CN113505785B - 一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法 - Google Patents

Abstract

本发明提供一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法，属于钢铁冶金连铸检测技术领域。所述结晶器漏钢预报方法通过对结晶器铜板温度速率异常区域提取可视化特征向量，并利用逻辑斯谛回归模型对特征向量进行分类，从而检测和预报结晶器漏钢。本发明通过结晶器铜板温度速率可视化热像图，构建包含黏结区域静态与动态特征的特征向量，通过逻辑斯谛回归模型对特征向量进行分类，进而实现结晶器漏钢的检测和预报。本发明基于逻辑斯谛回归模型对结晶器漏钢进行实时检测和预报，能够在保证漏钢全部报出的前提下，明显降低误报率，进而有效提高预报准确率。

Description

一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报 方法

技术领域

本发明属于钢铁冶金连铸检测技术领域，涉及一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法。

背景技术

在连铸过程中，结晶器内非均匀凝固的初生坯壳无法承受钢水静压力和拉坯力的双重作用，易于薄弱处发生断裂从而形成漏钢。漏钢是连铸生产中的重大安全事故，不仅危及人身安全、损坏设备，甚至造成生产被迫中断，影响铸机的产量和产品质量。随着连铸技术的不断发展和进步，通过规范操作并维持设备良好的运行状态，可以有效降低漏钢的发生几率。漏钢与保护渣、拉速、液位波动以及热流密度等众多因素密切相关，虽然国内外冶金工作者和学者对其形成原因进行了广泛研究，但很难彻底避免漏钢的发生。因此，减少和预防漏钢事故一直是国内外冶金工作者关注的重点，结晶器漏钢检测是连铸过程异常预报的核心，具有重要意义。

发明专利CN201710346785.1公开了一种连铸漏钢预报方法，该方法基于逻辑判断实时检测黏结漏钢的发生。主要步骤为：获取热电偶温度、拉速和结晶器液位等浇铸过程实时数据，读取系统参数配置文件中的各逻辑判断规则参数，运用模型算法进行粘结漏钢的轻报警和重报警判断。该方法减小了浇铸工艺和设备条件等变化对漏钢预报算法和系统的影响，设计了系统参数自学习的功能，以适应实际复杂的生产规律变化。然而，基于逻辑判断的漏钢预报模型对设备参数、工艺条件、物性参数依赖性较高，并且需要频繁的调整阈值和参数，导致预报算法的鲁棒性较差。

发明专利CN201811507030.6公开了一种连铸漏钢预报方法，该方法提供一种基于特征向量和层次聚类的结晶器漏钢预报方法。主要步骤为：提取黏结漏钢、正常工况历史数据以及在线实测数据的温度特征向量，建立特征向量样本集；对样本集进行归一化处理，并进行层次聚类；此后检查和判断在线提取的特征向量是否从属于漏钢类簇，进而识别和预报结晶器漏钢。基于层次聚类的方法摆脱了人为设置和调整预报参数的局限性，却难以满足漏钢预报的实时性和在线应用需求，因此模型实用性较低。

鉴于现有漏钢预报方法的不足，同时考虑到预报算法的复杂性和制作样本过程繁琐性，本发明提出，基于结晶器铜板温度速率热像图，提取出黏结区域可视化特征向量，结合逻辑斯谛回归模型对漏钢和非漏钢样本进行分类，最终利用训练好的模型实时检测和预报结晶器漏钢。

发明内容

本发明的目的是提出一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法，实时准确地对黏结漏钢进行检测和预报，为连铸过程异常监控提供了新方案。

为达到上述目的，本发明的技术方案如下：

一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法，该方法通过对结晶器铜板温度速率异常区域提取可视化特征向量，并利用逻辑斯谛回归模型对特征向量进行分类，从而检测和预报结晶器漏钢，具体包括以下步骤：

第一步、结晶器铜板温度速率异常区域特征提取

(1)在结晶器内、外弧宽面的铜板上，在左、右侧窄面铜板上各布置多个热电偶。在线检测结晶器铜板热电偶的温度，并通过插值算法计算出非热电偶测点位置的结晶器铜板温度值。运用计算机图形学和OpenGL技术，将铜板温度映射到二维平面，得到对应的二维温度热像图。

