技术领域
[0001] 本
发明涉及一种
连铸机结晶器自动化控制技术领域，特别是一种漏钢预报系统及预报方法。
背景技术
[0002] 板坯连铸机生产过程中的漏钢事故会影响生产进度并造成设备损坏，所以针对漏钢的预报
软件是必需的。
现有技术中，对结晶器的漏钢事故进行预报通常有以下几种做法：
[0003] 1）基于逻辑判断的漏钢预报：在CN101332499中公开了一种名称为“一种板坯连铸漏钢预报控制方法”的发明
专利，具体为板坯连铸过程中根据结晶器热
电阻温度变化情况防止粘结漏钢发生的方法。技术方案为：一种板坯连铸漏钢预报控制方法，在结晶器上安置多排热电阻，其特征是包括以下步骤：A.根据结晶器参数、热电阻在结晶器的安装
位置，确定每个热电阻的典型温度特征；B.根据相邻热电阻的典型温度特征，同时考虑漏钢温度传递和温度异常分布特征，确定每个热电阻漏钢几率；C. 当系统预测到粘结性漏钢时，停止浇铸。此方法为常见的漏钢预报逻辑判断方法，其不足之处就是随着设备老化和材料更换，粘结漏钢时的重要特征参数会逐渐有改变，那么漏钢预报判断就会越来越不准确。
[0004] 2）基于神经网络判断的漏钢预报：在CN201791938U中公开了一种名称为“一种连铸结晶器漏钢预报系统”的专利，在振动
电机上连接有
电流传感器，结晶器PLC中加入漏钢预报模型，电流传感器与结晶器PLC漏钢预报模型通讯，结晶器PLC还与
人机界面连接。结晶器PLC内的漏钢预报模型将收集到的电机实时电流
信号经过
数据库维护模
块归类
整理和模型数据库搜索，再由神经网络模块进行学习和数据库优化。同时，遗传
算法模块进行对比、判定，并将结果显示在人机界面，对超出规定的则予以报警和记录。此系统的问题在于，无论是神经网络还是
遗传算法模型都要建立在大量的非常理想的数据样本库训练参数的
基础之上，在模型投入初期很长一段时间内，现场的数据不完善、训练样本不充足时，漏钢预报的准确率会低很多。
[0005] 3）基于拉坯阻
力检测的漏钢预报：在CN1793837中公开了一种名称为“结晶器拉坯阻力检测新方法及检测装置”的专利，解决现有技术中拉坯阻力不能直接、精确检测的问题。该方法依据具体系统初始参数值，通过检测拉坯时电机功率P，利用结晶器拉坯阻力F与功率的关系式，测得阻力F。检测装置包括：交流电流传感器、有功功率传感器，有功功率传感器将检测的功率信号经
模数转换器传入微机监测系统，微机监测系统同时连接参数预置装置和输出设备。此系统的问题在于，在连铸生产过程中，生产条件恶劣会导致各种传感器的故障，系统的投入使用率会被降低，因此会无法达成高的报出率。
[0006] 因此，需要适用于连铸恶劣的生产环境的成套设备，而软件系统不仅能结合专家经验和神经网络自适应判断的方法从而弥补对方算法的不足，又能够考虑除基于热电阻测温以外的其他漏钢预报预测手段如
摩擦力分析，从而达到漏钢预报系统高运行率，高报出率和低误报率的目的。
发明内容
[0007] 本发明的一个目的就是提供一种板坯连铸结晶器漏钢预报系统，它预报准确度高，显著降低了制造成本。
[0008] 本发明的目的是通过这样的技术方案实现的，它包括有PLC
控制器和计算机终端，所述系统还包括有多个安装在结晶器
铜板壁上的测温热电阻、数字转换与修正器、数字通讯网关控制器和交换机，测温热电阻将测量到的温度数据发送至数字转换与修正器，数字转换与修正器将接收到的温度数据信号转换为
数字信号并对温度值进行补偿计算，经数字转换与修正器处理后的数据通过数字通讯网关控制器传输到交换器，再传送至计算机终端，PLC控制器所得到的数据通过交换机传输至计算机终端，计算机终端对接收到的数据进行计算并作出漏钢预报判断。
[0009] 进一步，如
