CN105911095A - 一种连铸坯表面纵裂纹的可视化识别方法 - Google Patents
一种连铸坯表面纵裂纹的可视化识别方法 Download PDFInfo
- Publication number
- CN105911095A CN105911095A CN201610289751.9A CN201610289751A CN105911095A CN 105911095 A CN105911095 A CN 105911095A CN 201610289751 A CN201610289751 A CN 201610289751A CN 105911095 A CN105911095 A CN 105911095A
- Authority
- CN
- China
- Prior art keywords
- longitudinal crack
- temperature
- output
- crystallizer
- model
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Radiation Pyrometers (AREA)
Abstract
一种连铸坯表面纵裂纹的可视化识别方法,属于钢铁冶金连铸检测技术领域。具体为通过在线检测结晶器铜板热电偶的温度信号,根据铸坯表面纵裂纹在结晶器内的形成及温度分布特点,利用多项式插值算法和OpenGL技术,将结晶器温度差值进行热成像,在提取区域的几何、位置、移动等特征基础之上,建立BP神经网络模型,对铸坯纵裂纹进行检测和识别。其实现步骤为:结晶器温度差值热成像;建立BP神经网络模型;遗传算法优化模型权值和阈值;纵裂纹可视化特征识别。其优点:将结晶器温度差值可视化与纵裂纹智能识别方法相结合,不仅直观呈现了结晶器历史温度及当前时刻状态,同时为铸坯表面纵裂纹识别提供方法,以及铸坯质量在线监控提供技术手段。
Description
技术领域
本发明涉及一种连铸坯表面纵裂纹的可视化识别方法,属于钢铁冶金连铸检测技术领域。
背景技术
纵裂纹是连铸坯表面常见的质量缺陷,最初形成于弯月面附近,在结晶器和二冷水冷却作用下进一步扩展,程度较轻的需对铸坯进行精整处理,严重时将使铸坯直接被判为废品,带来较大的经济损失。结晶器内铸坯纵裂纹的检测一直是冶金现场关注的重点,若能及时捕捉、识别铸坯纵裂纹,以采取相应的应对措施,可以降低缺陷危害和损失,对于连铸现场具有重要意义。
铸坯表面纵裂的形成过程复杂,浇铸工艺、钢的高温力学性能、铸坯的凝固进程以及铸机运行状态是纵裂产生的主要影响因素。在坯壳热应力、收缩应力、钢水静压力、结晶器摩擦力和窄面约束的共同作用下,当超过初生坯壳的高温强度时,在坯壳薄弱的位置将产生纵裂纹,并沿着浇铸方向不断扩展。浇铸含碳量0.09%~0.17%的钢种时,凝固过程中会发生铁素体向奥氏体转变的包晶反应,产生较大的线收缩和体收缩,铸坯表面更易产生纵裂纹。
中国专利申请公开(公告)号CN01139282.7中公开了一种连铸板坯纵裂预报方法,通过在结晶铜板埋设数列横向、纵向至少三排热电偶,实时采集热电偶温度数据,预报铸坯表面纵裂。纵裂判定条件如下,条件1:在拉速稳定的条件下,若某支热电偶温度下降速率超过3℃/s,同列下方的两支热电偶也先后出现温度下降超过3℃/s的情况,相邻两只热电偶温度开始下降的时间差与拉速的乘积约为热电偶的纵向间距。条件2:同列热电偶温度变化一致,且下排热电偶温度持续下降的时间不小于上排热电偶。同时满足条件1和2时,则判定铸坯表面产生了纵裂,发出纵裂报警。该方法将结晶器热电偶温度作为判断依据,一旦发现铸坯有纵裂迹象,采取降低拉速或调整二次冷却水量等措施,阻止裂纹的进一步扩展,减轻纵裂造成的危害。
中国专利申请公开(公告)号CN201510177751.5中公开了一种连铸板坯表面纵裂纹检测方法,该方法采用红外热成像仪对连铸板坯表面温度进行采集,获取表面温度变化梯度表,根据温度变化梯度表对连铸板坯表面纵裂纹进行判定,当温度梯度大于判定标准时,标识为纵裂纹板坯,进行线下修磨处理。该方法通过采集温度数据进行分析处理,实现表面纵裂纹的检测,可以有效降低钢板裂纹改判率,提高轧制钢板表面质量和成材率。
发明内容
为克服现有技术的不足,改善铸坯质量,可视化呈现铸坯在结晶器内温度差值变化,本发明的目的是,提供一种连铸坯表面纵裂纹的可视化识别方法,由结晶器温度监控系统获取热电偶温度信号,采用热成像技术可视化呈现结晶器温度差值二维图像,利用计算机图像技术搜索冷点区域,提取异常区域的温度差值、面积、宽度、高度、高宽比、冷点区域移动等重要特征,建立BP神经网络纵裂纹识别模型,采用遗传算法对模型的权值和阈值进行优化,对铸坯表面纵裂纹进行识别检测。
本发明采用的技术方案是:一种连铸坯表面纵裂纹的可视化识别方法,其特征在于:将结晶器可视化与智能化识别技术有机结合,在实现结晶器温度差值热成像的基础之上,提取纵裂纹降温区域可视化特征;建立BP神经网络纵裂纹识别模型;采用遗传算法对模型的权值和阈值进行优化;对铸坯表面纵裂纹进行识别检测。其具体检测步骤如下:
第一步、结晶器铜板温度差值热成像及可视化特征提取
