基于灰关联聚类的连铸漏钢预报系统.pdfVIP

基于灰关联聚类的连铸漏钢预报系统 王洪涛 ，熊和金 武汉理工大学自动化学院 中国武汉 430063 E-mail ：hongtao_wang@ 摘 要：本文提出了一种基于灰关联聚类构建漏连铸钢预报系统的新方法,同时针对所构 建的灰色系统对热电偶分布在原有结构上做了改进.现场数据证明该连铸漏钢预报 系统 能准确对温度模式进行分类和预测，并及时对漏钢事故预报。 关键词：连铸 漏钢预报 灰关联聚类 一 引言： 现代炼钢企业铸造钢坯主要采用的是把钢水直接浇铸成型的方法，在连铸生产过程中,如 果结晶器中形成的固化坯壳发生破裂,且破裂口不能在该段铸坯被拉出结晶器之前重新固化 弥合,结晶器及铸坯中尚未凝固的钢水就会突然泄漏，这就是漏钢事故。漏钢是一种恶性事故， 给炼钢企业带来极大的安全隐患，同时又给企业带来严重的经济损失。关资料表明,一次典型 的漏钢事故损失高达 30 万元人民币[1]. 漏钢预报是80年代开始发展起来的一种故障诊断和设备维护技术.为了准确预报漏钢,国 外不少公司研制开发了漏钢预报系统.早期的逻辑判断系统与设备、工艺和钢种等有很大的依 赖关系,因而缺乏鲁棒性,漏报和误报现象时有发生. 自90年代以来国外研制开发出神经元网 络拉漏预报系统,其预报准确性较传统的逻辑判断方法有较大提高[2],但因其网络庞大,且需 要大量的训练样本,因而其设计和训练难度很大. 国内一直一来也有致力于研究漏钢预报的 研究人员和学者并且提出了许多解决方案，且已在实际应用中得到推广，相对于传统逻辑控 制显示了很大的优越性。如郭戈等提出了基于模糊模式识别的漏钢预报方法[3]，王唯一等研 究了基于神经模糊技术的漏钢诊断预报模型[4]，胡志刚等将BP 神经网络应用于漏钢预报[5]， 范建东等探讨了将 RBF 神经网络应用于连铸漏钢预报[6]。本文则构建了基于灰关联聚类漏钢 预报模型，其最大的特色在于通过六个历史数据和一个当前数据，做关联聚类，且计算量大 为减少，系统的预测性强，准确度高，鲁棒性好，且具有很好的实时性。 二 灰色系统模型的建立： 目前常用的拉漏预报系统,结晶器铜板中大都埋设上下两层热电偶，这种热电偶埋设方法 误报率较大.本文针对灰色系统对传统热电偶埋设方法进行了改进（如图 1）。 -1- 传统热电偶分布图 改进热电偶分布图 图 1 传统热电偶分布图与改进热电偶分布图 将原有热电偶在保持总数不变的情况下由两排改为三排,.当上排某热电偶处出现粘结或 裂口时,由于拉坯机的作用,它将最先扩散到下面相邻两个热电偶处,从而引起这两处的铜板 温度上升.所以用这种方法检测粘结和断裂将会更快速.热电偶系统总共埋设 36 个热电偶，这 些热电偶可按第一排的热电偶序列号分为 12 个子系统，（1，2，3 组第一个子系统，2，3，4， 组为第二个子系统，…12,1,2 组为第 12 个子系统）每个子系统总共 9 个热电偶，包含上，中， 下三层各三个热电偶。如子系统 1 包含上层序列号为 1，2，3 的三个热电偶，属于同一列的 热电偶记为一个热电偶组，如 l 组包括序列号为 1，13，23 的三个热电偶，以此类推。由于 每一组热电偶，同时归属于三个子系统，而每个子系统都进行独立的关联聚类，因而大大提 高了预报准确率。同时改进的热电偶埋设方法其热电偶行数增多,这就更易检测到铸坯纵裂和 缩孔，比传统热电偶埋设方法更合理，更先进。 热电偶系统在进行漏钢预报时,根据各层中热电偶采集到的原始温度序列 （子序列）与正 常温度序列(母序列)关联聚合，计算出关联度，以此来判断该子系统所在区域是否发生了粘 结或断裂,然后依据每个子系统的关联度进行灰决策，最终做出漏钢预报. 对于各个子系统有独立的工作方式，以第一个子系统为例，上层由热电偶 1，2，3 构成， 中层由热电偶 13，14，15 构成，下层由热电偶 25，26，27 构成，上层的子序列由三个热电 偶 1，2，3 的温度数据组成，该子序列有 7 个温度数据，前 6 个为历史数据，最后一个为当 前的采样数据。子序列的构成，依据灰预测原理。