权利要求1所述的一种板坯连铸结晶器漏钢预报系统，其特征在于：所述PLC控制器所得到的数据包括有拉速、液位、拉坯长度和摩擦力。
[0010] 进一步， 如权利要求1所述的一种板坯连铸结晶器漏钢预报系统，其特征在于：所述测温热电阻为修正型高
精度温度计，在结晶器钢板上的安装方法为，宽面安装三行m列，窄面安装两行n列，其中m ≥板坯宽度/列间距-1，n≥板坯厚度/列间距-1；宽面列与列的间隔小于180毫米，行与行之间的距离小于150毫米，窄面行与行之间的距离小于
150毫米，列与列间距小于200毫米。
[0011] 进一步，如权利要求1所述的一种板坯连铸结晶器漏钢预报系统，其特征在于：所述数字转换与修正器包括有温度信号检测模块、数字转换模块和补偿算法模块，温度信号检测模块检测出测温热电阻的温度数据，通过数字转换模块进行转换并通过补偿算法模块进行补偿计算；所述数字转换与修正器还包括有防护等级为防止灰尘和
水蒸气进入的防护箱，在防护箱壁上安装有
冷却水管。
[0012] 本发明的另一个目的就是提供一种板坯连铸结晶器漏钢预报方法，它通过
专家系统、神经网络算法和摩擦力分析进行综合判断，误报率低，报出率高。
[0013] 本发明的目的是通过这样的技术方案实现的，具体预报步骤如下：
[0014] 1）测温热电阻采集结晶器内温度数据，同时，PLC控制器采集结晶器内的拉速、液位、拉坯长度和摩擦力数据，PLC控制器将采集到的数据发送至计算机终端；
[0015] 2）测量热电阻采集到的温度数据通过数字转换与修正器转换为数字信号，并进行补偿计算；
[0016] 3）将步骤2）中所得的数字信号发送至计算机终端，计算机终端对接收到的数据进行计算并进行漏钢预报判断。
[0017] 进一步，步骤2）中所述的补偿计算具体方法如下：
[0018] 根据公式Yt=tg-T计算温度修正值Yt，式中tg为测温热电阻测得的测量温度值，Yt为精度目标值，来自公布的国际温标ITS-90的分度表；在识别测量温度值tg在所有温度区域内的偏差后，针对性地修正并得到测量温度值在温度为t℃时贴近于国际温标温度真值T的计算真值Tx，将实际测量结果值与国际温标进行对照后，通过计算将误差部分修正消除，温度值得到补偿。
[0019] 进一步，步骤3）中计算机终端对收到的数据进行计算并漏钢预报的具体方法如下：
[0020] 3-1）计算机终端对接收到的温度数据进行预处理；
[0021] 3-2）经步骤3-1）处理后的温度数据分别经过神经网络计算和专家系统计算，判断是否发生粘结，若发生粘结，则转向步骤3-3），若没有发生粘结则结束；
[0022] 3-3）步骤3-2）的判断结果结合结晶器摩擦力分析判断，确定是否发生粘结，若是，则发出漏钢预报，若否，则结束。
[0023] 进一步，步骤3-2）中所述神经网络计算方法为：
[0024] 神经网络算法主要通过BP神经网络计算每列热电阻对应结晶器铜板位置的漏钢几率；将某列相邻2个热电阻作为一组热电阻，采集连续15秒的热电阻温度数据，将温度数据归一化计算后，作为BP神经网络的输入参数，通过BP神经网络的计算，输出项为该组热电阻是否会发生漏钢的几率。
[0025] 进一步，步骤3-2）中所述专家系统计算方法为：
[0026] 分析BP神经网络计算所计算的某列相邻2个热电阻在一段时间内的温度趋势，与专家数据库中的漏钢特征值比较，比较的特征参数包括有：
[0027] （a) 热电阻与同列、同行相邻热电阻测得的温度差值是否大于
阈值a；
[0028] （b) 热电阻在最近200秒内测得的平均温升是否大于阈值b；
[0029] （c) 热电阻在最近30秒内测得的平均温升是否大于阈值c；
[0030] （d）相邻两个热电阻测得的温度变化率是否大于阈值d；
[0031] （e）下排热电阻测得的温升是否大于阈值e；
