CN111680448A - 一种基于支持向量机svm分类的连铸坯纵裂纹预测方法 - Google Patents

Abstract

一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法，属于钢铁冶金连铸检测技术领域。该方法分别提取纵裂纹和正常工况下温度的典型特征，构成温度典型特征样本库；利用支持向量机算法对特征样本库进行多轮训练和测试，得到最优SVM分类预测模型；利用最优SVM分类预测模型对在线实时温度的特征样本进行分类，以此预测连铸坯纵裂纹。本发明分别提取对纵裂纹温度较为敏感的第一、二排热电偶温度的典型变化特征，利用SVM分类方法对典型特征温度变化特征样本库进行训练和测试，最终得到最优的SVM分类预测模型，进而对在线实时温度进行预测，具有良好的鲁棒性和预测准确率，对提高铸坯质量和得到无缺陷铸坯具有重要意义。

Description

一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法

技术领域

本发明属于钢铁冶金连铸检测技术领域，涉及一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法。

背景技术

铸坯表面纵裂纹是指铸坯表面沿拉坯方向发生的裂纹，是影响连铸机产量和连铸坯质量的严重缺陷。当纵裂纹较为严重时，甚至会导致坯壳破裂造成漏钢。在实际的生产过程中，及时预测、识别和标记铸坯纵裂纹，以采取相应的应对措施，最大程度降低纵裂纹危害和损失，对于连铸现场具有重要意义。

已授权专利CN104181196B提出了一种连铸坯表面纵裂纹在线检测方法。该方法以二维热像图的形式呈现结晶器铜板热电偶的温度，根据纵裂纹在结晶器内的形成和温度分布特征，利用计算机视觉技术检索温度的异常变化、标记裂纹区域，并提取区域的几何、移动特征，在线检测铸坯表面纵裂纹的形成和发展过程。该方法能可视化铸坯表面纵裂纹形成、扩展和移动的过程，克服了以往仅根据温度一维趋势判定纵裂纹的局限。然而，在对纵裂纹原始温度数据进行多次转换和处理过程中，可能会丢失关键或典型的纵裂纹温度变化特征，算法繁琐，二维图像的计算量也较大。

发明内容

本发明的目的是为了在线预测铸坯纵裂纹缺陷，提出一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法，该方法分别提取纵裂纹和正常工况下温度的典型特征，构成温度典型特征样本库；利用支持向量机算法对特征样本库进行多轮训练和测试，得到最优SVM分类预测模型；利用最优SVM分类预测模型对在线实时温度的特征样本进行分类，以此预测连铸坯纵裂纹。

为达到上述目的，本发明的技术方案如下：

一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法，包括以下步骤：

第一步、温度数据获取

(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、温度典型特征提取

以每列电偶为单位，提取第r、r+1排热电偶温度的典型特征

：第r排温降和温升幅度；

：第r排温降和温升时间；

：第r+1排温降和温升幅度；

：第r+1排温降和温升时间；

Δt_timelag：第r、r+1排温度最小值对应时刻的时间间隔。

每一个样本向量T_f由上述9个典型特征组成，即：

所有的特征样本向量构成温度典型特征样本库：

其中T_fC表示纵裂纹样本，类别标签为1；T_fN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。

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、最优SVM分类模型获取

将温度典型特征样本库S_f随机划分为H组子样本库，其中每一组子样本库均包含训练样本集和测试样本集，利用SVM对每一组子样本库中的训练样本集进行训练，并且对该子样本库中的测试样本集进行测试。如此对H组子样本库分别训练和测试并得到H个测试准确率，选取测试结果最优的子样本库对应的SVM纵裂纹预测模型，包括以下步骤：

(1)模型训练：在S_f中各随机抽取30例以上纵裂纹样本T_fC和30例以上正常工况样本T_fN，组成训练集，对SVM分类模型进行训练，找到训练集样本的分类超平面，即：

其中，

表示由样本温度典型特征组成的向量；ω为决定超平面方向的法向量，ω^T为ω的转置；b为位移项。

由此可得到SVM分类模型及其对应的分类决策函数：

(2)模型测试：以(1)中得到的分类决策函数对S_f中剩余的纵裂纹样本和正常工况样本组成的测试集进行测试，并记录预测准确率。

(3)将步骤(1)～(2)重复执行H次，每次均重新随机抽取纵裂纹样本和正常工况样本组成新的训练样本集，并以剩余样本为测试样本集，最终得到H组SVM分类模型及其对应的预测准确率。

