一种基于混合模型的连铸漏钢预报方法与流程

本发明专利申请是针对申请号为：2015104477796的分案申请，原申请的申请日为：2015-07-24，发明创造名称为：一种用于连铸漏钢预报的混合模型。

本发明属于冶金连铸中监控技术领域，更具体地说，涉及一种基于混合模型的连铸漏钢预报方法。

背景技术：

连铸漏钢是粘结或裂纹等铸坯表面质量缺陷发展到一定程度产生的恶性质量事故，会导致连铸机停产，影响连铸过程连续性和整个炼钢的生产计划，且损坏设备，影响铸机的作业率和产量，减少了金属的收得率，造成巨大的经济损失。在实际生产过程中，粘结性漏钢发生频率最高，占各类漏钢事件的70％～80％。尤其随现代化高效板坯连铸技术的发展，不仅要浇铸裂纹敏感性钢种，浇铸钢种范围宽，浇铸难度大，而且拉速的提高引发出更复杂的结晶器传热、摩擦和润滑等问题，使初生坯壳冷却和凝固、保护渣流入的稳定性和均匀性显著下降，结晶器内铸坯粘结现象增加，进而导致的粘结性漏钢问题非常突出。粘结性漏钢是主要漏钢形式，研究并解决粘结性漏钢对保证连铸生产顺行和提高铸坯质量具有重要意义。

从上世纪70年代开始，国内外开发了很多种粘结性漏钢征兆的检测方法，最有效的方法是热电偶测温法，基本原理是通过在结晶器铜板上埋设一定数量热电偶，检测结晶器铜板不同部位温度变化情况，利用铜板温度变化情况实时监控结晶器内部的局部传热状况和识别铸坯破裂位置及其移动信息。目前，基于热电偶测温的漏钢预报方法主要有两类，一类是通过逻辑判断模型，依据漏钢机理分析和漏钢数据进行定性和定量分析后提取适当逻辑条件进行漏钢预报，其原理是根据每个热电偶温度变化幅度、温度变化速率、上下排热电偶温差、温度变化延迟时间等参数与设定的阀值比较判断，做出漏钢程度的报警。逻辑判断模型依赖于具体的工艺和设备参数等，且模型参数的选择需大量的人力和时间测试，自适应性和鲁棒性差，经常出现较高的误报率，频繁的误报同样会影响铸坯的质量和铸机的高效化生产，而降低误报又会增加漏报。另一类是通过智能技术(比如神经网络，支持向量机等模式识别算法)对粘结性漏钢进行预报，其特点是具有很强的自适应性、自学习能力、容错性和鲁棒性，能更好的处理复杂的非线性问题，可进一步提高漏钢预报的准确性，已成为目前的研究热点。智能模型属于黑箱模型，其不足是过分的依赖数据，如神经网络模型训练必须依靠足够的有效样本，若样本数据的不全或不准确都会影响网络的泛化能力。在连铸机投产初期，由于缺乏足够有效的数据，必须依靠逻辑判断模型来预报和避免漏钢。

关于采用神经网络对粘结性漏钢进行预报的方法，现有技术中已有相关技术方案公开，如专利公开号：cn101850410a，公开日：2010年10月6日，发明创造名称为：一种基于神经网络的连铸漏钢预报方法，该申请案公开了一种基于神经网络的连铸漏钢预报方法，该方法包括，步骤1：在线采集连铸现场热电偶的温度数据并存储该温度数据；步骤2：对所述温度数据进行预处理；步骤3：将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型，并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较，如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值，则预报漏钢会发生；同时，使用遗传算法来初始化该单偶时序网络漏钢预报模型的连接权值和阈值。该方法能够提高对连铸黏结漏钢过程的识别效果和预报精度，从而减少了误报率和漏报率。但是，该申请案的不足之处在于：从单偶时序模型到组偶空间模型的构建，完全依靠神经网络技术，虽然神经网络等智能技术在动态波形模式识别中具有明显的优势，但利用其建立组偶空间模型并不合适；该方法步骤3中通过单偶时序网络漏钢预报模型的输出值大于最大判别阈值，就预报漏钢会发生，并不合理，因为实际生产过程单个热电偶温度经常出现较大的温度波动，很容易与粘结温度模式接近，而引起误报警；该方法中涉及的组偶空间网络漏钢预报模型的输入是分别同时从符合进一步判断的一个热电偶以及与其对应的下排左、中、右三个热电偶的温度数据输入到单偶时序模型后得到的输出值，由此可知该组偶空间模型没有考虑到粘结v型撕裂口传播时的热电偶温度空间变化特征，并且只选择所述的四个热电偶判断粘结的二维传播行为，在实际生产过程中当出现多个热电偶故障和温度波动较大等情况时，该组偶空间模型很容易产生漏报和误报警，其实际应用时鲁棒性将会变差。

