一种多状态结晶器的连铸漏钢预报方法与流程

1.本发明属于钢铁冶金连铸检测技术领域，具体涉及一种多状态结晶器的连铸漏钢预报方法。


背景技术：

2.随着我国现代化高效连铸技术的发展，各类表面缺陷和粘结性漏钢等异常逐渐成为影响生产顺行和产品质量的重要瓶颈。连铸漏钢是由于结晶器传热不均衡或混入保护渣团导致连铸坯壳局部过薄，拉出结晶器时破裂而发生的漏钢现象。在实际生产中，众多的漏钢事故中粘结性漏钢的发生频率最高，一般占各类型漏钢事故的70％左右。目前，避免粘结漏钢发生的手段一是改善浇铸工艺，从源头上主动预防粘结的发生；二是开发有效的坯壳和结晶器铜板粘结的检测和判定方法，尽早地识别粘结行为，并采取有效控制措施避免漏钢。粘结性漏钢作为主要漏钢形式，研究并解决粘结性漏钢对保证连铸生产顺行和提高铸坯质量具有重要意义。
3.目前，最有效的粘结性漏钢预报方法是依据热电偶测得的连铸结晶器温度变化特征进行监测和预报，利用埋设在结晶器铜板内的热电偶来检测铜板局部区域温度是否有异常变化，变化趋势是否符合粘结性漏钢的特征，能够在铸坯与铜板发生粘结时，破裂口拉出结晶器下端之前进行报警进而采取措施防止连铸漏钢事故的发生。基于热电偶测温的连铸漏钢预报方法主要包括逻辑判断模型和人工智能模型。基于逻辑判断的连铸漏钢预报方法，有效地避免了连铸漏钢事故的发生，但随着拉坯速度的不断提高，这种预报方法所发生的误报和漏报的次数明显地增加，制约着高效连铸技术的发展。后期将人工智能算法引入到连铸漏钢预报系统中，由于其具有很强的自适应性、自学习能力、容错性和鲁棒性，能更好的处理复杂的非线性问题，可进一步提高漏钢预报的准确性，已成为目前的研究热点。
4.采用人工智能算法对粘结性漏钢进行预报的方法，主要利用了神经网络在识别单个热电偶的温度变化是否符合粘结温度特征上的独特优势，但目前以神经网络模型为基础的连铸漏钢预报方法并没有考虑到结晶器内不同的热电偶排布状态下的可移植性和适应能力，以及单个热电偶的异常温度特征在时间维度上的依赖关系，忽略了板坯拉速等工艺因素对温度特征的影响，减慢了神经网络模型预报的速度，降低了神经网络模型的预测精度。


技术实现要素：

5.针对现有结晶器漏钢预报方法的不足，本发明提出了一种多状态结晶器的连铸漏钢预报方法，目的在于利用单只热电偶时间序列数据的特点，结合发生粘结漏钢时热电偶的温度特征，通过构建时间卷积网络(tcn)来实现对异常温度特征的时间依赖关系建模的目的，同时考虑板坯拉速的影响，进行单偶异常特征的综合识别，并针对多状态结晶器内不同的热电偶排列构建动态空间模块对多偶时滞特征进行建模，最终实现对粘结性漏钢的预报，提高漏钢预报的实时性和准确性。
6.为了实现上述目的，本发明所采用的技术方案是：一种多状态结晶器的连铸漏钢预报方法，包括：首先获取结晶器铜板中热电偶的部署位置及排列编号，采集和存储现场所有热电偶温度和板坯拉速的实时数据；对得到的数据进行处理后，将单个热电偶的温度时间序列数据输入到时间卷积网络，同时将板坯拉速时间序列数据输入到全连接神经网络；结合输出的两个高维特征进行单偶粘结温度特征的识别，将识别结果输入构建的动态空间模块，再通过逻辑判断的方式对多偶时滞特征进行分析得到最终的漏钢预报结果。
7.进一步地，所述预报方法，具体按以下步骤依次进行：
8.步骤1：获取多状态结晶器铜板中热电偶的部署位置及排列编号，采集和存储现场所有热电偶温度和板坯拉速的实时数据作为时间序列数据；
9.步骤2：将得到的时间序列数据进行清洗和处理；
