CN111618265A - 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 - Google Patents
一种基于k近邻分类的连铸坯纵裂纹在线检测方法 Download PDFInfo
- Publication number
- CN111618265A CN111618265A CN202010375081.9A CN202010375081A CN111618265A CN 111618265 A CN111618265 A CN 111618265A CN 202010375081 A CN202010375081 A CN 202010375081A CN 111618265 A CN111618265 A CN 111618265A
- Authority
- CN
- China
- Prior art keywords
- temperature
- longitudinal crack
- continuous casting
- new
- row
- 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.)
- Granted
Links
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Continuous Casting (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种基于K近邻分类的连铸坯纵裂纹在线检测方法,属于钢铁冶金连铸检测技术领域。该方法对纵裂纹和正常工况下同列热电偶温度的温度变化率进行拼接得到温度样本以及样本库;利用KNN分类算法和指定参数K对样本库和在线实时检测的同列热电偶温度预处理结果进行分类,识别和预报连铸坯纵裂纹。本发明以原始温度数据的温度变化率为输入,结合无需对样本库进行训练的快速分类方法KNN,可直接对在线实时温度进行铸坯纵裂纹检测,具有检测效率快、准确性高等优点,为提高连铸坯质量提供有利工具。
Description
技术领域
本发明属于钢铁冶金连铸检测技术领域,涉及一种基于K近邻分类的连铸坯纵裂纹在线检测方法。
背景技术
纵裂纹是连铸坯表面常见的质量缺陷,最初形成于结晶器弯月面附近。随着铸坯的下移,纵裂纹在结晶器和二冷区的冷却水作用下进一步扩展。纵裂纹较轻时需要对铸坯精整处理,严重时导致铸坯直接判废,严重影响铸坯质量同时也造成巨大的经济损失。因此,对于铸坯表面纵裂纹的在线检测极为重要。
刘宇等人提出一种基于计算机视觉的连铸坯纵裂纹在线检测方法(Archivesofmetallurgy and materials.DOI:10.24425/122393)。该方法利用计算机图像处理算法检测纵裂纹异常温度区域,提取和分割异常区域及其边界,并利用连通标记算法对其进行标定,对比纵裂纹异常区域的长度、宽度、形状等,以检测和识别纵裂纹异常。但图像处理过程中的计算量较大,算法也较为复杂。
发明内容
本发明的目的是为了在线检测和识别铸坯纵裂纹缺陷,提出一种基于K近邻分类(KNN)的连铸坯纵裂纹在线检测方法,该方法对纵裂纹和正常工况下同列热电偶温度的温度变化率进行拼接得到温度样本以及样本库;利用KNN分类算法和指定参数K对样本库和在线实时检测的同列热电偶温度预处理结果进行分类,识别和预报连铸坯纵裂纹。
为达到上述目的,本发明的技术方案如下:
一种基于K近邻分类的连铸坯纵裂纹在线检测方法,包括以下步骤:
第一步、温度数据准备
(1)对于纵裂纹历史温度数据,截取包含温度下降-稳定-上升波动过程在内的L秒的同列热电偶温度数据;
(2)对于正常工况下的温度数据,截取连续L秒的同列热电偶温度数据。
第二步、温度变化率拼接
分别求取同列热电偶第r、r+1行温度在间隔k秒的温度变化率T_Vr、T_Vr+1;
式中,T(r)i、T(r+1)i分别为第r、r+1行热电偶温度第i时刻的数值;T(r)i+k、T(r+1)i+k分别为第r、r+1行热电偶温度第i+k时刻的数值。
将T_Vr、T_Vr+1前后拼接为一个序列作为一个整体样本T_V:
所有的样本构成样本库:
ST_V={(T_VC1,1),(T_VC2,1),…,(T_VCm,1),(T_VN1,-1),(T_VN2,-1),…,(T_VNn,-1)},
其中,T_VC表示纵裂纹样本,类别标签为1;T_VN表示正常工况样本,类别标签为-1。m、n分别为样本库中纵裂纹和正常工况样本的数量。
所述的样本库中纵裂纹样本和正常工况样本数量均应不少于40例。
第三步、纵裂纹在线预测
(1)截取同列热电偶实时温度,以与第二步相同的方式对实时温度的温度变化率进行拼接,得到实时温度样本T_Vnew;
(2)利用指定的K值和KNN分类算法,对实时温度样本T_Vnew进行分类预测,具体为:
2.1)逐一计算T_Vnew与ST_V中所有样本的距离,即:
di=Euc(T_Vnew,T_Vi),i={1,2,…,m+n}
其中,di表示T_Vnew与ST_V中第i个样本的欧式距离。
