CN101850410B - 一种基于神经网络的连铸漏钢预报方法 - Google Patents
一种基于神经网络的连铸漏钢预报方法 Download PDFInfo
- Publication number
- CN101850410B CN101850410B CN 201010207115 CN201010207115A CN101850410B CN 101850410 B CN101850410 B CN 101850410B CN 201010207115 CN201010207115 CN 201010207115 CN 201010207115 A CN201010207115 A CN 201010207115A CN 101850410 B CN101850410 B CN 101850410B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- layer
- msub
- breakout prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000009749 continuous casting Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims description 81
- 239000013598 vector Substances 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000008929 regeneration Effects 0.000 claims description 4
- 238000011069 regeneration method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 18
- 229910000831 Steel Inorganic materials 0.000 description 10
- 239000010959 steel Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 238000005266 casting Methods 0.000 description 5
- 238000010187 selection method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
Images
Landscapes
- Continuous Casting (AREA)
Abstract
本发明公开了一种基于神经网络的连铸漏钢预报方法,该方法包括:步骤1:在线采集连铸现场热电偶的温度数据并存储该温度数据;步骤2:对所述温度数据进行预处理;步骤3:将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型,并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较,如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值,则预报漏钢会发生;其特征在于,使用遗传算法来初始化该单偶时序网络漏钢预报模型的连接权值和阈值。该方法能够提高对连铸黏结漏钢过程的识别效果和预报精度,从而很大程度减少了误报率和漏报率。
Description
技术领域
本发明涉及冶金铸造领域,特别地涉及一种基于神经网络的连铸漏钢预报方法。
背景技术
漏钢是指连铸初期或浇注过程中,铸坯坯壳凝固情况不好或因其他外力作用引起坯壳断裂或破漏使内部钢水流出的现象。漏钢是连铸生产过程中危害性最大的生产事故之一,其不仅直接影响连铸生产顺行,而且严重损害结晶器、辊道等设备,增加维修量和维修成本,造成巨大的经济损失,更存在巨大的安全隐患。在各种原因造成的漏钢事故中黏结性漏钢约占漏钢总次数的65%~80%,因此减少黏结性漏钢成为降低连铸漏钢率的有效方法。
目前国内外几乎所有漏钢预报***主要为在热电偶测温法的基础上,通过应用逻辑判断法和神经网络法对连铸黏结性漏钢进行预报。其中,神经网络法相对于逻辑判断法具有较好的自适应能力和容错能力,且其性能随时间的增长不断提高,因此成为漏钢诊断预报的发展趋势。但在实际应用中,神经网络也暴露了一些自身固有的缺陷:权值的初始化是随机的,易陷入局部极小;学习过程中隐含层的神经元个数和其他参数的选择只能根据经验和实验来选择;收敛时间过长、鲁棒性差等,从而导致漏钢预报精度低、误报频繁及漏报等情况。
发明内容
为解决现有的连铸漏钢预报方法中存在的漏钢预报精度低的问题,本发明的目的是提供一种提高预报精度、降低误报率和漏报率的基于神经网络的连铸漏钢预报方法。
为实现上述问题,本发明提供一种基于神经网络的连铸漏钢预报方法,包括:步骤1:在线采集连铸现场热电偶的温度数据并存储该温度数据;步骤2:对所述温度数据进行预处理;步骤3:将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型,并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较,如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值,则预报漏钢会发生,所述单偶时序网络漏钢预报模型基于BP神经网络被建立,并对该单偶时序网络漏钢预报模型进行学习;其中,所述对该单偶时序网络漏钢预报模型进行学习包括使用遗传算法来初始化所述单偶时序网络漏钢预报模型的连接权值和阈值的步骤。