[0032] （f）下排热电阻测得的温度高于上排热电阻测得温度的次数是否超过一定值f。
[0033] 进一步，步骤3-3）中所述结晶器摩擦力分析判断方法为：摩擦力分析算法主要通过分析液压振动条件下的左右缸的摩擦力和出力的趋势变化来计算漏钢几率：系统实时采集一段时间内左右缸摩擦力增大的幅值、左右缸出力增大的幅值、左右缸摩擦力减小的幅值、左右缸出力减小的幅值，如果这些幅值超过了标准值，则该算法输出计算结果1。
[0034] 由于采用了上述技术方案，本发明具有如下的优点：
[0035] 本发明所述预报系统的
硬件和软件构成适用于一机多流的板坯连铸机，经过测温热电阻采集温度数据，并通过数字转换与修正器进行温度补偿修正，使测得的温度值准确度高，而且还删去了常规漏钢预报系统的远程IO设计，降低了成本。本发明所述预报方法经过专家系统、神经网络算法和摩擦力分析进行综合判断，误报率低，报出率高。
[0036] 本发明的其他优点、目标和特征在某种程度上将在随后的
说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
[0037] 本发明的附图说明如下。
[0038] 图1为本发明所述系统的结构示意图；
[0040] 图3为摩擦力分析流程图；
[0041] 图4为摩擦力参数训练流程图；
[0042] 图5为漏钢预报系统的特征值
自学习流程图；
[0043] 图6修正曲线与非标温度值关系示意图。
具体实施方式
[0044] 下面结合附图和
实施例对本发明作进一步说明。
[0045] 一种板坯连铸结晶器漏钢预报系统，包括有PLC控制器和计算机终端，所述系统还包括有多个安装在结晶器铜板壁上的测温热电阻、数字转换与修正器、数字通讯网关控制器和交换机，测温热电阻将测量到的温度数据发送至数字转换与修正器，数字转换与修正器将接收到的温度数据信号转换为数字信号并对温度值进行补偿计算，经数字转换与修正器处理后的数据通过数字通讯网关控制器传输到交换器，再传送至计算机终端，PLC控制器所得到的数据通过交换机传输至计算机终端，计算机终端对接收到的数据进行计算并作出漏钢预报判断。
[0046] 本发明所述预报系统的硬件和软件构成适用于一机多流的板坯连铸机，一套预报系统可适用于多个板坯连铸机，经过测温热电阻采集温度数据，并通过数字转换与修正器进行温度补偿修正，使测得的温度值准确度高，而且还删去了常规漏钢预报系统的远程IO设计，降低了成本。
[0047] 所述PLC控制器所得到的数据包括有拉速、液位、拉坯长度和摩擦力。
[0048] 所述测温热电阻为修正型高精度温度计，在结晶器钢板上的安装方法为，宽面安装三行m列，窄面安装两行n列，其中m ≥板坯宽度/列间距-1，n≥板坯厚度/列间距-1；宽面列与列的间隔小于180毫米，行与行之间的距离小于150毫米，窄面行与行之间的距离小于150毫米，列与列间距小于200毫米。
[0049] 所述数字转换与修正器包括有温度信号检测模块、数字转换模块和补偿算法模块，温度信号检测模块检测出测温热电阻的温度数据，通过数字转换模块进行转换并通过补偿算法模块进行补偿计算；所述数字转换与修正器还包括有防护等级为防止灰尘和水蒸气进入的防护箱，在防护箱壁上安装有冷却水管。
[0050] 结晶器铜板壁上安装的测温热电阻，宽面安装三行十一列，窄面安装两行两列。一个计算机终端可对应两流连铸，通过配置PLC信号采集软件和结晶器漏钢预报
