CN105328155B - 一种基于改进神经网络的漏钢可视化特征预报方法 - Google Patents
一种基于改进神经网络的漏钢可视化特征预报方法 Download PDFInfo
- Publication number
- CN105328155B CN105328155B CN201510644393.4A CN201510644393A CN105328155B CN 105328155 B CN105328155 B CN 105328155B CN 201510644393 A CN201510644393 A CN 201510644393A CN 105328155 B CN105328155 B CN 105328155B
- Authority
- CN
- China
- Prior art keywords
- mrow
- temperature
- bleed
- msub
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims abstract description 25
- 230000007935 neutral effect Effects 0.000 title claims abstract description 11
- 230000006872 improvement Effects 0.000 title description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 53
- 229910052802 copper Inorganic materials 0.000 claims abstract description 53
- 239000010949 copper Substances 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000001931 thermography Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 32
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 22
- 239000010959 steel Substances 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000012800 visualization Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000009749 continuous casting Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 239000010410 layer Substances 0.000 claims description 53
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000005266 casting Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 239000011229 interlayer Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000013598 vector Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 2
- 230000002547 anomalous effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005499 meniscus Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- -1 pulling rate Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
- B22D11/18—Controlling or regulating processes or operations for pouring
- B22D11/181—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level
- B22D11/182—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level by measuring temperature
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Continuous Casting (AREA)
Abstract