本发明提供的连铸漏钢预报方法,通过遗传算法优化基于BP神经网络的单偶时序网络漏钢预报模型的初始连接权值和阈值,不仅提高了运算速度,而且明显提高了单偶时序网络漏钢预报模型对连铸黏结漏钢过程中典型温度模式的识别效果和预报精度,从而很大程度减少了误报率和漏报率。
附图说明
图1是根据本发明的实施方式提供的基于神经网络的连铸漏钢预报方法的流程图;
图2是热电偶在结晶器上分布的展开示意图;
图3是示出了结晶器壁的结构以及热电偶的安装位置的示意图;
图4是描述了单偶时序网络漏钢预报模型的示意图;
图5示出了对连接权值和阈值进行实数编码的示例;
图6是描述了单偶时序网络漏钢预报模型与组偶网络漏钢预报模型的组合的示意图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
如图1所示,根据本发明的一个实施方式,基于神经网络的连铸漏钢预报方法可以包括:
步骤1:在线采集连铸现场热电偶的温度数据并存储该温度数据。如图2-3所示,连铸机结晶器上安装有成矩阵排列的多个热电偶,例如图2中示例性示出了在结晶器的两个宽侧面(包括固定侧和活动侧)上分别安装有6排7列、两个窄侧面上分别安装有7排2列且分布均匀的热电偶,这样共112个热电偶覆盖整个结晶器铜板,可以实现全结晶器壁的温度检测。热电偶的测量范围可以为0-1250℃,这些热电偶通过一组多芯转接器连接到工控机的I/O单元,由此可以将热电偶检测到的温度数据传送给工控机,工控机可以是本领域技术人员公知的装置,例如计算机、PLC、DSP芯片等。根据漏钢时的温度突变过程所持续的时间可以合理设定温度采样周期。例如根据历史漏钢报警数据的分析,发现漏钢时的温度突变过程大约为30s,通过综合考虑神经网络的规模和灵敏性,可以确定温度采样周期为2s,这样可以设定从某个热电偶上连续采集的15个温度数据为一组温度数据。当然也可以确定其它的温度采样周期,例如1s,3s等,这样一组温度数据中温度数据的个数相应地分别为30个和10个。
步骤2:对温度数据进行预处理。该预处理包括不良数据处理和数据标准化处理过程。不良数据处理过程:通常情况下,在不发生漏钢时相邻时刻的采样温度变化幅度不会超过15%;发生漏钢时,即时温度变化明显但相邻时刻的采样温度变化也不会超过30%。因此,将当前时刻的采样温度与前一时刻的采样温度进行比较,如果当前时刻的采样温度与前一时刻的采样温度相差太大时,则用该前一时刻的采样温度替代当前时刻的采样温度,具体可以由公式(1)来表示:
其中tn表示当前时刻的采样温度,tn-1表示前一时刻的采样温度,β根据连铸现场的具体情况而定,一般可以为但不仅限于20%-40%,优选可以为30%。
数据标准化处理过程:为了消除不同拉速以及温度数量级对神经网络的影响以及减少神经网络学***台现象出现的可能性,需要对采集到的温度数据进行归一化处理,具体计算公式如下:
其中,表示原始采样温度序列,表示归一化处理后的采样温度,n0表示原始采样温度的个数,在本发明的一个实施方式中,可以取n0=70,λ为温度测量序列的稳定阙值,λ的取值可以通过对漏钢板坯连铸机采集的历史温度数据进行分析来确定,该历史温度数据可以是在之前的连铸过程中采集热电偶的温度数据,并已知连铸过程的状态(即是否发生漏钢),存储这些温度数据作为历史温度数据用于之后的分析以及用作基于神经网络的漏钢预报模型学习的温度样本数据。在本发明的该实施方式中,λ可以例如为25℃。
步骤3:将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型,并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较,如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值,则预报漏钢会发生;其中所述单偶时序网络漏钢预报模型基于BP神经网络被建立,并对该单偶时序网络漏钢预报模型进行学习。如图3所示,基于BP神经网络的单偶时序网络漏钢预报模型包含输入层、输出层以及处于输入层与输出层之间的一个或多个隐含层,每层包括一个或多个神经元。其中BP是Back Propagation的缩写,表示多层前馈网络的误差反向传播算法。如图1所示,单偶时序网络漏钢预报模型包括Q+1个层,Q为大于1的整数,规定第0层为输入层,第Q层为输出层,第0层与第Q层之间的层为隐含层,n0表示输入层的神经元的个数,n0表示输出层的神经元的个数,设第q(q=1,2,…,Q)层的神经元个数为nq,其前一层第q-1层的神经元个数为nq-1,第q-1层的第j个神经元到第q层的第i个神经元的连接权值为为第q层的第i个神经元的阈值(i=1,2,…,nq;j=1,2,…,nq-1)。模型的学习需要输入温度样本数据,在本发明的实施方式中,样本数据可以选择上述历史温度数据。例如,在连铸过程中按一定采样周期(例如2s)采集热电偶的温度数据,并对采集的温度数据进行现场分析以得到温度数据对应的期望结果(例如下文将提及的与温度序列样本向量对应的期望输出向量)。