通過神經網絡與專家系統實現漏鋼預報

（中冶賽迪電氣技術有限公司自動化部，重慶 400013）

通過神經網絡與專家系統實現漏鋼預報

裴 斌

（中冶賽迪電氣技術有限公司自動化部，重慶 400013）

針對連鑄生產中粘結性漏鋼引起的惡性事故，為解決該情況，設計采用基于BP神經網絡為機理的漏鋼預報系統解決方案，介紹了神經網絡的訓練步驟及數據處理分析。方案經測試，能夠準確實現漏鋼預報，誤報率較低，為用戶創造了顯著的經濟效益。

神經網絡；數據歸一化處理；專家系統

概述

漏鋼是連鑄生產中的惡性事故，它不僅產生廢品、降低鑄機作業率和影響產量，而且損壞設備，極大地降低企業經濟效益，每次漏鋼造成的經濟損失達十幾萬元。因此，鑄機漏鋼成為衡量鑄機生產水平高低的重要指標之一。在各種原因造成的漏鋼中粘結性漏鋼占絕大多數，因此減少粘結性漏鋼是降低連鑄漏鋼率的關鍵。解決粘結性漏鋼問題除了改善保護渣質量同時精心操作以確保拉速、結晶器內鋼液面穩定以外，開發漏鋼預報裝置用于預先警告漏鋼的發生是最有效的措施。所以，目前國內外裝備先進的板坯連鑄機都裝配了結晶器漏鋼預報裝置，并在生產實際中發揮了重要作用，為用戶創造了顯著的經濟效益。

1 系統硬件結構

該系統結構如圖1所示

2 軟件實現

神經網絡漏鋼預測模式識別系統在上位機軟件中采用vc作為開發平臺。利用vc中的MFC框架構建系統，對神經網絡的訓練采用matlab軟件來實現。這樣既可以利用matlab強大的數學運算能力，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

漏鋼預報采用神經網絡技術，根據比較研究本設計采用BP神經網絡。BP的學習算法是一種有教師的學習算法。

本系統中所用三層前向BP神經網絡的結構及相關公式如下圖所示。

其中λ[0,1]為一常數， W（n）為上一次學習時的權值修正量。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。本次設計的神經網絡模型選取的是feed-forward backprop網絡。

2.1 網絡訓練

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多組數據作為訓練樣本構建網絡，以其中一組數據為輸入仿真網絡得到真實輸入與目標值的誤差圖像如圖3所示：

分析原因不難發現在這些數據中有很多趨勢接近的數據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據以求達到以較少的樣本量卻包含較多信息的目的，將這一數據叫做樣本一。

圖2

在確定以樣本一為訓練對象后，選取了一個3個熱電偶數據序列輸入18個隱含層的網絡來訓練，此次訓練中隱含層和輸出層函數均選用的對數函數“tansig”，訓練步數選取為100步。之后選取了樣本一中比較典型的3個熱電偶數據作為熱電偶的輸入數據，訓練結果如圖4：

從圖4可看出的訓練結果精度還是比較理想，針對上圖訓練所構建的網絡，將訓練數據作為輸入數據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，結果比較理想，但是在實際的環境中，輸入值的高低會隨著各種因素的改變而改變（如環境溫度，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果分別如圖5所示：

從上面兩個仿真圖的結果可以看出，當輸入的數據保持與訓練數據一樣的趨勢，但整體均值有所差異的時候，訓練數據所構建的網絡仿真結果非常不理想，為解決這一矛盾，采取數據處理及專家系統，避免了由溫度偏差所造成的誤報、漏報。

2.2 數據歸一化處理：

在bpnet.c中datafloat函數中修改數據處理的方法。

/*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

知識庫：

規則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

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

規則3：if 當前采樣點的前30個采樣數據中下熱電偶溫度超過上熱點溫度的最大連續采樣點數<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];

//比較結果int coutinuecompass[36];

//連續5個值下熱偶超過上面熱電偶int sum5=0;

//連續5個比較結果int sumcoutinous5=0 ;

//有 多 少 個 連 續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];}}

專家庫實現

sumdateH200=0;sumdateL200 =0;sumdateH30=0;sumdateL30=0;if（ptestresult[sdc]>ALARMLEVEL） { //神經網絡判斷為漏鋼//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 結果分析

定義：漏報率P1：發生了漏鋼而沒有報出的概率； 準確率P2，在報出此數中，真實預報此數的概率。P2=真實漏鋼次數/報警此數。參與統計的總樣本數為N，其中發生漏鋼的樣本數Nl，神經網絡發出報警的次數為Nb，報出的真實漏鋼次數為Nz，誤報的次數為Nw。

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

參與統計的總樣本數為N=110，其中發生漏鋼的樣本數Nl=54，神經網絡發出報警的次數為Nb=57，報出的真實漏鋼次數為Nz=54，誤報的次數為Nw=3。

由此可以得出：

漏報率為

誤報率為

結語

為了更好地完成漏鋼預報，需要得到結晶器的受熱和傳熱的機理分析和計算公式，以及結晶器粘接性漏鋼的熱電偶測量溫度的變化規律。并采用VC、神經網絡、專家系統及拉格朗日等算法進行分析和編程，還將利用大量數據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[J]．煉鋼，1999．

TF77

A