專利名稱：基于模糊神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼時序空間組合診斷預(yù)報方法
技術(shù)領(lǐng)域：
本發(fā)明屬于冶金連鑄過程的生產(chǎn)與控制領(lǐng)域，特別涉及一種基于模糊神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼時序空間組合診斷預(yù)報方法。
背景技術(shù)：
在連鑄生產(chǎn)過程中，漏鋼是最具危害性的生產(chǎn)事故， 一旦發(fā)生將導(dǎo)致停產(chǎn)并不得不更換被漏鋼事故破壞的設(shè)備，對作業(yè)的穩(wěn)定性、產(chǎn)品的質(zhì)量、人身安全及設(shè)備的壽命都有不良的影響，進(jìn)而影響連續(xù)鑄鋼的大規(guī)模應(yīng)用， 一次典型的漏鋼事故所造成的損失可能接近20萬美元。由于粘結(jié)性漏鋼是造成漏鋼的主要原因，減少粘結(jié)性漏鋼成為降低連鑄漏鋼率的關(guān)鍵。
為了克服粘結(jié)性漏鋼事故，人們進(jìn)行了大量的實驗研究，其中除了研究高性能的保護(hù)渣并使各種工藝條件和參數(shù)保持最佳組合以外，利用結(jié)晶器熱交換分析、熱電偶測溫、振波分析、摩擦力測量等方法能夠有效地對連鑄漏鋼進(jìn)行預(yù)報，其中由于熱電偶測溫法具有響應(yīng)快、經(jīng)濟(jì)實用、易于維護(hù)、可靠性高等特點，因而成為國內(nèi)外應(yīng)用最為廣泛的粘結(jié)漏鋼預(yù)報方法。
目前國內(nèi)外幾乎所有漏鋼預(yù)報系統(tǒng)主要在熱電偶測溫法的基礎(chǔ)上，通過邏輯判斷和神經(jīng)網(wǎng)絡(luò)對連鑄粘結(jié)漏鋼進(jìn)行預(yù)報。其中神經(jīng)網(wǎng)絡(luò)法相對于邏輯判斷法具有較好的自適應(yīng)能力、
i棒性和容錯能力，并且其性能隨時間的增長不斷提高，因此成為近年來漏鋼診斷預(yù)報的發(fā)
展趨勢?，F(xiàn)有的利用神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)報法，如文章"基于改進(jìn)模糊ART神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼預(yù)報模型"，只是預(yù)測了單列熱電偶的連鑄漏鋼預(yù)報，這種預(yù)報方法一定程度上解決了對漏鋼事故的報警，但存在較多的誤報情況。

發(fā)明內(nèi)容
針對現(xiàn)有漏鋼預(yù)報精度低，誤報頻繁，單排熱電偶的連鑄漏鋼預(yù)報方法精度不高和存在誤報的情況。本發(fā)明提供一種基于模糊神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼時序空間組合診斷預(yù)報方法，通過對模糊ART神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)，并有機(jī)結(jié)合模糊模式識別和模糊聚類算法，該方法將建立的新型競爭型模糊神經(jīng)網(wǎng)絡(luò)用于粘結(jié)漏鋼的預(yù)報過程中，保證了較低的漏
報率和誤報率，能夠有效地識別粘結(jié)漏鋼^:程中兩種典型的溫度模式和預(yù)報拉事故的發(fā)生。本發(fā)明的技術(shù)方案如下要對連鑄生產(chǎn)過程中粘結(jié)漏鋼的發(fā)生進(jìn)行預(yù)報，其實質(zhì)就是識 別出粘結(jié)漏鋼過程中兩種典型的溫度模式(如圖1所示)，實際上就是一個動態(tài)波形模式識別 的問題，即要從熱電偶檢測得到的大量溫度波形中，識別出具有漏鋼征兆的波形，對圖中兩 種典型的溫度波形溫度模式1和溫度模式2進(jìn)行動態(tài)識別。
本發(fā)明的基于模糊神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼時序空間組合診斷預(yù)報方法包括如下步驟 (1)采集數(shù)據(jù)
