CN113926865A - 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质 - Google Patents

铸坯夹渣预报方法、机清控制方法、计算设备及存储介质 Download PDF

Info

Publication number
CN113926865A
CN113926865A CN202010602393.9A CN202010602393A CN113926865A CN 113926865 A CN113926865 A CN 113926865A CN 202010602393 A CN202010602393 A CN 202010602393A CN 113926865 A CN113926865 A CN 113926865A
Authority
CN
China
Prior art keywords
casting blank
parameter set
train
slag inclusion
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.)
Granted
Application number
CN202010602393.9A
Other languages
English (en)
Other versions
CN113926865B (zh
Inventor
吕立华
职建军
许娜
邓龙
苏异才
肖畅
王墨南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baoshan Iron and Steel Co Ltd
Original Assignee
Baoshan Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baoshan Iron and Steel Co Ltd filed Critical Baoshan Iron and Steel Co Ltd
Priority to CN202010602393.9A priority Critical patent/CN113926865B/zh
Publication of CN113926865A publication Critical patent/CN113926865A/zh
Application granted granted Critical
Publication of CN113926865B publication Critical patent/CN113926865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
    • B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
    • B21B45/0269—Cleaning
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Continuous Casting (AREA)

Abstract

本发明公开了一种铸坯夹渣预报方法，用于生产管理系统，包括以下步骤：获取当前铸坯的钢种信息；获取当前铸坯的多组连铸参数及对应的热轧参数，并根据连铸参数及热轧参数构建包含多个特征变量的当前铸坯的参数集；根据钢种信息与模型数据库进行匹配；若匹配成功，则获取匹配的预存预报模型，并根据参数集及预存预报模型得到当前铸坯的夹渣概率。本发明公开的铸坯夹渣预报方法可提升铸坯夹渣预报的准确性。本发明还提供了一种机清控制方法、计算设备及存储介质。

