专利名称：一种钢包卷渣过程识别方法
技术领域：
本发明涉及钢铁冶金过程检测与控制领域，尤其是涉及一种钢包卷渣过程识别方法。
背景技术：
随着全球一体化进程的不断深入，钢铁需求日益增加。我国的钢铁产量更是增势 迅猛，截止到2007年，粗钢产量已经达到4. 89亿吨，占全球总产量的36. 4%，超过日本、美 国、俄罗斯、印度、韩国、德国、乌克兰、巴西、等国的总和。但是我国钢铁质量却始终处于较 低水平，出口钢材也是以低附加值的普通钢材为主，而用于制造精密机械、仪表以及轿车的 高质量钢材却基本依靠进口。钢铁生产中的连铸技术具有生产率和成材率高及节约能源的特点，同时可减少铸 件中夹杂物的含量，提高铸件质量，是目前应用最为广泛的冶金技术之一。利用连铸技术生 产钢材的产量占总产量的比重称为连铸比(Continuous Casting Ratio, CCR)。发达国家 的CCR—般在95%以上，有些国家如意大利已经达到100% ；我国的CCR为94. 8%，高于世 界平均水平90. 5%。因此在这种形势下，提高我国钢铁企业的连铸生产工艺水平与竞争能力 就显得尤为迫切。在钢铁连铸生产过程中，氧化剂和钢水中的杂质混合形成液体钢渣，其比重较轻， 只有纯钢水比重的0. 4^0. 6倍，浮于钢水上部。在钢包浇注后期，钢渣逐渐从钢包流入中间 包，并在中间包内逐步积累，影响钢材品质，严重时甚至使连铸生产无法进行。随着现代工 业生产的不断扩大与发展，对钢铁品种和质量的要求不断提高，当然对连铸生产中钢水纯 净度要求也就越来越高。连铸下渣检测技术(Slag Carry-over Detection Technology, SCDT)就是通过对钢包浇注后期钢水状态的有效识别来控制钢水纯净度，提高铸件质量与 钢水收得率的重要手段之一。S⑶T作为钢铁连铸生产的关键技术，世界各国尤其是西方发达国家都给予了高度 重视。上世纪80年代末，德国成功的开发出基于电磁感应原理的S⑶T，成为目前世界上应 用最为广泛的SCDT。但电磁式SCDT在应用过程中存在使用寿命短、不易安装维护、使用成 本较高等缺点。针对以上问题，一些其它检测方法逐步被开发应用，如超声波检测法、红外 检测法、振动检测法等，其中振动检测法能够有效的解决电磁检测法存在的问题。与电磁检 测法相比，其在使用寿命、检测准确率、稳定性、系统维护等方面均具有优势。但是振动检测 法的技术要求很高，振动传感器的设计安装、振动信号干扰剔除与分离、钢包卷渣过程动态 识别等问题具有很高的难度。
发明内容
为了克服在充满诸多振动干扰源的连铸工业现场特殊环境条件下，进行钢流冲击 振动信号的干扰剔除与分离、钢包卷渣过程动态识别技术具有高难度的问题，本发明提供 一种能在连铸工业现场强噪声环境下的钢流冲击振动信号的干扰剔除与动态模式识别的钢包卷渣过程识别方法。本发明的技术方案
一种钢包卷渣过程识别方法，其特征在于其步骤过程如下
首先，对钢包浇注过程中的钢流冲击振动信号时间序列进行阶段定义，包括未有钢渣 混入钢流的初始阶段，钢水、钢渣与空气混合成钢流的过渡阶段，以钢渣为主的钢流的完结 阶段；
然后，处理现场干扰信号，确定钢包卷渣过程特征参数，包括最大值、最小值、平均值、 均方根、标准差、峰峰值、偏度、峭度、频率重心、均方频率、频率方差和烈度；
再者，基于动态模式识别方法，建立面向钢包卷渣过程识别的人工神经网络模型；所述 人工神经网络模型的信号输入层以卷渣过程特征参数作为输入信号，其过程输出层是需要 识别的三个阶段定义；所述输入层的输入信号在中间隐含层经过作用函数运算后得到输出 值；
其中，所述 的作用 函数是
权利要求
