CN108580827B

CN108580827B - 一种基于凝聚层次聚类预报结晶器漏钢的方法

Info

Publication number: CN108580827B
Application number: CN201810530746.1A
Authority: CN
Inventors: ***; 段海洋; 姚曼
Original assignee: Dalian University of Technology
Current assignee: Dalian University of Technology
Priority date: 2018-05-22
Filing date: 2018-05-22
Publication date: 2019-06-07
Anticipated expiration: 2038-05-22
Also published as: CN108580827A

Abstract

一种基于凝聚层次聚类预报结晶器漏钢的方法属于钢铁冶金连铸检测技术领域。步骤如下：(1)建立黏结漏钢/正常工况样本库：选取黏结漏钢温度和正常工况温度，构建包含黏结漏钢样本集合正常工况样本集的样本库；(2)随机样本集层次聚类：从黏结漏钢样本集和正常工况样本集中各自随机取选取等量样本，与在线实测温度样本构成随机样本集，对该随机样本集实施层次聚类；(3)漏钢识别与报警：检测在线实测温度样本是否属于黏结漏钢类簇，以此识别和预报漏钢。本发明摆脱了在预报过程中需人为定义参数的局限性，仅利用黏结漏钢和正常工况温度各自的特征判断在线实测温度样本是否包含漏钢特征，具有检测原理清晰、运算速度快和漏钢识别准确率高等优点。

Description

一种基于凝聚层次聚类预报结晶器漏钢的方法

技术领域

本发明属于钢铁冶金连铸检测技术领域，涉及一种基于凝聚层次聚类预报连铸结晶器漏钢的方法。

背景技术

漏钢是连铸过程中的灾难性事故，其不仅会导致连铸机停产，影响作业率和产量，而且会严重损毁结晶器、扇形段辊道等设备，造成巨大的经济损失和安全隐患。

为了保障连铸过程的顺行，国内外一直致力于结晶器漏钢预报***的开发。目前，比较成熟亦较为常用的方法是在结晶器铜板内嵌入安装铠装热电偶，通过测量结晶器铜板温度来间接获取连铸坯表面的温度变化情况，当铸坯出现黏结并经过热电偶时，热电偶温度会在较短时间内持续上升，随着黏结点的下移温度又会逐渐下降。随着黏结点沿浇铸方向的向下移动，同列热电偶温度的上升和下降趋势在时间上呈现出显著的滞后特征。针对这一典型特征，目前应用较为广泛的漏钢预报***均是依据热电偶的这一温度变化和时间滞后特征来标记异常热电偶，结合临近异常热电偶的数量，进而判断和预报漏钢，常见的预报模型包括基于逻辑判断的预报模型和基于人工神经网络的预报模型。

在CN101332499A中公开了“一种板坯连铸漏钢预报控制方法”的发明专利，具体为在结晶器上安装多排热电偶，板坯连铸过程中根据结晶器热电偶温度变化的情况预防结晶器漏钢的方法。其特征包括以下步骤：1)根据结晶器参数、热电偶在结晶器的安装位置，确定每个热电偶的典型温度特征；2)根据相邻热电偶的典型温度特征，同时考虑漏钢温度传递和温度异常分布特征，确定每个热电偶的漏钢几率；3)当热电偶漏钢几率达到95％，停止浇注。此方法为常见的漏钢预报逻辑判断方法，虽在预报初期具有一定的准确性，但是随着钢种、保护渣以及拉速等工艺参数的变化，黏结漏钢时的重要特征参数也会有相应变化，导致后期预报时的准确性越来越差。

在CN103878335A中公开了“一种预防连铸机结晶器黏结性漏钢的方法”的发明专利，具体为在结晶器四条冷却水出水管上安装温度传感器，并将温度传感器采集的温度变化数值输入到记录分析装置中，记录分析装置根据各个冷却水出水管的水温温度变化情况对黏结性漏钢进行预报，即根据结晶器水温的瞬时变化来预先判断钢坯坯壳是否发生破裂，是否存在黏结性漏钢的危险，以便及时降低连铸机拉速，避免漏钢事故的发生。与专利CN101332499A相比，该发明同样是基于热电偶的温度变化判断是否漏钢，不同的是，热电偶安装在冷却水出水口附近而非安装在结晶器铜板上，所以该发明是通过测量冷却水总体冷却效果的瞬时变化预报漏钢，较之安装在结晶器铜板局部热电偶的方法，其灵敏度较低，难免会导致预报准确性下降，误报次数增多。

