CN102319883B - 一种连铸坯质量在线预报的控制方法 - Google Patents

Abstract

一种连铸坯质量在线预报的控制方法，属于冶金自动化控制领域。采用二级控制软件，将基于专家系统、数理统计和神经网络的综合质量预测规则程序化，通过二级控制软件和一级基础自动化控制系统数据通讯，实现连铸生产过程的铸坯质量的自动预测；质量判定系统总体架构共分为影响因素实时数据采集进模块、浇铸状态浇铸信息跟踪模块、异常事件铸坯质量预报模块、离线仿真系统、质量预报系统数据库、与一级通讯接口模块、系统HMI画面7个部分。优点在于，实现连铸生产过程的铸坯质量的在线自动预测。

Description

一种连铸坯质量在线预报的控制方法

技术领域

本发明属于冶金自动化控制领域，特别是提供了一种连铸坯质量在线预报的控制方法，对连铸坯质量在线预测预报。

背景技术

近年来，热送热装和直接轧制紧凑化工艺技术得到了快速发展。这些新技术要求铸坯的表面质量和内部质量基本上不经清理就能满足直接轧制的要求，铸坯没有下线进行人工取样质量检查的机会，所以传统的冷态连铸坯质量检查方法已不能满足这些新工艺的要求，而热态在线检查成为进行铸坯质量控制的必要手段。但要对铸坯各种类型的质量缺陷进行在线的全面检测，又需要一整套技术复杂且价格昂贵的设备及日常大量的维护工作，目前还难以比较经济地付诸实践。因此，如何根据铸坯缺陷形成机理，利用现代数学与人工智能技术建立铸坯质量的在线预报系统受到广泛关注。

国际上相对成熟的技术有英国钢铁公司的结晶器热监控系统(MTM)、奥钢联的计算机辅助质量控制系统(CAQC)、曼内斯曼·德马格公司的质量评估专家系统(XQE)、意大利达涅利公司的连铸坯质量控制系统(QCS)、日本大同钢铁公司知多厂开发的表面质量检测系统、加拿大开发的基于骨架系统“COMDALE/X”方坯质量问题专家系统、澳大利亚BHP公司开发的方坯连铸机质量预测专家系统和芬兰劳塔鲁基Raahe钢厂开发的自动板坯质量预测系统等。国内许多钢厂也曾引进，但不适合国内钢铁企业实际情况，导致这些系统应用效果大打折扣。

国内关于这方面的研究还处于对国外引进的连铸坯质量判定系统的消化和吸收阶段，具有完全自主知识产权并投入实际成功应用的国产连铸坯质量判定系统还鲜有报道。在消化吸收国外系统的基础上并进行功能扩展和优化方面做的当属宝钢的板坯品质异常把握模型。该模型是在引进日本新日铁的计算机辅助质量判定(CAQJ)系统的基础上，依靠宝钢自身的技术力量研究开发，于2001年起逐步投入使用。此外，天津钢管公司还针对其圆坯连铸机开发了质量评估系统，该系统收集26个参数，根据参数的异常信息来预测圆坯质量，如外来夹杂物、内生夹杂物、皮下偏析裂纹、中间裂纹、中心偏析裂纹、表面裂纹、其它表面裂纹或几何缺陷。但由于种种原因，该模型未进行热试，亦未在线使用。

发明内容

本发明目的在于提供一种连铸坯质量在线预报的控制方法，采用二级控制软件(软件生产线上已有)，将基于专家系统、数理统计和神经网络的综合质量预测规则程序化，通过二级控制软件和一级基础自动化控制系统数据通讯，实现连铸生产过程的铸坯质量的在线自动预测。

质量预测规则是以表面横裂纹、表面纵裂纹、角部裂纹和内部中心裂纹、中间裂纹、三角区裂纹、中心疏松与偏析、气泡和针孔以及其他影响钢材最终产品品质的质量缺陷为研究对象，通过对连铸凝固过程的冶金机理分析和大量连铸生产实际数据的统计，建立起来的综合专家系统、数理统计与神经网络的综合预测方法。

