[发明专利]一种连铸坯表面纵裂纹的可视化识别方法

摘要

一种连铸坯表面纵裂纹的可视化识别方法，属于钢铁冶金连铸检测技术领域。具体为通过在线检测结晶器铜板热电偶的温度信号，根据铸坯表面纵裂纹在结晶器内的形成及温度分布特点，利用多项式插值算法和OpenGL技术，将结晶器温度差值进行热成像，在提取区域的几何、位置、移动等特征基础之上，建立BP神经网络模型，对铸坯纵裂纹进行检测和识别。其实现步骤为：结晶器温度差值热成像；建立BP神经网络模型；遗传算法优化模型权值和阈值；纵裂纹可视化特征识别。其优点：将结晶器温度差值可视化与纵裂纹智能识别方法相结合，不仅直观呈现了结晶器历史温度及当前时刻状态，同时为铸坯表面纵裂纹识别提供方法，以及铸坯质量在线监控提供技术手段。

主权项

一种连铸坯表面纵裂纹的可视化识别方法，其特征在于：将结晶器可视化与智能化识别技术有机结合，在实现结晶器温度差值热成像的基础之上，提取纵裂纹降温区域可视化特征；建立BP神经网络纵裂纹识别模型；采用遗传算法对模型的权值和阈值进行优化；对铸坯表面纵裂纹进行识别检测。其具体检测步骤如下：第一步、结晶器铜板温度差值热成像及可视化特征提取(1)沿结晶器横向布置不少于19列热电偶测点，在线检测结晶器温度值，采用多项式差值算法，对热电偶温度数据进行横向、纵向差值运算，获取铜板整体的二维温度分布；(2)计算铜板n秒温度差值，将相同网格单元当前时刻t的温度T[x,y]与其之前n秒温度的均值做差，根据设定铜板温度差值‑颜色对应关系，绘制结晶器铜板温度差值热像图，实时、准确反映结晶器铜板温度变化；(3)采用阈值分割算法，将热像图中降温异常像素点进行分离，利用八连通判别算法对异常点进行连通性判断，获取降温异常区域；(4)搜索并提取降温区域的温度差值、面积、高度、宽度、高宽比、移动速率以及角度等特征，为纵裂纹识别提供判据；第二步、建立BP神经网络纵裂纹预报模型，确定输入层神经元、隐含层神经元和输出层神经元，共三层BP神经网络(1)确定BP神经网络输入层神经元：以异常区域温度差值、面积、高度、宽度、高宽比、纵向移动速率、角度特征为模型的输入参数，即模型共有7个输入参量；(2)确定BP神经网络输出层神经元：设定1个输出层神经元，若是纵裂纹，则模型输出为1，若不是纵裂纹，模型输出为‑1；(3)确定BP神经网络隐层神经元个数：根据Hecht‑Nielsen的经验公式确定隐层神经元个数，其计算公式为：其中，t是隐含层神经元个数，是向上取整数，n是输入层神经元个数，g是输出层神经元个数，即t为15；第三步、利用遗传算法优化纵裂纹识别模型(1)初始化BP神经网络模型权值和阈值；(2)将BP神经网络权值和阈值进行实数编码，并初始化种群P(0)以及设定相应的遗传算法参数；(3)正向传播纵裂纹可视化特征样本集为X＝[X₁,X₂,X₃,…,X_P]^T，其中，样本k输入向量为X_k＝[x₁,x₂,x₃,…,x_n](k＝1,2,3,…,p)，v_ij(i＝1,2,3,…,n；j＝1,2,3,…,m)为输入层与隐含层连接权值，Y＝[y₁,y₂,y₃,…,y_m]是隐含层输出，w_jk为隐含层与输出层间连接权值，O_k＝[o₁,o₂,o₃,…,o_p]是BP神经网络模型实际输出，D_k＝[d₁,d₂,d₃,…,d_p]是BP神经网络模型期望输出，E_k为实际输出与期望输出的误差，隐含层第j个神经元的输出为y_j＝f(net_j)输出层输出为o_k＝f(net_k)当BP神经网络实际输出与期望输出D不相等时，此时存在误差E_k，$E_k=\frac{1}{2}{(D-O)}^2=\frac{1}{2}{(d_k-o_k)}^2$(4)反向传播沿着权值的负梯度方向进行调整权值可以使误差不断减小，即权值的调整量与误差的梯度下降成正比，${\mathrm{\&Delta;w}}_{jk}=-\mathrm{\&eta;}\frac{\&part;E_k}{\&part;w_{jk}},j=1,2,...,m;k=1,2,...,q$${\mathrm{\&Delta;v}}_{ij}=-\mathrm{\&eta;}\frac{\&part;E_k}{\&part;v_{ij}},i=1,2,...,n;j=1,2,...,m$式中，η—学习速率，设定参数，通常取值范围0<η<1，各层神经元网络连接权值和阈值变化的增量，以及更新迭代各层间神经元连接权值和阈值的迭代公式为，W_jk(n+1)＝W_jk(n)+ΔW_jkV_ij(n+1)＝V_ij(n)+ΔV_ij(5)通过适应度函数计算个体偏差，适应度函数采用期望输出与实际输出的之间的误差平方的倒数，其计算公式为：$f\left(i\right)=\frac{1}{E_k\left(i\right)}$(6)以预先设定的遗传算法参数，结合选择、交叉、变异等操作，得到新的个体P(t+1)；(7)重复第三步(5)、(6)操作步骤，直到满足结束条件；(8)将优化后的网络参数进行解码，并作为神经网络的初始值进一步优化；(9)达到BP神经网络训练的目标，停止训练；第四步、纵裂纹可视化特征在线检测与预报(1)基于结晶器温度速率热像图，在线提取纵裂纹降温区域面积、温度差值、高度、宽度、高宽比、纵向移动速率以及角度等可视化特征，并进行归一化处理；(2)利用遗传算法优化的纵裂纹识别模型，将归一化后的异常区域特征输入，预测是否为表面纵裂纹缺陷；(3)若模型输出为小于0，接近于‑1，则是铸坯无纵裂纹缺陷，若输出大于0，接近于1，则判定为铸坯表面存在纵裂纹缺陷，将识别结果发送至中控室，以便对存在缺陷的铸坯进行修磨处理。