(2)通过帧间差分算法计算铜板测点和非测点处的温度变化速率，得到铜板温度对应的二维温度速率热像图。

(3)统计归纳样本库中的温度速率数据后，设置温度速率阈值为T_z，利用阈值分割算法将正常温度波动区域与异常温度波动区域进行区分，从二维温度速率热像图中剔除温度速率小于T_z的正常温度波动区域，并采用游程递归算法对温度速率大于T_z的异常点进行连通性标记，获取温度速率异常区域。

(4)温度速率异常区域中包含黏结漏钢及正常工况区域，分别提取两者的高度H、宽度W、面积S、横向移动速率V_y、纵向移动速率V_x五种可视化特征。

第二步、异常区域特征向量构造与处理

(1)将第一步提取到的黏结漏钢的区域特征与黏结漏钢下的拉速V_c组合成特征向量X_B，同时将正常工况区域特征与正常工况下的拉速V_c’组合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']

(2)获取m例黏结漏钢区域特征向量样本X_B和n例正常工况特征向量样本X_N，组建样本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_Bm,1),(X_N1,0),(X_N2,0),...,(X_Nn,0)}

式中，1和0分别代表黏结漏钢区域样本和正常工况样本的类别标签。

(3)对Q中特征向量样本进行归一化处理：

式中，X_imin、X_imax分别表示特征向量样本X第i维特征的最小值和最大值，F_i表示特征向量X的第i维特征归一化后对应的数值。归一化后的样本集记为P：

P＝{(F_B1,1),(F_B2,1),...,(F_Bm,1),(F_N1,0),(F_N2,0),...,(F_Nn,0)}

第三步、调整超参数并训练逻辑斯谛回归模型

(1)样本集划分。

将样本集P按照K-折交叉验证的原则进行K次划分，每次取P中K-1个子集作为训练集R，剩余一个子集作为验证集E，划分后共得到K组不同的训练集R和验证集E。

(2)网格搜索调整超参数。

基于原始的逻辑斯谛回归模型，根据模型超参数的每种组合均进行K轮训练和验证，每轮在包含K-1个子集的训练集R上训练模型，在剩余一个子集的验证集E上验证模型，即计算模型分类准确率。取K轮模型的平均分类准确率作为该组超参数的验证分数。

所述原始逻辑斯谛回归模型形式如下：

式中，P(Y＝1|x)代表模型将特征向量样本x预测为漏钢的概率，w为权值向量，b为偏置项。

(3)构建最终模型。

比较逻辑斯谛回归模型超参数的每种组合计算出的验证分数，选取验证分数最高的组合作为模型的最终超参数。

(4)基于最终构建的逻辑斯谛回归模型，在样本集P上训练模型，得到模型参数w和b。

第四步、基于逻辑斯谛回归模型在线检测及预报漏钢

(1)实时提取结晶器铜板温度速率异常区域的典型可视化特征，结合实时工况下的拉速将特征组合并进行归一化处理后，构造得到异常区域特征向量F_fv；

(2)将异常区域特征向量F_fv输入逻辑斯谛回归模型中，得到模型的预测值y。

(3)根据逻辑斯谛回归模型的预测值y预报结晶器漏钢。若y＝1则为黏结漏钢，发出警报并迅速降低铸机拉速；若y＝0则为正常工况，继续下一时刻的黏结漏钢检测与预报。

上述漏钢预报的方法适用于板坯、方坯、圆坯、异型坯等连铸坯的漏钢预报。

本发明的有益效果是：

本发明提供的预报方法通过结晶器铜板温度速率可视化热像图，构建包含黏结区域静态与动态特征的特征向量，通过逻辑斯谛回归模型对特征向量进行分类，进而实现结晶器漏钢的检测和预报。该方法基于逻辑斯谛回归模型对结晶器漏钢进行实时检测和预报，能够在保证漏钢全部报出的前提下，明显降低误报率，有效提高预报准确率。

