CN113814369B - 一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法 - Google Patents

Abstract

本发明提供一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法，属于钢铁冶金连铸检测技术领域。该方法提取结晶器铜板温度速率异常区域的可视化特征，并利用Adaboost集成模型对可视化特征组成的特征向量进行分类，从而检测和预报结晶器漏钢。本发明提供的预报方法通过结晶器铜板温度速率可视化热像图，构建包含黏结区域静态与动态特征的特征向量，通过Adaboost集成模型对特征向量进行分类，进而实现结晶器漏钢的检测和预报。该方法基于Adaboost集成模型对结晶器漏钢进行实时检测和预报，能够在保证漏钢全部报出的前提下，同时降低误报率，有效提高预报准确率。

Description

一种基于特征向量和Adaboost集成模型的结晶器漏钢预报 方法

技术领域

本发明属于钢铁冶金连铸检测技术领域，涉及一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法。

背景技术

连铸生产中，钢液在结晶器内动态凝固和快速冷却，使钢液逐渐凝固成具有一定厚度的坯壳。在弯月面附近，较薄的初生坯壳发生破裂后直接与铜板接触发生黏结。随着铸坯下移，结晶器的上下振动造成黏结处坯壳的反复撕裂和愈合，当黏结离开结晶器时，失去了铜板的支撑作用，黏结处较薄的坯壳无法抵抗钢水静压力作用，便会发生漏钢。漏钢不仅会导致生产流程中断，降低连铸机的作业率，漏出的高温钢液也会不同程度地破坏二冷区设备，造成巨大的经济损失。因此预防漏钢一直是连铸工作者关注的重点，也是连铸过程异常预报的核心。开发准确、有效的漏钢预报方法对于提升铸坯质量和保证连铸顺行具有重要意义。

发明专利CN201710346797.4公开了一种连铸漏钢预报方法，该方法涉及一种基于逻辑判断的结晶器漏钢预报方法。主要包括读取逻辑判断规则参数、数据采集和处理、对热电偶进行温度上升检查等八个步骤。通过热电偶在线采集结晶器铜板温度，并进行数据预处理，依照逻辑判断的规则对温度特征进行分析和检查。若满足一系列逻辑判断规则，则发出黏结漏钢报警。上述方法具有原理清晰和易于调试等优点，然而，逻辑判断漏钢预报方法对铸机参数和物性参数等较为敏感，且不同工况条件下需设定不同的报警阈值，导致预报算法的自适应性较差。

发明专利CN201110431124.1公开了一种连铸漏钢预报方法，该方法通过温度与摩擦力监控的耦合模型进行漏钢预报。基于温度监控的漏钢预报方法将自适应遗传算法引入BP神经网络，实现网络结构的自动优化；基于摩擦力监控的漏钢预报方法将逻辑判断和神经网络模型进行联合预报。通过将温度监控的准确性与摩擦力监控的灵敏性有机结合，建立了温度监控为主、摩擦力监控为辅的预报机制。上述方法虽保证了一定的准确率，但神经网络模型对训练样本质量和数量要求较高，并且收集和制作样本的过程繁琐。

鉴于上述漏钢预报模型存在的局限性，同时考虑到预报算法的鲁棒性和收集样本过程的繁琐性，本发明提出，基于结晶器铜板的实测温度，运用可视化手段得到铜板温度速率热像图，进而提取出代表黏结区域的动态与静态特征，将特征组合为特征向量并用于Adaboost集成模型的训练，最终利用训练好的分类器实时检测和预报结晶器漏钢。

发明内容

本发明的目的是提出一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法，实时准确地对黏结漏钢进行检测和预报，为连铸过程异常监控提供了新方案。

为达到上述目的，本发明的技术方案如下：

一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法，该方法提取结晶器铜板温度速率异常区域的可视化特征，并利用Adaboost集成模型对可视化特征组成的特征向量进行分类，从而检测和预报结晶器漏钢，具体包括以下步骤：