此外，现有的漏钢预报方法对人为的依赖性均较强，报警阈值等参数需通过人为设置，在浇铸的钢种或工艺变化时，相关报警参数的调整和优化等工作十分繁琐，设置不当时，预报的准确率将大幅下降，甚至出现漏报。

发明内容

本发明的目的是为了解决现有漏钢预报方法存在的不足，提供一种基于层次聚类预报结晶器漏钢的方法，该方法根据黏结漏钢与正常工况条件下结晶器热电偶温度特征存在的显著差异，运用层次聚类得到漏钢类簇和正常工况类簇，之后通过检测在线实测温度样本所属的类簇预报漏钢。

为达到上述目的，本发明的技术方案如下：

一种基于凝聚层次聚类预报结晶器漏钢的方法，该方法通过构建黏结漏钢和正常工况样本库，分别从漏钢、正常工况的历史温度数据中随机抽取等量样本，并与在线实时检测的温度数据组成随机样本集，对该随机样本集进行层次聚类，检查在线实测温度的新样本是否位于漏钢类簇，以此准确识别结晶器漏钢，主要包含以下步骤：

第一步，建立黏结漏钢/正常工况样本库

(1)提取历史温度数据，包含两部分：发生真实黏结的漏钢温度数据和正常工况下的温度波动数据。

1.1)对于真实黏结的漏钢温度，标记黏结位置所在电偶列第一排电偶温度最高时刻，并选取其前M秒、后N-1秒共计M+N秒的温度数据；

1.2)对于正常工况下的的温度波动，任意截取连续M+N秒的温度数据；

上述两种类型的温度数据，各选取不少于40例。

(2)对步骤(1)得到的温度数据进行预处理，得到包含x_breakout的黏结漏钢样本集和含包x_normal的正常工况样本集，具体包括以下子步骤：

2.1)将同列热电偶温度值按对应时刻作差，即：

T_minus_i＝T_(r)i-T_(r+1)i,i＝1,2,...,M+N

其中，T_(r)i,T_(r+1)i分别表示同列热电偶第r、r+1排热电偶第i时刻的数值；

2.2)将步骤2.1)的作差结果作归一化处理，具体处理公式如下：

其中，T-minus_min、T-minus_max分别为T_minus中数值的最小值、最大值。

2.3)创建样本库S，将黏结漏钢的预处理结果x_breakout和正常工况温度的预处理结果x_normal归入样本集S，以供层次聚类使用。

第二步，随机样本集层次聚类

(1)提取在线检测时结晶器内弧宽面、外弧宽面、左侧窄面、右侧窄面铜板各行、列电偶测点处当前时刻及之前M+N-1秒共计M+N秒温度数据，并采用第一步步骤(2)相同的方法对其进行温度预处理，得到在线实测温度的新样本x_new；

(2)分别从样本库S中的黏结漏钢样本集和正常工况样本集中各自随机选取k例样本，构成随机样本集Q，并将x_new加入Q，样本数目共计2k+1；

(3)对随机样本集Q实施层次聚类，包括以下子步骤：

3.1)将随机样本集Q中的每个样本s看作一个初始类簇C_i＝{s_i}，建立类簇集合C＝{C₁,C₂,...,C_2k+1}。其中s_i表示Q中第i个样本，C_i表示第i个类簇，i＝1,2,...,2k+1，2k+1表示随机样本集Q中样本的总数。

3.2)计算类簇集合C中任意两个类簇C_p、C_q合并前后离差平方和ESS(the ErrorSum of Squares)的增量：

合并前类簇C_p、C_q的ESS之和：

ESS_合并前＝ESS(C_p)+ESS(C_q)

合并后类簇C_{p,q}的ESS：

ESS_合并后＝ESS(C_{p,q})