2.2)对di由小到大排序,取前K个距离及其对应的K个样本;
2.3)如果上述K个样本中有一半及以上对应的类别标签为1,则将T_Vnew的类别标签赋值为1;否则,将T_Vnew的类别标签赋值为-1。
(3)如果T_Vnew的类别标签为1,则认为其对应的实时温度为纵裂纹,发出纵裂纹警报;如果T_Vnew的类别标签为-1,则更新时间,对下一时刻对应的L秒热电偶温度数据执行第三步(1)、第三步(2)和第三步(3)。
上述方法适用于板坯、方坯、圆坯、异型坯等连铸坯纵裂纹检测。
本发明的有益效果是:所提出的一种基于K近邻分类的连铸坯纵裂纹在线检测方法,以原始温度数据的温度变化率为输入,结合无需对样本库进行训练的快速分类方法KNN,可直接对在线实时温度进行铸坯纵裂纹检测,具有检测效率快、准确性高等优点,为提高连铸坯质量提供有利工具。
附图说明
图1是四张结晶器铜板与热电偶分布示意图;
图2是纵裂纹温度及其预处理结果示意图;图2(a)为发生纵裂纹时第一、二排热电偶的温度图,图2(b)为图2(a)中第一排热电偶温度的温度变化率图,图2(c)为图2(a)中第二排热电偶温度的温度变化率图,图2(d)为图2(b)和图2(c)中温度变化率的拼接图;
图3是正常工况温度及其预处理结果示意图;图3(a)为正常工况下第一、二排热电偶的温度图,图3(b)为图3(a)中第一排热电偶温度的温度变化率图,图3(c)为图3(a)中第二排热电偶温度的温度变化率图,图3(d)为图3(b)和图3(c)中温度变化率的拼接图;
图4是纵裂纹在线检测流程图;
图5是在线实测时的纵裂纹温度图;
图6是在线实测时的正常工况温度图。
具体实施方式
下面通过具体的实施例,并结合附图对本发明做进一步的阐述。
图1所示为某钢厂在线服役的结晶器及其热电偶分布示意图。结晶器铜板高度为900mm,有效高度为800mm,由四块铜板组合而成。内、外弧宽面铜板各安装了3排19列热电偶,左、右侧窄面铜板各安装了3排1列热电偶,四张铜板共计安装120支热电偶。其中,第一排热电偶距结晶器上口的距离为210mm,第一、二排热电偶之间的间距为115mm,第二、三排热电偶之间的间距为120mm,相邻两列热电偶之间的间距为150mm。
第一步、温度数据准备
(1)对于纵裂纹温度数据,截取包含温度下降-稳定-上升波动过程在内的110秒的同列热电偶温度数据;
(2)对于正常工况下的温度数据,截取连续110秒的同列热电偶温度数据。
第二步、温度变化率拼接
分别求取同列热电偶第1、2行热电偶温度间隔为10秒的温度变化率T_V1、T_V2,得到2个长度为100的温度变化率数组;
式中,T(1)i、T(2)i分别为第1、2行热电偶温度第i时刻的数值。T(1)i+10、T(2)i+10分别为第1、2行热电偶温度第i+10时刻的数值。
将T_V1、T_V2前后拼接为一个序列作为一个整体样本,,得到1个长度为200的温度变化率数组:
图2(a)表示纵裂纹所在电偶列第一、二排的温度;图2(b)和图2(c)分别表示图2(a)中第一、二排热电偶温度的温度变化率。图3(a)表示正常工况下第一、二排热电偶的温度;图3(b)和图3(c)分别表示图3(a)中第一、二排热电偶温度的温度变化率。
所有的样本构成样本库:
ST_V={(T_VC1,1),(T_VC2,1),…,(T_VC45,1),(T_VN1,-1),(T_VN2,-1),…,(T_VN45,-1)},
其中T_VC的类别标签为1,表示纵裂纹样本;T_VN的类别标签为-1,表示正常工况样本。一共选取了45例纵裂纹样本和45例正常工况样本,分别如图2(d)和图3(d)所示。
第三步、纵裂纹在线预测
图4为基于KNN分类算法的铸坯纵裂纹在线检测方法流程图,从图中可以看出,纵裂纹的在线检测主要包含以下步骤:
(1)在线检测过程中,截取当前时刻及之前连续109秒的同列热电偶的实时温度,以与第二步相同的方式对实时温度的温度变化率进行拼接,得到实时温度样本T_Vnew;
(2)指定K=5,利用KNN分类算法,对实时温度样本T_Vnew进行分类预测,具体为:
2.1)计算T_Vnew与ST_V中所有样本的距离,即:
di=Euc(T_Vnew,T_Vi),i={1,2,…,90}
其中,di表示T_Vnew与ST_V中第i个样本的欧式距离。
2.2)对di由小到大排序,取前5个距离及其对应的5个样本;
2.3)如果上述5个样本中有一半及以上样本的类别标签为1,则将T_Vnew的类别标签赋值为1;否则,将T_Vnew的类别标签赋值为-1。
(3)如果T_Vnew的类别标签为1,则认为其对应的实时温度为纵裂纹,发出纵裂纹警报;如果T_Vnew的类别标签为-1,则更新时间,对下一时刻对应的110秒热电偶温度数据执行第三步(1)、第三步(2)和第三步(3)。
图5是在线实测时的纵裂纹温度图;对图5中所示第一、二排热电偶对应的当前时刻截取110秒温度进行温度变化率拼接得到T_Vnew-1,计算其T_Vnew-1与ST_V中所有样本的距离并由小到大排序,前5个距离对应的样本分别为:{T_VC4,T_VC17,T_VC22,T_VC24,T_VN1},上述5个样本中包括4个类别标签为1的纵裂纹样本和1个类别标签为-1的正常工况样本。将T_Vnew-1的类别标签赋值为1,即为纵裂纹样本,因此发出纵裂纹警报。
