（检测技术与自动化装置专业论文）基于量子小波神经网络的漏钢预报系统研究.pdf

摘要 摘要 漏钢事故是连铸过程中最典型的事故，它损坏设备，降低作业率，破坏生产组织的 均衡。为了避免或减少漏钢事故的发生，国际上目前主要的研究方向有两个，漏钢机理 的研究和漏钢预报技术的研究。 论文首先阐述了连铸粘结性漏钢事故的产生机理，并由此引出进行漏钢预报的必要 性。国内外漏钢预报系统的研究现状表明，神经网络漏钢预报系统替代早期的逻辑判断 系统已成为一种趋势。作者对热电偶检测漏钢预报方法、预报原理进行了深入研究，粘 结性漏钢预报的过程实际是运用神经网络对结晶器上热电偶检测的温度波形进行模式 识别的过程识别具有漏钢征兆的波形。 为了提高漏钢预报系统波形模式识别的精确性，作者对传统神经网络进行了研究， 提出了量子小波神经网络模型，实验证明该模型在模式识别方面有很大优势量子小波 神经网络模型的隐层量子神经元采用小波基函数的线性叠加作为激励函数，这样的隐层 神经元既能表示更多的状态和量级，又能提高网络收敛精度和速度。它能将决策的不确 定性数据合理地分配到各模式中，从而减少模式识别的不确定度，提高模式识别的准确 性。同时论文给出了量子小波神经网络的学习算法。 本课题在研究的过程中主要取得了如下成果： 1 在研究了量子神经网络和小波神经网络的基础上，提出了在模式识别方面比较 有效的量子小波神经网络模型及算法，并通过在传动装置齿轮故障模式识别和漏钢预报 波形模式识别中的应用，验证了该算法的有效性。 2 漏钢预报系统的研究中，结晶器热电偶采集的样本温度数据不能直接作为神经 网络的输入数据，论文结合漏钢事件发生时，温度变化过程的特殊性，提出了一种应用 于漏钢预报的温度数据预处理方法，该方法将温度数据压缩为【o ，l 】内的6 类值。 3 为了提高漏钢预报系统的精确性，神经网络的训练需要大量的样本温度数据， 但由于连铸现场环境极其复杂，加之漏钢过后，对漏钢事件发生时的温度数据的保存不 够，以致难以获取大量的样本数据。结合论文中提出数据预处理方法，针对漏钢温度样 本数据不足的问题，提出了一种基于概率统计的温度数据样本集获取方法。 4 研究了预报系统的单偶网络、多偶网络预报模型，用m a t l a b 6 5 编程训练了基于 量子小波神经网络的漏钢预报系统，并在w i n d o w s 的操作平台上，采用简单、实用、编 程方便的v i s u a lc + + 软件进行界面的设计，开发了基于量子小波神经网络的可视化漏钢 预报系统。实验证明，采用基于量子小波神经网络实现的漏钢预报系统进行漏钢预报， 能够提高预报精度。 关键词：漏钢预报系统；量子小波神经网络；模式识别；数据预处理；v i s u a lc + + a b s t r a c t a b s t r a c t b r e a k o u ti st h em o s tc a t a s t r o p h i ci n c i d e n ti nc o n t i n u o u sc a s t i n g , i ts h a r e r se q u i p m e n t , r e d u c e st a s ke f f i c i e n c ya n db r e a k st h eb a l a n c eo fp r o d u c i l l g t h e r ea r et w om a i nm e t h o d st o a v o i do rr e d u c ei t , o n ei st os t u d yt h em e c h a n i s mo fb r e a k o u t , t h eo t h e ri st oe x p l o r e t e c h n i q u e so f b r e a k o u tp r e d i c t i o n i nt h ep a p e r , t h em e c h a n i s mo f b r e a k o u ti n c i d e n ti sf i r s t l yi n t r o d u c e d f r o mt h i s ，i ti s n e c e s s a r yt op r e d i c tt h eb r e a k o u ti nc o n t i n u o u sc a s t i n g 1 1 l es t a t u so fr e s e a r c h i n gi nb r e a k o u t p r e d i c t i o ns y s t e ma th o m ea n da b r o a di n d i c a t et h a tb r e a k o u tp r e d i c t i o ns y s t e mb a s e do n n e u r a ln e t w o r kr e p l a c eb r e a k o u tp r e d i c t i o ns y s t e mb a s e do nt h el o g i ch a sb e c o m eat r e n d t h e p a p e ra n a