下载文档原格式
·现场经验·结晶器漏钢预报专家系统刘玉玲①(济钢第三炼钢厂 山东济南250101)摘要 着重介绍了济钢第三炼钢厂结晶器专家系统的软硬件组成和数据通信的实现。
关键词 结晶器漏钢 专家预报系统 模型 通信Foreca st Expert Syste m of M old BreakoutL iu Yuling(J inan Ir on and Steel Co.,L td.)ABSTRACT The hard ware and s oft w are of mold breakout expert syste m and how t o realize communicati on bet w een the m are intr ouduced detailedly.KE YWO R D S Mold breakout Forecast expert syste m Model Communicati on1 前言济钢第三炼钢厂结晶器漏钢预报专家系统是从奥钢联(VA I)连铸自动化中引进的一项关键技术,它是在生产过程中对连铸机结晶器内部进行观察和预防漏钢的工具,通过实时观察结晶器状况以监测不稳定和临界的浇铸情况,及时进行漏钢预报避免铸机漏钢,还可以通过结晶器的历史数据来分析浇铸问题。
因此它在连铸生产中有着至关重要的作用。
2 专家系统功能简介第三炼钢厂引进的结晶器漏钢预报专家系统,除了热电偶检测漏钢的预报系统之外,还包括了结晶器热力学检测系统和结晶器振动摩擦力检测系统,它实现连铸机生产过程结晶器内部的可视化和漏钢保护。
因此它是一个融合了金属热力学、计算机技术、图形可视化技术、数学模型优化技术等多项技术的综合系统。
3 结晶器专家系统组成结晶器专家是一个独立的系统,其硬件和软件是模块式构建的。
其所需的信号是直接测量的,或是从其他系统(例如P LC系统)收集来的。
1)专家系统硬件构成铸机结晶器专家系统作为一种新型智能设备,组成包括仪表、计算机等多个设备,其硬件组成示意图如图1所示。
《基于SVM的薄板坯连铸漏钢预报系统研究》篇一一、引言在钢铁工业中，连铸工艺作为重要的一环，直接关系到钢产品的质量和生产效率。
其中，薄板坯连铸技术因其高效率、低能耗等优点被广泛应用。
然而，连铸过程中出现的漏钢问题，不仅影响产品质量，还可能造成严重的生产事故。
因此，漏钢预报系统的开发与研究成为该领域的一个热点问题。
近年来，随着人工智能技术的飞速发展，支持向量机（SVM）等机器学习算法被广泛应用于工业生产的各个领域。
本文基于SVM算法，对薄板坯连铸漏钢预报系统进行了深入研究。
二、SVM算法简介支持向量机（Support Vector Machine，SVM）是一种基于统计学习理论的机器学习算法，它通过寻找最优的分类边界来解决分类问题。
SVM算法具有较好的泛化能力和处理高维数据的能力，因此被广泛应用于各个领域。
在薄板坯连铸漏钢预报系统中，SVM算法可以根据历史生产数据和漏钢相关因素，建立数学模型，实现漏钢的准确预报。
三、系统设计与实现（一）数据采集与预处理系统的第一步是进行数据采集和预处理。
从薄板坯连铸生产线收集各种与漏钢相关的数据，包括浇注温度、冷却水流量、结晶器振动参数等。
然后对数据进行清洗和预处理，去除无效数据和噪声数据，保证数据的准确性和可靠性。
（二）特征提取与降维在数据预处理的基础上，进行特征提取和降维。
根据连铸过程中的物理和化学变化规律，提取出与漏钢相关的关键特征。
同时，利用降维技术降低数据的维度，提高模型的训练速度和预测精度。
（三）SVM模型建立与训练将提取出的特征作为输入，漏钢与否作为输出，建立SVM 模型。