质量判定系统共分为下面5个模块单元，见附图1。各单元功能介绍如下：

第一模块单元：影响因素实时数据采集模块单元，此单元详细分为人工触发事件采集单元和实时数据自动采集单元。

人工触发事件采集单元是采集人工输入的质量信息事件触发信号，并将触发信号与对应的浇铸长度信息一同记录在质量预报数据存储单元中的实时事件存储单元；

实时数据自动采集单元是以采样周期为500ms对连铸过程参数数值进行实时采集的控制单元。对用于35个异常事件判定的过程参数，把其过程值带入专家知识库中的触发条件，若满足触发条件，即将此异常事件及其开始、结束位置所对应的浇铸长度存入质量预报数据存储单元中的实时事件存储单元，其他用于贝叶斯算法和神经网络的参数实时值则和当前对应的浇铸长度信息一同存入质量预报数据存储单元中的实时过程数据存储单元。

第二模块单元：浇铸信息跟踪模块单元，此单元分为第一跟踪单元“浇铸长度跟踪模块”、第二跟踪单元“浇铸状态跟踪模块”和第三跟踪单元“铸坯切割跟踪模块”。

浇铸长度跟踪模块负责每500ms采集每个铸流的浇铸长度。浇铸长度是通过读取铸流编码器的数据来获得，因驱动辊存在打滑现象，浇铸长度跟踪模块根据实际切割长度的信息对浇铸长度进行修正。

浇铸状态跟踪模块负责读取一级公用PLC模块中的大包到达、大包开浇、中间包开浇、大包停浇、中间包停浇等过程信号。其中，浇次第一炉次的大包到达信号触发异常事件铸坯质量预报模块的初始化，大包开浇、大包停浇信号触发某些质量事件(例如过渡坯等缺陷的判定)的开始、结束状态。

铸坯切割跟踪模块负责跟踪火焰切割机的铸坯切割完成信号。本模块获得切割完成信号后，触发异常事件铸坯质量预报模块单元对这段铸坯开始位置对应的浇铸长度至结束位置对应的浇铸长度之间的人工触发事件和实时过程参数数值进行质量判定。

第三模块单元：铸坯质量预报模块单元，本单元分为两个子单元。第一判定单元：异常事件铸坯质量预报模块；第二判定单元：基于贝叶斯算法和BP神经网络算法的过程数据铸坯质量预报模块。

异常事件铸坯质量预报模块是得到铸坯切割跟踪模块跟踪切割机的铸坯切割完成信号后，读取实时事件存储单元中的这段铸坯开始位置对应的浇铸长度至结束位置对应的浇铸长度之间的异常事件列表，异常事件的质量缺陷类型和质量等级进行逻辑计算。

逻辑计算规则包括，1、异常事件影响范围，此影响范围包括异常事件发生期间的生产的铸坯，也包括异常事件影响补充范围。其中，影响范围的类型包括：向前向后影响多少米、向前向后影响几块铸坯、向前向后影响几个炉次。2、异常事件的偏移量，即异常事件发生开始、结束位置距结晶器弯月面的长度；3、异常事件的质量等级，连铸生产的不同等级的铸坯产品用于后道工序不同规格热轧产品的生产。具体的等级划分为：11级，供热轧O5板(1，2级)；12级，供热轧O3/O5(1，2级)；13级，供热轧O3(3级)；14：最差的质量等级；4、若存在若干质量缺陷类型，则系统安按最严重的质量等级来判定。

基于贝叶斯算法及神经网络BP算法的铸坯质量预报模块是得到铸坯切割跟踪模块跟踪切割机的铸坯切割完成信号后，读取实时过程数据存储单元中的这段铸坯开始位置对应的浇铸长度至结束位置对应的浇铸长度之间的实时参数数值列表，运用贝叶斯算法计算某一质量缺陷出现的概率，同时运用人工神经网络BP算法推理机制根据不同的因素与缺陷对应关系对实时过程数据进行分别推理，得出此块铸坯的缺陷类型和缺陷等级。

