

在完成干扰信号的处理之后，后续的任务是提取钢包浇注卷渣过程的特征参数，作为识别算法的输入数据。根据钢包浇注物理演化过程，结合现场经验规则，确定能够表征本发明所述的三个阶段定义的特征参数，共有12个：最大值、最小值、平均值、均方根、标准差、峰峰值、偏度、峭度、频率重心、均方频率、频率方差、烈度。

③动态模式识别方法

尽管钢流振动信号夹杂着诸多干扰成分，随机性、不确定性很强，且具有突变特征，但是无论多复杂的事物或者系统，其总是具有自身的固有特征，只要从某一个角度直接或者间接获取钢流振动信号固有特征的全部或者部分信息，就可以实现对钢包浇注卷渣过程的有效检测与控制。

将钢包卷渣过程识别归结为动态模式识别问题；所述的动态模式识别问题可定义为：在给定的某一时刻

，通过输入模式来识别目标模式

；所述的输入模式是识别对象在时刻的特征向量序列所描述的一个观测对象，其定义为

，

，为

维向量空间，为特征向量序列的个数；所述的目标模式

是

时刻需要识别的对象目标状态，所有的目标状态构成目标模式空间

，为目标模式的数目。

对于本发明所考察对象，有

，即所述的三个阶段定义；针对上述阶段定义，可设截止到某一时刻

得到的个观测值序列为

，钢包卷渣过程识别问题就是寻找输入序列

到目标模式空间

的一个映射寻找问题。

所述的映射寻找问题，利用在某一时刻获得的观测值序列

，可以计算

在每个目标工作状态下的条件概率即后验概率；所述的寻找输入序列

到目标模式

的映射问题就等价于寻找一个最优工作状态，使得在该状态下有最大条件概率

。

对于上述问题，其实现技术路线为：选择某种手段从钢流冲击振动信号中获得特征观察值序列

，并使

所覆盖的特征信息能够满足对钢包卷渣状态的识别要求；获取最优工作状态

，即各个钢包卷渣过程的标准状态，作为识别的门限与基准。

钢包浇注卷渣过程识别步骤如附图5所示，通过传感器(加速度传感器或者位移传感器)采集现场振动信号，进行相应的预处理操作之后，利用一种或者几种识别算法如人工神经网络(Artificial Neural Network，ANN)、隐性马尔可夫模型(Hidden Markov Model， HMM)等来进行特征提取与模式匹配，最后根据相关判断规则对当前浇注状态进行识别。当然，在这其中系统的知识学习也是必要的，它是保证识别算法的有效性、正确性的前提条件。因此，在系统投入使用之前必须利用大量的现场实验数据进行一定时间的学习。学习是目标识别过程中需要解决的另一关键问题，即在确定的浇注状态特征组成的观察值序列作为输入的条件下，得到各个浇注状态对应的最优工作模式，作为系统在线判断的依据。

④面向钢包卷渣过程识别的ANN模型

针对钢流冲击振动信号的复杂性与不确定性，只能通过一些对应的能够处理随机过程的算法来进行状态模式识别，来实现对卷渣状态的准确检测。鉴于人工神经网络(ANN)技术具有强有力的学习和并行处理能力、联想记忆能力，在处理不确定性信号识别方面的优越性能，本发明将其用于下渣振动信号的处理与识别。ANN通过一个使误差函数最小化过程完成输人到输出的映射。通常误差函数定义为所有输出层单元希望输出与实际输出的误差平方和，即

                                             (4)

式(4)中：p为样本个数，为网络期望输出，

为网络实际输出。

    基于上述分析结论，面向钢包卷渣过程的ANN模型由若干带有权值的节点组成，各节点按照所在位置与承担功能的不同分为信号输入层、中间隐含层与过程输出层；相邻两层的各节点两两进行连接，如附图6所示。信号输入层用来接收输入信号，即卷渣过程特征参数；该层共有12个节点，与卷渣过程特征参数的个数相对应。中间隐含层完成信号输入层与过程输出层的运算结果传递，其节点个数由具体计算要求确定，并可进行调整。状态输出层实现模型识别结果的输出；该层共有3个节点，与权利要求2所述的3个阶段定义相对应。

上述模型的工作流程为：将12个卷渣过程特征参数送到信号输人层节点，经过权值的处理传播到中间隐含层节点，在中间隐含层经过作用函数运算后，送到过程输出层节点，得到输出值，让它与期望输出值进行比较，若有误差就反向传播，逐层修改权值和阈值，重复上述过程，直到输出满足要求为止。该模型能够学习大量的模式映射关系，而不需要任何已知的数学函数知识描述输人、输出模式之间的映射；将输人模式映射到期望的输出模式，只需用已知的模式训练网络，通过学习，网络就具有了这种映射能力。

⑤基于改进的模拟退火-神经网络算法的卷渣过程在线识别

针对钢包卷渣过程振动信号随机性强，具有突变特征等特点，本发明选用一种改进的模拟退火神经网络(Simulated Annealing ANN， SA-ANN)来实现对浇注振动冲击信号的动态模式识别。所谓的SA-ANN是将快速模拟退火组合优化算法(Fast Simulated Annealing with Combinatorial Optimization， FSA-CO)与误差反向传播(Back Propagation， BP)网络相结合而得到的。由于SA是一种启发式随机搜索方法，它在搜索策略上与传统的统的随机搜索方法不同；它不仅引入适当的随机因素，而且还引人物理系统退火过程的自然机理。在迭代过程中不仅接受使目标函数值变“好”的点，而且还能够以一定的概率接受使目标函数值变“差”的点，接受概率随着温度的下降逐渐减小。模拟退火算法的这种搜索策略有利于避免搜索过程陷入局部最优解。所以用它来训练神经网络，可使相应的算法跳出局部优解而获得全局最优解，有利于提高求得全局最优解的可靠性。

