[01693693]一种用于连铸漏钢预报的混合模型

①课题来源与背景 连铸漏钢是粘结或裂纹等铸坯表面质量缺陷发展到一定程度产生的恶性质量事故,会导致连铸机停产,影响连铸过程连续性和整个炼钢的生产计划,且损坏设备,影响铸机的作业率和产量,减少了金属的收得率,造成巨大的经济损失。在实际生产过程中,粘结性漏钢发生频率最高,占各类漏钢事件的70%～80%。尤其随现代化高效板坯连铸技术的发展,不仅要浇铸裂纹敏感性钢种,浇铸钢种范围宽,浇铸难度大,而且拉速的提高引发出更复杂的结晶器传热、摩擦和润滑等问题,使初生坯壳冷却和凝固、保护渣流入的稳定性和均匀性显著下降,结晶器内铸坯粘结现象增加,进而导致的粘结性漏钢问题非常突出。粘结性漏钢是主要漏钢形式,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。 从上世纪70年代开始,国内外开发了很多种粘结性漏钢征兆的检测方法,最有效的方法是热电偶测温法,基本原理是通过在结晶器铜板上埋设一定数量热电偶,检测结晶器铜板不同部位温度变化情况,利用铜板温度变化情况实时监控结晶器内部的局部传热状况和识别铸坯破裂位置及其移动信息。目前,基于热电偶测温的漏钢预报方法主要有两类,一类是通过逻辑判断模型,依据漏钢机理分析和漏钢数据进行定性和定量分析后提取适当逻辑条件进行漏钢预报。逻辑判断模型依赖于具体的工艺和设备参数等,且模型参数的选择需大量的人力和时间测试,自适应性和鲁棒性差,经常出现较高的误报率,频繁的误报同样会影响铸坯的质量和铸机的高效化生产,而降低误报又会增加漏报。另一类是通过智能技术（比如神经网络,支持向量机等模式识别算法）对粘结性漏钢进行预报,其特点是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。智能模型属于黑箱模型,其不足是过分的依赖数据,如神经网络模型训练必须依靠足够的有效样本,若样本数据的不全或不准确都会影响网络的泛化能力。在连铸机投产初期,由于缺乏足够有效的数据,必须依靠逻辑判断模型来预报和避免漏钢。 鉴于以上漏钢预报方法的优缺点,本技术提供了一种基于GA-BP神经网络和逻辑判断的连铸漏钢预报混合模型方法,提高粘结性漏钢的预报精度,降低误报次数。本课题来源于与国内某钢厂合作的炼钢技术产学研项目,目的是在原有外方Danieli结晶器漏钢预报系统存在漏钢预报准确率不高、漏报次数多且频繁误报的基础上,通过对连铸过程实测数据的分析,并运用先进的智能技术和机理结合,重新开发了一整套具有自主知识产权的结晶器漏钢预报系统软件,提高漏钢预报和控制水平。 ②技术原理及性能指标 一种用于连铸漏钢预报的混合模型,技术原理主要是基于铸坯粘结时结晶器铜板内热电偶温度的时空变化规律,首先采用遗传算法优化BP神经网络（即建立GA-BP神经网络模型）,建立单偶时序模型,识别粘结时单个热电偶温度随时间变化的动态波形,然后采用逻辑规则建立组偶空间模型,判别纵向和横向相邻热电偶是否有粘结温度波形,识别粘结二维传播行为,由此组成GA-BP神经网络和逻辑判断混合模型。本发明中利用遗传算法确定BP神经网络最佳权值和阈值,提高了单偶时序模型的识别精度。 性能指标：粘结漏钢的报出率为100%,预报准确率达到93.33%。 ③技术的创造性与先进性 本技术属于钢铁智能制造范围,提出的漏钢预报混合模型,充分利用GA-BP神经网络在波形模式识别中的优势,并耦合有效的逻辑规则判断,不仅实现了单偶和组偶的时空判断,而且克服了单纯逻辑判断模型参数确定困难或不准确以及单纯智能模型缺乏工艺指导的不足,达到了较好的漏钢预报性能,能及时准确的报出全部粘结,避免粘结性漏钢事故,并将误报警频率降至最低水平,尤其是可以减少实际生产过程中多个热电偶故障或较大热电偶温度波动时的漏报和误报警。 ④技术的成熟程度,适用范围和安全性 本技术是基于连铸过程实测数据分析,并进行大量的连铸漏钢理论研究,技术比较成熟,安全可靠,可带来较高的经济效益。本技术适用于板坯连铸过程、薄板坯连铸过程和宽厚板连铸过程等。 ⑤应用情况及存在的问题 本技术对连铸现场97个炉次进行了测试（实际发生14次粘结）,并将测试结果与原外方Danieli系统漏钢预报系统结果进行了比较,本技术可全部报出粘结事故,无漏报,并且误报次数为1,预报准确率达到93.33%,明显优于原Danieli系统漏钢预报方法。由此可知,本技术提出的连铸漏钢预报混合模型达到了较好的预报性能,可减少误报和避免漏报,是一种有效的漏钢预报方法。 存在的问题：漏钢预报模型算法在开浇过程和热电偶温度波动较大的工况下,有时会存在漏钢误报警。