其中，x_i是从属于类簇C_t的一个样本，即x_i∈C_t，x_ij表示x_i第j维的值，表示类簇C_t中所有样本第j维的均值，n表示类簇C_t中样本的数量，C_t指C_p、C_q、C_{p,q}；C_{p,q}表示C_p、C_q合并后的类簇。

则合并前后的增量ΔESS：

ΔESS＝ESS_合并后-ESS_合并前＝ESS(C_{p,q})-ESS(C_p)-ESS(C_q)

3.3)标记步骤3.2)中得到的ΔESS中最小值对应的两个类簇C_m和C_n，在类簇集合C中删除类簇C_m和C_n，同时添加类簇C_{m,n}，经过类簇的删除和添加后，此时集合C中类簇的总数目减1；

3.4)循环执行步骤3.2)～3.3)，当类簇集合C中仅剩两个类簇时，结束循环，完成聚类过程；

3.5)检查聚类结果是否满足以下判定条件，即：

所有黏结漏钢样本x_breakout属于同一个类簇且该类簇中包含的正常工况样本不多于正常工况样本总数的20％；

满足此条件则将该类簇称之为黏结漏钢类簇，记为C_breakout，另一个类簇称之为正常工况类簇，记为C_normal；否则，重新执行第二步的步骤(2)、步骤(3)，直至由随机选取的漏钢样本、正常工况样本以及实测温度新样本构成的样本集聚类结果满足上述判定条件为止。

第三步，漏钢识别与报警

判断新样本x_new是否属于类簇C_breakout，如果是，则发出漏钢警报；否则，更新温度序列，继续执行第二步、第三步。

上述预报漏钢的方法适用于板坯、方坯、圆坯、异型坯等连铸坯漏钢识别。

本发明的有益效果是：所提出的一种基于层次聚类预报连铸结晶器漏钢的方法，摆脱了在预报过程中需要人为定义参数的局限性，仅利用黏结漏钢和正常工况温度各自的特征判断在线实测温度样本是否具有漏钢特征。该方法的鲁棒性和稳定性好，报警准确率高且无漏报，同时具有报警反映速度快等优点。

附图说明

图1是黏结漏钢/正常工况样本库建立；

图2是随机样本集层次聚类和漏钢识别与判定流程图；

图3是在线实测温度1；

图4是在线实测温度1与随机样本集层次聚类及漏钢预报结果；

图5是在线实测温度2；

图6是在线实测温度2与随机样本集层次聚类及漏钢预报结果。

具体实施方式

下面通过具体的实施例，并结合附图对本发明做进一步的阐述。

本发明主要有三个部分构成：建立黏结漏钢/正常工况样本库、随机样本集层次聚类、漏钢识别与报警。

步骤一、建立黏结漏钢/正常工况样本库

图1为黏结漏钢/正常工况样本库建立流程图。由图1可知，样本库的建立主要包含以下子步骤：

1.1)对于真实黏结的漏钢温度，标记黏结位置所在电偶列第一排电偶温度最高时刻，并选取其前15秒、后9秒共计25秒的温度数据；

1.2)对于正常工况下的的温度波动，任意截取连续25秒的温度数据；

上述两种类型的温度数据，各选取不少于40例。

2.1)将同列热电偶温度值按对应时刻作差，即：

T-minus_i＝T_1i-T_2i,i＝1,2,...,25

其中，T_1i、T_2i分别表示同列热电偶第1、2排热电偶第i时刻的数值；

其中，T_minus_min、T_minus_max分别为T_minus的最小值、最大值。

图2是随机样本集层次聚类和漏钢识别与判定流程图。从图中可以看出，随机样本集层次聚类和漏钢识别与判定主要包含以下步骤：

步骤二、随机样本集层次聚类

(1)提取在线检测时结晶器内弧宽面、外弧宽面、左侧窄面、右侧窄面铜板各行、列电偶测点处当前时刻及之前24秒共计25秒温度数据，并采用步骤一(2)相同的方法对其进行温度预处理，得到在线实测温度的新样本x_new；