最终结合两部分预测结果，给出最终的连铸坯质量预测结果，包括质量等级、质量问题代码、质量问题备注、判定结果等信息。

第四模块单元：离线仿真系统单元，此单元分为影响因素权重自学习模块和离线铸坯质量判定模块。

影响因素权重自学习模块是通过采集生产完成的较好铸坯表面质量和内部质量检验结果作为样本，在质量预报模型存储单元中找出此铸坯对应的质量参数信息过程值和人工输入的质量异常事件，运用两种手段对此铸坯质量参数和事件与铸坯质量检验结果进行对应关系的仿真。首先，运用数理统计中的概率算法，把异常质量事件、参数信息逐一与质量检验结果进行对应关系仿真，得到每一个质量因素引起每一个质量缺陷的概率，然后再把几个不同的质量因素引起每一个质量缺陷的概率做概率计算，得到若干组质量因素与质量缺陷的对应关系和发生概率。第二，运用带有三层BP网络结构的函数逼近模型，把铸坯对应的质量参数信息过程值、人工输入的质量异常事件与此铸坯质量检验结果作为输入和输出的样本，挑选50组这样的典型样本对此神经网络进行初步训练，得出质量因素与铸坯质量缺陷、缺陷等级的函数关系。两个方法得出的仿真结果用于提高通过运用专家知识和经验的质量规则进行质量缺陷和质量等级判断的准确性和完整性。

离线铸坯质量判定模块是运用影响因素权重自学习模块得到的影响因素权重值，根据基于贝叶斯算法及神经网络BP算法的铸坯质量预报模块的计算步骤重新判断此铸坯产品质量缺陷类型和缺陷等级，然后，与此铸坯的实际质量检验结果相比较，如果判定结果与实际检验结果相差较大，则说明影响因素权重值不合理，挑选典型的样本再次进行自学习。此方法也用于检验神经网络BP算法的推理机制是否合理。

第五模块单元：质量预报数据存储单元，分4个子存储单元：第一存储单元是铸机设备和冶金参数信息存储单元，包括铸机设备信息、钢种信息、钢种成分信息、钢种分组信息等存储表；第二存储单元是铸坯质量规则库，包括缺陷列表、异常质量参数列表、异常质量参数与质量缺陷的规则表、异常质量参数影响范围表等；第三存储单元是过程数据数据表，存储浇铸过程中的质量参数实时过程数值、人工输入的异常事件、浇铸长度信息、浇铸状态信息等；第四存储单元是板坯判定结果存储表，包括当前将要切割的铸坯质量缺陷信息、质量等级信息表以及历史铸坯质量缺陷、质量等级信息表。

所述的质量在线预测自动控制步骤如下，流程图见附件2：

1、二级控制软件系统启动后，浇注信息跟踪与影响因素实时数据采集进程定期扫描连铸过程参数，判定二级控制软件系统是否运行；当检测到连铸机未生产，二级控制软件系统进行等待状态，不做任何操作；

2、当二级控制软件系统检测到铸机开浇信号后，二级控制软件系统对浇次实时数据表进行初始化；浇注信息跟踪与影响因素实时数据采集进程采集影响铸坯质量的异常事件信息、浇注信息和连铸过程工艺参数实测数据；

异常事件信息结合浇铸信息就能准确的确定每个影响因素在铸坯的上的位置，过程参数实测数据位置信息通过切片实现，即将铸流分成若干200mm厚的切片；切片从结晶器弯月面处生成，经历整个铸机内的热-机历程；在此过程中记录切片在不同位置的连铸过程数据；二级控制软件系统将这些信息存入浇次实时数据表中。

3、浇注信息跟踪与影响因素实时数据采集进程获得判定系统基础数据后，板坯质量预报模块进行对连铸坯最终质量进行预测判定。板坯质量预报模块包含“异常事件质量预报模块”和“连铸过程数据质量预报模块”。

通过输入的过程参数，板坯质量预报模块运用专家系统冶金知识库的判定规则对过程参数进行危害性判断，同时结合基于概率的不确定性算法和人工神经网络的推理机制对过程数据对铸坯质量的影响程度进行预测，得到关于铸坯质量的综合判断。

