国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的漏鋼可視化特征預(yù)報(bào)方法

      文檔序號(hào):9571684閱讀:496來源:國知局
      一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的漏鋼可視化特征預(yù)報(bào)方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明涉及一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的漏鋼可視化特征預(yù)報(bào)方法,屬于鋼鐵冶金連 鑄檢測技術(shù)領(lǐng)域。
      【背景技術(shù)】
      [0002] 連鑄是現(xiàn)代鋼鐵生產(chǎn)鏈中的關(guān)鍵環(huán)節(jié),漏鋼是連鑄中的重大事故,不僅使連鑄生 產(chǎn)過程中斷,干擾整個(gè)煉鋼生產(chǎn)計(jì)劃,同時(shí),對(duì)結(jié)晶器、二冷輥列等鑄機(jī)設(shè)備帶來不同程度 的損害,造成巨大的經(jīng)濟(jì)損失。因此,如何檢測和防范漏鋼事故一直是冶金連鑄現(xiàn)場和冶金 工作者關(guān)注的焦點(diǎn)。
      [0003] 常見的漏鋼類型有黏結(jié)漏鋼、縱裂漏鋼、開澆漏鋼和角部漏鋼等,其中黏結(jié)漏鋼發(fā) 生的次數(shù)最多,約占漏鋼總數(shù)的三分之二以上,而其他漏鋼類型也具有一定的黏結(jié)漏鋼特 征,因而,生產(chǎn)中以預(yù)防黏結(jié)性漏鋼為主。黏結(jié)漏鋼是由于某種原因,使彎月面附近的鑄坯 和結(jié)晶器直接接觸,產(chǎn)生初始黏結(jié)點(diǎn),隨著結(jié)晶器的上下振動(dòng),黏結(jié)點(diǎn)將不斷地被撕裂和愈 合。黏結(jié)性漏鋼在結(jié)晶器內(nèi)具有縱向和橫向傳播特性,隨著澆鑄的進(jìn)行,黏結(jié)點(diǎn)將向結(jié)晶器 出口移動(dòng),同時(shí),黏結(jié)點(diǎn)向兩側(cè)或一側(cè)進(jìn)行傳播,形成一定長度的裂紋線,即黏結(jié)的橫向傳 播,當(dāng)黏結(jié)區(qū)域離開結(jié)晶器時(shí),由于黏結(jié)點(diǎn)處坯殼厚度較薄而無法抵抗鋼水靜壓力,產(chǎn)生漏 鋼事故。針對(duì)結(jié)晶器漏鋼特征的檢測和預(yù)報(bào),通常利用埋設(shè)在及結(jié)晶器銅板內(nèi)的熱電偶進(jìn) 行實(shí)時(shí)檢測,對(duì)熱電偶溫度信號(hào)的時(shí)間"滯后"和空間"倒置"現(xiàn)象進(jìn)行識(shí)別,檢測方法包括 早期開發(fā)的邏輯判斷算法,以及近年來開發(fā)并投入應(yīng)用的神經(jīng)元網(wǎng)絡(luò)、支持向量機(jī)及其他 智能預(yù)報(bào)方法。目前,經(jīng)過二十年生產(chǎn)經(jīng)驗(yàn)的積累和摸索,基于熱電偶溫度的漏鋼預(yù)報(bào)方法 已應(yīng)用于國內(nèi)各大鋼廠,為預(yù)防漏鋼事故發(fā)揮著十分重要的作用。然而,在長期的生產(chǎn)實(shí)踐 中,由于結(jié)晶器內(nèi)部鋼水凝固、鑄坯收縮具有不可見性,漏鋼事故仍無法完全避免,同時(shí)受 鋼種、保護(hù)渣、拉速、液位等工藝因素或操作的影響,漏鋼預(yù)報(bào)系統(tǒng)存在頻繁的誤報(bào)問題,在 國內(nèi)多家鋼廠的調(diào)研中發(fā)現(xiàn),報(bào)警準(zhǔn)確率較低、誤報(bào)頻繁是目前應(yīng)用的漏鋼預(yù)報(bào)系統(tǒng)的主 要問題。在實(shí)際生產(chǎn)中,頻繁的誤報(bào)警將導(dǎo)致鑄機(jī)降速、停車,不僅干擾了連鑄正常生產(chǎn)秩 序,同時(shí)降低了鑄坯質(zhì)量,加劇鑄機(jī)設(shè)備損耗,也影響現(xiàn)場操作人員的操控信心。
      [0004] 中國專利申請(qǐng)?zhí)?01110431124. 1公開了一種連鑄漏鋼預(yù)報(bào)的方法,該方法采用 邏輯判斷和神經(jīng)網(wǎng)絡(luò)算法,將溫度監(jiān)控模型與摩擦力監(jiān)控模型進(jìn)行耦合,建立了溫度監(jiān)控 為主、摩擦力監(jiān)控為輔的預(yù)警機(jī)制。該方法提高了報(bào)警準(zhǔn)確率,降低了誤報(bào)警次數(shù),然而,由 于連鑄工藝的復(fù)雜性,摩擦力異常波動(dòng)也可能導(dǎo)致誤報(bào)的出現(xiàn)。