第一步、结晶器铜板温度速率可视化及异常区域特征提取

(1)在结晶器内、外弧宽面和左、右侧窄面铜板上各布置多个热电偶。在线检测结晶器铜板的温度，通过插值算法计算出非测点位置的结晶器铜板温度值，得到温度速率数据。运用计算机图形学和OpenGL技术，将铜板温度映射到二维平面，得到对应的二维温度热像图。

(2)通过帧间差分算法计算铜板测点和非测点处的温度变化速率，得到铜板温度对应的二维温度速率热像图。

(3)统计归纳样本库中的温度速率数据后，设置温度速率阈值为T_z，利用阈值分割算法区分正常温度波动区域与异常温度波动区域，从二维温度速率热像图中剔除温度速率小于T_z的正常温度波动区域，并采用游程递归算法对温度速率大于T_z的异常点进行连通性标记，获取铜板不同位置的温度速率异常区域。

(4)温度速率异常区域中包含黏结漏钢及正常工况区域，分别提取两者的高度H、宽度W、面积S、横向移动速率V_y、纵向移动速率V_x五种可视化特征。

第二步、异常区域特征向量构造与处理

(1)将第一步提取到的黏结漏钢区域特征与黏结漏钢下的拉速V_c组合成特征向量X_B，同时将正常工况区域特征与正常工况下的拉速V_c’组合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']

(2)获取p例黏结漏钢区域特征向量样本X_B和q例正常工况特征向量样本X_N，组建样本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_Bp,1),(X_N1,-1),(X_N2,-1),...,(X_Nq,-1)}

式中，1和-1分别代表黏结漏钢区域样本和正常工况样本的类别标签。

(3)对Q中特征向量样本进行归一化处理：

式中，X_imin、X_imax分别表示特征向量样本X第i维特征的最小值和最大值，F_i表示特征向量X的第i维特征归一化后对应的数值。归一化后的样本集记为P：

P＝{(F_B1,1),(F_B2,1),...,(F_Bp,1),(F_N1,-1),(F_N2,-1),...,(F_Nq,-1)}

第三步、训练Adaboost集成模型

(1)构建训练样本集。从样本集P中随机获取黏结漏钢区域样本F_B和正常工况样本F_N各t例组成训练样本集T。即T＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}，其中x_i∈χ,y_i∈Y＝{-1，+1}。χ代表样本x_i所属的实例空间，Y是标记集合，n＝2t即样本个数。

(2)训练Adaboost模型。

2.1)初始化训练样本的权值分布：

D₁＝(ω₁₁,...,ω_1i,...,ω_1n),

式中，ω_1i为样本集T中第i个样本的权值。

2.2)对m＝1,2,3…M

2.2.1)使用权值分布为D_m的训练数据集学习，得到基本分类器G_m(x):χ→{-1,+1}，即建立样本实例空间到标记集合的映射关系。

2.2.2)计算G_m(x)在训练样本集上的分类误差率：

式中I(·)为指示函数，当·为真和假时分别取值为1和0。

2.2.3)计算基本分类器G_m(x)的系数：

2.2.4)更新训练样本集的权值分布：

D_m+1＝(ω_m+1,1,...ω_m+1,i,...,ω_m+1,n)

这里，Z_m是规范化因子，

2.3)构建基本分类器G_m(x)的线性组合：

得到最终分类器

第四步、基于Adaboost集成模型在线检测及预报漏钢

(1)在线检测并提取结晶器铜板温度速率异常区域的典型可视化特征，结合实时工况下的拉速将特征组合为特征向量并进行归一化处理后，构造得到异常区域特征向量F_fv；

(2)将异常区域特征向量F_fv输入分类器G(x)中，得到模型的预测值y。

(3)根据模型的预测值y预报结晶器漏钢。若y＝1则为黏结漏钢，发出警报并迅速降低铸机拉速；若y＝-1则为正常工况，继续下一时刻的黏结漏钢检测与预报。

上述漏钢预报的方法适用于板坯、方坯、圆坯、异型坯等连铸坯的漏钢预报。

本发明的有益效果是：本发明提供的预报方法通过结晶器铜板温度速率可视化热像图，构建包含黏结区域静态与动态特征的特征向量，通过Adaboost集成模型对特征向量进行分类，进而实现结晶器漏钢的检测和预报。该方法基于Adaboost集成模型对结晶器漏钢进行实时检测和预报，能够在保证漏钢全部报出的前提下，同时降低误报率，有效提高预报准确率。

