本發(fā)明專利申請是針對申請?zhí)枮椋?015104477796的分案申請，原申請的申請日為：2015-07-24，發(fā)明創(chuàng)造名稱為：一種用于連鑄漏鋼預(yù)報的混合模型。

本發(fā)明屬于冶金連鑄中監(jiān)控技術(shù)領(lǐng)域，更具體地說，涉及一種基于混合模型的連鑄漏鋼預(yù)報方法。

背景技術(shù)：

連鑄漏鋼是粘結(jié)或裂紋等鑄坯表面質(zhì)量缺陷發(fā)展到一定程度產(chǎn)生的惡性質(zhì)量事故，會導(dǎo)致連鑄機停產(chǎn)，影響連鑄過程連續(xù)性和整個煉鋼的生產(chǎn)計劃，且損壞設(shè)備，影響鑄機的作業(yè)率和產(chǎn)量，減少了金屬的收得率，造成巨大的經(jīng)濟損失。在實際生產(chǎn)過程中，粘結(jié)性漏鋼發(fā)生頻率最高，占各類漏鋼事件的70％～80％。尤其隨現(xiàn)代化高效板坯連鑄技術(shù)的發(fā)展，不僅要澆鑄裂紋敏感性鋼種，澆鑄鋼種范圍寬，澆鑄難度大，而且拉速的提高引發(fā)出更復(fù)雜的結(jié)晶器傳熱、摩擦和潤滑等問題，使初生坯殼冷卻和凝固、保護渣流入的穩(wěn)定性和均勻性顯著下降，結(jié)晶器內(nèi)鑄坯粘結(jié)現(xiàn)象增加，進而導(dǎo)致的粘結(jié)性漏鋼問題非常突出。粘結(jié)性漏鋼是主要漏鋼形式，研究并解決粘結(jié)性漏鋼對保證連鑄生產(chǎn)順行和提高鑄坯質(zhì)量具有重要意義。

從上世紀(jì)70年代開始，國內(nèi)外開發(fā)了很多種粘結(jié)性漏鋼征兆的檢測方法，最有效的方法是熱電偶測溫法，基本原理是通過在結(jié)晶器銅板上埋設(shè)一定數(shù)量熱電偶，檢測結(jié)晶器銅板不同部位溫度變化情況，利用銅板溫度變化情況實時監(jiān)控結(jié)晶器內(nèi)部的局部傳熱狀況和識別鑄坯破裂位置及其移動信息。目前，基于熱電偶測溫的漏鋼預(yù)報方法主要有兩類，一類是通過邏輯判斷模型，依據(jù)漏鋼機理分析和漏鋼數(shù)據(jù)進行定性和定量分析后提取適當(dāng)邏輯條件進行漏鋼預(yù)報，其原理是根據(jù)每個熱電偶溫度變化幅度、溫度變化速率、上下排熱電偶溫差、溫度變化延遲時間等參數(shù)與設(shè)定的閥值比較判斷，做出漏鋼程度的報警。邏輯判斷模型依賴于具體的工藝和設(shè)備參數(shù)等，且模型參數(shù)的選擇需大量的人力和時間測試，自適應(yīng)性和魯棒性差，經(jīng)常出現(xiàn)較高的誤報率，頻繁的誤報同樣會影響鑄坯的質(zhì)量和鑄機的高效化生產(chǎn)，而降低誤報又會增加漏報。另一類是通過智能技術(shù)(比如神經(jīng)網(wǎng)絡(luò)，支持向量機等模式識別算法)對粘結(jié)性漏鋼進行預(yù)報，其特點是具有很強的自適應(yīng)性、自學(xué)習(xí)能力、容錯性和魯棒性，能更好的處理復(fù)雜的非線性問題，可進一步提高漏鋼預(yù)報的準(zhǔn)確性，已成為目前的研究熱點。智能模型屬于黑箱模型，其不足是過分的依賴數(shù)據(jù)，如神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練必須依靠足夠的有效樣本，若樣本數(shù)據(jù)的不全或不準(zhǔn)確都會影響網(wǎng)絡(luò)的泛化能力。在連鑄機投產(chǎn)初期，由于缺乏足夠有效的數(shù)據(jù)，必須依靠邏輯判斷模型來預(yù)報和避免漏鋼。

