田元鹏[1]（2021）在《板坯连铸漏钢工艺分析及预报模型研究》文中进行了进一步梳理连铸是生产合格钢铁产品的重要环节,高品质、高效率、低能耗是连铸技术追求的目标。高拉速是提高钢铁企业生产效率和降低能耗的重要手段,然而,拉速的提高会增加连铸漏钢几率,一旦发生漏钢事故,将给钢厂带来巨大的经济损失。为了避免漏钢事故的发生,即可以从连铸工艺参数角度出发,优化现场浇注条件,从根源上避免漏钢事故,但是,从生产实践来看,仅从工艺参数优化方面,无法完全避免漏钢事故,因而,开发准确的漏钢预报模型可以有效预防漏钢事故。因此,本文从以下四个方面进行研究,具体如下:首先,对黏结漏钢形成机理进行了分析,阐述了铸坯黏结的形成和演化过程。同时,以国内某钢厂的浇注数据为基础,对连铸过程的温度特征进行了分析,从拉速、浇注温度、液位等方面,归纳了稳定浇注、开浇、黏结漏钢的温度特征和规律。其次,从钢种、厚度、宽度、时间、操作等方面,统计分析了44例黏结漏钢实例的主要影响因素。在钢种方面,低合金钢的黏结次数要多于低碳钢;在铸坯厚度方面,220、260和320mm厚度的铸坯每千次浇铸热的黏结次数分别为2.5、0.5和0.6,具有较高拉速的220mm厚铸坯黏结明显高于260和320mm厚铸坯;在铸坯宽面方面,由于保护渣变差,黏结随着宽度的增加而逐渐增加。再次,通过计算结晶器内黏结漏钢的横向和纵向传播速率,分析了黏结漏钢的裂纹传播行为,结合黏结漏钢的温度和温度速率特征,进而提出了“T”型温度速率特征重构方法。以上下两排四支热电偶温度速率为基础,将第一排相邻3支热电偶30秒的温度速率进行累加,再与第二排中间热电偶温度速率进行相连,重构后的数据可以同时捕捉黏结漏钢横向和纵向传播行为。之后,统计分析了40例真黏结和40例伪黏结的数据重构特征,归纳了重构数据的真伪黏结主要差异性。最后,基于上述真伪黏结漏钢重构数据,分别建立了SVM、GS-SVM和DE-SVM三种漏钢预报模型,对三种模型进行训练后进行测试,结果显示,SVM存在1例漏报,报出率为90%,GS-SVM和DE-SVM的报出率均为100%,GS-SVM和DE-SVM模型的报警准确率分别是96.2%和92.3%,GS-SVM具有更高的报警准确率。
刘怡,岳洪亮,陈其国[2]（2019）在《基于多机制判断的板坯连铸漏钢预报系统研究》文中认为为了解决板坯连铸浇铸过程中容易发生粘结漏钢事故的问题,通过分析漏钢发生原因和漏钢预报原理,研究粘结漏钢发生时结晶器热电偶温度纵向和横向上的变化,提出一种基于多机制判断的板坯连铸漏钢预报模型,其中包括纵向-横向判断、温度云图判断和摩擦力判断,并开发了软硬件一体的漏钢预报系统。在某钢厂2 300 mm板坯工程项目的长期应用中,没有因系统未检测到的粘结漏钢发生,同时也降低了一定的误报率,实现了精准的粘结漏钢预报。
徐西平[3]（2019）在《连铸机漏钢预报系统应用和开发研究》文中认为本文主要分析连铸机的漏钢预报系统原理及应用,对系统研发的可行性进行研究,提出自主开发漏钢预报系统的思路。
胡春洋[4]（2016）在《连铸结晶器振动计算机控制系统设计及漏钢预报研究》文中进行了进一步梳理连铸是钢铁生产的主要手段,而结晶器的合理振动对连铸工艺和铸坯质量有直接的影响,是保证连铸顺利进行的关键环节。实践表明采用非正弦（或正弦）振动规律可以获得良好的连铸效果。本文以电液伺服驱动的连铸结晶器振动平台为研究对象,设计了连铸结晶器振动计算机控制系统,并对结晶器振动过程中可能产生的漏钢事故进行了理论研究。主要工作如下:首先,针对实验室现有的电液伺服驱动的连铸结晶器振动平台,详细介绍了该振动系统的工作原理、总体组成及振动方式。其次,提出了连铸结晶器振动计算机控制系统的总体设计方案。根据设计方案,通过对Windows环境下Visual C++可视化编程语言的学习和对数据采集卡的应用研究,设计并开发了连铸结晶器振动系统计算机控制系统,编写了友好的上位机监控界面,实现了对结晶器振动情况的实时监测与控制的功能。再次,详细介绍了漏钢事故的种类,针对发生概率较高的漏钢事故,从发生机理上对其进行深入分析,提出了一种基于GA-SVM分类器的漏钢预报算法。根据某钢厂提供的结晶器热电偶实测的温度数据进行实验仿真,结果表明本文所提算法的漏钢预报准确度可达97.7%。最后,对所开发的计算机控制系统进行了实验室实验研究。分别对结晶器的七种振动方式（正弦振动波形和六种非正弦振动波形）进行实验,结果表明所设计计算机控制系统能够实现在线修改、位移跟踪和波形随拉速的平滑切换等重要功能。