l y s e st h em e t h o da n dp r i n c i p l eo fb r e a k o u tp r e d i c t i o nd e e p l y 1 1 圮t h e r m o c o u p l c s d e t e c tt h et e m p e r a t u r ei nt h em o l d a c t u a l l y , t h ep r o c e s so f b r e a k o u tp r e d i c t i o ni st h ep r o c e s s t h a tr e c o g n i z e sw a v e f o r mw h i c hh a v eb r e a k o u to m e l l i no r d e rt oi m p r o v et h ea c c u r a c yo ft h ew a v e f o r mp a t t e r nr e c o g n i t i o no ft h eb r e a k o u t p r e d i c t i o ns y s t e m , t h ea u t h o rs t u d i e dt h et r a d i t i o n a ln e u r a ln e t w o r k , a n dt h eq u a n t m nn 咖 a l n e t w o r kc o m b i n e s 、析t l lw a v e l e tt h e o r yf o r mt h eq u a n t u mw a v e l e tn e u r a ln e t w o r km o d e lh a s b e e ng i v e n e x p e r i m e n t ss h o wt h a tt h i sm o d e lh a sg r e a ta d v a n t a g e si np a t t e r nr e c o g n i t i o n t i 地q u a n t u mn c u t o l l so fh i d d e nl a y e ro ft h em o d e lu s i n gal i n e a rs u p e r p o s i t i o no fw a v e l e t f u n c t i o na si n c e n t i v ef u n c t i o n , s u c hh i d d e nl a y e rn e u r o n sn o to n l y 啪e x p r e s sm o r eo ft h e s t a t u sa n dm a g n i t u d e ，b u ta l s oc a ni m p r o v en e t w o r ks p e e da n da c c u r a c yo fc o n v e r g e n c e t h e m o d e lw i l lr e a s o n a b l ya l l o c a t eu n c e r t a i n t yo fd e c i s i o nt oa l lp a t t e r n s ，a n dr e d u c et h e u n c e r t a i n t yo fp a t t e r nr e c o g n i t i o n , i m p r o v et h ea c c u r a c yo fp a t t e r nr e c o g n i t i o n t h es a m e t i m e ，t h ep a p e rp r e s e n t e dl e a r n i n ga l g o r i t h mo fq u a n t u mw a v e l e tn e u r a ln e t w o r k i na d d i t i o n , t h r o u g ht h ep r o c e s so f s t u d y i n g , t h ef o l l o w i n gr e s u l t sa r ea c h i e v e d ： 1 a f t e rs t u d y i n gt h eq u a n t u mn e u r a ln e t w o r ka n dw a v e l e tn e u r a ln e t w o r k , t h eq u a n t u m w a v e l e tb c u r a ln e t w o r km o d e la n da l g o r i t h ma r ep r o p o s e d a n dt h ea l g o r i t h mp r o v i d e sa n e f f e c t i v em e t h o di np a t t e r nr e c o g n i t i o n 1 1 l ev a l i d i t yo ft h ea l g o r