鑄坯質量判定系統的研究與應用

王紅濤，馮連強，劉 穎，周士凱，趙 靜

(中國重型機械研究院股份公司，陜西 西安 710032)

0 前言

隨著基于可編輯邏輯控制器(PLC)的生產工藝自動化技術、電子計算機技術等在生產中廣泛應用為主要標識的信息控制技術革命興起及繁榮，通過應用嵌入式系統，可以實時收集影響鑄坯質量的因素數據，并且充分利用信息通訊技術，將網絡空間虛擬系統與信息物理系統緊密結合，使傳統的制造業向智能化方向進行轉型，成為當前連鑄生產的發展趨勢。

由于鑄坯質量缺陷的重要性、判定方法局限性、工藝過程復雜性，中國重型機械研究院股份公司針對鑄坯質量的在線判定進行了深入的專項研究，研發了智能化的鑄坯質量在線判定系統，實時地采集影響鑄坯質量的現場數據，對信息進行分析，實現質量判定，并進行相應的維護和管理。

1 鑄坯質量判定方法概況

目前采用多爐連澆、熱送熱裝技術的板坯連鑄機已隨處可見。連鑄技術發展的一個重要方向已經轉換為通過選用合適的技術措施較為明顯地提高連鑄機生產速度、提高連鑄-軋鋼工藝過程的運行效率。

為適應連鑄機高效率的生產過程，須建立一套因操作不當或設備異常等引起的鑄坯質量缺陷進行判定的專家系統，用以快速判定鑄坯表面或內部可能出現的質量缺陷，并且及時追蹤定位可能存在質量缺陷的鑄坯段位置，并將判定結果在鑄坯離開連鑄生產線前報出，指導鑄坯在線優化切割、減少廢坯量等。

鑄坯質量缺陷判定數學建模是通過連鑄生產機理建立具有預報功能的數學模型，但由于鑄坯質量與各因素具有非線性和不確定性關系，許多成因仍未研究通透，而且由于企業不同、產品種類不同、原材料的不同，導致系統的重復利用、日常維護變得異常艱難。隨著人工智能技術的發展，使用基于技術人員知識經驗積累的專家系統或者數據挖掘方法，如K近鄰、神經網絡等，可以對鑄坯質量與各影響因素之間的不確定性和非線性關系進行精確的求解，從而建立優勢明顯的鑄坯質量判定模型。

另外，有些鋼鐵企業使用物理檢測技術對鑄坯表面質量缺陷進行判定。在判定過程中，需要通過光學圖像對比來檢測鑄坯質量缺陷。盡管鑄坯表面質量的精度在不斷地提高，但由于受到各方面因素的影響，如設備精度以及環境的干擾，這些檢測方法涉及的技術相對復雜。因此，需要結合圖像檢測技術和人工智能技術的各自優點，綜合應用以降低硬件投資成本，提高鑄坯質量缺陷評估的準確率。

基于人工智能方法的鑄坯質量判定系統的實施一般由數據采集、異常事件處理、質量缺陷判定和鑄坯綜合質量等級評定環節組成。作為系統的核心功能就是質量缺陷如何判定。

2 鑄坯質量判定方法分析

鑄坯質量缺陷預報主要包括鑄坯內部缺陷預報及鑄坯表面缺陷預報，鑄坯內部缺陷預報主要包括中心線裂紋預報、枝晶間裂紋預報、三角區裂紋預報。鑄坯表面缺陷預報主要包括表面縱裂紋預報、角部表面縱裂紋預報(角裂)、表面橫裂紋預報、角部橫裂紋預報、表面“網狀”裂紋預報、連鑄坯表面夾渣預報、鑄坯表面潤滑預報、表面氣孔預報等。

對于如何提高連鑄坯質量判定準確率研究，當前主要有如圖1所示三種研究方法：一是基于專項缺陷的質量預報，依靠專門的檢測設備在線對連鑄坯質量缺陷進行檢測，通過生產現場信息的分析，協助工程師信息定位和控制缺陷；二是對某種質量缺陷的專項深入研究，對具體連鑄坯質量缺陷與工藝條件、設備條件、操作條件和鋼水條件等的關系進行實驗研究和具體分析，構建數學模型，通過模型分析主要影響因素，并且確定控制措施；三是基于現場生產數據跟蹤的質量判定，掌握現場生產中實際的工藝數據、設備條件等，按照人工智能和神經網絡技術對其進行推理和判定，借助于神經網絡，解決連鑄坯質量預報過程中存在的多因素、不確定和不精確的非線性問題。