何飞,贺东风,周俐,田乃媛[5]（2015）在《连铸结晶器漏钢预报模型研究进展》文中研究说明介绍了连铸漏钢检测和预报的各种方法及特点,重点综述了热电偶测温法的发展状况。详细论述了漏钢预报的逻辑判断模型和神经网络模型,逻辑判断模型从点判断模型、线判断模型和面判断模型进行了分类和总结,神经网络模型从单偶时序网络模型和组偶空间网络模型进行了阐述。提出了漏钢预报模型的发展方向是基于逻辑判断和神经网络的混合模型,可克服单纯逻辑判断模型参数很难准确获取,以及单纯神经网络模型缺乏工艺指导的不足,有效提高模型性能。并对漏钢预报模型的研究重点进行了概括和展望。
任祎龙[6]（2015）在《连铸结晶器粘结性漏钢预报系统设计》文中指出随着连铸生产工艺的不断发展，开发更为高效的连铸技术成为该领域主要的研究方向。由于拉坯速度的不断提高，漏钢的风险也随之增加。漏钢是连铸生产中最常见且易造成重大损失的事故，在众多漏钢形式中粘结性漏钢所占比例最大。粘结性漏钢最常见的检测方法为热电偶测温法，其可以有效检测出结晶器内壁的温度，而温度值能直观、快速的反映出结晶器的内部状况，对漏钢预报起着关键性的作用。因此本文主要从热电偶所采集结晶器内壁的温度值入手，对大量温度数据进行分析处理和研究，最终在上位机LabVIEW中实现漏钢预报系统的设计。本文从漏钢的形成机理出发，研究漏钢的形成过程，重点分析粘结性漏钢的成因及预防措施。首先，对热电偶所采集的温度值作数据降噪处理，分别使用滑动平均法、曲线拟合法、傅里叶变换法以及小波分析法对数据进行降噪处理，对比四种方法的降噪效果；其次，根据结晶器四周埋设的热电偶安装方式，建立漏钢预报数学模型，将BP神经网络引入到漏钢预报系统中，针对BP网络所存在的缺点，使用LM算法提高网络收敛速度，粒子群算法改善易陷入局部最优解问题；最后，利用MATLAB Script节点方式，将小波分析与优化后的BP神经网络与LabVIEW进行无缝连接，在上位机实现漏钢预报系统的开发与设计。通过已有漏钢样本数据对系统进行验证，证明本系统可以达到漏钢预报的目的，而在实际应用中的预报效果还有待进一步的测试。
刘宇[7]（2015）在《连铸过程可视化及漏钢预报方法研究与应用》文中提出连铸是现代钢铁生产链中的关键环节。随着近年来高拉速连铸技术的快速发展,急剧增加的通钢量导致结晶器热负荷显着增加,铸坯的各类表面缺陷和漏钢等异常层出不穷,对生产过程的监控水平提出了更高要求。顺应现代化工业的可视化、智能化发展趋势,开发新的过程在线检测方法和技术装备,进一步提高结晶器控制水平,对于促进高效连铸技术发展具有积极作用。本文基于计算机视觉和人工智能方法,重点围绕结晶器过程的可视化和漏钢预报方法进行研究,主要研究内容如下：首先,基于国内某钢厂弧型宽厚板坯连铸机4190炉浇铸数据和64例黏结漏钢样本,对影响黏结漏钢的工艺因素及其形成、传播行为进行实证研究。分别从铸坯尺寸、拉速、液位波动以及热流等方面,归纳影响黏结漏钢的主要因素；同时,依据实测的热电偶温度对黏结漏钢的温度模式进行分析,重点考察黏结的移动速率、角度等传播特征,为开发漏钢可视化预报方法提供参考和借鉴。其次,依据计算机视觉技术,研究开发结晶器过程可视化方法和热成像技术,采用帧间差分、阈值分割、八连通区域标记及边界跟踪等图像处理算法,对漏钢和纵裂纹发生时结晶器的温度异常区域进行标记和特征提取,从温度变化、几何、位置、移动等方面,归纳和提炼结晶器黏结的共性特征,并与伪黏结进行比照和区分。结果证实,伴随漏钢出现的温度、几何与传播等行为特征,能够作为区分真、伪黏结漏钢的重要判据。在此基础之上,针对黏结漏钢的可视化和智能预报方法进行研究。以黏结热点区域温度速率、几何以及移动特征为输入参量,建立了基于BP神经元网络的漏钢预报模型,分别采用LM（Levenberg-Marquardt）算法和GA （Genetic Algorithm）遗传算法,对BP神经网络模型进行训练和优化。利用现场追踪和收集的64例黏结漏钢和200例伪黏结样本,对BP网络、LM-BP网络和GA-LM-BP网络模型进行测试和分析,综合考察、比照各模型的预报精度和效率。最后,基于连铸现场结晶器温度、液压振动、铸机设备、工艺参数等信号检测条件,依据上述开发的过程可视化、计算机视觉及人工智能等相关算法,设计和开发结晶器过程可视化及漏钢预报专家系统,集成铜板温度检测、摩擦力检测、振动状态检测、过程可视化和漏钢预报等功能。系统于国内某钢厂弧形板坯铸机上线投入应用,在近一年与国外某系统并行监控结晶器的服役过程中,系统未发生漏报,且误报次数大幅降低,漏钢报警的准确率显着提升,在保障生产顺行方面发挥了重要作用,显示出良好应用潜力。
