一种基于改进神经网络的漏钢可视化特征预报方法技术

本发明专利技术是一种基于改进神经网络的漏钢可视化特征预报方法，属于钢铁冶金连铸检测技术领域。具体为在线检测结晶器铜板热电偶温度信号，利用热成像技术可视化呈现结晶器铜板温度变化速率，在搜索和提取温度异常区域的面积、温度变化、位置、传播速率等特征的基础之上，建立BP神经网络漏钢预报模型，并借助遗传算法的自组织、自适应性，对模型的权值和阈值进行优化，实现结晶器漏钢可视化在线检测和预报，该方法不仅直观呈现结晶器温度分布、异常变化及发展趋势，而且可以实时、准确地预防结晶器漏钢事故，减少误报警次数，提高漏钢预报系统的准确率。

【技术实现步骤摘要】
一种基于改进神经网络的漏钢可视化特征预报方法
本专利技术涉及一种基于改进神经网络的漏钢可视化特征预报方法，属于钢铁冶金连铸检测

技术介绍
连铸是现代钢铁生产链中的关键环节，漏钢是连铸中的重大事故，不仅使连铸生产过程中断，干扰整个炼钢生产计划，同时，对结晶器、二冷辊列等铸机设备带来不同程度的损害，造成巨大的经济损失。因此，如何检测和防范漏钢事故一直是冶金连铸现场和冶金工作者关注的焦点。常见的漏钢类型有黏结漏钢、纵裂漏钢、开浇漏钢和角部漏钢等，其中黏结漏钢发生的次数最多，约占漏钢总数的三分之二以上，而其他漏钢类型也具有一定的黏结漏钢特征，因而，生产中以预防黏结性漏钢为主。黏结漏钢是由于某种原因，使弯月面附近的铸坯和结晶器直接接触，产生初始黏结点，随着结晶器的上下振动，黏结点将不断地被撕裂和愈合。黏结性漏钢在结晶器内具有纵向和横向传播特性，随着浇铸的进行，黏结点将向结晶器出口移动，同时，黏结点向两侧或一侧进行传播，形成一定长度的裂纹线，即黏结的横向传播，当黏结区域离开结晶器时，由于黏结点处坯壳厚度较薄而无法抵抗钢水静压力，产生漏钢事故。针对结晶器漏钢特征的检测和预报，通常利用埋设在及结晶器铜板内的热电偶进行实时检测，对热电偶温度信号的时间“滞后”和空间“倒置”现象进行识别，检测方法包括早期开发的逻辑判断算法，以及近年来开发并投入应用的神经元网络、支持向量机及其他智能预报方法。目前，经过二十年生产经验的积累和摸索，基于热电偶温度的漏钢预报方法已应用于国内各大钢厂，为预防漏钢事故发挥着十分重要的作用。然而，在长期的生产实践中，由于结晶器内部钢水凝固、铸坯收缩具有不可见性，漏钢事故仍无法完全避免，同时受钢种、保护渣、拉速、液位等工艺因素或操作的影响，漏钢预报系统存在频繁的误报问题，在国内多家钢厂的调研中发现，报警准确率较低、误报频繁是目前应用的漏钢预报系统的主要问题。在实际生产中，频繁的误报警将导致铸机降速、停车，不仅干扰了连铸正常生产秩序，同时降低了铸坯质量，加剧铸机设备损耗，也影响现场操作人员的操控信心。中国专利申请号201110431124.1公开了一种连铸漏钢预报的方法，该方法采用逻辑判断和神经网络算法，将温度监控模型与摩擦力监控模型进行耦合，建立了温度监控为主、摩擦力监控为辅的预警机制。该方法提高了报警准确率，降低了误报警次数，然而，由于连铸工艺的复杂性，摩擦力异常波动也可能导致误报的出现。中国专利申请号201210236994.8公开了一种板坯连铸结晶器漏钢预报系统及其预报方法，该方法具体为采集结晶器内温度数据、拉速、液位、拉坯长度和摩擦力数据，发送至计算机终端；将温度数据转换为数字信号，并进行补偿；计算机终端对接收温度数据进行计算和漏钢预报判断。该方法由专家系统、神经网络算法和摩擦力分析进行综合判断，具有报出率高，误报少的特点。然而，在漏钢发生过程中，结晶器温度变化是漏钢的代表性特征，提取和精炼温度变化特征是决定该方法应用效果的关键。
技术实现思路