(1)沿结晶器横向布置不少于19列热电偶测点,在线检测结晶器温度值,采用多项式差值算法,对热电偶温度数据进行横向、纵向差值运算,获取铜板整体的二维温度分布;
(2)计算铜板n秒温度差值,将相同网格单元当前时刻t的温度T[x,y]与其之前n秒温度的均值做差,根据设定铜板温度差值-颜色对应关系,绘制结晶器铜板温度差值热像图,实时、准确反映结晶器铜板温度变化;
(3)采用阈值分割算法,将热像图中降温异常像素点进行分离,利用八连通判别算法对异常点进行连通性判断,获取降温异常区域;
(4)搜索并提取降温区域的温度差值、面积、高度、宽度、高宽比、移动速率以及角度等特征,为纵裂纹识别提供判据;
第二步、建立BP神经网络纵裂纹预报模型,确定输入层神经元、隐含层神经元和输出层神经元,共三层BP神经网络
(1)确定BP神经网络输入层神经元:以异常区域温度差值、面积、高度、宽度、高宽比、纵向移动速率、角度特征为模型的输入参数,即模型共有7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,若是纵裂纹,则模型输出为1,若不是纵裂纹,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,其计算公式为:
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15;
第三步、利用遗传算法优化纵裂纹识别模型
(1)初始化BP神经网络模型权值和阈值;
(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;
(3)正向传播
纵裂纹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,
(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为,
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,其计算公式为:
(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)重复第三步(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,并作为神经网络的初始值进一步优化;
(9)达到BP神经网络训练的目标,停止训练;
第四步、纵裂纹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,在线提取纵裂纹降温区域面积、温度差值、高度、宽度、高宽比、纵向移动速率以及角度等可视化特征,并进行归一化处理;
(2)利用遗传算法优化的纵裂纹识别模型,将归一化后的异常区域特征输入,预测是否为表面纵裂纹缺陷;
(3)若模型输出为小于0,接近于-1,则是铸坯无纵裂纹缺陷,若输出大于0,接近于1,则判定为铸坯表面存在纵裂纹缺陷,将识别结果发送至中控室,以便对存在缺陷的铸坯进行修磨处理。
所述方法适用于板坯、方坯、圆坯和异型坯的铸坯表面纵裂纹检测。
本发明的连铸坯表面纵裂纹的可视化识别方法的有益效果是:基于连铸结晶器温度差值可视化特征,利用改进的BP神经网络识别铸坯表面纵裂纹,通过结晶器温度监控系统获取热电偶温度信号,采用热成像技术可视化呈现结晶器温度差值二维图像,不仅能够进一步了解结晶器内部温度随时间变化情况,同时,可视化呈现铸坯表面纵裂纹形成、发展过程,提升现场操控信心及钢板质量。该检测方法通过挖掘和识别铸坯纵裂与结晶器冷点区域的重要特征,实时、准确检测结晶器内连铸坯表面纵裂纹,对存在缺陷铸坯及时处理,通过铸机降速、改进工艺参数等措施,防止铸坯表面纵裂纹持续产生,减少经济损失,提高钢板质量。
附图说明
图1是表面纵裂纹可视化特征识别检测流程图;
图2是四块结晶器铜板及热电偶布置示意图;
图3是四块结晶器铜板在t-n时刻的温度热像图;
图4是四块结晶器铜板在当前时刻t的温度热像图;
图5是四张结晶器铜板温度差值可视化热像图;
图6是t1时刻阈值分割后的温度差值图像;
图7是t2时刻阈值分割后的温度差值图像;
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、第一窄面铜板,3、内弧宽面铜板,4、第二窄面铜板,5、热电偶,6、宽面铜板冷点区域,7、未处理的冷点区域,8、t1时刻冷点区域,9、t2时刻冷点区域。
具体实施方式
图1是表面纵裂纹可视化特征识别检测流程图。由图1可知,连铸坯纵裂可视化检测方法分为以下四个部分:结晶器铜板温度差值热成像及可视化特征提取、建立BP神经网络预报模型、遗传算法优化纵裂纹识别模型、纵裂纹检测和预报。
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。
第一步、结晶器铜板温度及其温度差值可视化
图2是四块结晶器铜板展开及热电偶布置示意图。连铸机的结晶器长度为900mm,共四张铜板构成,包括两块宽面铜板和两块窄面铜板,分别为外弧宽面铜板1、第一窄面铜板2、内弧宽面铜板3、第二窄面铜板4,铜板厚度是40mm。在距结晶器上口210mm、325mm、445mm位置分别布置3行热电偶测点,外弧宽面铜板1和内弧宽面铜板3上分别布置19列热电偶5,相邻两列热电偶间距为150mm,每个宽面铜板均布置三行热电偶,共57支热电偶;位于第一窄面铜板2和第二窄面铜板4的中心线各布置1列热电偶,两张窄面铜板各布置3支热电偶。四张铜板布置电偶总数共计120支,内弧和外弧宽面热电偶至结晶器铜板热面距离为22mm。