i t h mi sp r o v e db ya p p l i c a t i o n i ng e a rf a i l u r ep a t t e r nr e c o g n i t i o na n dw a v e f o r mp a t t e r nr e c o g n i t i o no fb r e a k o u tp r e d i c t i o n s y s t e m 2 1 f 1 地s a m p l et e m p e r a t u r ed a t ai nt h em o l dc o l l e c t e db yt h e r m o c o u p l e sc a n n o tb eu s e d a s i 】a p u td a t ao ft h en e u r a ln e t w o r kd i r e c t l y w h e nb r e a k o u th a p p e n e d , t h et e m p e r a t u r e c h a n g e d 、i mas p e c i a lp r o c e s s t l 抢p a p e rh a sg i v e nam e t h o do fd a t ap r e p r o c e s s i n g a f t e r p r o c e s s i n g , t h es a m p l i n gd a t ah a sb e e nc o m p r e s s e dw i t h i nv a l u eo fs i xc a t e g o r i e s ，w h i c hi s b e t w e e n 0a n d1 3 i no r d e rt oi m p r o v et h ea c c u r a c yo ft h eb r e a k o u tp r e d i c t i o ns y s t e m ，al a r g en u m b e ro f s a m p l et e m p e r a t u r ed a t am u s tb ep r o v i d e df o rt r a i n i n gt h en e u r a ln e t w o r k a sar e s u l to ft h e c o m p l e xe n v i r o n m e n ti nt h ec a s t i n gs c e n ea n dt h eh a r d n e s so fk e e pt e m p e r a t u r ed a t aw h e n b r e a k o u th a p p e n e d , i ti sh a r dt og a i ne n o u g hs a m p l ed a t a 1 1 1 ep a p e rh a sg i v e nan e wm e t h o d o fa c h i e v i n gs a m p l ed a t aw h i c hb a s e dp r o b a b i l i t ya n ds t a t i s t i c s 4 1 1 h ea u t h o rs t u d i e dt h e s i n g l e t h e r m o c o u p l ea n dm u l t i t h e r m o c o u p l en e t w o r k p r e d i c t i o nm o d e lo ft h eb r e a k o u tp r e d i c t i o ns y s t e m ，a n ds i m u l a t e dt h ep r e d i c t i o ns y s t e mi n m a t l a b 6 5 a tl a s t t h eb r e a k o u tp r e d i c t i o ns y s t e mi sd e v e l o p e dw i t hv i s u a lc + + b a s e do nt h e 1 1 i 江南大学硕士学位论文 w i n d o w sp l a t f o r m , w h i c hc a ns i m u l t a n e o u s l ys a l lt h ef u n c t i o na n dc i r c u l a t i o no fa l lp a r t s i nc o n t i n u o u sc a s t i n g t h ee x p e r i m e n ts h o w e dt h ea c c u r a c yo ft h eb r e a k o u tp r e d i c t i o ns y s t e m h a si m p r o v e d k e y w o r d s ：b r e a k o u tp r e d i c t i o ns y s t e m ； r e c o g n i t i o n ；d