(4)选择预测准确率最高的SVM分类模型及其对应的分类决策函数，作为最优的SVM纵裂纹预测模型。

第四步、纵裂纹在线预测

(1)在线检测过程中，截取当前时刻及之前连续L-1秒的同列热电偶的实时温度，以与第二步相同的方式提取实时温度的典型特征，得到实时温度典型特征样本T_{f_new}；

(2)利用第三步得到的SVM纵裂纹预测模型及其对应的分类决策函数对实时温度典型特征样本T_{f_new}进行分类预测，得到实时温度典型特征样本T_{f_new}的类别标签：

(3)如果实时温度典型特征样本T_{f_new}的类别标签为1，则认为T_{f_new}为纵裂纹，发出纵裂纹警报；否则，更新时间，对下一时刻及之前连续L-1秒的热电偶温度数据，即下一时刻对应的L秒热电偶温度数据执行第四步(1)、第四步(2)和第四步(3)。

上述方法适用于板坯、方坯、圆坯、异型坯等连铸坯纵裂纹预测。

本发明的有益效果是：所提出的一种基于支持向量机分类SVM的连铸坯纵裂纹预测方法，分别提取对纵裂纹温度较为敏感的第一、二排热电偶温度的典型变化特征，利用SVM分类方法对典型特征温度变化特征样本库进行训练和测试，最终得到最优的SVM分类预测模型，进而对在线实时温度进行预测，具有良好的鲁棒性和预测准确率，对提高铸坯质量和得到无缺陷铸坯具有重要意义。

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是热电偶温度特征提取示意图；

图3是最优SVM分类预测模型获取流程图；

图4是在线实时温度纵裂纹预测流程图；

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d₁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d₂为210mm，第一、二排热电偶之间的间距d₃为115mm，第二、三排热电偶之间的间距d₄为120mm，相邻两列热电偶之间的间距d₅为150mm。

第一步、温度数据获取

(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、温度典型特征提取

以每列电偶为单位，提取第一、二行热电偶温度的如下典型特征：

：第一排温降和温升幅度；

：第一排温降和温升时间；

：第二排温降和温升幅度；

：第二排温降和温升时间；

Δt_timelag：第一、二排温度最小值时间间隔。

特征提取过程如图2所示，每个样本T_f由上述9个典型特征组成，即：

所有的特征样本构成温度典型特征样本库：

其中T_fC表示纵裂纹样本，类别标签为1；T_fN表示正常工况样本，类别标签为-1。一共选取了50例纵裂纹样本和50例正常工况样本。

第三步、最优SVM分类模型获取

图3所示为最优SVM分类模型获取流程图。将温度典型特征样本库S_f随机划分为5组子样本库，其中每一组子样本库均包含训练样本集和测试样本集，利用SVM对每一组子样本库中的训练样本集进行训练，并且对该子样本库中的测试样本集进行测试。如此对5组子样本库分别训练和测试并得到5个测试准确率，选取测试结果最优的子样本库对应的SVM纵裂纹预测模型，包括以下步骤：

(1)模型训练：在S_f中各随机抽取30例以上纵裂纹样本T_fC和30例以上正常工况样本T_fN，组成训练集，对SVM分类模型进行训练，找到训练集样本的分类超平面，即：

其中，

表示样本的温度典型特征组成的向量，ω为决定超平面方向的法向量，ω^T为ω的转置，b为位移项。

由此可得到SVM分类模型及其对应的分类决策函数：

(2)以(1)中得到的分类决策函数对S_f中剩余样本组成的测试集进行测试，并记录预测准确率。

(3)将步骤(1)～(2)重复执行5次，每次均重新随机抽取纵裂纹样本和正常工况样本组成新的训练样本集，并以剩余样本为测试样本集，最终得到5组SVM分类模型及其对应的预测准确率。

(4)选择预测准确率最高的SVM分类模型作为最优的SVM纵裂纹预测模型，其分类决策函数为

其中：ω＝[0.082,0.103,-0.021,-0.014,0.095,0.140,-0.006,-0.016,-0.001]，b＝-0.941

第四步、纵裂纹在线预测

图4为基于SVM的纵裂纹实时温度在线预测流程图，从图中可以看出，纵裂纹的在线预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提取实时温度的典型特征，得到实时温度典型特征样本T_{f_new}；