综上所述，如何克服现有通过逻辑判断模型或神经网络模型对粘结性漏钢进行预报的不足之处，是现有技术中亟需解决的技术难题。

技术实现要素：

1.发明要解决的技术问题

本发明克服了现有通过逻辑判断模型或神经网络模型对粘结性漏钢进行预报的不足之处，提供了一种基于混合模型的连铸漏钢预报方法，实现了提高粘结性漏钢识别精度的目标。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的混合模型，主要包括以下两部分：单偶时序模型和组偶空间模型；

(1)、单偶时序模型；

单偶时序模型的构建包括：模型输入变量的确定、模型输出变量的确定、数据的预处理、ga-bp神经网络的建立；

(2)、组偶空间模型；

1)、利用单偶时序模型对结晶器上所有热电偶温度随时间变化模式进行识别后，输出结果保存到三维数组y(i,j,t)，其中，y(i,j,t)表示第i行j列热电偶在t时刻的单偶时序模型识别结果；

2)、当y(i,j,t)在阀值范围[θmin,θmax]内时，认为该热电偶tc(i,j)温度变化符合粘结温度模式，标记该热电偶异常；

3)、然后检查第i行所有热电偶的y(i,j,t)，统计在阀值范围[θmin,θmax]内的异常热电偶数目为m，同时检查第i-1行所有热电偶的y(i-1,j,t)，统计在阀值范围[θmin,θmax]内的异常热电偶数目为n，其中i大于1；

4)、如果m和n均大于等于2，则检查在过去10秒内弯月面行(第一行)异常热电偶数目是否大于等于2，如果满足，则利用异常热电偶总数m+n分别与粘结报警和粘结警告热电偶数目阀值比较，进行粘结报警和粘结警告的判断。

作为本发明更进一步的改进，模型输入变量的确定如下；

选择单个热电偶时间上连续的30个温度采样点作为模型输入变量；

其中，温度采样点的采集周期为1秒。

作为本发明更进一步的改进，模型输出变量的确定如下；

模型输出变量是单个热电偶粘结报警信号，模型输出变量由上述30个温度采样点对应的温度变化波形模式与粘结温度模式的接近程度决定；

其中，模型输出变量为-1～2之间的数，当30个温度采样点对应的温度变化波形模式与粘结温度模式完全相同时，模型输出变量标记为1；当30个温度采样点对应的温度变化曲线保持平稳时，模型输出变量标记为0。

作为本发明更进一步的改进，数据的准备和预处理如下；

从历史数据中提取样本，采用公式(1)将上述有效样本归一化到[-1,1]之间；

公式(1)中，x'是归一化后的样本数据，x是归一化前的样本数据，xmax是归一化前样本数据的最大值，xmin是归一化前样本数据的最小值；

将以上归一化后的样本数据分为两部分，其中一部分作为训练样本，另一部分作为测试样本。

作为本发明更进一步的改进，ga-bp神经网络模型的建立如下；

bp神经网络输入层节点数为30，代表模型输入变量；输出层节点数为1，代表模型输出变量；根据网络训练的结果确定一个判别阈值范围，当模型输出变量未超过预先设定的阈值范围时就认为检测到粘结温度模式；训练网络采用3层bp网络，隐含层激励函数使用s型正切传递函数，输出层使用线性传递函数，训练过程采用lm优化算法；选定隐层节点数为12，得到结构为30×12×1的bp神经网络模型；

