一种连铸坯表面纵裂纹的可视化识别方法技术

一种连铸坯表面纵裂纹的可视化识别方法，属于钢铁冶金连铸检测技术领域。具体为通过在线检测结晶器铜板热电偶的温度信号，根据铸坯表面纵裂纹在结晶器内的形成及温度分布特点，利用多项式插值算法和OpenGL技术，将结晶器温度差值进行热成像，在提取区域的几何、位置、移动等特征基础之上，建立BP神经网络模型，对铸坯纵裂纹进行检测和识别。其实现步骤为：结晶器温度差值热成像；建立BP神经网络模型；遗传算法优化模型权值和阈值；纵裂纹可视化特征识别。其优点：将结晶器温度差值可视化与纵裂纹智能识别方法相结合，不仅直观呈现了结晶器历史温度及当前时刻状态，同时为铸坯表面纵裂纹识别提供方法，以及铸坯质量在线监控提供技术手段。

【技术实现步骤摘要】

本专利技术涉及一种连铸坯表面纵裂纹的可视化识别方法，属于钢铁冶金连铸检测

技术介绍
纵裂纹是连铸坯表面常见的质量缺陷，最初形成于弯月面附近，在结晶器和二冷水冷却作用下进一步扩展，程度较轻的需对铸坯进行精整处理，严重时将使铸坯直接被判为废品，带来较大的经济损失。结晶器内铸坯纵裂纹的检测一直是冶金现场关注的重点，若能及时捕捉、识别铸坯纵裂纹，以采取相应的应对措施，可以降低缺陷危害和损失，对于连铸现场具有重要意义。铸坯表面纵裂的形成过程复杂，浇铸工艺、钢的高温力学性能、铸坯的凝固进程以及铸机运行状态是纵裂产生的主要影响因素。在坯壳热应力、收缩应力、钢水静压力、结晶器摩擦力和窄面约束的共同作用下，当超过初生坯壳的高温强度时，在坯壳薄弱的位置将产生纵裂纹，并沿着浇铸方向不断扩展。浇铸含碳量0.09％～0.17％的钢种时，凝固过程中会发生铁素体向奥氏体转变的包晶反应，产生较大的线收缩和体收缩，铸坯表面更易产生纵裂纹。中国专利申请公开(公告)号CN01139282.7中公开了一种连铸板坯纵裂预报方法，通过在结晶铜板埋设数列横向、纵向至少三排热电偶，实时采集热电偶温度数据，预报铸坯表面纵裂。纵裂判定条件如下，条件1：在拉速稳定的条件下，若某支热电偶温度下降速率超过3℃/s，同列下方的两支热电偶也先后出现温度下降超过3℃/s的情况，相邻两只热电偶温度开始下降的时间差与拉速的乘积约为热电偶的纵向间距。条件2：同列热电偶温度变化一致，且下排热电偶温度持续下降的时间不小于上排热电偶。同时满足条件1和2时，则判定铸坯表面产生了纵裂，发出纵裂报警。该方法将结晶器热电偶温度作为判断依据，一旦发现铸坯有纵裂迹象，采取降低拉速或调整二次冷却水量等措施，阻止裂纹的进一步扩展，减轻纵裂造成的危害。中国专利申请公开(公告)号CN201510177751.5中公开了一种连铸板坯表面纵裂纹检测方法，该方法采用红外热成像仪对连铸板坯表面温度进行采集，获取表面温度变化梯度表，根据温度变化梯度表对连铸板坯表面纵裂纹进行判定，当温度梯度大于判定标准时，标识为纵裂纹板坯，进行线下修磨处理。该方法通过采集温度数据进行分析处理，实现表面纵裂纹的检测，可以有效降低钢板裂纹改判率，提高轧制钢板表面质量和成材率。
技术实现思路
为克服现有技术的不足，改善铸坯质量，可视化呈现铸坯在结晶器内温度差值变化，本
专利技术的目的是，提供一种连铸坯表面纵裂纹的可视化识别方法，由结晶器温度监控系统获取热电偶温度信号，采用热成像技术可视化呈现结晶器温度差值二维图像，利用计算机图像技术搜索冷点区域，提取异常区域的温度差值、面积、宽度、高度、高宽比、冷点区域移动等重要特征，建立BP神经网络纵裂纹识别模型，采用遗传算法对模型的权值和阈值进行优化，对铸坯表面纵裂纹进行识别检测。本专利技术采用的技术方案是：一种连铸坯表面纵裂纹的可视化识别方法，其特征在于：将结晶器可视化与智能化识别技术有机结合，在实现结晶器温度差值热成像的基础之上，提取纵裂纹降温区域可视化特征；建立BP神经网络纵裂纹识别模型；采用遗传算法对模型的权值和阈值进行优化；对铸坯表面纵裂纹进行识别检测。其具体检测步骤如下：第一步、结晶器铜板温度差值热成像及可视化特征提取(1)沿结晶器横向布置不少于19列热电偶测点，在线检测结晶器温度值，采用多项式差值算法，对热电偶温度数据进行横向、纵向差值运算，获取铜板整体的二维温度分布；(2)计算铜板n秒温度差值，将相同网格单元当前时刻t的温度T[x,y]与其之前n秒温度的均值做差，根据设定铜板温度差值-颜色对应关系，绘制结晶器铜板温度差值热像图，实时、准确反映结晶器铜板温度变化；(3)采用阈值分割算法，将热像图中降温异常像素点进行分离，利用八连通判别算法对异常点进行连通性判断，获取降温异常区域；(4)搜索并提取降温区域的温度差值、面积、高度、宽度、高宽比、移动速率以及角度等特征，为纵裂纹识别提供判据；第二步、建立BP神经网络纵裂纹预报模型，确定输入层神经元、隐含层神经元和输出层神经元，共三层BP神经网络(1)确定BP神经网络输入层神经元：以异常区域温度差值、面积、高度、宽度、高宽比、纵向移动速率、角度特征为模型的输入参数，即模型共有7个输入参量；(2)确定BP神经网络输出层神经元：设定1个输出层神经元，若是纵裂纹，则模型输出为1，若不是纵裂纹，模型输出为-1；(3)确定BP神经网络隐层神经元个数：根据Hecht-Nielsen的经验公式确定隐层神经元个数，其计算公式为：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15；第三步、利用遗传算法优化纵裂纹识别模型(1)初始化BP神经网络模型权值和阈值；(2)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；(3)正向传播纵裂纹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， E k = 1 2 ( D - O ) 2 = 1 2 ( d k - o k ) 2 ]]>(4)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， Δw j k = - η ∂ E k 本文档来自技高网...