4、质量预报系统的输出结果可以以产品质量报表的形式提供给相关用户，内容包括：铸坯生产时间、所属炉次、铸坯编号、所属铸流号、铸坯类型、铸坯规格信息、质量等级、质量问题代码、质量问题备注、判定结果、建议意见等信息。

附图说明

图1为本发明所述的连铸坯质量在线预报系统总体结构示意图。

图2为本发明所述的连铸坯质量在线预报系统运行流程图。

具体实施方式

(一)连铸浇次：1140474

本浇次包含炉次111A04483、111A04484、111A04485、111A04486、111A04487、111A04488、111A04489共7炉低碳钢SPHC钢水，采用35项汽车板质量判定规则。

判定按如下步骤进行：

一：质量判定系统的浇铸状态信息跟踪模块与影响因素实时数据采集进程依次检测到111A04483炉次到达、炉次开浇信号，系统对浇次实时数据表进行初始化；

二：采集进程开始采集异常事件信息、浇注信息和连铸过程工艺参数实测数据，并存入相应的数据存储单元中；

三：浇注长度在0.46m～2.53m之间，系统连续检测到自动产生的异常事件“拉速变化(dVg/dt)不符合规范，问题代码Q11”和“低拉速，问题代码Q12”，存入实时事件存储单元；

……；

浇注长度在6.246m～6.889m之间系统检测到异常事件“液位波动大于8mm，问题代码Q35”，存入实时事件存储单元；

……；

111A04483停浇，作为异常事件“过渡坯，问题代码Q10”记录开始点，111A04484开浇，作为本异常事件记录结束点，对应浇注长度在49.432m～49.857m之间，存入实时事件存储单元；

……；

浇注长度在158.225m～159.313m之间系统检测到操作员工作站OWS上人工触发的质量异常事件“SEN堵塞(套眼)/换水口，问题代码Q27”，存入实时事件存储单元；

……；

最后一炉钢水111A04489切割完成，系统停止记录异常事件，并从过程数据数据表中获取切割信息；

系统记录浇次生产过程中的工艺参数，如拉速、过热度、结晶器冷却水量与水温差、二冷水量等，存入相应的数据表中。

四：板坯质量预报模块结合浇次实时数据表记录内容利用专家系统、数理统计的不确定性算法及神经网络BP算法对板板质量进行预测判定，并给出最终结果：

第一块板坯111A04483401是头坯(问题代码Q09)，同时存在Q11、Q12、Q35，通过专家系统直接降级到14级，不必启动数理统计的不确定性算法及神经网络BP算法的联合算法对裂纹偏析等缺陷进行预测；

第二块板坯111A04483402对应的浇注长度上不存在问题代码记录，且通过联合算法预测，内部裂纹等级小于0.5级，碳偏析小于0.5级，综合判定为正常坯，质量等级为11级；

……；

第五块板坯111A04483405和第六块板坯111A04484401对应的浇注长度上存在“过渡坯，问题代码Q10”，但通过联合算法预测，内部裂纹等级小于0.5级，碳偏析小于0.5级，综合判定仍为降级坯，质量等级为12级；

……；

111A04485404板坯浇注长度上存在“SEN堵塞(套眼)/换水口，问题代码Q27”，通过专家系统直接降级到14级，不必启动数理统计的不确定性算法及神经网络BP算法的联合算法对裂纹偏析等缺陷进行预测；

……；

本浇次最后一块板坯111A04489407是尾坯(问题代码Q09)，同时存在Q08、Q13和Q14，通过专家系统直接降级到14级，不必启动数理统计的不确定性算法及神经网络BP算法的联合算法对裂纹偏析等缺陷进行预测；

四、整浇次铸坯质量预测判定结束后，输出结果可以以产品质量报表的形式提供给相关用户，导出格式为Excel格式，且通过连铸过程控制系统(PCS，L2)上传至制造执行系统(MES，L3)。