该温度数据构成温度样本数据集,并存储温度样本数据集。所述温度样本数据集以及对应的期望结果可以通过有限次的在线采集连铸现场热电偶的温度数据并利用本领域技术人员公知的分析方法得到与之对应的期望结果。例如,假如发现漏钢时的温度突变过程大约为30s,温度采样周期为2s,则可以在连铸过程中现场采集热电偶的温度,将采集的温度序列划分成每组30/2=15个温度数据的若干组,每组即为温度序列样本向量,通过现场分析可以得到与该组对应的期望结果,例如,如果在采集该组温度数据时发生漏钢,则期望结果可以用概率值1表示,如果没有发生漏钢,则可以用概率值0来表示。本领域技术人员应当理解,以上只是举例并非限定,温度样本数据集及其对应的期望结果的确定可以使用本领域技术人员公知的其它方法来实现。
单偶时序网络漏钢预报模型的学习包括:
(b)从温度样本数据集中选择经过上述数据预处理过程的P组温度序列样本向量并将该P组样本向量以及与其对应的期望输出向量提供给单偶时序网络漏钢预报模型,其中P为正整数,p为1-P的整数,表示提供给输入层的第p组温度序列样本值,表示提供给输入层第一个神经元的第p组温度序列样本值中的一个样本值,表示提供给输入层第二个神经元的第p组温度序列样本值中的一个样本值,依此类推,表示提供给输入层第n0个神经元的第p组温度序列样本值中的一个样本值,表示与对应的在输出层中的期望输出向量,其中dp1表示输出层第一个神经元的期望输出值,dp2表示输出层第二个神经元的期望输出值,表示输出层第nQ个神经元的期望输出值;这里输入层神经元的个数n0等于每组样本向量中的样本值的数量,输出层的神经元个数nQ等于对应的每组期望输出向量中的期望值的个数;温度序列样本向量组数P的选择越大,学习效果越理想,但也会增加计算负担。因此组数P的选择根据提高学习效果与降低计算负担之间的权重来确定,在本发明的实施方式中,P可以为30。
在公式(3)和公式(4)中,表示输入层中第p组温度序列样本值在第q层的第i个神经元的激活值,表示输入层中第p组温度序列样本值在第q-1层的第j个神经元的实际输出值,表示输入层中第p组温度序列样本值在第q层的第i个神经元的实际输出值,其中q为1到Q的整数;
(d)根据公式(5)计算单偶时序网络漏钢预报模型的期望输出与实际输出的全局误差E:
其中,
其中,表示输入层中第p组温度序列样本值在第Q层(即输出层)的第i(i=1,2,…nQ)个神经元的实际输出值,Ep表示第p组温度序列样本的网络期望输出与实际输出的误差;
(e)判断上述全局误差E是否小于限定值εBP,如果E不小于εBP,则调整连接权值和阈值直到E小于限定值εBP或学习次数H大于终止次数HBP。限定值εBP的取值与单偶时序网络漏钢预报模型的学习准确度有关,要求的学习准确度越高,εBP越小;反之,εBP越大。
由于, 公式(6)
对于第Q层(输出层)有
在公式(7)中, 公式(8)
其中,表示输入层中第p组温度序列样本值在第Q层(输出层)的第i(i=1,2,…,nQ)个神经元的激活值,表示输入层中第p组温度序列样本值在第Q-1层的第j(j=1,2,…,nQ-1)个神经元的实际输出值,表示输入层中第p组温度序列样本值在第Q层(输出层)的第i(i=1,2,…,nQ)个神经元的误差梯度;
对于第Q-1层有
其中,
式中,表示第Q-2层的第j(j=1,2,…,nQ-2)个神经元输入到第Q-1层的第i(i=1,2,…,nQ-1)个神经元的连接权值,表示输入层中第p组温度序列样本值在第Q-1层的第i(i=1,2,…,nQ-1)个神经元的实际输出值,表示输入层中第p组温度序列样本值在第Q层(输出层)的第k(k=1,2,…,nQ)个神经元的激活值,表示输入层中第p组温度序列样本值在第Q-1层的第i(i=1,2,…,nQ-1)个神经元的激活值,表示第Q-1层的第i(i=1,2,…,nQ-1)个神经元输入到第Q层(输出层)的第k(k=1,2,…,nQ)个神经元的连接权值,表示输入层中第p组温度序列样本值在第Q-2层的第i(i=1,2,…,nQ-2)个神经元的实际输出值,表示输入层的第p组温度序列样本值在第Q层(输出层)的第k(k=1,2,…,NQ)个神经元的误差梯度,表示输入层中第p组温度序列样本值在第Q-1层的第i(i=1,2,…,nQ-1)个神经元的误差梯度。
得出单偶时序网络漏钢预报模型的权值学习算法如下:
i=1,2,…,nq j=1,2,…,nq-1
公式(12)中,H表示学习次数,α(α>0)称为学习率,表示输入层中第p组温度序列样本值在第q+1层的第k(k=1,2,…,nq+1)个神经元的误差梯度,表示第q层第i(i=1,2,…,nq)个神经元输入到第q+1层的第k(k=1,2,…,nq+1)个神经元的连接权系数,学习终止次数HBP以及学习率α(α>0)的选择根据对单偶时序网络漏钢预报模型学习的准确度需求而合适选择;
对于第Q-1层有:
得出单偶时序网络漏钢预报模型的阈值学习算法如下:
i=1,2,…,nq j=1,2,…,nq-1公式(16)
其中,学习次数H与学习率α(α>0)与公式(12)中的相同。