關(guān)于采用神經(jīng)網(wǎng)絡(luò)對粘結(jié)性漏鋼進行預(yù)報的方法，現(xiàn)有技術(shù)中已有相關(guān)技術(shù)方案公開，如專利公開號：cn101850410a，公開日：2010年10月6日，發(fā)明創(chuàng)造名稱為：一種基于神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼預(yù)報方法，該申請案公開了一種基于神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼預(yù)報方法，該方法包括，步驟1：在線采集連鑄現(xiàn)場熱電偶的溫度數(shù)據(jù)并存儲該溫度數(shù)據(jù)；步驟2：對所述溫度數(shù)據(jù)進行預(yù)處理；步驟3：將經(jīng)過所述預(yù)處理后的從任一個熱電偶上采集的溫度數(shù)據(jù)輸入到單偶時序網(wǎng)絡(luò)漏鋼預(yù)報模型，并對單偶時序網(wǎng)絡(luò)漏鋼預(yù)報模型的輸出值與最大判別閾值進行比較，如果該單偶時序網(wǎng)絡(luò)漏鋼預(yù)報模型的輸出值大于最大判別閾值，則預(yù)報漏鋼會發(fā)生；同時，使用遺傳算法來初始化該單偶時序網(wǎng)絡(luò)漏鋼預(yù)報模型的連接權(quán)值和閾值。該方法能夠提高對連鑄黏結(jié)漏鋼過程的識別效果和預(yù)報精度，從而減少了誤報率和漏報率。但是，該申請案的不足之處在于：從單偶時序模型到組偶空間模型的構(gòu)建，完全依靠神經(jīng)網(wǎng)絡(luò)技術(shù)，雖然神經(jīng)網(wǎng)絡(luò)等智能技術(shù)在動態(tài)波形模式識別中具有明顯的優(yōu)勢，但利用其建立組偶空間模型并不合適；該方法步驟3中通過單偶時序網(wǎng)絡(luò)漏鋼預(yù)報模型的輸出值大于最大判別閾值，就預(yù)報漏鋼會發(fā)生，并不合理，因為實際生產(chǎn)過程單個熱電偶溫度經(jīng)常出現(xiàn)較大的溫度波動，很容易與粘結(jié)溫度模式接近，而引起誤報警；該方法中涉及的組偶空間網(wǎng)絡(luò)漏鋼預(yù)報模型的輸入是分別同時從符合進一步判斷的一個熱電偶以及與其對應(yīng)的下排左、中、右三個熱電偶的溫度數(shù)據(jù)輸入到單偶時序模型后得到的輸出值，由此可知該組偶空間模型沒有考慮到粘結(jié)v型撕裂口傳播時的熱電偶溫度空間變化特征，并且只選擇所述的四個熱電偶判斷粘結(jié)的二維傳播行為，在實際生產(chǎn)過程中當(dāng)出現(xiàn)多個熱電偶故障和溫度波動較大等情況時，該組偶空間模型很容易產(chǎn)生漏報和誤報警，其實際應(yīng)用時魯棒性將會變差。

綜上所述，如何克服現(xiàn)有通過邏輯判斷模型或神經(jīng)網(wǎng)絡(luò)模型對粘結(jié)性漏鋼進行預(yù)報的不足之處，是現(xiàn)有技術(shù)中亟需解決的技術(shù)難題。

技術(shù)實現(xiàn)要素：

1.發(fā)明要解決的技術(shù)問題

本發(fā)明克服了現(xiàn)有通過邏輯判斷模型或神經(jīng)網(wǎng)絡(luò)模型對粘結(jié)性漏鋼進行預(yù)報的不足之處，提供了一種基于混合模型的連鑄漏鋼預(yù)報方法，實現(xiàn)了提高粘結(jié)性漏鋼識別精度的目標(biāo)。

2.技術(shù)方案

為達(dá)到上述目的，本發(fā)明提供的技術(shù)方案為：

本發(fā)明的混合模型，主要包括以下兩部分：單偶時序模型和組偶空間模型；

(1)、單偶時序模型；

單偶時序模型的構(gòu)建包括：模型輸入變量的確定、模型輸出變量的確定、數(shù)據(jù)的預(yù)處理、ga-bp神經(jīng)網(wǎng)絡(luò)的建立；

(2)、組偶空間模型；

1)、利用單偶時序模型對結(jié)晶器上所有熱電偶溫度隨時間變化模式進行識別后，輸出結(jié)果保存到三維數(shù)組y(i,j,t)，其中，y(i,j,t)表示第i行j列熱電偶在t時刻的單偶時序模型識別結(jié)果；

2)、當(dāng)y(i,j,t)在閥值范圍[θmin,θmax]內(nèi)時，認(rèn)為該熱電偶tc(i,j)溫度變化符合粘結(jié)溫度模式，標(biāo)記該熱電偶異常；

