漏钢预报新技术研发及应用

漏钢预报新技术研发及应用

蔡 娥,许 军,白居冰,吴 鹏

(中冶连铸北京冶金技术研究院,北京100081)

摘 要:介绍了目前国内外现有的几种漏钢预报识别方法,分析其原理及应用情况,提出了中冶连铸的漏钢预报模型及该新技术在数学方法、计算机技术、自动化控制应用方面的特点,并介绍了近期该新技术较好的应用效果。

关键词:漏钢预报;方法;应用效果

中图分类号:T F777 文献标识码:A 文章编号:1001-1447(2009)04-0029-04

Development and application of a new molten steel breakout prediction system

CAI E ,XU Jun ,BAI Ju -bing ,WU Peng (R&D Department of CCTEC ,Beijing 100086,China)

Abstract:This paper introduces the methods fo r identifying the breakout of mo lten steel and analyzes their principle and applicatio n.A new m odel for predicting the br eakout of mo lten steel developed by CCT EC is descr ibed w ith its m athem atical metho d,com puta -tion algorithm and automation co ntro l techno logy.T he application o f the new molten steel breakout prediction system has show ed g ood results.

Key w ords:prediction of mo lten steel breako ut;algorithm;applied result 作者简介:蔡 娥(1979-),硕士,工程师,从事连铸工艺控制模型研究及开发。

漏钢事故是连铸生产中危害性很大的生产事故。漏钢事故的发生,不仅影响连铸生产,严重损害结晶器、辊道,增加连铸设备的维修量和维修成本,造成巨大的经济损失,还会带来巨大的安全隐患。据估计,一次/常规0的漏钢事故直接或间接导致的经济损失将达到200000美元[1]。

为了减少漏钢发生,人们一直致力于开发漏钢预报系统。通过在结晶器上装入传感器,人们已能利用自动化控制系统来有效降低漏钢率。最早的漏钢预报有以下几种。

(1)测算结晶器水温差。这一方法后来在用结晶器一冷数据计算热流时得以改进,但它只能检测因热流量逐渐降低导致的漏钢;

(2)检测结晶器与铸坯间的摩擦力。这种系统已成功地检测了一些粘结事件,但目前单一的摩擦力检测误报高;

(3)埋入热流传感器进行局部热监控;(4)在结晶器铜板中埋入热电偶对铜板进行热监控。此方法现在已被广泛使用,被证实为更有效

地检测和预报粘结漏钢的技术。基于温度检测进行漏钢预报的原理为:由于漏钢往往伴随着结晶器铜板温度的变化,通过监控安装在铜板上热电偶的温度变化,依据一定的方法做出漏钢判断。

总观基于温度的漏钢预报预测方法,主要有3种技术方法。它们分别是逻辑判断方法,神经网络方法以及多元统计方法。

1 基于温度检测的漏钢预报的方法1.1 逻辑判断方法

粘结漏钢发生时,主要表现为热电偶温度梯度、温差的变化。因此可以设定限值,一旦温度梯度以及温差的变化超过限值,就判定漏钢发生[2]

,如图1。

我国大多钢厂近年新上铸机采用的漏钢预报系统就是基于逻辑判断方法的。该预报方法的实现不需要大量的原始数据,特别适合新建铸机。但是其逻辑条件参数的设定与钢的种类、工艺和环境有很大的关系,模型有一定局限性。

#

29#2009年 8月第37卷第4期钢铁研究

Research on Iron &Steel

Aug. 2009

Vol.37 N o.4

图1 粘结漏钢时热电偶温度变化

1.2 神经网络方法

神经元网络漏钢预报方法利用神经元网络技术对现场的漏钢数据进行学习,再加上必要的工艺条件,用于辨别具有漏钢特征的热电偶温度变化曲线,进而做出漏钢预报。国内外均有开发连铸神经元网络漏钢预报系统的应用案例。

完善的神经网络系统必然能显著增加漏钢预报的准确率,但是神经元网络在漏钢预报中存在它的局限性。

完善的神经网络必须大量的训练样本,样本不全面将导致网络功能不全。其次,由于连铸机工作条件复杂,影响因素很多,对获取的样本数据有严重的干扰,要想得到完全排除含有噪音的样本几乎是不可能的。

在一些特殊的连铸情况下,比如开浇、换包和终浇等,神经元网络系统变得极不稳定;

对于新建连铸机,神经网络不可行,必须与其它方式结合。

1.3 统计分析方法

多元统计过程控制(M SPC)方法是基于主元分析(PCA)和偏最小二乘(PLS)方法对连续过程进行监控控制的方法

[3]

。在连铸过程中,特别是

在漏钢预报过程中,M SPC 方法应用极少。北美Dofasco 公司分别于1997、2003年在它的1号机、2号机上装上基于该技术的漏钢预报系统。

PCA 模型将数据被简化到几何空间,有较强的鲁棒性。但是,PCA 监测模型本身只具有检测过程变化的功能,不具有明确的、定量的故障重构、识别和分离等高级功能。要识别漏钢预报趋势,实现预先报警,还需要结合其它的方法。

2 中冶连铸的结晶器专家系统2.1 漏钢预报模型

中冶连铸漏钢预报模型采用模式识别算法。

该方法鲁棒性强,抗干扰能力强,不需要大量的训

练样本。

正常浇铸时,结晶器铜板上热电偶的温度维持不变。当粘结发生时,该处第一行热电偶的温度上升(图2中1行4列),一段时间后同列第二行热电偶(图2中2行4列)的温度上升,而后第

一行(图2中1行4列)的温度下降,第二行(图2

中2行4列)的温度下降。同时,由于粘结点的扩张,该列热电偶周围的热电偶列会有同样趋势(见图2中1行3列,2行3列)。

图2 漏钢预报模式识别原理

模型采用模式识别技术来发现上述温度模式,并经过一定的逻辑判断来确定是否报警。模式识别是基于动态线性逼近的在线波形识别诊断方法,能实现动态时域时序波形的自动识别。模型考虑了粘钢发生时热电偶温度在时间、

空间上的传递,对热偶温度分布进行分析和模式识别,通过对模式识别结果进行特征值分析,产生粘钢报警;对于没有历史数据的铸机,依据大量的来自其它类似现场的实际漏钢数据,预先训练权值,尽量保证漏钢预报的可靠性。并根据应用后产生的历史数据不断进行参数修正。

为了使系统具有更强的适应性,降低工程应用中系统维护与跟踪难度,模型支持算法参数自适应,自适应后的算法参数可以涵盖铜板厚度变化、保护渣类型变化以及浇注钢种变化导致的系统参数的调整。

2.2 系统软件特点

为了产业化的目的,本系统除了建立自适应

型强的模型外,还注重计算机技术的应用。

系统为了解决海量数据的存储问题,开发了独立的文件存储格式,并结合双缓存技术,将数据存储的时间效率与空间效率进行统一处理,实践表明,此技术有效地解决了海量数据的存储与查询问题,并保证了系统高速采样的时间效率难题。

热偶信号变化的多样性决定了在漏钢预报过

#30# 钢铁研究

第37卷