何飞[8]（2015）在《板坯连铸结晶器漏钢预报系统的开发与实践》文中研究指明结晶器漏钢预报系统是结晶器过程监控的主要手段,可有效避免粘结漏钢等异常事故,对提高铸坯质量和实现高拉速连铸具有重要意义。针对板坯连铸过程,通过漏钢过程热电偶温度历史数据的分析,提出了一种粘结漏钢预报的新逻辑判断模型,并开发结晶器漏钢预报系统,在H炼钢厂进行了应用实践,结果显示,该系统对粘结漏钢报出率为100%,预报准确率为78.26%,误报频率为0.15%次/炉,达到了较好的漏钢预报性能。
张兴明[9]（2015）在《伺服电机驱动的连铸结晶器振动系统监控软件的设计及漏钢预报研究》文中提出连铸结晶器是钢水冷却成型的设备,被称为连铸机的“心脏”。连铸结晶器按期望的非正弦（或正弦）振动,可有效提高拉坯速度、改善铸坯质量。本文以伺服电机驱动的连铸结晶器振动系统为研究对象,开发了多流连铸结晶器振动系统的上位机监控软件,并在研究漏钢预报算法的基础上开发了连铸结晶器漏钢预报软件;最后,通过实验验证了所开发软件的有效性。首先,针对连铸工业现场要求监控多流连铸结晶器振动系统的需求,开发了“伺服电机驱动的多流连铸结晶器振动系统上位机监控软件V1.0”,该软件具有多流连铸结晶器振动系统的位移、速度及电机转速等关键参数的在线监测,结晶器运行数据和操作员操作情况的查询与管理,报表设计及打印等功能。模拟工业现场操作运行的结果表明,所设计的监控软件能满足工业实际的需求。其次,针对连铸生产过程中可能发生漏钢事故的问题,提出一种基于主动学习GA-SVM分类器的漏钢预报算法,并基于该算法开发了连铸结晶器振动系统漏钢预报软件。结合某钢厂连铸现场实际数据的仿真结果表明,该算法的漏钢预报精度可达95.12%;漏钢预报软件的模拟实验结果表明,该软件可及时准确地判断出粘结漏钢即将发生,并给出报警信息。最后,针对连铸生产过程中保证电气和机械零位相一致、波形平滑切换等工艺要求,编写了与上位机监控软件密切相关的连铸结晶器振动系统的下位机控制程序,包括人工零位程序、波形切换程序、通讯程序,并对整个伺服电机驱动的多流连铸结晶器振动系统进行了应用实验,实验结果验证了所设计监控系统的可行性,这为伺服电机驱动的连铸结晶器振动系统的工业应用奠定了良好的基础。
李建军[10]（2015）在《基于VAI结晶器专家系统的漏钢预报研究与应用》文中研究指明迁钢公司于2010年三期工程引进VAI的两台板坯连铸设备,其中包括VAI结晶器专家漏钢预报系统。结晶器漏钢预报系统的稳定性直接关系到成品产量与质量。2013年投运初期因结晶器漏钢预报系统运行不稳定导致生产不能正常进行。因此,为保证铸机的正常生产,必须对结晶器漏钢预报系统进行实用性的改进。本文以板坯连铸为对象,参考大量国内外大量连铸资料,围绕着漏钢预报方法及VAI结晶器专家系统中的开发与应用进行研究,并针对漏钢预报系统的缺点提出改进之处。本文主要研究内容如下:（1）分析了漏钢种类及成因,结合弯月面的性质和作用,深入分析了影响粘结漏钢的因素,并提出了避免漏钢的预防措施。（2）通过对漏钢预报系统中热力学单元算法和动力学单元算法的分析,提出热电偶的选型安装优化方案。（3）概述了 VAI结晶器专家系统硬件构架以及软件界面与功能,对专家系统中的自动标定、报警功能以及在线参数监控进行了详细说明。（4）用VAI漏钢预报系统和逻辑预报系统进行了离线数据的处理对比,总结出VAI专家系统漏钢预报的实用性和缺点,在原有的专家系统上进行改进,增加专家系统重要点位控制和不稳态控制,并引入Activefactory趋势分析软件对漏钢预报在线监控。在VAI结晶器专家系统中增加重要点位控制和不稳态控制,以及引入Activefactory趋势分析软件给生产带来了极大的改善。通过统计,因结晶器漏钢预报系统的问题而下线明显减少,同时也未发生因结晶器漏钢预报系统而中断生产的故障,真实漏钢报警准确率近100%。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 连铸漏钢检测方法 |