从以上描述可知,从初始化连接权值和阈值开始计算全局误差E,如果E大于上述限定值εBP则分别按照公式(12)和(16)计算第一次调整(即第一次学习)后的连接权值和阈值;根据第一次调整后的连接权值和阈值按公式再次计算E,并判断E是否小于上述限定值εBP如果E大于上述限定值εBP则重复上述步骤,直到满足网络终止准则,即E小于限定值εBP或H大于学习终止次数HBP以先满足的为准。
步骤S1初始化种群G,设定初始种群规模N,随机产生任意值的所述连接权值和阈值,以及确定遗传终止代数L。连接权值可以取0-1之间的随机数,阈值可以取0-1之间的随机值,种群规模N是指该种群G包含N个个体,这里每个个体是随机产生的一组连接权值和阈值,N的范围可以在20-100,遗传终止代数L一般为80-500,优选为100。
步骤S2采用实数对连接权值和阈值进行编码,编码后的一组连接权值和阈值即为一个个体。例如,编码方法可以从输出层开始,将输出层的神经元的连接权值和阈值依次排列,然后是隐含层中的神经元的连接权值和阈值,再到输入层中的神经元。图5示出了一种实施编码的示例,如图5所示,示出了一个三层的BP神经网络结构,X1,X2表示输入层的两个神经元,Y表示输出层,wi(i=1,2,…6)表示各神经元间的连接权值,θj(j=1,2,3)表示各神经元的阈值。该网络实数编码为:(w1,w2,θ1,w3,w4,θ2,w5,w6,θ3),当给该连接权值与阈值的组合中的连接权值和阈值随机生成一组值时,即形成一个个体,当随机形成另一组值时,即形成另一个个体。图5是对连接权值和阈值进行实数编码的一种方式,当然还可以有本领域技术人员已知的其它实数编码方式。
步骤S3计算每个个体的适应度。具体地,根据公式(17)计算适应度:
其中,E为上述全局误差,fn表示第n个个体的适应度。
步骤S4根据适应度选择再生个体;其中可以根据公式(18)计算得到的概率值来选择再生个体:
其中,Gn表示第n个个体的概率值,N表示所述种群规模。
选择采用的方法可以是本领域技术人员公知的方法,例如:轮盘赌选择方法、分级选择方法、稳定状态选择方法、精英主义选择方法等,优选为轮盘赌选择方法。
步骤S5确定交叉概率和变异概率;其中可以分别根据公式(19)和公式(20)确定交叉概率和变异概率:
其中,Gc和Gm分别表示交叉概率和变异概率,fmax、favg和fn分别表示当前代数最大适应度、平均适应度和第n个个体的适应度,k1为0.52,k2为0.0002,Gc的范围为0.4-0.99,Gm的范围为0.0001-1。
步骤S6根据选择、交叉以及变异进行操作,以产生新一代个体;
步骤S7将新一代个体***到种群中;
步骤S8判断是否满足遗传算法终止准则,如果满足该终止准则,则将新一代的一个最优的个体作为单偶时序网络漏钢预报模型的初始连接权值和阈值,如果不满足终止准则,则用新一代的一个个体替换上一代的一个个体,并重复步骤S3到步骤S7,其中终止准则是遗传代数大于遗传终止代数L。
将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型,如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值εmax,则预报漏钢会发生,并可以报警。这里所述的从任一个热电偶上采集的温度数据是按一定采样周期(例如2s)连续采集的一组温度数据,该组温度数据的个数与输入层的神经元个数相同,并被依次输入到输入层的神经元中。该最大判别阈值εmax可以是根据对预报准确度的要求合适确定。
进一步地,如果在步骤3中,单偶时序网络漏钢预报模型的输出值小于εmax且大于最小判别阈值εmin,则该方法还可以包括:
步骤4:将该组偶空间网络漏钢预报模型的输出值与组偶判别阈值εm进行比较,如果组偶空间网络漏钢预报模型的输出值大于该εm,则预报漏钢会发生,并可以报警。该εm值的选择根据预报的准确度的需求而合适确定。其中组偶空间网络漏钢预报模型也是基于BP神经网络建立的。图6是示出了根据本发明的一个实施方式的单偶时序网络漏钢预报模型与组偶空间网络漏钢预报模型的组合的示意图。对该组偶空间网络漏钢预报模型进行学习;该组偶空间网络漏钢预报模型的输入是分别同时从步骤3中所述的一个热电偶和该一个热电偶的下一排热电偶中相对于该热电偶的左、中、右三个热电偶采集的温度数据输入到单偶时序网络漏钢预报模型后得到的该漏钢预报模型的输出值。例如,如图2所示,假如步骤3中所述的一个热电偶的编号为312,则相对于该热电偶的左、中、右三个热电偶的编号分别为411、412、413;假如步骤3中所述一个热电偶的位于结晶器某个面的边缘,例如热电偶310,这时相对的左、中、右三个热电偶的编号分别为49、410、411。
组偶空间网络漏钢预报模型的学习步骤与单偶时序网络漏钢预报模型的学习基本相同,区别在于:1)可以不使用遗传算法来优化组偶空间网络漏钢预报模型初始连接权值和阈值;2)两个模型采用的BP神经网络的层数以及各层的神经元的个数可以不同;3)输入的样本向量不同,单偶时序网络漏钢预报模型的输入样本向量是从热电偶采集到的温度样本数据(经过预处理),而组偶空间网络漏钢预报模型的输入样本向量是如步骤4中所述的从4个热电偶(一个热电偶以及与其对应的下排左、中、右三个热电偶)同时采集的温度样本数据输入到单偶时序网络漏钢预报模型后分别得到的漏钢预报模型的输出值;4)限定值εBP的值的选择可以相同或不同,这根据两个模型的学习准确度需求可以合适地选择;5)学习终止次数HBP可以相同或不同,这根据两个模型的学习准确度需求可以合适地选择;6)两个模型的期望输出值可以不同,都可以预先确定。