Description

铸坯夹渣预报方法、机清控制方法、计算设备及存储介质
技术领域
本发明涉及冶金生产技术领域，特别涉及一种铸坯夹渣预报方法、机清控制方法、计算设备及存储介质。
背景技术
在铸坯(即连铸板坯)的生产加工过程中，液态的钢水首先经过结晶器迅速凝固结晶，再经过连铸冷却、拉矫等作用，形成铸坯；之后输送给热轧工序，进行补热和热加工。铸坯的表面质量直接影响热轧产品的表面质量和热送热装效率。实际生产当中，由于连铸生产过程中工艺参数的波动以及异常情况的出现，难以做到铸坯表面无缺陷。通常，对于产品表面要求高的铸坯或者连铸品质异常的铸坯，必须经过火焰清理(简称机清)。机清后的铸坯或无需机清的铸坯，输送给热轧，经过加热炉补热，然后进行轧制。通过轧线的表面测量装置，可以获得带钢全长的表面质量数据，从而判定出钢坯是否有钢质带来的夹渣表面缺陷。现有工艺中的一个突出问题是：目前还无法做到提前准确预报铸坯表面的夹渣情况，以实现对铸坯进行有区别的处理。
除此之外，在现有技术中，铸坯机清的设定值是按照固定的规则确定的，对于产品表面要求高的铸坯，比如汽车外板，必须机清，生产计划直接给出机清标志和机清厚度；有的产品则根据生产经验制定机清规则，结合生产加工过程中的品质异常情况，判断是否机清，如果符合规则，则机清设备执行相应的机清代码，对铸坯进行机清。这导致了机清以及机清设定控制过程中没有充分利用连铸过程和热轧过程的数据，无法实现高表面质量的智能控制，导致欠机清和过机清，如果欠机清，会出现产品表面质量问题；如果过机清，会造降低金属收得率。可见，机清不当会影响产品质量和造成资源及能源的浪费。
为了解决铸坯的夹渣预报问题，专利CN102207497B提出了一种轧前铸坯夹渣预报模型，该方法采集结晶器液位值和浇注长度，根据浇注长度，调取对应的结晶器液位值，采用分类加权的方法计算液位波动情况，从而进行评级判定铸坯是否存在夹渣。
但是，申请人发现该方法无法实现铸坯夹渣的精准预测和控制。申请人进一步发现，这是由于该专利中采集的参数单一，只考虑到了结晶器液位波动对铸坯夹渣的影响，因此该方法也就无法实现铸坯夹渣的准确预报。
发明内容
申请人研究发现铸坯夹渣受多个过程和参数的影响，连铸结晶过程、机清过程、加热轧制过程，均会对产品的夹渣情况造成影响。其中，造成夹渣的源头是结晶器的工艺参数波动，机清决定了夹渣的清除情况，而加热炉的温度控制也有一定影响。这三个相互独立的工序，对最终产品的表面是否有夹渣，都有影响。如何利用相关参数，进行铸坯表面夹渣的精准预报，对实现铸坯机清的智能设定，进而提高产品质量和生产效率，十分必要也十分重要。
本发明的目的在于提供一种铸坯夹渣预报方法，以解决现有技术中铸坯夹渣预报不准确的问题。
为解决上述技术问题，本发明的实施方式公开了一种铸坯夹渣预报方法，用于生产管理系统，包括以下步骤：获取当前铸坯的钢种信息；获取当前铸坯的多组连铸参数及对应的热轧参数，并根据连铸参数及热轧参数构建包含多个特征变量的当前铸坯的参数集；根据钢种信息与模型数据库进行匹配；若匹配成功，则获取匹配的预存预报模型，并根据参数集及预存预报模型得到当前铸坯的夹渣概率。
采用上述技术方案，可提升铸坯夹渣预报的准确性。
可选地，铸坯夹渣预报方法还包括以下步骤：若匹配失败，则获取当前铸坯的参数集对应的结果标签集，并根据当前铸坯的参数集及当前铸坯的结果标签集创建对应当前铸坯的预报模型，并将当前铸坯的预报模型及当前铸坯的钢种信息存入到模型数据库。
可选地，若匹配失败，则获取当前铸坯的参数集对应的结果标签集，并根据当前铸坯的参数集及当前铸坯的结果标签集创建对应当前铸坯的预报模型，并将当前铸坯的预报模型及当前铸坯的钢种信息存入到模型数据库的步骤，包括：当匹配失败时，获取参数集对应的结果标签集C＝[C1,C2…Ci，…Cm]，Ci＝0代表第i个采样样本为无夹渣缺陷，Ci＝1代表第i个采样样本具有夹渣缺陷，m为采样样本数，采样样本数即获取的连铸参数及热轧参数的组数；对参数集进行标准化处理，得到标准化后的参数集Z；对参数集Z进行交叉项处理，得到处理后的数据集x；将数据集x分为训练数据集xtrain和测试数据集xtest；分别对xtrain和xtest进行特征抽取和降维处理，得到特征矩阵Htrain和Htest；使用自组织特征映射神经网络对Htrain进行训练，结合结果标签集C得到预报模型；使用Htest和结果标签集C对预报模型进行验证，将通过验证的预报模型及钢种信息存入到模型数据库。
可选地，对参数集进行标准化处理得到标准化后的参数集Z的步骤，包括：计算参数集中每个特征变量的均值μ及标准差θ；计算得到标准化后的参数集Z：
Figure BDA0002559441460000031
其中，X为参数集中特征变量的原始数值。
可选地，分别对xtrain和xtest进行特征抽取和降维处理，得到特征矩阵Htrain和Htest的步骤，包括：设定xtrain中包含k个类别的数据集，计算得到xtrain中第i个类别的数据集的均值
Figure BDA00025594414600000311
Figure BDA0002559441460000032
其中，ni代表xtrain中第i个类别的数据集中的采样样本数，xi,j代表第i个类别的数据集中的第j个样本；计算得到xtrain的均值
Figure BDA0002559441460000033
Figure BDA0002559441460000034
计算得到xtrain对应的类内协方差矩阵Swithin：
Figure BDA0002559441460000035
计算得到xtrain对应的类间协方差矩阵Sbetween：
Figure BDA0002559441460000036
设定FDA算法优化的目标函数为J：
Figure BDA0002559441460000037
计算得到xtrain对应的投影矩阵w：λSwithinw＝Sbetweenw(2-6)；计算得到xtrain对应的特征矩阵Htrain：Htrain＝xtrainw(2-7)；对xtest进行处理得到xtest对应的特征矩阵Htest。
可选地，使用自组织特征映射神经网络对Htrain进行训练得到预报模型的步骤，包括：构建训练模型，设定Htrain中采样样本数为I个，则设定初始的神经元的个数
Figure BDA0002559441460000038
学习率α∈[0，1]，权矢量的初值e0∈[0，1]，训练步数为T；将Htrain输入到训练模型进行投影，则Htrain包含I个输入样本，每个样本均为N维，即第i个输入样本为xi＝[xi1,xi2…xin,…xiN]，其中i＝1,2,3,…I；每个神经元通过权矢量与输入层相连接，权矢量的维数与Htrain中每个样本的维数相同，即权矢量ea＝[ea1,ea2…ean,…eaN]，其中a＝1,2,3,…A；随机选择输入样本xr＝[xr1,xr2…xir,…xrN]，应用欧氏距离做判别函数，比较输入样本与权矢量之间的距离大小，确定距离最短的神经元为获胜神经元，欧式距离bi的计算公式为：
Figure BDA0002559441460000039
其中，i＝1,2,3,…I，a＝1,2,3,…A；对获胜神经元及其邻域内的所有神经元进行更新：ea(t+1)＝ea(t)+α(t)hba(t)||xi(t)-ea(t)||(3-2)，其中，t为当前训练步，α(t)为当前训练步t的学习率，hba为邻域函数，
Figure BDA00025594414600000310
其中，rb，ra为神经元b和a的位置，σ为邻域的范围；当获胜神经元及其邻域内的所有神经元都完成更新后，进入下一个时间步t+1，新的输入样本被送入训练模型去寻找相应的获胜神经元，直至所有输入样本都完成训练；计算每个神经元的夹渣概率p夹渣：
Figure BDA0002559441460000041
