CN102554171B - 一种连铸漏钢预报的方法 - Google Patents

Abstract

一种连铸漏钢预报的方法，属于冶金连铸技术领域，特别涉及板坯连铸过程漏钢的预报方法。在基于温度监控的漏钢预报算法方面，本发明将自适应遗传算法引入BP神经网络，实现网络结构的自动优化，提高了模型的识别精度；在基于摩擦力监控漏钢预报方面，本发明建立了一种基于逻辑判断和神经网络的摩擦力监控模型。基于上述两种模型的预测结果，本发明将温度监控的准确性与摩擦力监控的灵敏性有机结合，建立了温度监控为主、摩擦力监控为辅的预报机制，实现了温度监控模型与摩擦力监控模型耦合，确保了最终预测的准确性，有效降低了误报率。

Description

一种连铸漏钢预报的方法

技术领域

本发明属于冶金连铸中监控技术领域，特别涉及一种板坯连铸过程的漏钢预报方法。

背景技术

漏钢是连铸生产过程中危害性最大的生产事故之一，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。

目前国内外几乎所有漏钢预报系统主要通过逻辑判断和神经网络对连铸粘结漏钢进行预报。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，因此成为近年来漏钢预报的主要方法。例如专利200910010163.7介绍了一种利用模糊神经网络建立了时序空间组合诊断漏钢预报模型的方法。专利201010207115.X介绍了一种基于遗传算法的BP神经元网络在漏钢预报中的应用方法。以上预报技术都是在热电偶测温法的基础上，利用神经元网络识别粘结状态下的典型温度模式来达到预报目的。但在实际应用中，由于某些漏钢事故(比如纵裂漏钢)在并不一定引发坯壳与铜板的粘结，因此不会引起温度监控的明显反应，从而导致漏报；还有在非稳态浇铸过程中，结晶器铜板温度会发生显著的温度变化，会造出系统误报。这些问题都降低了漏钢预报的准确率。

摩擦力监控手段具有很高的灵敏性，可以对结晶器摩擦力(拉坯阻力)的各种异常特征给出反应，也有学者利用摩擦力对漏钢进行预报。文献“用连铸拉坯阻力异常进行漏钢预报研究”(《连铸》2002年第5期第4～6页，魏树立，等著)报道了一种利用型BP算法对拉坯阻力进行在线学习和预测，从而提出通过拉坯阻力的实测值与预测值的差值预报拉坯阻力异常和漏钢的新方法。但在实际生产过程中，由于摩擦力信号容易受到各种干扰，导致该方法的误报率很高，同时也存在着漏报现象。因此将摩擦力监控与温度监控相结合是结晶器漏钢预报发展的一大趋势。

发明内容

针对现有技术的不足，本发明的目的是提供一种将温度监控模型与摩擦力监控模型进行耦合的方法，将温度监控的准确性与摩擦力监控的灵敏性有机结合，创建一种新的联合预报机制，从而增大监控范围，提高识别精度，减少误报、漏报现象的发生。

本发明主要靠如下方法实现。将温度监控的准确性与摩擦力监控的灵敏性有机结合，即由温度监控模型和摩擦力监控模型耦合而成。本耦合模型共有温度监控的单偶报警、温度监控的组偶报警、摩擦力逻辑判断报警、摩擦力时序网络报警等四处报警点；采用以温度监控报警为主，以摩擦力监控报警为辅；报警分为黄、橙、红三个级别，漏钢可能性依次增大；温度监控单偶报警给出红色报警级别，温度监控组偶报警暂定为橙色报警级别，如果其它报警点报警则升级为红色报警级别，摩擦力两个报警，在没有温度监控报警的情况下，其中之一给出报警设为黄色报警级别，两者同时报警设定为橙色报警级别。