【技术保护点】
一种连铸坯表面纵裂纹的可视化识别方法，其特征在于：将结晶器可视化与智能化识别技术有机结合，在实现结晶器温度差值热成像的基础之上，提取纵裂纹降温区域可视化特征；建立BP神经网络纵裂纹识别模型；采用遗传算法对模型的权值和阈值进行优化；对铸坯表面纵裂纹进行识别检测。其具体检测步骤如下：第一步、结晶器铜板温度差值热成像及可视化特征提取(1)沿结晶器横向布置不少于19列热电偶测点，在线检测结晶器温度值，采用多项式差值算法，对热电偶温度数据进行横向、纵向差值运算，获取铜板整体的二维温度分布；(2)计算铜板n秒温度差值，将相同网格单元当前时刻t的温度T[x,y]与其之前n秒温度的均值做差，根据设定铜板温度差值‑颜色对应关系，绘制结晶器铜板温度差值热像图，实时、准确反映结晶器铜板温度变化；(3)采用阈值分割算法，将热像图中降温异常像素点进行分离，利用八连通判别算法对异常点进行连通性判断，获取降温异常区域；(4)搜索并提取降温区域的温度差值、面积、高度、宽度、高宽比、移动速率以及角度等特征，为纵裂纹识别提供判据；第二步、建立BP神经网络纵裂纹预报模型，确定输入层神经元、隐含层神经元和输出层神经元，共三层BP神经网络(1)确定BP神经网络输入层神经元：以异常区域温度差值、面积、高度、宽度、高宽比、纵向移动速率、角度特征为模型的输入参数，即模型共有7个输入参量；(2)确定BP神经网络输出层神经元：设定1个输出层神经元，若是纵裂纹，则模型输出为1，若不是纵裂纹，模型输出为‑1；(3)确定BP神经网络隐层神经元个数：根据Hecht‑Nielsen的经验公式确定隐层神经元个数，其计算公式为：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15；第三步、利用遗传算法优化纵裂纹识别模型(1)初始化BP神经网络模型权值和阈值；(2)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；(3)正向传播纵裂纹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，Ek=12(D-O)2=12(dk-ok)2]]>(4)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为，Wjk(n+1)＝Wjk(n)+ΔWjkVij(n+1)＝Vij(n)+ΔVij(5)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，其计算公式为：f(i)=1Ek(i)]]>(6)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)；(7)重复第三步(5)、(6)操作步骤，直到满足结束条件；(8)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；(9)达到BP神经网络训练的目标，停止训练；第四步、纵裂纹可视化特征在线检测与预报(1)基于结晶器温度速率热像图，在线提取纵裂纹降温区域面积、温度差值、高度、宽度、高宽比、纵向移动速率以及角度等可视化特征，并进行归一化处理；(2)利用遗传算法优化的纵裂纹识别模型，将归一化后的异常区域特征输入，预测是否为表面纵裂纹缺陷；(3)若模型输出为小于0，接近于‑1，则是铸坯无纵裂纹缺陷，若输出大于0，接近于1，则判定为铸坯表面存在纵裂纹缺陷，将识别结果发送至中控室，以便对存在缺陷的铸坯进行修磨处理。...

