一种基于K-Means聚类预报结晶器漏钢的方法技术

一种基于K‑Means聚类预报结晶器漏钢的方法属于钢铁冶金连铸技术检测领域，包括以下步骤：(1)温度样本K‑Means聚类：对历史温度数据样本实施K‑Means聚类，得到符合条件的黏结漏钢类簇、正常工况类簇及质心；(2)确定类簇判定阈值：根据(1)得到的黏结漏钢类簇和正常工况类簇质心，确定类簇判定阈值；(3)漏钢识别与判定：计算和比较在线实测温度样本与黏结漏钢类簇、正常工况类簇质心的距离，判断是否漏钢。本发明专利技术通过K‑Means聚类方法提取黏结漏钢温度样本的共性特征，再将其与在线实测温度样本的特征进行比较，快速、准确识别和预报漏钢，可有效避免漏报，大幅提高漏钢预报的精度和准确率。

A method for predicting breakout of crystallizer based on K-Means clustering

A method for predicting mold breakout based on K_Means clustering belongs to the field of steel metallurgical continuous casting technology detection, which includes the following steps: (1) K_Means clustering of temperature samples: K_Means clustering is applied to historical temperature data samples to obtain the qualified bond breakout clusters, normal working condition clusters and mass centers; (2) determining the clustering criteria; Fixed threshold: according to (1) the obtained bond breakout cluster and normal working condition cluster centroid, determine the threshold of class identification; (3) breakout identification and judgment: calculate and compare the distance between on-line measured temperature samples and bond breakout cluster, normal working condition cluster centroid, determine whether or not breakout. The method extracts the common characteristics of the bond breakout temperature sample by K_Means clustering method, and then compares them with the characteristics of the on-line measured temperature sample, so as to identify and predict the breakout quickly and accurately. The method can effectively avoid the breakout and greatly improve the accuracy and accuracy of the breakout prediction.