3)、然后檢查第i行所有熱電偶的y(i,j,t)，統(tǒng)計在閥值范圍[θmin,θmax]內(nèi)的異常熱電偶數(shù)目為m，同時檢查第i-1行所有熱電偶的y(i-1,j,t)，統(tǒng)計在閥值范圍[θmin,θmax]內(nèi)的異常熱電偶數(shù)目為n，其中i大于1；

4)、如果m和n均大于等于2，則檢查在過去10秒內(nèi)彎月面行(第一行)異常熱電偶數(shù)目是否大于等于2，如果滿足，則利用異常熱電偶總數(shù)m+n分別與粘結(jié)報警和粘結(jié)警告熱電偶數(shù)目閥值比較，進行粘結(jié)報警和粘結(jié)警告的判斷。

作為本發(fā)明更進一步的改進，模型輸入變量的確定如下；

選擇單個熱電偶時間上連續(xù)的30個溫度采樣點作為模型輸入變量；

其中，溫度采樣點的采集周期為1秒。

作為本發(fā)明更進一步的改進，模型輸出變量的確定如下；

模型輸出變量是單個熱電偶粘結(jié)報警信號，模型輸出變量由上述30個溫度采樣點對應(yīng)的溫度變化波形模式與粘結(jié)溫度模式的接近程度決定；

其中，模型輸出變量為-1～2之間的數(shù)，當(dāng)30個溫度采樣點對應(yīng)的溫度變化波形模式與粘結(jié)溫度模式完全相同時，模型輸出變量標(biāo)記為1；當(dāng)30個溫度采樣點對應(yīng)的溫度變化曲線保持平穩(wěn)時，模型輸出變量標(biāo)記為0。

作為本發(fā)明更進一步的改進，數(shù)據(jù)的準(zhǔn)備和預(yù)處理如下；

從歷史數(shù)據(jù)中提取樣本，采用公式(1)將上述有效樣本歸一化到[-1,1]之間；

公式(1)中，x'是歸一化后的樣本數(shù)據(jù)，x是歸一化前的樣本數(shù)據(jù)，xmax是歸一化前樣本數(shù)據(jù)的最大值，xmin是歸一化前樣本數(shù)據(jù)的最小值；

將以上歸一化后的樣本數(shù)據(jù)分為兩部分，其中一部分作為訓(xùn)練樣本，另一部分作為測試樣本。

作為本發(fā)明更進一步的改進，ga-bp神經(jīng)網(wǎng)絡(luò)模型的建立如下；

bp神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)為30，代表模型輸入變量；輸出層節(jié)點數(shù)為1，代表模型輸出變量；根據(jù)網(wǎng)絡(luò)訓(xùn)練的結(jié)果確定一個判別閾值范圍，當(dāng)模型輸出變量未超過預(yù)先設(shè)定的閾值范圍時就認(rèn)為檢測到粘結(jié)溫度模式；訓(xùn)練網(wǎng)絡(luò)采用3層bp網(wǎng)絡(luò)，隱含層激勵函數(shù)使用s型正切傳遞函數(shù)，輸出層使用線性傳遞函數(shù)，訓(xùn)練過程采用lm優(yōu)化算法；選定隱層節(jié)點數(shù)為12，得到結(jié)構(gòu)為30×12×1的bp神經(jīng)網(wǎng)絡(luò)模型；

其中：bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程包括信息正向傳播和誤差反向傳播，根據(jù)所給訓(xùn)練樣本輸入和輸出向量不斷學(xué)習(xí)并調(diào)整神經(jīng)元之間的連接權(quán)值和閾值，使網(wǎng)絡(luò)不斷逼近樣本輸入和輸出之間的映射關(guān)系；bp神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)為2000，學(xué)習(xí)率為0.05，性能誤差為0.0001；

采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)，建立ga-bp神經(jīng)網(wǎng)絡(luò)模型，遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的基本步驟包括：1)、種群初始化，對bp神經(jīng)網(wǎng)絡(luò)所有權(quán)值和閾值進行實數(shù)編碼，產(chǎn)生個體，設(shè)置種群規(guī)模和進化代數(shù)；2)、按照公式(2)計算每一個個體的適應(yīng)度函數(shù)，以最小值為最優(yōu)；