其中：bp神经网络学习过程包括信息正向传播和误差反向传播，根据所给训练样本输入和输出向量不断学习并调整神经元之间的连接权值和阈值，使网络不断逼近样本输入和输出之间的映射关系；bp神经网络的最大训练次数设为2000，学习率为0.05，性能误差为0.0001；

采用遗传算法优化bp神经网络，建立ga-bp神经网络模型，遗传算法优化bp神经网络的基本步骤包括：1)、种群初始化，对bp神经网络所有权值和阈值进行实数编码，产生个体，设置种群规模和进化代数；2)、按照公式(2)计算每一个个体的适应度函数，以最小值为最优；

公式(2)中，n为网络输出层节点数；yi为第i个节点的实际输出；y'i为第i个节点的期望输出；3)、进行遗传算法的选择、交叉和变异操作，产生新一代个体种群；4)、评价新一代种群，判断进化代数是否达到要求或网络误差是否满足条件，如果满足得到当前种群最优适应度值对应个体；其中，遗传算法种群规模设为50，交叉概率为0.7，变异概率为0.06，进化代数为200。

作为本发明更进一步的改进，所述阀值范围[θmin,θmax]为[0.6,1.3]。

作为本发明更进一步的改进，粘结报警热电偶数目阀值为6，粘结警告热电偶数目阀值为3；当异常热电偶总数m+n大于等于3时，发出粘结警告；当异常热电偶总数m+n大于等于6时，发出粘结报警。

本发明的基于混合模型的连铸漏钢预报方法，包括如下步骤：

步骤(1)、在结晶器铜板内布置多排高密度热电偶，监控结晶器温度变化情况，并采集和存储现场所有热电偶温度实时数据，保存到三维数组t(i,j,t)；其中，t(i,j,t)表示第i行j列热电偶在t时刻的温度值；

步骤(2)、将所有热电偶温度数据输入单偶时序模型，在单偶时序模型中，每个热电偶温度的时间序列数据，经过移位寄存器的变换和数据处理后，输入ga-bp神经网络模型计算，判断每个热电偶温度在时间序列上的变化是否符合粘结时的温度变化波形，将判断结果保存到三维数组y(i,j,t)中；

步骤(3)、如果y(i,j,t)在设定的阀值范围[θmin,θmax]内时，则认为当前热电偶tc(i,j)温度变化符合粘结温度模式，标记该热电偶异常，那么则进行组偶空间模型的判断，计算当前热电偶所在行和上一行异常热电偶数目；

步骤(4)、将组偶空间模型输出的异常热电偶总数分别与粘结报警和粘结警告热电偶数目阀值比较，进行粘结报警和粘结警告的判断。

3.有益效果

采用本发明提供的技术方案，与现有技术相比，具有如下显著效果：

(1)本发明考虑到人工智能技术在波形模式识别上的优势，以铸坯粘结时结晶器铜板内热电偶温度的时空变化规律为依据，采用ga-bp神经网络建立单偶时序模型，用来识别单个热电偶温度在时间序列上的变化是否符合粘结时的温度变化波形，属于动态波形模式识别问题。其中，遗传算法优化bp神经网络，通过全局搜索能力确定bp神经网络最优权值和阈值，提高了单偶时序模型对粘结温度波形模式的识别精度。并考虑到粘结v型撕裂口的二维传播行为，在单偶时序模型的基础上通过有效的逻辑规则建立了组偶空间模型，判断相邻热电偶是否有粘结的传播，提高了粘结性漏钢的识别精度，尤其是可以减少实际生产过程中多个热电偶故障或较大热电偶温度波动时的漏报和误报警。

(2)通过本发明提出的混合模型，充分利用ga-bp神经网络在波形模式识别中的优势，并耦合有效的逻辑规则判断，不仅实现了单偶和组偶的时空判断，而且克服了单纯逻辑判断模型参数确定困难或不准确以及单纯智能模型缺乏工艺指导的不足，达到了较好的漏钢预报性能，能及时准确的报出全部粘结，避免粘结性漏钢事故，并将误报警频率降至最低水平。