本发明是一种基于改进神经网络的漏钢可视化特征预报方法，属于钢铁冶金连铸检测技术领域。具体为在线检测结晶器铜板热电偶温度信号，利用热成像技术可视化呈现结晶器铜板温度变化速率，在搜索和提取温度异常区域的面积、温度变化、位置、传播速率等特征的基础之上，建立BP神经网络漏钢预报模型，并借助遗传算法的自组织、自适应性，对模型的权值和阈值进行优化，实现结晶器漏钢可视化在线检测和预报，该方法不仅直观呈现结晶器温度分布、异常变化及发展趋势，而且可以实时、准确地预防结晶器漏钢事故，减少误报警次数，提高漏钢预报系统的准确率。
Description
技术领域
本发明涉及一种基于改进神经网络的漏钢可视化特征预报方法，属于钢铁冶金连铸检测技术领域。
背景技术
连铸是现代钢铁生产链中的关键环节，漏钢是连铸中的重大事故，不仅使连铸生产过程中断，干扰整个炼钢生产计划，同时，对结晶器、二冷辊列等铸机设备带来不同程度的损害，造成巨大的经济损失。因此，如何检测和防范漏钢事故一直是冶金连铸现场和冶金工作者关注的焦点。
常见的漏钢类型有黏结漏钢、纵裂漏钢、开浇漏钢和角部漏钢等，其中黏结漏钢发生的次数最多，约占漏钢总数的三分之二以上，而其他漏钢类型也具有一定的黏结漏钢特征，因而，生产中以预防黏结性漏钢为主。黏结漏钢是由于某种原因，使弯月面附近的铸坯和结晶器直接接触，产生初始黏结点，随着结晶器的上下振动，黏结点将不断地被撕裂和愈合。黏结性漏钢在结晶器内具有纵向和横向传播特性，随着浇铸的进行，黏结点将向结晶器出口移动，同时，黏结点向两侧或一侧进行传播，形成一定长度的裂纹线，即黏结的横向传播，当黏结区域离开结晶器时，由于黏结点处坯壳厚度较薄而无法抵抗钢水静压力，产生漏钢事故。针对结晶器漏钢特征的检测和预报，通常利用埋设在及结晶器铜板内的热电偶进行实时检测，对热电偶温度信号的时间“滞后”和空间“倒置”现象进行识别，检测方法包括早期开发的逻辑判断算法，以及近年来开发并投入应用的神经元网络、支持向量机及其他智能预报方法。目前，经过二十年生产经验的积累和摸索，基于热电偶温度的漏钢预报方法已应用于国内各大钢厂，为预防漏钢事故发挥着十分重要的作用。然而，在长期的生产实践中，由于结晶器内部钢水凝固、铸坯收缩具有不可见性，漏钢事故仍无法完全避免，同时受钢种、保护渣、拉速、液位等工艺因素或操作的影响，漏钢预报系统存在频繁的误报问题，在国内多家钢厂的调研中发现，报警准确率较低、误报频繁是目前应用的漏钢预报系统的主要问题。在实际生产中，频繁的误报警将导致铸机降速、停车，不仅干扰了连铸正常生产秩序，同时降低了铸坯质量，加剧铸机设备损耗，也影响现场操作人员的操控信心。
中国专利申请号201110431124.1公开了一种连铸漏钢预报的方法，该方法采用逻辑判断和神经网络算法，将温度监控模型与摩擦力监控模型进行耦合，建立了温度监控为主、摩擦力监控为辅的预警机制。该方法提高了报警准确率，降低了误报警次数，然而，由于连铸工艺的复杂性，摩擦力异常波动也可能导致误报的出现。
中国专利申请号201210236994.8公开了一种板坯连铸结晶器漏钢预报系统及其预报方法，该方法具体为采集结晶器内温度数据、拉速、液位、拉坯长度和摩擦力数据，发送至计算机终端；将温度数据转换为数字信号，并进行补偿；计算机终端对接收温度数据进行计算和漏钢预报判断。该方法由专家系统、神经网络算法和摩擦力分析进行综合判断，具有报出率高，误报少的特点。然而，在漏钢发生过程中，结晶器温度变化是漏钢的代表性特征，提取和精炼温度变化特征是决定该方法应用效果的关键。
发明内容
本发明目的是克服现有技术的不足，且对现有技术进行改进和创新，提供一种基于改进神经网络的漏钢可视化特征预报方法，所述的方法具有科学合理，适用性强，内部温度异常可见，误报警次数少，预报准确率高等特点，能够实时监控结晶器温度场的变化，预防结晶器漏钢事故的发生。
为实现本发明目的，提出一种基于改进神经网络的漏钢可视化特征预报方法，其技术方案特征在于：将结晶器漏钢可视化特征与BP神经网络算法有机结合，在实现结晶器温度速率热成像的基础之上，提取漏钢温度异常区域可视化特征；建立三层BP人工神经网络漏钢预报模型；采用遗传算法对BP网络模型的权值和阈值进行优化；利用模型对漏钢可视化特征进行在线检测和预报，其检测步骤如下：
1)结晶器铜板温度速率热成像及可视化特征提取
(a)基于连铸机结晶器的热电偶温度信号，采用差值算法获取非测点处的铜板温度；
(b)计算铜板的温度变化速率，并绘制结晶器铜板温度速率热像图，实时、准确呈现浇铸过程中四张结晶器铜板温度速率的二维分布；
(c)采用阈值分割算法，对热像图中的温度异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；
(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；
2)建立三层BP人工神经网络漏钢预报模型
(e)确定BP人工神经网络输入层神经元：以异常区域温度上升速率均值、温度上升区域面积、温度下降速率均值、温度下降区域面积、异常区域纵向移动速率及横向移动速率特征为模型的输入参数，即模型共有6个输入参量；
(f)确定BP神经网络输出层神经元：设定1个输出层神经元，若是漏钢样本，则模型输出为1，若不是漏钢，模型输出为-1；