结晶器温度热像图可视化可分为以下三个步骤:
首先,将结晶器热电偶检测到的温度信号进行预处理,消除热电偶故障或电磁干扰引起的温度异常,若热电偶被判定为异常,将其状态设置为FALSE,将所有状态为FALSE的热电偶重新赋值。由于横向温度分布差异相对较小,因此,可将临近热电偶的温度均值赋给状态为FALSE的热电偶。
其次,将热电偶检测到的实测温度数据进行纵向、横向多项式插值,获取结晶器铜板非测点位置的温度值,并将四块铜板温度数据存储在二维数组T[x,y]。其中,外弧宽面和内弧宽面横向坐标x索引值为0~299,第一窄面和第二窄面横向坐标x索引值为0~39;在浇铸方向上,外弧宽面、内弧宽面、第一窄面和第二窄面的纵向坐标索引相同,均为0~99。
最后,将四块铜板温度数组T[x,y],按照预先设定的温度-颜色对应关系,绘制结晶器铜板热像图。结晶器热像图显示频率为1帧/秒,满足现场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。
由图3和图4的对比可知,结晶器板温度经过n秒后发生了变化,在图4的内弧宽面铜板上出现了宽面铜板冷点区域6,操作人员可以根据铜板热像图中的变化,判断铸坯表面已经出现异常情况,然而铜板热像图仅显示当前时刻铜板温度情况,为铸坯表面纵裂的判断和检测增加了难度。本发明对结晶器铜板热像图进行了改进,以持续呈现当前、历史时刻铜板温度变化情况,即计算热像图中每个网格单元之前n秒温度的均值,将相同网格单元当前时刻t温度T[x,y]与其之前n秒温度的均值做差,将温度差值存储在二维数组D[x,y]中。依据设定的温度差值-颜色对应关系,绘制结晶器铜板差值热像图,准确呈现结晶器铜板温度的变化。
图5是四张结晶器铜板温度差值可视化热像图。连铸机结晶器带走钢液热量,钢液在结晶器内冷却后形成坯壳,保护渣渣膜热阻、渣膜厚度以及气隙是影响铸坯/结晶器传热的重要因素,其中,气隙的热阻要高于其他1~2个数量级。铸坯表面纵裂的出现,为铸坯/结晶器间增加一条纵向气隙,阻碍了铸坯/结晶器间传热,如图5所示,在冷却水的作用下,内弧宽面出现了一段连续的低温区域,即未处理的冷点区域7。温度差值热像图能够更加直观、精确地呈现结晶器铜板温度的二维变化,为检测铸坯表面纵裂提供了可视化手段。
图6是t1时刻阈值分割后的温度差值图像。采用图像处理的阈值分割算法,从左到右,从上到下,依次检测结晶器铜板的每个像素,若像素点的值未超过-2.5℃,则将该点剔除,若像素点的值差值超过了-2.5℃,则保留该像素点。通过阈值分割算法,将图5未处理的冷点区域7与正常温度变化区域进行了分离。利用八连通判别准则对冷点区域的连通性进行判断,将不同冷点区域以标号进行区分,如图6、图7中的t1时刻冷点区域8、t2时刻冷点区域9所示,以便对冷点区域进行特征提取。
(1)温度差值特征
温度差值均值fmean:某一个冷点区域中各点温度差值的均值
温度差值最大值fmax:某一个冷点区域中温度差值最大值
fmax=max(D(x,y))
其中,D(x,y)是热像图中(x,y)位置处的温度差值,通过x和y的迭代,可遍历整个热像图像素点;当(x,y)∈Rd时,f(x,y)=1;在时,f(x,y)=0,f(x,y)函数用于判断(x,y)处像素点是否属于同一冷点区域Rd。
(2)几何特征
面积S:用来描述某一个冷点区域Rd的面积大小,即冷点区域在结晶器差值热像图中所占的面积
冷点区域宽度W:冷点区域最左侧至最右侧宽度
W=kx×(Xright-Xleft)
冷点区域高度H:冷点区域最上部至最下部高度
H=ky×(Ybottom-Ytop)
冷点区域高宽比ω:冷点区域高度H与宽度W的比率
其中,当(x,y)∈Rd时,f(x,y)=1;在时,f(x,y)=0;kx和ky分别为像素网格单元在x、y方向的实际距离。
(3)位置特征
冷点区域重心坐标(xc,yc):重心坐标用来表示某一个冷点区域重心的位置
其中,当(x,y)∈Rd时,f(x,y)=1;在时,f(x,y)=0;N是冷点区域内的像素总数。
(4)裂纹移动特征
裂纹纵向移动方向与浇铸方向夹角α:冷点区域重心与区域底部(Xbottom,Ybottom)的连线与浇铸方向所成的锐角
裂纹纵向移动速率V:冷点区域重心纵坐标之差与时间间隔t2-t1的比值
网格单元的尺寸即为相邻横、纵向像素间的实际距离,可由铜板宽度、高度和像素数目求得。结晶器热像图和差值热像图中横向、纵向坐标分别用x,y表示;将结晶器左上角设定为坐标原点,横轴x向右为正,从左至右增加;纵轴y向下为正,从上到下增加;T[x,y]是存储结晶器铜板热像图温度数据的二维数组,差值热像图所在的平面定义区域为R,将结晶体铜板温度差值按时间序列存储在二维数组D[x,y]中;Rd是某一个冷点区域内所有点组成的集合;Ytop、Ybottom是某一个冷点区域纵向坐标最小值、最大值,Xleft,Xright是某一个冷点区域横向坐标最小值、最大值,函数f(x,y)取值为0或1;yc1是t1时刻下区域重心纵坐标,yc2是t2时刻下区域重心纵坐标。