10.步骤3：将处理后的热电偶温度时间序列数据输入到单偶时序模块，所述单偶时序模块基于时间卷积网络及全连接网络构建而成，热电偶温度时间序列数据输入到单偶时序模块中的时间卷积网络，对热电偶温度特征进行提取，得到高维温度特征；
11.步骤4：将处理后的板坯拉速时间序列数据输入到单偶时序模块中的全连接网络，对板坯拉速这一外部特征进行处理，并结合时间卷积网络提取出的高维温度特征进行单偶粘结性漏钢特征的识别；
12.步骤5：将多状态结晶器各个热电偶的识别结果输入到动态空间模块，根据粘结漏钢的二维传播行为特征，在动态空间模块中对多偶的空间时滞特征进行识别；对于当前时刻所有符合粘结特征的热电偶，计算当前热电偶的上一行处于撕裂口附近的异常热电偶数目，将异常热电偶总数与粘结报警热电偶数目阈值进行比较，进行粘结漏钢报警的判断。
13.进一步地，所述步骤2具体包括：对热电偶温度时间序列数据进行清洗，处理热电偶采集的异常数据，对于存在缺失的数据使用线性插值的方法进行填充，计算公式见如下：
[0014][0015]
其中，y
t
表示热电偶获取的当前时刻的温度值，x
t-1
表示上一时刻，y
t-1
表示热电偶获取的x
t-1
时刻的温度值，x
t 1
表示下一时刻，y
t 1
表示热电偶获取的x
t 1
时刻的温度值。
[0016]
进一步地，所述步骤2还包括：对连续n个时刻的热电偶温度、板坯拉速相应采样点时间序列数据进行归一化处理。
[0017]
进一步地，所述步骤3中的单偶时序模块的构建方法包括：建立时间卷积网络、全连接神经网络以及单偶时序模块输出层的设计；时间卷积网络的卷积层输入节点数为40，代表输入变量长度，输出节点数为1，其中膨胀基数为2、卷积核大小为3，为了保证完全的接收野覆盖，确定卷积层数为5；全连接神经网络输入层节点数为40，输出层节点数为1，代表输出变量；训练网络采用3层bp网络，隐含层激励函数使用sigmoid函数，输出使用线性传递函数，选定隐含层节点数为12，得到结构为40
×
12
×
1的全连接神经网络；单偶时序模块输出层使用结构为2
×
1的全连接神经网络构建得到。
[0018]
进一步地，所述步骤3中通过门控的方式，对热电偶温度特征进行提取得到高维的温度特征。
[0019]
进一步地，所述步骤5中动态空间模块由动态二维数组a(i,j)构成，其中，a(i,j)表示编号为i的热电偶在j时刻的识别结果。
[0020]
进一步地，所述步骤5还包括：根据多状态结晶器在铜板内的排列结构及编号，选择出从第二排开始的各个热电偶撕裂口附近的热电偶编号，用于统计异常热电偶数目，进行空间传播特征的判断。
[0021]
与现有技术相比，本发明的有益效果为：
[0022]
本发明结合热电偶温度时序数据的特点，通过时间卷积网络对结晶器内部各个热电偶温度在时间维度上的变化进行特征识别，这种方式能更好的对温度的时间依赖关系进行建模，与传统处理时间序列使用循环神经网络不同，本发明通过门控的方式与时间卷积网络结合来有效缓解训练过程中出现的梯度消失与爆炸现象。本发明还考虑了板坯拉速这一外部特征，更精准的对粘结特征进行判断，提高了漏钢预报的准确度。此外，在多状态结晶器内不同的热电偶排列结构情况下，本发明均可以实现连铸漏钢的精准预报，具有很强的可移植性和实用性。
附图说明
[0023]
图1本发明的多状态结晶器的连铸漏钢预报方法的流程图；
[0024]
图2本发明的单偶时序模块结构示意图。
[0025]
图3本发明实施例中的结晶器铜板热电偶布置示意图；
[0026]
图4本发明实施例中的粘结漏钢温度数据；
[0027]
