[发明专利]一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法

说明书

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。

技术领域

本发明属于钢铁冶金连铸检测技术领域，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。

背景技术

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、工艺参数和物性参数的依赖性较强，当工艺调整和拉速提升时，阈值变动大，导致误报率和漏报率大幅上升，模型的自适应性和鲁棒性较差。人工智能模型主要通过神经元网络、支持向量机等算法识别漏钢发生时单偶和组偶的温度模式，该方法对学习和训练样本的要求较高，样本不全或无效时都会严重影响其预报效果，例如在新建铸机投产时，通常会缺乏足够的有效样本，进而影响其预报效果，模型的迁移能力较低。

专利CN105108097A中公开了一种基于混合模型的连铸漏钢预报方法，该方法使用基于GA-BP神经网络的单偶时序模型和基于逻辑判断的组偶空间模型。首先利用单偶时序模型对热电偶温度随时间变化的模式进行判断，然后利用组偶空间模型对该热电偶所在行及其前一行的的热电偶进行异常检查，将异常热电偶总数分别与黏结警告和黏结报警热电偶数目阈值比较，以识别和判断结晶器漏钢。该方法虽使得漏报准确率有所提高，但需熟悉掌握遗传、神经元网络等算法，样本制作和模型训练难度较大，对现场应用和维护人员的要求较高。

专利CN103639385A公布了一种基于最小二乘的漏钢预报方法，该方法将每个铜板测点热电偶的当前温度和历史温度数据构建一个温度时间序列；然后对每个温度时间序列进行最小二乘拟合，获得温度时间序列的特征值；此后通过比较时间序列的特征值与预设阈值判断是否产生黏结。该方法的局限在于，不同钢种、工艺参数下每个温度时间序列均具有不同的幅值、变化率、温差等，时间序列的特征值及阈值的设定繁琐，应用中模型后续的维护工作量大。

发明内容

本发明为了克服现有基于逻辑判断模型或者基于智能技术模型的漏钢预报系统中存在的不足之处，提出了一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法。

为了达到上述目的，本发明的技术方案为：

一种采用空间密度聚类DBSCAN预报连铸结晶器漏钢的方法，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，具体步骤如下：

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。