采集連鑄現(xiàn)場熱電偶的溫度數(shù)據(jù)，并對溫度數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的過程包括不良數(shù)據(jù) 處理和數(shù)據(jù)標(biāo)準(zhǔn)化，其中不良數(shù)據(jù)處理是將采樣溫度ti與前一時刻溫度tw進(jìn)行比較，如果 兩者相差30%，則將前一時刻溫度替代當(dāng)前時刻的溫度，即ti =ti-1;數(shù)據(jù)標(biāo)準(zhǔn)化指對采集 的數(shù)據(jù)進(jìn)行歸一化處理，公式如下 i <formula>formula see original document page 4</formula>
式中義為溫度測量序列的穩(wěn)定閾值， 一般取.20°至24° 。 (2)建立模糊ART神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練。
網(wǎng)絡(luò)模型由輸入層FO、識別層F1和輸出層F2組成，輸入層FO的輸入X為步驟(1)采 集的溫度，X-THt! ， t2 ，…，t丄t^
;識別層F1激活值向量^ = {^}為當(dāng)甜輸入& 初F1層各節(jié)點對應(yīng)聚類中心之間的貼近度，貼近度采用如下公式計算
<formula>formula see original document page 4</formula>
按照競爭獲勝規(guī)則，激活值最大即對應(yīng)貼近度最大的節(jié)點J獲勝
& = max{S;.，= 1,2，…,Q ，其對應(yīng)的最大貼近度;/ = & = iV(^,力)。 JV(兀云)為向量A和B間貼近度，上標(biāo)表示其為向量。
Z^0O為向量A中某個元素義i的隸屬度，/^00為向量B中某個元素;ri的隸屬度，
隸屬矩陣和聚類中心的計算公式采用常用的公式計算。
設(shè)X為本網(wǎng)絡(luò)模型識別層的貼近度輸出，V為輸出層權(quán)值，Y為期望輸出，E為實際輸
出與期望輸出的誤差，則Y-VX+E，利用正交最小二乘法OLS對輸出層權(quán)值V進(jìn)行擬合，使網(wǎng)絡(luò)輸出達(dá)到期望值，采用ConditionalFCM算法對聚類中心進(jìn)行進(jìn)一步調(diào)整。 同時按照下式更新權(quán)值
式中『/為新確定出的網(wǎng)絡(luò)權(quán)值，ffj為之前(原)網(wǎng)絡(luò)權(quán)值，"為學(xué)習(xí)系數(shù)，取值[O,l] 之間。當(dāng)J節(jié)點為未受委托節(jié)點時，>9 = 1.0，網(wǎng)絡(luò)處于快速學(xué)習(xí)狀態(tài)，同時網(wǎng)絡(luò)建立一個新 的類別模式；相反，0<;0<1，網(wǎng)絡(luò)處于慢速學(xué)習(xí)狀態(tài)，同時網(wǎng)絡(luò)將當(dāng)前輸入樣本的新模式 信息結(jié)合到對應(yīng)的聚類中心中；
輸出層F2中yk為樣本J^的實際網(wǎng)絡(luò)輸出，fk為樣本X4的輸出反饋值，其大小表示樣 本J^對聚類算法中聚類中心的影響程度，f產(chǎn)0表示該樣本對聚類中心完全沒有影響；fk=l 表示該樣本對聚類中心影響最大。
建立好的模糊ART神經(jīng)網(wǎng)絡(luò)，將粘結(jié)漏鋼過程中兩種典型的溫度模式(如圖l所示,)的 數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練。
(3) 單列熱電偶時序網(wǎng)絡(luò)判別
對于步驟(2)建立的模糊ART神經(jīng)網(wǎng)絡(luò)，輸入上排熱電偶和下排熱電偶的數(shù)據(jù)， 如果單列熱電偶貼近度 2/ ， /7取0.95則報警； 如果單列熱電偶貼近度 7在0.85~0.95進(jìn)入步驟(4); 如果單列熱電偶貼近度7小于0.85則返回步驟(1):
(4) 組偶空間網(wǎng)絡(luò)判別
計算該單列熱電偶相鄰列熱電偶貼近度，如果貼近度77也在0.85-0.95范圍，計算此時組 偶的閾值P=PD+PD (l-Pz)，'滿足閾值P大于0.8，報警； 否則返回步驟(1)。 式中Po單列熱電偶的貼近度，Pz相鄰列熱電偶的貼近度。
