CN108580827B - 一种基于凝聚层次聚类预报结晶器漏钢的方法 - Google Patents
一种基于凝聚层次聚类预报结晶器漏钢的方法 Download PDFInfo
- Publication number
- CN108580827B CN108580827B CN201810530746.1A CN201810530746A CN108580827B CN 108580827 B CN108580827 B CN 108580827B CN 201810530746 A CN201810530746 A CN 201810530746A CN 108580827 B CN108580827 B CN 108580827B
- Authority
- CN
- China
- Prior art keywords
- bleed
- sample
- temperature
- ess
- class cluster
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 10
- 241001269238 Data Species 0.000 claims description 9
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 7
- 229910052802 copper Inorganic materials 0.000 claims description 7
- 239000010949 copper Substances 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000005619 thermoelectricity Effects 0.000 claims 1
- 238000009749 continuous casting Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 239000000498 cooling water Substances 0.000 description 4
- 238000005266 casting Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000000979 retarding effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
- B22D11/18—Controlling or regulating processes or operations for pouring
- B22D11/181—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level
- B22D11/182—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level by measuring temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/14—Plants for continuous casting
- B22D11/148—Safety arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Continuous Casting (AREA)
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
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xbreakout的黏结漏钢样本集和含包xnormal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_minusi=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-minusmin、T-minusmax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xbreakout和正常工况温度的预处理结果xnormal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xnew;
(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xnew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Ci={si},建立类簇集合C={C1,C2,...,C2k+1}。其中si表示Q中第i个样本,Ci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Cp、Cq合并前后离差平方和ESS(the ErrorSum of Squares)的增量:
合并前类簇Cp、Cq的ESS之和:
ESS合并前=ESS(Cp)+ESS(Cq)
合并后类簇C{p,q}的ESS:
ESS合并后=ESS(C{p,q})
其中,xi是从属于类簇Ct的一个样本,即xi∈Ct,xij表示xi第j维的值,表示类簇Ct中所有样本第j维的均值,n表示类簇Ct中样本的数量,Ct指Cp、Cq、C{p,q};C{p,q}表示Cp、Cq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(Cp)-ESS(Cq)
3.3)标记步骤3.2)中得到的ΔESS中最小值对应的两个类簇Cm和Cn,在类簇集合C中删除类簇Cm和Cn,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xbreakout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Cbreakout,另一个类簇称之为正常工况类簇,记为Cnormal;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xnew是否属于类簇Cbreakout,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)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)对步骤(1)得到的温度数据进行预处理,得到包含xbreakout的黏结漏钢样本集和含包xnormal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-minusi=T1i-T2i,i=1,2,...,25
其中,T1i、T2i分别表示同列热电偶第1、2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_minusmin、T_minusmax分别为T_minus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xbreakout和正常工况温度的预处理结果xnormal归入样本集S,以供层次聚类使用。
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xnew;