a t ap r e p r o c e s s i n g ；v i s u a lc 抖 i v 独创性声明 本人声明所呈交的学位论文是誉人在导师指导下进行的研究工作及取 得的研究成果尽我所知，除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含本人为获得江南 大学或其它教育机构的学位或证书而使用过的材料与我一同工作的同志 对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意 签名：日期：2 神b 、v 关于论文使用授权的说明 本学位论文作者完全了解江南大学有关保留、使用学位论文的规定： 江南大学有权保留并向国家有关部门或枫柏送交论文的复印件争磁盘，允 许论文被查阅和借阅，可以将学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文， 并且本人电子文档的内容和纸质论文的内容相一致 保密的学位论文在解密后也遵守此规定 签名： 导师签名： 第章绪论 第一章绪论 1 1 研究背景和意义 连铸是一项把钢水直接浇铸成形的新工艺，它是现代炼钢企业铸造钢坯的主要方 法。在连铸生产过程中，如果结晶器中形成的固化坯壳由于某种原因发生破裂，而破裂 口又不能在该段铸坯被拉出结晶器之前重新固化弥合，就会发生结晶器及铸坯中尚未凝 固的钢水突然泄漏的事故，这种事故称为漏钢。近年来，随着钢铁工业在中国的快速发展， 新投入的连铸生产线越来越多，连铸生产的稳定与否直接影响到炼钢单元的物流，当然也 影响到炼钢连铸的生产效率。控制连铸漏钢事故是确保连铸生产稳定的关键，是各个炼钢 厂共同追求的目标。连铸漏钢是最具危害性的生产意外事故，它不仅直接降低了产量，影 响整个炼钢生产计划，而且对结晶器以及辊道构成了一定的危害，同时也间接影响到铸坯 的质量，因此漏钢一直是影响连铸生产及其设备寿命的一个重大因素【l 2 】。国内外连铸的 实践证明，建立漏钢预报系统可以有效防止漏钢事故的发生，既减少了设备和人身的伤 害，又降低了部件损耗，为实现节能降耗创造了条件，同时还可以保证生产均衡组织， 提高作业率，获取巨大的经济效益，也提高了连铸机的自动化控制水平。目前，漏钢预 报已成为高效连铸技术的主要组成部分，各种新的漏钢预报方法也不断出现p 4 】。 国外研制漏钢预报系统的工作起始于7 0 年代，起初陆续可见一些大的钢铁公司成 功运用逻辑预报系统使漏钢发生率大大下降，9 0 年代以来又陆续可见一些钢铁公司成功 运用神经网络预报系统使漏钢发生率大大下斛5 1 。我国漏钢预报系统研制和开发工作起 步较晚，以前仅有宝山钢铁( 集团) 公司和武汉钢铁公司等为数不多的几个钢铁公司从 国外引进了逻辑漏钢预报系统投入运营，但误报较多，漏报也时有发生，说明逻辑漏钢 预报系统不是最有效的漏钢预报方法。9 0 年代以来，国际上用神经网络漏钢预报系统替 代早期的逻辑判断系统已成为一种趋势，各大钢铁公司均在漏钢预报领域进行了神经网 络的开发旧。这是因为，相对于逻辑判断系统，神经网络具有较好的自适应能力、鲁棒 性和容错能力，并能随着使用时间的延长，不断提高系统性能。 小波理论是在最近十年不断发展起来的，其独特的优点使其在信号处理、图像处理、 地球物理等许多领域里得到广泛的应用。量子神经网络的概念出现于上世纪9 0 年代， 它是将量子力学的思想引入神经网络研究中【7 1 ，克服传统神经网络模型的缺陷和不足， 如学习速度慢，灾变性失忆及识别精度低等。该网络是在三层的神经网络结构中，隐层 量子神经元的激励函数采用多个传统激励函数的叠加，使网络有了一种固有的模糊性。 理论和实验均证明多层激励函数的量子神经网络模型对具有不确定性、两类模式之间存 在交叉数据的模式识别问题，有极好的分类效果。 本课题将针对连铸过程中发生概率最大的粘结性漏钢事件，采用热电偶检测法，利 用改进后的神经网络量子小波神经网络，对结晶器上热电偶测得的温度变化曲线进 行模式识别，实现漏钢预报，并开发了连铸漏钢预报系统。 1 2 连铸漏钢分类和粘结性漏钢机理分析 本节概述了漏钢的分类，分析了粘结性漏钢机理，以及预报解决粘结性漏钢的基本 江南大学硕士学位论文 方法。 1 2 1 漏钢分类 常见的漏钢类型大致有：开浇漏钢、悬挂漏钢、裂纹漏钢( 包括角裂、纵裂、横裂) 、 夹渣漏钢、起步漏钢、剪切漏钢和粘结性漏钢等，各类型漏钢在实际生产中所占比例如 图1 1 所示【o 】。 图1 - 1 漏钢事故分类排布 f i g 1 - 1b r e a k o u ti n c i d e n tc l a s s i f i e da r r a n g e m e n t 在诸多的漏钢事故中，粘结性漏钢往往占漏钢总数的5 0 以上。而且随着连铸机周 边先进装置的引入，操作稳定性的不断提高，其它类型漏钢事故的发生率降低，粘结性 漏钢在连铸漏钢事故中占的比重越来越高。因此，对粘结性漏钢进行深入研究，把发生 率降到最低，成为提高连铸生产率的主要任务之一。本文也是主要针对粘结性漏钢预报 进行深入研究的。 