一种钢包卷渣过程识别方法，其特征在于其步骤过程如下首先，对钢包浇注过程中的钢流冲击振动信号时间序列进行阶段定义，包括未有钢渣混入钢流的初始阶段，钢水、钢渣与空气混合成钢流的过渡阶段，以钢渣为主的钢流的完结阶段；然后，处理现场干扰信号，确定钢包卷渣过程特征参数，包括最大值、最小值、平均值、均方根、标准差、峰峰值、偏度、峭度、频率重心、均方频率、频率方差和烈度；再者，基于动态模式识别方法，建立面向钢包卷渣过程识别的人工神经网络模型；所述人工神经网络模型的信号输入层以卷渣过程特征参数作为输入信号，其过程输出层是需要识别的三个阶段定义；所述输入层的输入信号在中间隐含层经过作用函数运算后得到输出值；其中，所述的作用函数是； (1)然后利用快速模拟退火组合优化算法把网络中所有权重的集合看成是一个解向量，然后构造目标函数；(2)式(2)中，为训练样本数，为输出层神经元的个数，为第神经元关于第个样本的期望输出，为第神经元关于第个样本的实际网络输出；最后，通过修改网络权值来得到式(2)的目标函数的最小值，取得钢包卷渣过程中各个阶段定义的标准状态。2010102801947100001dest_path_image001.jpg,2010102801947100001dest_path_image002.jpg,2010102801947100001dest_path_image003.jpg,dest_path_image004.jpg,dest_path_image005.jpg,471063dest_path_image004.jpg,823547dest_path_image003.jpg,dest_path_image006.jpg,139997dest_path_image004.jpg,640248dest_path_image003.jpg
2.根据权利要求1所述的一种钢包卷渣过程识别方法，其特征在于所述修改网络权 值来取得目标函数最小值步骤如下①初始化，随机产生一组初始网络权值而，并设置初始温度石>O、迭代次数=0、检验精度f，e是目标函数的取值,令Xpi = /(S0)、/· = / (S0S^=Ssj ；②将网络权值,作为初始点S^CO,利用鲍威尔算法进行优化,快速搜素到某一个局部 极小点，得到一组新的网络权值^ ,令Si= ‘、/·=趣、β = J (Si)；③将网络权值名作为迭代值Λ,设当前解= ζ,令Γ = TI,进行最佳保留模拟退火操 作；按照接受准则，得到一组新的网络权值名+1 ;令:1+1，其下降实现方法为Ti = ^^tt .(3)`1 1 + 1η(ι)，⑶④若经过模拟退操作后所得的网络权值马+Γ满足精度要求或迭代次数，则算法结束；否贝1J，若/(名+1) </_，则令& =孓+1，转入步骤②；若/(马+1)2/织，则令5； = ,转入步骤③。
3.根据权利要求1或2所述的一种钢包卷渣过程识别方法，其特征在于所述的现场 干扰信号的处理方法，是首先通过程序判断滤波克服随机脉冲干扰，然后利用滑动平均滤 波有效抑制周期性干扰信号，最后进行无限冲击响应滤波。
全文摘要
一种钢包卷渣过程识别方法，其步骤过程如下首先对钢包浇注过程中的钢流冲击振动信号时间序列进行阶段定义，然后处理现场干扰信号，确定钢包卷渣过程特征参数；基于动态模式识别方法，建立面向钢包卷渣过程识别的人工神经网络模型，然后利用改进的模拟退火-神经网络算法实现对钢包卷渣过程中各个阶段定义的标准状态的识别。本发明的有益效果主要表现在实现在连铸工业现场强噪声环境下的钢流冲击振动信号的干扰剔除与动态模式识别，为振动式钢包下渣检测系统的在线判断提供可靠依据；为振动式钢包下渣系统识别的准确性与稳定性提供有力保证；提高了目标参数的预测精度；保证了对钢流冲击振动信号识别的实时性。
文档编号B22D11/18GK101947645SQ20101028019
公开日2011年1月19日 申请日期2010年9月14日 优先权日2010年9月14日
发明者计时鸣, 谭大鹏, 金明生 申请人:浙江工业大学