图6中的t1时刻冷点区域8呈现了结晶器表面温度持续下降的过程,通过冷点区域特征信息提取函数,将冷点区域的温度变化、几何、位置等信息进行提取。表1为图6、图7中t1时刻冷点区域8、t2时刻冷点区域9的特征信息。
表1异常区域特征信息
区域 | fmean(℃) | fmax(℃) | S(m2) | H(m) | W(m) | ω | V(m·min-1) | α(度) |
8 | -5.6 | -13.5 | 0.030 | 0.153 | 0.024 | 2.7 | 0.73 | 2.5 |
9 | -6.3 | -15.6 | 0.032 | 0.160 | 0.026 | 2.5 | 0.73 | 3.3 |
图6、图7是t1、t2时刻阈值分割后的温度差值图像。图中t1时刻冷点区域8、t2时刻冷点区域9的温度平均差值fmean分别是-5.6℃和-6.3℃,冷点区域面积S分别是0.030m2和0.032m2,横向宽度W分别是0.024m和0.026m,纵向高度H分别是0.153m和0.160m,冷点区域高宽比ω分别是2.7和2.5,此时浇铸速率为0.75m·min-1,裂纹纵向移动速率V为0.73m·min-1,与浇铸速率相近,夹角α分别为2.5°和3.3°。
第二步、建立BP神经网络纵裂纹预报模型,确定输入层神经元、隐含层神经元和输出层神经元,共三层BP神经网络
(1)确定BP人工神经网络输入层神经元:以异常区域温度差值、面积、高度、宽度、高宽比、纵向移动速率、角度特征为模型的输入参数,即模型共有7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,若是纵裂纹,则模型输出为1,若不是纵裂纹,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,n是输入层神经元个数,g是输出层神经元个数,即t为15。
第三步、利用遗传算法优化纵裂纹识别模型
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0.1和0.2,遗传操作的代数式35;
(3)正向传播
纵裂纹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)重复第三步(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,并作为神经网络的初始值进一步优化;
(9)达到BP神经网络训练的目标,停止训练;
第四步、纵裂纹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,在线提取纵裂纹降温区域面积、温度差值均值、高度、宽度、高宽比、纵向移动速率以及角度等可视化特征,并进行归一化处理;
(2)利用第三步遗传算法优化的纵裂纹识别模型,将归一化后的异常区域特征输入,预测是否为纵裂纹缺陷;
(3)若模型输出为小于0,接近于-1,则是铸坯无纵裂纹缺陷,若输出大于0,接近于1,则判定为铸坯表面存在纵裂纹缺陷,将识别结果发送至中控室,以便对存在缺陷的铸坯进行处理。
基于现场实测3196炉浇铸数据,利用铸坯表面纵裂纹可视化识别方法,对纵裂纹进行检测和报警,纵裂纹报出率可达100%,系统将报警结果反馈至中控室,及时采取降速或调整工艺参数等措施,避免纵裂纹的持续产生,同时,对存在纵裂纹缺陷的坯料进行精修处理,防止铸坯缺陷在轧制过程中的扩展,减少经济损失,提高钢板质量。
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)
1.一种连铸坯表面纵裂纹的可视化识别方法,其特征在于:将结晶器可视化与智能化识别技术有机结合,在实现结晶器温度差值热成像的基础之上,提取纵裂纹降温区域可视化特征;建立BP神经网络纵裂纹识别模型;采用遗传算法对模型的权值和阈值进行优化;对铸坯表面纵裂纹进行识别检测。其具体检测步骤如下:
第一步、结晶器铜板温度差值热成像及可视化特征提取
(1)沿结晶器横向布置不少于19列热电偶测点,在线检测结晶器温度值,采用多项式差值算法,对热电偶温度数据进行横向、纵向差值运算,获取铜板整体的二维温度分布;
(2)计算铜板n秒温度差值,将相同网格单元当前时刻t的温度T[x,y]与其之前n秒温度的均值做差,根据设定铜板温度差值-颜色对应关系,绘制结晶器铜板温度差值热像图,实时、准确反映结晶器铜板温度变化;
(3)采用阈值分割算法,将热像图中降温异常像素点进行分离,利用八连通判别算法对异常点进行连通性判断,获取降温异常区域;
(4)搜索并提取降温区域的温度差值、面积、高度、宽度、高宽比、移动速率以及角度等特征,为纵裂纹识别提供判据;
第二步、建立BP神经网络纵裂纹预报模型,确定输入层神经元、隐含层神经元和输出层神经元,共三层BP神经网络
(1)确定BP神经网络输入层神经元:以异常区域温度差值、面积、高度、宽度、高宽比、纵向移动速率、角度特征为模型的输入参数,即模型共有7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,若是纵裂纹,则模型输出为1,若不是纵裂纹,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,其计算公式为:
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15;
第三步、利用遗传算法优化纵裂纹识别模型
(1)初始化BP神经网络模型权值和阈值;
(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;
(3)正向传播
纵裂纹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,
(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为,
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,其计算公式为:
(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)重复第三步(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,并作为神经网络的初始值进一步优化;
(9)达到BP神经网络训练的目标,停止训练;
第四步、纵裂纹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,在线提取纵裂纹降温区域面积、温度差值、高度、宽度、高宽比、纵向移动速率以及角度等可视化特征,并进行归一化处理;
(2)利用遗传算法优化的纵裂纹识别模型,将归一化后的异常区域特征输入,预测是否为表面纵裂纹缺陷;
(3)若模型输出为小于0,接近于-1,则是铸坯无纵裂纹缺陷,若输出大于0,接近于1,则判定为铸坯表面存在纵裂纹缺陷,将识别结果发送至中控室,以便对存在缺陷的铸坯进行修磨处理。
2.根据权利要求1所述的一种连铸坯表面纵裂纹的可视化识别方法,其特征在于:所述方法适用于板坯、方坯、圆坯和异型坯的铸坯表面纵裂纹检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289751.9A CN105911095A (zh) | 2016-05-04 | 2016-05-04 | 一种连铸坯表面纵裂纹的可视化识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289751.9A CN105911095A (zh) | 2016-05-04 | 2016-05-04 | 一种连铸坯表面纵裂纹的可视化识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105911095A true CN105911095A (zh) | 2016-08-31 |
Family
ID=56753271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610289751.9A Pending CN105911095A (zh) | 2016-05-04 | 2016-05-04 | 一种连铸坯表面纵裂纹的可视化识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105911095A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166118A (zh) * | 2018-09-05 | 2019-01-08 | 深圳灵图慧视科技有限公司 | 织物表面属性检测方法、装置及计算机设备 |
CN110503641A (zh) * | 2019-08-22 | 2019-11-26 | 联峰钢铁(张家港)有限公司 | 一种改善连铸坯表面裂纹的方法和装置 |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN110929355A (zh) * | 2019-12-19 | 2020-03-27 | 东北大学 | 一种连铸坯裂纹风险预测的方法及其应用 |
CN110941889A (zh) * | 2019-08-29 | 2020-03-31 | 华北理工大学 | 连铸异型坯微观和宏观裂纹萌发和扩展的研究方法 |
CN111618265A (zh) * | 2020-05-06 | 2020-09-04 | 大连理工大学 | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 |
CN112926622A (zh) * | 2021-01-22 | 2021-06-08 | 大连理工大学 | 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 |
CN112989687A (zh) * | 2019-12-18 | 2021-06-18 | 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 |