因此，本发明采用FSA-CO作为神经网络的训练算法，可以有效解决BP网络可能在局部极小点收敛的问题，从而提高目标参数的预测精度。为了保证对振动信号识别的实时性，采用Powell算法来提高网络计算的收敛速度，实现对浇注状态的即时判断。上述算法具体实施过程可描述如下：

a.  利用快速模拟退火组合优化算法把网络中所有权重的集合看成是一个解向量，然后构造目标函数

；                        (2)

上述目标函数的最小值对应于问题的最优解；式(2)中，

为训练样本数，为输出层神经元的个数，

为第

神经元关于第

个样本的期望输出，

为第

神经元关于第

个样本的实际网络输出；

b.  初始化，随机产生一组初始网络权值

，并设置初始温度

、迭代次数

、检验精度，令

、

、

；

c.  将网络权值

作为初始点，利用鲍威尔算法进行优化，快速搜素到某一个局部极小点，得到一组新的网络权值，令

、

、

；

d.  将网络权值

作为迭代值

，设当前解

，令

，进行最佳保留模拟退火操作；按照接受准则，得到一组新的网络权值

；令

，其下降实现方法为

；                                       (3)

e.  若经过模拟退操作后所得的网络权值

满足精度要求或迭代次数，则算法结束；否则，若

，则令

，转入步骤 c ；若

，则令

，转入步骤 d 。

基于上述方法，以搭建的水模实验台为检测对象进行了系统模拟测试。附图8、附图9为某次钢包容器排流过程中所检测到的振动信号图形，其中附图8 (a)、附图9 (a)为经过SA-ANN处理后的振动信号变化趋势，横坐标为时间

，纵坐标为无量纲特征参数幅值

；附图8 (b)、附图9(b)为未经处理的时域振动信号，横坐标意义与(a)图相同，只是所表示的时间范围相对较小，纵坐标为振动信号幅值

。附图8所描述的是旋涡还未形成的情形，这时时域信号的幅值较高，其峰值大小在0.05

以上；而经过ANN处理后的信号变化趋势相对平缓，其幅值在0.6以下，没有超过预先设定的阈值，如图中红线所示。附图9所描述的是旋涡已经形成的情形，这时时域信号的幅值较小，其峰值大小在0.02以下；而经过SA-ANN处理后的信号超过设定阈值，检测到旋涡冲击的存在。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (3)

1.一种钢包卷渣过程识别方法，其特征在于：其步骤过程如下：

首先，对钢包浇注过程中的钢流冲击振动信号时间序列进行阶段定义，包括未有钢渣混入钢流的初始阶段，钢水、钢渣与空气混合成钢流的过渡阶段，以钢渣为主的钢流的完结阶段；

然后，处理现场干扰信号，确定钢包卷渣过程特征参数，包括最大值、最小值、平均值、均方根、标准差、峰峰值、偏度、峭度、频率重心、均方频率、频率方差和烈度；

再者，基于动态模式识别方法，建立面向钢包卷渣过程识别的人工神经网络模型；所述人工神经网络模型的信号输入层以卷渣过程特征参数作为输入信号，其过程输出层是需要识别的三个阶段定义；所述输入层的输入信号在中间隐含层经过作用函数运算后得到输出值；

其中，所述的作用函数是                                                    

；                      (1)

然后利用快速模拟退火组合优化算法把网络中所有权重的集合看成是一个解向量，然后构造目标函数

；                    (2)

式(2)中，

为训练样本数，为输出层神经元的个数，

为第

神经元关于第个样本的期望输出，为第

神经元关于第个样本的实际网络输出；

最后，通过修改网络权值来得到式(2)的目标函数的最小值，取得钢包卷渣过程中各个阶段定义的标准状态。

2.根据权利要求1所述的一种钢包卷渣过程识别方法，其特征在于：所述修改网络权值来取得目标函数最小值步骤如下：

①初始化，随机产生一组初始网络权值

，并设置初始温度

、迭代次数

、检验精度

，

是目标函数的取值，令

、

、

；

②将网络权值

作为初始点

，利用鲍威尔算法进行优化，快速搜素到某一个局部极小点，得到一组新的网络权值，令

、

、；

③将网络权值

作为迭代值

，设当前解

，令

，进行最佳保留模拟退火操作；按照接受准则，得到一组新的网络权值

；令

，其下降实现方法为

；                           (3)

④若经过模拟退操作后所得的网络权值

满足精度要求或迭代次数，则算法结束；否则，若

，则令

，转入步骤②；若

，则令

，转入步骤③。

3.根据权利要求1或2所述的一种钢包卷渣过程识别方法，其特征在于：所述的现场干扰信号的处理方法，是首先通过程序判断滤波克服随机脉冲干扰，然后利用滑动平均滤波有效抑制周期性干扰信号，最后进行无限冲击响应滤波。

Images