(g)确定BP神经网络隐含层神经元个数：根据Hecht-Nielsen的经验公式确定隐含层神经元个数，其计算公式如下：
其中，t是隐含层神经元个数，是向上取整数，n是输入层神经元个数，g是输出层神经元个数，即t为13；
3)利用遗传算法优化漏钢预报模型
(h)初始化BP神经网络模型权值和阈值；
(i)将BP神经网络权值和阈值进行实数编码，并初始化种群P(0)以及设定相应的遗传算法参数；
(j)正向传播：漏钢可视化特征样本集为X＝[X1,X2,X3,…,XP]T，其中，样本k输入向量为Xk＝[x1,x2,x3,…,xn](k＝1,2,3,…,p)，vij(i＝1,2,3,…,n；j＝1,2,3,…,m)为输入层与隐含层连接权值，Y＝[y1,y2,y3,…,ym]是隐含层输出，wjk为隐含层与输出层间连接权值，Ok＝[o1,o2,o3,…,op]是BP神经网络模型实际输出，Dk＝[d1,d2,d3,…,dp]是BP神经网络模型期望输出，Ek为实际输出与期望输出的误差，
隐含层第j个神经元的输出为
yj＝f(netj)
输出层输出为
ok＝f(netk)
当BP神经网络实际输出与期望输出D不相等时，此时存在误差Ek，计算如下所示，
(k)反向传播：沿着权值的负梯度方向进行调整权值可以使误差不断减小，即权值的调整量与误差的梯度下降成正比，
式中，η—学习速率，设定参数，通常取值范围0<η<1，
各层神经元网络连接权值和阈值变化的增量，以及更新迭代各层间神经元连接权值和阈值的迭代公式如下，
Wjk(n+1)＝Wjk(n)+ΔWjk
Vij(n+1)＝Vij(n)+ΔVij
(l)通过适应度函数计算个体偏差，适应度函数采用期望输出与实际输出的之间的误差平方的倒数，如下式所示，
(m)以预先设定的遗传算法参数，结合选择、交叉、变异等操作，得到新的个体P(t+1)；
(n)重复(l)、(m)操作步骤，直到满足结束条件；
(q)将优化后的网络参数进行解码，并作为神经网络的初始值进一步优化；
(r)达到BP神经网络训练的目标，停止训练；
4)漏钢可视化特征在线检测与预报
(t)基于结晶器温度速率热像图，在线提取漏钢温度异常区域面积、温度变化、横向和纵向传播速率等可视化特征，并进行归一化处理；
(x)利用步骤三获取的改进BP神经网络模型，将归一化后的异常区域特征输入，预测是否为漏钢事故；
(y)若模型输出为小于0，接近于-1，则是正常浇铸，若输出大于0，接近于1，则判定为结晶器漏钢，发出漏钢预报警告，迅速将铸机拉速降至0.1m/min，以防止漏钢事故发生。
所述方法适用于板坯、方坯、圆坯和异型坯的连铸漏钢预报。
本发明的有益效果是：本发明基于结晶器漏钢可视化特征，利用改进的BP神经网络进行预报漏钢事故，通过检测结晶器上埋设热电偶的温度信号，将四张结晶器铜板温度变化速率以热像图的形式呈献给现场操控人员，不仅能够进一步掌控结晶器“黑匣”内的温度变化，而且可更加直观的呈现结晶器漏钢形成和发展的全过程，提升现场操控信心和预报准确率。该预报方法可以实现对结晶器温度场的实时监控，综合考虑单只、临近乃至整个铜板的热电偶温度及其变化，通过挖掘和识别铸坯与结晶器黏结区域温度变化的可视化特征，能够在保证漏钢报出率的前提下，大幅降低误报次数，有效提高预报准确率和实用效果。
附图说明
图1是基于改进BP神经网络漏钢可视化特征预报框图；
图2是四张结晶器铜板展开及热电偶布置示意图；
图3是四张结晶器铜板在t-n时刻的温度热像图；
图4是四张结晶器铜板在当前时刻t的温度热像图；
图5是t-6时刻黏结漏钢过程可视化温度速率热像图；
图6是t-3时刻黏结漏钢过程可视化温度速率热像图；
图7是t时刻黏结漏钢过程可视化温度速率热像图；
图8是遗传算法优化BP神经网络流程图。
图中：1、外弧宽面铜板，2、左侧窄面铜板，3、内弧宽面铜板，4、右侧窄面铜板，5、热电偶，6、温度异常区域，7、外弧宽面铜板温度变化可疑区域，8、内弧宽面铜板温度变化可疑区域，9、温度异常区域边缘线，10、温度异常区域，11、温度异常区域，12、外弧宽面铜板温度变化可疑区域，13、内弧宽面铜板温度变化可疑区域，14、温度异常区域，15、温度异常区域，16、内弧宽面铜板温度变化可疑区域。
具体实施方式
下面通过具体的实施例，结合附图对本发明作进一步详细的描述。
图1是基于改进BP神经网络漏钢可视化特征预报框图。由图1可知，一种基于改进BP神经网络漏钢可视化特征预报方法包括：提取漏钢温度异常区域可视化特征；建立三层BP人工神经网络漏钢预报模型；采用遗传算法对BP网络模型的权值和阈值进行优化；利用模型对漏钢可视化特征进行在线检测和预报，其检测步骤如下：
1)结晶器温度速率热成像及可视化特征提取
图2是四张结晶器铜板展开及热电偶布置示意图。板坯连铸结晶器长度为900mm，由四张铜板构成，包括一对宽面铜板和一对窄面铜板，分别为外弧宽面铜板1、左侧窄面铜板2、内弧宽面铜板3、右侧窄面铜板4，四张铜板的厚度均为40mm。分别在四张铜板距结晶器上口210mm、325mm、445mm的3个水平横截面上布置3行测点，外弧宽面铜板1和内弧宽面铜板3上每行布置19列热电偶5，电偶间距150mm，两张宽面铜板各布置57支热电偶；左侧窄面铜板2和右侧窄面铜板4位于中心线各布置一列热电偶，两张窄面铜板各布置3支热电偶。