1 2 2 粘结性漏钢机理分析 面 图1 2 粘结性漏钢的产生过程 f i g 1 - 2s t i c k i n gb r e a k o u tm e c h a n i s m 硝 漏钢l i 由于结晶器液位波动，凝固坯壳与铜板之间无液渣，严重时粘结，使得摩擦阻力增 2 第一章绪论 大，粘结处被拉断，并向下和两边扩大，形成“v ”型破裂线，到达结晶器出口即产生 漏钢。实践表明，粘结漏钢与钢水成分、温度、拉速、保护渣的性能以及结晶器振动参 数之间存在较大关系【l l 】。其粘结过程可用图l - 2 描述。 在浇注过程中，粘结首先发生在弯月面处，粘结点处坯壳已粘附在结晶器壁上，随 着结晶器振动与拉坯作用，该点的坯壳和结晶器之间的粘结力大于初生坯壳所能承受的 极限时，凝壳被撕裂并形成空隙，钢水迅速填充，重新与结晶器接触，在空隙处形成新 生凝壳，这种凝壳的厚度比其它地方的坯壳薄。随着结晶器不断的振动上述撕裂过程 重复发生，到达结晶器下口，此时钢水从空隙中冲出来，不能被结晶器壁所阻挡，或是 出口处结晶器的坯壳太薄，无法抵抗钢水静压力，从而产生漏钢。 1 2 3 解决粘结性漏钢的主要途径 目前，解决粘结性漏钢的主要途径有两种：( 1 ) 研究高性能的保护渣，并且使各种 工艺条件和参数保持最佳的组合，杜绝产生漏钢的条件。( 2 ) 研究漏钢检测技术以及漏 钢预报系统，在粘结产生后能及时地检测出来，并采取措施使断裂口在传播到结晶器底 部之前弥合，避免漏钢事故的发生。 经过多年的努力，人们在第一个途径上面已经取得了很大的进展，然而，为了提高 连铸机的生产效率，连铸拉铸的速度正在不断地提高，市场对铸坯质量和连铸生产的柔 性化提出了越来越高的要求，再加上结晶器上部的热动力学过程复杂等情况，在连铸生 产中结晶器上部的粘结尚不能完全杜绝。因此，研究漏钢征兆检测方法并开发漏钢预报 系统，对于提高现代连铸机的生产效率和产品质量有着十分重要的意义。 1 3 漏钢征兆检测方法 目前为止，人们已开发了一些漏钢征兆检测方法，其中包括：( 1 ) 结晶器热传递测 量分析法：( 2 ) 摩擦力( 拉坯阻力) 测量法；( 3 ) 铸坯短边凹度测量法：( 4 ) 热电偶测量 法；( 5 ) 超声波测量法；前四种方法在实际中都有应用，第五种方法尚处于试验阶段。 1 3 1 结晶器热传递测量分析法 1 0 0 永 孙 椎 呕 嘏印 4 0 2 0 0 、童蝽 心 漏 涞序 、， 时间( m i n i 图1 3 拉漏发生前传热量的变化曲线 f i g 1 - 3t r a n s f o r m a t i o ng l l i v co f d i a t h c r m a n o u sa m o u n t 3 江南人学硕十学位论文 该方法就是通过检测冷却水的流量和冷却水的出入1 3 的温度，计算出结晶器部分的 总热流量，但是这种方法错误率较高。图i - 3 为漏钢之前检测的典型的热流量曲线，可 以看到，在漏钢之前检测到热流量的下降，正是由于热流量的下降，引起坯壳生长不充 分而导致拉漏。 1 3 2 摩擦力( 拉坯阻力) 测量法 目| j i 已经采用或建议采用定量确定结晶器摩擦力的几种测量和分析方法包括：( 1 ) 在结晶器支架上安装测力仪：( 2 ) 在振动器支架上安装应变仪：( 3 ) 将加速计安装在结 品器侧壁上：( 4 ) 在液压振动器中测量液压缸进出e l 之间的压力差：( 5 ) 测量拉坯辊电 流；( 6 ) 测量和分析振动器驱动电机的电流：( 7 ) 监测振动电机的输入功率。 1 3 3 辞坯短边凹度测量法 日本钢管公司对板坯连铸研究后发现，在产生拉漏处的5 m m 1 0 m m 前，铸坯的短 边凹度逐渐减少，当凹度减少到i m m l5 m m 时就产生拉漏。因此可在板坯连铸机的 冷却装置下安装测定铸坯短边形状的装置，沿铸坯长度方向连续测定铸坯的凹度，即可 确切预知拉漏，从而采取正确的修正措施避免拉漏发生。 1 3 4 热电偶测量法 热电偶测量法就是在结晶器各面适当位置安装一定数目的热电偶，以所测量结晶器 铜板温度变化，通过一定的综合运算和逻辑判断进行预报。该方法简便易行，成本低， 因而成为当前国内外应用最为广泛的粘结性漏钢预报法。宝钢板坯连铸机的漏钢预报系 统采用的就是这种检测原理。下图l _ 4 为热电偶安装示意图。 冷却固蟠 图1 4 热电偶安装示意图 f i g1 4 t h e r m o e o u p l e f i x i n gs k e t c h m a p 连铸过程中，在浇铸1 f 常时，结晶器j 一热电偶榆测的温度趋势相对比较甲稳，j l 有 微小的波动，如图1 - 5 ( a ) 所示。发生粘结或坏壳破裂时，热电偶会检测到温度的反常变 化如图1 5 f b l 所示。 断裂最初发， - 在热 乜偶以e ，当断裂向下传播接近热电偶时温度l 州断裂线通过 热r 乜偶时温度达到址大值，j 口成一个波峰。然后随着断裂线离丌热电f l j ；，* ”竖f 阶。位 r 列旧j r 岍个热 u 似将舱测剑类似的温度波形f i l 足打之川n个川芹。 第一章绪论 漏钢预报实际上是一个波形模式识别的问题，即要从结晶器铜板上所埋设的热电偶 检测的大量温度波形中，识别出具有如图l - 5 ( b ) 所示的漏钢征兆的波形，来对即将发生 的漏钢事件做出预报1 2 ，1 3 1 。 