附图说明

图1为实施例1中结晶器铜板热电偶布置示意图，mm；

图2为实施例1中基于混合模型的连铸漏钢预报方法的流程图；

图3为实施例1中粘结温度模式；

图4为实施例1中bp神经网络拓扑结构和学习过程示意图；

图5为实施例1中bp神经网络和ga-bp神经网络测试结果图。

具体实施方式

本发明提出了一种混合模型及基于混合模型的连铸漏钢预报方法，旨在解决板坯连铸过程中粘结性漏钢这一技术难题。本发明主要基于铸坯粘结时结晶器铜板内热电偶温度的时空变化规律，首先采用遗传算法优化bp神经网络(即建立ga-bp神经网络模型)，建立单偶时序模型，识别粘结时单个热电偶温度随时间变化的动态波形，然后采用逻辑规则建立组偶空间模型，判别纵向和横向相邻热电偶是否有粘结温度波形，识别粘结二维传播行为，由此组成ga-bp神经网络和逻辑判断混合模型。本发明中利用遗传算法确定bp神经网络最佳权值和阈值，提高了单偶时序模型的识别精度。本发明提出的基于混合模型的连铸漏钢预报方法，能够及时准确地报出铸坯全部粘结，避免粘结性漏钢事故，并降低了粘结误报的概率。

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。

实施例1

本实施例中的连铸机采用高效板坯连铸机，两机两流，板坯断面为230×(900～2150)mm²，拉速为0.80～2.03m/min，采用组合式直结晶器，结晶器长度为900mm，结晶器宽度和厚度根据板坯断面调整。如图1所示，结晶器铜板内埋设多排高密度热电偶，固定侧(外弧)和活动侧(内弧)宽面各安装6行12列共72个热电偶，左侧和右侧窄面各安装6行2列共12个热电偶，结晶器铜板内总共安装168个热电偶。此连铸机由于浇铸钢种范围宽，且经常浇铸裂纹敏感性钢种，浇铸难度大，同时拉速较高，因此粘结性漏钢问题非常突出，单流漏钢率达到0.0392％，粘结性漏钢占全部漏钢的72％左右，是主要的漏钢形式，所以降低粘结性漏钢是降低漏钢率的关键，而对粘结性漏钢进行及时准确地预报是降低粘结性漏钢的可靠保障，采用本实施例的基于混合模型的连铸漏钢预报方法能够达到上述目标。

如图2所示，本实施例的混合模型主要包括以下两部分：基于ga-bp神经网络的单偶时序模型和基于逻辑判断的组偶空间模型。

(1)、单偶时序模型；

单偶时序模型的构建包括：模型输入变量的确定、模型输出变量的确定、数据的准备和预处理、ga-bp神经网络的建立。模型输入变量和模型输出变量的选择至关重要，直接影响该单偶时序模型的预测结果。根据历史粘结或粘结性漏钢实测样本可知，粘结过程单个热电偶在时间上的温度异常变化在30秒左右，温度采集周期为1秒，故选择单个热电偶时间上连续的30个温度采样点作为模型输入变量(即选择单个热电偶在30个连续的温度采集周期上的数据作为模型输入变量)，能够完全表征粘结过程单个热电偶温度变化的典型波形模式，粘结过程单个热电偶温度变化的典型波形模式简称为粘结温度模式，具体如图3所示。本实施例中，模型输出变量是单个热电偶粘结报警信号，模型输出变量由30个温度采样点对应的温度变化波形模式与粘结温度模式的接近程度决定；模型输出变量为-1～2之间的数，当30个温度采样点对应的温度变化波形模式与粘结温度模式完全相同时，模型输出变量标记为1；当30个温度采样点对应的温度变化曲线保持平稳，即温度变化完全正常时，模型输出变量标记为0。

数据的准备和预处理如下，根据模型输入变量和模型输出变量，从粘结和正常情况等历史数据中提取样本，剔除不完整和明显错误的温度数据，共获得611组有效样本(有效样本为611组单个热电偶时间上连续的30个温度采样点)，611组有效样本中有141组为粘结温度模式样本；采用公式(1)将上述611组有效样本归一化到[-1,1]之间，将以上归一化后的样本数据分为两部分，其中选择502组样本数据用来训练模型，这502组样本数据称为训练样本，训练样本中有131组为粘结温度模式样本；剩下的109组样本数据用来测试模型，这109组样本数据称为测试样本，测试样本中有30组为粘结温度模式样本。