在热电偶实测温度的基础上，将检测到的温度数据进行纵向插值和横向插值，计算出铜板非热电偶测点位置的温度，得到包括外弧、内弧宽面以及左侧、右侧窄面温度分布二维数组T[x,y]。将计算出的宽面、窄面四张铜板温度数组T[x,y]，按照预先设定的温度-颜色对应关系，逐点绘制并得到结晶器铜板热像图。在线监控中，热像图每秒更新一次，以满足对结晶器内温度监测的实时性要求。
图3、图4显示出不同时刻下四张结晶器铜板的温度热像图。其中，图3是结晶器铜板t-n时刻下的结晶器温度热像图，图4是结晶器铜板在当前时刻t的结晶器温度热像图。
从图3、图4的结晶器温度热像图中不难发现，对于温度变化超过10℃的区域，可以直观的看见结晶器内的温度变化情况，温度变化小于10℃的情况将无法观察到，这就给操作人员带来了不便。本发明对结晶器热像图进行改进，采用帧间差分法对相隔k秒的结晶器热像图进行比较，即提取当前时刻及之前k秒的宽面、窄面温度二维数组T[x,y]，逐点计算同一位置在k秒内的温度变化速率，并将结果存储在温度变化速率二维数组G[x,y]中，依据设定的温度变化速率-颜色对应关系，绘制结晶器铜板温度速率热像图，更加精细的呈现浇铸过程中四张结晶器铜板温度变化的二维分布。
图5是t时刻黏结漏钢可视化温度速率热像图。为进一步获取热像图中漏钢可视化特征，对温度异常区域进行图像处理。首先，在结晶器铜板温度速率热像图中搜索温度变化可疑区域，采用阈值分割算法，从左到右，从上到下，依次检测每个像素，如果某个像素点的温度变化速率小于0.4℃/s，则将该点剔除，保留温度变化速率大于0.4℃/s的该像素点，将图5中的漏钢温度异常区域6与可疑区域7、8进行分离；其次，采用八连通判别算法将温度异常点进行连通性判断，将属于同一个连通区域的点设置为同一个标号；最后，采用边界跟踪法对温度异常区域进行边界提取，图5中温度异常区域6的边缘点组成了边缘线9，并对各区域以自然数顺序进行重新标记。
温度异常区域特征信息提取
(1)几何特征
面积S：用来描述某一个温度异常区域Rd的面积大小，即温度异常区域在结晶器温度速率热像图中所占的像素点总数。
其中，
(2)位置特征
温度异常区域重心坐标(xc,yc)：重心坐标用来表示某一个温度异常区域中心点的位置。
其中，
(3)温度变化特征
温度变化速率均值fmean：某一个温度异常区域中各点温度变化速率的均值。
(4)传播特征
纵向传播速率：发生黏结漏钢时，黏结点沿浇铸方向的移动速率，即t1时刻温度异常区域的中心坐标yt1和t2时刻温度异常区域的重心坐标yt2的差与时间间隔t1-t2的比值。
横向传播速率：发生黏结漏钢时，黏结点处撕裂线沿铸坯宽度方向上的移动速率，即t1时刻温度异常区域的中心坐标xt1和t2时刻温度异常区域的重心坐标xt2的差与时间间隔t1-t2的比值。
撕裂线与水平方向所成角度：当前时刻温度异常区域c1和c2重心点连线与水平方向所成的角度。
x,y分别表示结晶器温度热像图和结晶器温度速率热像图中横向、纵向坐标。坐标原点为结晶器铜板左上角，横轴向右为正，x从左至右增加；纵轴向下为正，y从上到下增加。温度变化速率值用f(x,y)来表示，并将实测热电偶温度变化速率存储在二维数组G[x,y]中。Rd是某一个温度异常区域内所有点组成的集合，Rb是某一个温度异常区域的边界点所组成的集合。Ytop、Ydown是某一个温度异常区域纵向坐标最大值、最小值，Xleft，Xright是某一个温度异常区域横向坐标最大值、最小值。
图5、图6、图7中的温度异常区域6、10、11、14、15呈现了黏结漏钢从形成到扩展的全过程，通过特征信息提取函数，将温度异常区域的几何、位置、温度变化和传播特征信息进行提取。
2)建立漏钢预报BP神经网络模型
确定BP神经网具有三层，输入层、隐含层和输出层：
(1)确定BP人工神经网络输入层神经元：以异常区域温度上升速率均值、温度上升区域面积、温度下降速率均值、温度下降区域面积、异常区域纵向移动速率及横向移动速率特征为模型的输入参数，即模型共有6个输入参量；
(2)确定BP神经网络输出层神经元：设定1个输出层神经元，若是漏钢样本，则模型输出为1，若不是漏钢，模型输出为-1；
(3)确定BP神经网络隐层神经元个数：根据Hecht-Nielsen的经验公式确定隐层神经元个数，其计算公式如下：
其中，t是隐含层神经元个数，是向上取整数，t是输入层神经元个数，g是输出层神经元个数，即t为13。
3)遗传算法优化漏钢预报模型
图8是遗传算法优化BP神经网络流程图，具体实现步骤如下：
(1)初始化BP神经网络模型权值和阈值，网络学习速率η为0.05，最大训练次数为1000，网络模型训练目标误差为10-6；
(2)将BP神经网络权值和阈值进行实数编码，并初始化种群P(0)以及设定相应的遗传算法参数，交叉概率和变异概率分别是0.3和0.2，遗传操作的代数式40；
