通過神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)實(shí)現(xiàn)漏鋼預(yù)報(bào)

（中冶賽迪電氣技術(shù)有限公司自動(dòng)化部，重慶 400013）

通過神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)實(shí)現(xiàn)漏鋼預(yù)報(bào)

裴 斌

（中冶賽迪電氣技術(shù)有限公司自動(dòng)化部，重慶 400013）

針對(duì)連鑄生產(chǎn)中粘結(jié)性漏鋼引起的惡性事故，為解決該情況，設(shè)計(jì)采用基于BP神經(jīng)網(wǎng)絡(luò)為機(jī)理的漏鋼預(yù)報(bào)系統(tǒng)解決方案，介紹了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟及數(shù)據(jù)處理分析。方案經(jīng)測(cè)試，能夠準(zhǔn)確實(shí)現(xiàn)漏鋼預(yù)報(bào)，誤報(bào)率較低，為用戶創(chuàng)造了顯著的經(jīng)濟(jì)效益。

神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)歸一化處理；專家系統(tǒng)

概述

漏鋼是連鑄生產(chǎn)中的惡性事故，它不僅產(chǎn)生廢品、降低鑄機(jī)作業(yè)率和影響產(chǎn)量，而且損壞設(shè)備，極大地降低企業(yè)經(jīng)濟(jì)效益，每次漏鋼造成的經(jīng)濟(jì)損失達(dá)十幾萬元。因此，鑄機(jī)漏鋼成為衡量鑄機(jī)生產(chǎn)水平高低的重要指標(biāo)之一。在各種原因造成的漏鋼中粘結(jié)性漏鋼占絕大多數(shù)，因此減少粘結(jié)性漏鋼是降低連鑄漏鋼率的關(guān)鍵。解決粘結(jié)性漏鋼問題除了改善保護(hù)渣質(zhì)量同時(shí)精心操作以確保拉速、結(jié)晶器內(nèi)鋼液面穩(wěn)定以外，開發(fā)漏鋼預(yù)報(bào)裝置用于預(yù)先警告漏鋼的發(fā)生是最有效的措施。所以，目前國內(nèi)外裝備先進(jìn)的板坯連鑄機(jī)都裝配了結(jié)晶器漏鋼預(yù)報(bào)裝置，并在生產(chǎn)實(shí)際中發(fā)揮了重要作用，為用戶創(chuàng)造了顯著的經(jīng)濟(jì)效益。

1 系統(tǒng)硬件結(jié)構(gòu)

該系統(tǒng)結(jié)構(gòu)如圖1所示

2 軟件實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)測(cè)模式識(shí)別系統(tǒng)在上位機(jī)軟件中采用vc作為開發(fā)平臺(tái)。利用vc中的MFC框架構(gòu)建系統(tǒng)，對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用matlab軟件來實(shí)現(xiàn)。這樣既可以利用matlab強(qiáng)大的數(shù)學(xué)運(yùn)算能力，又可以利用vc強(qiáng)大的運(yùn)算控制能力和友好的人機(jī)交互能力。

圖1

漏鋼預(yù)報(bào)采用神經(jīng)網(wǎng)絡(luò)技術(shù)，根據(jù)比較研究本設(shè)計(jì)采用BP神經(jīng)網(wǎng)絡(luò)。BP的學(xué)習(xí)算法是一種有教師的學(xué)習(xí)算法。

本系統(tǒng)中所用三層前向BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及相關(guān)公式如下圖所示。

其中λ[0,1]為一常數(shù)， W（n）為上一次學(xué)習(xí)時(shí)的權(quán)值修正量。這樣做有利于加速學(xué)習(xí)過程，λ的取值一般可在0.7～0.8左右。本次設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型選取的是feed-forward backprop網(wǎng)絡(luò)。