【技术实现步骤摘要】
一种基于K-Means聚类预报结晶器漏钢的方法
本专利技术涉及一种基于K-Means聚类预报结晶器漏钢的方法，属于钢铁冶金连铸检测

技术介绍
漏钢是连铸生产过程中最严重的灾难性事故，不仅危及现场人员的人身安全、损坏连铸设备，同时将导致生产被迫中断，给连铸坯质量和生产顺行带来严重影响。漏钢是指结晶器内凝固坯壳的薄弱处发生破裂从而导致钢液流出，在各种类型的漏钢中，黏结漏钢的发生频率最高，占漏钢总数的三分之二以上，导致黏结的原因是在结晶器弯月面附近，由于保护渣润滑不良导致坯壳与结晶器铜板发生黏结，造成坯壳断裂而出现漏钢。为预防和避免漏钢，目前国内外通用的解决方案是：在结晶器铜板内嵌入一定数目测量温度的热电偶，通过检测结晶器铜板温度间接获取铸坯坯壳的温度，从而判断是否发生漏钢。当发生漏钢时，结晶器铜板热电偶的温度在时间和空间上会呈现典型的“时滞”与“倒置”的特征。在线监测过程中，通过检测铜板热电偶温度的幅值、变化率以及上下排热电偶的延迟，并将其与经验阈值进行比较，当多个经验判据同时成立时，系统即发出漏钢警报。目前比较成熟的方法是开发基于热电偶温度和逻辑判断的漏钢预报系统，即中国专利申请号201210236994.8公开了一种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、拉坯长度以及摩擦力数据，将其发送至计算机终端；将温度数据转化为数字信号，并进行补偿计算，发送至计算机终端；计算机对接受到的数据进行计算并作出漏钢预报判断。该方法通过专家系统和神经元网络进行综合判断，具有误报低、报出率高等优点。其不足之处在于，结晶器温度变化是漏钢的典型特征，提取温度特征是该方法的关键，当浇铸的钢种和工艺参数发生变化时，黏结漏钢的温度特征会出现变化，进而导致漏钢预报的准确性逐渐降低。中国专利申请号201710346797.4公开了一种基于逻辑判断的结晶器漏钢预报方法，该方法具体为：首先，读取逻辑判断经验参数；然后，对温度的上升、下降及其变化率进行规则检查，如果属于异常热电偶，则对其周围临近的3个热电偶进行温度变化延迟与温度倒置检查；最后，根据报警屏蔽条件，判断是否作出黏结漏钢报警。该方法的问题在于，当漏钢热电偶温度倒置现象不明显时，有可能因无法准确捕捉特征而导致漏报，此外，逻辑判断中的经验参数难以准确界定，给漏钢报警的准确率带来显著影响。
技术实现思路
本专利技术的目的在于克服现有漏钢预报方法的不足，提出一种基于K-Means聚类预报连铸结晶器漏钢的方法，预报算法的适应性和稳定性好，报警准确率高，可实时、快速预报结晶器漏钢。为达到上述目的，本专利技术的技术方案如下：一种基于K-Means聚类预报结晶器漏钢的方法，该方法采用K-Means聚类方法对数据集实施聚类，通过计算和比较在线实测温度样本与漏钢类簇、正常工况类簇质心的距离，判断和识别结晶器漏钢，包括以下步骤：第一步、温度样本K-Means聚类(1)获取历史温度数据，包含两部分：黏结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温度，标记黏结位置所在电偶列第一排电偶温度最高时刻，并选取其前M秒、后N-1秒共计M+N秒的温度数据；1.2)对于正常工况下的波动温度，任意选取连续M+N秒的温度数据。(2)对步骤(1)获得的温度进行预处理，并创建样本集合Q，将所有预处理结果归入样本集合Q，供K-Means聚类使用，主要包含以下子步骤：2.1)将第r排热电偶的温度数据归一化处理，即：其中，T(r)i为第r排热电偶第i时刻的值，Tmin、Tmax分别为第r排热电偶温度数据的最小值、最大值。2.2)计算第r排热电偶温度在t秒内的温度变化率，即：并将所求温度变化率进行归一化处理，即：同理，计算第r+1排热电偶温度t秒内温度变化率的归一化结果，得到：其中，v(r)min,v(r)max、v(r+1)min,v(r+1)max分别为第r、r+1排热电偶温度的温度变化率的最小值、最大值；2.3)将每一个温度数据样本经处理得到的T_nor(r)i、v_nor(r)i、v_nor(r+1)i作为一个整体预处理结果；2.4)创建样本集合Q，将所有温度预处理结果归入样本集合Q，供K-Means聚类使用。(3)对步骤(2)预处理后的结果实施K-Means聚类，包括以下子步骤：3.1)设定类簇个数k＝2和准则函数的收敛精度tol；3.2)选取初始中心：使用K-Means++策略选取2个初始中心{μ1,μ2}；3.2)样本指派：分别计算样本集合Q中每个样本与2个初始中心{μ1,μ2}的距离，将该样本指派给距其最近的中心，即：c1＝{xi|d(xi,μ1)<d(xi,μ2)}c2＝{xi|d(xi,μ2)≤d(xi,μ1)}其中，i＝1,2,...,|Q|，|Q|表示样本集合Q中样本的数量；xi是从属于样本集合Q的一个样本，即xi∈Q；l表示样本xi的长度，μh指μ1、μ2，xij、μtj分别表示样本xi、中心μh的第j维的值；c1、c2表示样本指派后构成的两个类簇，c1中的任一样本距中心μ1的距离均小于该样本与中心μ2的距离，c2中的任一样本距中心μ2的距离均小于等于该样本与中心μ1的距离；3.4)更新类簇中心：分别计算类簇c1、c2中所有样本的均值，将其作为更新后的类簇中心，即：其中，μh指μ1、μ2，l表示中心μh的长度，|ch|表示类簇ch中样本的个数，si是从属于类簇ch的一个样本，即si∈ch，si1表示样本si第1维具体的数值；表示类簇中心μh第1维的值，即类簇ch所有样本si第1维的均值。3.5)检查是否满足收敛精度，即：若满足该条件则完成聚类，得到2个类簇{c1,c2}，对应的类簇中心分别为{μ1,μ2}；否则继续执行步骤3.2)-3.5)，直至满足收敛精度；3.6)检查聚类结果是否满足以下判定条件，即：所有黏结漏钢样本属于同一个类簇且该类簇中包含的正常工况样本不多于正常工况样本总数的20％；满足此条件则将该类簇称之为漏钢类簇，记为cbreakout，其类簇中心记为μbreakout；另一个类簇称之为正常工况类簇，记为cnormal，其类簇中心记为μnormal；否则，重新执行步骤(3)的3.2)～3.6)，直到聚类结果满足条件为止。第二步、确定类簇判定阈值(1)分别计算漏钢类簇cbreakout中所有样本与μbreakout、μnormal的距离，得到：xbi＝d(bi,μbreakout),ybi＝d(bi,μnormal)，bi∈cbreakout其中，i＝1,2,...,|cbreakout|，|cbreakout|表示类簇cbreakout中样本的数量；(2)计算阈值，得到：Bthreshold＝α×max{xbi}，Nthreshold＝β×min{ybi}其中，α、β为修正系数，二者的取值区间分别在(1,1.5)和(0.5,1)；第三步、漏钢识别与判定(1)提取在线测量时结晶器内弧宽面、外弧宽面、左侧窄面、右侧窄面铜板各行、列热电偶测温处当前时刻及之前M+N-1秒共计M+N秒的温度数据；(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，得到预处理结果snew；(3)计算snew与μnor本文档来自技高网...

【技术保护点】
1.一种基于K‑Means聚类预报连铸结晶器漏钢的方法，其特征在于，该方法采用K‑Means聚类方法对数据集实施聚类，通过计算和比较在线实测温度样本与漏钢类簇、正常工况类簇质心的距离，判断和识别结晶器漏钢，主要包含以下步骤：第一步、温度样本K‑Means聚类(1)获取历史温度数据，包含两部分：黏结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温度，标记黏结位置所在电偶列第一排电偶温度最高时刻，并选取其前M秒、后N‑1秒共计M+N秒的温度数据；1.2)对于正常工况下的波动温度，任意选取连续M+N秒的温度数据；(2)对步骤(1)获得的温度进行温度预处理，并创建样本集合Q，将所有预处理结果归入样本集合Q，供K‑Means聚类使用；(3)对步骤(2)的预处理结果实施K‑Means聚类，包括以下子步骤：3.1)设定类簇个数k＝2和准则函数的收敛精度tol；3.2)选取初始中心：运用K‑Means++策略选取2个初始中心{μ1,μ2}；3.3)样本指派：分别计算样本集合Q中每个样本与2个初始中心{μ1,μ2}的距离，将该样本指派给距其最近的中心，即：c1＝{xi|d(xi,μ1)...

【技术特征摘要】
1.一种基于K-Means聚类预报连铸结晶器漏钢的方法，其特征在于，该方法采用K-Means聚类方法对数据集实施聚类，通过计算和比较在线实测温度样本与漏钢类簇、正常工况类簇质心的距离，判断和识别结晶器漏钢，主要包含以下步骤：第一步、温度样本K-Means聚类(1)获取历史温度数据，包含两部分：黏结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温度，标记黏结位置所在电偶列第一排电偶温度最高时刻，并选取其前M秒、后N-1秒共计M+N秒的温度数据；1.2)对于正常工况下的波动温度，任意选取连续M+N秒的温度数据；(2)对步骤(1)获得的温度进行温度预处理，并创建样本集合Q，将所有预处理结果归入样本集合Q，供K-Means聚类使用；(3)对步骤(2)的预处理结果实施K-Means聚类，包括以下子步骤：3.1)设定类簇个数k＝2和准则函数的收敛精度tol；3.2)选取初始中心：运用K-Means++策略选取2个初始中心{μ1,μ2}；3.3)样本指派：分别计算样本集合Q中每个样本与2个初始中心{μ1,μ2}的距离，将该样本指派给距其最近的中心，即：c1＝{xi|d(xi,μ1)<d(xi,μ2)}c2＝{xi|d(xi,μ2)≤d(xi,μ1)}其中，i＝1,2,...,|Q|，|Q|表示样本集合Q中样本的数量，xi是从属于样本集合Q的一个样本，即xi∈Q；l表示样本xi的长度，μh指μ1、μ2，xij、μtj分别表示样本xi、中心μh的第j维具体的数值；c1、c2表示样本指派后构成的两个类簇，c1中的任一样本距中心μ1的距离均小于该样本与中心μ2的距离，c2中的任一样本距中心μ2的距离均小于等于该样本与中心μ1的距离；3.4)更新类簇中心：分别计算类簇c1、c2中所有样本的均值，将其作为更新后的类簇中心，即：其中，μh指μ1、μ2，l表示中心μh的长度，|ch|表示类簇ch中样本的个数，si是从属于类簇ch的一个样本，即si∈ch，si1表示样本si第1维具体的数值；表示类簇中心μh第1维的值，即类簇ch所有样本si第1维的均值；3.5)检查是否满足收敛精度，即：若满足该条件则完成聚类，得到2个类簇{c1,c2}，对应的类簇中心分别为{μ1,μ2}；否则继续执行步骤3.2)-3.5)，直至满足收敛精度；3.6)检查聚类结果是否满足以下判定条件，即：所有黏结漏钢样本属于同一个类簇且该类簇中包含的正常工况样本不多于正常工况样本总数的20％；满足此条件则将该类簇称之为漏钢类簇，记为cbreakout，其类簇中心记为μbreakout；另一个类簇称之为正常工况类簇，记为c...

【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