本發(fā)明的有益效果通過對單偶和組偶的組合判斷，精度提高不少，通過將模糊聚類算 法和模糊ART神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，引入Conditional FCM算法對聚類中心作進(jìn)一步調(diào)整，從 而進(jìn)一步提高了網(wǎng)絡(luò)模型對連鑄粘結(jié)漏鋼過程中典型溫度模式的辨識效果和模型的預(yù)報精 度。


圖1為本發(fā)明的連鑄粘結(jié)漏鋼過程的典型溫度模式示意圖； 圖2為本發(fā)明的空間組合診斷示意圖；圖3為本發(fā)明中粘結(jié)漏鋼診斷預(yù)報的流程圖4為本發(fā)明中模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖5為本發(fā)明中單列熱電偶時序網(wǎng)絡(luò)判別示意圖6為本發(fā)明中網(wǎng)絡(luò)學(xué)習(xí)過程流程圖7為本發(fā)明中組偶空間網(wǎng)絡(luò)判別示意圖8為本發(fā)明中網(wǎng)絡(luò)時序空間組合診斷流程圖。
具體實施例方式
本發(fā)明的具體實施過程分為兩個步驟
采用本方法建立的漏鋼診斷預(yù)報模型經(jīng)近5個月的模型訓(xùn)練和模型參數(shù)的修正后投入在 線運(yùn)行近一年的應(yīng)用效果如下表(這里只是對訓(xùn)練期間和應(yīng)用期間做了個大致的統(tǒng)計，由于 訓(xùn)練期和應(yīng)用期長度不一樣，所以用比率來表示而不用次數(shù)來表示)。
表1模型應(yīng)用效果
誤報率 漏報率 報出率
% % %
訓(xùn)練期 24 10.7 88.2
應(yīng)用期 14 0 100
(l)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練
利用連鑄現(xiàn)場采集的歷史數(shù)據(jù)，從中選取具有連鑄粘結(jié)漏鋼過程中典型溫度模式1和模 式2 (如圖1所示)特征和其他模式特征的溫度測量序列作為訓(xùn)練樣本集，用于神經(jīng)網(wǎng)絡(luò)模
型i和模型n的訓(xùn)練，其中模型 用于識別具有溫度模式i特征的樣本，模型n用于識別具有溫
度模式2特征的樣本。兩個模型的訓(xùn)練樣本、網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)算法等都相同，只是的期望輸 出不同，其期望輸出分別為
y:(1)— 乂(n)—
* lO.l24"234 " ' ]0.9 24"^34
網(wǎng)絡(luò)的訓(xùn)練過程分為兩個階段進(jìn)行，通過第一階段學(xué)習(xí)初步確定聚類中心；通過第二階 段學(xué)習(xí)對聚類中心進(jìn)行進(jìn)一步調(diào)整和優(yōu)化，并確定輸出層權(quán)值，具體流程如圖8所示。 (2)網(wǎng)絡(luò)的辨識網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練過程結(jié)束后，利用訓(xùn)練好的網(wǎng)絡(luò)對典型溫度模式的動態(tài)波形進(jìn)fi;辨
識，其具體過程如下
a)通過對連鑄現(xiàn)場實時采集的熱電偶溫度數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，獲得網(wǎng)絡(luò)的輸入溫度測 量序列f ;
'b)利用訓(xùn)練好網(wǎng)絡(luò)的聚類中心計算網(wǎng)絡(luò)辨識層的貼近度輸出
2Z"2(X'>S(X') iV(2,》)=-^-
(=1 i=i
c)根據(jù)輸出層權(quán)值v,計算網(wǎng)絡(luò)實際輸出3^
ffl
單列熱電偶時序網(wǎng)絡(luò)判別對于建立的模ft、RT神經(jīng)網(wǎng)絡(luò)，輸入上排熱電偶和下排熱電偶 的數(shù)據(jù)，如圖2所示，將所有的上排熱電偶和下排熱電偶輸入模糊ART神經(jīng)網(wǎng)絡(luò)，單列熱電 偶指的是上排熱電偶Ai和對應(yīng)的下排熱電偶Bi;
如果單列熱電偶貼近度/7 2/7， / 取0.95貝lJ報警；
如果單列熱電偶貼近度;7在0.85-0.95進(jìn)入組偶空間網(wǎng)絡(luò)判別。 組偶空間網(wǎng)絡(luò)判別計算該單列熱電偶相鄰列熱電偶貼近度，如果貼近度;7也在0.85 0.95 范圍，計算此時組偶的閾值P+PD+PD(卜Pz)，滿足閾值P大于0.8，報警； 式中PD單列熱電偶的貼近度，Pz相鄰列熱電偶的貼近度。