如果在步骤3中所述的一个热电偶已经是最后一排中的热电偶,也就是说不存在下面一排的热电偶,在这种情况中,钢水即将离开结晶器,不会发生漏钢,因此即便出现单偶时序网络漏钢预报模型的输出值小于εmax且大于最小判别阈值εmin的情况,也不需要执行步骤4。
在本发明的一个实施方式中,单偶时序网络漏钢预报模型和组偶空间网络漏钢预报模型可以同时建立,在单偶时序网络漏钢预报模型的学习完成之后执行组偶空间网络漏钢预报模型的学习。
在本发明的一个实施方式中,单偶时序网络漏钢预报模型采用的BP神经网络可以为三层,即一个输入层,一个隐含层以及一个输出层;综合考虑网络的规模和灵敏性,温度采样周期为2s,确定输入层神经元的个数可以为15个;一个隐含层的神经元的个数可以为12个;考虑到输出层的输出值是表示漏钢可能发生的危险度,因此,确定输入层的神经元个数可以为1个,输出值可以在0-1之间,以便于判断以及与外界通信。在单偶时序网络漏钢预报模型中,限定值εBP可以为e-8-e-4,优选为e-6;学习终止次数HBP可以为500-2000,优选为1000,学习率α可以为0.01-0.6,优选为0.1;最大判别阈值εmax可以为0.9,最小判别阈值εmin可以为0.8;
在本发明的一个实施方式中,组偶空间网络漏钢预报模型采用的BP神经网络可以是三层,即一个输入层,一个隐含层以及一个输出层;输入层的神经元个数可以是4个,隐含层的神经元个数可以是5个以及输出层的神经元个数可以是1个;输出层的输出值在0-1之间。在组偶空间网络漏钢预报模型中,限定值εBP可以为0.0001-0.01(给范围),优选为0.001;学习终止次数HBP可以为100-500,优选为300,学习率α可以为0.01-0.1,优选为0.03;组偶判别阈值εm可以为0.7。
本发明提供的连铸漏钢预报方法,通过遗传算法优化基于BP神经网络的单偶时序网络漏钢预报模型和/或组偶空间网络漏钢预报模型的初始连接权值和阈值,不仅提高了运算速度,而且明显提高了单偶时序网络漏钢预报模型和/或组偶空间网络漏钢预报模型对连铸黏结漏钢过程中典型温度模式的识别效果和预报精度,从而很大程度减少了误报率和漏报率。
另外,可以从温度样本数据集中选择另外的典型温度模式的30个样本值,另外加入了10个非稳态浇铸温度模式(包括开浇、改变拉速、拉尾坯等)的样本值以构成测试样本集,利用该测试样本集来对单偶时序网络漏钢预报模型和组偶空间网络漏钢预报模型进行测试,以了解使用本发明的连铸漏钢预报方法对连铸漏钢进行预报的情况,例如,误报率、报出率等。
在对某钢厂现场采集的395炉数的温度数据分别使用本发明的基于神经网络的连铸漏钢预报方法与传统的基于神经网络的连铸漏钢预报方法进行离线测试,测试结果如表1所示,其中误报率=误报警次数/浇铸炉数×100%,报出率=正确报警次数/(正确报警次数+漏报次数)×100%。
表1
从表1可以看出,使用本发明的连铸漏钢预报方法的各项评价指标都优于传的连铸漏钢预报方法,使用两种方法对于在此期间发生的4次连铸黏结漏钢都检测了出来,即报出率都是100%,但传统连铸漏钢预报方法却存在8次的误报警,而本发明的连铸漏钢预报方法的误报次数为1次,可见,本发明的连铸漏钢预报方法的误报率与传统连铸漏钢预报方法相比有了明显的降低,从1.8%(次/炉)降低到了0.25%(次/炉),说明本发明的连铸漏钢预报方法能够更准确地对连铸黏结漏钢过程中典型温度模式进行识别,大大减少了误报。
文中提出的方法或流程图可以以结合在由通用计算机或处理器执行的计算机可读存储介质中的计算机程序、软件或固件被执行。计算机可读存储介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、寄存器、缓冲存储器、半导体存储装置、诸如内部硬盘和移动硬盘的磁介质、磁光介质和诸如CD-ROM光盘和数字多功能光盘(DVD)的光介质。
合适的处理器包括,例如,通用处理器、专用处理器、常规处理器、数字信号处理器(DSP)、多个微处理器、与DSP核心相关联的一个或多个微处理器、控制器、微控制器、专用集成电路(ASIC)、现场可编程门阵列电路(FPGA)、其它任何类型的逻辑电路和/或状态机。
Claims (10)
1.一种基于神经网络的连铸漏钢预报方法,该方法包括:
步骤1:在线采集连铸现场热电偶的温度数据并存储该温度数据;
步骤2:对所述温度数据进行预处理;
步骤3:将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型,并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较,如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值,则预报漏钢会发生;其中所述单偶时序网络漏钢预报模型基于BP神经网络被建立,并对该单偶时序网络漏钢预报模型进行学习;
其特征在于,所述对该单偶时序网络漏钢预报模型进行学习包括步骤(a)使用遗传算法来初始化该单偶时序网络漏钢预报模型的连接权值和阈值,其中,所述使用遗传算法来初始化所述单偶时序网络漏钢预报模型的连接权值和阈值包括:
步骤S1初始化种群,该初始化种群包括设定初始种群规模,随机产生任意值的所述连接权值和阈值,以及确定遗传终止代数;