本专利技术目的是克服现有技术的不足，且对现有技术进行改进和创新，提供一种基于改进神经网络的漏钢可视化特征预报方法，所述的方法具有科学合理，适用性强，内部温度异常可见，误报警次数少，预报准确率高等特点，能够实时监控结晶器温度场的变化，预防结晶器漏钢事故的发生。为实现本专利技术目的，提出一种基于改进神经网络的漏钢可视化特征预报方法，其技术方案特征在于：将结晶器漏钢可视化特征与BP神经网络算法有机结合，在实现结晶器温度速率热成像的基础之上，提取漏钢温度异常区域可视化特征；建立三层BP人工神经网络漏钢预报模型；采用遗传算法对BP网络模型的权值和阈值进行优化；利用模型对漏钢可视化特征进行在线检测和预报，其检测步骤如下：1)结晶器铜板温度速率热成像及可视化特征提取(a)基于连铸机结晶器的热电偶温度信号，采用差值算法获取非测点处的铜板温度；(b)计算铜板的温度变化速率，并绘制结晶器铜板温度速率热像图，实时、准确呈现浇铸过程中四张结晶器铜板温度速率的二维分布；(c)采用阈值分割算法，对热像图中的温度异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；2)建立三层BP人工神经网络漏钢预报模型(e)确定BP人工神经网络输入层神经元：以异常区域温度上升速率均值、温度上升区域面积、温度下降速率均值、温度下降区域面积、异常区域纵向移动速率及横向移动速率特征为模型的输入参数，即模型共有6个输入参量；(f)确定BP神经网络输出层神经元：设定1个输出层神经元，若是漏钢样本，则模型输出为1，若不是漏钢，模型输出为-1；(g)确定BP神经网络隐含层神经元个数：根据Hecht-Nielsen的经验公式确定隐含层神经元个数，其计算公式如下：其中，t是隐含层神经元个数，是向上取整数，n是输入层神经元个数，g是输出层神经元个数，即t为13；3)利用遗传算法优化漏钢预报模型(h)初始化BP神经网络模型权值和阈值；(i)将BP神经网络权值和阈值进行实数编码，并初始化种群P(0)以及设定相应的遗传算法参数；(j)正向传播：漏钢可视化特征样本集为X＝[X1,X2,X3,…,XP]T，其中，样本k输入向量为Xk＝[x1,x2,x3,…,xn](k＝1,2,3,…,p)，vij(i＝1,2,3,…,n；j＝1,2,3,…,m)为输入层与隐含层连接权值，Y＝[y1,y2,y3,…,ym]是隐含层输出，wjk为隐含层与输出层间连接权值，Ok＝[o1,o2,o3,…,op]是BP神经网络模型实际输出，Dk＝[d1,d2,d3,…,dp]是BP神经网络模型期望输出，Ek为实际输出与期望输出的误差，隐含层第j个神经元的输出为yj＝f(netj)输出层输出为ok＝f(netk)当BP神经网络实际输出与期望输出D不相等时，此时存在误差Ek，计算如下所示，(k)反向传播：沿着权值的负梯度方向进行调整权值可以使误差不断减小，即权值的调整量与误差的梯度下降成正比，式中，η—学习速率，设定参数，通常取值范围0<η<1，各层神经元网络连接权值和阈值变化的增量，以及更新迭代各层间神经元连接权值和阈值的迭代公式如下，Wjk(n+1)＝Wjk(n)+ΔWjkVij(n+1)＝Vij(n)+ΔVij(l)通过适应度函数计算个体偏差，适应度函数采用期望输出与实际输出的之间的误差平方的倒数，如下式所示，(m)以预先设定的遗传算法参数，结合选择、交叉、变异等操作，得到新的个体P(t+1)；(n)重复(l)、(m)操作步骤，直到满足结束条件；(q)将优化后的网络参数进行解码，并作为神经网络的初始值进一步优化；(r)达到BP神经网络训练的目标，停止训练；4)漏钢可视化特征在线检测与预报(t)基于结晶器温度速率热像图，在线提取漏钢温度异常区域面积、温度变化、横向和纵向传播速率等可视化特征，并进行归一化处理；(x)利用步骤三获取的改进BP神经网络模型，将归一化后的异常区域特征输入，预测是否为漏钢事故；(y)若模型输出为小于0，接近于-1，则是正常浇铸，若输出大于0，接近于1，则判定为结晶器漏钢，发出漏钢预报警告，迅速本文档来自技高网...