图6是在线实测时的正常工况温度图。对图6中所示第一、二排热电偶对应的当前时刻截取110秒温度进行温度变化率拼接得到T_Vnew-2,计算其T_Vnew-2与ST_V中所有样本的距离并由小到大排序,前5个距离对应的样本分别为:{T_VN1,T_VN9,T_VN21,T_VN22,T_VN34},上述5个样本的类别标签均为-1。因此,将T_Vnew-2的类别标签赋值为-1,并更新时间,对下一秒的热电偶温度数据执行第三步(1)、第三步(2)和第三步(3)。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (3)
1.一种基于K近邻分类的连铸坯纵裂纹在线检测方法,其特征在于,包括以下步骤:
第一步、准备温度数据
(1)对于纵裂纹历史温度数据,截取包含温度下降-稳定-上升波动过程在内的L秒的同列热电偶温度数据;
(2)对于正常工况下的温度数据,截取连续L秒的同列热电偶温度数据;
第二步、温度变化率拼接
分别求取同列热电偶第r、r+1行温度在间隔k秒的温度变化率T_Vr、T_Vr+1;
式中,T(r)i、T(r+1)i分别为第r、r+1行热电偶温度第i时刻的数值;T(r)i+k、T(r+1)i+k分别为第r、r+1行热电偶温度第i+k时刻的数值;
将T_Vr、T_Vr+1前后拼接为一个序列作为一个整体样本T_V:
所有的样本构成样本库:
STV={(T_VC1,1),(T_VC2,1),…,(T_VCm,1),(T_VN1,-1),(T_VN2,-1),…,(T_VNn,-1)},
其中,T_VC表示纵裂纹样本,类别标签为1;T_VN表示正常工况样本,类别标签为-1;m、n分别为样本库中纵裂纹和正常工况样本的数量;
第三步、纵裂纹在线预测
(1)截取同列热电偶实时温度,以与第二步相同的方式对实时温度的温度变化率进行拼接,得到实时温度样本T_Vnew;
(2)利用指定的K值和KNN分类算法,对实时温度样本T_Vnew进行分类预测,具体为:
2.1)逐一计算T_Vnew与ST_V中所有样本的距离,即:
di=Euc(T_Vnew,T_Vi),i={1,2,…,m+n}
其中,di表示T_Vnew与ST_V中第i个样本的欧式距离;
2.2)对di由小到大排序,取前K个距离及其对应的K个样本;
2.3)如果上述K个样本中有一半及以上对应的类别标签为1,则将T_Vnew的类别标签赋值为1;否则,将T_Vnew的类别标签赋值为-1;
(3)如果T_Vnew的类别标签为1,则认为其对应的实时温度为纵裂纹,发出纵裂纹警报;如果T_Vnew的类别标签为-1,则更新时间,对下一时刻对应的L秒热电偶温度数据执行第三步(1)、第三步(2)和第三步(3)。
2.根据权利要求1所述的一种基于K近邻分类的连铸坯纵裂纹在线检测方法,其特征在于,第二步所述的样本库中纵裂纹样本和正常工况样本数量均不少于40例。
3.根据权利要求1或2所述的一种基于K近邻分类的连铸坯纵裂纹在线检测方法,其特征在于,所述方法适用于板坯、方坯、圆坯、异型坯等连铸坯纵裂纹检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375081.9A CN111618265B (zh) | 2020-05-06 | 2020-05-06 | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375081.9A CN111618265B (zh) | 2020-05-06 | 2020-05-06 | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111618265A true CN111618265A (zh) | 2020-09-04 |
CN111618265B CN111618265B (zh) | 2021-07-16 |
Family
ID=72267747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010375081.9A Active CN111618265B (zh) | 2020-05-06 | 2020-05-06 | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111618265B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011206810A (ja) * | 2010-03-30 | 2011-10-20 | Jfe Steel Corp | スラブの縦割れ検知方法 |
CN102527971A (zh) * | 2012-02-27 | 2012-07-04 | 宝山钢铁股份有限公司 | 一种铸坯内裂缺陷的在线预报方法 |
