基于K-means算法的連鑄漏鋼預報方法研究

師 波，代英男，左水利，吳永杰

(1.中國重型機械研究院股份公司，陜西 西安 710032；2.遼寧忠旺機械設備制造有限公司，遼寧 遼陽 111003)

0 前言

漏鋼是影響連鑄生產及其設備壽命的主要因素，由于連鑄現場環境十分惡劣，伴隨著噪聲振動過大、高溫、電磁攪拌干擾大等多種因素，這些因素嚴重影響著漏鋼預報系統的準確度[1-3]；在多種預報系統中，以熱電偶測溫法應用最為普遍[4-6]，因為在粘結的發展過程中，破裂處結晶器銅板溫度會升高，利用埋設在結晶器銅板的熱電偶，便可以在縱向和橫向上測出一個明顯的溫度傳遞趨勢，最終做出關于漏鋼與否的判斷。

在實際澆鑄過程中，粘結漏鋼事故發生率最高，國內外眾多學者都在積極尋求漏鋼預報的方法[7-11]，張本國等[12-14]提出基于改進BP神經網絡的連鑄漏鋼預報，神經網絡算法收斂速度慢不能滿足工業實際生產中的實時性，并容易陷入局部最小解。王葛、方一鳴等[15-17]提出基于支持向量機(SVM)算法的連鑄漏鋼預報模型，但目前關于SVM的參數優化不盡人意，缺乏相應的理論依據，不同的參數選取對算法的性能影響較大，這些算法都存在一定的誤報率和漏報率。因此，亟需開發一種誤報率極低、準確率極高的漏鋼預報系統，滿足工業生產實際需求，提高板坯的表面質量。

基于中國重型機械研究院積累多年的經驗，開發一種能應用于工業實際生產中的漏鋼預報系統，本文提出一種基于機器學習K-means算法的漏鋼預報方法，進行綜合判斷分析，并對某鋼廠220 mm×1 600 mm板坯連鑄機澆鑄過程采集到的溫度數據進行測試，測試結果表明極大提高漏鋼預報的準確率。

1 漏鋼預報系統的工作原理

該系統主要由五部分組成：結晶器內、外弧上布置熱電偶;通過重載連接器將采集到的溫度數據傳輸到采集箱;由采集箱通過網線傳輸到工控機;工控機與漏鋼預報系統計算機之間采用PLC通訊;報警系統。

該系統工作原理是熱電偶將采集到的溫度數據通過重載連接器和電纜傳輸到采集箱，采集箱由溫度采集模塊、電源、交換機組成，將采集到的數據匯總到串口交換機，通過工業以太網將數據傳輸到工控機，工控機與主控室的計算機通過工業以太網進行PLC通訊，采集到的數據經過數據處理后識別為漏鋼數據，報警系統將通過聲和光信號進行報警，漏鋼預報系統結構如圖1所示。

圖1 漏鋼預報系統結構示意圖

在結晶器銅板背面布置熱電偶如圖2所示，采用內弧、外弧寬面3排3列，窄面2排3列，熱電偶每一時刻采集到的數據為60個。

圖2 結晶器布置熱電偶

2 K-means均值聚類算法的原理

基于距離的模型度量，可以選歐式距離、曼哈頓距離、馬氏距離、閔可夫距離，以及滿足距離公理的其他所有距離，基于KNN算法中采用2范數閔可夫距離，也就是歐式距離。

(1)

定理[7]設是歐式空間中的一個點集，則其算術平均值μ是使到D中所有數據點的歐式距離平方和最小的唯一點。

通過求取梯度，并令其為0，即

即

根據大量有代表性的樣本數據，構建漏鋼預報系統的模型，依據最近的鄰范例制定決策規則，分類器在構建的過程中，使到集合中各向量歐式距離的平方和最小。在某鋼廠板坯連鑄機結晶器布置的熱電偶如圖3所示，剔除運行期間外弧寬面3 個熱電偶(TC103、TC104、TC302)開路，1個熱電偶(TC105)閉路，左窄面1個熱電偶(TD102)開路共5個熱電偶損壞，因此每一時刻采集到的有效數據共55個。

圖3 熱電偶布置示意圖

3 連鑄漏鋼預報方法

3.1 K-means故障預報算法

建模和算法設計先不考慮實時性的要求，根據現有數據進行特性分析，主要特征提取，分類參數獲取，參數調節；驗證(正常運行的測試)，滿足實時性要求的基礎上，對實時采集數據或者新的歷史數據進行分析預報處理，兩者反復的迭代找出最適合的算法及參數。

K-means均值聚類是一種無監督的學習，將相似的對象歸到同一個簇中，簇個數K是用戶事先給定的，每一個簇通過其質心(簇中所有點的中心)來描述，連鑄漏鋼預報系統采集的數據分為3類：正常澆鑄、溫度上升、漏鋼時刻，寬面和窄面的數據如圖4所示。

圖4 漏鋼預報系統采集溫度曲線

連鑄漏鋼預報系統簇的個數K選取為3；創建3個點作為起始質心(隨機的選擇)，當任意一個點的簇分類結果發生改變時，對數據樣本中的每個數據點，計算質心與數據點的歐氏距離，將數據點分配到距其最近的簇，對于每個簇，計算簇中所有點的均值作為其質心，K-means算法程步驟如圖5所示。

圖5 K-means算法流程圖

3.2 在Matlab中對K-means算法測試

在某鋼廠漏鋼預報系統布置的熱電偶如圖2所示，每一時刻采集到的有效數據共55個，從漏鋼預報系統的數據庫里面選取20 000個具有代表性的訓練樣本進行學習，其中訓練樣本包含19 717個正常澆鑄時刻的數據，157個溫度上升時刻的數據，126個漏鋼故障時刻的數據，因此，樣本數據為20 000×55的矩陣。

為了驗證所設計K-means算法的有效性，在Matlab中運行算法程序，結果如圖6所示，可以看出紅色時刻漏鋼數據、溫度上升時刻數據、正常澆注數據清晰的分類，三個簇的質心選取正確，因此證明所設計的K-means算法是正確的。K-means算法的優點是容易實現分類，收斂速度快，使用該算法時，建議多次運行，并選擇簇內散度最小的那個解。

圖6 K-means算法運行結果

4 結 論

本文將K-means機器學習算法引入到連鑄漏鋼預報系統中，解決了傳統算法的收斂速度慢、誤報率高的問題，對某鋼廠連鑄生產過程中結晶器熱電偶所采集的溫度數據進行降維和聚類后測試，測試結果表明，預報效果較為滿意，可以對采集的數據進行正確分類，提高了漏鋼預報系統對粘結漏鋼溫度模式的識別精度，降低了誤報率。