【技术保护点】
一种基于改进神经网络的漏钢可视化特征预报方法，其特征在于：将结晶器漏钢可视化特征与BP神经网络算法有机结合，在实现结晶器温度速率热成像的基础之上，提取漏钢温度异常区域可视化特征；建立三层BP人工神经网络漏钢预报模型；采用遗传算法对BP网络模型的权值和阈值进行优化；利用模型对漏钢可视化特征进行在线检测和预报，其检测步骤如下：1)结晶器铜板温度速率热成像及可视化特征提取(a)基于连铸机结晶器的热电偶温度信号，采用差值算法获取非测点处的铜板温度；(b)计算铜板的温度变化速率，并绘制结晶器铜板温度速率热像图，实时、准确呈现浇铸过程中四张结晶器铜板温度速率的二维分布；(c)采用阈值分割算法，对热像图中的温度异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；2)建立三层BP人工神经网络漏钢预报模型(e)确定BP人工神经网络输入层神经元：以异常区域温度上升速率均值、温度上升区域面积、温度下降速率均值、温度下降区域面积、异常区域纵向移动速率及横向移动速率特征为模型的输入参数，即模型共有6个输入参量；(f)确定BP神经网络输出层神经元：设定1个输出层神经元，若是漏钢样本，则模型输出为1，若不是漏钢，模型输出为‑1；(g)确定BP神经网络隐含层神经元个数：根据Hecht‑Nielsen的经验公式确定隐含层神经元个数，其计算公式如下：其中，t是隐含层神经元个数，是向上取整数，n是输入层神经元个数，g是输出层神经元个数，即t为13；3)利用遗传算法优化漏钢预报模型(h)初始化BP神经网络模型权值和阈值；(i)将BP神经网络权值和阈值进行实数编码，并初始化种群P(0)以及设定相应的遗传算法参数；(j)正向传播漏钢可视化特征样本集为X＝[X1,X2,X3,…,XP]T，其中，样本k输入向量为Xk＝[x1,x2,x3,…,xn](k＝1,2,3,…,p)，vij(i＝1,2,3,…,n；j＝1,2,3,…,m)为输入层与隐含层连接权值，Y＝[y1,y2,y3,…,ym]是隐含层输出，wjk为隐含层与输出层间连接权值，Ok＝[o1,o2,o3,…,op]是BP神经网络模型实际输出，Dk＝[d1,d2,d3,…,dp]是BP神经网络模型期望输出，Ek为实际输出与期望输出的误差，隐含层第j个神经元的输出为yj＝f(netj)输出层输出为ok＝f(netk)当BP神经网络实际输出与期望输出D不相等时，此时存在误差Ek，计算如下所示，Ek=12(D-O)2=12(dk-ok)2]]>(k)反向传播沿着权值的负梯度方向进行调整权值可以使误差不断减小，即权值的调整量与误差的梯度下降成正比，Δwjk=-η∂Ek∂wjk,j=1,2,...,m;k=1,2,...,q]]>Δvij=-η∂Ek∂vij,i=1,2,...,n;j=1,2,...,m]]>式中，η—学习速率，设定参数，通常取值范围0<η<1，各层神经元网络连接权值和阈值变化的增量，以及更新迭代各层间神经元连接权值和阈值的迭代公式如下，Wjk(n+1)＝Wjk(n)+ΔWjkVij(n+1)＝Vij(n)+ΔVij(l)通过适应度函数计算个体偏差，适应度函数采用期望输出与实际输出的之间的误差平方的倒数，如下式所示，f(i)=1Ek(i)]