其中，h2为投影到该神经元中的输入样本中结果标签为具有夹渣缺陷的样本数量，h1为投影到该神经元中的输入样本中结果标签为无夹渣缺陷的样本数量；根据控制限阈值β∈[0，1]，确定每个神经元的预报标签，若p夹渣≥β，则该神经元的预报标签为异常，若p夹渣＜β，则该神经元的预报标签为正常；根据神经元、控制限阈值β及夹渣概率p夹渣得到预报模型。
可选地，使用Htest对预报模型进行验证，将通过验证的预报模型存入到模型数据库中的步骤，包括：将Htest输入到预报模型进行投影；得到Htest中每个输入样本投影到的神经元对应的预报标签；将预报标签与结果标签集C进行对应匹配；当匹配率高于或等于设定的验证阈值时，将预报模型存入到模型数据库。
可选地，铸坯夹渣预报方法还包括以下步骤：当匹配率低于设定的验证阈值时，调整学习率α、邻域函数hba及训练步数T其中至少之一，直到匹配率高于或等于验证阈值。
可选地，在对参数集进行标准化处理得到标准化后的参数集Z的步骤之前，还包括以下步骤：根据结果标签集C对参数集Z进行特征变量的选择；根据选择的结果剔除参数集Z中冗余的特征变量，得到更新后的参数集Z。
可选地，根据结果标签集C对参数集Z进行特征变量的选择的步骤，包括：设定参数集Z中特征变量的冗余R(Z)为参数集Z中所包含的所有特征变量的互信息量的平均值，计算得到R(Z)：
Figure BDA0002559441460000042
其中，M(xi；xj)表示xi和xj之间的互信息量，xi和xj表示参数集Z中不同的特征变量，Z表示参数集Z中的特征变量个数；设定参数集Z与结果标签集C的相关性D(Z,C)为各个特征变量xi和结果标签集类C之间的所有互信息值的平均值，计算得到D(Z,C)：
Figure BDA0002559441460000043
设定评价函数Φ(D,R)为：
Figure BDA0002559441460000044
用增量搜索方法求解Φ(D,R)，获得参数集Z中所有特征变量的重要性排序；根据重要性排序的结果保留重要性大于设定阈值的特征变量，得到更新后的参数集Z。
本发明的实施方式还公开了一种机清控制方法，包括前述的任一铸坯夹渣预报方法，还包括以下步骤：获取当前铸坯的机清标志；当机清标志为必须机清时，获取当前铸坯的计划机清厚度，根据计划机清厚度以及夹渣概率确定当前铸坯的实际机清厚度；当机清标志为非必须机清时，根据夹渣概率确定当前铸坯的实际机清厚度；根据实际机清厚度对当前铸坯进行机清。
采用上述技术方案的机清控制方法，可实现铸坯机清的精准控制，能够减少过机清造成的资源浪费和欠机清造成的产品质量差。
本发明的实施方式还公开了一种计算设备，包括：处理器，适于实现各种指令；存储器，适于存储多条指令，指令适于由处理器加载并执行前述的任一铸坯夹渣预报方法。
采用上述技术方案的计算设备，使用时可提升铸坯生产管理过程中铸坯夹渣预报的准确性。
本发明的实施方式还公开了一种计算设备，包括：处理器，适于实现各种指令；存储器，适于存储多条指令，指令适于由处理器加载并执行前述的任一机清控制方法。
采用上述技术方案的计算设备，使用时可实现铸坯生产管理过程中铸坯机清的精准控制，能够减少过机清造成的资源浪费和欠机清造成的产品质量差。
本发明的实施方式还公开了一种存储介质，存储介质存储有多条指令，指令适于由处理器加载并执行前述的任一铸坯夹渣预报方法。
本发明的实施方式还公开了一种存储介质，存储介质存储有多条指令，指令适于由处理器加载并执行前述的任一机清控制方法。
附图说明
图1示出本发明一实施例的铸坯夹渣预报方法的流程图；
图2示出本发明又一实施例的铸坯夹渣预报方法的流程图；
图3示出本发明一实施例中训练模型的示意图；
图4示出本发明一实施例中神经元阵列的爆炸直方图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
应注意的是，在本说明书中，相同字母在不同的公式中可代表不同的含义，例如i和j在某个公式中的具体含义由该公式对应的解释说明所限定。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
参照图1所示，本发明的实施方式公开了一种铸坯夹渣预报方法，用于生产管理系统，包括以下步骤，S1：获取当前铸坯的钢种信息；S2：获取当前铸坯的多组连铸参数及对应的热轧参数，并根据连铸参数及热轧参数构建包含多个特征变量的当前铸坯的参数集；S3：根据钢种信息与模型数据库进行匹配；S4：若匹配成功，则获取匹配的预存预报模型，并根据参数集及预存预报模型得到当前铸坯的夹渣概率。
在本实施方式公开的铸坯夹渣预报方法中，S2只需在S4之前即可，S2与S1，S2与S3之间无先后顺序的限制。
在S1中，获取当前铸坯的钢种信息。钢种信息既可以是碳素结构钢、碳素工具钢、易切削钢等，也可以是具体的出钢记号，例如AP1056E1、DV3948D1、IT4552E1等，钢种信息的具体内容可以根据用户的需求进行分类设定，本实施方式对此不作限定。在S2中，获取当前铸坯的多组连铸参数及对应的热轧参数，并根据连铸参数及热轧参数构建包含多个特征变量的当前铸坯的参数集。获取多组连铸参数，每组连铸参数可以根据需要包含连铸生产过程中的一个或多个特征变量，例如大包温度、中间包温度、结晶器设定宽度、塞棒氩气压力、塞棒氩气流量等。并获取对应时刻的热轧参数，例如装钢温度等。多组样本信息能够保证数据的可靠性。这些参数可以通过设备上的传感装置或测量装置检测取得，例如温度传感器、压力传感器等。根据参数对应的采样时间可以将相同时刻的连铸参数及热轧参数对应起来，并将多组样本数据构建成包含多个特征变量的参数集。在S3中，根据钢种信息与模型数据库进行匹配。连铸参数及热轧参数中的特征变量对于不同钢种的铸坯影响往往存在区别，因此根据钢种信息与模型数据库进行匹配，能够提升模型预测的准确性。在S4中，若匹配成功，则获取匹配的预存预报模型，并根据参数集及预存预报模型得到当前铸坯的夹渣概率。当模型数据库中存在当前铸坯对应的预存预报模型时，直接获取匹配的预存预报模型，并根据结合当前铸坯的参数集的信息，将参数集作为预存预报模型的输入，从而得出当前铸坯对应的夹渣概率，以便后续对铸坯进行区别化处理。
采用上述技术方案，在进行铸坯的夹渣预报时，考虑到了连铸参数和热轧参数中多个特征变量对于夹渣的影响，区别于现有技术中仅考虑单一变量，如结晶器液位波动对于铸坯夹渣的影响，本方法得到的夹渣概率更加可靠，能够有效提升铸坯夹渣预报的准确性。
参照图2所示，本发明的又一实施方式还公开了一种铸坯夹渣预报方法，还包括以下步骤：S5：若匹配失败，则获取当前铸坯的参数集对应的结果标签集，并根据当前铸坯的参数集及当前铸坯的结果标签集创建对应当前铸坯的预报模型，并将当前铸坯的预报模型及当前铸坯的钢种信息存入到模型数据库。
在本实施方式中，若匹配失败，则说明模型数据库中没有当前铸坯的预存预报模型，为了便于今后铸坯的生产管理和夹渣预报，可以创建当前铸坯的预报模型。为了创建预报模型，不仅需要用到当前铸坯的参数集，还需要在相应参数集下对应的结果标签集，结果标签集即表示在相应的连铸参数及热轧参数下，生产出的产品的夹渣情况，如是否存在表面夹渣等。从而根据参数集和对应的结果标签集能够构建出对于当前铸坯而言，参数集与产品之间的影响关系，创建出对应的预报模型。预报模型的具体创建方法可以有多种，例如既可以采用传统算法，也可以通过机器学习，人工智能等方法，本实施方式对此不作限制。在得到预报模型之后，将钢种信息及对应的预报模型存入到模型数据库中，从而便于该钢种的铸坯在今后的生产过程中能够进行准确的夹渣预报。可以理解的是，本实施方式中所提到的参数集及结果标签集既可以是从相应设备的历史数据中调取得到的，也可以是即时采样得到的。
