基于RBF算法的漏鋼預報系統開發

宋志斌

（河鋼集團承鋼分公司 自動化中心，河北 承德 067000）

隨著連鑄工藝的不斷發展，高效的連鑄技術越來越得到應用，在連鑄工藝中最制約連鑄生產安全穩定的就是連鑄過程中的漏鋼事故，在各種漏鋼事故中粘結性漏鋼發生頻率最高，造成的損失也最大，為了徹底解決粘結性漏鋼事故，國內外的設備廠商和鋼鐵制造商主要從兩個方向進行研究，一是不斷研究粘結性漏鋼的原理，通過優化工藝操作避免漏鋼事故的發生，二是開發連鑄漏鋼預報模型，通過漏鋼預報模型實時監控結晶器鋼水狀態，對于可能發生的漏鋼事故提前進行報警[1，2]。本文的主要研究目的是開發連鑄漏鋼預報系統，以承鋼熱軋卷板事業部1號板坯連鑄機的連鑄漏鋼問題為應用背景，研究粘結性漏鋼發生時的連鑄工藝特點，根據漏鋼時結晶器銅板上熱電偶所檢測到的溫度趨勢設計相應的漏鋼預測模型，對神經元網絡的工作原理和應用情況進行研究，選取RBF神經元網絡進行漏鋼數據的訓練和測試，找到更適合連鑄漏鋼預報的神經元網絡。

1 工藝介紹

隨著高效連鑄工藝的快速發展，與生產配套的自動化、機械化水平也得到了大幅度的提高，目前連鑄技術已經在大部分鋼廠得到了廣泛的應用[3]。高效連鑄工藝無論從操作穩定性還是產品缺陷率等角度都得到了快速發展，即使是這樣連鑄的生產從生產效率和產品質量方面還有很大潛力可挖，提高生產效率主要是要解決高拉速和穩定產品質量之間的矛盾，因為過高的拉速容易造成漏鋼[4]。在連鑄生產當中由于某種原因造成結晶器銅板內鋼水凝固坯殼出現破損，破損位置沒有在流出結晶器出口前重新得到凝固，最終形成漏鋼事故。漏鋼事故是對連鑄生產影響最大，也是造成經濟損失最大的事故，因為一旦漏鋼事故發生，泄漏的鋼水直接澆注在結晶器下邊的設備上，造成生產停滯和設備損失，有時還會危及人的生命。因此，研發漏鋼預報系統，在漏鋼發生時和發生前進行報警，采取相應措施將漏鋼事故遏制在萌芽狀態，一直是連鑄發展急需解決的重要課題。對比沒有應用漏鋼預報系統的鑄機，單從避免漏鋼直接造成的經濟損失方面就有很大的差距，國內的漏鋼預報技術研究由于發展較晚，與發達國家的差距還比較大，像寶鋼、武鋼這些比較大的鋼廠，通過引進消化、自主研發的方式也開發很多類似的系統，但應用效果還不盡如人意，這些是我國漏鋼技術研究中需要解決的問題[5]。

2 RBF神經網絡模型

本節我們將介紹RBF神經元網絡，RBF徑向基函數神經網絡與BP神經網絡在網絡結構上有所不同，RBF網絡在輸入層和隱含層之間沒有權值和閾值，因此網絡在訓練速度上有所提高。

2.1 RBF神經網絡結構

RBF神經元網絡一般也是三層結構，分別是輸入層、隱含層和輸出層，根據仿真測試效果確定隱含層神經元個數。相比于前向網絡，RBF網絡一旦徑向基函數確定那么網絡的基本結構就確定了[6]。

2.2 RBF算法的數學描述

RBF 神經網絡隱含層第i個神經元的輸出計算公式為：

RBF網絡輸出層第k個神經元的輸出是隱含層經過加權和的線性組合結果：

其中，yk為輸出層第k個神經元的實際輸出，wki為隱含層第i個神經元與輸出層第k個神經元之間的連接權值；θk為輸出層第k個神經元的閾值。

2.3 建立RBF神經網絡模型

通過確定RBF的網絡結構和參數建立網絡模型，利用承鋼150噸1號鑄機現場采集到的熱電偶溫度數據對網絡性能進行測試。

首先確定輸入層神經元個數為10；

根據網絡的目標是對是否漏鋼進行判斷，所以輸出層神經元數為1；

RBF網絡隱含層神經元個數選取的是否合理直接影響網絡的性能，經過測試確定網絡隱含層神經元個數為6個，RBF網絡的初始權值與網絡的輸出沒有直接關系，可以隨機選取。

輸入層神經元數：n=10；

根據漏鋼時的熱電偶溫度曲線特征確定輸入神經元個數，通過分析漏鋼時熱電偶溫度曲線，可以確定熱電偶在20秒內的溫度變化曲線能夠反映出漏鋼發生時的溫度特征，如果以2秒作為采樣周期，那么可以確定此網絡輸入神經元個數為10。

根據本網絡建立的目標是判斷是否出現漏鋼，所以可以確定輸出層神經元個數：m=1；

將輸入層神經元個數n和輸出層神經元個數m帶入上述公式，得到隱含層神經元數n1為4到13之間的數，最終隱層個數的確定還要通過訓練確定。

3 應用效果

通過將本文研究的漏鋼預報系統部署到承鋼150噸連鑄現場，用現場采集的數據對系統進行測試，從2016年7月開始共采用1號鑄機生產的384爐數據對模型進行測試，對于其中發生的9次坯料粘結，系統都做出了報警，只有一次誤報，系統的漏報率為0，模型的誤報率為0.26%（次/爐），比原有系統1.8%（次/爐）的誤報率有所降低，測試結果證明本文設計的漏鋼預報系統可以運用到實際生產當中，預報效果較好。