p ； 毯 赠 p 麓 露 时i m l t m 时同f m ( a ) 浇铸正常时的温度波形 c o ) 发生粘结时的温度波形 图l - 5 浇铸正常时和发生粘结时的温度波形 f i g 1 - 5n o r m a lc a s t i n gt e m p e r a t u r ew a v ca n ds t i c k i n gb r e a k o u tt e m p e r a t u r ew a v e 1 3 5 超声波测量法 连铸漏钢征兆检测方法中，超声波检测法属于新型的测试方法，目前该方法尚处于 试验阶段。 1 4 粘绔巨漏钢预报方法 本节介绍了两种预报粘结性漏钢的方法，逻辑漏钢预报方法和运用神经网络技术进 行漏钢预报。 1 4 1 逻辑漏钢预报方法 1 预报原理 逻辑漏钢预报方法是依据机理分析和对实验数据进行定性、定量分析后提取适当的 逻辑条件来预报漏钢的发生。8 0 年代，宝山钢铁( 集团) 公司引进的日本新日铁公司的 逻辑漏钢预报系统即是最为典型的一种。该方法将相关预报热电偶进行分组，作分组预 报。该系统逻辑预报是从热电偶温度偏差、预报热电偶温度达到最大点后是否时序列衰 减、预报热电偶温度下降幅值、预报热电偶上下部温度的接近程度及预报热电偶是否持 续上升等逻辑条件出发，再加上一些与之有关的工艺条件，整体作为漏钢预报的判定依 据。 2 缺点 逻辑漏钢预报方法中模型的参数设定量既无明确的计算公式，又无统一的标准，其 设定大都需依据经验在现场调试，太依赖于具体的工艺和设备，其鲁棒性能差，预报精 度低，而且存在着操作界面落后，程序繁琐，操作人员无法迅速查看热电偶的温度曲线 等缺陷。 1 4 2 神经网络漏钢预报方法 神经网络漏钢预报方法是利用神经网络技术对现场的漏钢温度数据进行学习，再加 上必要的工艺条件，用于辨别具有漏钢征兆的曲线，进而做出漏钢预报。 5 江南大学硕士学位论文 1 神经网络的特点 神经网络对实际系统具有很好的适应能力、同时具有信息分布存贮、良好的逼近能 力、良好的鲁棒性和容错性【1 4 l 。 2 神经网络预报的一般方法 先让神经网络对典型的漏钢预报曲线和连铸正常温度曲线进行适当的学习，然后用 学习后的神经网络对采集的温度波形进行模式识别。在漏钢预报中，由于断裂部位呈“v 一 字型向铸坯各面传播，所以在进行漏钢预报时，不仅要考虑粘痕在铸造速度方向的传播， 还应考虑粘痕在水平方向上的传播，即神经网络漏钢预报是一种时空模式识别问题。目 前神经网络实现漏钢预报具体有以下几种：( 1 ) 利用b p 网络进行漏钢预报；( 2 ) 利用 r b f 神经网络进行漏钢预报【1 3 , 1 5 ；( 3 ) 利用模糊神经网络进行漏钢预报1 1 岳1 8 1 ；( 4 ) 利 用神经网络专家系统进行漏钢预报【1 9 】。 3 神经网络预报的缺点 主要包含以下两点：( 1 ) 神经网络仅仅只能识别结晶器铜板的温度变化，而铜板温 度的变化只是漏钢征兆的一部分。( 2 ) 目前，神经网络漏钢预报模型通常选取b p 网络、 r b f 网络等，但是这种网络的缺点( 比如：陷入局部极值、网络速度慢、而且不能充分 利用已有的经验知识等) 必然导致了预报的精度低、速度慢。 1 5 国内外研究现状 国外有关粘结性漏钢的研究，最初是从漏钢形成机理开始的，s a v a g e 与p r i t h c h a r d 是最早开始对粘结漏钢问题进行研究的专家，他们利用热电偶监测结晶器铜板温度，提 出了一种粘结性漏钢形成机理，认为粘结后形成的撕裂口向下传播的速度等于拉坯速 度。随后许多学者在粘结性漏钢的形成、撕裂口的传播及弥合问题上进行了进一步的研 究。目前，有关粘结性漏钢形成机理的理论模型很多，各种理论不尽一致，实际上对粘 结漏钢形成的根本原因尚缺乏深入研究，而且缺乏定量的计算【5 ，2 0 1 。 日本君津制铁所曾于6 0 年代开发了基于热电偶法的逻辑漏钢预报系统，有效地降 低了漏钢发生率【2 l 】。但由于误报警频繁，经常急降速，导致板坯品质异常，影响生产和 收得率。 早期的漏钢预报系统均是基于坯壳断裂线的纵向检测，一般是在结晶器铜板上安装 两至三排热电偶，通过上下两排热电偶检测的温度差、温升率和温升值等作为漏钢的判 断依据，如s o l l o c f o s 、s o l l a c 、f l o r a n g e 、h o o g o v e n s 、u v 和b r i t i s hs t e e l 等公司的漏 钢预报系统。此后，随着热电偶检测法漏钢预报技术的不断发展与成熟，有关漏钢前坯 壳断裂纹的纵向和横向传播的研究也有了很大的进展，随后开发的系统多以两排热电偶 居多，由坯壳断裂线的纵向检测转向以横向传播检测为主。如日本川崎钢铁公司的热电 偶便是呈环形布置。该公司认为：水平布置方式比垂直布置要优越，其理由是水平布置 方式受拉速、保护渣性能和坯壳与结晶器壁气隙等影响较小。同本川崎钢铁公司千叶厂 3 号板坯连铸机使用了基于该机理的漏钢检测技术，获得了较好的效果。8 0 年代初，法 国s e r t 公司的s a p s o l 漏钢预报系统，属热电偶测温的方法，十几年来被世界著名工 程公司如德马克、奥钢联所选择并为各钢厂所使用，取得了显著效果，把漏钢风险降至 6 第一章绪论 最低，可以达到每年l 砣次的水平，甚至为零。 