本发明的另一实施方式还公开了一种铸坯夹渣预报方法，其中若匹配失败，则获取当前铸坯的参数集对应的结果标签集，并根据当前铸坯的参数集及当前铸坯的结果标签集创建对应当前铸坯的预报模型，并将当前铸坯的预报模型及当前铸坯的钢种信息存入到模型数据库的步骤S5包括，S51：当匹配失败时，获取参数集对应的结果标签集C＝[C1,C2…Ci，…Cm]，Ci＝0代表第i个采样样本为无夹渣缺陷，Ci＝1代表第i个采样样本具有夹渣缺陷，m为采样样本数，采样样本数即获取的连铸参数及热轧参数的组数；S52：对参数集进行标准化处理，得到标准化后的参数集Z；S53：对参数集Z进行交叉项处理，得到处理后的数据集x；S54：将数据集x分为训练数据集xtrain和测试数据集xtest；S55：分别对xtrain和xtest进行特征抽取和降维处理，得到特征矩阵Htrain和Htest；使用自组织特征映射神经网络对Htrain进行训练，结合结果标签集C得到预报模型；S56：使用Htest和结果标签集C对预报模型进行验证，将通过验证的预报模型及钢种信息存入到模型数据库。
在本实施方式中，S51只需在S55之前即可。在S51中，当匹配失败时，获取参数集对应的结果标签集C＝[C1,C2…Ci，…Cm]，其中，Ci＝0代表第i个采样样本为无夹渣缺陷，Ci＝1代表第i个采样样本具有夹渣缺陷，m为采样样本数，采样样本数即获取的参数集中连铸参数及热轧参数的组数。在S52中，对参数集进行标准化处理得到标准化后的参数集Z，通过标准化处理能够提升预报模型的准确率，标准化处理的具体方法可以是标准差标准化、归一化等。在S53中，对参数集Z进行交叉项处理，得到处理后的数据集x，交叉项处理能够消除参数集Z中采样样本数据的非线性对预报模型的影响，从而提升预报模型的准确率。在S54中，将数据集x分为训练数据集xtrain和测试数据集xtest，具体的划分比例可以根据实际需要进行选择。优选地，将数据集x中80％的数据设定为训练数据集xtrain，剩下的20％数据设定为测试数据集xtest，既能够保证预报模型的创建中使用了较多的采样样本数据，又能够很好地检测预报模型的可信度。在S55中，分别对xtrain和xtest进行特征抽取和降维处理，得到特征矩阵Htrain和Htest，便于后续进行预报模型的训练和创建，提升后续训练的效率。在S56中，使用自组织特征映射神经网络(SOM)，对Htrain进行训练得到预报模型，SOM是一种无导师、自组织的自学习网络，既可以学习训练数据输入向量的分布特征，又可以学习训练数据输入向量的拓扑结构，能够使得每个权值向量都位于输入向量聚类的中心，尤其适于多特征变量的预报模型创建。在S57中，使用Htest对预报模型进行验证，将通过验证的预报模型及钢种信息存入到模型数据库中，验证能够保证预报模型的可信度及准确性。
本发明的另一实施方式还公开了一种铸坯夹渣预报方法，对参数集进行标准化处理得到标准化后的参数集Z的步骤，包括：计算参数集中每个特征变量的均值μ及标准差θ；计算得到标准化后的参数集Z：
Figure BDA0002559441460000081
其中，X为参数集中所有特征变量的原始数值。由于本发明的参数集中包含多组连铸参数及热轧参数，即包含多个采样样本，每个采样样本中包含多个特征变量对应的数值。因为不同特征变量之间的量纲可能不同，为了避免量纲不同影响创建的预报模型的准确性，采用Z-score方法对参数集进行标准差标准化操作。相对于归一化等方法，Z-score能够更好地消除量纲影响。
本发明的另一实施方式还公开了一种铸坯夹渣预报方法，其中分别对xtrain和xtest进行特征抽取和降维处理，得到特征矩阵Htrain和Htest的步骤，包括：设定xtrain中包含k个类别的数据集，k也就是参数集Z经过交叉项处理后得到的数据集x中新的变量的个数。计算得到xtrain中第i个类别的数据集的均值
Figure BDA0002559441460000091
Figure BDA0002559441460000092
其中，ni代表xtrain中第i个类别的采样样本个数，xi,j代表第i个类别的数据集中的第j个样本；计算得到xtrain的均值
Figure BDA0002559441460000093
Figure BDA0002559441460000094
计算得到xtrain对应的类内协方差矩阵Swith：i
Figure BDA0002559441460000095
计算得到xtrain对应的类间协方差矩阵Sbetween：
Figure BDA0002559441460000096
设定FDA算法优化的目标函数为J：
Figure BDA0002559441460000097
计算得到xtrain对应的投影矩阵w：λSwithinw＝Sbetweenw(2-6)，其中λ为特征值，w为对应的特征向量；计算得到xtrain对应的特征矩阵Htrain：Htrain＝xtrainw(2-7)；对xtest使用与xtrain相同的处理方法即可得到xtest对应的特征矩阵Htest，Htrain和Htest的求解没有顺序的限制，可以同时求解，也可以先求解其中一个，再求解另一个。
在一实施例中，参数集Z中共包含27972个采样样本，即获取了27972组连铸参数及热轧参数，每个采样样本包括15个特征变量，则Z可以表示为27972×15的矩阵。经过交叉项处理后，数据集x为27972×65的矩阵，将数据集x中约80％的采样样本作为xtrain，则xtrain可以表示为22377×65的矩阵，此时k＝65，ni＝22377，xtest可以表示为5595×65的矩阵。在本实施方式中，采用Fisher线性判别分析算法(FDA)对xtrain和xtest进行特征抽取和降维处理，可以在保证类内方差最小的情况下将不同类的样本尽量的分开，也就是能够使类间离散度最大化的同时最小化类内离散度，尤其适于本发明中xtrain和xtest包含有多个类别变量的情况，能够提升预报模型的准确度。在其他实施例中，参数集Z的采样样本数可以根据实际需要进行选择和设置。
参照图3所示，本发明的另一实施方式还公开了一种铸坯夹渣预报方法，输入层输入的是预处理后的采样样本，输出层对应的是神经元。使用自组织特征映射神经网络对Htrain进行训练得到预报模型的步骤，包括：构建训练模型，设定Htrain中采样样本数为I个，则设定初始的神经元的个数
Figure BDA0002559441460000098
学习率α∈[0，1]，权矢量的初值e0∈[0，1]，训练步数为T。优选地，在训练过程中，可以根据模型的训练情况动态调整神经元个数以及神经元阵列的纵横比以优化模型。优选地，学习率α＝0.015，在该值下，既能保证训练模型的训练速度较快，又能确保训练模型学习的准确性。在训练模型初始化完成后，将Htrain输入到训练模型进行投影，之后开始进行迭代，直到结果收敛。优选地，训练步数T的值为100-200。Htrain包含I个输入样本，每个样本均为N维，则第i个输入样本为xi＝[xi1,xi2…xin,…xiN]，其中i＝1,2,3,…I；每个神经元通过权矢量与输入层相连接，权矢量的维数与Htrain中每个样本的维数相同，即权矢量ea＝[ea1,ea2…ean,…eaN]，其中a＝1,2,3,…A；随机选择输入样本xr＝[xr1,xr2…xir,…xrN]，应用欧氏距离做判别函数，比较输入样本与权矢量之间的距离大小，确定距离最短的神经元为获胜神经元，又称为最佳匹配神经元(BMU)。当每个输入样本投影到对应的获胜神经元上时，可以在结果标签集中，根据该输入样本对应的采样样本所匹配的结果标签，这样，每一个训练好的输出神经元都会被标上投影到该神经元的所有输入样本的结果标签情况，即是否存在夹渣。欧式距离bi的计算公式为：
Figure BDA0002559441460000101
其中，i＝1,2,3,…I，a＝1,2,3,…A；对获胜神经元及其邻域内的所有神经元使用如下公式进行更新：ea(t+1)＝ea(t)+α(t)hba(t)||xi(t)-ea(t)|| (3-2)，其中，t为当前训练步，α(t)为训练步t的学习率，hba为邻域函数，
Figure BDA0002559441460000102
