CN102343427A

CN102343427A - 基于拉坯阻力的板坯连铸结晶器漏钢预报方法

Info

Publication number: CN102343427A
Application number: CN201110293406XA
Authority: CN
Inventors: 王红君; 司向飞; 赵辉; 岳有军
Original assignee: Tianjin University of Technology
Current assignee: Tianjin University of Technology
Priority date: 2011-09-29
Filing date: 2011-09-29
Publication date: 2012-02-08

Abstract

本发明涉及一种基于拉坯阻力的板坯连铸结晶器漏钢预报方法，属于冶金过程中连铸环节的控制领域，主要解决现有的基于温度的漏钢预报方法时滞性问题。本发明的技术方案为:（1）采集连铸现场的生产数据，并计算拉坯阻力；（2）对阻力信号进行降噪处理，并分别提取连铸正常进行和发生异常（漏钢和保护渣异常）时的阻力特征，构造特征向量；（3）使用特征向量和支持向量机来训练阻力信号的识别模型；（4）将拉坯阻力的实时信号送入识别模型，进行结晶器生产状况的判断。本发明通过使用拉坯阻力来进行漏钢预报的判断，能明显地提前预报时间，有利于预防漏钢漏钢事故的发生、提高铸坯质量和优化连铸工艺参数。

Description

基于拉坯阻力的板坯连铸结晶器漏钢预报方法

技术领域

本发明涉及一种板坯连铸结晶器漏钢预报方法，具体为依据板坯连铸过程中结晶器内坯壳与结晶器间铜板的阻力变化情况来预防连铸过程中的漏钢事故。

背景技术

连铸与传统的钢模铸锭法相比，可省去钢模铸锭装置和价格昂贵的初轧开坯装置，具有提高产品质量和成材率、节约能源、降低成本等优点。结晶器是连铸机中的核心设备，板坯的坯壳即是在结晶器中形成和生长的，在此过程中，若初生坯壳生长不良，导致其出结晶器时厚度不够或不均匀，难以抵挡其内部钢液的静压力，在坯壳薄弱处发生断裂而使钢水流出，形成漏钢。漏钢是发生在连铸过程中最严重的事故，也是整个钢厂中的重大事故。一次典型的漏钢会造成3～5个小时的生产中断、损坏结晶器及下游设备，所造成的经济损失达几十万甚至上百万元的经济损失。

导致漏钢的原因错综复杂，如钢水成分、钢水过热度、中间包液面不稳定、结晶器液面波动、拉速、结晶器倒锥度、结晶器铜板质量、保护渣性质、冷却水强度等。漏钢的种类也很多，如开浇漏钢、悬挂漏钢、裂纹漏钢、夹渣漏钢、切断漏钢、粘结漏钢等。由于现有设备及工艺的限制，漏钢事故时有发生，开发漏钢预报方法成为预防漏钢事故最重要的手段。在以下的中国公开专利号CN200510127842.4、CN200710093907.7、CN200710094013.X、CN200910010163.7、CN200910055590.7、CN201010207115.X、CN200710093907.7、CN201020541877.9中所开发的漏钢预报方法，所依据的均是基于热电偶测温度的，由于温度本身的滞后性，基于温度的漏钢预报所作的“预报”实质上只是对漏钢事故的一种检测，当报警时铸坯质量已经受到一定程度的影响。同时，由于高效连铸技术的发展，使得坯壳在结晶器内的停留时间大大缩短，当产生漏钢征兆时，基于温度的漏钢预报难以做出及时的反应。要想在保证高质量铸坯的前提下，实现高速连铸，提高生产效率，就需要开发新的漏钢预报方法。

拉坯阻力指的是运动着的坯壳与结晶器之间的相互作用力，它是反映坯壳状态的敏感物理量。现场观察发现，在漏钢事故发生的前2～5min，拉坯阻力会有显著变化。由于拉坯阻力的复杂性及难以测量性，导致其理论和应用研究一直落后于温度的研究，同时，由于其过于敏感，易造成误报，在一定程度上限制了其在漏钢预报中的应用。

发明内容

本发明的目的在于开发一种基于拉坯阻力的结晶器漏钢预报方法，主要用于解决基于温度的结晶器漏钢预报方法的时滞性，在提前漏钢预报的时间的同时，减少误报，其实现框图如图1所示。

本发明提供的基于拉坯阻力的板坯连铸结晶器漏钢预报系方法，用于板坯连铸结晶器漏钢预报，该方法实现步骤如下：

a、采集现场生产数据，并计算拉坯阻力：通过电涡流大位移高温传感器检测结晶器振动台的振频，利用功率计检测振动电机的功率，并将测得的数据送入信号调理电路及A/D转换模块；将采集到的功率和振频送至上位工控PC机；

b、对得到的拉坯阻力信号进行软降噪处理及信号的特征提取；

c、利用支持向量机和能反应信号特征的特征向量来训练阻力信号的识别模型；

d、将现场的拉坯阻力输入到识别模型中，通过阻力特点对结晶器的生产状况进行预报。

步骤b中的信号特征提取，通过利用小波包变换，对阻力信号特征提取后，能大大降低识别模型的输入维数，提高识别的响应速度。

步骤c中利用支持向量机来训练识别模型，支持向量机不同于神经网络的局部最优解，而是一种基于统计学的具有全局最优解的机器学习方法；支持向量机的训练参数采用粒子群算法来获取，以保证模型的准确性。

本发明的优点有以下几点：

a)通过使用功率计监测振动电机的功率来实现；拉坯阻力的实时监测，由于功率计安装在配电室内，可免受现场高温、大噪声的干扰，利于其稳定工作及信号采集的准确性。

b)使用小波包算法实现信号的软降噪，能提高信号的“纯净度”，进而提高模型的准确度及不同类别的拉坯阻力信号识别的准确度；通过小波包对拉坯阻力信号进行特征提取后，能大大降低信号特征维度，使报警的实时性得到提高。同时，信号经过小波包特征提取后，不同类型的拉坯阻力信号的特征更加明显，更易于与其它类型的信号区分，从而降低基于拉坯阻力的结晶器漏钢预报的误报次数。

c)由于支持向量机是基于统计学发展而来的机器学习方法，能得到分类中的最优解，而神经网络却只能得到局部最优解且其隐含层的数目只能根据经验来确定，所以利用支持向量机来训练拉坯阻力的识别模型更加科学。

d)针对以前支持向量机训练参数的获取采用“试探法”的不科学性，本方法中采用粒子群优化算法来获取训练参数，以保证训练参数的最优。

e)基于温度的漏钢预报方法只对粘结漏钢有高响应，对纵裂漏钢响应不高，不能反映结晶器内保护渣的状况及结晶器的使用寿命；由于拉坯阻力反映的是结晶内整个系统的状况，在保护渣异常时，阻力波形会显示与正常时明显的不同波动，在结晶器使用一段时间后，由于铜板表面的磨损，也会使阻力幅值上整体改变，当改变到达一定限度后，说明结晶器已达到需要维护的程度，从而实现结晶器由按计划维护转变到按实际使用维护，提高设备利用率。

f)本方法实现的是拉坯阻力的智能识别，能减少人为的判断失误和降低工作人员的劳动强度。

附图说明

图1为基于拉坯阻力的板坯连铸结晶器漏钢预报方法总体框图。

图2为信号采集模块框图。

图3为传感器安装示意图，(a)位移传感器安装示意图，(b)功率计安装示意图。

图4为建立拉坯阻力识别模型的过程。

图5为部分结晶器阻力的部分波形，(a)正常拉坯时结晶器阻力波形，(b)发生粘结时结晶器阻力波形。

图6为提取的四种情况(1-正常、2-粘结、3-纵裂、4-保护渣异常)下的部分特征值(未归一化前)

图7为结晶器阻力的支持向量机识别模型建立的结果。

图8为结晶器阻力的支持向量机识别模型的测试结果

具体实施方式

基于拉坯阻力的板坯连铸结晶器漏钢预报方法的具体实施方式分以下几个步骤：

I数据采集

数据采集由选用的液压式结晶器振动装置和功率计完成。

i)由于坯壳所处环境及其恶劣，其内部是炽热的钢液，外部为保护渣(或液态或固态或熔融态)和水冷的结晶器铜板，造成拉坯阻力难以直接测量。所以采用间接的测量方法：

F = \frac{9.545 \times ΔP \times η}{f \times r}

式中，F-拉坯阻力(KN)；ΔP-拉坯时和空振时振动电机功率差值(KW)；η-机械传动效率(％)；f-振动台振动频率(c/min)；r-偏心轮半径(m)。其中电机功率由安装在配电室内的功率计测得，振频由现场的位移传感器测得，数据采集模块及传感器的安装示意图分别如图2、3所示，其中图3是选用的液压式结晶器振动装置安装示意图，(a)中1-6位置为6个位移传感器的安装位置，(b)为配电室内功率计的安装示意图。

ii)在结晶器的最大振幅控制在10mm以内的情况下，结晶器的振动频率为50-400c/min，振动频率约为1-6Hz，属于很低频的情况，宜采用对低频信号比较敏感的位移传感器。同时，结晶器工作在高温环境下，热面温度可达400℃，所以利用非接触式电涡流大位移高温传感器来检测结晶器振动台的振动频率。

iii)为检测振动电机的功率，可将振动电机变频器的输出端通过电缆延伸至振动电机控制柜内，并将功率计安装在控制柜内，以远离现场恶劣条件，有利于功率计的长期稳定工作，。

iv)将传感器检测到的信号送入到信号调理模块中，进行信号的高频噪声剔除、去抖动等处理，并最终将信号调理至数据采集卡所能处理的范围内。

v)数据采集卡是插在PC机内的，现场检测到的关于振动台的模拟信号经A/D转换后，送入上位工控PC机中，并对信号进行进一步地处理。最终检查到的结晶器阻力部分波形如图5所示。

II建立识别模型

i)利用拉坯阻力计算公式计算阻力，并对拉坯阻力信号进行进一步的小波包软降噪处理，以提高信号的信噪比，减少噪声干扰。

ii)对降噪后的拉坯阻力信号进行小波包特征提取工作，以获得结晶器不同工作状态下(正常、粘结、裂纹、保护渣异常等)拉坯阻力的特征向量，用于阻力识别模型的训练。其中的特征向量为阻力信号经小波包分解后，各个频率段的小波系数的能量值，其计算公式为：

X_{D} = \sqrt{\frac{1}{N - 1} Σ_{n - 1}^{N} {(ω_{j, k} (n) - \overset{&OverBar;}{ω})}^{2}}

式中，j为分解的层数取j＝4；k为频段序号，当取j＝n时有k＝0，1，…，n-1，N为各频段内小波包系数的总个数；ω_j，k(n)为各频段的小波包系数；为各频段小波包系数的平均值。依此提取的部分特征值如图6所示，图中数据为取j＝4时的特征值情况。

iii)由于使用支持向量机来训练信号的识别模型，所以要将获得的特征向量进行归一化和数据格式调整地预处理。

iv)采用粒子群算法获取支持向量机训练参数g为0.0078125、惩罚因子为32，核函数参数采用径向基核函数。其它的训练参数为：核函数中γ＝1/16；终止准则的容忍偏差e为0.001；对各类样本的惩罚系数C加权为1。

v)将训练参数和数据样本(每种情况400组训练样本，共有4×400组样本)输入到支持向量机中，并训练获得拉坯阻力的信号波形识别模型。

vi)利用识别模型对拉坯阻力信号进行实时识别，整个模型的建立过程如图4所示，建立的模型如图7。图7中各参数含义如下：#iter为迭代次数，nu为选择的核函数类型的参数，obj为SVM文件转换为的二次规划求解得到的最小值，rho为判决函数的偏置项b，nSV为标准支持向量个数，nBSV为边界上的支持向量个数，Total nSV为支持向量总个数；支持向量机采用1-a-1来实现多分类问题，由于对正常、粘结、裂纹、保护渣异常四种情况进行分类，所以需要个支持向量机。

vii)利用识别模型进行离线测试，对80个测试样本(四种情况下，每种20个测试样本)的分类预测精度(Accuracy)达到了98.75％，如图8所示。打开生成的分类结果文件test.predict，发现错分的结果是将第三类状况(纵裂)错分到了第二类状况(粘结)中，可能的原因是坯壳在结晶器内产生纵裂纹后，坯壳内钢液泄露并导致粘结。

Claims

1.一种基于拉坯阻力的板坯连铸结晶器漏钢预报方法，用于板坯连铸结晶器漏钢预报，其特征在于该方法实现步骤如下：

2.按照权利要求l所述的方法，其特征在于步骤b中的信号特征提取，通过利用小波包变换，对阻力信号特征提取后，能大大降低识别模型的输入维数，提高识别的响应速度。

3.按照权利要求l所述的方法，其特征在于步骤c中利用支持向量机来训练识别模型，支持向量机不同于神经网络的局部最优解，而是一种基于统计学的具有全局最优解的机器学习方法；支持向量机的训练参数采用粒子群算法来获取，以保证模型的准确性。