上述预报方法均属于逻辑漏钢预报，此类模型中的参数设定量既无明确的计算公 式，又无统一的标准，其设定大都需依据经验在现场调试。参数过分依赖于具体的设备 和工艺参数。在实际应用中，为了避免漏报，通常不得不维持较高的误报率。正如h a r t o g 所说的那样：“避免误报比预报漏钢更难一 9 0 年代以后，为了提高预报的准确性，特别是同时避免大量的误报，许多学者采用 神经网络替代逻辑判断进行连铸漏钢预报系统的开发。1 9 9 0 年，日本八幡制铁所和富士 通合作开发了神经网络漏钢预报系统，在模型结构上，不仅考虑温度会随时间发生变化， 而且考虑破裂线是随空间移动的。该系统进入实际运转后，其误报警仅为原有系统的 1 8 ，预报精度大大提高，而且预报警时间也比原有系统提前3 , 6 s 2 2 1 。1 9 9 2 年6 月，新 日铁开发成功的另一套利用b p 网络的漏钢预报系统在日本君津制铁所的君津2 号连铸 机上使用，这个系统在结晶器的每个宽面各安装6 2 个热电偶，使得漏钢预报精度大大 提高。9 月又在3 号连铸机上扩大使用，也取得了良好的效剿2 3 1 。然而在连铸机如此复 杂的工艺条件下，仅仅依靠神经网络系统还是不够的。于是一些研究学者便把模糊逻辑、 专家系统等技术引入进来。瑞典钢铁公司1 9 9 4 年研制了一套板坯连铸专家系统，它既 可以预报出结晶器上的钢水温度，还能够给出防止拉漏和改善板坯质量、调整拉速的专 家建议【2 4 1 。 2 0 0 4 年以来，c h i t h r ak 等【2 5 2 6 】运用模糊逻辑，模糊诊断技术等进行漏钢预报，收 到了不错的效果。 随着我国连铸技术的发展，也开始了漏钢预报系统的开发和研究工作。 宝钢1 9 3 0 m m 连铸机1 9 8 9 年引进时配备的逻辑漏钢预报系统是从国外引进的当时 的漏钢预报技术仍不太成熟。随着宝钢连铸的不断发展，新开发的钢种越来越多，加之工 况条件的变化，这套引进国外的基于逻辑判断原理的漏钢预报系统越来越不适应宝钢的 连铸生产，主要表现在误报大幅度增多，并时有漏报发生，不能满足高节奏下连铸生产的要 求。为了解决这个难题，宝钢于1 9 9 8 年开发一套新的漏钢预报系统b b p s ，首先应用于炼钢 的2 号1 9 3 0 m m 连铸机，同时对结晶器系统相关的电缆、接插件进行国产化试验，完全取代 了原来引进国外的漏钢预报系统。与原引进的系统相比，工作性能大幅度改善。于是在 1 9 9 9 年通过技术改造将新开发的系统也应用到了炼钢的l 号1 9 3 0 m m 连铸机。 为了持续不断地改进漏钢预报技术，不断提高宝钢漏钢预报系统的综合性能，持续适 应连铸新钢种发展的需求，进一步增强预报系统的抗干扰能力以及适应新钢种的能力，持 续提高预报精度，2 0 0 4 年宝钢在原b b p s 漏钢预报系统的基础上，又开发了新一代板坯连 铸漏钢预报系统( b b 2 p s 2 ) 。新一代板坯连铸漏钢预报系统( b b p s 2 ) 于2 0 0 4 年1 2 月已投 入l 号1 9 3 0 r a m 连铸机的工业化应用，与此同时2 号1 9 3 0 r a m 连铸机于2 0 0 5 年进行综合改造 后，也采用了b b p s 2 漏钢预报系统。与原有的b b p s 相比，新系统在画面设计、数据管理、 模型等方面进行了较大的改进。为了扩大品种范围，2 0 0 6 年1 2 月在新建的4 号板坯连铸 机上装备了宝钢自主开发的具有热成像功能的漏钢预报技术【。 2 0 0 1 年，上海大学自动化系的王唯一、荣办诚、龚幼民等人提出了一种基于模糊 7 江南大学硕士学位论文 r b f 神经网络技术的漏钢预报模型【埔】，2 0 0 3 年又提出了基于模糊聚类的结晶器漏钢动 态波形识别及仿真模型【1 2 】，主要包括神经模糊判别技术、单偶神经网络判别技术、组偶 神经网络判别技术，并用现场工艺数据进行了仿真，研究结果表明在多数情况下，模糊 神经网络能够比逻辑判别漏钢诊断预报系统响应更快。 济钢第三炼钢厂结晶器漏钢预报专家系统是从奥钢联w a r ) 连铸自动化中引进的一 项关键技术。该结晶器漏钢预报专家系统，除了热电偶检测漏钢的预报系统之外，还包 括了结晶器热力学检测系统和结晶器振动摩擦力检测系统，它实现连铸机生产过程结晶 器上部的可视化和漏钢保护，因此是一个融合了金属热力学、计算机技术、图形可视化 技术、数学模型优化技术等多项技术的综合系统。该专家系统漏钢预报系统在济钢第三 炼钢厂现场应用中收到了很好的效果【2 7 1 。 1 6 举课题主要任务 。尽管近些年来，许多研究者把神经网络技术引入漏钢预报领域里面来，并且近些年 实践证明：神经网络预报系统在避免误报和提高预报准确率方面比原有的逻辑判断模型 要好得多，但是神经网络在漏钢预报中的应用同样存在着许多的问题。比如网络模型的 选取问题等等。此外，还有其它一些急需解决的问题，期望在本课题研究中得到解决。 ( 1 ) 在连铸机如此复杂的工艺条件下，仅仅依靠神经网络系统还是不够的，如何将 量子理论、小波理论等技术引入进来，与神经网络完美结合，进而提高预报精度和速度。 ( 2 ) 虽然内存映射网在连铸漏钢预报系统中的应用【2 8 1 ，一定程度上保证了结晶器上 热电偶所采集的温度数据传输过程中的可靠性。