附图说明

图1为结晶器漏钢预报方法流程。

图2为结晶器铜板热电偶布置示意图。

图3为正常工况区域可视化特征图。图3(a)为正常工况区域初始形成图；图3(b)为正常工况区域纵向拉伸图；图3(c)为正常工况区域原位扩展图；图3(d)为正常工况区域纵向收缩图。

图4为黏结漏钢区域可视化特征图。图4(a)为黏结初始形成图；图4(b)为黏结区域横向扩展图；图4(c)为黏结区域纵向传播图；图4(d)为黏结漏钢“V”型特征图。

图5为在线检测温度速率异常区域可视化特征图。图5(a)为黏结漏钢“V”型特征图；

图5(b)为正常工况区域特征图。

图中：1热电偶；2外弧宽面铜板；3左侧窄面铜板；4右侧窄面铜板；5内弧宽面铜板。

具体实施方式

下面通过具体的实施例，结合附图对本发明作进一步的阐述

如图1所示为结晶器漏钢预报方法流程图。首先，提取结晶器铜板温度速率异常区域可视化特征并对其预处理，构造得到六维特征向量；其次，对逻辑斯谛回归模型进行调参和训练；最后，通过训练好的逻辑斯谛回归模型对特征向量进行分类和漏钢预报。

第一步、结晶器铜板温度速率可视化及异常区域特征提取

(1)如图2所示为结晶器铜板及其热电偶分布图。结晶器由四块铜板组合而成，总高度为900mm，浇铸时的有效高度为800mm。在结晶器内、外弧宽面铜板5、2上布置3排19列热电偶，左、右侧窄面铜板3、4上布置3排1列热电偶，共120支热电偶。其中，第一排热电偶据结晶器上口的距离为210mm，第一、二排热电偶之间的间距为115mm，第二、三排热电偶之间的间距为120mm，相邻两列热电偶之间的间距为150mm。在线检测所有结晶器铜板热电偶的温度，并通过插值算法计算出非热电偶测点位置的结晶器铜板温度值。运用计算机图形学和OpenGL技术，将铜板温度映射到二维平面，得到对应的二维温度热像图。

(2)通过帧间差分算法计算铜板测点和非测点处的温度变化速率，得到铜板温度对应的二维温度速率热像图。

(3)设置温度速率阈值为0.3℃/s，利用阈值分割算法将正常温度波动区域与异常温度波动区域进行区分，从二维温度速率热像图中剔除温度速率小于阈值的正常温度波动区域，并用游程递归算法对温度速率大于T_z的异常点进行连通性标记，获取温度速率异常区域。

(4)图3所示为正常工况区域可视化特征图。沿着浇铸方向模拟区间为第一排至第三排热电偶，分布到100像素点上；横向模拟区间为第一列至第十九列热电偶，分布到300个像素点上。图3中所示T₁～T₄时刻并未出现黏结漏钢典型V型特征，而图4所示的黏结漏钢区域可视化特征图从T₁～T₄时刻逐渐出现黏结漏钢典型V型特征，各时刻的间隔为3s。提取T₄时刻黏结漏钢区域的高度H_B＝22.56cm、宽度W_B＝35.91cm、阴影部分面积S_B＝453.97cm²，并依据黏结漏钢区域重心坐标随时间的变化计算得到横向移动速率V_By＝0.33m/min、纵向移动速率V_Bx＝0.31m/min。同理可求得图3中正常工况区域T₄时刻对应的5种可视化特征，即：H_N＝16.45cm，W_N＝22.07cm，S_N＝243.25cm²，V_Ny＝-0.18m/min，V_Nx＝0.23m/min。

第二步、异常区域特征向量构造与处理

(1)将第一步提取到的黏结漏钢区域特征与黏结漏钢下的拉速V_c组合成特征向量X_B，同时将正常工况区域特征与正常工况下的拉速V_c’组合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]＝[22.56,35.91,453.97,0.31,0.33,0.80]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']＝[16.45,22.07,243.25,0.23,-0.18,0.70]