利用历史生产数据进行模型训练，调整模型参数，使模型能够准确预测漏钢情况。
（四）系统实现与优化将训练好的SVM模型应用于预报系统，实现实时监测和预报。
同时，对系统进行优化和调试，提高系统的稳定性和准确性。
四、实验结果与分析（一）实验数据与实验环境为验证基于SVM的薄板坯连铸漏钢预报系统的效果，我们采用了某钢铁企业的实际生产数据。
马钢板坯连铸漏钢预报技术的进展臧红臣【摘要】马钢四钢轧BPS系统开发基于10多年前的思想理念,在使用性和报警的准确性上已逐渐难以满足现场高拉速多钢种的需求,致使发生多次漏报、频繁误报.改造后的漏钢预报系统经过4个月的测试,误报率降低高达93.26％,漏报为0,其在提高连铸机的产能、改善铸坯质量、减少漏钢事故等方面发挥极其重要的作用.【期刊名称】《安徽冶金科技职业学院学报》【年(卷),期】2018(028)001【总页数】4页(P27-30)【关键词】连铸;结晶器;漏钢预报【作者】臧红臣【作者单位】马钢股份公司第四钢轧总厂安徽马鞍山 243011【正文语种】中文【中图分类】TP277.1马钢四钢轧的漏钢预报系统(简称MMS)是由西马克集团于2006年提供的。
经过了10年的运行，系统老化、无法满足当前的快节奏的工艺生产要求。
2016年6月份由于漏报造成2次粘结漏钢事故，导致生产中断和严重的生产损失。
老的漏钢预报系统，没有自学习功能，报警阈值根据钢种特性及热电偶梯度变化进行人为摸索，控制精度很难保证，为了预防漏报造成漏钢事故，工艺技术人员收窄了报警阈值，虽然杜绝了漏报，但增加了大量误报，约180块/月，因粘结报警造成的降速浇铸，既影响了生产节点，不利于高效生产，降低生产成本，又造成了非稳态浇铸，结晶器流场不稳定，钢液卷渣，降低了铸坯质量。
另外老系统还需要连铸机主控每次开浇前检查两个流BPS曲线选取情况以及BPS曲线选取是否与钢种相应。
在生产断面为1600 mm、1300 mm、1400 mm还需要人工进行热电偶屏蔽，极大增加了工人的工作量。
在此背景下，寻找具有自学习功能，能自适应热电偶梯度变化，自动放大缩小阈值，不需要人工干预的新系统势在必行。
1 马钢四钢轧连铸漏钢预报系统技术变迁马鞍山钢铁股份有限公司第四钢轧总厂(以下简称四钢轧)从德国SM S-DEM AG公司引进2台1机2流直弧形连铸机，其设计生产能力567 t/a,铸坯断面950 mm-2150 mm，钢种多达200多种。
宝钢罗泾炼钢厂漏钢预报系统探析张军(宝钢股份炼钢厂罗泾炼钢厂，上海市200124)应用科技瞒要】本文主要介绍宝钢罗泾炼钢厂从达涅利公司配套引进的漏钢预报系统的拗4原理、判断方法以及该系统在现场的使用情况和影响因素。
瞎誉枣．同]连铸；粘结；漏钢预报11I 瞎宝钢股份炼钢厂罗泾炼钢厂2挣板坯连铸机主体设备由D D D(D a ni el i D a vyD i st i nt on)设计引进，于2007年11月份投产。
该铸机为垂直弯曲型，其生产规格为(200m m ，250r am )X (1500一2300r am )，最大拉速可达21m ，m i no 在引起主体设备的同时，达涅利公司亦提供了漏钢预报、动态二冷及轻压下模型等二级系统。
作为现代化的高速连铸机，漏钢预报系统为必不可少的装备之一，其为连铸的安全稳定生产，降低生产成本提供了有力保证。
罗泾2#板坯连铸机配套引进的达涅利M B PS 漏钢预报系统基于热电偶测温法并运用典型的逻辑判断方式来预测粘结的发生，并及时给出降速指令，防止漏钢的发生。
2漏锕预报系统的理论依据．即粘结漏钢成因所谓漏钢是指凝固坯壳出结晶器后，在钢水静压力以及拉坯力的作用下，在坯壳薄弱处断裂而使钢水流出。
