[发明专利]一种连铸漏钢预报的方法

说明书

技术领域

本发明属于冶金连铸中监控技术领域，特别涉及一种板坯连铸过程的漏钢预报方法。

背景技术

漏钢是连铸生产过程中危害性最大的生产事故之一，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。

目前国内外几乎所有漏钢预报系统主要通过逻辑判断和神经网络对连铸粘结漏钢进行预报。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，因此成为近年来漏钢预报的主要方法。例如专利200910010163.7介绍了一种利用模糊神经网络建立了时序空间组合诊断漏钢预报模型的方法。专利201010207115.X介绍了一种基于遗传算法的BP神经元网络在漏钢预报中的应用方法。以上预报技术都是在热电偶测温法的基础上，利用神经元网络识别粘结状态下的典型温度模式来达到预报目的。但在实际应用中，由于某些漏钢事故(比如纵裂漏钢)在并不一定引发坯壳与铜板的粘结，因此不会引起温度监控的明显反应，从而导致漏报；还有在非稳态浇铸过程中，结晶器铜板温度会发生显著的温度变化，会造出系统误报。这些问题都降低了漏钢预报的准确率。

摩擦力监控手段具有很高的灵敏性，可以对结晶器摩擦力(拉坯阻力)的各种异常特征给出反应，也有学者利用摩擦力对漏钢进行预报。文献“用连铸拉坯阻力异常进行漏钢预报研究”(《连铸》2002年第5期第4～6页，魏树立，等著)报道了一种利用型BP算法对拉坯阻力进行在线学习和预测，从而提出通过拉坯阻力的实测值与预测值的差值预报拉坯阻力异常和漏钢的新方法。但在实际生产过程中，由于摩擦力信号容易受到各种干扰，导致该方法的误报率很高，同时也存在着漏报现象。因此将摩擦力监控与温度监控相结合是结晶器漏钢预报发展的一大趋势。

发明内容

针对现有技术的不足，本发明的目的是提供一种将温度监控模型与摩擦力监控模型进行耦合的方法，将温度监控的准确性与摩擦力监控的灵敏性有机结合，创建一种新的联合预报机制，从而增大监控范围，提高识别精度，减少误报、漏报现象的发生。

本发明主要靠如下方法实现。将温度监控的准确性与摩擦力监控的灵敏性有机结合，即由温度监控模型和摩擦力监控模型耦合而成。本耦合模型共有温度监控的单偶报警、温度监控的组偶报警、摩擦力逻辑判断报警、摩擦力时序网络报警等四处报警点；采用以温度监控报警为主，以摩擦力监控报警为辅；报警分为黄、橙、红三个级别，漏钢可能性依次增大；温度监控单偶报警给出红色报警级别，温度监控组偶报警暂定为橙色报警级别，如果其它报警点报警则升级为红色报警级别，摩擦力两个报警，在没有温度监控报警的情况下，其中之一给出报警设为黄色报警级别，两者同时报警设定为橙色报警级别。

在基于温度监控模型中，将在线采集温度数据入库并对不良数据实施滤除处理，将自适应遗传算法应用于BP神经网络，将利用矩阵交叉的方式实现了网络结构的自动优化，建立时序空间组合判断模型。在基于摩擦力监控模型中，将连续采集结晶器与铸坯间的摩擦力，并对该摩擦力数据进行归一化处理；建立包括逻辑判断模型和基于自适应遗传算法的BP神经网络模型的摩擦力监控模型。摩擦力监控采用延时报警设置，并且在开浇、拉速变化、在线调宽、拉尾坯等情况下屏蔽摩擦力监控。使用本发明的方法误报率从41.7％降低到了15.4％，大大减少了误报次数。

附图说明

图1为本发明温度监控和摩擦力监控耦合模型示意图。

图2为本发明预报流程图。

具体实施方式

在创建温度监控模型与摩擦力监控模型耦合模型之前，本发明首先利用自适应遗传算法建立了一种温度监控模型，并建立了一种同时使用逻辑判断和神经网络的摩擦力监控模型。

1.温度监控模型

温度监控是漏钢预报控制方法最为普遍也是最为成熟的手段，本发明在传统BP神经网络算法基础上，采用自适应遗传算法，进一步提高模型精度。具体步骤如下：

(1)采集数据：在线采集连铸现场结晶器热电偶的温度数据并存入数据库。

(2)数据预处理：不良数据处理是将当前时刻温度与前一时刻温度进行比较，如果两者相差在大于35％，则将前一时刻温度代替当前时刻温度，具体公式如下：