(2)获取40例黏结漏钢区域特征向量样本X_B和40例正常工况特征向量样本X_N，组建样本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_B40,1),(X_N1,0),(X_N2,0),...,(X_N40,0)}

式中，1和0分别代表黏结漏钢区域样本和正常工况样本的类别标签。

(4)对Q中特征向量样本进行归一化处理：

式中，X_imin、X_imax分别表示特征向量X第i维特征的最小值和最大值，F_i表示特征向量X的第i维特征归一化后对应的数值。X_B、X_N归一化后的特征向量为F_B＝[0.96,0.12,0.14,0.21,0.58,0.62]，F_N＝[0.68,0.06,0.08,0.15,0.5，0.46]。

按照上述特征向量构造和处理方式，归一化后新的样本集记为P：

P＝{(F_B1,1),(F_B2,1),...,(F_B40,1),(F_N1,0),(F_N2,0),...,(F_N40,0)}

第三步、调整超参数并训练逻辑斯谛回归模型

(1)样本集划分。

将样本集P按照5折交叉验证的原则进行5次划分。每次取P中4个子集作为训练集R，剩余1个子集作为验证集E，划分后共得到5组不同的训练集R和验证集E。

(2)网格搜索调整超参数。

基于原始的逻辑斯谛回归模型根据模型超参数的每种组合均进行5轮训练和验证，每轮在包含4个子集的训练集R上训练模型，在剩余1个子集的验证集E上验证模型，即计算模型分类准确率。取5轮模型的平均分类准确率作为该组超参数的验证分数。原始逻辑斯谛回归模型形式如下：

式中，P(Y＝1|x)代表模型将特征向量样本x预测为漏钢的概率，w为权值向量，b为偏置项。

(3)构建最终模型。比较逻辑斯谛回归模型超参数的每种组合计算出的验证分数，选取验证分数为71.1％的超参数组合作为逻辑斯谛回归模型的最终超参数。

(4)基于最终构建的逻辑斯谛回归模型，在样本集P上训练模型，得到模型参数，其中权值向量w＝[-0.60,-0.15,-0.36,-0.83,0.51,0.15]，偏置项b＝0.74。

第四步、基于逻辑斯谛回归模型在线检测及预报漏钢

(1)实时提取结晶器铜板温度速率异常区域的典型可视化特征，如图5所示，结合实时工况下的拉速将特征组合并进行归一化处理后，构造得到异常区域特征向量：

F_fv1＝[0.82,0.12,0.09,0.43,0.66,0.54]；F_fv2＝[0.24,0.06,0.03,0.21,0.42,0.31]

(2)将异常区域特征向量F_fv1和F_fv2输入逻辑斯谛回归模型L中，得到模型的预测值y₁和y₂：

y₁＝L(F_fv1)＝L([0.82,0.12,0.09,0.43,0.66,0.54])＝1

y₂＝L(F_fv2)＝L([0.24,0.06,0.03,0.21,0.42,0.31])＝0

(3)根据逻辑斯谛回归模型的预测值y预报结晶器漏钢。y₁＝1，对应黏结漏钢区域的数据标签，产生了漏钢，发出警报并迅速降低铸机拉速；y₂＝0，对应正常工况区域的数据标签，无漏钢发生，继续下一时刻的漏钢检测与预报。

以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (2)

1.一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法，其特征在于，所述结晶器漏钢预报方法通过对结晶器铜板温度速率异常区域提取可视化特征向量，并利用逻辑斯谛回归模型对特征向量进行分类，最终检测和预报结晶器漏钢，包括以下步骤：

第一步、结晶器铜板温度速率异常区域特征提取

(1)在结晶器内、外弧宽面的铜板上，在左、右侧窄面铜板上各布置多个热电偶；在线检测结晶器铜板热电偶的温度，并通过插值算法计算出非热电偶测点位置的结晶器铜板温度值；将铜板温度映射到二维平面，得到对应的二维温度热像图；