]>(m)以预先设定的遗传算法参数，结合选择、交叉、变异等操作，得到新的个体P(t+1)；(n)重复(l)、(m)操作步骤，直到满足结束条件；(q)将优化后的网络参数进行解码，并作为神经网络的初始值进一步优化；(r)达到BP神经网络训练的目标，停止训练；4)漏钢可视化特征在线检测与预报(t)基于结晶器温度速率热像图，在线提取漏钢温度异常区域面积、温度变化、横向和纵向传播速率等可视化特征，并进行归一化处理；(x)利用步骤三获取的改进BP神经网络模型，将归一化后的异常区域特征输入，预测是否为漏钢事故；(y)若模型输出为小于0，接近于‑1，则是正常浇铸，若输出大于0，接近于1，则判定为结晶器漏钢，发出漏钢预报警告，迅速将铸机拉速降至0.1m/min，以防止漏钢事故发生。...

【技术特征摘要】
1.一种基于改进神经网络的漏钢可视化特征预报方法，其特征在于：将结晶器漏钢可视化特征与BP神经网络算法有机结合，在实现结晶器温度速率热成像的基础之上，提取漏钢温度异常区域可视化特征；建立三层BP人工神经网络漏钢预报模型；采用遗传算法对BP网络模型的权值和阈值进行优化；利用模型对漏钢可视化特征进行在线检测和预报，其检测步骤如下：1)结晶器铜板温度速率热成像及可视化特征提取(a)基于连铸机结晶器的热电偶温度信号，采用差值算法获取非测点处的铜板温度；(b)计算铜板的温度变化速率，并绘制结晶器铜板温度速率热像图，实时、准确呈现浇铸过程中四张结晶器铜板温度速率的二维分布；(c)采用阈值分割算法，对热像图中的温度大于0.4℃/s异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；(c)采用阈值分割算法，对热像图中的温度异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；2)建立三层BP人工神经网络漏钢预报模型(e)确定BP人工神经网络输入层神经元：以异常区域温度上升速率均值、温度上升区域面积、温度下降速率均值、温度下降区域面积、异常区域纵向移动速率及横向移动速率特征为模型的输入参数，即模型共有6个输入参量；(f)确定BP神经网络输出层神经元：设定1个输出层神经元，若是漏钢样本，则模型输出为1，若不是漏钢，模型输出为-1；(g)确定BP神经网络隐含层神经元个数：根据Hecht-Nielsen的经验公式确定隐含层神经元个数，其计算公式如下：其中，t是隐含层神经元个数，是向上取整数，n是输入层神经元个数，g是输出层神经元个数；3)利用遗传算法优化漏钢预报模型(h)初始化BP神经网络模型权值和阈值；(i)将BP神经网络权值和阈值进行实数编码，并初始化种群P(0)以及设定相应的遗传算法参数；(j)正向传播漏钢可视化特征样本集为X＝[X1,X2,X3,…,XP]T，其中，样本k输入向量为Xk＝[x1,x2,x3,…,xn](k＝1,2,3,…,p)，vij(i＝1,2,3,…,n；j＝1,2,3,…,m)为输入层与隐含层连接权值，Y＝[y1,y2,y3,…,y...

【专利技术属性】
技术研发人员：刘宇，王旭东，姚曼，高亚丽，狄驰，张海波，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林;22