(2)分别从样本库S中的黏结漏钢样本集和正常工况样本集中各自随机选取20例样本，构成随机样本集Q，并将x_new加入Q，样本数目共计41；

(3)对随机样本集Q实施层次聚类，包括以下子步骤：

3.1)将随机样本集Q中的每个样本s看作一个初始类簇C_i＝{s_i}，建立类簇集合C＝{C₁,C₂,...,C₄₁}。其中s_i表示Q中第i个样本，C_i表示第i个类簇，i＝1,2,...,41。

3.2)计算类簇集合C中任意两个类簇C_p、C_q合并前后离差平方和(the Error Sumof Squares，ESS)的增量：

合并前类簇C_p、C_q的ESS之和：

ESS_合并前＝ESS(C_p)+ESS(C_q)

合并后类簇C_{p,q}的ESS：

ESS_合并后＝ESS(C_{p,q})

则合并前后的增量ΔESS：

ΔESS＝ESS_合并后-ESS_合并前＝ESS(C_{p,q})-ESS(C_p)-ESS(C_q)

3.3)标记步骤3.2中得到的ΔESS中最小值对应的两个类簇C_m和C_n，在类簇集合C中删除类簇C_m和C_n，同时添加类簇C_{m,n}，经过类簇的删除和添加后，此时集合C中类簇的总数目减1；

3.4)循环执行步骤3.2～3.3，当类簇集合C中仅剩两个类簇时，结束循环，完成聚类过程；

3.5)检查聚类结果是否满足以下判定条件，即：

满足此条件则将该类簇称之为漏钢类簇，记为C_breakout，另一个类簇称之为正常工况类簇，记为C_normal；否则，重新执行步骤二的(2)、(3)，直至由随机选取的漏钢样本、正常工况样本以及实测温度新样本构成的样本集聚类结果满足上述判定条件为止。

图3表示在线实测温度1的第一二排电偶温度图。图中右侧垂直线表示在线检测时的当前时刻，左侧垂直线表示当前时刻之前的第24个时刻，两个垂直线之间表示所取的当前时刻及之前24秒共计25秒的温度数据。

图4是在线实测温度1与随机样本集层次聚类及漏钢预报结果图。从图中可以看出，经层次聚类后，随机样本集聚类为两个类簇：左侧的类簇包含了所有标号为1的黏结漏钢样本和1个标号为2的正常工况样本，该类簇包含的正常工况样本数量小于正常工况样本总数的20％，即4个正常工况样本，符合类簇判定条件，随机样本集层次聚类成功，所以将该类簇称为漏钢类簇C_breakout；则另一个包含标号为2的正常工况样本的类簇为正常工况类簇C_normal。

图5表示在线实测温度2的第一二排电偶温度图。图中右侧垂直线表示在线检测时的当前时刻，左侧垂直线表示当前时刻之前的第24个时刻，两个垂直线之间表示所取的当前时刻及之前24秒共计25秒的温度数据。

图6是在线实测温度2与随机样本集层次聚类及漏钢预报结果图。从图中可以看出，经层次聚类后，随机样本集聚类为两个类簇：左侧的类簇包含了所有标号为1的黏结漏钢样本和1个标号为2的正常工况样本，该类簇包含的正常工况样本数量小于正常工况样本总数的20％，即4个正常工况样本，符合类簇判定条件，随机样本集层次聚类成功，所以将该类簇称为漏钢类簇C_breakout；则另一个包含标号为2的正常工况样本的类簇为正常工况类簇C_normal。

步骤三、漏钢识别和报警

判断新样本x_new是否属于类簇C_breakout，如果是，则发出漏钢报警；否则，更新温度序列，继续执行步骤二、三。

图4是在线实测温度1与随机样本集层次聚类及漏钢预报结果图。从图中亦可以看出，在线实测温度1经预处理得到的新样本x_new，即标号为“N”的样本，在聚类后属于正常工况类簇C_normal，并不属于黏结漏钢类簇C_breakout，所以更新温度序列，继续执行步骤二、三。

图6是在线实测温度2与随机样本集层次聚类及漏钢预报结果图。从图中亦可以看出，在线实测温度2经预处理得到的新样本x_new，即标号为“B”的样本，在聚类后属于黏结漏钢类簇C_breakout，所以判定该在线实测温度为漏钢温度，发出漏钢警报。