      [0005] 中國專利申請(qǐng)?zhí)?01210236994. 8公開了一種板坯連鑄結(jié)晶器漏鋼預(yù)報(bào)系統(tǒng)及其 預(yù)報(bào)方法,該方法具體為采集結(jié)晶器內(nèi)溫度數(shù)據(jù)、拉速、液位、拉坯長度和摩擦力數(shù)據(jù),發(fā)送 至計(jì)算機(jī)終端;將溫度數(shù)據(jù)轉(zhuǎn)換為數(shù)字信號(hào),并進(jìn)行補(bǔ)償;計(jì)算機(jī)終端對(duì)接收溫度數(shù)據(jù)進(jìn) 行計(jì)算和漏鋼預(yù)報(bào)判斷。該方法由專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)算法和摩擦力分析進(jìn)行綜合判斷,具 有報(bào)出率高,誤報(bào)少的特點(diǎn)。然而,在漏鋼發(fā)生過程中,結(jié)晶器溫度變化是漏鋼的代表性特 征,提取和精煉溫度變化特征是決定該方法應(yīng)用效果的關(guān)鍵。

      【發(fā)明內(nèi)容】

      [0006] 本發(fā)明目的是克服現(xiàn)有技術(shù)的不足,且對(duì)現(xiàn)有技術(shù)進(jìn)行改進(jìn)和創(chuàng)新,提供一種基 于改進(jìn)神經(jīng)網(wǎng)絡(luò)的漏鋼可視化特征預(yù)報(bào)方法,所述的方法具有科學(xué)合理,適用性強(qiáng),內(nèi)部溫 度異??梢姡`報(bào)警次數(shù)少,預(yù)報(bào)準(zhǔn)確率高等特點(diǎn),能夠?qū)崟r(shí)監(jiān)控結(jié)晶器溫度場的變化,預(yù) 防結(jié)晶器漏鋼事故的發(fā)生。
      [0007] 為實(shí)現(xiàn)本發(fā)明目的,提出一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的漏鋼可視化特征預(yù)報(bào)方法,其 技術(shù)方案特征在于:將結(jié)晶器漏鋼可視化特征與BP神經(jīng)網(wǎng)絡(luò)算法有機(jī)結(jié)合,在實(shí)現(xiàn)結(jié)晶器 溫度速率熱成像的基礎(chǔ)之上,提取漏鋼溫度異常區(qū)域可視化特征;建立三層BP人工神經(jīng)網(wǎng) 絡(luò)漏鋼預(yù)報(bào)模型;采用遺傳算法對(duì)BP網(wǎng)絡(luò)模型的權(quán)值和閾值進(jìn)行優(yōu)化;利用模型對(duì)漏鋼可 視化特征進(jìn)行在線檢測和預(yù)報(bào),其檢測步驟如下:
      [0008] 1)結(jié)晶器銅板溫度速率熱成像及可視化特征提取
      [0009] (a)基于連鑄機(jī)結(jié)晶器的熱電偶溫度信號(hào),采用差值算法獲取非測點(diǎn)處的銅板溫 度;
      [0010] (b)計(jì)算銅板的溫度變化速率,并繪制結(jié)晶器銅板溫度速率熱像圖,實(shí)時(shí)、準(zhǔn)確呈 現(xiàn)澆鑄過程中四張結(jié)晶器銅板溫度速率的二維分布;
      [0011] (C)采用閾值分割算法,對(duì)熱像圖中的溫度異常點(diǎn)進(jìn)行分割,并利用八連通判別算 法對(duì)異常點(diǎn)進(jìn)行連通性判斷,獲取溫度異常區(qū)域;
      [0012] (d)搜索并提取溫度異常區(qū)域的面積、位置、橫向和縱向傳播速率等可視化特征, 為漏鋼預(yù)報(bào)提供依據(jù);
      [0013] 2)建立三層BP人工神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)報(bào)模型
      [0014] (e)確定BP人工神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元:以異常區(qū)域溫度上升速率均值、溫度上 升區(qū)域面積、溫度下降速率均值、溫度下降區(qū)域面積、異常區(qū)域縱向移動(dòng)速率及橫向移動(dòng)速 率特征為模型的輸入?yún)?shù),即模型共有6個(gè)輸入?yún)⒘浚?br>[0015] (f)確定BP神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元:設(shè)定1個(gè)輸出層神經(jīng)元,若是漏鋼樣本,則模 型輸出為1,若不是漏鋼,模型輸出為-1;
      [0016] (g)確定BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù):根據(jù)Hecht-Nielsen的經(jīng)驗(yàn)公式確定隱 含層神經(jīng)元個(gè)數(shù),其計(jì)算公式如下:
      [0018] 其中,t是隱含層神經(jīng)元個(gè)數(shù),「1是向上取整數(shù),η是輸入層神經(jīng)元個(gè)數(shù),g是輸出 層神經(jīng)元個(gè)數(shù),即t為13 ;
      [0019] 3)利用遺傳算法優(yōu)化漏鋼預(yù)報(bào)模型
      [0020] (h)初始化BP神經(jīng)網(wǎng)絡(luò)模型權(quán)值和閾值;