其类型可以分为开浇漏钢、悬挂漏钢、裂纹漏钢、夹渣漏钢以及粘结漏钢等。
其中，粘结漏钢占绝大多数，是板坯连铸生产过程中的主要漏钢形式。
因此预防粘结漏钢成为漏钢预报系统的主要功能。
由于液面波动大或者保护渣性能不良等异常造成弯月面的凝固坯壳与钢板之间没有液态保护渣，致使两者之间润滑不良，严重时发生粘结。
当拉坯摩擦阻力过大，粘结处被拉裂，并向横向和纵向扩展，最终出结晶器下口后发生漏钢，其形成过程如下图【图1)f f r -示,：图2热电偶布置32这涅利M B Ps 漏钢预报系统的逻辑判定法则针对热吲禺形式的漏钢预报系统，其预报方法有逻辑判断法、神经元网络法以及人工智能专家系统等。
达涅利M BP S 系统采用相对简单的逻辑判断法，即通过对热电偶反馈的温度终趔受徽算来判断粘绍是否发生，其判断的依据为粘结发生时粘结点的温度梯度变化，以及同一排热电偶之间的温度差异。
BPS 漏钢预报系统优势1、ERGOLINES 公司有一套独立完整的装置，来进行热电偶安装测试和校准工作，并不需要客户准备额外的电脑并不需要客户准备额外的电脑并不需要客户准备额外的电脑。
而且可以对可以对24支热电偶同时进行工作支热电偶同时进行工作，有效的提高了工作效率。
2、ERGOLINES 公司可以提供完善的操作软件，可以将自动修复的信号传输到主PLC 。
同时数据库除了记录功能外，还可以提供事件的重放功能。
用户还可根据不同的现场情况对各项参数进行修改设置，从而使软件达到最优化。
3、热电偶：A 、 采用了K 型热电偶，具有工业级别的外壳和紧固装置的特殊电缆。
B 、 热电偶的末端采用了机械加固和陶瓷保护，但并不会影响其灵敏度和准确性，特别是反应时间做到了最小化设计。
C 、 同时因为测量点需要保持干燥和干净，采用特殊的有机硅密封环设计，防止水或水蒸气浸入热电偶内部。
这样就能达到提高热电偶的使用寿命的目的，同时得到的信号反馈更可靠、 更精准、低误报率。
4、数据采集系统：A 、 采集热电偶信号的输入模块，经过电镀绝缘处理，可以耐到2500V 电压。
B 、 采集系统可以自动探测到有无坏的热电偶，并发出报警通知用户。
C 、 高比例检查，所有的热电偶每隔100ms 就会进行检测。
因此该系统可靠，并能保证不受到坏的热电偶影响，减少误报率。
5、热电偶的安装形式（相对于2排的安装形式）A 、 热电偶在铜壁上为3排安装形式排安装形式，每2排还可组合使用，这相当于有双重系统在进行检测。
B 、 具有拒绝接收错误信号的功能。
C 、 可以在不受结晶器液位振荡的影响下，准确的判断胚壳是否有破损情况。
D 、 可以应用于下列任何形式：铯源型、悬挂式涡流型、边缘式涡流型。
6、BPS 漏钢预报系统可以同OPI 结晶器振动分析监测系统一起配合使用，优点是OPI 系统可以提供准确实时的结晶器振动和加速的3D 模式的信息，及时显示结晶器铜壁和钢液的摩擦情况。
连铸漏钢预报技术摘要介绍了连铸漏钢预报几种方式的工作原理,并对国内外漏钢预报应用举例,应用表明:漏钢预报可以大幅度地减少连铸漏钢事故。
关键词连铸漏钢预报热传递摩擦监测热电偶1前言漏钢事故大致可分为:开浇漏钢、悬挂漏钢、裂纹漏钢、夹渣漏钢、切断漏钢、粘结漏钢。
粘结漏钢在各种漏钢事故中占比例约50%以上。
漏钢除了对操作者可能造成伤害之外,它还可能严重地损坏设备,影响生产的正常进行,造成停产。
据资料统计,如果考虑了漏钢所造成的所有危害因素的话,板坯连铸的一次“典型”的拉漏事故可带来200,000美元的经济损失。
为了减少漏钢损失,如果在漏钢事故发生之前能够探测到漏钢发生的可能性,在拉漏之前操作者采取适当的措施,那么,漏钢事故就可以避免了。
为了达到此目的,早在70年代后期,世界上就开发了连铸漏钢预报技术。
进入90年代后,连铸的漏钢预报的研究与开发已成为了连铸工作者的工作重点,许多连铸工作者在此方面进行了大量的工作,同时取得了可喜的成绩。
连铸的漏钢预报也成为未来连铸技术的重要组成部分。
2连铸过程的漏钢预报以上提到的开浇漏钢、悬挂漏钢、切断漏钢等,只要按设计条件细心操作,均可杜绝。
而粘结性漏钢的起因较为复杂,往往反映在热传递上,所以目前发展的若干种漏钢预报技术中的检测系统多侧重于这个方面。
以下探讨几种检测方式及其工作原理2.1依据结晶器热传递值的变化进行漏钢预报2.1.1影响结晶器热传递的因素结晶器的热传递直接影响着铸坯的表面质量,热传递不均匀则导致铸坯坯壳厚薄不均匀,极易产生拉漏。
运用结晶器的热传递变化进行漏钢预报,首先必须了解结晶器的热传递情况。
铸坯与结晶器器壁间的热传递直接受浇注参数变化的影响。
铸坯与结晶器器壁间的气隙、结晶器保护渣的温度特性、钢的化学成分、浇注速度、结晶器振动频率、振幅大小、钢水过热度、结晶器倒锥度及浸入式水口堵塞等都会影响铸坯与结晶器器壁间的热传递速度。
特别是保护渣的结晶温度和浇注速度对热传递的影响呈线性关系2.1.2依据结晶器的热传递变化进行漏钢预报检测结晶器热传递最为简单及直接的方法是测量结晶器冷却水的进水温度和出水温度间的温度差,但这种方法常常产生误导。
《基于SVM的薄板坯连铸漏钢预报系统研究》篇一一、引言在钢铁工业中，连铸是关键环节之一，其中薄板坯连铸是近年来广泛采用的生产方式。
然而，在连铸过程中，漏钢现象的发生往往会导致生产中断、设备损坏和产品质量下降等严重问题。
因此，对连铸过程中的漏钢进行准确预报和预防显得尤为重要。
近年来，随着人工智能技术的发展，基于支持向量机（SVM）的漏钢预报系统逐渐成为研究的热点。
本文旨在研究基于SVM的薄板坯连铸漏钢预报系统，以提高连铸过程的稳定性和产品质量。
二、SVM理论及应用支持向量机（SVM）是一种基于统计学习理论的机器学习方法，通过寻找最优分类边界来实现对数据的分类和预测。
在漏钢预报系统中，SVM可以通过分析连铸过程中的各种参数，如温度、流速、成分等，建立数学模型，对漏钢现象进行预测。
SVM具有较高的分类准确性和泛化能力，因此在模式识别、图像处理等领域得到广泛应用。
三、薄板坯连铸工艺及漏钢原因分析薄板坯连铸是一种高效、连续的铸造工艺，其生产效率高、能耗低、产品质量好。
然而，在生产过程中，由于各种因素的影响，如设备故障、操作不当、原料成分波动等，可能导致漏钢现象的发生。
为了准确预报漏钢现象，需要对这些影响因素进行深入分析。
四、基于SVM的薄板坯连铸漏钢预报系统设计基于SVM的薄板坯连铸漏钢预报系统主要包括数据采集、预处理、特征提取、模型训练和预报输出等部分。
首先，通过传感器等设备实时采集连铸过程中的各种参数数据；然后对数据进行预处理和特征提取，以获取与漏钢现象相关的关键参数；接着利用SVM算法建立数学模型，对漏钢现象进行预测；最后将预测结果输出给控制系统，以便及时采取措施防止漏钢现象的发生。
五、实验与结果分析为了验证基于SVM的薄板坯连铸漏钢预报系统的有效性，我们进行了大量实验。
实验结果表明，该系统能够准确预测连铸过程中的漏钢现象，并具有较高的预报准确率。
与传统的漏钢预报方法相比，该系统具有更高的稳定性和可靠性。
《基于SVM的薄板坯连铸漏钢预报系统研究》篇一一、引言随着钢铁工业的快速发展，薄板坯连铸技术因其高效率、高产量和高质量等优点，得到了广泛应用。
然而，连铸过程中的漏钢问题一直是影响生产效率和产品质量的关键因素。