以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims

1.一种基于凝聚层次聚类预报结晶器漏钢的方法，其特征在于，该方法通过构建黏结漏钢和正常工况样本库，分别从漏钢、正常工况的历史温度数据中随机抽取等量样本，并与在线实时检测的温度数据组成随机样本集，对该随机样本集进行层次聚类，检查在线实测温度的新样本是否位于漏钢类簇，以此准确识别结晶器漏钢，包括以下步骤：

第一步，建立黏结漏钢/正常工况样本库

(1)提取历史温度数据，包括两部分：发生真实黏结的漏钢温度数据和正常工况下的温度波动数据；

1.2)对于正常工况下的温度波动，任意截取连续M+N秒的温度数据；

(2)对步骤(1)得到的两种温度数据进行预处理，得到包含x_breakout的黏结漏钢样本集和包含x_normal的正常工况样本集，构成总体样本库S；

第二步，随机样本集层次聚类

(1)提取在线测量时结晶器内弧宽面、外弧宽面、左侧窄面、右侧窄面铜板各行、列热电偶测温处当前时刻及之前M+N-1秒共计M+N秒的温度数据，并采用第一步步骤(2)相同方法对其进行温度预处理，得到在线实测温度的新样本x_new；

(2)分别从样本库中的黏结漏钢样本集和正常工况样本集中各自随机选取k例样本，构成随机样本集Q，并将x_new加入Q，样本数目共计2k+1；

(3)对随机样本集Q实施层次聚类，包括以下子步骤：

3.1)将随机样本集Q中的每个样本s看作一个初始类簇C_i＝{s_i}，建立类簇集合C＝{C₁,C₂,...,C_2k+1}；其中s_i表示Q中第i个样本，C_i表示第i个类簇，i＝1,2,...,2k+1，2k+1表示随机样本集Q中样本的总数；

3.2)计算类簇集合C中任意两个类簇C_p、C_q合并前后离差平方和ESS的增量：

合并前类簇C_p、C_q的ESS之和：ESS_合并前＝ESS(C_p)+ESS(C_q)

合并后类簇C_{p,q}的ESS：ESS_合并后＝ESS(C_{p,q})

其中，x_i是从属于类簇C_t的一个样本，即x_i∈C_t，x_ij表示x_i第j维的值，表示类簇C_t中所有样本第j维的均值，n表示类簇C_t中样本的数量，C_t指C_p、C_q、C_{p,q}；C_{p,q}表示C_p、C_q合并后的类簇；

则合并前后的增量ΔESS：

ΔESS＝ESS_合并后-ESS_合并前＝ESS(C_{p,q})-ESS(C_p)-ESS(C_q)

3.5)检查聚类结果是否满足以下判定条件，即：

满足此条件则将该类簇称之为漏钢类簇，记为C_breakout，另一个类簇称之为正常工况类簇，记为C_normal；否则，重新执行第二步的步骤(2)、步骤(3)，直至由随机选取的漏钢样本、正常工况样本以及实测温度新样本构成的随机样本集聚类结果满足上述判定条件为止；

第三步，漏钢识别和报警

判断新样本x_new是否属于类簇C_breakout，如果是，则发出漏钢警报；否则，更新温度序列，继续执行第二步、第三步；

所述的第一步步骤(2)和第二步步骤(1)的数据预处理方法相同，第一步步骤(2)预处理包括以下子步骤：

2.1)将同列热电偶对应时刻的温度值作差，即：

T_minus＝T_(r)i-T_(r+1)i，i＝1,2,...,M+N

其中T_(r)i、T_(r+1)i分别表示同列第r、r+1排热电偶第i时刻温度的数值；

2.2)将作差的结果作归一化处理，具体处理公示如下：

其中，T_minus_min、T_minus_max分别为T_minus的最小值、最大值；

2.3)将T_minus_nor_i作为温度数据的预处理结果。

2.根据权利要求1所述的一种基于凝聚层次聚类预报结晶器漏钢的方法，其特征在于，所述预报漏钢的方法适用于板坯、方坯、圆坯、异型坯漏钢识别。

3.根据权利要求1所述的一种基于凝聚层次聚类预报结晶器漏钢的方法，其特征在于，所述的步骤(1)中两种类型的温度数据，各选取不少于40例。