附图说明

图1为结晶器漏钢预报方法流程。

图2为结晶器铜板热电偶布置示意图。

图3为正常工况区域可视化特征图。图3(a)为正常工况区域初始形成图；图3(b)为正常工况区域横向移动图；图3(c)为正常工况区域原位扩展图；图3(d)为正常工况区域纵向拉伸图。

图4为黏结漏钢区域可视化特征图。图4(a)为黏结初始形成图；图4(b)为黏结区域横向扩展图；图4(c)为黏结区域纵向传播图；图4(d)为黏结漏钢“V”型特征图。

图5为在线检测温度速率异常区域可视化特征图。图5(a)为黏结漏钢区域“V”型特征图；图5(b)为正常工况区域特征图。

图2中：1热电偶；2外弧宽面铜板；3左侧窄面铜板；4右侧窄面铜板；5内弧宽面铜板。

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的阐述

如图1所示为结晶器漏钢预报方法流程图。首先，提取结晶器铜板温度速率异常区域可视化特征并对其预处理，构造得到六维特征向量；其次，对Adaboost集成模型进行训练得到最终分类器；最后，通过训练好的分类器对特征向量样本进行分类并预报漏钢。

第一步、结晶器铜板温度速率可视化及异常区域特征提取

(1)如图2所示为结晶器铜板及其热电偶分布图。结晶器由四块铜板组合而成，总高度为900mm，浇铸时的有效高度为800mm。在结晶器内、外弧宽面铜板5、2上布置3排19列热电偶，左、右侧窄面铜板3、4上布置3排1列热电偶，共120支热电偶。其中，第一排热电偶据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。在线检测所有结晶器铜板的温度，并通过插值算法计算出非测点位置的结晶器铜板温度值。运用计算机图形学和OpenGL技术，将铜板温度映射到二维平面，得到对应的二维温度热像图。

(2)通过帧间差分算法计算铜板测点和非测点处的温度变化速率，得到铜板温度对应的二维温度速率热像图。

(3)统计归纳样本库中的温度速率数据后，设置温度速率阈值为0.3℃/s，利用阈值分割算法将正常温度波动区域与异常温度波动区域进行区分，从二维温度速率热像图中剔除温度速率小于阈值的正常温度波动区域，并用游程递归算法对温度速率大于T_z的异常点进行连通性标记，获取铜板不同位置的温度速率异常区域。

(4)图3所示为正常工况区域可视化特征图。沿着浇铸方向模拟区间为第一排至第三排热电偶，分布到100像素点上；横向模拟区间为第一列至第十九列热电偶，分布到300个像素点上。图3中所示T₁～T₄时刻并未出现黏结漏钢典型V型特征，而图4所示的黏结漏钢区域可视化特征图从T₁～T₄时刻逐渐出现黏结漏钢典型V型特征，各时刻的间隔为3s。提取T₄时刻黏结漏钢区域的高度H_B＝23.50cm、宽度W_B＝58.49cm、阴影部分面积S_B＝766.65cm²，并依据黏结漏钢区域重心坐标随时间的变化计算得到横向移动速率V_By＝1.34m/min、纵向移动速率V_Bx＝1.16m/min。同理可求得图3中正常工况区域T₄时刻对应的5种可视化特征，即：H_N＝11.85cm，W_N＝3.99cm，S_N＝32.63cm²，V_Ny＝0.30m/min，V_Nx＝0.08m/min。

第二步、异常区域特征向量构造与处理

(1)将第一步提取到的黏结漏钢区域特征与黏结漏钢下的拉速V_c组合成特征向量X_B，同时将正常工况区域特征与正常工况下的拉速V_c’组合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]＝[23.50,58.49,766.65,1.16,1.34,0.75]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']＝[11.85,3.99,32.63,0.08,0.30,0.60]

