[发明专利]一种基于神经网络的连铸漏钢预报方法

说明书

技术领域

本发明涉及冶金铸造领域，特别地涉及一种基于神经网络的连铸漏钢预报方法。

背景技术

漏钢是指连铸初期或浇注过程中，铸坯坯壳凝固情况不好或因其他外力作用引起坯壳断裂或破漏使内部钢水流出的现象。漏钢是连铸生产过程中危害性最大的生产事故之一，其不仅直接影响连铸生产顺行，而且严重损害结晶器、辊道等设备，增加维修量和维修成本，造成巨大的经济损失，更存在巨大的安全隐患。在各种原因造成的漏钢事故中黏结性漏钢约占漏钢总次数的65％～80％，因此减少黏结性漏钢成为降低连铸漏钢率的有效方法。

目前国内外几乎所有漏钢预报系统主要为在热电偶测温法的基础上，通过应用逻辑判断法和神经网络法对连铸黏结性漏钢进行预报。其中，神经网络法相对于逻辑判断法具有较好的自适应能力和容错能力，且其性能随时间的增长不断提高，因此成为漏钢诊断预报的发展趋势。但在实际应用中，神经网络也暴露了一些自身固有的缺陷：权值的初始化是随机的，易陷入局部极小；学习过程中隐含层的神经元个数和其他参数的选择只能根据经验和实验来选择；收敛时间过长、鲁棒性差等，从而导致漏钢预报精度低、误报频繁及漏报等情况。

发明内容

为解决现有的连铸漏钢预报方法中存在的漏钢预报精度低的问题，本发明的目的是提供一种提高预报精度、降低误报率和漏报率的基于神经网络的连铸漏钢预报方法。

为实现上述问题，本发明提供一种基于神经网络的连铸漏钢预报方法，包括：步骤1：在线采集连铸现场热电偶的温度数据并存储该温度数据；步骤2：对所述温度数据进行预处理；步骤3：将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型，并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较，如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值，则预报漏钢会发生，所述单偶时序网络漏钢预报模型基于BP神经网络被建立，并对该单偶时序网络漏钢预报模型进行学习；其中，所述对该单偶时序网络漏钢预报模型进行学习包括使用遗传算法来初始化所述单偶时序网络漏钢预报模型的连接权值和阈值的步骤。

本发明提供的连铸漏钢预报方法，通过遗传算法优化基于BP神经网络的单偶时序网络漏钢预报模型的初始连接权值和阈值，不仅提高了运算速度，而且明显提高了单偶时序网络漏钢预报模型对连铸黏结漏钢过程中典型温度模式的识别效果和预报精度，从而很大程度减少了误报率和漏报率。

附图说明

图1是根据本发明的实施方式提供的基于神经网络的连铸漏钢预报方法的流程图；

图2是热电偶在结晶器上分布的展开示意图；

图3是示出了结晶器壁的结构以及热电偶的安装位置的示意图；

图4是描述了单偶时序网络漏钢预报模型的示意图；

图5示出了对连接权值和阈值进行实数编码的示例；

图6是描述了单偶时序网络漏钢预报模型与组偶网络漏钢预报模型的组合的示意图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

如图1所示，根据本发明的一个实施方式，基于神经网络的连铸漏钢预报方法可以包括：

步骤1：在线采集连铸现场热电偶的温度数据并存储该温度数据。如图2-3所示，连铸机结晶器上安装有成矩阵排列的多个热电偶，例如图2中示例性示出了在结晶器的两个宽侧面(包括固定侧和活动侧)上分别安装有6排7列、两个窄侧面上分别安装有7排2列且分布均匀的热电偶，这样共112个热电偶覆盖整个结晶器铜板，可以实现全结晶器壁的温度检测。热电偶的测量范围可以为0-1250℃，这些热电偶通过一组多芯转接器连接到工控机的I/O单元，由此可以将热电偶检测到的温度数据传送给工控机，工控机可以是本领域技术人员公知的装置，例如计算机、PLC、DSP芯片等。根据漏钢时的温度突变过程所持续的时间可以合理设定温度采样周期。例如根据历史漏钢报警数据的分析，发现漏钢时的温度突变过程大约为30s，通过综合考虑神经网络的规模和灵敏性，可以确定温度采样周期为2s，这样可以设定从某个热电偶上连续采集的15个温度数据为一组温度数据。当然也可以确定其它的温度采样周期，例如1s，3s等，这样一组温度数据中温度数据的个数相应地分别为30个和10个。