公式(2)中，n為網(wǎng)絡(luò)輸出層節(jié)點數(shù)；yi為第i個節(jié)點的實際輸出；y'i為第i個節(jié)點的期望輸出；3)、進行遺傳算法的選擇、交叉和變異操作，產(chǎn)生新一代個體種群；4)、評價新一代種群，判斷進化代數(shù)是否達(dá)到要求或網(wǎng)絡(luò)誤差是否滿足條件，如果滿足得到當(dāng)前種群最優(yōu)適應(yīng)度值對應(yīng)個體；其中，遺傳算法種群規(guī)模設(shè)為50，交叉概率為0.7，變異概率為0.06，進化代數(shù)為200。

作為本發(fā)明更進一步的改進，所述閥值范圍[θmin,θmax]為[0.6,1.3]。

作為本發(fā)明更進一步的改進，粘結(jié)報警熱電偶數(shù)目閥值為6，粘結(jié)警告熱電偶數(shù)目閥值為3；當(dāng)異常熱電偶總數(shù)m+n大于等于3時，發(fā)出粘結(jié)警告；當(dāng)異常熱電偶總數(shù)m+n大于等于6時，發(fā)出粘結(jié)報警。

本發(fā)明的基于混合模型的連鑄漏鋼預(yù)報方法，包括如下步驟：

步驟(1)、在結(jié)晶器銅板內(nèi)布置多排高密度熱電偶，監(jiān)控結(jié)晶器溫度變化情況，并采集和存儲現(xiàn)場所有熱電偶溫度實時數(shù)據(jù)，保存到三維數(shù)組t(i,j,t)；其中，t(i,j,t)表示第i行j列熱電偶在t時刻的溫度值；

步驟(2)、將所有熱電偶溫度數(shù)據(jù)輸入單偶時序模型，在單偶時序模型中，每個熱電偶溫度的時間序列數(shù)據(jù)，經(jīng)過移位寄存器的變換和數(shù)據(jù)處理后，輸入ga-bp神經(jīng)網(wǎng)絡(luò)模型計算，判斷每個熱電偶溫度在時間序列上的變化是否符合粘結(jié)時的溫度變化波形，將判斷結(jié)果保存到三維數(shù)組y(i,j,t)中；

步驟(3)、如果y(i,j,t)在設(shè)定的閥值范圍[θmin,θmax]內(nèi)時，則認(rèn)為當(dāng)前熱電偶tc(i,j)溫度變化符合粘結(jié)溫度模式，標(biāo)記該熱電偶異常，那么則進行組偶空間模型的判斷，計算當(dāng)前熱電偶所在行和上一行異常熱電偶數(shù)目；

步驟(4)、將組偶空間模型輸出的異常熱電偶總數(shù)分別與粘結(jié)報警和粘結(jié)警告熱電偶數(shù)目閥值比較，進行粘結(jié)報警和粘結(jié)警告的判斷。

3.有益效果

采用本發(fā)明提供的技術(shù)方案，與現(xiàn)有技術(shù)相比，具有如下顯著效果：

(1)本發(fā)明考慮到人工智能技術(shù)在波形模式識別上的優(yōu)勢，以鑄坯粘結(jié)時結(jié)晶器銅板內(nèi)熱電偶溫度的時空變化規(guī)律為依據(jù)，采用ga-bp神經(jīng)網(wǎng)絡(luò)建立單偶時序模型，用來識別單個熱電偶溫度在時間序列上的變化是否符合粘結(jié)時的溫度變化波形，屬于動態(tài)波形模式識別問題。其中，遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)，通過全局搜索能力確定bp神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值，提高了單偶時序模型對粘結(jié)溫度波形模式的識別精度。并考慮到粘結(jié)v型撕裂口的二維傳播行為，在單偶時序模型的基礎(chǔ)上通過有效的邏輯規(guī)則建立了組偶空間模型，判斷相鄰熱電偶是否有粘結(jié)的傳播，提高了粘結(jié)性漏鋼的識別精度，尤其是可以減少實際生產(chǎn)過程中多個熱電偶故障或較大熱電偶溫度波動時的漏報和誤報警。

(2)通過本發(fā)明提出的混合模型，充分利用ga-bp神經(jīng)網(wǎng)絡(luò)在波形模式識別中的優(yōu)勢，并耦合有效的邏輯規(guī)則判斷，不僅實現(xiàn)了單偶和組偶的時空判斷，而且克服了單純邏輯判斷模型參數(shù)確定困難或不準(zhǔn)確以及單純智能模型缺乏工藝指導(dǎo)的不足，達(dá)到了較好的漏鋼預(yù)報性能，能及時準(zhǔn)確的報出全部粘結(jié)，避免粘結(jié)性漏鋼事故，并將誤報警頻率降至最低水平。

