（中冶賽迪電氣技術(shù)有限公司自動化部，重慶 400013）

通過神經(jīng)網(wǎng)絡與專家系統(tǒng)實現(xiàn)漏鋼預報

裴 斌

（中冶賽迪電氣技術(shù)有限公司自動化部，重慶 400013）

針對連鑄生產(chǎn)中粘結(jié)性漏鋼引起的惡性事故，為解決該情況，設(shè)計采用基于BP神經(jīng)網(wǎng)絡為機理的漏鋼預報系統(tǒng)解決方案，介紹了神經(jīng)網(wǎng)絡的訓練步驟及數(shù)據(jù)處理分析。方案經(jīng)測試，能夠準確實現(xiàn)漏鋼預報，誤報率較低，為用戶創(chuàng)造了顯著的經(jīng)濟效益。

神經(jīng)網(wǎng)絡；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)濟效益，每次漏鋼造成的經(jīng)濟損失達十幾萬元。因此，鑄機漏鋼成為衡量鑄機生產(chǎn)水平高低的重要指標之一。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渣質(zhì)量同時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)漏鋼預報裝置用于預先警告漏鋼的發(fā)生是最有效的措施。所以，目前國內(nèi)外裝備先進的板坯連鑄機都裝配了結(jié)晶器漏鋼預報裝置，并在生產(chǎn)實際中發(fā)揮了重要作用，為用戶創(chuàng)造了顯著的經(jīng)濟效益。

1 系統(tǒng)硬件結(jié)構(gòu)

該系統(tǒng)結(jié)構(gòu)如圖1所示

2 軟件實現(xiàn)

神經(jīng)網(wǎng)絡漏鋼預測模式識別系統(tǒng)在上位機軟件中采用vc作為開發(fā)平臺。利用vc中的MFC框架構(gòu)建系統(tǒng)，對神經(jīng)網(wǎng)絡的訓練采用matlab軟件來實現(xiàn)。這樣既可以利用matlab強大的數(shù)學運算能力，又可以利用vc強大的運算控制能力和友好的人機交互能力。

圖1

漏鋼預報采用神經(jīng)網(wǎng)絡技術(shù)，根據(jù)比較研究本設(shè)計采用BP神經(jīng)網(wǎng)絡。BP的學習算法是一種有教師的學習算法。

本系統(tǒng)中所用三層前向BP神經(jīng)網(wǎng)絡的結(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）為上一次學習時的權(quán)值修正量。這樣做有利于加速學習過程，λ的取值一般可在0.7～0.8左右。本次設(shè)計的神經(jīng)網(wǎng)絡模型選取的是feed-forward backprop網(wǎng)絡。

2.1 網(wǎng)絡訓練

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

分析原因不難發(fā)現(xiàn)在這些數(shù)據(jù)中有很多趨勢接近的數(shù)據(jù)所默認的目標值卻完全不相同。為避免這一矛盾，簡化訓練樣本，選取了其中一組較典型的數(shù)據(jù)以求達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練對象后，選取了一個3個熱電偶數(shù)據(jù)序列輸入18個隱含層的網(wǎng)絡來訓練，此次訓練中隱含層和輸出層函數(shù)均選用的對數(shù)函數(shù)“tansig”，訓練步數(shù)選取為100步。之后選取了樣本一中比較典型的3個熱電偶數(shù)據(jù)作為熱電偶的輸入數(shù)據(jù)，訓練結(jié)果如圖4：

從圖4可看出的訓練結(jié)果精度還是比較理想，針對上圖訓練所構(gòu)建的網(wǎng)絡，將訓練數(shù)據(jù)作為輸入數(shù)據(jù)所達到的實際輸出與目標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，對應于輸入值的實際輸出值和目標輸出值之間的差別極小，結(jié)果比較理想，但是在實際的環(huán)境中，輸入值的高低會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：

從上面兩個仿真圖的結(jié)果可以看出，當輸入的數(shù)據(jù)保持與訓練數(shù)據(jù)一樣的趨勢，但整體均值有所差異的時候，訓練數(shù)據(jù)所構(gòu)建的網(wǎng)絡仿真結(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、漏報。

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)

知識庫：

規(guī)則1：if 當前采樣值前30個平均值小于前200個溫度值的平均值的1.15倍Then正常

規(guī)則2：if 在當前采樣點的以前的連續(xù)40個采樣點中，下熱點偶溫度超過上熱偶溫度的個數(shù)<15 Then正常

規(guī)則3：if 當前采樣點的前30個采樣數(shù)據(jù)中下熱電偶溫度超過上熱點溫度的最大連續(xù)采樣點數(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個值下熱偶超過上面熱電偶int sum5=0;

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

//有 多 少 個 連 續(xù)5個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)鞂崿F(xiàn)

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

2.4 結(jié)果分析

定義：漏報率P1：發(fā)生了漏鋼而沒有報出的概率； 準確率P2，在報出此數(shù)中，真實預報此數(shù)的概率。P2=真實漏鋼次數(shù)/報警此數(shù)。參與統(tǒng)計的總樣本數(shù)為N，其中發(fā)生漏鋼的樣本數(shù)Nl，神經(jīng)網(wǎng)絡發(fā)出報警的次數(shù)為Nb，報出的真實漏鋼次數(shù)為Nz，誤報的次數(shù)為Nw。

圖8為用神經(jīng)網(wǎng)絡測試的結(jié)果，圖中的三條線，藍色和紫色分別代表上下熱偶溫度的波形，黃色代表預測結(jié)果。圖中熱電偶溫度變化趨勢和粘接時發(fā)生的溫度波形一致，說明這三個時刻發(fā)生了漏鋼，且神經(jīng)網(wǎng)絡也正確預報出了漏鋼情況。

參與統(tǒng)計的總樣本數(shù)為N=110，其中發(fā)生漏鋼的樣本數(shù)Nl=54，神經(jīng)網(wǎng)絡發(fā)出報警的次數(shù)為Nb=57，報出的真實漏鋼次數(shù)為Nz=54，誤報的次數(shù)為Nw=3。

由此可以得出：

漏報率為

誤報率為

結(jié)語

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

[1]周漢香，于學斌．連鑄漏鋼預報技術(shù)[J]．煉鋼，1999．

TF77

A