(2)通过帧间差分算法计算铜板测点和非测点处的温度变化速率，得到铜板温度对应的二维温度速率热像图；

(3)统计归纳样本库中的温度速率数据后，设置温度速率阈值为T_z，利用阈值分割算法将正常温度波动区域与异常温度波动区域进行区分，从二维温度速率热像图中剔除温度速率小于T_z的正常温度波动区域，并采用游程递归算法对温度速率大于T_z的异常点进行连通性标记，获取温度速率异常区域；

(4)温度速率异常区域中包含黏结漏钢及正常工况区域，分别提取两者的高度H、宽度W、面积S、横向移动速率V_y、纵向移动速率V_x五种可视化特征；

第二步、异常区域特征向量构造与处理

(1)将第一步提取到的黏结漏钢的区域特征与黏结漏钢下的拉速V_c组合成特征向量X_B，同时将正常工况区域特征与正常工况下的拉速V_c’组合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By,V_C]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny,V_C']

其中，H_B表示黏结漏钢区域的高度、W_B表示黏结漏钢区域的宽度、S_B表示黏结漏钢区域的面积、V_Bx表示黏结漏钢区域的横向移动速率、V_By表示黏结漏钢区域的纵向移动速率；H_N表示正常工况区域的高度、W_N表示正常工况区域的宽度、S_N表示正常工况区域的面积、V_Nx表示正常工况区域的横向移动速率、V_Ny表示正常工况区域的纵向移动速率；

(2)获取m例黏结漏钢区域特征向量样本X_B和n例正常工况特征向量样本X_N，组建样本集Q：

Q＝{(X_B1,1),(X_B2,1),...,(X_Bm,1),(X_N1,0),(X_N2,0),...,(X_Nn,0)}

式中，1和0分别代表黏结漏钢区域样本和正常工况样本的类别标签；

(3)对Q中特征向量样本进行归一化处理：

式中，X_i表示特征向量样本X第i维特征，X_imin、X_imax分别表示特征向量样本X第i维特征的最小值和最大值，F_i表示特征向量X的第i维特征归一化后对应的数值；归一化后的样本集记为P：

P＝{(F_B1,1),(F_B2,1),...,(F_Bm,1),(F_N1,0),(F_N2,0),...,(F_Nn,0)}

第三步、调整超参数并训练逻辑斯谛回归模型

(1)样本集划分；

将样本集P按照K-折交叉验证的原则进行K次划分，每次取P中K-1个子集作为训练集R，剩余一个子集作为验证集E，划分后共得到K组不同的训练集R和验证集E；

(2)网格搜索调整超参数；

基于原始的逻辑斯谛回归模型，根据模型超参数的每种组合均进行K轮训练和验证，每轮在包含K-1个子集的训练集R上训练模型，在剩余一个子集的验证集E上验证模型，即计算模型分类准确率；取K轮模型的平均分类准确率作为该组超参数的验证分数；

所述原始逻辑斯谛回归模型形式如下：

式中，P(Y＝1|x)代表模型将特征向量样本x预测为漏钢的概率，w为权值向量，b为偏置项；

(3)构建最终模型；

比较逻辑斯谛回归模型超参数的每种组合计算出的验证分数，选取验证分数最高的组合作为模型的最终超参数；

(4)基于最终构建的逻辑斯谛回归模型，在样本集P上训练模型，得到模型参数w和b；第四步、基于逻辑斯谛回归模型在线检测及预报漏钢

(1)实时提取结晶器铜板温度速率异常区域的典型可视化特征，结合实时工况下的拉速将特征组合并进行归一化处理后，构造得到异常区域特征向量F_fv；

(2)将异常区域特征向量F_fv输入逻辑斯谛回归模型中，得到模型的预测值y；

(3)根据逻辑斯谛回归模型的预测值y预报结晶器漏钢；若y＝1则为黏结漏钢，发出警报并迅速降低铸机拉速；若y＝0则为正常工况，继续下一时刻的黏结漏钢检测与预报。

2.根据权利要求1所述的一种基于特征向量和逻辑斯谛回归模型的结晶器漏钢预报方法，其特征在于，所述的漏钢预报的方法适用于板坯、方坯、圆坯、异型坯或其他连铸坯的漏钢预报。