| 1.3 国内外连铸漏钢预报研究现状与分析 |
| 1.3.1 国外连铸漏钢研究现状 |
| 1.3.2 国内连铸漏钢研究现状 |
| 1.3.3 国内外文献综述简析 |
| 1.4 本文主要研究的内容 |
| 第2章 连铸结晶器温度行为在线监测 |
| 2.1 连铸机参数 |
| 2.2 结晶器在线监测系统 |
| 2.3 连铸漏钢种类及黏结漏钢形成机理 |
| 2.3.1 连铸漏钢种类 |
| 2.3.2 黏结漏钢形成机理 |
| 2.4 连铸生产过程温度行为 |
| 2.4.1 黏结漏钢的温度特征 |
| 2.4.2 稳定浇注的温度特征 |
| 2.4.3 开浇过程的温度特征 |
| 2.5 本章小结 |
| 第3章 板坯连铸工艺参数研究 |
| 3.1 浇铸工艺参数 |
| 3.1.1 钢种 |
| 3.1.2 铸坯厚度 |
| 3.1.3 铸坯宽度 |
| 3.1.4 拉速 |
| 3.1.5 液位波动 |
| 3.2 热流 |
| 3.2.1 结晶器宽面热流 |
| 3.2.2 结晶器热流波动 |
| 3.2.3 结晶器窄面热流 |
| 3.3 黏结位置 |
| 3.4 黏结时间 |
| 3.5 操作班次 |
| 3.6 本章小节 |
| 第4章 连铸漏钢空间-时间特征重构 |
| 4.1 连铸漏钢预报原理分析 |
| 4.1.1 漏钢温度模式识别原理 |
| 4.1.2 真伪黏结数据选择 |
| 4.1.3 黏结漏钢的温度和温度速率响应 |
| 4.2 黏结漏钢的空间-时间特征重构 |
| 4.2.1 黏结漏钢的时空传播 |
| 4.2.2 漏钢预报空间网络结构 |
| 4.2.3 黏结漏钢的温度速率特征重构 |
| 4.3 T型温度速率特征重构分析 |
| 4.3.1 真黏结T型温度速率特征重构分析 |
| 4.3.2 伪黏结T型温度速率特征重构分析 |
| 4.4 本章小结 |
| 第5章 基于SVM的连铸漏钢预报模型 |
| 5.1 支持向量机 |
| 5.1.1 支持向量机概述 |
| 5.1.2 支持向量机算法原理 |
| 5.1.3 SVM核函数的选择和数据特征归一化 |
| 5.2 基于GS-SVM的漏钢预报模型 |
| 5.2.1 基于SVM的漏钢预报模型 |
| 5.2.2 基于GS-SVM的漏钢预报模型 |
| 5.3 基于DE-SVM的漏钢预报模型 |
| 5.3.1 差分进化算法 |
| 5.3.2 基于DE算法的SVM模型 |
| 5.3.3 基于DE-SVM的漏钢预报模型 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的研究成果及发表的学术论文 |
| 致谢 |
| 1 漏钢预报原理 |
| 2 漏钢预报系统研究 |
| 2.1 数据预处理 |
| 2.2 基于纵向和横向结合判断的漏钢预报算法 |
| 2.3 基于温度云图可视化的漏钢预报算法 |
| 2.4 基于摩擦力的漏钢预报算法 |
| 3 现场验证 |
| 4 结论 |
| 1 漏钢预报背景及意义 |
| 2 漏钢预报技术 |
| 2.1 基于结晶器热流分析的预报方法 |
| 2.2 基于坯壳与结晶器铜板之间摩擦力监测的预报方法 |
| 2.3 热电偶测温的漏钢预报系统 |
| 2.3.1 粘结漏钢 |
| 2.3.2 裂纹和卷 (夹) 渣漏钢 |
| 2.3.3 其他漏钢 |
| 2.4 神经网络漏钢预报系统 |
| 3 模型开发研究 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 连续铸钢技术概述 |
| 1.2.1 连铸结晶器振动技术介绍 |
| 1.2.2 连铸结晶器计算机控制技术的发展现状 |
| 1.2.3 连铸结晶器漏钢预报技术的现状及发展趋势 |
| 1.3 本文的主要研究内容 |
| 第2章 电液伺服驱动的连铸结晶器振动系统总体介绍 |
| 2.1 连铸结晶器的液压振动系统介绍 |
| 2.1.1 液压振动装置的构成及工作原理 |