步骤S2采用实数对连接权值和阈值进行编码,编码后的一组连接权值和阈值为一个个体;
步骤S3计算每个个体的适应度;
步骤S4根据适应度选择再生个体;
步骤S5确定交叉概率和变异概率;
步骤S6根据选择、交叉以及变异进行操作,以产生新一代个体;
步骤S7将新一代个体***到种群中;
步骤S8判断是否满足遗传算法终止准则,如果满足该终止准则,则将新一代的一个个体作为单偶时序网络漏钢预报模型的初始连接权值和阈值,如果不满足终止准则,则用新一代的一个个体替换上一代的一个个体,并重复步骤S3到步骤S7,其中终止准则是遗传代数大于遗传终止代数。
2.根据权利要求1所述的连铸漏钢预报方法,其中,所述单偶时序网络漏钢预报模型包含Q+1个层,分别是输入层、输出层以及处于输入层与输出层之间的一个或多个隐含层,第0层为输入层,第Q层为输出层,Q为大于1的整数。
3.根据权利要求2所述的连铸漏钢预报方法,其中,对所述单偶时序网络漏钢预报模型进行学习还包括步骤:
(b)从温度样本数据集中选择经过预处理的P组温度序列样本向量并将该P组温度序列样本向量以及与其对应的期望输出向量提供给单偶时序网络漏钢预报模型,其中P为正整数,p为1至P的整数,表示提供给输入层的第p组温度序列样本值,表示提供给输入层第一个神经元的第p组温度序列样本值中的一个样本值,表示提供给输入层第二个神经元的第p组温度序列样本值中的一个样本值,表示提供给输入层第n0个神经元的第p组温度序列样本值中的一个样本值,表示与对应的在输出层中的期望输出向量,其中dp1表示输出层第一个神经元的期望输出值,dp2表示输出层第二个神经元的期望输出值,表示输出层第nQ个神经元的期望输出值;输入层神经元的个数等于每组样本向量中的样本值的数量,输出层的神经元个数等于对应的每组期望输出向量中的期望输出值的个数;
实际输出值根据公式(4)计算:
在公式(3)和公式(4)中,表示输入层中第p组温度序列样本值在第q层的第i个神经元的激活值,表示输入层中第p组温度序列样本值在第q-1层的第j个神经元的实际输出值,表示输入层中第p组温度序列样本值在第q层的第i个神经元的实际输出值,其中q为1到Q的整数,为第q-1层的第j个神经元到第q层的第i个神经元的连接权值,为第q层的第i个神经元的阈值,nq-1为第q-1层的神经元个数;
(d)根据公式(5)计算单偶时序网络漏钢预报模型的期望输出与实际输出的全局误差:
其中,
其中,E表示上述全局误差,表示输入层中第p组温度序列样本值在第Q层的第i个神经元的实际输出值,Ep表示第p组温度序列样本的期望输出值与实际输出值的误差,nQ表示输出层的神经元的个数;
4.根据权利要求3所述的连铸漏钢预报方法,其中,所述计算每个个体的适应度包括根据公式(17)计算适应度:
其中,fn表示第n个个体的适应度。
5.根据权利要求4所述的连铸漏钢预报方法,其中,所述根据适应度选择再生个体包括根据公式(18)计算得到的概率值来选择再生个体:
其中,Gn表示第n个个体的概率值,N表示所述种群规模。
7.根据权利要求3所述的连铸漏钢预报方法,其中,Q等于2,所述输入层神经元的个数为15个,隐含层的神经元个数为12个,输出层的神经元个数为1个;所述限定值为e-6,所述学习终止次数为1000。
8.根据权利要求1所述的连铸漏钢预报方法,其中,如果所述单偶时序网络漏钢预报模型的输出值小于最大判别阈值但大于最小判别阈值,该方法还包括:
步骤4:将组偶空间网络漏钢预报模型的输出值与组偶判别阈值进行比较:如果组偶空间网络漏钢预报模型的输出值大于组偶判别阈值,则预报漏钢会发生;其中该组偶空间网络漏钢预报模型是基于BP神经网络而被建立的,包含输入层、输出层和在输入层和输出层之间的一个或多个隐含层,该组偶空间网络漏钢预报模型输入层的输入为分别从步骤3中所述的一个热电偶和对应于该一个热电偶的下一排热电偶中的相对于该一个热电偶的左、中、右三个热电偶同时采集的温度数据输入到所述单偶时序网络漏钢预报模型后得到的输出值。
9.根据权利要求8所述的连铸漏钢预报方法,其中,在建立所述单偶时序网络漏钢预报模型后建立所述组偶空间网络漏钢预报模型。
10.根据权利要求8所述的连铸漏钢预报方法,其中所述组偶空间网络漏钢预报模型包括一个输入层、一个隐含层和一个输出层,该输入层的神经元个数为4个,该隐含层的神经元个数为5个,该输出层的神经元个数为1个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010207115 CN101850410B (zh) | 2010-06-22 | 2010-06-22 | 一种基于神经网络的连铸漏钢预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010207115 CN101850410B (zh) | 2010-06-22 | 2010-06-22 | 一种基于神经网络的连铸漏钢预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101850410A CN101850410A (zh) | 2010-10-06 |
CN101850410B true CN101850410B (zh) | 2012-06-20 |
Family