      [0021] ⑴將BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行實(shí)數(shù)編碼,并初始化種群P(0)以及設(shè)定相應(yīng)的 遺傳算法參數(shù);
      [0022] (j)正向傳播:漏鋼可視化特征樣本集為X=以;;,…,XP]T,其中,樣本k輸入 向量為 \= [X x2, x3,…,xj (k = 1,2, 3,…,p),Vi』(i = 1,2, 3,…,η ; j = 1,2, 3,…,m) 為輸入層與隱含層連接權(quán)值,Y = [yi,y2, y3,…,yj是隱含層輸出,W]k為隱含層與輸出層間 連接權(quán)值,〇k= [0 d 02, 03,…,0p]是BP神經(jīng)網(wǎng)絡(luò)模型實(shí)際輸出,Dk= [d d d2, d3,…,dp]是 BP神經(jīng)網(wǎng)絡(luò)模型期望輸出,Ek為實(shí)際輸出與期望輸出的誤差,
      [0023] 隱含層第j個(gè)神經(jīng)元的輸出為
      [0024] yj= f(net ^
      [0025] 輸出層輸出為
      [0026] ok= f (net k)
      [0027] 當(dāng)BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出與期望輸出D不相等時(shí),此時(shí)存在誤差^,計(jì)算如下所示,
      [0029] (k)反向傳播:沿著權(quán)值的負(fù)梯度方向進(jìn)行調(diào)整權(quán)值可以使誤差不斷減小,即權(quán) 值的調(diào)整量與誤差的梯度下降成正比,
      [0032] 式中,η-學(xué)習(xí)速率,設(shè)定參數(shù),通常取值范圍〇〈 η〈1,
      [0033] 各層神經(jīng)元網(wǎng)絡(luò)連接權(quán)值和閾值變化的增量,以及更新迭代各層間神經(jīng)元連接權(quán) 值和閾值的迭代公式如下,
      [0036] (1)通過適應(yīng)度函數(shù)計(jì)算個(gè)體偏差,適應(yīng)度函數(shù)采用期望輸出與實(shí)際輸出的之間 的誤差平方的倒數(shù),如下式所示,
      [0038] (m)以預(yù)先設(shè)定的遺傳算法參數(shù),結(jié)合選擇、交叉、變異等操作,得到新的個(gè)體 P(t+1);
      [0039] (η)重復(fù)(1)、(m)操作步驟,直到滿足結(jié)束條件;
      [0040] (q)將優(yōu)化后的網(wǎng)絡(luò)參數(shù)進(jìn)行解碼,并作為神經(jīng)網(wǎng)絡(luò)的初始值進(jìn)一步優(yōu)化;
      [0041] (r)達(dá)到BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo),停止訓(xùn)練;
      [0042] 4)漏鋼可視化特征在線檢測與預(yù)報(bào)
      [0043] (t)基于結(jié)晶器溫度速率熱像圖,在線提取漏鋼溫度異常區(qū)域面積、溫度變化、橫 向和縱向傳播速率等可視化特征,并進(jìn)行歸一化處理;
      [0044] (X)利用步驟三獲取的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型,將歸一化后的異常區(qū)域特征輸入, 預(yù)測是否為漏鋼事故;
      [0045] (y)若模型輸出為小于0,接近于-1,則是正常澆鑄,若輸出大于0,接近于1,則判 定為結(jié)晶器漏鋼,發(fā)出漏鋼預(yù)報(bào)警告,迅速將鑄機(jī)拉速降至0. lm/min,以防止漏鋼事故發(fā) 生。
      [0046] 所述方法適用于板還、方還、圓還和異型還的連鑄漏鋼預(yù)報(bào)。
      [0047] 本發(fā)明的有益效果是:本發(fā)明基于結(jié)晶器漏鋼可視化特征,利用改進(jìn)的BP神經(jīng)網(wǎng) 絡(luò)進(jìn)行預(yù)報(bào)漏鋼事故,通過檢測結(jié)晶器上埋設(shè)熱電偶的溫度信號(hào),將四張結(jié)晶器銅板溫度 變化速率以熱像圖的形式呈獻(xiàn)給現(xiàn)場操控人員,不僅能夠進(jìn)一步掌控結(jié)晶器"黑匣"內(nèi)的溫 度變化,而且可更加直觀的呈現(xiàn)結(jié)晶器漏鋼形成和發(fā)展的全過程,提升現(xiàn)場操控信心和預(yù) 報(bào)準(zhǔn)確率。該預(yù)報(bào)方法可以實(shí)現(xiàn)對(duì)結(jié)晶器溫度場的實(shí)時(shí)監(jiān)控,綜合考慮單只、臨近乃至整 個(gè)銅板的熱電偶溫度及其變化,通過挖掘和識(shí)別鑄坯與結(jié)晶器黏結(jié)區(qū)域溫度變化的可視化 特征,能夠在保證漏鋼報(bào)出率的前提下,大幅降低
      當(dāng)前第1頁1 2 3 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1