附圖說明

圖1為實施例1中結(jié)晶器銅板熱電偶布置示意圖，mm；

圖2為實施例1中基于混合模型的連鑄漏鋼預(yù)報方法的流程圖；

圖3為實施例1中粘結(jié)溫度模式；

圖4為實施例1中bp神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)過程示意圖；

圖5為實施例1中bp神經(jīng)網(wǎng)絡(luò)和ga-bp神經(jīng)網(wǎng)絡(luò)測試結(jié)果圖。

具體實施方式

本發(fā)明提出了一種混合模型及基于混合模型的連鑄漏鋼預(yù)報方法，旨在解決板坯連鑄過程中粘結(jié)性漏鋼這一技術(shù)難題。本發(fā)明主要基于鑄坯粘結(jié)時結(jié)晶器銅板內(nèi)熱電偶溫度的時空變化規(guī)律，首先采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)(即建立ga-bp神經(jīng)網(wǎng)絡(luò)模型)，建立單偶時序模型，識別粘結(jié)時單個熱電偶溫度隨時間變化的動態(tài)波形，然后采用邏輯規(guī)則建立組偶空間模型，判別縱向和橫向相鄰熱電偶是否有粘結(jié)溫度波形，識別粘結(jié)二維傳播行為，由此組成ga-bp神經(jīng)網(wǎng)絡(luò)和邏輯判斷混合模型。本發(fā)明中利用遺傳算法確定bp神經(jīng)網(wǎng)絡(luò)最佳權(quán)值和閾值，提高了單偶時序模型的識別精度。本發(fā)明提出的基于混合模型的連鑄漏鋼預(yù)報方法，能夠及時準(zhǔn)確地報出鑄坯全部粘結(jié)，避免粘結(jié)性漏鋼事故，并降低了粘結(jié)誤報的概率。

為進一步了解本發(fā)明的內(nèi)容，結(jié)合附圖和實施例對本發(fā)明作詳細(xì)描述。

實施例1

本實施例中的連鑄機采用高效板坯連鑄機，兩機兩流，板坯斷面為230×(900～2150)mm²，拉速為0.80～2.03m/min，采用組合式直結(jié)晶器，結(jié)晶器長度為900mm，結(jié)晶器寬度和厚度根據(jù)板坯斷面調(diào)整。如圖1所示，結(jié)晶器銅板內(nèi)埋設(shè)多排高密度熱電偶，固定側(cè)(外弧)和活動側(cè)(內(nèi)弧)寬面各安裝6行12列共72個熱電偶，左側(cè)和右側(cè)窄面各安裝6行2列共12個熱電偶，結(jié)晶器銅板內(nèi)總共安裝168個熱電偶。此連鑄機由于澆鑄鋼種范圍寬，且經(jīng)常澆鑄裂紋敏感性鋼種，澆鑄難度大，同時拉速較高，因此粘結(jié)性漏鋼問題非常突出，單流漏鋼率達(dá)到0.0392％，粘結(jié)性漏鋼占全部漏鋼的72％左右，是主要的漏鋼形式，所以降低粘結(jié)性漏鋼是降低漏鋼率的關(guān)鍵，而對粘結(jié)性漏鋼進行及時準(zhǔn)確地預(yù)報是降低粘結(jié)性漏鋼的可靠保障，采用本實施例的基于混合模型的連鑄漏鋼預(yù)報方法能夠達(dá)到上述目標(biāo)。

如圖2所示，本實施例的混合模型主要包括以下兩部分：基于ga-bp神經(jīng)網(wǎng)絡(luò)的單偶時序模型和基于邏輯判斷的組偶空間模型。

(1)、單偶時序模型；

單偶時序模型的構(gòu)建包括：模型輸入變量的確定、模型輸出變量的確定、數(shù)據(jù)的準(zhǔn)備和預(yù)處理、ga-bp神經(jīng)網(wǎng)絡(luò)的建立。模型輸入變量和模型輸出變量的選擇至關(guān)重要，直接影響該單偶時序模型的預(yù)測結(jié)果。根據(jù)歷史粘結(jié)或粘結(jié)性漏鋼實測樣本可知，粘結(jié)過程單個熱電偶在時間上的溫度異常變化在30秒左右，溫度采集周期為1秒，故選擇單個熱電偶時間上連續(xù)的30個溫度采樣點作為模型輸入變量(即選擇單個熱電偶在30個連續(xù)的溫度采集周期上的數(shù)據(jù)作為模型輸入變量)，能夠完全表征粘結(jié)過程單個熱電偶溫度變化的典型波形模式，粘結(jié)過程單個熱電偶溫度變化的典型波形模式簡稱為粘結(jié)溫度模式，具體如圖3所示。本實施例中，模型輸出變量是單個熱電偶粘結(jié)報警信號，模型輸出變量由30個溫度采樣點對應(yīng)的溫度變化波形模式與粘結(jié)溫度模式的接近程度決定；模型輸出變量為-1～2之間的數(shù)，當(dāng)30個溫度采樣點對應(yīng)的溫度變化波形模式與粘結(jié)溫度模式完全相同時，模型輸出變量標(biāo)記為1；當(dāng)30個溫度采樣點對應(yīng)的溫度變化曲線保持平穩(wěn)，即溫度變化完全正常時，模型輸出變量標(biāo)記為0。