应用软件完成单流或多流连铸的数据交互、数据保存以及人机界面显示。漏钢预报为基于BP神经网络、专家系统和摩擦力分析的算法。综合BP神经网络、专家系统和摩擦力分析的判断，发出粘结性漏钢预报报警信号。本发明克服了过去的单一考察热电阻温度变化速率的局限性，从而进一步提高了对粘结性漏钢的预报准确性。在操作室和连铸平台都安装了声光报警装置，检测出漏钢趋势时，报警装置即刻发出信号。另外，在计算机终端还可通过界面设定如果发生漏钢预报，降拉速的控制策略：即设定是否自动降拉速、降拉速至多少和降拉速的变化速率。系统还具有周期的参数自适应功能，可以隔一定周期的时间，通过读取历史数据，分析粘结性漏钢的特征参数值，从而对漏钢预报模型的参数进行自学习。此外，还可以直接在文本中设置特征参数值。
[0051] 一种板坯连铸结晶器漏钢预报方法，其特征在于，具体步骤如下：
[0052] 1）测温热电阻采集结晶器内温度数据，同时，PLC控制器采集结晶器内的拉速、液位、拉坯长度和摩擦力数据，PLC控制器将采集到的数据发送至计算机终端；
[0053] 2）测量热电阻采集到的温度数据通过数字转换与修正器转换为数字信号，并进行补偿计算；
[0054] 3）将步骤2）中所得的数字信号发送至计算机终端，计算机终端对接收到的数据进行计算并进行漏钢预报判断。
[0055] 步骤2）中所述的补偿计算具体方法如下：
[0056] 如图6所示，根据公式Yt=tg-T计算温度修正值Yt，式中tg为测温热电阻测得的测量温度值，Yt为精度目标值，来自公布的国际温标ITS-90的分度表；在识别测量温度值tg在所有温度区域内的偏差后，针对性地修正并得到测量温度值在温度为t℃时贴近于国际温标温度真值T的计算真值Tx，将实际测量结果值与国际温标进行对照后，通过计算将误差部分修正消除，温度值得到补偿。
[0057] 步骤3）中计算机终端对收到的数据进行计算并漏钢预报的具体方法如下：
[0058] 3-1）计算机终端对接收到的温度数据进行预处理；
[0059] 3-2）经步骤3-1）处理后的温度数据分别经过神经网络计算和专家系统计算，判断是否发生粘结，若发生粘结，则转向步骤3-3），若没有发生粘结则结束；
[0060] 3-3）步骤3-2）的判断结果结合结晶器摩擦力分析判断，确定是否发生粘结，若是，则发出漏钢预报，若否，则结束。
[0061] 步骤3-2）中所述神经网络计算方法为：
[0062] 神经网络算法主要通过BP神经网络计算每列热电阻对应结晶器铜板位置的漏钢几率；将某列相邻2个热电阻作为一组热电阻，采集连续15秒的热电阻温度数据，将温度数据归一化计算后，作为BP神经网络的输入参数，通过BP神经网络的计算，输出项为该组热电阻是否会发生漏钢的几率。
[0063] 步骤3-2）中所述专家系统计算方法为：
[0064] 分析BP神经网络计算所计算的某列相邻2个热电阻在一段时间内的温度趋势，与专家数据库中的漏钢特征值比较，比较的特征参数包括有：
[0065] （a) 热电阻与同列、同行相邻热电阻测得的温度差值是否大于阈值a；
[0066] （b) 热电阻在最近200秒内测得的平均温升是否大于阈值b；
[0067] （c) 热电阻在最近30秒内测得的平均温升是否大于阈值c；
[0068] （d）相邻两个热电阻测得的温度变化率是否大于阈值d；
[0069] （e）下排热电阻测得的温升是否大于阈值e；
[0070] （f）下排热电阻测得的温度高于上排热电阻测得温度的次数是否超过一定值f。
[0071] 步骤3-3）中所述结晶器摩擦力分析判断方法为：摩擦力分析算法主要通过分析液压振动条件下的左右缸的摩擦力和出力的趋势变化来计算漏钢几率：系统实时采集一段时间内左右缸摩擦力增大的幅值、左右缸出力增大的幅值、左右缸摩擦力减小的幅值、左右缸出力减小的幅值，如果这些幅值超过了标准值，则该算法输出计算结果1。
[0072] 最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行
修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
