铸坯质量预报系统及其对生产管理及数据采集的要求

1 前言 　 在连铸生产中，对铸坯质最及时做出在线预报，对确保生产的连续性、提高产品质量及降低生产成本具有重要意义。许多钢铁企业对此都极为关注，并开发了自己的铸坯质量预报系统，利用飞速发展的计算机技术依靠连铸过程中大量传感器采集的与铸坯质量有关的工艺数据对铸坯质量进行实时监控和判定，取得了显著的经济效益和社会效益。本文针对国内某钢厂大方坯连铸机的实际特点，开发了基于BP神经网络的铸坯质量预报系统。该系统通过收集生产数据，将工艺参数作为输入，铸坯质量缺陷作为输出，应用数学方法研究输入与输出信息的关系，借以调整输入而达到最佳输出的效果。该系统的最大特色就是：可以脱离对复杂的连铸凝固机理的深入研究，利用神经网络良好的自适应性、非线性逼近能力、记忆能力以及泛化能力挖掘出大量生产数据中蕴藏的冶金知识和规律，将连铸生产中铸坯的质量预报过程视作一个黑箱，只求获得预想结果而不用弄清具体的反应细节。本文将着重阐述该系统的工作原理及其对生产管理与数据采集的要求。 2 铸坯质量预报系统的工作原理 　 本研究开发的铸坯质量预报系统包括四个主要模块：第一是过程数据采集录入模块；第二部分是人工神经网络建模(训练)模块；第三部分是质量预报模块，其中包括内部质量预报和表面质量预报；第四部分是数据存储和查询部分，用来存放训练网络用的训练样本集、训练好的网络单元之间的连接权值、阈值、连铸机所生产钢种的相关工艺数据，更重要的是保存和查询在线预报时产生的预报结果。图1为该系统的结构及各模块之间数据I/O接口示意图。 　 图1铸坯质量预报系统的结构及各模块之间数据I/0接口示意图 　 　　　 系统中的神经网络建模模块选择了BP网络，建模过程如图2所示。BP网络是一个多层前馈网络，由正向传播和反向传播组成，这种网络在输出层和输入层之间至少有一个隐蔽层，从输入层输入，经隐含层逐层处理后传入输出层。在正向传播阶段，每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出结果，则进入误差的反向传播阶段。误差反向返回，逐层修改各层的连接权值。 　 图2人工神经网络建模过程 　 　 质量预报模块是该系统的核心功能，是用户最终要求实现的功能，也是本系统的最终目的。预报的实质就是将连铸生产过程中采集的各种工艺参数(将其归一化处理后)送入网络的相应输入单元中，利用训练好的神经网络的前向计算得到铸坯缺陷的产生情况。 　 本研究开发的BP神经网络质量预报系统对铸坯质量预报的工作原理如下：网络输出作为控制目标(即要预报的缺陷类型及等级)可用Y=[Y1，Y2…Ym]T(Y∈Rm)表示，其输入向量即与要预报的缺陷有密切关系的各种工艺参数由X=[X1，X2…Xn]T(X∈Rn)表示，利用BP网络的自学习与调整功能，对来自生产实践中的历史数据提取出的样本不断学习，使得网络实际输出不断逼近期望输出从而找出一个从Rn到Rm的映射，得到大量样本数据中蕴含的铸坯缺陷与各特征参数之间的非线性函数关系Y=F(X)，从而利用这个关系实现铸坯质量缺陷的预测。 3 数据获取一对生产管理与数据采集的要求 　 从图1可以看出，本文建立的铸坯质量预报系统可以避开复杂的连铸凝固机理的研究，依靠连铸生产过程中大量传感器采集的有关工艺数据，借助适合复杂系统过程分析的人工神经网络技术利用数学方法实现对铸坯质量的在线预报。因此，该系统对钢铁企业生产流程中的各工序尤其是连铸工序的生产管理和数据采集提出了更高的要求。 3.1 数据采集 　 在连铸生产过程中，每个与质量有关的工艺参数(如拉速，二冷区各段水量等)都会在不同的位置或区域、以不同的方式对铸坯的质量造成不同的影响(即每个过程参数都有一个影响区)。例如，拉速和中包温度会对铸流中的整个铸坯质量有影响，而二冷区各段水量只会对在各扇形段长度内的铸坯质量造成影响。该质量预报系统将每流中的铸坯(从结晶器弯月面到切割点)分成很多切片(每片长约100㎜)并一一编号。