(2)获取40例黏结漏钢区域特征向量样本X_B和40例正常工况特征向量样本X_N，组建样本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_B40,1),(X_N1,-1),(X_N2,-1),...,(X_N40,-1)}

式中，1和-1分别代表黏结漏钢区域样本和正常工况样本的类别标签。

(4)对Q中特征向量样本进行归一化处理：

式中，X_imin、X_imax分别表示特征向量样本X第i维特征的最小值和最大值，F_i表示特征向量X的第i维特征归一化后对应的数值。X_B、X_N归一化后的特征向量为F_B＝[1.00,0.21,0.24,0.85,0.74,0.54]，F_N＝[0.12,0.02,0.01,0.04,0.58，0.31]。

按照上述特征向量构造和处理方式，归一化后新的样本集记为P：

P＝{(F_B1,1),(F_B2,1),...,(F_B40,1),(F_N1,0),(F_N2,0),...,(F_N40,0)}

第三步、训练Adaboost集成模型

(1)构建训练样本集。从样本集P中随机获取黏结漏钢区域样本F_B和正常工况样本F_N各25例组成训练样本集T。即T＝{(x₁,y₁),(x₂,y₂),...,(x₅₀,y₅₀)}，其中x_i∈χ,y_i∈Y＝{-1，+1}。χ代表样本x_i所属的实例空间，Y是标记集合。

(2)训练Adaboost模型。

(2.1)初始化训练样本的权值分布：

D₁＝(ω₁₁,...,ω_1i,...,ω_1n)＝(0.02,0.02,...,0.02,0.02),i＝1,2,...,50式中，ω_1i为样本集T中第i个样本的权值。

(2.2)对m＝1,2,3…9

(2.2.1)使用权值分布为D₁的训练数据集学习，得到基本分类器G₁(x):χ→{-1,+1}，即建立样本实例空间到标记集合的映射关系。

(2.2.2)计算G₁(x)在训练样本集上的分类误差率：

式中I(·)为指示函数，当·为真和假时分别取值为1和0。

(2.2.3)计算基本分类器G₁(x)的系数：

(2.2.4)更新训练样本集的权值分布：

D_m+1＝(ω_m+1,1,...ω_m+1,i,...,ω_m+1,n)

这里，Z_m是规范化因子，

由上式可得：D₂＝(0.07,0.07,0.01,...,0.07,0.07)，D₃,...,D₈，

D₉＝(0.04,0.04,0.01,...,0.01,0.11)

(2.3)构建基本分类器G_m(x)的线性组合：

得到最终分类器

由上式可得:

α₁＝0.91α₉＝0.61

其中，x_ij代表样本x_i的第j维特征。

第四步、基于Adaboost集成模型在线检测及预报漏钢

(1)在线检测结晶器铜板温度速率异常区域，如图5所示，提取其典型可视化特征，并结合实时工况下的拉速将特征组合并进行归一化处理后，构造得到异常区域特征向量：

F_fv1＝[0.76,0.17,0.16,0.23,0.40,0.77]；F_fv2＝[0.02,0.003,0.001,0,0.53,0.46]

(2)将异常区域特征向量F_fv1和F_fv2输入到训练好的分类器G(x)中，得到模型的预测值y₁和y₂：

y₁＝G(F_fv1)＝G([0.76,0.17,0.16,0.23,0.40,0.77])＝1

y₂＝G(F_fv2)＝G([0.02,0.003,0.001,0,0.53,0.46])＝-1

(3)根据分类器G(x)的预测值y预报结晶器漏钢。y₁＝1，对应黏结漏钢区域的数据标签，产生了漏钢，发出警报并迅速降低铸机拉速；y₂＝-1，对应正常工况区域的数据标签，无漏钢发生，继续下一时刻的漏钢检测与预报。

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)

1.一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法，其特征在于，所述结晶器漏钢预报方法提取结晶器铜板温度速率异常区域的可视化特征，并利用Adaboost集成模型对可视化特征组成的特征向量进行分类，从而检测和预报结晶器漏钢，包括以下步骤：

