[发明专利]一种基于改进神经网络的漏钢可视化特征预报方法

摘要

本发明是一种基于改进神经网络的漏钢可视化特征预报方法，属于钢铁冶金连铸检测技术领域。具体为在线检测结晶器铜板热电偶温度信号，利用热成像技术可视化呈现结晶器铜板温度变化速率，在搜索和提取温度异常区域的面积、温度变化、位置、传播速率等特征的基础之上，建立BP神经网络漏钢预报模型，并借助遗传算法的自组织、自适应性，对模型的权值和阈值进行优化，实现结晶器漏钢可视化在线检测和预报，该方法不仅直观呈现结晶器温度分布、异常变化及发展趋势，而且可以实时、准确地预防结晶器漏钢事故，减少误报警次数，提高漏钢预报系统的准确率。

主权项

一种基于改进神经网络的漏钢可视化特征预报方法，其特征在于：将结晶器漏钢可视化特征与BP神经网络算法有机结合，在实现结晶器温度速率热成像的基础之上，提取漏钢温度异常区域可视化特征；建立三层BP人工神经网络漏钢预报模型；采用遗传算法对BP网络模型的权值和阈值进行优化；利用模型对漏钢可视化特征进行在线检测和预报，其检测步骤如下：1)结晶器铜板温度速率热成像及可视化特征提取(a)基于连铸机结晶器的热电偶温度信号，采用差值算法获取非测点处的铜板温度；(b)计算铜板的温度变化速率，并绘制结晶器铜板温度速率热像图，实时、准确呈现浇铸过程中四张结晶器铜板温度速率的二维分布；(c)采用阈值分割算法，对热像图中的温度异常点进行分割，并利用八连通判别算法对异常点进行连通性判断，获取温度异常区域；(d)搜索并提取温度异常区域的面积、位置、横向和纵向传播速率等可视化特征，为漏钢预报提供依据；2)建立三层BP人工神经网络漏钢预报模型(e)确定BP人工神经网络输入层神经元：以异常区域温度上升速率均值、温度上升区域面积、温度下降速率均值、温度下降区域面积、异常区域纵向移动速率及横向移动速率特征为模型的输入参数，即模型共有6个输入参量；(f)确定BP神经网络输出层神经元：设定1个输出层神经元，若是漏钢样本，则模型输出为1，若不是漏钢，模型输出为‑1；(g)确定BP神经网络隐含层神经元个数：根据Hecht‑Nielsen的经验公式确定隐含层神经元个数，其计算公式如下：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13；3)利用遗传算法优化漏钢预报模型(h)初始化BP神经网络模型权值和阈值；(i)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；(j)正向传播漏钢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，计算如下所示，$E_k=\frac{1}{2}{(D-O)}^2=\frac{1}{2}{(d_k-o_k)}^2$(k)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$式中，η—学习速率，设定参数，通常取值范围0<η<1，各层神经元网络连接权值和阈值变化的增量，以及更新迭代各层间神经元连接权值和阈值的迭代公式如下，W_jk(n+1)＝W_jk(n)+ΔW_jkV_ij(n+1)＝V_ij(n)+ΔV_ij(l)通过适应度函数计算个体偏差，适应度函数采用期望输出与实际输出的之间的误差平方的倒数，如下式所示，$f\left(i\right)=\frac{1}{E_k\left(i\right)}$(m)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)；(n)重复(l)、(m)操作步骤，直到满足结束条件；(q)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；(r)达到BP神经网络训练的目标，停止训练；4)漏钢可视化特征在线检测与预报(t)基于结晶器温度速率热像图，在线提取漏钢温度异常区域面积、温度变化、横向和纵向传播速率等可视化特征，并进行归一化处理；(x)利用步骤三获取的改进BP神经网络模型，将归一化后的异常区域特征输入，预测是否为漏钢事故；(y)若模型输出为小于0，接近于‑1，则是正常浇铸，若输出大于0，接近于1，则判定为结晶器漏钢，发出漏钢预报警告，迅速将铸机拉速降至0.1m/min，以防止漏钢事故发生。