數(shù)據(jù)的準(zhǔn)備和預(yù)處理如下，根據(jù)模型輸入變量和模型輸出變量，從粘結(jié)和正常情況等歷史數(shù)據(jù)中提取樣本，剔除不完整和明顯錯誤的溫度數(shù)據(jù)，共獲得611組有效樣本(有效樣本為611組單個熱電偶時間上連續(xù)的30個溫度采樣點)，611組有效樣本中有141組為粘結(jié)溫度模式樣本；采用公式(1)將上述611組有效樣本歸一化到[-1,1]之間，將以上歸一化后的樣本數(shù)據(jù)分為兩部分，其中選擇502組樣本數(shù)據(jù)用來訓(xùn)練模型，這502組樣本數(shù)據(jù)稱為訓(xùn)練樣本，訓(xùn)練樣本中有131組為粘結(jié)溫度模式樣本；剩下的109組樣本數(shù)據(jù)用來測試模型，這109組樣本數(shù)據(jù)稱為測試樣本，測試樣本中有30組為粘結(jié)溫度模式樣本。

式中，x'是歸一化后的樣本數(shù)據(jù)，x是歸一化前的樣本數(shù)據(jù)，xmax是歸一化前樣本數(shù)據(jù)的最大值，xmin是歸一化前樣本數(shù)據(jù)的最小值。

ga-bp神經(jīng)網(wǎng)絡(luò)的建立如下，由以上分析可知，bp神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)為30，代表單個熱電偶時間上連續(xù)的30個溫度采樣點(即模型輸入變量)；bp神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點數(shù)為1，輸出結(jié)果為單個熱電偶粘結(jié)報警信號(即模型輸出變量)，表示當(dāng)前熱電偶上30個采樣點對應(yīng)的溫度變化波形模式與粘結(jié)溫度模式接近程度。

在實際測試時，根據(jù)網(wǎng)絡(luò)訓(xùn)練的結(jié)果確定一個判別閾值范圍，當(dāng)模型輸出變量未超過預(yù)先設(shè)定的判別閾值范圍時就認(rèn)為檢測到粘結(jié)溫度模式。訓(xùn)練網(wǎng)絡(luò)采用3層bp網(wǎng)絡(luò)，隱含層激勵函數(shù)使用s型正切傳遞函數(shù)，輸出層使用線性傳遞函數(shù)，訓(xùn)練過程采用levenberg-marquardt(lm)優(yōu)化算法。經(jīng)過多次的嘗試，選定隱層節(jié)點數(shù)為12，得到結(jié)構(gòu)為30×12×1的bp神經(jīng)網(wǎng)絡(luò)模型，如圖4所示。bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程包括信息正向傳播和誤差反向傳播，根據(jù)所給訓(xùn)練樣本輸入和輸出向量不斷學(xué)習(xí)并調(diào)整神經(jīng)元之間的連接權(quán)值和閾值，使網(wǎng)絡(luò)不斷逼近樣本輸入和輸出之間的映射關(guān)系。bp神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)為2000，學(xué)習(xí)率為0.05，性能誤差為0.0001。

為提高bp神經(jīng)網(wǎng)絡(luò)的泛化能力，采用遺傳算法(ga)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)，基本步驟包括：①、種群初始化，對神經(jīng)網(wǎng)絡(luò)所有權(quán)值和閾值進行實數(shù)編碼，產(chǎn)生個體，設(shè)置種群規(guī)模和進化代數(shù)；②、計算每一個個體的適應(yīng)度函數(shù)，如公式(2)所示，以最小值為最優(yōu)；③、進行遺傳算法的選擇、交叉和變異操作，產(chǎn)生新一代個體種群；④、評價新一代種群，判斷進化代數(shù)是否達(dá)到要求或網(wǎng)絡(luò)誤差是否滿足條件，如果滿足得到當(dāng)前種群最優(yōu)適應(yīng)度值對應(yīng)個體，即對應(yīng)了最優(yōu)的bp神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。其中，遺傳算法種群規(guī)模設(shè)為50，交叉概率為0.7，變異概率為0.06，進化代數(shù)為200。利用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)，通過有效樣本的訓(xùn)練和測試后，得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于單偶時序模型對溫度變化模式的識別。