图5本发明实施例中的v型撕裂口示意图。
具体实施方式
[0028]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0029]
本发明提供一种多状态结晶器的连铸漏钢预报方法，如图1所示，具体按以下步骤依次进行：
[0030]
步骤1：获取多状态结晶器铜板中热电偶的部署位置及排列编号，采集和存储现场所有热电偶温度和板坯拉速的实时数据作为时间序列数据；
[0031]
步骤2：对热电偶温度时间序列数据进行清洗，处理热电偶采集的异常数据，对于存在缺失的数据使用线性插值的方法进行填充；并对连续n个时刻的热电偶温度、板坯拉速相应采样点时间序列数据进行归一化处理。
[0032]
步骤3：将处理后的热电偶温度时间序列数据输入到单偶时序模块，所述单偶时序模块基于时间卷积网络及全连接网络构建而成，热电偶温度时间序列数据输入到单偶时序模块中的时间卷积网络，对热电偶温度特征进行提取，得到高维温度特征；与传统处理时间序列使用循环神经网络不同，本发明通过门控的方式与时间卷积网络结合来有效缓解训练过程中出现的梯度消失与爆炸现象。
[0033]
步骤4：将处理后的拉速数据输入到单偶时序模块中的全连接网络，对拉速这一外部特征进行处理，并结合时间卷积网络提取出的高维温度特征进行单偶粘结性漏钢特征的识别；
[0034]
步骤5：将多状态结晶器各个热电偶的识别结果输入到动态空间模块，根据粘结漏
钢的二维传播行为特征，在动态空间模块中对多偶的空间时滞特征进行识别；对于当前时刻所有符合粘结特征的热电偶，计算当前热电偶的上一行处于撕裂口附近的异常热电偶数目，将异常热电偶总数与粘结报警热电偶数目阈值进行比较，进行粘结漏钢报警的判断。
[0035]
其中，步骤3中的单偶时序模块的构建方法包括：建立时间卷积网络、全连接神经网络以及单偶时序模块输出层的设计；时间卷积网络的卷积层输入节点数为40，代表输入变量长度，输出节点数为1，其中膨胀基数为2、卷积核大小为3，为了保证完全的接收野覆盖，确定卷积层数为5；全连接神经网络输入层节点数为40，输出层节点数为1，代表输出变量；训练网络采用3层bp网络，隐含层激励函数使用sigmoid函数，输出使用线性传递函数，选定隐含层节点数为12，得到结构为40
×
12
×
1的全连接神经网络；单偶时序模块输出层使用简单的结构为2
×
1的全连接神经网络构建得到，其中单偶时序模块示意图如图2所示。
[0036]
其中，步骤5中动态空间模块由动态二维数组a(i,j)构成，其中，a(i,j)表示编号为i的热电偶在j时刻的识别结果；步骤5中通过观察发生粘结性漏钢时热电偶温度在空间上的典型传播特征，发现结晶器内断裂口附近的几个热电偶都在不同时间具有相同的温度变化，即先出现温度上升趋势，当断裂口由于铸坯的下移而下移时这些热电偶的温度一般呈下降趋势；根据多状态结晶器在铜板内的排列结构及编号，选择出从第二排开始的各个热电偶撕裂口附近的热电偶编号，用于统计异常热电偶数目，进行空间传播特征的判断。
[0037]
实施例
[0038]
如图1所示，一种多状态结晶器的连铸漏钢预报方法，按如下步骤依次进行：
[0039]
步骤1：本发明使用的连铸机为高效板坯连铸机，结晶器铜板内埋设多排高密度热电偶，外弧和内弧宽面各安装3行10列共30个热电偶，左侧和右侧窄面各安装3行2列共6个热电偶，共有72个热电偶部署在该结晶器内，热电偶布置展开示意图如图3所示。利用结晶器铜板内的热电偶实时监测温度变化，数据采样时间间隔为1s，获取每隔一个采样周期的热电偶温度、板坯拉速信息。