第一步、结晶器铜板温度速率可视化及异常区域特征提取

统计归纳样本库中的温度速率数据后，设置温度速率阈值为T_z，利用阈值分割算法区分正常温度波动区域与异常温度波动区域，从二维温度速率热像图中剔除温度速率小于T_z的正常温度波动区域，并采用游程递归算法对温度速率大于T_z的异常点进行连通性标记，获取铜板不同位置的温度速率异常区域；所述的温度速率异常区域中包含黏结漏钢及正常工况区域，分别提取两者的高度H、宽度W、面积S、横向移动速率V_y、纵向移动速率V_x五种可视化特征；

第二步、异常区域特征向量构造与处理

(1)将第一步提取到的黏结漏钢区域特征与黏结漏钢下的拉速V_c组合成特征向量X_B，同时将正常工况区域特征与正常工况下的拉速V_c’组合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']

(2)获取p例黏结漏钢区域特征向量样本X_B和q例正常工况特征向量样本X_N，组建样本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_Bp,1),(X_N1,-1),(X_N2,-1),...,(X_Nq,-1)}

式中，1和-1分别代表黏结漏钢区域样本和正常工况样本的类别标签；

(3)对Q中特征向量样本进行归一化处理：

式中，X_imin、X_imax分别表示特征向量样本X第i维特征的最小值和最大值，F_i表示特征向量X的第i维特征归一化后对应的数值；归一化后的样本集记为P：

P＝{(F_B1,1),(F_B2,1),...,(F_Bp,1),(F_N1,-1),(F_N2,-1),...,(F_Nq,-1)}

第三步、训练Adaboost集成模型

(1)构建训练样本集；从样本集P中随机获取黏结漏钢区域样本F_B和正常工况样本F_N各t例组成训练样本集T；即T＝{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_n,y_n)}，其中x_i∈χ,y_i∈Y＝{-1，+1}；χ代表样本x_i所属的实例空间，Y是标记集合，n＝2t即样本个数；

(2)训练Adaboost模型；

2.1)初始化训练样本的权值分布：

D₁＝(ω₁₁,...,ω_1i,...,ω_1n),

式中，ω_1i为样本集T中第i个样本的权值；

2.2)对m＝1,2,3…M

2.2.1)使用权值分布为D_m的训练数据集学习，得到基本分类器G_m(x):χ→{-1,+1}，即建立样本实例空间到标记集合的映射关系；

2.2.2)计算G_m(x)在训练样本集上的分类误差率：

式中I(·)为指示函数，当I(·)为真和假时分别取值为1和0；

2.2.3)计算基本分类器G_m(x)的系数：

2.2.4)更新训练样本集的权值分布：

D_m+1＝(ω_m+1,1,...ω_m+1,i,...,ω_m+1,n)

这里，Z_m是规范化因子，

2.3)构建基本分类器G_m(x)的线性组合：

得到最终分类器

第四步、基于Adaboost集成模型在线检测及预报漏钢

(1)在线检测并提取结晶器铜板温度速率异常区域的典型可视化特征，结合实时工况下的拉速将特征组合为特征向量并进行归一化处理后，构造得到异常区域特征向量F_fv；

(2)将异常区域特征向量F_fv输入分类器G(x)中，得到模型的预测值y；

(3)根据模型的预测值y预报结晶器漏钢；若y＝1则为黏结漏钢，发出警报并迅速降低铸机拉速；若y＝-1则为正常工况，继续下一时刻的黏结漏钢检测与预报。

2.根据权利要求1所述的一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法，其特征在于，所述第一步中：

通过在结晶器内、外弧宽面和左、右侧窄面铜板上各布置多个热电偶；在线检测结晶器铜板的温度，通过插值算法计算出非测点位置的结晶器铜板温度值，得到温度速率数据；

通过帧间差分算法计算铜板测点和非测点处的温度变化速率，得到铜板温度对应的二维温度速率热像图。

3.根据权利要求1或2所述的一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法，其特征在于，所述的漏钢预报的方法适用于板坯、方坯、圆坯或异型坯的漏钢预报。

Images