(3)正向传播，漏钢可视化特征样本集为X＝[X1,X2,X3,…,XP]T，其中，样本k输入向量为Xk＝[x1,x2,x3,…,xn](k＝1,2,3,…,p)，vij(i＝1,2,3,…,n；j＝1,2,3,…,m)为输入层与隐含层连接权值，Y＝[y1,y2,y3,…,ym]是隐含层输出，wjk为隐含层与输出层间连接权值，Ok＝[o1,o2,o3,…,op]是BP神经网络模型实际输出，Dk＝[d1,d2,d3,…,dp]是BP神经网络模型期望输出。Ek为实际输出与期望输出的误差。
隐含层第j个神经元的输出为
yj＝f(netj)
输出层输出为
ok＝f(netk)
当BP神经网络实际输出与期望输出D不相等时，此时存在误差Ek，计算如下所示，
(4)反向传播，沿着权值的负梯度方向进行调整权值可以使误差不断减小，即权值的调整量与误差的梯度下降成正比，
式中，η—学习速率，设定参数，通常取值范围0<η<1。
各层神经元网络连接权值和阈值变化的增量，以及更新迭代各层间神经元连接权值和阈值的迭代公式如下，
Wjk(n+1)＝Wjk(n)+ΔWjk
Vij(n+1)＝Vij(n)+ΔVij
(5)通过适应度函数计算个体偏差，适应度函数采用期望输出与实际输出的之间的误差平方的倒数，如下式所示，
(6)以预先设定的遗传算法参数，结合选择、交叉、变异等操作，得到新的个体P(t+1)；
(7)重复(5)、(6)操作步骤，直到满足结束条件；
(8)将优化后的网络参数进行解码，获取BP神经网络最优权值和阈值；
(9)达到BP神经网络训练的目标，停止训练；
4)漏钢可视化特征在线检测与预报
(1)基于结晶器温度速率热像图，在线提取漏钢温度异常区域面积、温度变化、横向和纵向传播速率等可视化特征，并进行归一化处理；
(2)利用步骤三获取的改进BP神经网络模型，将归一化后的异常区域特征输入，预测是否为漏钢事故；
(3)若模型输出为小于0，接近于-1，则是正常浇铸，若输出大于0，接近于1，则判定为结晶器漏钢，发出漏钢预报警告，迅速将铸机拉速降至0.1m/min，以防止漏钢事故发生。
通常，对于实用中的漏钢预报系统，一般用以下三个指标判断系统的预报精度，分别是漏钢报出率θr、准确率θt、误报指数θf，定义如下：
式中，nt、nf、n0和N分别是正确报警次数、误报警次数、漏报次数以及浇铸炉数。
报出率θr主要体现系统对真实黏结漏钢的预报精度，在检测到结晶器内出现黏结时，采取急降拉速的措施应对漏钢，鉴于漏钢给冶金现场造成的巨大损失，对于性能优异的预报系统，θr应为100％，换言之，漏报次数n0应为0。
准确率θt是正确报警、误报警以及漏报次数三者之和中正确报警所占比例。一般情况下，生产过程中的漏报次数相对较少，而误报次数较多，特别是针对宽厚板连铸，目前漏钢预报系统准确率θt普遍较低，减少误报次数、提高预报准确率，是漏钢预报系统优化的方向。
误报指数θf主要考察漏钢预报系统的误报次数，虽然其危害低于拉漏，但频繁的误报会干扰连铸生产顺行，严重影响现场人员的操控信心，同时会降低铸坯表面及内部质量，应尽量避免漏钢预报系统的误报，即保持较低的误报率。误报率较高是目前漏钢预报系统存在的主要问题。
综合以上讨论，在评价某一漏钢预报系统的性能时应遵循：(1)完全避免漏报，即报出率θr为100％；(2)高的报警准确率；(3)低的误报指数。
随机挑选132例未经训练的样本，其中，真黏结为32例，伪黏结100例，对传统BP和遗传算法优化BP网络模型进行测试，结果如表1所示。从结果看，未经改进的BP神经网络并未将全部黏结漏钢识别出来，有7次漏报，模型的精度和效率较差。GA优化后的神经网络误报仅为2次，不仅保证了报出率100％，且将报警准确率提高到94.1％，误报指数仅为0.05％，极大降低了模型的误报次数。因此，优化后的BP神经网络不仅能够彻底避免漏报，同时极大降低了误报次数，具有较高的报警准确率。综上所述，通过大量数据样本的测试和验证，在结晶器漏钢可视化特征的基础之上，遗传算法优化的BP模型的预报结果优异，展示出良好的应用潜力。
表1传统BP与遗传算法优化BP神经网络漏钢预报模型结果对比
本发明的特定实施例已对本发明的内容作出了详尽的说明，但不局限本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。
Claims (2)
1.一种基于改进神经网络的漏钢可视化特征预报方法，其特征在于：将结晶器漏钢可视化特征与BP神经网络算法有机结合，在实现结晶器温度速率热成像的基础之上，提取漏钢温度异常区域可视化特征；建立三层BP人工神经网络漏钢预报模型；采用遗传算法对BP网络模型的权值和阈值进行优化；利用模型对漏钢可视化特征进行在线检测和预报，其检测步骤如下：
1)结晶器铜板温度速率热成像及可视化特征提取
(a)基于连铸机结晶器的热电偶温度信号，采用差值算法获取非测点处的铜板温度；
(b)计算铜板的温度变化速率，并绘制结晶器铜板温度速率热像图，实时、准确呈现浇铸过程中四张结晶器铜板温度速率的二维分布；
(c)采用阈值分割算法，对热像图中的温度大于0.4℃/s异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；
(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；
(c)采用阈值分割算法，对热像图中的温度异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；
(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；
2)建立三层BP人工神经网络漏钢预报模型
(e)确定BP人工神经网络输入层神经元：以异常区域温度上升速率均值、温度上升区域面积、温度下降速率均值、温度下降区域面积、异常区域纵向移动速率及横向移动速率特征为模型的输入参数，即模型共有6个输入参量；
(f)确定BP神经网络输出层神经元：设定1个输出层神经元，若是漏钢样本，则模型输出为1，若不是漏钢，模型输出为-1；
(g)确定BP神经网络隐含层神经元个数：根据Hecht-Nielsen的经验公式确定隐含层神经元个数，其计算公式如下：
其中，t是隐含层神经元个数，是向上取整数，n是输入层神经元个数，g是输出层神经元个数；
3)利用遗传算法优化漏钢预报模型
(h)初始化BP神经网络模型权值和阈值；
(i)将BP神经网络权值和阈值进行实数编码，并初始化种群P(0)以及设定相应的遗传算法参数；
(j)正向传播
漏钢可视化特征样本集为X＝[X1,X2,X3,…,XP]T，其中，样本k输入向量为Xk＝[x1,x2,x3,…,xn](k＝1,2,3,…,p)，vij(i＝1,2,3,…,n；j＝1,2,3,…,m)为输入层与隐含层连接权值，Y＝[y1,y2,y3,…,ym]是隐含层输出，wjk为隐含层与输出层间连接权值，Ok＝[o1,o2,o3,…,op]是BP神经网络模型实际输出，Dk＝[d1,d2,d3,…,dp]是BP神经网络模型期望输出，Ek为实际输出与期望输出的误差，
隐含层第j个神经元的输出为
yj＝f(netj)
输出层输出为
ok＝f(netk)
当BP神经网络实际输出与期望输出D不相等时，此时存在误差Ek，计算如下所示，
<mrow>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>-</mo>
<mi>O</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
(k)反向传播
沿着权值的负梯度方向进行调整权值可以使误差不断减小，即权值的调整量与误差的梯度下降成正比，
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>;</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>q</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中，η—学习速率，设定参数，通常取值范围0<η<1，
各层神经元网络连接权值和阈值变化的增量，以及更新迭代各层间神经元连接权值和阈值的迭代公式如下，
Wjk(n+1)＝Wjk(n)+ΔWjk
Vij(n+1)＝Vij(n)+ΔVij
(l)通过适应度函数计算个体偏差，适应度函数采用期望输出与实际输出的之间的误差平方的倒数，如下式所示，
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
(m)以预先设定的遗传算法参数，结合选择、交叉、变异等操作，得到新的个体P(t+1)；
(n)重复(l)、(m)操作步骤，直到满足结束条件；
(q)将优化后的网络参数进行解码，并作为神经网络的初始值进一步优化；
(r)达到BP神经网络训练的目标，停止训练；
4)漏钢可视化特征在线检测与预报
(t)基于结晶器温度速率热像图，在线提取漏钢温度异常区域面积、温度变化、横向和纵向传播速率等可视化特征，并进行归一化处理；
(x)利用步骤三获取的改进BP神经网络模型，将归一化后的异常区域特征输入，预测是否为漏钢事故；
(y)若模型输出为小于0，接近于-1，则是正常浇铸，若输出大于0，接近于1，则判定为结晶器漏钢，发出漏钢预报警告,迅速将铸机拉速降至0.1m/min，以防止漏钢事故发生。
2.根据权利要求1所述的一种基于改进神经网络的漏钢可视化特征预报方法，其特征在于：所述方法适用于板坯、方坯、圆坯和异型坯的连铸漏钢预报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644393.4A CN105328155B (zh) | 2015-10-08 | 2015-10-08 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644393.4A CN105328155B (zh) | 2015-10-08 | 2015-10-08 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105328155A CN105328155A (zh) | 2016-02-17 |