[0040]
步骤2：将获取到的温度序列数据进行清洗和处理，观察获取到的数据中的异常值和缺失值，该情况一般是因为热电偶存在故障不正常工作导致的。对于存在缺失的数据使用公式(1)所述的线性插值方法进行填充。通过观察发生粘结性漏钢时刻单个热电偶随时间变化的温度曲线(℃-s)，如图4所示，每个典型的异常温度特征稳定在40个采样点附近，故截取包含当前时刻温度在内的连续40个时刻的温度数据，并采用公式(2)进行数据的归一化处理：
[0041][0042][0043]
式中，y
t
表示热电偶获取的当前时刻的温度值，x
t-1
表示上一时刻，y
t-1
表示热电偶获取的x
t-1
时刻的温度值，x
t 1
表示下一时刻，y
t 1
表示热电偶获取的x
t 1
时刻的温度值。
[0044]
x
′
是归一化后的样本数据，x是归一化前的样本数据，xmax是归一化前样本数据的最大值，xmin是归一化前样本数据的最小值。
[0045]
步骤3：将处理后的热电偶温度时间序列数据输入到单偶时序模块的时间卷积网络中，对热电偶温度特征进行提取得到高维温度特征，并通过门控的方式得到最终结果，门
控时间卷积网络的公式如下：
[0046]
z＝ρ(w
f，t
*x b
t
) σ(w
f，k
*x bk)#(3)
[0047]
其中w
f，t
与w
f，k
为可学习的参数，b
t
与bk为偏置，x为输入的温度序列数据，ρ与σ分别为tanh激活函数与sigmoid激活函数，z为其提取的高维温度特征。
[0048]
步骤4：板坯拉速时间序列数据同样采用公式(2)进行归一化处理，将处理后的板坯拉速时间序列数据这一外部特征数据输入到单偶时序模块的全连接神经网络中，将输出与时间卷积网络输出的高维温度特征拼接，输入到输出层进行单偶粘结性漏钢特征的识别；这里选定单偶时序模块输出结果的判定阈值为0.5，如果输出结果大于等于0.5，认为该热电偶时序数据变化符合粘结特征，标记异常热电偶输出为1，否则标记正常情况的热电偶输出为0。
[0049]
步骤5：将单偶粘结温度特征的识别结果输入构建的动态空间模块，该模块由动态二维数组a(i,j)构成,其中，a(i,j)表示编号为i的热电偶在j时刻的识别结果，在该实施例中数组时间维度长度设置为6。根据漏钢发生时空间维度上的典型传播特征，将撕裂口附近的热电偶根据分布情况称为v型撕裂口，由上排相邻三个热电偶的与下排中间热电偶共同组成，分布示意图如图5。根据热电偶在结晶器铜板内的分布结构及编号，对于第二排和第三排的各个热电偶分别筛选构成其v型撕裂口的热电偶编号用于逻辑判断。然后检查动态空间模块中最新存入的各热电偶温度变化特征的识别结果，根据粘结撕裂口的二维传播行为特征，对于每个输出结果标记为1的热电偶，判断其v型撕裂口内的热电偶在过去6s内单偶时间模块的输出结果并统计异常热电偶数目m，将异常热电偶总数m与粘结报警热电偶数目阀值比较，这里粘结报警阈值设置为2，最终当m≥2时进行报警。
[0050]
综上所述，基于时间卷积网络的结晶器漏钢预报方法能够利用时间序列数据的特点对粘结温度特征精准识别的基础上对拉速特征的相关性进行建模，最后通过正确的逻辑判断对空间传播特征进行识别，同时能够适应不同的结晶器结构，更精准的对漏钢情况进行预报。
[0051]
以上技术方案阐述了本发明的技术思路，不能以此限定本发明的保护范围，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上技术方案所作的任何改动及修饰，均属于本发明技术方案的保护范围。