[发明专利]基于层级实时记忆算法的连铸下渣智能预报系统

说明书

本发明涉及一种基于层级实时记忆算法的连铸下渣智能预报系统，属于人工智能技术领域。基于层级实时记忆算法的连铸下渣智能预报系统通过模拟新大脑皮层神经元结构与组织形式来构建，包括变量输入部分、序列预测部分、浇注状态评估部分和下渣预报部分。本发明提供的基于层级实时记忆算法的连铸下渣智能预报系统，以一种新型神经网络为基础，对现有的连铸生产检测数据进行预测，引出下渣预报机制，能够有效捕捉数据在时间维度上的特征信息，准确、快速地预报出下渣时间，解决了时间滞后的问题并其提高了下渣识别精度。

技术领域

本发明涉及一种基于层级实时记忆算法的连铸下渣智能预报系统，属于人工智能技术领域。

背景技术

连铸钢包下渣检测技术是通过对大包浇注后期钢水状态的有效识别来控制钢水纯净度，提高铸件质量与钢水收得率的重要手段之一。

近年来，很多学者对钢包下渣检测方法做了大量研究，2010年，谭大鹏等人通过人工神经网络技术实现连铸下渣的自动监控；2012年，李鹏飞等人提出了一种基于小波分解、混沌分析和RBF神经网络相结合的钢水连铸下渣的自动检测方法，实现正常浇铸和下渣信号的自动识别；同年，李培玉等人设计了一种基于视频图像的连铸大包下渣检测系统，实现对连铸大包下渣过程的实时在线监控；2013年，陈灵光等人提出基于相位一致性的红外下渣检测方法，解决传统边缘检测方法容易受到亮度、对比度以及噪声影响的缺点，能够检测到清晰并且连续的钢渣边缘；同年，谭大鹏等人采用小波分析理论，对钢水振动信号进行初步分析，最终实现对钢液状态的有效识别；2014年，张子淼等人根据转炉出钢过程中控制下渣量的需要，设计了基于红外测温原理的转炉出钢下渣检测系统，控制钢包中钢渣的含量，较好的满足了钢水炉外精炼的要求；2017年，赵昊乾等人运用Aspex Explorer扫描电镜方法，提出提高纯净度的控制处理措施；但是，上述检测均存在时间滞后问题，并且检测精度也有待提高。

发明内容

本发明的目的是为了提高传统下渣检测精度，解决时间滞后等问题，引入智能连铸下渣预报方法，采用一种新型仿生神经网络，使连铸机在不改造结构的条件下，通过无监督的Hebbian类关联学习机制对现有的连铸生产检测数据分析预测，从而提供一种基于层级实时记忆算法的连铸下渣智能预报系统。

本发明解决所述问题，采用的技术方案是：

一种基于层级实时记忆算法的连铸下渣智能预报系统，该系统以仿生神经网络为基础，包括变量输入部分、序列预测部分、浇注状态评估部分、下渣预报部分，其中：

变量输入部分：根据连铸工艺分析，选用大包重量变化率、中间包重量变化率、平均拉速变化率三个有规律可循的主要特征变量作为输入变量；

序列预测部分：首先通过空间池化SP进程以连续在线方式将输入转换成稀疏离散表征SDR形式，然后通过序列记忆SM进行序列学习和预测，遵循Hebb规则，根据先前活跃神经元之间形成的连接以及远端突触的连通值，在SDR基础上转换成一种新的包含过去状态的SDR，从而对输入序列进行预测；

浇注状态评估部分：浇注状态评估是基于HTM模型预测的历史记录来判断当前浇注状态的概率度量，将误差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态；

下渣预报部分：在大量钢渣出现之前给出预报阈值，当浇注状态评估指标大于阈值并保持在阈值以上时，进行下渣预报。

采用上述技术方案的本发明，与现有技术相比，其突出的特点是：

采用一种新型仿生神经网络，为预报连铸下渣过程提供了一种类人的无监督学习数学模型。提高了传统下渣检测系统的精度，解决了时间滞后问题，并且为停止浇注操作提供了更充裕的选择时间。

作为优选，本发明更进一步的技术方案是：