CN111618265A

CN111618265A - 一种基于k近邻分类的连铸坯纵裂纹在线检测方法

Info

Publication number: CN111618265A
Application number: CN202010375081.9A
Authority: CN
Inventors: 王旭东; 段海洋; 姚曼
Original assignee: Dalian University of Technology
Current assignee: Dalian University of Technology
Priority date: 2020-05-06
Filing date: 2020-05-06
Publication date: 2020-09-04
Anticipated expiration: 2040-05-06
Also published as: CN111618265B

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

一种基于K近邻分类的连铸坯纵裂纹在线检测方法

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_V_r、T_V_r+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_V_r、T_V_r+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：

S_{T_V}＝{(T_V_C1,1),(T_V_C2,1),…,(T_V_Cm,1),(T_V_N1,-1),(T_V_N2,-1),…,(T_V_Nn,-1)}，

其中，T_V_C表示纵裂纹样本，类别标签为1；T_V_N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_V_new；

(2)利用指定的K值和KNN分类算法，对实时温度样本T_V_new进行分类预测，具体为：

2.1)逐一计算T_V_new与S_{T_V}中所有样本的距离，即：

d_i＝Euc(T_V_new,T_V_i)，i＝{1,2,…,m+n}

其中，d_i表示T_V_new与S_{T_V}中第i个样本的欧式距离。

2.2)对d_i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_V_new的类别标签赋值为1；否则，将T_V_new的类别标签赋值为-1。

(3)如果T_V_new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_V_new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：

S_{T_V}＝{(T_V_C1,1),(T_V_C2,1),…,(T_V_C45,1),(T_V_N1,-1),(T_V_N2,-1),…,(T_V_N45,-1)}，

其中T_V_C的类别标签为1，表示纵裂纹样本；T_V_N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_V_new；

(2)指定K＝5，利用KNN分类算法，对实时温度样本T_V_new进行分类预测，具体为：

2.1)计算T_V_new与S_{T_V}中所有样本的距离，即：

d_i＝Euc(T_V_new,T_V_i)，i＝{1,2,…,90}

其中，d_i表示T_V_new与S_{T_V}中第i个样本的欧式距离。

2.2)对d_i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_V_new的类别标签赋值为1；否则，将T_V_new的类别标签赋值为-1。

(3)如果T_V_new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_V_new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_V_new-1，计算其T_V_new-1与S_{T_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_V_C4,T_V_C17,T_V_C22,T_V_C24,T_V_N1}，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_V_new-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_V_new-2，计算其T_V_new-2与S_{T_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_V_N1,T_V_N9,T_V_N21,T_V_N22,T_V_N34}，上述5个样本的类别标签均为-1。因此，将T_V_new-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

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

(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

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_V_r、T_V_r+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：

S_TV＝{(T_V_C1,1),(T_V_C2,1),…,(T_V_Cm,1),(T_V_N1,-1),(T_V_N2,-1),…,(T_V_Nn,-1)}，

其中，T_V_C表示纵裂纹样本，类别标签为1；T_V_N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

2.1)逐一计算T_V_new与S_{T_V}中所有样本的距离，即：

d_i＝Euc(T_V_new,T_V_i)，i＝{1,2,…,m+n}

其中，d_i表示T_V_new与S_{T_V}中第i个样本的欧式距离；

2.2)对d_i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_V_new的类别标签赋值为1；否则，将T_V_new的类别标签赋值为-1；

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。