在基于温度监控模型中，将在线采集温度数据入库并对不良数据实施滤除处理，将自适应遗传算法应用于BP神经网络，将利用矩阵交叉的方式实现了网络结构的自动优化，建立时序空间组合判断模型。在基于摩擦力监控模型中，将连续采集结晶器与铸坯间的摩擦力，并对该摩擦力数据进行归一化处理；建立包括逻辑判断模型和基于自适应遗传算法的BP神经网络模型的摩擦力监控模型。摩擦力监控采用延时报警设置，并且在开浇、拉速变化、在线调宽、拉尾坯等情况下屏蔽摩擦力监控。使用本发明的方法误报率从41.7％降低到了15.4％，大大减少了误报次数。

附图说明

图1为本发明温度监控和摩擦力监控耦合模型示意图。

图2为本发明预报流程图。

具体实施方式

在创建温度监控模型与摩擦力监控模型耦合模型之前，本发明首先利用自适应遗传算法建立了一种温度监控模型，并建立了一种同时使用逻辑判断和神经网络的摩擦力监控模型。

1.温度监控模型

温度监控是漏钢预报控制方法最为普遍也是最为成熟的手段，本发明在传统BP神经网络算法基础上，采用自适应遗传算法，进一步提高模型精度。具体步骤如下：

(1)采集数据：在线采集连铸现场结晶器热电偶的温度数据并存入数据库。

(2)数据预处理：不良数据处理是将当前时刻温度与前一时刻温度进行比较，如果两者相差在大于35％，则将前一时刻温度代替当前时刻温度，具体公式如下：

IF满足 $(\frac{|t_n-t_{n-1}|}{t_{n-1}}>35\%),$ TH ENt_n＝t_n-1(1)

式中，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。对采集到的数据进行归一化处理，具体计算公式如下：

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

式中，n₀表示采样温度序列的个数，λ为温度测量序列的稳定阙值。原始采样温度序列

利用公式(2)处理后得到处理后的数据序列输入神经元网络。

(3)自适应遗传算法优化BP神经网络

BP是Back Propagation的缩写，表示误差反向传播算法。本模型将自适应遗传算法引入BP神经元网络，过程如下：

①初始化种群G

神经网络各层之间的连接权值及各层神经元的阈值初始化为[0，1]区间内的随机实数。设定初始种群规模N，N取值一般是20～100。确定遗传算法的终止准则：遗传代数大于遗传终止代数L，L取值一般是100～1000；网络精度达到目标精度值。

②编码

每个网络的权值、阈值用一个矩阵来表达，每个矩阵称为一个染色体。

③计算适应度

计算每个个体的适应度f_n，适应度的计算公式如下：

$f_n=\frac{1}{E}---\left(3\right)$

$E=\frac{1}{2}\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(d_p-y_{\mathrm{pi}})}^2---\left(4\right)$

式中，f_n为个体的适应度，E为全局误差，P为输入样本向量个数，N为种群规模，d_p为训练输出目标值，y_pi为实际输出值。

④选择

采用“轮盘法”，依据适应度选择再生个体。依据公式(5)概率值G_n的大小选择种群个体。

$G_n=\frac{f_n}{\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_n}---\left(5\right)$

式中，n＝1，2，L，N，N为种群规模。

⑤确定交叉和变异方式

假定所有的染色体矩阵都是m×n矩阵，从种群中随机配对两个染色体进行行向量间随机交叉，具体的交叉方式如下：

种群所有染色体所对应的神经网络隐层中心数目都随着训练过程不断地优化，确立了最优适应度个体的同时也确定了网络结构。

种群中每一个数值都要进行变异，变异按照一定的变异概率进行。

⑥确定交叉概率和变异概率

交叉概率P_c：

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f^{\&prime;}-f_{\mathrm{acg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.---\left(6\right)$

变异概率P_m：

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}}& f\&GreaterEqual;f_{\mathrm{avg}}\\ P_{m1}& f<f_{\mathrm{avg}}\end{array}\right.---\left(7\right)$

式中，f_max为种群最大适应度值，f_avg为当代种群的平均适应度值，f为要交叉的两个个体中的较大适应度值，f为变异个体的适应度值，P_c1取0.7～0.9，P_c2取0.5～0.6，P_m1取0.1～0.2，P_m2取0.005～0.06。

⑦依据选择、交叉、变异进行操作，产生新一代个体。

⑧将新一代个体插入到种群G中，返回步骤(3)，继续迭代寻优，直至满足精度条件或达到最大训练次数。

(4)时序空间组合判断模型的建立

以上算法应用于单偶时序网络模型，用来识别单个热电偶温度在时间序列上的变化是否符合粘结漏钢过程中典型温度模式的变化特征。上排热电偶的单偶时序网络输出和其对应的左、下、右三个热电偶的4个时序网络输出首先进入移位寄存序列，然后每个序列的最大值输入组偶空间网络进行组合判别。

2.摩擦力监控模型

摩擦力或称拉坯阻力是一个反映连铸生产状况的敏感物理量，对绝大部分漏钢事故有灵敏的反映，而且有3～5分钟的提前量。本发明主要监控稳态浇注条件下摩擦力的典型特征：尖脉冲、宽脉冲以及斜坡状上升。实施摩擦力监控的方法步骤如下：

(1)数据采集与处理

液压振动系统的两侧液压缸均设有压力传感器，将压力信号同步传至PLC，用于液压系统的反馈与控制。在线生产过程中，利用计算机检测系统以20Hz的频率采集PLC传来的两侧液压缸的压力信号。前期工作中，对系统在不同参数下进行了大量的空振实验，以掌握空振状态下系统输出力的情况。在相同振动参数条件下，系统在冷态和拉坯状态时二者输出力的差值即为结晶器与铸坯间的摩擦力。

通过对某钢厂板坯连铸机历史数据的分析发现，即便是在稳定浇注状态下摩擦力仍在一定的范围内波动，为了更好的体现摩擦力的时序特征，因此对实时摩擦力值进行如下处理：将2s内的所有数据计算其均方值，作为一个模型输入值f_i，并将这些输入值组成输入数据序列

n₁取值一般是10～30。对摩擦力数据进行归一化处理。具体计算公式如下：

$f_i^{*}=\frac{f_i-f_{\min }}{f_{\max }-f_{\min }}i=\mathrm{1,2,3},L,n_1---\left(8\right)$

由

组成处理后的摩擦力采样序列f_max为原始采样序列

的最大值，f_min为原始采样序列

的最小值。

(2)摩擦力监控模型建立

摩擦力监控模型包括逻辑判断模型和基于自适应遗传算法的BP神经网络模型。

①逻辑判断模型

采用逻辑判断方法识别漏钢前典型的摩擦力变化模式-尖脉冲与宽脉冲，具体方法如下：

IF|f₁-f|＞f_lim THEN幅值变化异常，给出报警

式中f₁-当前时刻的模型输入值；

f-前一时刻的模型输入值；

f_lim-拉坯阻力变化的报警上限。

以上报警信号首先进入等待状态，到达时限后再进行报警。

②神经网络模型

神经网络方法用来监控摩擦力的斜坡状上升这一特征。本发明中采用同温度监控一样的基于自适应遗传算法的BP神经网络模型。由于摩擦力的变化特征与温度变化特征存在较大的区别，斜坡状上升这一特征的持续时间不同于温度波形变化时间，摩擦力采样序列

的维数，即输入层神经元个数会相应调整。

同时由于输入样本数据量的变化，相应地在采用自适应遗传算法训练网络时，种群规模也需要调整，但种群规模N取值范围仍控制在20～100。在监控状态下，当模型输出大于输出阙值，输出结果进入延时等待序列。

3.温度监控与摩擦力监控的耦合

基于温度监控的预报系统准确率高，但识别模式单一，容易导致漏报；基于摩擦力监控的预报系统灵敏度高，但同时误报率高。本发明所建耦合预报模型实现了二者的有机结合，实现了具有高准确率和高灵敏度的预报效果，耦合模型示意图见图1。