CN102825234A (zh) * | 2012-09-25 | 2012-12-19 | 鞍钢股份有限公司 | 一种粘结漏钢的判定报警方法 |
CN102941330A (zh) * | 2012-10-31 | 2013-02-27 | 中冶南方工程技术有限公司 | 一种连铸板坯表面裂纹在线预测的控制方法 |
JP5154997B2 (ja) * | 2008-03-31 | 2013-02-27 | Jfeスチール株式会社 | 連続鋳造におけるブレークアウト予知方法 |
CN103745234A (zh) * | 2014-01-23 | 2014-04-23 | 东北大学 | 一种带钢表面缺陷的特征提取与分类方法 |
CN103971133A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 基于案例推理的钢板表面缺陷的自动识别方法 |
CN104181196A (zh) * | 2014-09-09 | 2014-12-03 | 大连理工大学 | 一种连铸坯表面纵裂纹在线检测方法 |
CN105911095A (zh) * | 2016-05-04 | 2016-08-31 | 东北电力大学 | 一种连铸坯表面纵裂纹的可视化识别方法 |
WO2018021635A1 (ko) * | 2016-07-29 | 2018-02-01 | 주식회사 포스코 | 연속주조 이상 예측 장치 |
CN108580827A (zh) * | 2018-05-22 | 2018-09-28 | 大连理工大学 | 一种基于凝聚层次聚类预报结晶器漏钢的方法 |
CN108705058A (zh) * | 2018-05-22 | 2018-10-26 | 大连理工大学 | 一种基于K-Means聚类预报结晶器漏钢的方法 |
CN109365769A (zh) * | 2018-12-18 | 2019-02-22 | 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 |
JP2020011255A (ja) * | 2018-07-17 | 2020-01-23 | 日本製鉄株式会社 | 鋳造状態判定装置、鋳造状態判定方法、およびプログラム |
-
2020
- 2020-05-06 CN CN202010375081.9A patent/CN111618265B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5154997B2 (ja) * | 2008-03-31 | 2013-02-27 | Jfeスチール株式会社 | 連続鋳造におけるブレークアウト予知方法 |
JP2011206810A (ja) * | 2010-03-30 | 2011-10-20 | Jfe Steel Corp | スラブの縦割れ検知方法 |
CN102527971A (zh) * | 2012-02-27 | 2012-07-04 | 宝山钢铁股份有限公司 | 一种铸坯内裂缺陷的在线预报方法 |
CN102825234A (zh) * | 2012-09-25 | 2012-12-19 | 鞍钢股份有限公司 | 一种粘结漏钢的判定报警方法 |
CN102941330A (zh) * | 2012-10-31 | 2013-02-27 | 中冶南方工程技术有限公司 | 一种连铸板坯表面裂纹在线预测的控制方法 |
CN103745234A (zh) * | 2014-01-23 | 2014-04-23 | 东北大学 | 一种带钢表面缺陷的特征提取与分类方法 |
CN103971133A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 基于案例推理的钢板表面缺陷的自动识别方法 |
CN104181196A (zh) * | 2014-09-09 | 2014-12-03 | 大连理工大学 | 一种连铸坯表面纵裂纹在线检测方法 |
CN105911095A (zh) * | 2016-05-04 | 2016-08-31 | 东北电力大学 | 一种连铸坯表面纵裂纹的可视化识别方法 |
WO2018021635A1 (ko) * | 2016-07-29 | 2018-02-01 | 주식회사 포스코 | 연속주조 이상 예측 장치 |
KR20180014367A (ko) * | 2016-07-29 | 2018-02-08 | 주식회사 포스코 | 연속주조 이상 예측 장치 |
CN108580827A (zh) * | 2018-05-22 | 2018-09-28 | 大连理工大学 | 一种基于凝聚层次聚类预报结晶器漏钢的方法 |
CN108705058A (zh) * | 2018-05-22 | 2018-10-26 | 大连理工大学 | 一种基于K-Means聚类预报结晶器漏钢的方法 |
JP2020011255A (ja) * | 2018-07-17 | 2020-01-23 | 日本製鉄株式会社 | 鋳造状態判定装置、鋳造状態判定方法、およびプログラム |