其中，rb，ra为神经元b和a的位置，σ为邻域的范围。优选地，σ＝2。当获胜神经元及其邻域内的所有神经元都完成更新后，进入下一个时间步t+1，新的输入样本被送入训练模型去寻找相应的获胜神经元，直至所有输入样本都完成训练；计算每个神经元的夹渣概率p夹渣：
Figure BDA0002559441460000103
其中，h2为投影到该神经元中的输入样本中结果标签为具有夹渣缺陷的样本数量，h1为投影到该神经元中的输入样本中结果标签为无夹渣缺陷的样本数量；根据控制限阈值β∈[0，1]，确定每个神经元的预报标签，若p夹渣≥β，则该神经元的预报标签为异常，若p夹渣＜β，则该神经元的预报标签为正常；根据神经元、控制限阈值β及夹渣概率p夹渣得到预报模型，神经元的信息可以包括神经元的个数，排列方式，各神经元的权重等。优选地，控制限阈值β＝0.6，此时误差较小，模型更为准确。
在一实施例中，Htrain共有22377个采样样本，此时初始神经元个数A为748个，设定学习率α为0.015。参照图4所示出的Htrain对应的神经元阵列的碰撞直方图中，用六边形来可视化原始数据映射的次数，每当神经元映射上一个输入样本数据，那么该神经元就加1，训练结束后，计算每个神经元被碰撞的次数，最终获得碰撞直方图。根据每个神经元中异常投影的数量h2，即投影到该神经元的输入样本数据中对应的结果标签为有夹渣的样本数量，以及该神经元中正常投影的数量h1，即投影到该神经元的输入样本数据中对应的结果标签为无夹渣的样本数量，根据
Figure BDA0002559441460000111
计算得到每个神经元对应的夹渣概率，并用相应的数字表示该神经元的夹渣概率。在另一实施例中，也可以用不同颜色来表示每个神经云的投影情况，例如红色表示异常结果，绿色表示正常结果，神经元被映射次数越大，则六边形面积越大。不同颜色的聚集程度也反映了模型的分类效果，理想的情况是两种颜色没有交叉嵌套，有明确的分界线，当有交叉情况出现时，说明该网格的分类情况不明确。
本发明的又一实施方式还公开了一种铸坯夹渣预报方法，使用Htest对预报模型进行验证，将通过验证的预报模型存入到模型数据库中的步骤，包括：将Htest输入到预报模型进行投影；得到Htest中每个输入样本投影到的神经元对应的预报标签；将预报标签与结果标签集C进行对应匹配；当匹配率高于或等于设定的验证阈值时，将预报模型存入到模型数据库中。
在本实施方式中，将Htest输入到由Htrain训练得到的预报模型中，此时预报模型中每个神经元均有其对应的预报标签。Htest中的每个输入样本输入后会被投影到对应的获胜神经元上，将该获胜神经元的预报标签结果标签集C中与该输入样本对应的结果标签进行比较，若一致，即预报标签为无夹渣时结果标签也为无夹渣，或预报标签为夹渣结果标签也为夹渣时，则认定匹配。当Htest中所有的输入样本投影完毕后，可得到Htest整体的匹配率，匹配率等于匹配的输入样本数与总输入样本数的比值，当匹配率高于或等于设定的验证阈值时，则认定预报模型的准确率达到设定要求，将对应的预报模型存入到模型数据库中。优选地，设定验证阈值为70％。当预报模型及存入到模型数据库中之后，即成为预存预报模型，模型数据库中还包括该预存预报模型的钢种信息。当对应的铸坯再次进行生产加工时，根据当前铸坯的钢种信息即可在模型数据库中匹配到对应的预存预报模型，此时根据采集到的连铸参数及热轧参数作为预存预报模型的输入，即可得到输入的样本数据投影到的获胜神经元，并根据预存预报模型中该神经元的夹渣概率，作为当前铸坯的夹渣概率，从而完成夹渣预报。优选地，所述模型数据库可以根据需要按时间进行更新，例如每季度更新一次，也可以根据设定删除或更新已有的预存预报模型。
在一实施例中，参数集Z中共包含27972个采样样本，即获取了27972组连铸参数及热轧参数，每个采样样本包括15个特征变量，将数据集x按8:2分为训练数据集xtrain和测试数据集xtest，学习率α＝0.015时，得到的预报模型，使用Htest进行验证时，匹配率可高达86％。
本发明的另一实施方式还公开了一种铸坯夹渣预报方法，当匹配率低于设定的验证阈值时，调整学习率α、邻域函数hba及训练步数T其中至少之一，直到匹配率高于或等于验证阈值。当匹配率低于设定的验证阈值时，可以通过调整训练模型的相关参数，例如学习率α、邻域函数hba、训练步数T。例如，可以增大训练步数T，再将Htrain输入到训练模型中重新进行训练，得到更新后的训练模型，并使用Htest对更新后的训练模型进行验证，得到新的匹配率，若新的匹配率高于或等于验证阈值，则将新的训练模型存入到模型数据库中，若仍低于验证阈值，可继续调整相关参数，直到匹配率高于或等于验证阈值。通过验证和调整，能够确保得到的训练模型的准确率能够保证设定要求。
本发明的另一实施方式还公开了一种铸坯夹渣预报方法，对参数集进行标准差标准化处理得到标准化后的参数集Z的步骤之前，还包括：根据结果标签集C对参数集Z进行特征变量的选择；根据选择的结果剔除参数集Z中冗余的特征变量，得到更新后的参数集Z。在本实施方式中，通过对参数集Z中的特征变量进行选择，能够有效地剔除参数集Z中冗余特征变量，即对夹渣无影响、影响较小的相关特征变量以及干扰特征变量，仅保留对夹渣影响较大的特征变量。既可以减少后续预报模型建立过程中的数据处理量，又可以提高预报模型的准确率。具体的特征选择方法可以是增量搜索法、梯度法等，可以根据实际需要进行选择，本实施方式对此不作限制。由于对于不同钢种的铸坯而言，其夹渣情况受特征变量的影响的类型和大小也可能不同，因此在构建参数集Z的过程中，通过先选取尽量全面的特征变量，然后通过剔除冗余特征变量的方法，能够准确地找到对当前铸坯影响较大的特征变量，提升预报模型的准确率。
本发明的又一实施方式还公开了一种铸坯夹渣预报方法，根据结果标签集C对参数集Z进行特征变量的选择的步骤，包括：设定参数集Z中特征变量的冗余R(Z)为参数集Z中所包含的所有特征变量的互信息量的平均值，计算得到R(Z)：
Figure BDA0002559441460000121
其中，M(xi；xj)表示xi和xj之间的互信息量，xi和xj表示参数集Z中不同的特征变量，|Z|表示参数集Z中的特征变量个数；设定参数集Z与结果标签集C的相关性D(Z,C)为各个特征变量xi和结果标签集类C之间的所有互信息值的平均值，计算得到D(Z,C)：
Figure BDA0002559441460000131
设定评价函数Φ(D,R)为：
Figure BDA0002559441460000132
用增量搜索方法求解Φ(D,R)，获得参数集Z中所有特征变量的重要性排序；根据重要性排序的结果保留重要性大于设定阈值的特征变量，得到更新后的参数集Z。Z所包含的原始特征变量的个数，以及保留的特征变量个数，可以根据钢种信息、训练模型等需要等进行选择，本实施方式对此不作限制。
在一实施例中，Z中共包含52个特征变量：大包温度、大包重量、大包长水口密封氩气流量、大包长水口氩气密封压力、中间包重量、中间包温度、中间包(吹扫)氩气流量、中间包(吹扫)氩气入口压力、结晶器设定宽度(上口)、结晶器设定宽度(下口)、结晶器实绩厚度(上口窄面)、窄面结晶器锥度(n)设定值、窄面结晶器锥度(s)设定值、中间包(吹扫)氩气流量、结晶器冷却水进口温度、结晶器冷却水出口温度(北)、结晶器冷却水出口温度(南)、结晶器冷却水出口温度(西)、结晶器冷却水出口温度(东)、结晶器冷却水流量(北)、结晶器冷却水流量(南)、结晶器冷却水流量(西)、结晶器冷却水流量(东)、结晶器冷却水入口压力、结晶器冷却水出口压力(北)、结晶器冷却水出口压力(南)、结晶器冷却水出口压力(西)、结晶器冷却水出口压力(东)、结晶器开度值实际值(北)、结晶器开度值实际值(南)、结晶器开度值实际值(西)、结晶器开度值实际值(东)、拉速设定值、拉速实际值、结晶器液位设定值、结晶器液面位置实际值、塞棒振动频率、塞棒振动振幅、塞棒零点位置、上水口氩气流量(100升)、上水口氩气流量(5升)、上水口氩气压力、上水口氩气背压、水口氩气流量(5L)、塞棒氩气流量、塞棒氩气压力、塞棒氩气背压快换机构氩封流量、窄面结晶器锥度设定值、装钢温度、结晶器开度实际值(南)、塞棒震动振幅、RB2位置，这些特征变量基本包含了所有在铸坯生产过程中对夹渣可能有影响的参数，使用这些特征变量，能够全面完整考虑到各变量对铸坯夹渣的影响大小。并对参数集Z使用最大相关最小冗余算法进行选择，其中用增量搜索方法求解特征变量对于夹渣情况的重要性评价函数Φ(D,R)，按照重要性由高到低对52个特征变量进行排序，并保留重要性大于设定阈值的特征变量，设定阈值可以根据后续训练模型的数据量要求以及对模型准确率的要求进行选择。例如，在本实施例中，可以保留重要性位于前15的特征变量，从大到小依次为：拉速实际值、结晶器设定宽度(上口)、窄面结晶器锥度设定值、大包温度、塞棒氩气压力、大包长水口密封氩气流量、RB2位置、结晶器冷却水出口压力(北)、塞棒震动振幅、结晶器液位设定值、中间包温度、水口氩气流量(5L)、结晶器开度实际值(南)、装钢温度、结晶器冷却水出口温度(东)。保留15个特征变量既可以保证训练模型时数据量不会过大，提升训练速度，又能保证训练出的预报模型准确率。然后，根据保留的特征变量对Z进行更新。