2.1 網(wǎng)絡(luò)訓(xùn)練

在漏鋼檢測(cè)中，要想達(dá)到高的報(bào)出率和低的誤報(bào)率，訓(xùn)練樣本中應(yīng)該包含有足夠多的信息量。為達(dá)到足夠信息的目的，在仿真中綜合20多組數(shù)據(jù)作為訓(xùn)練樣本構(gòu)建網(wǎng)絡(luò)，以其中一組數(shù)據(jù)為輸入仿真網(wǎng)絡(luò)得到真實(shí)輸入與目標(biāo)值的誤差圖像如圖3所示：

分析原因不難發(fā)現(xiàn)在這些數(shù)據(jù)中有很多趨勢(shì)接近的數(shù)據(jù)所默認(rèn)的目標(biāo)值卻完全不相同。為避免這一矛盾，簡(jiǎn)化訓(xùn)練樣本，選取了其中一組較典型的數(shù)據(jù)以求達(dá)到以較少的樣本量卻包含較多信息的目的，將這一數(shù)據(jù)叫做樣本一。

圖2

在確定以樣本一為訓(xùn)練對(duì)象后，選取了一個(gè)3個(gè)熱電偶數(shù)據(jù)序列輸入18個(gè)隱含層的網(wǎng)絡(luò)來訓(xùn)練，此次訓(xùn)練中隱含層和輸出層函數(shù)均選用的對(duì)數(shù)函數(shù)“tansig”，訓(xùn)練步數(shù)選取為100步。之后選取了樣本一中比較典型的3個(gè)熱電偶數(shù)據(jù)作為熱電偶的輸入數(shù)據(jù)，訓(xùn)練結(jié)果如圖4：

從圖4可看出的訓(xùn)練結(jié)果精度還是比較理想，針對(duì)上圖訓(xùn)練所構(gòu)建的網(wǎng)絡(luò)，將訓(xùn)練數(shù)據(jù)作為輸入數(shù)據(jù)所達(dá)到的實(shí)際輸出與目標(biāo)輸出之間的差值如上圖5所示：

圖3

圖4

圖5

圖6

圖7

圖8

由差值圖6-7像可以看出，對(duì)應(yīng)于輸入值的實(shí)際輸出值和目標(biāo)輸出值之間的差別極小，結(jié)果比較理想，但是在實(shí)際的環(huán)境中，輸入值的高低會(huì)隨著各種因素的改變而改變（如環(huán)境溫度，冷卻速度等），因此，將輸入值整體降低50度、整體升高50度后作為輸入仿真圖像的結(jié)果分別如圖5所示：

從上面兩個(gè)仿真圖的結(jié)果可以看出，當(dāng)輸入的數(shù)據(jù)保持與訓(xùn)練數(shù)據(jù)一樣的趨勢(shì)，但整體均值有所差異的時(shí)候，訓(xùn)練數(shù)據(jù)所構(gòu)建的網(wǎng)絡(luò)仿真結(jié)果非常不理想，為解決這一矛盾，采取數(shù)據(jù)處理及專家系統(tǒng)，避免了由溫度偏差所造成的誤報(bào)、漏報(bào)。

2.2 數(shù)據(jù)歸一化處理：

在bpnet.c中datafloat函數(shù)中修改數(shù)據(jù)處理的方法。

/*doublemaxvalue=0,minvalue=400;

for（dfi=0;dfi

if（minvalue>*（dfmatrix+dfi））{minvalue=*（dfmatrix+dfi）;}// 求得最小值}

for（dfi=0;dfi

2.3 專家系統(tǒng)

知識(shí)庫：

規(guī)則1：if 當(dāng)前采樣值前30個(gè)平均值小于前200個(gè)溫度值的平均值的1.15倍Then正常

規(guī)則2：if 在當(dāng)前采樣點(diǎn)的以前的連續(xù)40個(gè)采樣點(diǎn)中，下熱點(diǎn)偶溫度超過上熱偶溫度的個(gè)數(shù)<15 Then正常

規(guī)則3：if 當(dāng)前采樣點(diǎn)的前30個(gè)采樣數(shù)據(jù)中下熱電偶溫度超過上熱點(diǎn)溫度的最大連續(xù)采樣點(diǎn)數(shù)<5The正常