| 2.1.2 结晶器振动装置电液伺服系统分析 |
| 2.2 连铸结晶器的振动波形简介 |
| 2.2.1 连铸结晶器的正弦振动规律 |
| 2.2.2 连铸结晶器的非正弦振动规律 |
| 2.3 本章小结 |
| 第3章 连铸结晶器振动计算机控制系统的设计 |
| 3.1 连铸结晶器振动计算机控制系统的总体方案设计 |
| 3.1.1 计算机控制系统结构与组成 |
| 3.1.2 计算机控制系统应用流程 |
| 3.2 连铸结晶器振动计算机控制系统硬件的配置 |
| 3.2.1 工控机与数据采集卡的配置 |
| 3.2.2 模拟量系统介绍 |
| 3.3 连铸结晶器振动计算机控制系统的软件设计与开发 |
| 3.3.1 系统开发环境 |
| 3.3.2 主界面的设计 |
| 3.3.3 参数修改模块的设计 |
| 3.3.4 数据采集模块设计 |
| 3.3.5 数据库管理模块设计 |
| 3.3.6 振动函数选择模块 |
| 3.3.7 系统中的多任务协调 |
| 3.4 本章小结 |
| 第4章 基于GA-SVM分类器的连铸漏钢预报研究 |
| 4.1 连铸结晶器的漏钢预报分析研究 |
| 4.1.1 漏钢事故的种类 |
| 4.1.2 粘结漏钢的形成过程及机理分析 |
| 4.1.3 连铸结晶器漏钢预报模型的简要分析 |
| 4.2 支持向量机 |
| 4.2.1 支持向量机简介 |
| 4.2.2 支持向量机算法的基本原理 |
| 4.3 基于GA-SVM的连铸漏钢预报模型的实现 |
| 4.3.1 连铸结晶器坯壳外温度数据归一化 |
| 4.3.2 引入遗传算法(GA)优化SVM模型 |
| 4.3.3 GA-SVM模型的训练 |
| 4.4 基于GA-SVM的连铸漏钢预报模型的测试 |
| 4.5 本章小结 |
| 第5章 电液伺服驱动的连铸结晶器振动系统实验研究 |
| 5.1 连铸结晶器振动系统计算机控制系统数据采集卡的安装 |
| 5.2 连铸结晶器振动系统计算机控制系统的软硬件调试 |
| 5.2.1 系统硬件调试 |
| 5.2.2 系统软件调试 |
| 5.3 电液伺服驱动的连铸结晶器振动系统实验 |
| 5.3.1 结晶器振动台正弦振动实验 |
| 5.3.2 结晶器振动台非正弦振动实验 |
| 5.3.3 数据库管理实验 |
| 5.3.4 结晶器振动波形的平稳切换 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 1 连铸漏钢检测和预报方法 |
| 1.1 漏钢征兆检测方法 |
| 1.2 热电偶测温法的发展 |
| 2 漏钢预报的逻辑判断模型 |
| 2.1 点判断模型 |
| 2.2 线判断模型 |
| 2.2.1 横向判断模型 |
| 2.2.2 纵向判断模型 |
| 2.3 面判断模型 |
| 3 漏钢预报的神经网络模型 |
| 3.1 单偶时序网络模型 |
| 3.2 组偶空间网络模型 |
| 4 结论和展望 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 连铸工艺简介 |
| 1.2 连铸技术发展与现状 |
| 1.3 漏钢预报的研究意义 |
| 1.4 本文主要研究内容 |
| 2 结晶器粘结性漏钢机理分析 |
| 2.1 连铸漏钢种类 |
| 2.2 粘结性漏钢形成过程 |
| 2.3 粘结性漏钢成因及预防措施 |
| 2.4 漏钢征兆检测方法 |
| 2.4.1 结晶器内部热传递法 |
| 2.4.2 摩擦力测量法 |
| 2.4.3 铸坯短边凹度测量法 |
| 2.4.4 热电偶测量法 |
| 2.4.5 超声波测量法 |
| 2.5 本章小结 |
| 3 热电偶采集温度数据的降噪处理 |
| 3.1 热电偶安装及温度采集 |
| 3.2 异常温度值的处理 |
| 3.3 数据降噪处理方法 |
| 3.3.1 滑动平均降噪法 |
| 3.3.2 曲线拟合降噪法 |
| 3.3.3 傅里叶变换降噪法 |
| 3.4 小波分析降噪及其在漏钢中的应用 |
| 3.4.1 小波去噪的原理和步骤 |
| 3.4.2 小波去噪在漏钢预报中的应用 |
| 3.5 本章小结 |
| 4 结晶器漏钢预报模型的建立 |