式中，n為網(wǎng)絡(luò)輸出層節(jié)點數(shù)；yi為bp第i個節(jié)點的實際輸出；y'i為第i個節(jié)點的期望輸出。

采用上述502組訓(xùn)練樣本，分別建立bp神經(jīng)網(wǎng)絡(luò)模型和ga-bp神經(jīng)網(wǎng)絡(luò)模型，并分別對上述109組測試樣本(其中30組為粘結(jié)溫度模式樣本)進行預(yù)測，預(yù)測結(jié)果見表1和圖5。由圖5可知，ga-bpnn模型(即ga-bp神經(jīng)網(wǎng)絡(luò)模型)的預(yù)測值和期望值接近程度較bpnn模型(即bp神經(jīng)網(wǎng)絡(luò)模型)高，說明ga優(yōu)化bp神經(jīng)網(wǎng)絡(luò)提高了網(wǎng)絡(luò)的泛化能力，同時從ga-bpnn模型對30組粘結(jié)溫度模式樣本的識別結(jié)果，也可確定單偶粘結(jié)溫度模式識別的閥值范圍為[0.6,1.3]較為合適。由表1可知，ga-bpnn模型較bpnn模型的識別精度高，也說明了通過遺傳算法(ga)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)改善了單偶時序模型對粘結(jié)溫度模式的識別效果。

表1單偶時序模型的識別精度

(2)、組偶空間模型；

如圖2所示，利用單偶時序模型對結(jié)晶器上所有熱電偶溫度隨時間變化模式進行識別后，輸出結(jié)果保存到三維數(shù)組y(i,j,t)，其表示第i行j列熱電偶在t時刻的單偶時序模型識別結(jié)果(報警信號)。這里預(yù)先設(shè)定的閥值范圍[θmin,θmax]由上述分析可知為[0.6,1.3]，當(dāng)y(i,j,t)在這個范圍內(nèi)時，認(rèn)為該熱電偶tc(i,j)溫度變化符合粘結(jié)溫度模式，標(biāo)記該熱電偶異常。那么則進行組偶空間模型的判斷，計算當(dāng)前熱電偶所在行和上一行異常熱電偶數(shù)目；具體為檢查第i行所有熱電偶的y(i,j,t)，統(tǒng)計在閥值范圍[θmin,θmax]內(nèi)的異常熱電偶數(shù)目為m，同時檢查第i行上一行(即第i-1行)所有熱電偶的y(i-1,j,t)，統(tǒng)計在閥值范圍[θmin,θmax]內(nèi)的異常熱電偶數(shù)目為n，其中i大于1。如果m和n均大于等于2，則需要檢查在過去10秒內(nèi)彎月面行(第一行)異常熱電偶數(shù)目是否大于等于2，如果滿足，則利用異常熱電偶總數(shù)(m+n)分別與粘結(jié)報警和粘結(jié)警告熱電偶數(shù)目閥值比較，進行粘結(jié)報警和粘結(jié)警告的判斷。由上可知，本實施例提出的組偶空間模型是在單偶時序模型的基礎(chǔ)上通過邏輯規(guī)則判斷相鄰熱電偶是否有粘結(jié)的傳播，大大提高了混合模型對連鑄漏鋼預(yù)報的可靠性。