浇注开始后，系统追随物流跟踪，从切片在弯月面产生开始一直到切割点，将每个过程参数分配到各自发生作用的部位并详细记载，这样切割结束后，定尺铸坯就包含有其开始和结束的切片范围内的所有切片的工艺数据。这些工艺数据中有的是依靠现场传感器以一定采样周期自动采集的(如拉速5秒/次)，有的是过程控制机的二级模型计算出来的(如铸坯表面温度)，有的是现场操作工通过控制板的按钮手工输入的以及还有前面工序如精炼、化验室传递过的如化学成份等等。 3.2 数据处理 　 从3.1数据采集部分我们知道，从一个切片在弯月面产生开始跟踪直到达到切割点，切片依次连续经过结晶器、足辊段以及二冷区各段等，在这个过程中，不同区域的传感器不断的按采样周期对过程参数进行采集。在得到切片的与质量有关的所有过程参数后，我们不能把这些数据简单地作为输入向量直接传入神经网络，而必须从这些时间序列的数据中提取出符合神经网络输入特征矢量要求的样本数据，这就需要对原始数据进行一系列的预处理了。 　 (1)空值处理。空值即缺失值，比如传感器的偶发性故障、数据传输失败、数据库存贮错误等造成的数据缺失。在本系统中，我们采用的是用平均值替换缺失值。 　 (2)噪声值处理。对采集的工艺参数设置有效值范围，当传感器采集的数据超出该有效值范围，就视为噪声信号，就直接将其删除，不予采用。 　 (3)归一化处理。采集的各特征参数原始数据具有不同的量纲、大小差别很大、数据分布范围也不同，如果将其直接送入网络进行训练，可能由于数据平均值和方差不一样会产生夸大某些变量影响输出目标的作用或掩盖某些变量的贡献的不良后果。为了消除这种不良后果，训练前必须对样本集中的数据进行归一化处理。归一化有很多方法，主要有最大最小值标准化方法和平均值及标准偏差标准化方法。通过比较，本文选用第一种方法，如公式(1)所示，标准化后的结果使得输入输出数据都为介于(O-1)之间的数据。 　 Xi′=(Xi-Xmin)/(Xmax-Xmin) (1) 　 式中：假设Xi为原始输入数据，Xmax为该组变量数据的最大值，Xmin为最小值，而Xi′为标准化后的原始输入数据。 　 得到切片的所有与质量有关的工艺参数并进行预处理后，将其作为网络的输入特征矢量代入系统的质量预报模块，便可预测出该切片铸坯的质量情况，再结合定尺长度所包含的切片数目，就能对每块定尺铸坯的质量给出综合判定了。 3.3 对生产管理的要求 　 铸坯质量预报系统以连铸及其它工序的数据为核心，借助计算机技术，利用人工神经网络的研究成果对铸坯质量进行在线实时判定，这个判定过程以微小的铸坯单元一切片为基础，涉及了生产过程的众多要素(比如各种传感器的数据采集、过程控制级的信息等等)。所以，它对生产管理提出了以下一些要求： 　 (1)必须具有强大的计算机系统。只有以强大的计算机系统(至少二级，最好三级或三级以上)做支撑，才能够对整个生产过程进行全面监控，采集到全面的生产数据；而且可以减少人工输入的错误，甚至是人为的虚假数据。只有这样，建立BP网络模型时，才能有大量可靠的生产历史数据来提取训练样本和测试样本，才能得到预报精度较高的质量预报系统。 　 (2)必须保证设备良好的运行状态。铸坯质量预报系统是在假定设备运行良好的情况下，由于工艺参数设置不当，或是生产过程中工艺参数偏离了正常的范围而造成质量缺陷的产生。如果设备有故障或是检测数据的传感器有问题，铸坯质量预报系统当然就不能正确的对铸坯质量进行预报。 　 (3)对铸坯质量的管理更加精细化。铸坯质量预报系统以微小的铸坯段一切片来进行预测的，实现了真正意义上的“按坯管理”，比以按炉为单位的管理方法更加精细化。而且，它对优化切割以及按不同钢种、不同用户的使用要求，对铸坯的处置方式也提出了精细化的要求。这就要求生产过程中对每块铸坯都要标识清楚，从而提高出现质量事故时对生产历史数据的可追溯性及便于工程技术人员进行质量分析。 4 结论 　 开发，基于BP神经网络的铸坯质最预报系统，详细介绍了该系统的工作原理及其对生产管理与数据采集的要求。该系统跟踪铸坯物流信息，利用采集的与质量有关的工艺参数对铸坯质量进行在线预报，实现了连铸“按坯管理”，提高了连铸坯质量管理的可追溯性和规范性，便于工程技术人员对铸坯进行质量分析。