| CN105328155B true CN105328155B (zh) | 2017-09-08 |
Family
ID=55279031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510644393.4A Expired - Fee Related CN105328155B (zh) | 2015-10-08 | 2015-10-08 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105328155B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776553A (zh) * | 2016-12-07 | 2017-05-31 | 中山大学 | 一种基于深度学习的非对称文本哈希方法 |
| CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
| CN108417032B (zh) * | 2018-03-19 | 2020-05-29 | 中景博道城市规划发展有限公司 | 一种城市中心区路边停车需求分析预测方法 |
| CN108469313B (zh) * | 2018-04-16 | 2019-06-14 | 大连理工大学 | 基于元胞自动机的结晶器铜板温度异常区域检测方法 |
| CN108705058B (zh) * | 2018-05-22 | 2019-06-07 | 大连理工大学 | 一种基于K-Means聚类预报结晶器漏钢的方法 |
| CN109445315A (zh) * | 2018-08-21 | 2019-03-08 | 成都理工大学 | 高电压试验大厅安全保护装置及安全控制方法 |
| CN109365769B (zh) * | 2018-12-18 | 2021-03-30 | 重庆邮电大学 | 一种基于混合模型判断的结晶器漏钢预报方法 |
| CN110918973B (zh) * | 2019-12-11 | 2021-04-27 | 东北电力大学 | 一种基于游程的结晶器热像图异常区域标记方法 |
| CN111112567B (zh) * | 2019-12-16 | 2021-09-21 | 河钢股份有限公司 | 一种板坯连铸机漏钢预报的综合判断方法 |
| CN112989687B (zh) * | 2019-12-18 | 2023-11-07 | 上海梅山钢铁股份有限公司 | 一种基于冶金原理的连铸坯角横裂缺陷的预报方法 |
| BR112022025427A2 (pt) * | 2020-06-18 | 2023-01-24 | Jfe Steel Corp | Método de previsão de breakout, método de operação de máquina de lingotamento contínuo e dispositivo de previsão de breakout |
| CN112051298B (zh) * | 2020-09-09 | 2021-06-04 | 飞础科智慧科技(上海)有限公司 | 钢包表面故障诊断方法及设备 |
| CN113814369B (zh) * | 2021-09-28 | 2022-11-18 | 大连理工大学 | 一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法 |
| CN114708935B (zh) * | 2022-06-07 | 2022-08-23 | 济南东方结晶器有限公司 | 一种基于导热性能评估的结晶器铜板质量优化方法及系统 |
| CN114850431B (zh) * | 2022-07-05 | 2022-10-21 | 北京科技大学 | 一种连铸结晶器漏钢预报方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201791938U (zh) * | 2010-09-26 | 2011-04-13 | 鞍钢股份有限公司 | 一种连铸结晶器漏钢预报系统 |
| CN102343427A (zh) * | 2011-09-29 | 2012-02-08 | 天津理工大学 | 基于拉坯阻力的板坯连铸结晶器漏钢预报方法 |
| CN102319883B (zh) * | 2011-10-09 | 2014-01-29 | 北京首钢自动化信息技术有限公司 | 一种连铸坯质量在线预报的控制方法 |
| CN102554171B (zh) * | 2011-12-21 | 2014-04-23 | 天津钢铁集团有限公司 | 一种连铸漏钢预报的方法 |
| CN102699302B (zh) * | 2012-07-10 | 2014-01-22 | 中冶赛迪电气技术有限公司 | 一种板坯连铸结晶器漏钢预报系统及其预报方法 |
-
