一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法技术

一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法，属于钢铁冶金连铸检测技术领域。该方法将连铸漏钢预报与聚类分析有机结合，通过密度聚类对不同时刻的温度数据序列进行分析，在线识别和准确预报结晶器漏钢。具体为使用密度聚类对结晶器铜板热电偶温度数据进行特征提取，得到漏钢样本聚集区和均值向量，以此为基础在线判断实时检测的温度序列是否位于聚集区内，识别典型的漏钢温度模式，预报结晶器漏钢。本发明专利技术依据漏钢时温度模式的单一和近似特性，提取并融合热电偶温度在时间、空间上典型的变化特征，通过聚类分析挖掘大量漏钢样本中的相似性，有效剔除正常工况、人为操作等因素引起的温度波动和误报，大幅提高漏钢预报的准确率。

Prediction of breakout in continuous casting mold using spatial density clustering DBSCAN

A method for predicting the breakout of continuous casting mold by spatial density clustering DBSCAN belongs to the technical field of steel metallurgical continuous casting detection. The method combines the breakout prediction of continuous casting with clustering analysis, and analyzes the temperature data series at different times by density clustering, and identifies and predicts the breakout of mold on-line accurately. Specifically, density clustering is used to extract the characteristics of the temperature data of the copper thermocouple in the mold, and the aggregation area and mean vector of the breakout samples are obtained. Based on this, the real-time detection temperature sequence is judged whether it is located in the aggregation area, the typical breakout temperature pattern is identified, and the breakout of the mold is predicted. According to the single and approximate characteristics of temperature mode when breakout occurs, the invention extracts and fuses the typical change characteristics of thermocouple temperature in time and space, excavates the similarity in a large number of breakout samples by clustering analysis, effectively eliminates the temperature fluctuation and false alarm caused by normal working conditions, artificial operation and other factors, and greatly improves the breakout. The accuracy of forecast.

【技术实现步骤摘要】
一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法
本专利技术属于钢铁冶金连铸检测
，涉及一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法。
技术介绍
连铸结晶器漏钢是黏结或裂纹等表面缺陷发展到一定程度后产生的灾难性事故，不仅会破坏正常的生产秩序，而且会严重损害结晶器、扇形段辊道等设备，在造成巨大的经济损失的同时带来重大的安全隐患。因此，开发准确而高效的结晶器漏钢预报方法对于保障连铸过程顺行具有重要意义。连铸过程中常见的漏钢有：黏结漏钢、裂纹漏钢和悬挂漏钢等。其中黏结漏钢的发生频率最高，占据漏钢总体的三分之二以上。漏钢发生时，结晶器铜板热电偶的温度在时间和空间上呈典型的“时滞”和“倒置”等特征。国内外即根据铜板温度的典型变化来监测和判别铸坯与铜板之间是否黏结。目前，基于热电偶测温预报漏钢的方法主要有两类：逻辑判断模型和人工智能模型。基于逻辑判断的模型根据黏结漏钢时典型的温度模式，将电偶的温度上升幅值、温度上升变化率、温度下降变化率、上下排温度变化延迟等参数与预先设置的阈值进行比较，当多个联立判据同时超出阈值时触发报警。逻辑判断模型对具体的连铸设备、工艺参数和物性参本文档来自技高网...

【技术保护点】
1.一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法，其特征在于，该方法将连铸漏钢预报与聚类分析有机结合，通过密度聚类对不同时刻的温度数据序列进行分析，在线识别和准确预报结晶器漏钢，包括以下步骤：第一步，获取漏钢样本聚集区(1)提取历史温度数据，包含两部分：发生真实黏结的漏钢温度数据和正常工况下的温度波动数据；1.1)对于真实黏结的漏钢样本，选取黏结电偶温度最高时刻及其前M秒、后N‑1秒，共计M+N秒的温度数据；1.2)对于正常工况的温度波动样本，选取温度波动附近热电偶温度最高时刻及其前M秒、后N‑1秒共计M+N秒的温度数据；上述两种类型的温度数据类型，各选取不少于50例；(2)对步骤...