本實施例的基于混合模型的連鑄漏鋼預(yù)報方法，包括如下步驟：①、在結(jié)晶器銅板內(nèi)布置多排高密度熱電偶，監(jiān)控結(jié)晶器溫度變化情況，并采集和存儲現(xiàn)場所有熱電偶溫度實時數(shù)據(jù)，保存到三維數(shù)組t(i,j,t)；②、將所有熱電偶溫度數(shù)據(jù)輸入單偶時序模型，在單偶時序模型中，每個熱電偶溫度的時間序列數(shù)據(jù)，經(jīng)過移位寄存器的變換和數(shù)據(jù)處理后，輸入ga-bp神經(jīng)網(wǎng)絡(luò)模型計算，判斷每個熱電偶溫度在時間序列上的變化是否符合粘結(jié)時的溫度變化波形，將判斷結(jié)果保存到三維數(shù)組y(i,j,t)中；③、如果y(i,j,t)在設(shè)定的閥值范圍[θmin,θmax]內(nèi)時，則認(rèn)為當(dāng)前熱電偶tc(i,j)溫度變化符合粘結(jié)溫度模式，標(biāo)記該熱電偶異常，那么則進行組偶空間模型的判斷，計算當(dāng)前熱電偶所在行和上一行異常熱電偶數(shù)目；④、將組偶空間模型輸出的異常熱電偶總數(shù)分別與粘結(jié)報警和粘結(jié)警告熱電偶數(shù)目閥值比較，進行粘結(jié)報警和粘結(jié)警告的判斷。其中，t(i,j,t)表示第i行j列熱電偶在t時刻的溫度值，y(i,j,t)表示第i行j列熱電偶在t時刻的單偶時序模型識別結(jié)果，反映了當(dāng)前熱電偶溫度變化模式與粘結(jié)溫度模式的接近程度。

本實施例中，組偶空間模型對連鑄現(xiàn)場97個爐次進行了測試(實際發(fā)生14次粘結(jié))，確定了最佳的粘結(jié)報警熱電偶數(shù)目閥值為6，粘結(jié)警告熱電偶數(shù)目閥值為3。并將測試結(jié)果與現(xiàn)行danieli系統(tǒng)漏鋼預(yù)報方法進行了比較，如表2所示。其中，報出率＝真報警次數(shù)/(漏報次數(shù)+真報警次數(shù))，預(yù)報準(zhǔn)確率＝真報警次數(shù)/(漏報次數(shù)+真報警次數(shù)+誤報次數(shù))。由表2可知，組偶空間模型可全部報出粘結(jié)，無漏報，并且誤報次數(shù)為1，預(yù)報準(zhǔn)確率達(dá)到93.33％，優(yōu)于現(xiàn)行danieli系統(tǒng)漏鋼預(yù)報方法。由此可知本實施例提出的基于混合模型的連鑄漏鋼預(yù)報方法達(dá)到了較好的漏鋼預(yù)報性能，可減少誤報和避免漏報，是一種有效的漏鋼預(yù)報方法。

表2組偶空間模型的測試結(jié)果

本發(fā)明考慮到人工智能技術(shù)在波形模式識別上的優(yōu)勢，以鑄坯粘結(jié)時結(jié)晶器銅板內(nèi)熱電偶溫度的時空變化規(guī)律為依據(jù)，采用ga-bp神經(jīng)網(wǎng)絡(luò)建立單偶時序模型，用來識別單個熱電偶溫度在時間序列上的變化是否符合粘結(jié)時的溫度變化波形，屬于動態(tài)波形模式識別問題。其中，遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)，通過全局搜索能力確定bp神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值，提高了單偶時序模型對粘結(jié)溫度波形模式的識別精度。并考慮到粘結(jié)v型撕裂口的二維傳播行為，在單偶時序模型的基礎(chǔ)上通過有效的邏輯規(guī)則建立了組偶空間模型，判斷相鄰熱電偶是否有粘結(jié)的傳播，提高了粘結(jié)性漏鋼的識別精度，尤其是可以減少實際生產(chǎn)過程中多個熱電偶故障或較大熱電偶溫度波動時的漏報和誤報警；通過本發(fā)明提出的混合模型，充分利用ga-bp神經(jīng)網(wǎng)絡(luò)在波形模式識別中的優(yōu)勢，并耦合有效的邏輯規(guī)則判斷，不僅實現(xiàn)了單偶和組偶的時空判斷，而且克服了單純邏輯判斷模型參數(shù)確定困難或不準(zhǔn)確以及單純智能模型缺乏工藝指導(dǎo)的不足，達(dá)到了較好的漏鋼預(yù)報性能，能及時準(zhǔn)確的報出全部粘結(jié)，避免粘結(jié)性漏鋼事故，并將誤報警頻率降至最低水平。

以上示意性的對本發(fā)明及其實施方式進行了描述，該描述沒有限制性，附圖中所示的也只是本發(fā)明的實施方式之一，實際的結(jié)構(gòu)并不局限于此。所以，如果本領(lǐng)域的普通技術(shù)人員受其啟示，在不脫離本發(fā)明創(chuàng)造宗旨的情況下，不經(jīng)創(chuàng)造性的設(shè)計出與該技術(shù)方案相似的結(jié)構(gòu)方式及實施例，均應(yīng)屬于本發(fā)明的保護范圍。