[发明专利]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

说明书

技术领域

本发明属于冶金连铸过程的生产与控制领域，特别涉及一种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。 

背景技术

在连铸生产过程中，漏钢是最具危害性的生产事故，一旦发生将导致停产并不得不更换被漏钢事故破坏的设备，对作业的稳定性、产品的质量、人身安全及设备的寿命都有不良的影响，进而影响连续铸钢的大规模应用，一次典型的漏钢事故所造成的损失可能接近20万美元。由于粘结性漏钢是造成漏钢的主要原因，减少粘结性漏钢成为降低连铸漏钢率的关键。 

为了克服粘结性漏钢事故，人们进行了大量的实验研究，其中除了研究高性能的保护渣并使各种工艺条件和参数保持最佳组合以外，利用结晶器热交换分析、热电偶测温、振波分析、摩擦力测量等方法能够有效地对连铸漏钢进行预报，其中由于热电偶测温法具有响应快、经济实用、易于维护、可靠性高等特点，因而成为国内外应用最为广泛的粘结漏钢预报方法。 

目前国内外几乎所有漏钢预报系统主要在热电偶测温法的基础上，通过逻辑判断和神经网络对连铸粘结漏钢进行预报。其中神经网络法相对于逻辑判断法具有较好的自适应能力、鲁棒性和容错能力，并且其性能随时间的增长不断提高，因此成为近年来漏钢诊断预报的发展趋势。现有的利用神经网络漏钢预报法，如(赵琦，朱苗勇，基于改进模糊ART神经网络的连铸漏钢预报模型[J]，中国冶金，2007，17(10)：26-29，53)，只是预测了单列热电偶的连铸漏钢预报，这种预报方法一定程度上解决了对漏钢事故的报警，但存在较多的误报情况。

发明内容

针对现有漏钢预报精度低，误报频繁，单排热电偶的连铸漏钢预报方法精度不高和存在误报的情况。本发明提供一种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，通过对模糊ART神经网络学习算法和网络结构的改进，并有机结合模糊模式识别和模糊聚类算法，该方法将建立的新型竞争型模糊神经网络用于粘结漏钢的预报过程中，保证了较低的漏报率和误报率，能够有效地识别粘结漏钢过程中两种典型的温度模式和预报拉事故的发生。

本发明的技术方案如下：要对连铸生产过程中粘结漏钢的发生进行预报，其实质就是识别出粘结漏钢过程中两种典型的温度模式(如图1所示)，实际上就是一个动态波形模式识别的问题，即要从热电偶检测得到的大量温度波形中，识别出具有漏钢征兆的波形，对图中两种典型的温度波形：温度模式1和温度模式2进行动态识别。 

本发明的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包括如下步骤： 

(1)采集数据 

采集连铸现场热电偶的温度数据，并对温度数据进行预处理。预处理的过程包括不良数据处理和数据标准化，其中不良数据处理是将采样温度t_i与前一时刻温度t_i-1进行比较，如果两者相差30％，则将前一时刻温度替代当前时刻的温度，即t_i＝t_i-1；数据标准化指：对采集的数据进行归一化处理，公式如下：