(2)利用第三步得到的SVM纵裂纹预测模型及其对应的分类决策函数对实时温度典型特征样本T_{f_new}进行分类预测，得到实时温度典型特征样本T_{f_new}的类别标签：

如果实时温度典型特征样本T_{f_new}的类别标签为1，则认为T_{f_new}为纵裂纹，发出纵裂纹警报；否则，更新时间，对下一时刻及之前109秒的热电偶温度数据，即下一时刻对应的110秒热电偶温度数据执行第四步(1)、第四步(2)和第四步(3)。

图5是在线实测时的纵裂纹温度图。对图5中当前时刻对应的110秒温度提取典型特征，可得到：

T_{f_new1}＝[8.5,10.6,22,40,8.7,5.6,27,20,16]

将T_f-new1代入SVM分类决策函数可得：

因此，T_f-new1的类别标签为1，即为纵裂纹样本，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中当前时刻对应的110秒温度提取典型特征，可得到：

T_f-new2＝[0.0,0.0,0,0,0.0,0.4,0,12,44]

将T_f-new2代入SVM分类决策函数可得：

因此，T_f-new2的类别标签为-1，因此更新时间，对下一时刻对应的110秒热电偶温度数据执行第四步(1)、第四步(2)和第四步(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)

1.一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法，其特征在于，包括以下步骤：

第一步、获取温度数据

(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、温度典型特征提取

以每列电偶为单位，提取第r、r+1排热电偶温度的典型特征：

第r排温降和温升幅度；

第r排温降和温升时间；

第r+1排温降和温升幅度；

第r+1排温降和温升时间；

Δt_timelag：第r、r+1排温度最小值对应时刻的时间间隔；

每一个样本向量T_f由上述9个典型特征组成，即：

所有的特征样本向量构成温度典型特征样本库：

其中，T_{f C}表示纵裂纹样本，类别标签为1；T_{f 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、最优SVM分类模型获取

将温度典型特征样本库S_f随机划分为H组子样本库，其中每一组子样本库均包含训练样本集和测试样本集，利用SVM对每一组子样本库中的训练样本集进行训练，并且对该子样本库中的测试样本集进行测试；如此对H组子样本库分别训练和测试并得到H个测试准确率，选取测试结果最优的子样本库对应的SVM纵裂纹预测模型，包括以下步骤：

(1)模型训练：在S_f中各随机抽取30例以上纵裂纹样本T_fC和30例以上正常工况样本T_{f N}，组成训练集，对SVM分类模型进行训练，找到训练集样本的分类超平面，即：

其中，

表示由样本温度典型特征组成的向量，ω为决定超平面方向的法向量，ω^T为ω的转置；b为位移项；

由此得到SVM分类模型及其对应的分类决策函数：

(2)模型测试：以(1)中得到的分类决策函数对S_f中剩余的纵裂纹样本和正常工况样本组成的测试集进行测试，并记录预测准确率；

(3)将步骤(1)～(2)重复执行H次，每次均重新随机抽取纵裂纹样本和正常工况样本组成新的训练样本集，并以剩余样本为测试样本集，最终得到H组SVM分类模型及其对应的预测准确率；

(4)选择预测准确率最高的SVM分类模型及其对应的分类决策函数，作为最优的SVM纵裂纹预测模型；

第四步、纵裂纹在线预测

(1)在线检测过程中，截取当前时刻及之前连续L-1秒的同列热电偶的实时温度，以与第二步相同的方式提取实时温度的典型特征，得到实时温度典型特征样本T_{f_new}；

(2)利用第三步得到的SVM纵裂纹预测模型及其对应的分类决策函数对实时温度典型特征样本T_{f_new}进行分类预测，得到实时温度典型特征样本T_{f_new}的类别标签：

(3)如果实时温度典型特征样本T_{f_new}的类别标签为1，则认为T_{f_new}为纵裂纹，发出纵裂纹警报；否则，更新时间，对下一时刻及之前连续L-1秒的热电偶温度数据，即下一时刻对应的L秒热电偶温度数据执行第四步(1)、第四步(2)和第四步(3)。

2.根据权利要求1所述的一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法，其特征在于，所述的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应不少于40例。

3.根据权利要求1或2所述的一种基于支持向量机SVM分类的连铸坯纵裂纹预测方法，其特征在于，所述的方法适用于板坯、方坯、圆坯、异型坯连铸坯纵裂纹预测。

Images