圖1 鑄坯質量判定分類

基于物理手段的檢測方法，從實現機理上看，此類系統直接針對鑄坯缺陷，通過檢測設備采集鑄坯缺陷信息，借助圖像處理技術中的模式識別方法，對鑄坯的質量缺陷進行診斷和辨別。

2.1 圖像處理

鑄坯質量在線判定系統包括圖像采集、圖像處理、模式識別和人機交互等幾個部分。其中，每幅圖像之間的采集間隔需要準確設定，避免圖像之間的重疊，保證系統不會出現漏檢或重復檢測現象發生。

圖像采集部分在獲得鑄坯表面圖像之后，通過數字圖像處理技術判定是否有缺陷存在。如果存在缺陷，通過設計的自學習系統，對缺陷分類，從而達到自動識別鑄坯表面缺陷的目標。

2.2 傳統數學模型建模的判定

連鑄坯質量判定系統以往是通過分析連鑄生產的基本原理，分析冶金工藝模型，建立相關模型的方式進行，而鑄坯質量存在很多影響因素，在此基礎上，將連鑄過程質量分析分為結晶器內分析和二冷區分析。傳統數學模型建模的判定存在著較多的原理缺陷，因此，實際應用并不理想。

2.3 人工智能判定

利用現代人工智能技術，能夠針對具有不確定性和非線性關系的問題進行有效求解，因此用來建立質量判定模型具有明顯優勢。該類質量診斷建模通常是把冶金知識以規則的形式匯總成鑄坯質量知識庫，將澆鑄過程各工序監測的所有數據輸入計算機，利用數據挖掘等技術或利用多元統計、神經網絡等技術建立質量診斷模型，對鑄坯質量做出評價。

3 鑄坯質量判定系統需求分析

建立一個新的系統時，需要進行需求分析，描述新系統的目的、范圍、定義和功能。作為軟件工程的一個關鍵過程，在需求分析過程中通過系統分析師確定系統的需求。“智能化鑄坯質量在線判定系統”的需求分析是對智能化鑄坯質量在線判定系統進行需求調研以后，對相關資料信息進行詳細的分析，確定系統的輸入數據、處理數據的具體方法、以及要求的輸出結果。

通過詳細分析“智能化鑄坯質量在線判定系統”的目標和任務，可以將系統的需求分析劃分為幾個方面，即功能需求分析、信息需求分析、方法需求分析以及軟硬件需求分析等。

對系統需求進行分析時，首先必須了解系統任務及目標，即處理需求，由智能化鑄坯質量在線判定系統的任務及目標分析可知，處理功能需求主要包括對異常事件診斷、對鑄坯內部缺陷預報、對鑄坯表面缺陷預報、系統仿真離線模擬、系統可視化界面構建等。除此之外，還需要根據系統任務及目標，實現其他輔助處理功能。

信息需求主要是指將要實現具體的處理功能，需要什么樣的數據為基礎，信息需求主要包括四個方面，生產之前已知的設備、鋼種、材料信息，連鑄生產前化驗室得到的鋼水成分、溫度等信息，連鑄生產過程實時檢測到的信息，以及當前鑄坯質量判定后得到信息及指導修正模型的自學習信息。

方法需求分析主要包括模型構建方法、系統數據采集通訊方法、界面搭建方法等。系統通過OPC與一級系統數據進行采集交流、基于C#編程語言進行界面設計、使用Oracle數據庫管理方法對數據進行收集管理、系統通過搭建C/S框架結構完成服務器與客戶端交流、定制圖像處理算法對鑄坯表面圖像進行分析處理；對異常事件進行預報使用人工診斷方式或自動診斷方式完成；對鑄坯內部缺陷進行預報使用經驗及機理模型、神經網絡模型、自學習模型完成；對鑄坯表面缺陷進行檢測與預報使用經驗及機理模型、神經網絡模型、自學習模型完成；并且對使用軟硬件對鑄坯表面質量進行拍照分析，輔助完成鑄坯表面缺陷進行檢測與預報。

信息搜集以后需要具體的處理方法才能得到想要的輸出結果，處理方法主要包括對異常及缺陷進行診斷的方法，對采集的表面質量信息進行處理的算法等；搜集和整理鋼廠的大量生產數據，設計和開發相應的仿真模擬算法，對采集到的數據進行仿真模擬，實現系統的離線仿真目標，涉及的需求分析數據如表1所示。

表1 主要需求分析

4 鑄坯質量判定系統的實現與應用效果分析

本文主要以國家智能制造裝備發展專項為研究背景，開發的系統已成功應用于河北鋼鐵集團燕山鋼鐵有限公司板坯連鑄生產線、印尼廣青板坯連鑄生產線、福建吳航鋼鐵公司板坯連鑄生產線、伊朗穆巴拉克鋼鐵集團板坯連鑄生產線等。