ID=42802182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010207115 Expired - Fee Related CN101850410B (zh) | 2010-06-22 | 2010-06-22 | 一种基于神经网络的连铸漏钢预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101850410B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305552B (zh) * | 2011-08-16 | 2013-11-13 | 东北大学 | 钢包底吹喷粉漏钢检测装置及漏钢检测方法 |
CN102393884B (zh) * | 2011-10-12 | 2015-04-15 | 杭州电子科技大学 | 基于bp神经网络的热连轧电磁感应加热温度预测方法 |
CN103157772B (zh) * | 2011-12-14 | 2015-04-08 | 鞍钢股份有限公司 | 一种连铸坯内部质量的预报方法 |
CN102554171B (zh) * | 2011-12-21 | 2014-04-23 | 天津钢铁集团有限公司 | 一种连铸漏钢预报的方法 |
CN102699302B (zh) * | 2012-07-10 | 2014-01-22 | 中冶赛迪电气技术有限公司 | 一种板坯连铸结晶器漏钢预报***及其预报方法 |
CN103878335B (zh) * | 2014-02-10 | 2015-11-04 | 河北钢铁股份有限公司邯郸分公司 | 一种预防连铸机结晶器黏结性漏钢的方法 |
CN106980729B (zh) * | 2015-07-24 | 2018-08-17 | 安徽工业大学 | 一种基于混合模型的连铸漏钢预报方法 |
CN105689675B (zh) * | 2015-07-24 | 2017-07-28 | 安徽工业大学 | 一种连铸粘结漏钢的治愈控制方法 |
CN106372660A (zh) * | 2016-08-30 | 2017-02-01 | 西安电子科技大学 | 一种基于大数据分析的航天产品装配质量问题分类方法 |
CN107252882B (zh) * | 2017-06-18 | 2019-01-15 | 钢铁研究总院 | 用于直接轧制高温方坯连铸过程漏钢预报的方法及*** |
CN107909220A (zh) * | 2017-12-08 | 2018-04-13 | 天津天大求实电力新技术股份有限公司 | 一种电采暖负荷预测方法 |
CN108436050B (zh) * | 2018-04-16 | 2019-06-21 | 大连理工大学 | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 |
CN108580827B (zh) * | 2018-05-22 | 2019-06-07 | 大连理工大学 | 一种基于凝聚层次聚类预报结晶器漏钢的方法 |
CN109396375B (zh) | 2018-12-11 | 2019-09-27 | 大连理工大学 | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 |
CN109365769B (zh) * | 2018-12-18 | 2021-03-30 | 重庆邮电大学 | 一种基于混合模型判断的结晶器漏钢预报方法 |
CN110523968B (zh) * | 2019-08-06 | 2021-07-27 | 北京数钰科技发展有限公司 | 粘结漏钢的预警判断方法及预警判断装置 |
CN111112567B (zh) * | 2019-12-16 | 2021-09-21 | 河钢股份有限公司 | 一种板坯连铸机漏钢预报的综合判断方法 |
JP7215435B2 (ja) * | 2020-01-17 | 2023-01-31 | トヨタ自動車株式会社 | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 |
CN113369451B (zh) * | 2020-03-10 | 2022-11-29 | 中冶京诚工程技术有限公司 | 连铸生产中的漏钢自动监测方法及装置 |
CN112101445B (zh) * | 2020-09-09 | 2023-11-28 | 浙江大学 | 一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法 |
CN115582550A (zh) * | 2022-10-17 | 2023-01-10 | 深圳市深汕特别合作区万泽精密科技有限公司 | 中间包、中间包的漏钢保护***及气雾化制粉装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1277569A (zh) * | 1997-11-10 | 2000-12-20 | 西门子公司 | 控制冶金设备的方法和装置 |
CN1979496A (zh) * | 2005-12-02 | 2007-06-13 | 中国科学院金属研究所 | 铜合金管材铸轧工艺参数设计及优化的方法 |