式中，x'是归一化后的样本数据，x是归一化前的样本数据，xmax是归一化前样本数据的最大值，xmin是归一化前样本数据的最小值。

ga-bp神经网络的建立如下，由以上分析可知，bp神经网络输入层节点数为30，代表单个热电偶时间上连续的30个温度采样点(即模型输入变量)；bp神经网络输出层节点数为1，输出结果为单个热电偶粘结报警信号(即模型输出变量)，表示当前热电偶上30个采样点对应的温度变化波形模式与粘结温度模式接近程度。

在实际测试时，根据网络训练的结果确定一个判别阈值范围，当模型输出变量未超过预先设定的判别阈值范围时就认为检测到粘结温度模式。训练网络采用3层bp网络，隐含层激励函数使用s型正切传递函数，输出层使用线性传递函数，训练过程采用levenberg-marquardt(lm)优化算法。经过多次的尝试，选定隐层节点数为12，得到结构为30×12×1的bp神经网络模型，如图4所示。bp神经网络学习过程包括信息正向传播和误差反向传播，根据所给训练样本输入和输出向量不断学习并调整神经元之间的连接权值和阈值，使网络不断逼近样本输入和输出之间的映射关系。bp神经网络的最大训练次数设为2000，学习率为0.05，性能误差为0.0001。

为提高bp神经网络的泛化能力，采用遗传算法(ga)优化bp神经网络，基本步骤包括：①、种群初始化，对神经网络所有权值和阈值进行实数编码，产生个体，设置种群规模和进化代数；②、计算每一个个体的适应度函数，如公式(2)所示，以最小值为最优；③、进行遗传算法的选择、交叉和变异操作，产生新一代个体种群；④、评价新一代种群，判断进化代数是否达到要求或网络误差是否满足条件，如果满足得到当前种群最优适应度值对应个体，即对应了最优的bp神经网络权值和阈值。其中，遗传算法种群规模设为50，交叉概率为0.7，变异概率为0.06，进化代数为200。利用遗传算法优化bp神经网络，通过有效样本的训练和测试后，得到最优的神经网络结构，用于单偶时序模型对温度变化模式的识别。

式中，n为网络输出层节点数；yi为bp第i个节点的实际输出；y'i为第i个节点的期望输出。

采用上述502组训练样本，分别建立bp神经网络模型和ga-bp神经网络模型，并分别对上述109组测试样本(其中30组为粘结温度模式样本)进行预测，预测结果见表1和图5。由图5可知，ga-bpnn模型(即ga-bp神经网络模型)的预测值和期望值接近程度较bpnn模型(即bp神经网络模型)高，说明ga优化bp神经网络提高了网络的泛化能力，同时从ga-bpnn模型对30组粘结温度模式样本的识别结果，也可确定单偶粘结温度模式识别的阀值范围为[0.6,1.3]较为合适。由表1可知，ga-bpnn模型较bpnn模型的识别精度高，也说明了通过遗传算法(ga)优化bp神经网络改善了单偶时序模型对粘结温度模式的识别效果。

表1单偶时序模型的识别精度

(2)、组偶空间模型；

如图2所示，利用单偶时序模型对结晶器上所有热电偶温度随时间变化模式进行识别后，输出结果保存到三维数组y(i,j,t)，其表示第i行j列热电偶在t时刻的单偶时序模型识别结果(报警信号)。这里预先设定的阀值范围[θmin,θmax]由上述分析可知为[0.6,1.3]，当y(i,j,t)在这个范围内时，认为该热电偶tc(i,j)温度变化符合粘结温度模式，标记该热电偶异常。那么则进行组偶空间模型的判断，计算当前热电偶所在行和上一行异常热电偶数目；具体为检查第i行所有热电偶的y(i,j,t)，统计在阀值范围[θmin,θmax]内的异常热电偶数目为m，同时检查第i行上一行(即第i-1行)所有热电偶的y(i-1,j,t)，统计在阀值范围[θmin,θmax]内的异常热电偶数目为n，其中i大于1。如果m和n均大于等于2，则需要检查在过去10秒内弯月面行(第一行)异常热电偶数目是否大于等于2，如果满足，则利用异常热电偶总数(m+n)分别与粘结报警和粘结警告热电偶数目阀值比较，进行粘结报警和粘结警告的判断。由上可知，本实施例提出的组偶空间模型是在单偶时序模型的基础上通过逻辑规则判断相邻热电偶是否有粘结的传播，大大提高了混合模型对连铸漏钢预报的可靠性。