通過對連鑄生產現場的實際情況的詳細調研和系統分析，結合項目實施的具體網絡環境，建立針對鑄坯質量判定系統相適應的網絡拓撲結構。基于在數據通信中，各網絡設備有效、可靠的接收和傳遞數據，采用國際標準的TCP/IP協議，滿足整體系統中不同種類設備之間相互連通的基本要求。基礎自動化級控制系統生產相關數據和連鑄生產設備自身運行的狀態數據等共同組一級控制系統中數據。為此，建立了工業以太網的數據傳輸線路，保障服務器與PLC的通訊，同時選用西門子公司的Wincc系統為一級控制系統的數據采集軟件。由于一級控制系統和數據采集服務器之間的數據傳輸具有低延時、大容量的特點，針對此問題，設計該系統以OPC DA作為數據通道。圖2為鑄坯質量判定系統的OPC數據交換示意圖。

圖2 PC數據交換示意圖

以系統開放性、易維護性、可擴充性等為設計原則，充分考慮用戶操作界面的人性化，進行了鑄坯質量判定系統的二級計算系統的設計。二級計算機系統的基本架構模型如圖3所示。系統包括客戶端應用程序、服務器端應用程序、數據庫管理與維護系統等三部分，分別在不同的應用層上運行完成不同的工作，共同工作支撐智能化鑄坯質量判定系統穩定高效運行。

在實驗環境測試中，CPU使用率在10%以內，內存使用量在4 GB以內，響應時間為5 ms左右，目前支持的最大用戶約為50，軟件性能符合預期設計；并且系統的各功能模塊進行了詳細測試，同樣符合預期設計，遂將系統投入實際生產環境進行試運行。

在系統上線試運行后，項目組在馬鋼集團連鑄車間選取了1552塊鑄坯進行缺陷判定實驗，并與傳統人工判定進行對比，其中存在表面缺陷鑄坯26塊，存在內部缺陷鑄坯5塊，無質量缺陷鑄坯1521塊，實驗結果如表2所示。

表2 缺陷判定實現結果對比

圖3 二級計算機系統的基本架構模型

5 結束語

通過實驗發現，基于BP神經網絡的鑄坯質量在線判定系統由于訓練樣本的局限，對于存在表面質量缺陷的鑄坯判定目前略低于傳統的人工判定，但在肉眼無法識別的鑄坯內部質量缺陷的判定上存在明顯優勢。只要通過后期持續樣本學習，此系統基本可以替代甚至優于傳統的人工判定。而且通過此系統，可繼續減少連鑄生產線的操作人員數量，在機械化、自動化程度已經很高的鑄坯生產線上，通過智能系統的開發，大幅提升連鑄生產線的生產效率和產品合格率。

由此，可確定該系統運行結果良好，并在鑄坯質量預測方面發揮較高準確度的優勢，可在實際工程環境中進一步推廣并應用。

[1] 朱苗勇.連鑄坯的偏析及其控制[M].冶金工業出版社,2015.

[2] 蔡自興.高級專家系統：原理設計及應用[M].科學院出版社,2014.

[3] 黃凱,毛偉杰,顧駿杰.OpenStack實戰指南[M].機械工業出版社,2014.

[4] 單多,徐安軍,汪紅兵,田乃媛.連鑄坯質量判定系統研究綜述[J].連鑄,2011.

[5] 張慶.質量控制系統在寬厚板連鑄機的應用[J].山西冶金,2016.

[6] 鐘志峰.方坯質量智能判定切割系統的設計[J].電腦知識與技術,2017.

[7] 曹建國.薄板坯連鑄連軋工藝與設備[M].北京：化學工業出版社,2017.

[8] 盧盛意.連鑄坯質量研究[M]. 北京：冶金工業出版社,2011.

[9] 蔡開科.連鑄坯質量控制[M]. 北京：冶金工業出版社,2010.

[10] A Piccinini， VP Campagnoni， S Ierace， et,al. A vibrational approach to Slag Sensing System: development and industrial application[J]. IFAC Papers On Line, 2016 , 49 (12).

[11] Simon Haykin.神經網絡與機器學習[M]. 北京：機械工業出版社,2011.

[12] 何正風.MATLAB R2015b神經網絡技術(精通MATLAB)[M].清華大學出版社,2016.

[13] 張景陽,潘光友.多元線性回歸與BP神經網絡預測模型對比與運用研究[J].昆明理工大學學報(自然科學版),2013(06).