2015
- 2015-10-08 CN CN201510644393.4A patent/CN105328155B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105328155A (zh) | 2016-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105328155B (zh) | 一种基于改进神经网络的漏钢可视化特征预报方法 | |
| He et al. | Mold breakout prediction in slab continuous casting based on combined method of GA-BP neural network and logic rules | |
| CN102886504B (zh) | 一种基于机器视觉的结晶器漏钢可视化预报方法 | |
| CN109396375B (zh) | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 | |
| CN105911095A (zh) | 一种连铸坯表面纵裂纹的可视化识别方法 | |
| CN106980729B (zh) | 一种基于混合模型的连铸漏钢预报方法 | |
| CN104181196B (zh) | 一种连铸坯表面纵裂纹在线检测方法 | |
| CN110502965A (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
| CN108580827B (zh) | 一种基于凝聚层次聚类预报结晶器漏钢的方法 | |
| CN108436050B (zh) | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 | |
| Liu et al. | Computer vision detection of mold breakout in slab continuous casting using an optimized neural network | |
| Ye et al. | Real-time quality prediction of casting billet based on random forest algorithm | |
| CN111089625A (zh) | 一种模拟双目视觉的河流流量实时监测系统及方法 | |
| CN107159862A (zh) | 一种基于逻辑判断的结晶器漏钢预报方法 | |
| CN105522133A (zh) | 一种连铸坯与结晶器铜板粘结行为的判定方法 | |
| CN112926622B (zh) | 一种基于特征向量和swgan-gp生成对抗网络的结晶器漏钢预报方法 | |
| CN107096899A (zh) | 一种基于逻辑判断的结晶器漏钢预报系统 | |
| CN110187000A (zh) | 一种电磁无损检测双相钢微观组织的方法 | |
| CN108469313B (zh) | 基于元胞自动机的结晶器铜板温度异常区域检测方法 | |
| Duan et al. | Modeling of breakout prediction approach integrating feature dimension reduction with K-means clustering for slab continuous casting | |
| CN110918973B (zh) | 一种基于游程的结晶器热像图异常区域标记方法 | |
| Lydon et al. | Development and testing of a composite system for bridge health monitoring utilising computer vision and deep learning | |
| Duan et al. | Application of k-means clustering for temperature timing characteristics in breakout prediction during continuous casting | |
| Wang et al. | Integrated model of ACWGAN-GP and computer vision for breakout prediction in continuous casting | |
| Liu et al. | A Visual Detection Method of Longitudinal Crack Based on Computer Image Processing During Slab Continuous Casting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170908 |