为了有效解决这一问题，本文提出了一种基于支持向量机（SVM）的薄板坯连铸漏钢预报系统。
该系统通过对连铸过程中的数据进行实时监测和分析，实现对漏钢的准确预报，从而提高生产效率和产品质量。
二、支持向量机（SVM）概述支持向量机（SVM）是一种基于统计学习理论的机器学习方法，它通过寻找一个超平面来将数据集进行分类。
SVM在解决高维数、非线性及小样本等问题上具有独特的优势。
因此，在薄板坯连铸漏钢预报系统中引入SVM算法，有望提高预报的准确性和可靠性。
三、系统设计1. 数据采集：系统首先需要对连铸过程中的各种数据进行实时采集，包括温度、压力、速度等关键参数。
这些数据将作为SVM算法的输入。
2. 数据预处理：采集到的原始数据需要进行预处理，包括去除噪声、数据归一化等操作，以保证数据的准确性和可靠性。
3. 特征提取：从预处理后的数据中提取出关键特征，作为SVM算法的输入特征。
这些特征应能充分反映连铸过程中可能发生漏钢的各类情况。
4. SVM模型训练：利用提取出的特征和对应的标签（漏钢或非漏钢），训练SVM模型。
通过调整模型参数，优化模型的性能。
5. 漏钢预报：将实时采集的数据输入到训练好的SVM模型中，根据模型的输出判断是否会发生漏钢。
若模型判断为漏钢，则及时采取相应的措施，防止漏钢事故的发生。
四、实验与分析1. 实验数据：本研究所用的实验数据来自某钢铁企业的薄板坯连铸生产线。
数据包括温度、压力、速度等关键参数以及是否发生漏钢的标签。
2. 实验方法：首先对数据进行预处理和特征提取，然后利用SVM算法进行模型训练和漏钢预报。
为了验证系统的有效性，我们进行了多组对比实验，分别采用不同的SVM参数和特征组合。
3. 实验结果与分析：实验结果表明，基于SVM的薄板坯连铸漏钢预报系统具有较高的准确性和可靠性。
漏钢是连铸生产中的重大事故，给钢厂造成很大的经济损失。
为避免漏钢的发生，通过在结晶器内安装热电偶矩阵，分析温度的变化，在发生漏钢之前就能预知漏钢征兆，并及时提醒操作人员或自动地降低拉速在连铸生产过程中，钢坯坯壳由于某种原因，超过其机械强度而破裂，如果该坯壳破裂处未能凝固,则破裂处会以低于拉坯速度向下和横向扩展,当坯壳破裂处到达结晶器底部时，就发生拉漏。
由于坯壳破裂时，钢水直接与结晶器壁接触，因而该处会有温升，这样，如果安装了漏钢预报系统，便可以通过分析分布在结晶器壁上的热电偶采集到的温度变化，得知坯壳破裂处及其扩展，从而检测出漏钢趋势并进行报警及采取相应的处理。
RAMON漏钢预报系统是镭目公司十几年来在连铸自动化测控领域不断开发、实践、应用过程中的技术成果，它包含了镭目公司最新的模糊控制和神经网络技术，能够更准确地对漏钢进行预报。
组成漏钢预报系统主要由两部分组成：检测系统与控制系统。
检测系统包括热电偶矩阵、热电偶模块、总线通信网络、PLC等，主要负责采集实时数据（温度、拉速、液位等）；控制系统包括数据分析处理单元、操作箱、PLC等，主要负责对数据进行分析，输出分析结果，并通过控制拉速达到消除漏钢隐患的目的。
漏钢预报系统的特点主要表现在数据分析处理的算法与优化的方法上，因各研究方向不同而存在差异。
目前国内外普通采用的是基于逻辑分析的漏钢预报模型，这种模型在很大程度上依赖于现场具体的设备和工艺条件，预报数学模型中各种参数的最佳值是根据系统投入运行前对现场测试后确定的。
因此，这种最佳值无法适应实际生产中的变化因素，如改变钢种后，其参数值必须重新进行测试后才能达到最佳效果。
结果是减少了漏报率而导致了高误报率的出现，而降低误报率又会引起漏报的增加。
镭目公司的RAMON漏钢预报系统采用了最新的神经网络模型进行漏钢分析。