CN110744021B (zh) * | 2019-11-18 | 2021-07-23 | 首钢集团有限公司 | 一种非均匀冷却板坯结晶器 |
CN113591246A (zh) * | 2021-08-09 | 2021-11-02 | 中国计量大学 | 一种基于dqn的压铸工艺自动优化方法 |
CN113935416A (zh) * | 2021-10-15 | 2022-01-14 | 东北大学 | 一种多状态结晶器的连铸漏钢预报方法 |
CN117272761A (zh) * | 2023-11-21 | 2023-12-22 | 北京科技大学 | 一种大方坯中间裂纹的监控方法及系统 |
CN117274702A (zh) * | 2023-09-27 | 2023-12-22 | 湖南景为电子科技有限公司 | 一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统 |
-
2016
- 2016-05-04 CN CN201610289751.9A patent/CN105911095A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166118A (zh) * | 2018-09-05 | 2019-01-08 | 深圳灵图慧视科技有限公司 | 织物表面属性检测方法、装置及计算机设备 |
CN110503641A (zh) * | 2019-08-22 | 2019-11-26 | 联峰钢铁(张家港)有限公司 | 一种改善连铸坯表面裂纹的方法和装置 |
CN110941889A (zh) * | 2019-08-29 | 2020-03-31 | 华北理工大学 | 连铸异型坯微观和宏观裂纹萌发和扩展的研究方法 |
CN110941889B (zh) * | 2019-08-29 | 2024-03-22 | 华北理工大学 | 连铸异型坯微观和宏观裂纹萌发和扩展的研究方法 |
CN110796046B (zh) * | 2019-10-17 | 2023-10-10 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN110744021B (zh) * | 2019-11-18 | 2021-07-23 | 首钢集团有限公司 | 一种非均匀冷却板坯结晶器 |
CN112989687A (zh) * | 2019-12-18 | 2021-06-18 | 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 |
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 |
CN110929355A (zh) * | 2019-12-19 | 2020-03-27 | 东北大学 | 一种连铸坯裂纹风险预测的方法及其应用 |
CN110929355B (zh) * | 2019-12-19 | 2021-07-27 | 东北大学 | 一种连铸坯裂纹风险预测的方法及其应用 |
CN111618265A (zh) * | 2020-05-06 | 2020-09-04 | 大连理工大学 | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 |
CN112926622B (zh) * | 2021-01-22 | 2022-10-18 | 大连理工大学 | 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 |
CN112926622A (zh) * | 2021-01-22 | 2021-06-08 | 大连理工大学 | 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 |
CN113591246B (zh) * | 2021-08-09 | 2023-06-23 | 中国计量大学 | 一种基于dqn的压铸工艺自动优化方法 |
CN113591246A (zh) * | 2021-08-09 | 2021-11-02 | 中国计量大学 | 一种基于dqn的压铸工艺自动优化方法 |
CN113935416A (zh) * | 2021-10-15 | 2022-01-14 | 东北大学 | 一种多状态结晶器的连铸漏钢预报方法 |
CN117274702A (zh) * | 2023-09-27 | 2023-12-22 | 湖南景为电子科技有限公司 | 一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统 |
CN117274702B (zh) * | 2023-09-27 | 2024-03-29 | 湖南景为电子科技有限公司 | 一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统 |
CN117272761A (zh) * | 2023-11-21 | 2023-12-22 | 北京科技大学 | 一种大方坯中间裂纹的监控方法及系统 |