但这些采集的温度数据，不可避免地存 在噪声数据、空缺数据和不一致数据等情况，如何预处理数据才能提高数据质量，从而 提高建模中的规则抽取质量以及系统的预报精度，是进行实际系统建模所不可轻视的一 个具体问题。 ( 3 ) 神经网络训练需要大量温度样本数据，而连铸现场工艺条件及环境极其复杂， 如何解决样本数据保存不足的问题。 1 7 小结 本章对漏钢预报技术的研究背景、漏钢的种类、粘结性漏钢的产生机理以及一些漏 钢征兆检测方法进行了探讨，简单介绍了一下逻辑漏钢预报方法和神经网络预报方法， 列出了逻辑预报方法的不足之处，并进一步指出神经网络漏钢预报方法对实际系统具有 很好的适应能力和良好的逼近能力，同时具有良好的鲁棒性和容错性。随后，重点分析 了国内外粘结性漏钢的研究现状，指出目前所开发的神经网络漏钢预报系统的缺陷，并 建议把量子理论、小波理论等技术引入进来，以获得更好的效果。最后讨论了该领域目 前尚存在的一些问题，期待在课题研究过程中能够解决。 8 第二章量子小波神经网络 第二章量子小波神经网络 由上一章介绍的热电偶测量法可知，粘结性漏钢的预报过程主要是运用神经网络技 术对结晶器上热电偶检测的具有漏钢征兆的温度波形进行模式识别的过程，即识别具有 漏钢征兆温度波形的过程。因此，有必要探讨研究对模式识别比较有效的神经网络本 章首先概述了神经网络技术、量子理论和神经网络的结合方式、小波分析理论，并在此 基础上提出了量子小波神经网络的模型及算法，最后通过仿真实验说明了该模型和算法 应用于模式识别的有效性。 2 1 背景知识 2 1 1 神经网络技术概迷 人类关于认知的探索由来已久，早在公元前4 0 0 年左右，希腊哲学家柏拉图和亚里 士多德等人，就曾对人类认知的性质和起源进行过思考，并发表了有关记忆和思维的论 述。在此以后很长的一段时间内，由于科学技术发展水平所限，人们对人脑的认识主要 停留在观察和猜测的基础之上，缺乏有关人脑内部及其工作原理的科学依据，因而进展 缓慢。直到2 0 世纪4 0 年代，随着神经解剖学、神经生理学以及神经元的电生理过程等 研究取得突破性进展，人们对人脑的结构、组成及最基本工作单元有了越来越充分的认 识，在此认识的基础上，以数学和物理方法以及信息处理的角度对人脑神经网络进行抽 象，并建立简化的模型，称为人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k , a n n ) ，为叙述 方便将人工神经网络直接简称为神经网络。 目前，关于神经网络的定义尚不统一，按美国神经网络学家h c c h tn i e l s e n 的观点， 神经网络的定义是：“神经网络是由多个非常简单的处理单元彼此按某种方式相互连接 而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息。综合 神经网络的来源、特点和各种解释，它可简单地表述为：人工神经网络是一种旨在模仿 人脑结构及其功能的信息处理系统。 作为一门活跃的边缘性交叉学科，神经网络的研究与应用正成为人工智能、认识 科学、神经生理学、非线性动力学等相关专业的热点。近十几年来，针对神经网络的学 术研究大量涌现，它们当中提出上百种的神经网络模型，其应用涉及模式识别、联想记 忆、信号处理、自动控制、组合优化、故障诊断及计算机视觉等众多方面，取得了引人 注目的进展。 神经网络的基本功能有：联想记忆、非线性映射、分类与识别、优化计算、知识处 理等。神经网络是具有高度非线性的系统，具有一般非线性系统的特性，同时具有并行 处理，分布式存储与容错性，自学习、自组织与自适应性特征。虽然单个神经元功能有 限，但大量神经元构成的网络系统，却能实现强大的功能。这主要由神经元的特性、神 经元之间的连接形式( 拓扑结构) 、为适应环境而改善性能的学习规则等三大要素所决 定。 神经网络基本运算可归结为四种：积与和、权值学习、阈值处理、非线性函数处理。 本论文研究的神经网络是有导师学习的多层感知器【1 4 , 捌。 9 江南大学硕士学位论文 2 1 2 量子神经网络 量子神经网络的概念出现于上个世纪9 0 年代，提出后便引起了不同领域的科学家 的关注，人们在这个崭新的领域进行了不同方向的探索，提出了很多的想法和初步的模 型，充分体现了量子神经网络研究的巨大潜力。主要研究方向概括为以下几点： ( 1 ) 量子神经网络是指采用神经网络的连接思想来构造量子计算机，通过神经网络 模型来研究量子计算中的问题【3 0 】。 ( 2 ) 量子神经网络是指在量子计算机或量子器件的基础上构造神经网络，充分利用 量子计算超高速、超并行、指数级容量的特点，来改进神经网络的结构和性能【3 1 1 。 ( 3 ) 量子神经网络作为一种混合的智能优化算法是在传统神经网络的基础上实现 的，这是指通过引入量子理论中的思想对传统神经网络改进，改善传统神经网络的结构 和性能【3 2 调。 ( 4 ) 基于脑科学和认知科学的研究【3 6 1 。 以上不同的研究方向之间并没有明显的界限，它们之间是紧密联系相互交叉的。其 中美国的k a k 是最早提出量子神经网络的人之一，通过对认知和意识的研究将量子理论 引入到人工智能领域，认为神经元的信息处理应该是有量子特性，并在随