本耦合模型共有4处报警点：温度监控的单偶报警、温度监控的组偶报警、摩擦力逻辑判断报警、摩擦力时序网络报警。对于单偶时序网络、组偶空间网络、摩擦力时序网络，网络实际输出值与判别阙值进行比较，如果网络实际输出值大于判别阙值，确定耦合判断模型输入值为1；否则确定耦合判断模型输入值为0。对于摩擦力逻辑判断模型，如果瞬时摩擦力大于报警上限，确定耦合判断模型输入值为1；否则确定耦合判断模型输入值为0。以上监控模型的输出结果输入耦合模型进行综合判断。

报警分为黄、橙、红3个级别，所代表的漏钢可能性依次增大。该预报模型最主要的预报机制是以温度监控为主，以摩擦力监控为辅。基于这一预报机制，耦合模型黑箱判断过程有以下准则：

①温度监控单偶报警具有最高优先级，如果单偶给出报警，无论其它报警点是否报警，一律给出红色报警级别；

②温度监控组偶报警具有次优先级，组偶给出报警则暂定为橙色报警级别，如果其它报警点报警则升级为红色报警级别，否则不变；

③摩擦力两个报警具有最低的优先级，在没有温度监控报警的情况下，其中之一给出报警设为黄色报警级别，两者同时报警设定为橙色报警级别。

具体报警级别确定见表1。其中温度监控的单偶报警、温度监控的组偶报警、摩擦力逻辑判断报警、摩擦力时序网络报警依次用A、B、C、D来代替。

表1报警级别确定方式

报警点	报警级别
		A、B、C、D	红色
A、B、C	红色
		A、B、D	红色
A、C、D	红色
		A、B	红色
A、C	红色
		A、D	红色
A	红色
		B、C、D	红色
B、C	红色
		B、D	红色
B	橙色
		C、D	橙色
C	黄色
		D	黄色

具体的预报流程如图2所示，系统同时采集温度和摩擦力信号，如果温度监控的单偶时序网络给出报警信号，直接红色报警，否则进入温度监控的组偶空间网络模型；如果温度监控的组偶给出报警信号，则需要调用摩擦力报警信号C、D，进行综合判定；如果温度监控的组偶没有给出报警信号，则进入摩擦力监控进行判定。

摩擦力对绝大部分漏钢事故有灵敏的反映，而且有3～5分钟的提前量。因此对摩擦力报警信号采用延时设置，摩擦力监控给出报警信号后延时等待温度监控的反应，延时一般设为3～5min。

在开浇、拉速急剧变化、在线调宽、拉尾坯等非稳态浇注情况下，摩擦力监控系统均做出明显反映，这就对漏钢预报带来很大的干扰，本发明在以上非稳态工艺条件下屏蔽摩擦力监控。

实施例

耦合模型建立与应用过程如下：

1.数据采集

对热电偶温度和液压缸压力值进行周期性采样，热电偶温度采样周期为2s，液压缸压力值采样周期为50ms，通过A/D转换将模拟信号转换成数字信号，送入计算机进行分析。

2.数据预处理

(1)温度数据处理

按照公式(1)、(2)对温度数据进行处理，本实例中原始采样温度的个数n₀＝15，温度采样序列的稳定阙值λ＝25℃。

(2)摩擦力数据处理

按照公式(8)对摩擦力数据进行处理，本实例中原始采样摩擦力的个数n₁＝20。

3.漏钢预报模型子模型的建立

本实施例中单偶时序网络采用三层BP神经网络，输入层神经元个数为15，隐层神经元数目在训练过程中自动优化，网络输出层神经元个数取1个，学习率α取0.01。

本实施例中组偶空间网络采用三层BP神经网络，不采用自适应遗传算法。空间网络拓扑结构为4-5-1。学习率α取0.01。

本实施例中摩擦力监控主要使用了逻辑判断和神经网络。神经网络输入层神经元个数为20；隐层神经元数目在训练过程中自动优化；网络输出层神经元个数取1个，学习率α取0.01。