CN117272761B (zh) * | 2023-11-21 | 2024-04-26 | 北京科技大学 | 一种大方坯中间裂纹的监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105911095A (zh) | 一种连铸坯表面纵裂纹的可视化识别方法 | |
CN105328155B (zh) | 一种基于改进神经网络的漏钢可视化特征预报方法 | |
Xie et al. | Online prediction of mechanical properties of hot rolled steel plate using machine learning | |
CN104181196B (zh) | 一种连铸坯表面纵裂纹在线检测方法 | |
Nasiri et al. | Intelligent fault diagnosis of cooling radiator based on deep learning analysis of infrared thermal images | |
CN109396375A (zh) | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 | |
CN104298884B (zh) | 一种快速计算轧件断面温度的有限元和有限差分耦合方法 | |
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 | |
CN105108097A (zh) | 一种混合模型及基于混合模型的连铸漏钢预报方法 | |
Khanzadeh et al. | A methodology for predicting porosity from thermal imaging of melt pools in additive manufacturing thin wall sections | |
EP3229156B1 (en) | Predicting cracking in cooled metal or alloy components | |
Ramírez-López et al. | Simulation of heat transfer in steel billets during continuous casting | |
Ye et al. | Real-time quality prediction of casting billet based on random forest algorithm | |
Bouissa et al. | Prediction of heat transfer coefficient during quenching of large size forged blocks using modeling and experimental validation | |
CN107610156A (zh) | 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 | |
CN104050380A (zh) | 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法 | |
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 | |
Chumachenko et al. | Mathematical modeling and energy conservation for rolling in passes | |
Duan et al. | Modeling of breakout prediction approach integrating feature dimension reduction with K-means clustering for slab continuous casting | |
CN113095164A (zh) | 基于强化学习和标志点表征的车道线检测定位方法 | |
CN108469313A (zh) | 基于元胞自动机的结晶器铜板温度异常区域检测方法 | |
Jagadish et al. | Prediction of mechanical properties of fe 415 steel in hot rolling process using artificial neural network | |
CN103593493B (zh) | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 | |
Pan et al. | On-line bleeds detection in continuous casting processes using engineering-driven rule-based algorithm | |
CN115446276A (zh) | 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160831 |