(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xnew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Ci={si},建立类簇集合C={C1,C2,...,C41}。其中si表示Q中第i个样本,Ci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Cp、Cq合并前后离差平方和(the Error Sumof Squares,ESS)的增量:
合并前类簇Cp、Cq的ESS之和:
ESS合并前=ESS(Cp)+ESS(Cq)
合并后类簇C{p,q}的ESS:
ESS合并后=ESS(C{p,q})
其中,xi是从属于类簇Ct的一个样本,即xi∈Ct,xij表示xi第j维的值,表示类簇Ct中所有样本第j维的均值,n表示类簇Ct中样本的数量,Ct指Cp、Cq、C{p,q};C{p,q}表示Cp、Cq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(Cp)-ESS(Cq)
3.3)标记步骤3.2中得到的ΔESS中最小值对应的两个类簇Cm和Cn,在类簇集合C中删除类簇Cm和Cn,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xbreakout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漏钢类簇,记为Cbreakout,另一个类簇称之为正常工况类簇,记为Cnormal;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Cbreakout;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Cnormal。
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Cbreakout;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Cnormal。
步骤三、漏钢识别和报警
判断新样本xnew是否属于类簇Cbreakout,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xnew,即标号为“N”的样本,在聚类后属于正常工况类簇Cnormal,并不属于黏结漏钢类簇Cbreakout,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xnew,即标号为“B”的样本,在聚类后属于黏结漏钢类簇Cbreakout,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 (3)
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;
1.1)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xbreakout的黏结漏钢样本集和包含xnormal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xnew;
(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xnew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Ci={si},建立类簇集合C={C1,C2,...,C2k+1};其中si表示Q中第i个样本,Ci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Cp、Cq合并前后离差平方和ESS的增量:
合并前类簇Cp、Cq的ESS之和:ESS合并前=ESS(Cp)+ESS(Cq)
合并后类簇C{p,q}的ESS:ESS合并后=ESS(C{p,q})
其中,xi是从属于类簇Ct的一个样本,即xi∈Ct,xij表示xi第j维的值,表示类簇Ct中所有样本第j维的均值,n表示类簇Ct中样本的数量,Ct指Cp、Cq、C{p,q};C{p,q}表示Cp、Cq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(Cp)-ESS(Cq)
3.3)标记步骤3.2)中得到的ΔESS中最小值对应的两个类簇Cm和Cn,在类簇集合C中删除类簇Cm和Cn,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xbreakout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漏钢类簇,记为Cbreakout,另一个类簇称之为正常工况类簇,记为Cnormal;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xnew是否属于类簇Cbreakout,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_minusmin、T_minusmax分别为T_minus的最小值、最大值;
2.3)将T_minus_nori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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530746.1A CN108580827B (zh) | 2018-05-22 | 2018-05-22 | 一种基于凝聚层次聚类预报结晶器漏钢的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530746.1A CN108580827B (zh) | 2018-05-22 | 2018-05-22 | 一种基于凝聚层次聚类预报结晶器漏钢的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108580827A CN108580827A (zh) | 2018-09-28 |
CN108580827B true CN108580827B (zh) | 2019-06-07 |
Family
ID=63630082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810530746.1A Active CN108580827B (zh) | 2018-05-22 | 2018-05-22 | 一种基于凝聚层次聚类预报结晶器漏钢的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108580827B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111666710B (zh) * | 2020-05-06 | 2022-10-21 | 大连理工大学 | 一种采用逻辑回归分类预测连铸坯纵裂纹的方法 |
CN111618265B (zh) * | 2020-05-06 | 2021-07-16 | 大连理工大学 | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 |
CN111680448B (zh) * | 2020-05-06 | 2022-10-21 | 大连理工大学 | 一种基于支持向量机svm分类的连铸坯纵裂纹预测方法 |