神经网络分析系统具有自学习、自调整能力，即通过一定的学习规则学习新的报警样本，并具有记忆功能，故整个系统可以根据自身学习获得的知识对漏钢征兆做出准确的判断，能更好地适应现场不同的生产条件及工艺参数。
第33卷 第4期2009年7月冶金自动化Metallurgical I ndustry Aut omati onVol .33 No .4July 2009・综述与评论・几种常用漏钢预报系统模型的比较(下)李同彬1,姚若华1,陈 波2(11上海宝信软件股份有限公司自动化部,上海201900;21上海仕为软件有限公司)中图分类号:TF34116;TP274+15 文献标志码:A 文章编号:100027059(2009)0420001204Co m par ison of useful breakout pred i cti on system m odels(B)L I Tong 2bin 1,Y AO Ruo 2hua 1,CHE N Bo2(1.Aut omati on Depart m ent,Shanghai Baosight Soft w are Co 1,L td 1,Shanghai 201900,China;2.Shanghai Shi w ei Soft w are Co 1,L td .)4 基于结晶器铜板热传输的漏钢预报逻辑判断模型 逻辑判断模型,就是以上述三节内容为基础,结合连铸设备工艺的实际情况,定时采样处理每一组热电偶数据,把其中的温度上升值、升温速率、上下热电偶温差等数据与设定的阈值进行对比。
通过对比,分析单个热电偶温度变化的时间序列和组偶温度关联的空间序列,结合钢种、拉速、铸坯宽度、经验值等因素,判断坯壳断裂的发生部位、裂口的发展方向和坯壳的生长情况。
逻辑判断模型的本质是识别出可能引起漏钢的温度模式,属于动态波形模式识别问题,如图3所示。
上排热电偶随着时间的变化(即在几个采样周期内),出现温度上升的情况,此温度梯度为判断参数之一,该曲线的极值超过设定值(说明粘钢)或低于某个值。
几个采样周期后,下面的热电偶温度上升,该曲线的极值也超过设定值(说明粘钢)或低于某个值,此温度梯度为判断参数之二;再过一段时间,随着上面热电偶的温度下降,下面热电偶的温度上升,出现负温差情况,此温差为判断参数之三。
这样通过监控温度变化就可发出漏钢预报报警(图3(e ))。
因此,上述特征的漏钢预报逻辑判断模型主要包括:最大最小值模型;温度上升速度模型;温度下降速度模型;温度上升幅度 模型;温度下降幅度模型;粘结点空间传递速度模型;单偶漏钢温度模式识别;组偶漏钢温度模式识别;采样滤波模型等等。
图3 连铸粘结漏钢预报动态波形模式识别Fig 13 Mode identificati on of dyna m ic wave of the BOPS各个模型的设定参数及其最佳值,是依据经验在现场中调试确定的。
也可由专业技术人员根据具体的生产状况,结合钢种、拉速、铸坯宽度、保护渣等因素进行设定。
因此,这类模型的温度上 收稿日期:2008211225;修改稿收到日期:2009202220作者简介:李同彬(19622),男,湖北武汉人,高级工程师,主要从事冶金行业自动化系统设计工作。
冶金自动化第33卷 升值、升温速率、上下电偶温差等,与具体的设备工艺、钢种等条件有很大的依赖关系。
目前,Sie mens,Danieli,宝钢的漏钢预报系统都运用以上数学模型,尽管各厂家的连铸机主要参数和生产品种相差不大,但是其结晶器热电偶的安装方式如热电偶的行数、列数、间距、铜板上的插入深度和具体位置等都有很大差异,其数学模型的逻辑判断阈值、参考基准值来源、计算方法等也各不相同。