本发明的一实施方式还公开了一种机清控制方法，包括前述实施方式中任一铸坯夹渣预报方法，还包括以下步骤：获取当前铸坯的机清标志；当机清标志为必须机清时，获取当前铸坯的计划机清厚度，根据计划机清厚度以及夹渣概率确定当前铸坯的实际机清厚度；当机清标志为非必须机清时，根据夹渣概率确定当前铸坯的实际机清厚度；根据实际机清厚度对当前铸坯进行机清。
根据铸坯钢种或者用途的不同，对于夹渣的要求也不同，通常会在生产管理系统对应的生产计划中标明对应的机清标志，即该铸坯是否必须要进行机清，对于必须要机清的铸坯，例如，用于汽车外板的铸坯往往对夹渣缺陷要求比较严格，通常会标明必须机清。此时，生产计划中也会给出对应的机清厚度。该机清厚度即计划机清厚度，是生产管理系统中设定的，往往是根据经验而来，无法充分考虑到连铸参数以及热轧参数对铸坯夹渣的影响，使用计划机清厚度对铸坯进行机清易导致过机清和欠机清的情况发生。而对于机清标志为非必须机清的铸坯，例如用于吊车吊臂板的铸坯，现有技术中往往不进行机清，容易导致最终产品存在表面质量缺陷。当采用本实施方式中的机清控制方法时，使用预报模型能够得到当前铸坯对应的夹渣概率，使用夹渣概率对必须进行机清的铸坯的计划机清厚度进行修正，对非必须机清的铸坯，根据夹渣概率的高低确定是否进行机清，以及确定机清时对应的实际机清厚度，并按照实际机清厚度对当前铸坯进行机清，具体的修正公式可以根据需要进行设置。因为本实施方式中的机清控制方法考虑到了连铸参数及热轧参数对铸坯夹渣的影响，相对于现有技术，能够实现铸坯机清的精准控制，减少过机清造成的资源浪费和欠机清造成的产品质量差。
优选地，在获得前述实施方式中夹渣概率p夹渣以及控制限阈值β的前提下，机清控制方法包括以下步骤：获取当前铸坯的机清标志；当机清标志为必须机清时，获取铸坯的计划机清厚度，计算当前铸坯的实际机清厚度H：H＝H0+2*p夹渣*r(5-1)(mm)，其中，H0为计划机清厚度，r为阈值因子，当p夹渣≥β时r＝1，当p夹渣＜β时r＝0；当机清标志为非必须机清时，根据夹渣概率确定当前铸坯的实际机清厚度H：H＝0(p夹渣≤d)或H＝1+2*p夹渣(p夹渣＞d)，其中，H的单位为mm，阈值d∈(0，1)；根据实际机清厚度对当前铸坯进行机清。在训练预报模型的过程中，每个神经元的预报标签由β作为控制限阈值确定，并通过Htest来进行验证。因此，通过建立阈值因子r，利用p夹渣与β进行数值比较，调整实际机清厚度与计划机清厚度之间的关系，实质上使得修正公式(5-1)与预报模型之间的联系更加密切，能够有效地减小实际机清厚度H与铸坯所需的最佳机清厚度之间的差值，使得铸坯的机清控制更加精准，进一步减少过机清造成的资源浪费和欠机清造成的产品质量差。优选地，d＝β，能够使得修正公式(5-1)与预报模型之间的联系更加密切，进一步提升机清控制的精准度。在一实施例中，d＝β＝0.6。
本发明的实施方式还公开了一种计算设备，包括：处理器，适于实现各种指令；存储器，适于存储多条指令，指令适于由处理器加载并执行前述实施方式中的任一铸坯夹渣预报方法。
采用上述技术方案的计算设备，使用时可提升铸坯生产管理过程中铸坯夹渣预报的准确性。
本发明的实施方式还公开了一种计算设备，包括：处理器，适于实现各种指令；存储器，适于存储多条指令，指令适于由处理器加载并执行前述实施方式中的任一机清控制方法。
采用上述技术方案的计算设备，使用时可实现铸坯生产管理过程中铸坯机清的精准控制，能够减少过机清造成的资源浪费和欠机清造成的产品质量差。
本发明的实施方式还公开了一种存储介质，存储介质存储有多条指令，指令适于由处理器加载并执行前述实施方式中的任一铸坯夹渣预报方法。
本发明的实施方式还公开了一种存储介质，存储介质存储有多条指令，指令适于由处理器加载并执行前述实施方式中的任一机清控制方法。
本申请公开的各实施方式可以被实现在硬件、软件、固件或这些实现方法的组合中。本申请的实施例可实现为在可编程系统上执行的计算机程序或程序代码，该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。可将程序代码应用于输入指令，以执行本申请描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本申请的目的，处理系统包括具有诸如例如数字信号处理器(DSP)、微控制器、专用集成电路(ASIC)或微处理器之类的处理器的任何系统。
程序代码可以用高级程序化语言或面向对象的编程语言来实现，以便与处理系统通信。在需要时，也可用汇编语言或机器语言来实现程序代码。事实上，本申请中描述的机制不限于任何特定编程语言的范围。在任一情形下，该语言可以是编译语言或解释语言。
在一些情况下，所公开的实施方式可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如，计算机可读)存储介质承载或存储在其上的指令，其可以由一个或多个处理器读取和执行。例如，指令可以通过网络或通过其他计算机可读介质分发。因此，机器可读介质可以包括用于以机器(例如，计算机)可读的形式存储或传输信息的任何机制，包括但不限于，软盘、光盘、光碟、只读存储器(CD-ROMs)、磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息(例如，载波、红外信号数字信号等)的有形的机器可读存储器。因此，机器可读介质包括适合于以机器(例如，计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。
在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解的是，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。
需要说明的是，本申请各设备实施例中提到的各模块/单元都是逻辑模块/单元，在物理上，一个逻辑模块/单元可以是一个物理模块/单元，也可以是一个物理模块/单元的一部分，还可以以多个物理模块/单元的组合实现，这些逻辑模块/单元本身的物理实现方式并不是最重要的，这些逻辑模块/单元所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外，为了突出本申请的创新部分，本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的模块/单元引入，这并不表明上述设备实施例并不存在其它的模块/单元。
虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。本领域技术人员可以在形式上和细节上对其作各种改变，包括做出若干简单推演或替换，而不偏离本发明的精神和范围。