| 4.1 建立漏钢预报数学模型 |
| 4.1.1 单偶模式模型 |
| 4.1.2 组偶模式模型 |
| 4.1.3 训练与测试样本的选择 |
| 4.1.4 样本归一化处理 |
| 4.2 BP 网络模型在漏钢预报中的应用 |
| 4.2.1 BP 神经网络简介 |
| 4.2.2 BP 网络模型的建立 |
| 4.2.3 BP 网络的缺点及改进措施 |
| 4.2.4 BP 网络模型训练与测试 |
| 4.3 粒子群算法优化 BP 网络 |
| 4.3.1 粒子群算法简介及算法流程 |
| 4.3.2 粒子群算法优化 BP 网络 |
| 4.3.3 PSO 算法优化 BP 网络漏钢预报模型训练与测试 |
| 4.4 神经网络预报结果对比 |
| 4.5 本章小结 |
| 5 基于 LabVIEW 的漏钢预报上位机系统开发与设计 |
| 5.1 上位机总体设计架构图 |
| 5.2 上位机数据采集模块设计 |
| 5.3 上位机数据处理模块 |
| 5.3.1 LabVIEW 中 MATLAB Script 简介 |
| 5.3.2 LabVIEW 对数据进行小波降噪分析处理 |
| 5.3.3 LabVIEW 与 BP 神经网络在漏钢预报中的应用 |
| 5.4 上位机数据显示模块 |
| 5.5 上位机数据保存模块 |
| 5.5.1 数据存储 |
| 5.5.2 数据报表 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| TABLE OF CONTENTS |
| 图目录 |
| 表目录 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 连铸结晶器漏钢及纵裂纹 |
| 1.2.1 漏钢的危害和分类 |
| 1.2.2 黏结漏钢形成机理 |
| 1.2.3 表面纵裂纹及其形成机理 |
| 1.2.4 改善纵裂纹的途径 |
| 1.3 结晶器漏钢与纵裂的在线预测 |
| 1.3.1 热流 |
| 1.3.2 摩擦力 |
| 1.3.3 热电偶测温 |
| 1.3.4 铸坯纵裂预测 |
| 1.4 结晶器在线监控技术开发和应用现状 |
| 1.4.1 国内外研究现状 |
| 1.4.2 应用中存在的主要问题 |
| 1.5 计算机视觉检测技术 |
| 1.5.1 图像分割 |
| 1.5.2 特征提取和选择 |
| 1.5.3 模式识别 |
| 1.6 本文主要研究内容 |
| 2 宽厚板结晶器黏结的工艺因素及其传播行为研究 |
| 2.1 引言 |
| 2.2 连铸机设备参数及热电偶布置 |
| 2.2.1 连铸机设备参数 |
| 2.2.2 结晶器铜板热电偶布置 |
| 2.3 影响黏结漏钢的工艺因素分析 |
| 2.3.1 铸坯尺寸 |
| 2.3.2 拉速 |
| 2.3.3 液位波动 |
| 2.3.4 黏结位置 |
| 2.4 热流对铸坯黏结影响 |
| 2.4.1 结晶器宽面热流 |
| 2.4.2 热流波动 |
| 2.4.3 结晶器窄面热流 |
| 2.5 铸坯结晶器内黏结的传播行为 |
| 2.5.1 黏结传播行为计算方法 |
| 2.5.2 铸坯黏结纵向传播速率 |
| 2.5.3 铸坯黏结横向传播速率 |
| 2.5.4 铸坯黏结的夹角 |
| 2.6 不同规格铸坯黏结传播行为对比 |
| 2.7 本章小结 |
| 3 基于计算机视觉的黏结漏钢可视化特征检测 |
| 3.1 引言 |
| 3.2 结晶器铜板温度可视化 |
| 3.2.1 温度热成像 |
| 3.2.2 温度热像图帧间差分 |
| 3.2.3 温度变化速率可视化 |
| 3.3 黏结异常图像处理 |
| 3.3.1 区域分割 |
| 3.3.2 连通性标记 |
| 3.3.3 边界和轮廓提取 |
| 3.4 黏结异常的特征提取 |
| 3.4.1 温度变化速率 |
| 3.4.2 几何特征 |
| 3.4.3 移动速率 |
| 3.5 结晶器真、伪黏结的特征提取与统计 |
| 3.5.1 黏结的可视化形成和传播过程 |
| 3.5.2 伪黏结的一般特征 |
| 3.5.3 黏结漏钢的典型可视化特征 |
| 3.5.4 黏结实例的特征统计 |
| 3.5.5 真、伪黏结的鉴别和区分 |