以上监控模型的报警输出结果输入耦合模型进行综合判断。

4.优化子模型网络权值、阈值以及确定报警阙值

选取历史温度数据与摩擦力数据，然后对单偶时序网络、组偶空间网络、摩擦力时序网络、逻辑判断模型进行优化测试。

4.1温度监控模型优化测试

(1)单偶模型网络优化测试具体步骤如下：

①初始化种群G，设定温度监控模型初始种群规模N＝30，确定遗传终止代数L＝600；

②采用实数进行编码；

③根据公式(3)、(4)计算种群中所有个体的适应度f_n；

④依据公式(5)概率值G_n的大小选择种群中的个体进行复制操作；

⑤交叉概率和变异概率的确定，采用公式(6)计算交叉概率P_c，采用公式(7)计算变异概率P_m，式中，P_c1取0.85，P_c2取0.5，P_m1取0.1，P_m2取0.01；

⑥交叉，将30个染色体矩阵随机配对，配对的15对染色体按照交叉概率进行空间交叉；

⑦变异，种群中所有的染色体中的每一个实数都要按变异概率进行变异。方法为用另一[0，1]间的随机数代替现有实数；

⑧将新一代个体插入到种群G中，返回步骤③，继续迭代寻优，直至得到最优权值与阈值；

⑨优化完毕后，利用历史数据确定网络输出报警阙值。

(2)组偶模型网络优化测试

由于采用常规算法BP神经元网络，利用典型反向传播算法进行优化测试。

4.2摩擦力监控模型优化测试

摩擦力监控模型优化过程同单偶温度监控模型一样，不同之处在于其初始种群规模设为N＝40，确定遗传终止代数L＝800。逻辑判断模型不存在权值与阈值优化，可由数据分析直接确定报警阙值。

测试结果确定单偶时序网络的判别阙值ε_m＝0.89，组偶判别阙值ε_n＝0.85，摩擦力时序网络判别阙值ε_p＝0.88，逻辑判断报警上限f_lim为330KN，摩擦力报警等待延时设为5min。

5.耦合模型预报效果

本发明对现场采集的265炉温度和摩擦力数据分别对新旧预报模型进行离线测试，测试得到的结果如表2所示。其中，误报率＝误报警次数/总的报警次数×100％，报出率＝正确报警次数/(正确报警次数+漏报次数)×100％。

表2耦合模型测试结果

离线测试结果表明，本发明的预报模型各项评价指标都优于传统BP网络模型。离线测试数据中包含1次漏钢，本耦合模型给出了黄色报警级别，但传统模型没有明显的反应。分析认为，可能是本耦合模型摩擦力监控给出的反应。另外传统BP网络模型存在5次误报警，而本发明的预报模型误报次数为2次，这两次报警一次为黄色报警，一次为橙色报警，可能是摩擦力异常波动导致了误报。不过本发明的耦合模型误报率与传统BP网络模型相比仍有了明显的降低，从41.7％降低到了15.4％，大大减少了误报次数。

Claims (3)

1.一种连铸漏钢预报的方法，其特征在于由温度监控模型和摩擦力监控模型耦合而成；本耦合模型共有温度监控的单偶报警、温度监控的组偶报警、摩擦力逻辑判断报警、摩擦力时序网络报警等四处报警点；采用以温度监控报警为主，摩擦力监控报警为辅的预报机制；报警分为黄、橙、红三个级别，漏钢可能性依次增大；温度监控单偶报警给出红色报警级别，温度监控组偶报警暂定为橙色报警级别，如果其它报警点报警则升级为红色报警级别，摩擦力两个报警，在没有温度监控报警的情况下，其中之一给出报警设为黄色报警级别，两者同时报警设定为橙色报警级别。

2.根据权利要求1所述的方法，其特征在于在基于摩擦力监控模型中，将连续采集结晶器与铸坯间的摩擦力，并对该摩擦力数据进行归一化处理；建立包括逻辑判断模型和基于自适应遗传算法的BP神经网络模型的摩擦力监控模型。

3.根据权利要求1或2所述的方法，其特征在于摩擦力监控采用延时报警设置，并且在开浇、拉速急剧变化、在线调宽、拉尾坯非稳态浇注条件下屏蔽摩擦力监控。

Images