【技术特征摘要】
1.一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法，其特征在于，该方法将连铸漏钢预报与聚类分析有机结合，通过密度聚类对不同时刻的温度数据序列进行分析，在线识别和准确预报结晶器漏钢，包括以下步骤：第一步，获取漏钢样本聚集区(1)提取历史温度数据，包含两部分：发生真实黏结的漏钢温度数据和正常工况下的温度波动数据；1.1)对于真实黏结的漏钢样本，选取黏结电偶温度最高时刻及其前M秒、后N-1秒，共计M+N秒的温度数据；1.2)对于正常工况的温度波动样本，选取温度波动附近热电偶温度最高时刻及其前M秒、后N-1秒共计M+N秒的温度数据；上述两种类型的温度数据类型，各选取不少于50例；(2)对步骤(1)得到的温度数据进行预处理，并创建样本集合Q，将所有预处理结果归入样本集合Q，供密度聚类使用；(3)对预处理结果实施密度聚类，包括以下子步骤：3.1)设定密度聚类所需参数，包括邻域半径Eps和核心样本在邻域范围内所包含的最少样本数量MinPts；3.2)将步骤(2)得到的样本集合Q中的所有样本作为未标记样本，检查Q中每一个未被标记的样本p是否满足条件：NEps(p)≥MinPts其中，NEps(p)＝{q∈Q|d(p,q)<Eps}，q为样本集Q中除p之外的任一样本，d(p,q)为p与样本q的距离；满足则为核心样本，并创建类簇D；标记该样本及其邻域范围内的其他样本，并将标记样本归入D中；3.3)重复步骤(2)，获取所有标记样本并将其归入D中，构成漏钢类簇；3.4)创建类簇S，将Q中未被标记的样本归入S，构成噪声类簇；(4)将漏钢类簇D中每个样本转化为以(di,ρi)表示的二维坐标值，采用同样的方法将噪声类簇S中每个样本均转化为二维坐标值；(5)由漏钢类簇D中的二维坐标值得到漏钢样本聚集区，包括以下子步骤：5.1)计算由漏钢类簇D中的样本转化得到的(di,ρi)横、纵坐标的均值，即：5.2)计算横、纵坐标差值的绝对值的最大值，即：R＝max{|di-dj|,|ρi-ρj|}，i,j∈[1,t]设置位置浮动率η，得到：R'＝R+R×η；5.3)以(x,y)为圆心、R'为直径作圆，所得圆域即为漏钢样本聚集区；(6)将漏钢类簇D、噪声类簇S中样本转化的二维坐标值聚集区绘制于同一幅图中，对比所有样本在密度聚类后的总体效果，得到黏结漏钢样本位于聚集区内部，正常工况下的温度样本位于聚集区外部；第二步，识别与判定漏钢(1)提取在线检测时结晶器内弧宽面、外弧宽面、左侧窄面、右侧窄面铜板各行、列电偶测点处当前时刻及之前M+N-1秒共计M+N秒温度数据；(2)采用第一步步骤(2)相同的方法对上述提取出的温度数据进行温度预处理，得到v_minus_znew；(3)采用第一步步骤(4)相同的方法将预处理结果转化为二维坐标值；(4)判断坐标值是否位于漏钢样本聚集区圆域内部，如果位于聚集区圆域内部，则发出漏钢警报；否则，更新温度序列，继续执行漏钢识别与判定。2.根据权利要求1所述的一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法，其特征在于，所述的第一步步骤(2)中对步骤(1)得到的温度数据进行预处理，包括以下子步骤：2.1)计算同一测点处温度数据在k秒内的变化率，即：2.2)将同列热电偶温度对应的变...

【专利技术属性】
技术研发人员：王旭东，段海洋，姚曼，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21