它们大体上都能真实反映结晶器内部温度分布,发现粘结点,准确判断粘钢情况。
但当结晶器液位或温度波动时,阈值难以确定,逻辑判断系统误报与漏报率升高。
5 热电偶网络化的漏钢预报逻辑判断模型Sie mens和Danieli的薄板坯连铸连轧均采用热电偶网络化的漏钢预报逻辑判断模型,如唐山钢铁集团有限责任公司CSP连铸采用Danieli技术,具有粘结预报和漏钢预报两种功能。
其自动控制系统扫描结晶器上的温度传感器网络(m排n 列共m×n个K型热电偶,布满结晶器的宽面和窄面),采样周期2m s。
它选择宽面上数第2行的热电偶为标准热电偶行,称为弯月面行(Menis2 cus),以该行的每个热电偶温度值(TC_meniscus)为标准值,与对应列的其它热电偶温度值(T C_ check)比较,来判断温度是否接近粘结点,可自动避免粘结和漏钢的发生。
原理如图4。
模型主要参数包括:Sticking Check Value,热电偶实际检测温度值与同列Meniscus行热电偶平均温度的差值,为绝对正值;Sticking Deviati on L i m it,可设定的粘结判断阈值,超过此值就认定产生了粘结; Check I nterval,保证正确的弯月面温度曲线倾斜度条件的循环检测时间差值;Sticking W arning Count L i m it,粘结警告所需的符合粘结条件的最少热电 图4 温度传感器网漏钢预报原理图Fig14 Princi p le map of te mperature sens or net w ork f or BOPS 偶数量;Sticking A lar m Count L i m it,粘结报警所需的符合粘结条件的最少热电偶数量;B reakout De2 viati on L i m it,可设定的漏钢判断阈值,热电偶的温度超过这个值时就会被标定为符合漏钢条件点(Hot Spot)。
以上参数值由技术人员根据不同钢水等级、浇铸条件设定。
511 粘结预报功能将Meniscus行热电偶温度与对应列中的其它热电偶温度值作以下的算法判定:(1)设定循环检测温度差值Delta Te mperature =TC_meniscus-TC_check,判断Delta Te mpera2 ture>Sticking Check Value是否成立;(2)设定粘结判断值Meniscus Gradient=[T C_ meniscus(No w)-T C_meniscus(Previ ous)]/[Ti m e (Now)-Ti m e(Previ ous)],其中T C_meniscus (Now)为本次检验循环的T C_meniscus值,TC_me2 niscus(Previ ous)为上次检验循环的T C_meniscus 值,Ti m e(Now)为本次检验循环的实际时间,Ti m e (Previ ous)为上次检验循环的时间。
判断Menis2 cus Gradient>Sticking Deviati on L i m it是否成立。
如果(1),(2)均成立,则将该热电偶标识为“Sticking On”,同时把程序中的每一列的计数变量Sticking On Count(S OC)加“1”。
接着按以下算法估计粘结的程度:如果相邻两列的S OC值的和,不小于Sticking W arning Count L i m it,系统发出粘结警告;如果相邻两列的S OC值的和,不小于Stick2 ing A lar m Count L i m it,系统发出粘结报警。