| 3.6 本章小结 |
| 4 板坯纵裂纹可视化特征提取与检测方法研究 |
| 4.1 引言 |
| 4.2 铸坯纵裂纹热成像 |
| 4.2.1 纵裂纹典型的温度特征 |
| 4.2.2 纵裂纹的可视化呈现 |
| 4.3 纵裂纹区域的分割和标记 |
| 4.3.1 区域分割 |
| 4.3.2 温降区域标记 |
| 4.4 纵裂纹区域特征提取 |
| 4.4.1 温降特征 |
| 4.4.2 几何特征 |
| 4.4.3 重心和位置 |
| 4.4.4 角度和移动特征 |
| 4.5 纵裂纹的可视化与检测流程 |
| 4.5.1 纵裂纹检测流程 |
| 4.5.2 纵裂纹异常特征分析 |
| 4.6 本章小结 |
| 5 基于改进BP神经网络的黏结漏钢预报方法研究 |
| 5.1 引言 |
| 5.2 黏结漏钢特征选择与归一化 |
| 5.2.1 黏结特征的选择 |
| 5.2.2 黏结特征数据归一化 |
| 5.3 LM-BP网络黏结漏钢预报模型 |
| 5.3.1 人工神经元网络 |
| 5.3.2 BP神经网络模型及训练 |
| 5.3.3 LM-BP算法流程 |
| 5.3.4 LM-BP网络的训练与测试 |
| 5.4 基于GA-LM-BP网络的漏钢预报模型 |
| 5.4.1 遗传算法 |
| 5.4.2 种群和个体操作 |
| 5.4.3 算法的优化流程 |
| 5.4.4 GA优化LM-BP神经网络模型 |
| 5.5 GA-LM-BP网络模型的训练和测试 |
| 5.5.1 模型参数设置 |
| 5.5.2 GA-LM-BP网络模型训练 |
| 5.5.3 GA-LM-BP网络模型测试 |
| 5.6 预测结果及指标对比 |
| 5.7 本章小结 |
| 6 结晶器可视化及漏钢预报专家系统开发 |
| 6.1 引言 |
| 6.2 系统总体构成 |
| 6.3 信号采集和通讯 |
| 6.3.1 热电偶及温度测量 |
| 6.3.2 液压振动系统数据采集 |
| 6.3.3 工艺参数检测 |
| 6.4 软件设计和开发 |
| 6.4.1 C/S模式架构的选择 |
| 6.4.2 任务和功能分解 |
| 6.4.3 系统软件开发 |
| 6.5 专家系统在线运行 |
| 6.5.1 系统在线运行情况 |
| 6.5.2 铜板温度在线检测 |
| 6.5.3 结晶器铜板热流检测 |
| 6.5.4 瞬态摩擦力在线检测 |
| 6.5.5 结晶器振动状态监测 |
| 6.5.6 结晶器过程可视化 |
| 6.6 漏钢预报统计结果 |
| 6.6.1 现场检测实例 |
| 6.6.2 漏钢预报结果与指标对比 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点摘要 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
| 1 粘结漏钢形成机理 |
| 2 结晶器漏钢预报系统结构和实现 |
| 2.1 系统结构 |
| 2.2 结晶器热电偶布置 |
| 2.3 漏钢预报模型 |
| (1) 数据预处理规则 |
| (2) 温度上升检查规则 |
| (3) 粘结纵向传播速度检查规则 |
| (4) 温度下降检查规则 |
| (5) 纵向判断模型 |
| (6) 以纵向判断为主、横向判断为辅的面判断模型。 |
| 3 系统应用实践 |
| 4 结论 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 连铸技术的发展现状 |
| 1.2.1 连铸结晶器振动技术的发展现状 |
| 1.2.2 连铸结晶器监控技术的发展现状 |
| 1.2.3 连铸结晶器漏钢预报技术的发展现状 |
| 1.3 本文的主要研究内容 |
| 第2章 伺服电机驱动的连铸结晶器总体组成 |
| 2.1 连铸结晶器的振动装置与振动波形 |
| 2.2 连铸结晶器的振动控制系统简介 |
| 2.2.1 连铸结晶器的下位机控制系统 |
| 2.2.2 连铸结晶器振动控制系统的网络结构 |
| 2.3 连铸结晶器的漏钢预报系统简介 |
| 2.3.1 连铸结晶器粘结漏钢的机理分析 |
| 2.3.2 连铸结晶器漏钢特征的检测方法 |
| 2.3.3 连铸结晶器漏钢预报的方法 |
| 2.4 本章小结 |
| 第3章 多流连铸结晶器振动系统监控软件的设计 |
| 3.1 监控软件的总体方案设计 |
| 3.2 用户权限管理模块的设计 |
| 3.3 监控模块的设计 |
| 3.3.1 参数查看与修改功能 |
| 3.3.2 过程参量的数值及趋势图显示功能 |
| 3.3.3 报警记录功能 |
| 3.4 数据库管理模块的设计 |
| 3.4.1 结晶器运行数据的管理 |
| 3.4.2 操作员记录数据的管理 |
| 3.4.3 报表的设计和打印 |
| 3.5 本章小结 |
| 第4章 基于主动学习GA-SVM分类器的连铸漏钢预报 |
| 4.1 支持向量机(SVM) |
| 4.1.1 SVM简介 |
| 4.1.2 SVM在分类领域的应用 |
| 4.2 基于主动学习GA-SVM分类器的连铸漏钢预报方法 |
| 4.2.1 基于SVM的连铸漏钢预报 |
| 4.2.2 遗传算法(GA)对预报模型的优化 |
| 4.2.3 基于主动学习GA-SVM分类器的连铸漏钢预报 |
| 4.3 仿真验证 |
| 4.4 漏钢预报软件的设计 |
| 4.4.1 温度数据监控模块设计 |
| 4.4.2 支持向量机算法实现模块的设计 |
| 4.4.3 报警模块的设计 |
| 4.5 本章小结 |
| 第5章 伺服电机驱动的连铸结晶器振动系统实验研究 |
| 5.1 连铸结晶器振动控制系统的下位机程序设计 |
| 5.1.1 控制程序的设计 |
| 5.1.2 通讯程序的设计 |
| 5.2 多流连铸结晶器振动系统监控软件的应用实验研究 |
| 5.2.1 用户权限管理功能的实验 |
| 5.2.2 监控功能的实验 |
| 5.2.3 数据库管理功能的实验 |
| 5.3 连铸结晶器漏钢预报软件的模拟实验研究 |
| 5.3.1 模拟报警进入实验 |
| 5.3.2 模拟报警离开实验 |
| 5.3.3 模拟报警确认实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 国内外漏钢预报的发展现状 |
| 1.3 本论文的主要工作 |
| 第2章 粘结漏钢成因分析 |
| 2.1 连铸工艺生产流程 |
| 2.2 漏钢种类 |
| 2.3 粘结漏钢的影响因素及预防 |
| 2.3.1 粘结漏钢的影响因素 |
| 2.3.2 粘结漏钢的预防 |
| 2.4 弯月面的分析 |
| 2.4.1 弯月面的作用 |
| 2.4.2 弯月面的表面性质 |
| 2.5 本章小结 |
| 第3章 VAI专家系统功能 |
| 3.1 VAI结晶器专家系统 |
| 3.1.1 VAI结晶器专家系统硬件构架 |
| 3.1.2 VAI结晶器专家系统的过程监视 |
| 3.2 VAI结晶器专家系统的自动标定 |
| 3.3 VAI结晶器专家系统的在线参数监控 |
| 3.4 本章小结 |
| 第4章 漏钢预报专家系统的研究 |
| 4.1 专家系统热力学单元研究 |
| 4.1.1 专家系统中热力学单元分析 |
| 4.1.2 结晶器的热电偶 |
| 4.2 专家系统中动力学单元的研究 |
| 4.2.1 结晶器驱动由电动机输出—电动功率法 |
| 4.2.2 结晶器驱动采用液压振动—压力法 |
| 4.2.3 VAI结晶器驱动采用液压振动—摩擦力算法 |
| 4.3 基于温度的逻辑预报原理 |
| 4.3.1 粘结的形成 |
| 4.3.2 逻辑预报原理 |
| 4.4 本章小结 |
| 第5章 漏钢预报专家系统改进设计 |
| 5.1 开发软件阐述 |
| 5.2 逻辑预报模型的数据处理 |
| 5.2.1 逻辑漏钢预报系统的程序路线图 |
| 5.2.2 逻辑预报模型的运行结果 |
| 5.3 VAI专家系统对数据的处理 |
| 5.4 结果对比 |
| 5.5 漏钢预报专家系统改进 |
| 5.6 在线监控软件的引入 |
| 5.6.1 ActiveFactory软件概述 |
| 5.6.2 ActiveFactory对专家系统控制参数进行监控 |
| 5.7 漏钢预报系统改进后故障案例分析 |
| 5.8 本章小结 |
| 第6章 结论和展望 |
| 参考文献 |
| 附录 |
| 致谢 |
