摘 要:漏钢预报是冶金连铸生产过程中的关键环节,需要非常可靠的安全性。提出的二值数据窗前置处理法,不但实现了数据的归一化,而且利用数据窗技术只需截取发生漏钢时温度变化异常的8 个采样点,这样大大减少了网络的输入个数,提高了网络运算速度。实际应用表明,该系统可直接用于生产现场,具有预报速度快、精度高、鲁棒性能好等优点,有着广泛的应用前景。
关键词:连铸漏钢预报 二值数据窗
引言
在连铸生产过程中所发生的各类事故中,损害最严重的便是漏钢事故。漏钢是指连铸过程中凝固坯壳出结晶器后,坯壳抵挡不住钢水静压力和拉坯力的作用,在薄弱处发生断裂而使钢水流出。漏钢危及人身安全、损坏设备,甚至使生产被迫中断,影响铸机的产量和产品质量。据国外文献报道,如果把对连铸机的损坏考虑在内,一次典型的漏钢事故所造成的损失可能接近20万美元。上世纪80年代,国外各大钢铁公司的连铸生产线均安装了漏钢预报系统,在防止漏钢和改善钢坯质量上发挥了重要的作用。然而,我国的漏钢预报技术发展缓慢,无论是引进的系统还是自行开发的系统都存在一个完善的过程,漏钢仍然是一个困扰我国连铸生产的难题。
针对上述情况,研究开发了一套连铸漏钢智能预报系统。实际应用表明,该系统可直接用于生产现场,具有预报速度快、精度高、鲁棒性能好等优点,有着广泛的应用前景。
1 漏钢预报系统
1.1 系统结构
如图 1 所示,首先,对在单个热电偶上获得的15 个采样周期的温度数据序列进行数据前处理,删除受到严重干扰的不良数据;接着通过二值数据窗前置处理器对温度数据归一化,并仅仅提取发生漏钢时出现异常的几个采样周期。这样,既简化了样本数据个数,又减少了预报模型的输入个数,提高了训练速度。 (图片)
图1 系统结构图 由于基于减法聚类的模糊神经网络预报模型已经离线训练完成,此时,数据经过预报模型的学习后,得到了一个介于0~1 之间的漏钢危险程度值,再经过横向网络和纵向网络的评判,就能得到在空间上传播的漏钢危险程度值。
工人们长期以来已经积累了大量的经验知识,仅仅依靠设备及工艺参数就可以判断出漏钢发生的可能性。因此,将上述得到的漏钢危险程度值与设备及工艺参数的经验知识相结合,通过综合决策器的分析与决策,最终给出漏钢危险程度值,并进行报警或采取相应的操作(比如降低拉速)。
1.2 系统流程图
系统流程如图2 所示。(图片) 1.3 系统设计与实现
1.3.1 开发环境
本系统中,采用微软的Access 办公自动化组件管理数据库;采用简单、实用、编程方便的VB 软件进行界面的设计、数据库的调用、图形的显示等;采用强大的MATLAB 软件对基于减法聚类的模糊神经网络进行编程,并离线训练单偶、多偶网络的预报模型。
1.3.2 总体框图
系统总体框图如图3 所示。(图片) 1.3.3 系统部分界面
① 主界面
系统以直观清晰的动画界面再现了连铸的生产过程。图4 中标出了各个部位的名称,比如钢包、中间包、结晶器等。(图片) ② 处理计算
该模块在系统后台运行。当点击“数据处理”按钮后,首先对单个热电偶上获得的15 个采样周期的温度数据序列进行数据前处理,剔除掉受到严重干扰的不良数据;接着通过二值数据窗前置处理器对温度数据归一化,并仅仅提取发生漏钢时出现异常的几个采样周期。这样,既简化了样本数据个数,又减少了预报模型的输入个数,提高了训练速度。
③ 图像显示
通过热像图可以全面地反映结晶器内坯壳的凝固过程,实时检测各种临界状态。使结晶器透明,实时调整操作,减少事故发生。
2 评估结果
下面通过现场采集到的一些温度数据样本对连铸漏钢智能预报系统的预报精度进行评估。评估样本包括15条粘结报警样本和20 条正常样本。评估结果如图5 所示。(图片) 图 5 中,“○”表示评估样本的期望输出,“●”表示预报结果的实际输出。从图中可看出,模型的拟合能力很强,预报系统的预报精度很高。
技术性能指标定义如下:
预报率=正确次数/(正确次数+误报次数+漏报次数)× 100%
报出率=正确次数/(正确次数+漏报次数)× 100%
经过评估后,该预报系统报警16 次,误报1 次,无漏报。预报率为97.14%,报出率为100%。最后,将上述35 组数据依次采用逻辑预报、RBF 神经网络、模糊RBF 神经网络进行系统模型的评估,得出的预报性能指标与本文中提出的基于减法聚类的模糊神经网络模型预报性能指标比较,结果如表1 所示。(图片) 3 结束语
① 漏钢预报系统能够很好地对漏钢现象进行预报。
② 仿真结果表明:基于减法聚类的模糊神经网络预报模型能够在保证报出率为100%的基础上,进一步提高预报率至97.14%,其预报精度与速度要远远高于逻辑预报模型;
③ 如能将该系统应用到实际现场中,既有效防止了漏钢事故的发生,减少了设备和人身的伤害,又降低了部件损耗,为实现节能降耗创造了条件,同时还可以保证生产均衡组织,提高作业率,获取巨大的经济效益,也提高了连铸机的自动化控制水平。
参考文献
1 王唯一, 荣亦程, 龚幼民, 等. 基于神经模糊技术的漏钢诊断预报模型的研究[J]. 自动化仪表, 2001, 22 (10): 12-14.
2 郭戈, 乔俊飞, 王伟, 等. 基于模糊神经网络的一种漏钢预报方法[J]. 控制理论与应用, 1998, 15 (4): 593-598.
3 Bellom O M. Neural Network Utilization for Breakout Monitoring[J].Steelmaking Conference Proceedings. 1995, 78: 345-348.
4 张剑辉, 彭力, 林行辛, 等. 漏钢预报系统中数据处理方法的研究[J]. 河北理工学院学报, 2005, 4.
5 张剑辉, 杨树亮, 林行辛, 等. 基于自适应模糊神经网络的漏钢预报模型的研究[C]. 中国仪器仪表学会测控技术与节能环保学术会议论文集, 2005.
6 张剑辉, 彭力, 林行辛, 等. 一种新的综合型漏钢预报专家系统的研究[C]. 中国控制与决策学术年会论文集. 沈阳: 东北大学出版社, 2004.
12/31/2010
|