一种混合模型及基于混合模型的连铸漏钢预报方法技术

本发明专利技术公开了一种混合模型及基于混合模型的连铸漏钢预报方法，属于冶金连铸中监控技术领域。混合模型包括：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。该预报方法的步骤为：1)监控结晶器温度并存储数据；2)将数据输入单偶时序模型，判断每个热电偶温度随时间变化是否符合粘结时温度变化波形，将判断结果保存到数组Y(i,j,t)中；3)当Y(i,j,t)在阀值范围[θmin,θmax]内时，标记该热电偶异常，计算第i行、i-1行异常热电偶数目分别为m、n；4)利用m+n与粘结报警和粘结警告热电偶数目阀值比较进行粘结判断。本发明专利技术实现了提高粘结性漏钢识别精度的目标。

【技术实现步骤摘要】
一种用于连铸漏钢预报的混合模型
本专利技术属于冶金连铸中监控
，更具体地说，涉及一种用于连铸漏钢预报的混合模型。
技术介绍
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，专利技术创造名称为：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。
技术实现思路
1.专利技术要解决的技术问题本专利技术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，提供了一种用于连铸漏钢预报的混合模型，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，本专利技术提供的技术方案为：本专利技术的用于连铸漏钢预报的混合模型，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。作为本专利技术更进一步的改进，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。作为本专利技术更进一步的改进，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。作为本专利技术更进一步的改进，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。作为本专利技术更进一步的改进，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，本文档来自技高网...

【技术保护点】
一种混合模型，其特征在于，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。

【技术特征摘要】
1.一种用于连铸漏钢预报的混合模型，其特征在于，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。2.根据权利要求1所述的一种用于连铸漏钢预报的混合模型，其特征在于：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。3.根据权利要求2所述的一种用于连铸漏钢预报的混合模型，其特征在于：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。4.根据权利要求1所述的一种用于连铸漏钢预报的混合模型，其特征在于：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...

【专利技术属性】
技术研发人员：何飞，周俐，徐其言，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：安徽;34