【技术特征摘要】
1.一种连铸坯表面纵裂纹的可视化识别方法，其特征在于：将结晶器可视化与智能化识别技术有机结合，在实现结晶器温度差值热成像的基础之上，提取纵裂纹降温区域可视化特征；建立BP神经网络纵裂纹识别模型；采用遗传算法对模型的权值和阈值进行优化；对铸坯表面纵裂纹进行识别检测。其具体检测步骤如下：第一步、结晶器铜板温度差值热成像及可视化特征提取(1)沿结晶器横向布置不少于19列热电偶测点，在线检测结晶器温度值，采用多项式差值算法，对热电偶温度数据进行横向、纵向差值运算，获取铜板整体的二维温度分布；(2)计算铜板n秒温度差值，将相同网格单元当前时刻t的温度T[x,y]与其之前n秒温度的均值做差，根据设定铜板温度差值-颜色对应关系，绘制结晶器铜板温度差值热像图，实时、准确反映结晶器铜板温度变化；(3)采用阈值分割算法，将热像图中降温异常像素点进行分离，利用八连通判别算法对异常点进行连通性判断，获取降温异常区域；(4)搜索并提取降温区域的温度差值、面积、高度、宽度、高宽比、移动速率以及角度等特征，为纵裂纹识别提供判据；第二步、建立BP神经网络纵裂纹预报模型，确定输入层神经元、隐含层神经元和输出层神经元，共三层BP神经网络(1)确定BP神经网络输入层神经元：以异常区域温度差值、面积、高度、宽度、高宽比、纵向移动速率、角度特征为模型的输入参数，即模型共有7个输入参量；(2)确定BP神经网络输出层神经元：设定1个输出层神经元，若是纵裂纹，则模型输出为1，若不是纵裂纹，模型输出为-1；(3)确定BP神经网络隐层神经元个数：根据Hecht-Nielsen的经验公式确定隐层神经元个数，其计算公式为：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15；第三步、利用遗传算法优化纵裂纹识别模型(1)初始化BP神经网络模型权值和阈值；(2)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；(3)正向传播纵裂纹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， E k = 1 2 ( D - O ) 2 = 1 2 ( d k - o k ) 2 ]]>(4)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...

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