CN109365769A (zh) * | 2018-12-18 | 2019-02-22 | 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 |
Non-Patent Citations (2)
Title |
---|
欧阳亚丽: "基于专家系统的铸坯表面裂纹预报的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
段海洋等: "基于温度时序特征层次聚类的连铸黏结漏钢预报方法开发", 《机械工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111618265B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104181196B (zh) | 一种连铸坯表面纵裂纹在线检测方法 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
CN102581244A (zh) | 一种连铸铸坯表面质量的在线控制系统及控制方法 | |
CN108705058B (zh) | 一种基于K-Means聚类预报结晶器漏钢的方法 | |
JP2017060965A (ja) | 連続鋳造鋳片の表面欠陥判定方法及び装置、該表面欠陥判定方法を用いた鋼片の製造方法 | |
Duan et al. | Integrated approach to density-based spatial clustering of applications with noise and dynamic time warping for breakout prediction in slab continuous casting | |
CN116822342A (zh) | 一种锆合金激光切割的工艺识别与性能预测方法 | |
CN117036797A (zh) | 基于特征提取与随机森林分类的连铸坯纵裂纹预测方法 | |
Kumar et al. | Development of intelligent mould for online detection of defects in steel billets | |
CN111618265B (zh) | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 | |
Duan et al. | Longitudinal crack detection approach based on principal component analysis and support vector machine for slab continuous casting | |
CN111666710A (zh) | 一种采用逻辑回归分类预测连铸坯纵裂纹的方法 | |
CN110918973B (zh) | 一种基于游程的结晶器热像图异常区域标记方法 | |
CN111421119A (zh) | 连铸板坯表面纵裂纹在线预测的方法 | |
CN111680448B (zh) | 一种基于支持向量机svm分类的连铸坯纵裂纹预测方法 | |
CN117548639A (zh) | 一种厚板坯连铸生产的过程监控方法 | |
Duan et al. | Modeling of breakout prediction approach integrating feature dimension reduction with K-means clustering for slab continuous casting | |
CN112926622A (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 | |
CN115446276B (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 | |
CN117171936A (zh) | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 | |
JP6119807B2 (ja) | 連続鋳造スラブの表面欠陥判定方法及び装置、該表面欠陥判定方法を用いた鋼鋳片の製造方法 | |
CN116441502A (zh) | 基于结晶器温度识别连铸板坯纵裂纹缺陷的方法及系统 | |
CN202639268U (zh) | 一种连铸铸坯表面质量的在线控制系统 | |
CN118211143A (zh) | 一种基于梯度提升树的连铸坯纵裂纹预测方法 | |
JP6358199B2 (ja) | 連続鋳造スラブの表面欠陥判定方法及び装置、該表面欠陥判定方法を用いた鋼鋳片の製造方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |