基于RBF算法的漏钢预报系统开发

宋志斌

（河钢集团承钢分公司 自动化中心，河北 承德 067000）

随着连铸工艺的不断发展，高效的连铸技术越来越得到应用，在连铸工艺中最制约连铸生产安全稳定的就是连铸过程中的漏钢事故，在各种漏钢事故中粘结性漏钢发生频率最高，造成的损失也最大，为了彻底解决粘结性漏钢事故，国内外的设备厂商和钢铁制造商主要从两个方向进行研究，一是不断研究粘结性漏钢的原理，通过优化工艺操作避免漏钢事故的发生，二是开发连铸漏钢预报模型，通过漏钢预报模型实时监控结晶器钢水状态，对于可能发生的漏钢事故提前进行报警[1，2]。本文的主要研究目的是开发连铸漏钢预报系统，以承钢热轧卷板事业部1号板坯连铸机的连铸漏钢问题为应用背景，研究粘结性漏钢发生时的连铸工艺特点，根据漏钢时结晶器铜板上热电偶所检测到的温度趋势设计相应的漏钢预测模型，对神经元网络的工作原理和应用情况进行研究，选取RBF神经元网络进行漏钢数据的训练和测试，找到更适合连铸漏钢预报的神经元网络。

1 工艺介绍

随着高效连铸工艺的快速发展，与生产配套的自动化、机械化水平也得到了大幅度的提高，目前连铸技术已经在大部分钢厂得到了广泛的应用[3]。高效连铸工艺无论从操作稳定性还是产品缺陷率等角度都得到了快速发展，即使是这样连铸的生产从生产效率和产品质量方面还有很大潜力可挖，提高生产效率主要是要解决高拉速和稳定产品质量之间的矛盾，因为过高的拉速容易造成漏钢[4]。在连铸生产当中由于某种原因造成结晶器铜板内钢水凝固坯壳出现破损，破损位置没有在流出结晶器出口前重新得到凝固，最终形成漏钢事故。漏钢事故是对连铸生产影响最大，也是造成经济损失最大的事故，因为一旦漏钢事故发生，泄漏的钢水直接浇注在结晶器下边的设备上，造成生产停滞和设备损失，有时还会危及人的生命。因此，研发漏钢预报系统，在漏钢发生时和发生前进行报警，采取相应措施将漏钢事故遏制在萌芽状态，一直是连铸发展急需解决的重要课题。对比没有应用漏钢预报系统的铸机，单从避免漏钢直接造成的经济损失方面就有很大的差距，国内的漏钢预报技术研究由于发展较晚，与发达国家的差距还比较大，像宝钢、武钢这些比较大的钢厂，通过引进消化、自主研发的方式也开发很多类似的系统，但应用效果还不尽如人意，这些是我国漏钢技术研究中需要解决的问题[5]。

2 RBF神经网络模型

本节我们将介绍RBF神经元网络，RBF径向基函数神经网络与BP神经网络在网络结构上有所不同，RBF网络在输入层和隐含层之间没有权值和阈值，因此网络在训练速度上有所提高。

2.1 RBF神经网络结构

RBF神经元网络一般也是三层结构，分别是输入层、隐含层和输出层，根据仿真测试效果确定隐含层神经元个数。相比于前向网络，RBF网络一旦径向基函数确定那么网络的基本结构就确定了[6]。

2.2 RBF算法的数学描述

RBF 神经网络隐含层第i个神经元的输出计算公式为：

RBF网络输出层第k个神经元的输出是隐含层经过加权和的线性组合结果：

其中，yk为输出层第k个神经元的实际输出，wki为隐含层第i个神经元与输出层第k个神经元之间的连接权值；θk为输出层第k个神经元的阈值。

2.3 建立RBF神经网络模型

通过确定RBF的网络结构和参数建立网络模型，利用承钢150吨1号铸机现场采集到的热电偶温度数据对网络性能进行测试。

首先确定输入层神经元个数为10；

根据网络的目标是对是否漏钢进行判断，所以输出层神经元数为1；

RBF网络隐含层神经元个数选取的是否合理直接影响网络的性能，经过测试确定网络隐含层神经元个数为6个，RBF网络的初始权值与网络的输出没有直接关系，可以随机选取。

输入层神经元数：n=10；

根据漏钢时的热电偶温度曲线特征确定输入神经元个数，通过分析漏钢时热电偶温度曲线，可以确定热电偶在20秒内的温度变化曲线能够反映出漏钢发生时的温度特征，如果以2秒作为采样周期，那么可以确定此网络输入神经元个数为10。

根据本网络建立的目标是判断是否出现漏钢，所以可以确定输出层神经元个数：m=1；

将输入层神经元个数n和输出层神经元个数m带入上述公式，得到隐含层神经元数n1为4到13之间的数，最终隐层个数的确定还要通过训练确定。

3 应用效果

通过将本文研究的漏钢预报系统部署到承钢150吨连铸现场，用现场采集的数据对系统进行测试，从2016年7月开始共采用1号铸机生产的384炉数据对模型进行测试，对于其中发生的9次坯料粘结，系统都做出了报警，只有一次误报，系统的漏报率为0，模型的误报率为0.26%（次/炉），比原有系统1.8%（次/炉）的误报率有所降低，测试结果证明本文设计的漏钢预报系统可以运用到实际生产当中，预报效果较好。