Claims (15)

1.一种铸坯夹渣预报方法，用于生产管理系统，其特征在于，包括以下步骤：
获取当前铸坯的钢种信息；
获取所述当前铸坯的多组连铸参数及对应的热轧参数，并根据所述连铸参数及所述热轧参数构建包含多个特征变量的所述当前铸坯的参数集；
根据所述钢种信息与模型数据库进行匹配；
若匹配成功，则获取匹配的预存预报模型，并根据所述参数集及所述预存预报模型得到所述当前铸坯的夹渣概率。
2.如权利要求1所述的铸坯夹渣预报方法，其特征在于，还包括以下步骤：
若匹配失败，则获取所述当前铸坯的参数集对应的结果标签集，并根据所述当前铸坯的参数集及所述当前铸坯的结果标签集创建对应所述当前铸坯的预报模型，并将所述当前铸坯的预报模型及所述当前铸坯的钢种信息存入到所述模型数据库。
3.如权利要求2所述的铸坯夹渣预报方法，其特征在于，所述若匹配失败，则获取所述当前铸坯的参数集对应的结果标签集，并根据所述当前铸坯的参数集及所述当前铸坯的结果标签集创建对应所述当前铸坯的预报模型，并将所述当前铸坯的预报模型及所述当前铸坯的钢种信息存入到所述模型数据库的步骤，包括：
当匹配失败时，获取所述参数集对应的结果标签集C＝[C1,C2…Ci，…Cm]，Ci＝0代表第i个采样样本为无夹渣缺陷，Ci＝1代表第i个采样样本具有夹渣缺陷，m为采样样本数，所述采样样本数即获取的所述连铸参数及所述热轧参数的组数；
对所述参数集进行标准化处理，得到标准化后的参数集Z；
对所述参数集Z进行交叉项处理，得到处理后的数据集x；
将所述数据集x分为训练数据集xtrain和测试数据集xtest；
分别对所述xtrain和所述xtest进行特征抽取和降维处理，得到特征矩阵Htrain和Htest；
使用自组织特征映射神经网络对所述Htrain进行训练，结合所述结果标签集C得到预报模型；
使用所述Htest和所述结果标签集C对所述预报模型进行验证，将通过验证的预报模型及所述钢种信息存入到模型数据库。
4.如权利要求3所述的铸坯夹渣预报方法，其特征在于，对所述参数集进行标准化处理得到标准化后的参数集Z的步骤，包括：
计算所述参数集中每个特征变量的均值μ及标准差θ；
计算得到标准化后的参数集Z：
Figure FDA0002559441450000021
其中，X为所述参数集中特征变量的原始数值。
5.如权利要求3所述的铸坯夹渣预报方法，其特征在于，所述分别对xtrain和xtest进行特征抽取和降维处理，得到特征矩阵Htrain和Htest的步骤，包括：
设定所述xtrain中包含k个类别的数据集，计算得到所述xtrain中第i个类别的数据集的均值
Figure FDA0002559441450000022
Figure FDA0002559441450000023
其中，ni代表所述xtrain中第i个类别的数据集中的采样样本数，xi,j代表第i个类别的数据集中的第j个样本；
计算得到所述xtrain的均值
Figure FDA0002559441450000024
Figure FDA0002559441450000025
计算得到所述xtrain对应的类内协方差矩阵Swithin：
Figure FDA0002559441450000026
计算得到所述xtrain对应的类间协方差矩阵Sbetween：
Figure FDA0002559441450000027
设定FDA算法优化的目标函数为J：
Figure FDA0002559441450000028
计算得到xtrain对应的投影矩阵w：
λSwithinw＝Sbetweenw (2-6)；
计算得到xtrain对应的特征矩阵Htrain：
Htrain＝xtrainw (2-7)；
对所述xtest进行处理得到所述xtest对应的特征矩阵Htest。
6.如权利要求3所述的铸坯夹渣预报方法，其特征在于，所述使用自组织特征映射神经网络对所述Htrain进行训练得到预报模型的步骤，包括：
构建训练模型，设定所述Htrain中采样样本数为I个，则设定初始的神经元的个数
Figure FDA0002559441450000031
Figure FDA0002559441450000032
学习率α∈[0，1]，权矢量的初值e0∈[0，1]，训练步数为T；
将所述Htrain输入到所述训练模型进行投影，则所述Htrain包含I个输入样本，每个样本均为N维，即第i个输入样本为xi＝[xi1,xi2…xin,…xiN]，其中i＝1,2,3,…I；
每个所述神经元通过所述权矢量与输入层相连接，所述权矢量的维数与所述Htrain中每个样本的维数相同，即所述权矢量ea＝[ea1,ea2…ean,…eaN]，其中a＝1,2,3,…A；
随机选择输入样本xr＝[xr1,xr2…xir,…xrN]，应用欧氏距离做判别函数，比较所述输入样本与所述权矢量之间的距离大小，确定距离最短的神经元为获胜神经元，欧式距离bi的计算公式为：
Figure FDA0002559441450000033
其中，i＝1,2,3,…I，a＝1,2,3,…A；
对所述获胜神经元及其邻域内的所有神经元进行更新：
ea(t+1)＝ea(t)+α(t)hba(t)||xi(t)-ea(t)|| (3-2)
其中，t为当前训练步，α(t)为所述当前训练步t的学习率，hba为邻域函数，
Figure FDA0002559441450000034
其中，rb，ra为神经元b和a的位置，σ为邻域的范围；
当所述获胜神经元及其邻域内的所有神经元都完成更新后，进入下一个时间步t+1，新的输入样本被送入所述训练模型去寻找相应的获胜神经元，直至所有输入样本都完成训练；
计算每个所述神经元的夹渣概率p夹渣：
Figure FDA0002559441450000041
其中，h2为投影到该神经元中的输入样本中结果标签为具有夹渣缺陷的样本数量，h1为投影到该神经元中的输入样本中结果标签为无夹渣缺陷的样本数量；
根据控制限阈值β∈[0，1]，确定每个所述神经元的预报标签，若p夹渣≥β，则该神经元的预报标签为异常，若p夹渣＜β，则该神经元的预报标签为正常；
根据所述神经元、所述控制限阈值β及所述夹渣概率p夹渣得到所述预报模型。
7.如权利要求6所述的铸坯夹渣预报方法，其特征在于，所述使用所述Htest对所述预报模型进行验证，将通过验证的预报模型存入到所述模型数据库中的步骤，包括：
将所述Htest输入到所述预报模型进行投影；
得到Htest中每个输入样本投影到的神经元对应的所述预报标签；
将所述预报标签与所述结果标签集C进行对应匹配；
当匹配率高于或等于设定的验证阈值时，将所述预报模型存入到所述模型数据库。
8.如权利要求7所述的铸坯夹渣预报方法，其特征在于，还包括以下步骤：
当所述匹配率低于设定的验证阈值时，调整所述学习率α、所述邻域函数hba及所述训练步数T其中至少之一，直到所述匹配率高于或等于所述验证阈值。
9.如权利要求3所述的铸坯夹渣预报方法，其特征在于，在所述对所述参数集进行标准化处理得到标准化后的参数集Z的步骤之前，还包括以下步骤：
根据所述结果标签集C对所述参数集Z进行特征变量的选择；
根据选择的结果剔除参数集Z中冗余的特征变量，得到更新后的参数集Z。
10.如权利要求9所述的铸坯夹渣预报方法，其特征在于，所述根据所述结果标签集C对所述参数集Z进行特征变量的选择的步骤，包括：
设定所述参数集Z中特征变量的冗余R(Z)为所述参数集Z中所包含的所有特征变量的互信息量的平均值，计算得到R(Z)：
Figure FDA0002559441450000051
其中，M(xi；xj)表示xi和xj之间的互信息量，xi和xj表示所述参数集Z中不同的特征变量，|Z|表示所述参数集Z中的特征变量个数；
设定所述参数集Z与所述结果标签集C的相关性D(Z,C)为各个特征变量xi和所述结果标签集类C之间的所有互信息值的平均值，计算得到D(Z,C)：
Figure FDA0002559441450000052
设定评价函数Φ(D,R)为：
Figure FDA0002559441450000053
用增量搜索方法求解Φ(D,R)，获得参数集Z中所有特征变量的重要性排序；
根据所述重要性排序的结果保留重要性大于设定阈值的特征变量，得到更新后的参数集Z。
11.一种机清控制方法，其特征在于，包括如权利要求1-10中任一项所述的铸坯夹渣预报方法，还包括以下步骤：
获取所述当前铸坯的机清标志；
当所述机清标志为必须机清时，获取所述当前铸坯的计划机清厚度，根据所述计划机清厚度以及所述夹渣概率确定所述当前铸坯的实际机清厚度；
当所述机清标志为非必须机清时，根据所述夹渣概率确定所述当前铸坯的实际机清厚度；
根据所述实际机清厚度对所述当前铸坯进行机清。
12.一种计算设备，其特征在于，包括：
处理器，适于实现各种指令；
存储器，适于存储多条指令，所述指令适于由所述处理器加载并执行权利要求1-10中任一项所述的铸坯夹渣预报方法。
13.一种计算设备，其特征在于，包括：
处理器，适于实现各种指令；
存储器，适于存储多条指令，所述指令适于由所述处理器加载并执行权利要求11所述的机清控制方法。
14.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1-10中任一项所述的铸坯夹渣预报方法。
15.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求11所述的机清控制方法。
CN202010602393.9A 2020-06-29 2020-06-29 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质 Active CN113926865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010602393.9A CN113926865B (zh) 2020-06-29 2020-06-29 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010602393.9A CN113926865B (zh) 2020-06-29 2020-06-29 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN113926865A true CN113926865A (zh) 2022-01-14
CN113926865B CN113926865B (zh) 2024-03-08

Family

ID=79272935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010602393.9A Active CN113926865B (zh) 2020-06-29 2020-06-29 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN113926865B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114833202A (zh) * 2022-04-07 2022-08-02 中冶赛迪重庆信息技术有限公司 提高直轧平均温度的剔坯方法、系统、介质及电子终端

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3752215A (en) * 1970-11-12 1973-08-14 Mitsubishi Heavy Ind Ltd Continuous casting apparatus for shaped metal bodies
US4390964A (en) * 1980-09-09 1983-06-28 Burroughs Corporation Input/output subsystem using card reader-peripheral controller
JPH0890020A (ja) * 1994-09-13 1996-04-09 Kobe Steel Ltd タンデム式圧延機のドラフトスケジュール設定装置
US5884685A (en) * 1995-03-29 1999-03-23 Nippon Steel Corporation Quality prediction and quality control of continuous-cast steel
KR20050092060A (ko) * 2004-03-13 2005-09-16 주식회사 포스코 개재물 사이즈가 적은 고실리콘강의 선재제조방법
US20110005351A1 (en) * 2008-03-10 2011-01-13 Yuxin Wang Method for treating spheroidal graphite iron and pouring device thereof
CN102207497A (zh) * 2010-03-30 2011-10-05 上海梅山钢铁股份有限公司 连铸坯表面夹渣轧前预报方法
CN102319883A (zh) * 2011-10-09 2012-01-18 北京首钢自动化信息技术有限公司 一种连铸坯质量在线预报的控制方法
CN103706774A (zh) * 2012-09-29 2014-04-09 宝钢不锈钢有限公司 一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法
CN106845007A (zh) * 2017-02-16 2017-06-13 重庆长安汽车股份有限公司 一种提升高压铸造充型过程cae分析精度的方法
CN107952944A (zh) * 2017-12-29 2018-04-24 西峡龙成冶金材料有限公司 Csp薄板坯连铸高碳钢用结晶器保护渣
CN108031808A (zh) * 2017-12-08 2018-05-15 济南铭智能科技有限公司 连铸机保护浇注智能控制系统
CN108335359A (zh) * 2018-01-23 2018-07-27 华中科技大学 一种铸造充型过程中氧化夹渣运动的追踪方法
CN108607968A (zh) * 2016-12-12 2018-10-02 上海梅山钢铁股份有限公司 一种基于下渣检测的连铸机中间包卷渣的预报方法
CN108787749A (zh) * 2017-04-28 2018-11-13 宝山钢铁股份有限公司 一种热轧生产计划预警方法
CN108805202A (zh) * 2018-06-11 2018-11-13 上海新增鼎数据科技有限公司 一种用于电解槽故障预警的机器学习方法及其应用
CN109530648A (zh) * 2019-01-28 2019-03-29 东北大学 一种预测连铸生产中结晶器钢渣界面波动的方法
CN110625079A (zh) * 2019-10-21 2019-12-31 北京科技大学 一种智能型连铸电磁搅拌在线控制系统及方法
CN111190158A (zh) * 2020-01-13 2020-05-22 西安电子科技大学 复杂雷达辐射源识别方法、装置、电子设备及其存储介质

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3752215A (en) * 1970-11-12 1973-08-14 Mitsubishi Heavy Ind Ltd Continuous casting apparatus for shaped metal bodies
US4390964A (en) * 1980-09-09 1983-06-28 Burroughs Corporation Input/output subsystem using card reader-peripheral controller
JPH0890020A (ja) * 1994-09-13 1996-04-09 Kobe Steel Ltd タンデム式圧延機のドラフトスケジュール設定装置
US5884685A (en) * 1995-03-29 1999-03-23 Nippon Steel Corporation Quality prediction and quality control of continuous-cast steel
KR20050092060A (ko) * 2004-03-13 2005-09-16 주식회사 포스코 개재물 사이즈가 적은 고실리콘강의 선재제조방법
US20110005351A1 (en) * 2008-03-10 2011-01-13 Yuxin Wang Method for treating spheroidal graphite iron and pouring device thereof
CN102207497A (zh) * 2010-03-30 2011-10-05 上海梅山钢铁股份有限公司 连铸坯表面夹渣轧前预报方法
CN102319883A (zh) * 2011-10-09 2012-01-18 北京首钢自动化信息技术有限公司 一种连铸坯质量在线预报的控制方法
CN103706774A (zh) * 2012-09-29 2014-04-09 宝钢不锈钢有限公司 一种甄别不锈钢板坯表面夹渣、裂纹缺陷的方法
CN108607968A (zh) * 2016-12-12 2018-10-02 上海梅山钢铁股份有限公司 一种基于下渣检测的连铸机中间包卷渣的预报方法
CN106845007A (zh) * 2017-02-16 2017-06-13 重庆长安汽车股份有限公司 一种提升高压铸造充型过程cae分析精度的方法
CN108787749A (zh) * 2017-04-28 2018-11-13 宝山钢铁股份有限公司 一种热轧生产计划预警方法
CN108031808A (zh) * 2017-12-08 2018-05-15 济南铭智能科技有限公司 连铸机保护浇注智能控制系统
CN107952944A (zh) * 2017-12-29 2018-04-24 西峡龙成冶金材料有限公司 Csp薄板坯连铸高碳钢用结晶器保护渣
CN108335359A (zh) * 2018-01-23 2018-07-27 华中科技大学 一种铸造充型过程中氧化夹渣运动的追踪方法
CN108805202A (zh) * 2018-06-11 2018-11-13 上海新增鼎数据科技有限公司 一种用于电解槽故障预警的机器学习方法及其应用
CN109530648A (zh) * 2019-01-28 2019-03-29 东北大学 一种预测连铸生产中结晶器钢渣界面波动的方法
CN110625079A (zh) * 2019-10-21 2019-12-31 北京科技大学 一种智能型连铸电磁搅拌在线控制系统及方法
CN111190158A (zh) * 2020-01-13 2020-05-22 西安电子科技大学 复杂雷达辐射源识别方法、装置、电子设备及其存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李东辉;: "连铸小方坯表面夹渣缺陷质量评判", 中国冶金, vol. 25, no. 03, pages 18 - 21 *
柏雪;饶磊;苗田雨;游凯;: "基于PAGM模型的浇注系统对螺旋桨铸件夹渣率的影响", 特种铸造及有色合金, vol. 40, no. 04, pages 387 - 391 *
詹中华;仇圣桃;施哲;徐李军;阴树标;赖朝彬;马立军;: "Q345B连铸坯表面夹渣缺陷的形成原因及控制", 矿冶, vol. 27, no. 02, 20 April 2018 (2018-04-20), pages 57 - 61 *
陈文杰;: "连铸坯表面夹渣缺陷的研究", 宝钢技术, no. 03, 15 June 2017 (2017-06-15), pages 45 - 48 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114833202A (zh) * 2022-04-07 2022-08-02 中冶赛迪重庆信息技术有限公司 提高直轧平均温度的剔坯方法、系统、介质及电子终端
CN114833202B (zh) * 2022-04-07 2024-04-12 中冶赛迪信息技术(重庆)有限公司 提高直轧平均温度的剔坯方法、系统、介质及电子终端

Also Published As

Publication number Publication date
CN113926865B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Cemernek et al. Machine learning in continuous casting of steel: A state-of-the-art survey
CN108804784A (zh) 一种基于贝叶斯高斯混合模型的即时学习软测量建模方法
CN107742168B (zh) 一种基于物联技术的生产车间动态瓶颈预测方法
JP2007140694A (ja) 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
CN111209967A (zh) 一种基于支持向量机的轧制过程板凸度预测方法
CN109409425B (zh) 一种基于近邻成分分析的故障类型识别方法
CN104899135A (zh) 软件缺陷预测方法和系统
CN111028100A (zh) 考虑气象因素的精细化短期负荷预测方法、装置及介质
CN114077876B (zh) 一种带钢热连轧多模态过程监测方法及装置
CN103778466B (zh) 一种基于矢量误差的转炉炼钢温度建模预测方法及系统
CN111813618A (zh) 数据异常检测方法、装置、设备及存储介质
CN113926865A (zh) 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质
CN115860211A (zh) 一种基于局部在线建模的铸坯质量预测方法
CN110427019B (zh) 一种基于多变量判别分析的工业过程故障分类方法及控制装置
CN110310199B (zh) 借贷风险预测模型的构建方法、系统及借贷风险预测方法
JP4653547B2 (ja) 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
CN107346122A (zh) 改进模糊支持向量机的制造过程多元质量诊断分类器
Sun et al. Application of time series based SVM model on next-day electricity price forecasting under deregulated power market
CN112418522A (zh) 一种基于三支集成预测模型的工业加热炉钢温预测方法
JP2012226732A (ja) 操業予測装置、操業予測方法、及びコンピュータプログラム
CN112241832A (zh) 一种产品质量分级评价标准设计方法及系统
CN111625934A (zh) 一种基于d-s证据理论的退火加热过程的多模态识别方法
CN113156908B (zh) 一种机理与数据联融合的多工况工业过程监测方法和系统
JP2003141215A (ja) 製造プロセスにおける操業分析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法

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