[发明专利]一种基于特征向量和层次聚类的结晶器漏钢预报方法

摘要

本发明属于钢铁冶金连铸检测技术领域，提供一种基于特征向量和层次聚类的结晶器漏钢预报方法。该预报方法分别提取黏结漏钢、正常工况历史数据以及在线实测数据的温度特征向量，建立特征向量样本集；对样本集进行归一化处理，并进行层次聚类；此后检查和判断在线提取的特征向量是否从属于漏钢类簇，进而识别和预报结晶器漏钢。本发明回避了报警阈值等参数繁琐的调试和修改环节，克服了以往漏钢预报方法的人为依赖性，具有良好的鲁棒性和迁移性；通过温度特征提取，不仅可准确识别黏结漏钢温度模式，避免漏报并显著降低了误报次数，还能够极大压缩数据计算量和运算时间，确保在线预报的实时性。

主权项

1.一种基于特征向量和层次聚类的结晶器漏钢预报方法，其特征在于，该预报方法分别提取黏结漏钢、正常工况历史数据以及在线实测数据的温度特征向量，建立特征向量样本集；对样本集进行归一化处理，并进行层次聚类；此后检查和判断在线提取的特征向量是否从属于漏钢类簇，进而识别和预报结晶器漏钢，包括以下步骤：第一步，提取黏结漏钢特征向量(1)获取黏结漏钢历史温度数据：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；(2)提取和构建第一排、第二排电偶温度特征向量；第二步，提取正常工况特征向量(1)获取正常工况历史温度数据：任意截取连续M+N秒的温度数据；(2)提取和构建第一排、第二排电偶温度特征向量；第三步，提取在线实时温度特征(1)实时采集和获取结晶器内弧宽面、外弧宽面、左侧窄面、右侧窄面铜板各行、列热电偶当前时刻及之前M+N‑1秒，共计M+N秒的温度数据；(2)提取和构建第一排、第二排电偶温度特征向量；第四步、建立特征向量库(1)依据第一、第二、第三步提取的黏结漏钢、正常工况与在线实测的温度特征建立特征向量样本库D；(2)对特征向量样本库D作归一化处理，得到特征向量集S，将归一化后的在线实测温度特征记为s_new；所述的特征向量的归一化方法如下：其中，x_ij为特征向量集S中第i个特征向量第j维特征的值，x_jmax、x_jmin分别为所有特征向量第j维特征的最大值和最小值，|S|表示特征向量集S中向量的总数；第五步，特征向量层次聚类(1)对第四步得到的特征向量集S实施层次聚类，具体过程包括：1.1)将特征向量集S中的每个向量s看作一个初始类簇C_i＝{s_i}，建立类簇集合C＝{C₁,C₂,...,C_k}；其中s_i表示S中第i个向量，C_i表示第i个类簇，i＝1,2,...,k，k表示特征向量集S中向量的总数；1.2)计算和确定类簇集合C中任意两个类簇C_p、C_q的距离：d(C_p,C_q)＝min(dist(C_pi,C_qj))其中，C_pi为类簇C_p中第i个特征向量，C_qj为类簇C_q中第j个特征向量，dist(C_pi,C_qj)表示特征向量C_pi、C_qj的欧氏距离；计算类簇C_p、C_q中任意两个向量的距离，取距离的最小值min作为类簇C_p和C_q的距离；1.3)标记经步骤3.2)计算后距离最小的两个类簇C_m和C_n，将C_m和C_n合并成为一个新的类簇C_{m,n}并加入集合C，同时删除原有的类簇C_m和C_n，经过类簇的添加和删除后，此时集合C中类簇的总数目减1；1.4)循环执行步骤3.2)～3.3)，当类簇集合C中仅剩两个类簇时，结束循环，完成聚类过程；(2)检查聚类结果是否满足以下判定条件，即：所有黏结漏钢特征向量的90％以上属于同一个类簇，且该类簇中正常工况特征向量所占的比率低于20％；满足此条件则将该类簇记为漏钢类簇C_breakout，另一个类簇记为正常工况类簇C_normal；否则，重新执行步骤(1)、(2)，直至由漏钢、正常工况以及实测温度构成的特征向量集聚类结果满足上述判定条件为止；第六步，漏钢识别与报警判断新特征向量s_new是否属于类簇C_breakout，如果是，则发出漏钢警报；否则，继续执行第三、四、五、六步；所述的第一步(2)、第二步(2)及第三步(2)涉及的温度特征提取方法相同，分别以每列电偶为单位，提取不同工况下同列电偶温度沿浇铸方向的变化特征，具体包括：1st_Rising_Amplitude：第一排温度上升幅值；1st_Rising_V_Max：第一排温度上升速率的最大值；1st_Falling_V_Ave：第一排温度下降速率均值；2nd_Rising_V_Max：第二排温度上升速率的最大值；1st_2nd_Time_Lag：温度上升时滞，即第二排与第一排热电偶温度开始上升时刻的时间间隔；由此构建特征向量：s＝[1st‑Rising‑Amplitude,1st‑Rising‑V‑Max,1st‑Falling‑V‑Ave,2nd‑Rising‑V‑Max,1st‑2nd‑Time‑Lag]。