质量预报系统对铸坯质量实行在线及时判断，确保包钢热送热装坯的质量，从而为首钢在节能降耗、降低生产成本以及提高钢材合格率方面带来显著的经济效益和社会效益。

Claims (2)

1.一种连铸坯质量在线预报的控制方法，采用二级控制软件，将基于专家系统、数理统计和神经网络的综合质量预测规则程序化，通过二级控制软件和一级基础自动化控制系统数据通讯，实现连铸生产过程的铸坯质量的自动预测；其特征在于， 

质量判定系统共分为5个模块单元，第一模块单元：影响因素实时数据采集模块单元，本模块单元分人工触发事件采集单元和实时数据自动采集单元；第二模块单元：浇铸信息跟踪模块单元，本模块单元分为浇铸长度跟踪模块、浇铸状态跟踪模块和铸坯切割跟踪模块三个子单元；第三模块单元：铸坯质量预报模块单元，本模块单元分异常事件铸坯质量预报模块和基于贝叶斯算法和BP神经网络算法的过程数据铸坯质量预报模块两个子单元；第四模块单元：离线仿真系统单元，此单元分为影响因素权重自学习模块和离线铸坯质量判定模块两个子单元，第五模块单元：质量预报数据存储单元，分4个子存储单元：铸机设备和冶金参数信息存储单元、铸坯质量规则库、过程数据数据表、板坯判定结果存储表，质量在线预测自动控制步骤如下： 

（1）二级控制软件系统启动后，浇铸信息跟踪模块单元与影响因素实时数据采集模块单元定期扫描连铸过程参数，判定二级控制软件系统是否进入进行检测的工作状态；当检测到连铸机未生产，二级控制软件系统进行等待状态，不做任何操作； 

（2）当二级控制软件系统检测到铸机开浇信号后，二级控制软件系统对浇次实时数据表进行初始化浇铸信息跟踪模块单元与影响因素实时数据采集模块单元采集影响铸坯质量的异常事件信息、浇注信息和连铸过程工艺参数实测数据； 

异常事件信息结合浇铸信息就能准确的确定每个影响因素在铸坯上的位置，过程参数实测数据位置信息通过切片实现，即将铸流分成若干200mm厚的切片；切片从结晶器弯月面处生成，经历整个铸机内的热-机历程；在此过程中记录切片在不同位置的连铸过程数据；二级控制软件系统将这些信息存入浇次实时数据表中； 

浇铸信息跟踪分为“浇铸状态跟踪”和“浇铸长度跟踪”；“浇铸状态跟踪”针对炉次状态、炉次对应钢种信息、切割状态的实时跟踪；“浇铸长度跟踪”是对实时浇铸长度的跟踪，包括结晶器弯月面在浇铸总长度上的位置的跟踪，计划铸坯的头部和尾部位置的跟踪； 

连铸工艺参数实测数据是通过系统每500ms采集一次获得的过程参数数值；这 些参数包括拉速、过热度、中间包重量、结晶器液位、二冷区各回路水量参数； 

（3）浇铸信息跟踪模块单元与影响因素实时数据采集模块单元获得判定系统基础数据后，铸坯质量预报模块单元对连铸坯最终质量进行预测判定； 

通过输入的过程参数，铸坯质量预报模块单元运用专家系统冶金知识库的判定规则对过程参数进行危害性判断，同时结合基于概率的不确定性算法和人工神经网络的推理机制对过程数据对铸坯质量的影响程度进行预测，得到关于铸坯质量的综合判断； 

（4）质量预报系统的输出结果以产品质量报表的形式提供给相关用户，内容包括：铸坯生产时间、所属炉次、铸坯编号、所属铸流号、铸坯类型、铸坯规格信息、质量等级、质量问题代码、质量问题备注、判定结果、建议意见信息。 

2.根据权利要求1所述的方法，其特征在于，所述的异常事件触发有两种方式，一种方式是现场人员通过操作箱/触摸屏或主控室主控人员在HMI上点击相应的开始按钮和结束按钮，另一种方式是通过系统自动采集、逻辑判断的方式定位出异常事件发生的开始位置和结束位置。 

Images