论文部分内容阅读
连铸过程中对漏钢事故进行准确的预报不但有助于提高连铸机的生产率和连铸设备的完好率,同时还可以降低漏钢事故所造成的经济损失、提高铸坯质量。本文对粘结性漏钢的影响因素及其预报机理进行了分析研究,在此基础上引入神经网络技术进行漏钢预报方法的研究,以寻求一种有效的漏钢预报模型,研究工作在理论和实际应用方面都具有重要的意义。本文以构建板坯连铸漏钢预报模型为目标,以攀钢提钒炼钢厂2号板坯连铸机的连铸漏钢问题为应用背景,通过对BP神经网络及其优化算法的研究以及粘结性漏钢产生时热电偶温度所表现出来的变化特征分析,构建了基于BP神经网络的漏钢预报模型,模型的预报原理是将热电偶的温度变化作为识别特征进行漏钢判断。该模型由时序网络和空间网络组合而成,时序网络用来识别同一热电偶时间方向上的温度变化特征,空间网络用来识别不同热电偶空间(横向和纵向)方向上的温度传播特征,然后再由空间网络的输出经过逻辑判断给出漏钢报警信息。以Microsoft的Visual Basic 6.0程序语言为工具,以可操作性、灵活性以及可靠性为设计原则,对基于BP神经网络的板坯连铸漏钢预报模型进行程序实现。以在攀钢提钒炼钢厂现场采集到的历史数据对模型进行了测试,模型的测试分为样本测试法和离线的动态测试法。在样本测试法中采用与训练样本不同的测试样本,输入已建立的漏钢预报模型中进行识别,以初步检验模型的泛化性能、漏报以及误报的情况等。然后在此基础上完成了模型的动态离线测试,离线测试用的数据库中不包含有训练样本和样本测试时的样本数据。神经网络漏钢预报模型的测试结果表明:模型的预报效果良好,在用样本测试法对模型进行测试时,对采用的18组测试样本,其中包括10组漏钢报警样本,6组正常浇注样本和2组温度波动样本,模型无一误判。模型在离线测试时,对于其中的4次铸坯发生粘结的情况,模型都准确的检测了出来,模型的漏报率为0%,误报率为0.26%(次/炉)。