采用本方法建立的漏鋼診斷預(yù)報模型經(jīng)近5個月的模型訓(xùn)練和模型參數(shù)的修正后投入在 線運(yùn)行近一年的應(yīng)用效果如表1所示，誤報率大大降低，漏報率基本上為0。
權(quán)利要求
1、一種基于模糊神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼時序空間組合診斷預(yù)報方法，其特征是包括以下步驟(1)采集數(shù)據(jù)；采集連鑄現(xiàn)場熱電偶的溫度數(shù)據(jù)，并對溫度數(shù)據(jù)進(jìn)行預(yù)處理；(2)建立模糊ART神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練；(3)單列熱電偶時序網(wǎng)絡(luò)判別對于步驟(2)建立的模糊ART神經(jīng)網(wǎng)絡(luò)，輸入上排熱電偶和下排熱電偶的數(shù)據(jù)，如果單列熱電偶貼近度η≥ρ，ρ取0.95則報警；如果單列熱電偶貼近度η在0.85～0.95進(jìn)入步驟(4)；(4)組偶空間網(wǎng)絡(luò)判別計算該單列熱電偶相鄰列熱電偶貼近度，如果貼近度η也在0.85～0.95范圍，計算此時組偶的閾值P＝PD+PD(1-Pz)，滿足閾值P大于0.8，報警；式中PD單列熱電偶的貼近度，Pz相鄰列熱電偶的貼近度。
2、按照權(quán)利要求1所述的基于模糊神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼時序空間組合診斷預(yù)報方法，其特 征在于步驟(2)中模糊ART神經(jīng)網(wǎng)絡(luò)，輸入層FO的輸入X為步驟(1)采集的溫度，X^THt^ t2,…，t丄tiS
; n表示采集溫度的次數(shù);-識別層Fl激活值向量^-"》為當(dāng)前輸入^^和Fl層各節(jié)點對應(yīng)聚類中心之間的貼近度，貼近度采用如下公式計算,-=i (=i按照競爭獲勝規(guī)則，激活值最大即對應(yīng)貼近度最大的節(jié)點J獲勝&=max{Sy, j、l，2,…,Q, C為聚類中心數(shù)；其對應(yīng)的最大貼近度77 = & = iV(ip力)； 7V(:i，g)為向量A和B間貼近度，上標(biāo)~表示其為向量；a^(JC,.)為向量a中某個元素Xi的隸屬度，a")為向量b中某個元素a的隸屬度， 同時按照下式更新權(quán)值(,=+ " x (A — ^"尸) 式中^r為新確定出的網(wǎng)絡(luò)權(quán)值，rf為之前網(wǎng)絡(luò)權(quán)值，y5為學(xué)習(xí)系數(shù)，取值
之間；輸出層F2中yk為樣本J^的實際網(wǎng)絡(luò)輸出，fk為樣本J^的輸出反饋值。
全文摘要
一種基于模糊神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼時序空間組合診斷預(yù)報方法，屬于冶金連鑄過程的生產(chǎn)與控制領(lǐng)域，包括以下步驟(1)采集數(shù)據(jù)；采集連鑄現(xiàn)場熱電偶的溫度數(shù)據(jù)；(2)建立模糊ART神經(jīng)網(wǎng)絡(luò)；(3)單列熱電偶時序網(wǎng)絡(luò)判別，輸入上排熱電偶和下排熱電偶的數(shù)據(jù)，如果單列熱電偶貼近度大于0.95則報警；如果單列熱電偶貼近度在0.85～0.95進(jìn)入步驟(4)；(4)組偶空間網(wǎng)絡(luò)判別；計算該單列熱電偶相鄰列熱電偶貼近度，如果貼近度在0.85～0.95，計算此時組偶的閾值P，滿足閾值P大于0.8，報警。本發(fā)明通過對單偶和組偶的組合判斷，提高了網(wǎng)絡(luò)模型對連鑄粘結(jié)漏鋼過程中典型溫度模式的辨識效果和模型的預(yù)報精度。
文檔編號G05B23/02GK101477374SQ20091001016
公開日2009年7月8日 申請日期2009年1月20日 優(yōu)先權(quán)日2009年1月20日
發(fā)明者孟祥寧, 朱苗勇, 琦 趙 申請人:東北大學(xué)