512 漏钢预报功能模型循环检查结晶器每个热电偶的温度曲线(Meniscus行热电偶不考虑)是否正常。
在检测循环过程中,当第i行第j列热电偶的温度曲线值连续两次大于B reakout Deviati on L i m it时,即TC_ Gradient(i,j)(No w)>B reakout Deviati on L i m it AND TC_Gradient(i,j)(Previ ous)>B reakout Devi2 ati on L i m it成立时,那么该热电偶被标定为“Hot Spot”。
当相邻的两个热电偶均被标定为“Hot Spot”时,系统将会发出漏钢报警。
该系统可以预报粘结漏钢、裂纹漏钢和铸坯凹陷,只是漏钢预报准确率有待提高。
它的模型可进行功能扩展,使漏钢预报系统在生产中发挥更大作用。
因为该系统的热电偶网络可以监视结晶器温2 第4期 李同彬,等:几种常用漏钢预报系统模型的比较(下)度变化,因此如果配置保护渣熔化传热模型和结晶器内温度场模型,再与其它基础自动化系统一起集成到连铸机过程控制系统中,就能在线计算热流变化,进而根据热相图动态预测铸坯连铸过程中的实际情况,实现保护渣、冷却水、连铸拉速、液位塞棒机构等全自动调节,彻底避免漏钢事故的发生。
6 神经元网络模型为了减少误报,提高预报准确率,采用神经元网络模型的漏钢预报系统,伴随着电子信息等多学科的发展应运而生。
神经元网络模型是一种单向传播的多层前向网络,通过神经元变换函数,实现从输入到输出的任意非线性映射[2]。
图5为三层神经网络抽象模型,已知有m 个样本的输入Ah=a h 1,a h 2,…,a h n 和输出Y h =y h 1,y h 2,…,y hq ,h =1,2,…,m ;设有n 个输入单元a 1,a 2,…,a n ;p 个中间单元b 1,b 2,…,b p ;q 个输出单元c 1,c 2,…,c q ;W ij 为输入层至中间层的连接权值,i =1,2,…,n;j =1,2,…,p ;V jt 为中间层至输出层连接权值,t =1,2,…,q ;f (x )为S 型激活函数;S j 为中间层第j 个神经元的激活值;l t 为输出层第t 个神经元的激活值;y j 为中间层单元的阈值;z t 为输出层单元阈值;c t 为输出层第t 。
则神经元网络顺向传播数学公式如下:S j =∑ni =1(W ij ・a i )-y j f (x )=11+exp (-x )b j =f (S j )=11+exp -∑ni =1(W ij ・a i )+y jl t =∑pj =1(V jt ・b j )-z tc t =f (l t )=11+exp-∑pj =1(V jt ・b j )+z t把收集的样本数据A h 代入以上模型,即得输出值C h 。
C h 与Y h的差值大于限定误差时,就对神经网络进行如下逆向校正:输出层校正误差d h t =(y h t -c ht )f ′(l h t )中间层校正误差e h j =∑qt =1(V jt ・d h t )f ′(S hj )输出层至中间层的权和阈值校正量ΔV jt =δ・d ht ・b hj ,Δγt =δ・d ht中间层至输入层的权和阈值校正量ΔW ij =ε・e h j ・a hi ,Δθj =ε・e h j上述式中,y h t 为希望输出;c h t 为实际输出;f ′(l ht )为对输出层函数的导数;δ,ε为学习系数,0<α<1,图5 神经元网模型Fig 15 Model of the neural net w ork0<β<1;b h j 为h 个样本的b j ;a hi 为h 个样本的a i 。