CN101477374A (zh) * | 2009-01-20 | 2009-07-08 | 东北大学 | 基于模糊神经网络的连铸漏钢时序空间组合诊断预报方法 |
-
2010
- 2010-06-22 CN CN 201010207115 patent/CN101850410B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1277569A (zh) * | 1997-11-10 | 2000-12-20 | 西门子公司 | 控制冶金设备的方法和装置 |
CN1979496A (zh) * | 2005-12-02 | 2007-06-13 | 中国科学院金属研究所 | 铜合金管材铸轧工艺参数设计及优化的方法 |
CN101477374A (zh) * | 2009-01-20 | 2009-07-08 | 东北大学 | 基于模糊神经网络的连铸漏钢时序空间组合诊断预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101850410A (zh) | 2010-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101850410B (zh) | 一种基于神经网络的连铸漏钢预报方法 | |
He et al. | Mold breakout prediction in slab continuous casting based on combined method of GA-BP neural network and logic rules | |
CN102554171B (zh) | 一种连铸漏钢预报的方法 | |
CN104200268B (zh) | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 | |
CN106529145A (zh) | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 | |
CN102937534B (zh) | 一种基于组合预测模型对机电设备的故障预测方法 | |
CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
CN112326276B (zh) | 一种基于生成对抗网络的高铁转向***故障检测lstm方法 | |
CN108197743A (zh) | 一种基于深度学习的预测模型软测量方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN112990435A (zh) | 一种长短时记忆网络电站风机故障预警方法及*** | |
CN110991605A (zh) | 多变量时间序列深度信念网络的低压铸造模温预测方法 | |
Bouabaz et al. | A cost estimation model for repair bridges based on artificial neural network | |
Zhang et al. | Breakout prediction for continuous casting using genetic algorithm-based back propagation neural network model | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
Chen et al. | Temperature distribution prediction in control cooling process with recurrent neural network for variable-velocity hot rolling strips | |
Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
CN113780432A (zh) | 基于增强学习的网络信息***运维异常智能检测方法 | |
CN110163332B (zh) | 一种变压器故障诊断方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN115618751A (zh) | 一种钢板力学性能预测方法 | |
Zhang et al. | Breakout prediction based on BP neural network of LM algorithm in continuous casting process | |
Tang et al. | A novel distributed CVRAE-based spatio-temporal process monitoring method with its application | |
Wang et al. | A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120620 Termination date: 20160622 |