本实施例的基于混合模型的连铸漏钢预报方法，包括如下步骤：①、在结晶器铜板内布置多排高密度热电偶，监控结晶器温度变化情况，并采集和存储现场所有热电偶温度实时数据，保存到三维数组t(i,j,t)；②、将所有热电偶温度数据输入单偶时序模型，在单偶时序模型中，每个热电偶温度的时间序列数据，经过移位寄存器的变换和数据处理后，输入ga-bp神经网络模型计算，判断每个热电偶温度在时间序列上的变化是否符合粘结时的温度变化波形，将判断结果保存到三维数组y(i,j,t)中；③、如果y(i,j,t)在设定的阀值范围[θmin,θmax]内时，则认为当前热电偶tc(i,j)温度变化符合粘结温度模式，标记该热电偶异常，那么则进行组偶空间模型的判断，计算当前热电偶所在行和上一行异常热电偶数目；④、将组偶空间模型输出的异常热电偶总数分别与粘结报警和粘结警告热电偶数目阀值比较，进行粘结报警和粘结警告的判断。其中，t(i,j,t)表示第i行j列热电偶在t时刻的温度值，y(i,j,t)表示第i行j列热电偶在t时刻的单偶时序模型识别结果，反映了当前热电偶温度变化模式与粘结温度模式的接近程度。

本实施例中，组偶空间模型对连铸现场97个炉次进行了测试(实际发生14次粘结)，确定了最佳的粘结报警热电偶数目阀值为6，粘结警告热电偶数目阀值为3。并将测试结果与现行danieli系统漏钢预报方法进行了比较，如表2所示。其中，报出率＝真报警次数/(漏报次数+真报警次数)，预报准确率＝真报警次数/(漏报次数+真报警次数+误报次数)。由表2可知，组偶空间模型可全部报出粘结，无漏报，并且误报次数为1，预报准确率达到93.33％，优于现行danieli系统漏钢预报方法。由此可知本实施例提出的基于混合模型的连铸漏钢预报方法达到了较好的漏钢预报性能，可减少误报和避免漏报，是一种有效的漏钢预报方法。

表2组偶空间模型的测试结果

本发明考虑到人工智能技术在波形模式识别上的优势，以铸坯粘结时结晶器铜板内热电偶温度的时空变化规律为依据，采用ga-bp神经网络建立单偶时序模型，用来识别单个热电偶温度在时间序列上的变化是否符合粘结时的温度变化波形，属于动态波形模式识别问题。其中，遗传算法优化bp神经网络，通过全局搜索能力确定bp神经网络最优权值和阈值，提高了单偶时序模型对粘结温度波形模式的识别精度。并考虑到粘结v型撕裂口的二维传播行为，在单偶时序模型的基础上通过有效的逻辑规则建立了组偶空间模型，判断相邻热电偶是否有粘结的传播，提高了粘结性漏钢的识别精度，尤其是可以减少实际生产过程中多个热电偶故障或较大热电偶温度波动时的漏报和误报警；通过本发明提出的混合模型，充分利用ga-bp神经网络在波形模式识别中的优势，并耦合有效的逻辑规则判断，不仅实现了单偶和组偶的时空判断，而且克服了单纯逻辑判断模型参数确定困难或不准确以及单纯智能模型缺乏工艺指导的不足，达到了较好的漏钢预报性能，能及时准确的报出全部粘结，避免粘结性漏钢事故，并将误报警频率降至最低水平。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。