#d e f i n e n u m b a f f e r 2 0 0 #d e f i n e r i s e r a t e 1.1 5 #d e f i n e c o n v e r t n u m 1 5 #definecontiueconvernem5 intdatabuffer[numbaffer][42];

doublesumdateH200=0, sumdateL200=0, sumdateH30=0, sumdateL30=0;

i n t compareresult[40];

//比較結(jié)果int coutinuecompass[36];

//連續(xù)5個(gè)值下熱偶超過上面熱電偶int sum5=0;

//連續(xù)5個(gè)比較結(jié)果int sumcoutinous5=0 ;

//有 多 少 個(gè) 連 續(xù)5個(gè)for （int num=0;num

{for（intlocation=0;location <42;location++）{databuffer[num] [location]=databuffer[num+1][location];}for（intlocation1=0;location1<42;location1++）{databuffer[numbaffer-1][location1]=（int）pbnumc[location1+1];}}

專家?guī)鞂?shí)現(xiàn)

sumdateH200=0;sumdateL200 =0;sumdateH30=0;sumdateL30=0;if（ptestresult[sdc]>ALARMLEVEL） { //神經(jīng)網(wǎng)絡(luò)判斷為漏鋼//邏輯條件1 ：溫度升高，前40個(gè)采樣點(diǎn)的平均溫度，高于前200個(gè)點(diǎn)的值 4%for（int num200= 0;num200sumdateH30/30&&sumda teL200/numbaffer>sumdateL30/30）{ptestresult[sdc]=0; }else{ //條件2下熱點(diǎn)偶溫度比上熱點(diǎn)偶溫度高的點(diǎn)超過n個(gè)}}

2.4 結(jié)果分析

定義：漏報(bào)率P1：發(fā)生了漏鋼而沒有報(bào)出的概率； 準(zhǔn)確率P2，在報(bào)出此數(shù)中，真實(shí)預(yù)報(bào)此數(shù)的概率。P2=真實(shí)漏鋼次數(shù)/報(bào)警此數(shù)。參與統(tǒng)計(jì)的總樣本數(shù)為N，其中發(fā)生漏鋼的樣本數(shù)Nl，神經(jīng)網(wǎng)絡(luò)發(fā)出報(bào)警的次數(shù)為Nb，報(bào)出的真實(shí)漏鋼次數(shù)為Nz，誤報(bào)的次數(shù)為Nw。

圖8為用神經(jīng)網(wǎng)絡(luò)測(cè)試的結(jié)果，圖中的三條線，藍(lán)色和紫色分別代表上下熱偶溫度的波形，黃色代表預(yù)測(cè)結(jié)果。圖中熱電偶溫度變化趨勢(shì)和粘接時(shí)發(fā)生的溫度波形一致，說明這三個(gè)時(shí)刻發(fā)生了漏鋼，且神經(jīng)網(wǎng)絡(luò)也正確預(yù)報(bào)出了漏鋼情況。

參與統(tǒng)計(jì)的總樣本數(shù)為N=110，其中發(fā)生漏鋼的樣本數(shù)Nl=54，神經(jīng)網(wǎng)絡(luò)發(fā)出報(bào)警的次數(shù)為Nb=57，報(bào)出的真實(shí)漏鋼次數(shù)為Nz=54，誤報(bào)的次數(shù)為Nw=3。

由此可以得出：

漏報(bào)率為

誤報(bào)率為

結(jié)語

為了更好地完成漏鋼預(yù)報(bào)，需要得到結(jié)晶器的受熱和傳熱的機(jī)理分析和計(jì)算公式，以及結(jié)晶器粘接性漏鋼的熱電偶測(cè)量溫度的變化規(guī)律。并采用VC、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)及拉格朗日等算法進(jìn)行分析和編程，還將利用大量數(shù)據(jù)實(shí)驗(yàn)分析來進(jìn)行算法的訓(xùn)練與完善。

[1]周漢香，于學(xué)斌．連鑄漏鋼預(yù)報(bào)技術(shù)[J]．煉鋼，1999．

TF77

A