CN113814369B (zh) * | 2021-09-28 | 2022-11-18 | 大连理工大学 | 一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法 |
CN114708935B (zh) * | 2022-06-07 | 2022-08-23 | 济南东方结晶器有限公司 | 一种基于导热性能评估的结晶器铜板质量优化方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101332499A (zh) * | 2007-06-28 | 2008-12-31 | 上海梅山钢铁股份有限公司 | 一种板坯连铸漏钢预报控制方法 |
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 |
CN101850410A (zh) * | 2010-06-22 | 2010-10-06 | 攀钢集团钢铁钒钛股份有限公司 | 一种基于神经网络的连铸漏钢预报方法 |
CN101934353A (zh) * | 2009-06-30 | 2011-01-05 | 上海宝信软件股份有限公司 | 预报板坯连铸过程中漏钢的装置及方法 |
JP2012218039A (ja) * | 2011-04-11 | 2012-11-12 | Jfe Steel Corp | 連続鋳造におけるブレークアウトの検知方法 |
CN102941330A (zh) * | 2012-10-31 | 2013-02-27 | 中冶南方工程技术有限公司 | 一种连铸板坯表面裂纹在线预测的控制方法 |
JP2016215236A (ja) * | 2015-05-20 | 2016-12-22 | Jfeスチール株式会社 | 連続鋳造におけるブレークアウト予知方法、ブレークアウト防止方法、凝固シェル厚の測定方法、ブレークアウト予知装置およびブレークアウト防止装置 |
-
2018
- 2018-05-22 CN CN201810530746.1A patent/CN108580827B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101332499A (zh) * | 2007-06-28 | 2008-12-31 | 上海梅山钢铁股份有限公司 | 一种板坯连铸漏钢预报控制方法 |
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 |
CN101934353A (zh) * | 2009-06-30 | 2011-01-05 | 上海宝信软件股份有限公司 | 预报板坯连铸过程中漏钢的装置及方法 |
CN101850410A (zh) * | 2010-06-22 | 2010-10-06 | 攀钢集团钢铁钒钛股份有限公司 | 一种基于神经网络的连铸漏钢预报方法 |
JP2012218039A (ja) * | 2011-04-11 | 2012-11-12 | Jfe Steel Corp | 連続鋳造におけるブレークアウトの検知方法 |
CN102941330A (zh) * | 2012-10-31 | 2013-02-27 | 中冶南方工程技术有限公司 | 一种连铸板坯表面裂纹在线预测的控制方法 |
JP2016215236A (ja) * | 2015-05-20 | 2016-12-22 | Jfeスチール株式会社 | 連続鋳造におけるブレークアウト予知方法、ブレークアウト防止方法、凝固シェル厚の測定方法、ブレークアウト予知装置およびブレークアウト防止装置 |
Non-Patent Citations (1)
Title |
---|
基于模糊聚类及神经网络的连铸漏钢预报;赵琦等;《中国冶金》;20080215;第18卷(第02期);42-45 |
Also Published As
Publication number | Publication date |
---|---|
CN108580827A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108580827B (zh) | 一种基于凝聚层次聚类预报结晶器漏钢的方法 | |
CN109396375B (zh) | 一种基于特征向量和层次聚类的结晶器漏钢预报方法 | |
He et al. | Mold breakout prediction in slab continuous casting based on combined method of GA-BP neural network and logic rules | |
CN105328155B (zh) | 一种基于改进神经网络的漏钢可视化特征预报方法 | |
CN108436050B (zh) | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 | |
CN106296435B (zh) | 一种矿井瓦斯监测异常数据识别方法 | |
CN108922123B (zh) | 一种矿山边坡滑移稳定性监测预警方法 | |
CN102886504B (zh) | 一种基于机器视觉的结晶器漏钢可视化预报方法 | |
CN105108097A (zh) | 一种混合模型及基于混合模型的连铸漏钢预报方法 | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及*** | |
CN102896289B (zh) | 一种实现铸坯实时跟踪的方法 | |
CN108705058B (zh) | 一种基于K-Means聚类预报结晶器漏钢的方法 | |
CN103639385A (zh) | 基于最小二乘的漏钢预报方法及*** | |
CN104267610B (zh) | 高精度的高炉冶炼过程异常数据检测及修补方法 | |
CN106287233A (zh) | 一种管网漏失预警方法及*** | |
CN107205244A (zh) | 一种基于时空相关性的传感器网络异常数据检测的设计方法 | |
Duan et al. | Integrated approach to density-based spatial clustering of applications with noise and dynamic time warping for breakout prediction in slab continuous casting | |
CN108469313B (zh) | 基于元胞自动机的结晶器铜板温度异常区域检测方法 | |
CN115585396A (zh) | 一种基于天然气泄露检测的预警方法及*** | |
CN106382102A (zh) | 一种基于聚类算法的溢流早期预警方法 | |
CN117128459A (zh) | 基于实时监测数据的城市供水管网爆管预测方法及其*** | |
CN109507697B (zh) | 一种新的gnss时间序列中异常值精确识别方法 | |
CN105631231A (zh) | 一种对热轧过程温度实测值进行修正的方法 | |
CN113935416A (zh) | 一种多状态结晶器的连铸漏钢预报方法 | |
CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |