连铸机漏钢预报系统应用和开发研究

徐西平

摘 要：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。

关键词：连铸机；漏钢预报

1 漏钢预报背景及意义

连铸机漏钢事故对于钢厂是灾难性事故，减少或者避免漏钢是各大钢厂孜孜不倦追求的技术。中国近几年引进了各种漏钢预报系统，主要有奥钢联的结晶器专家系统、达涅利的MPBS结晶器漏钢系统、西马克-德马克的MMS漏钢预报系统、宝钢在引进日本技术基础上开发的BBPS漏钢预报系统等，其漏钢检测方法不外乎以下几种：结晶器铜板热流密度监测法、拉坯阻力（摩擦力）监测法、热电偶检测法、神经元网络漏钢预报法等。国内外设备供应商及部分钢厂依上述方法开发不同算法的漏钢预报系统，在生产应用过程中表现出漏报、误报率较高，人机界面友好性差等特点。由此根据生产现场的需要在优化各项操作工艺的基础上研究与开发有效的漏钢预报算法，建立良好的漏钢预报人机界面对我国钢铁行业提高产品质量及防治漏钢事故有非常重要的意义：通过结晶器铜板热流监控，改善结晶器配水，减少铸坯表面裂纹，减少结晶器窄面油缸负载，降低结晶器跑锥度故障率；通过振动状态检测可以监控保护渣润滑情况，指导保护渣的运用及加入过程，减少铸坯裂纹，防止保护渣使用不当造成漏钢；通过漏钢预报，降低拉速，修复破裂的坯壳，可以预防漏钢，减少事故损失。

2 漏钢预报技术

板坯连铸机拉漏事故一般有粘结性漏钢、裂纹漏钢、卷渣（或夹渣）漏钢、其他形式漏钢，其中粘结性漏钢为多数。控制结晶器铜板与坯壳之间的相互作用是避免漏钢的根本措施，铸坯质量也与结晶器与坯壳之间的作用行为密切相关，结晶器与坯壳的相互作用包括热和力的作用，外在表现是热传递和摩擦.所以只有把二者同时监测好，才能更好地控制漏钢。因此，各种漏钢预报方法相继开发出来，具体有如下几种：

2.1 基于结晶器热流分析的预报方法

其原理如下：当粘结漏钢发生前，坯壳的表面会形成热点，即坯壳温度较高，从反面验证了结晶器的传热比正常浇铸的时候偏低，即热流偏低。在裂纹漏钢发生前，一般表现为热流偏高。从而通过监控结晶器四个面（2个宽面、2个窄面）的实时热流与各面漏钢临界热流，进行比对，作为漏钢报警的标准。该种方法早期使用较多，只可以预测由传热量不足而造成的漏钢事故，但其对后来漏钢预报技术的发展有很大的推动作用，并对没有漏钢预报系统或预报不准的铸机现场操作人员使用较多。

2.2 基于坯壳与结晶器铜板之间摩擦力监测的预报方法

其原理如下：连铸在拉坯过程中，结晶器铜板与铸坯坯壳之间产生摩擦力（受到保护渣性能、钢种、钢水洁净度、拉速、结晶器锥度、钢水过热度、结晶器振动以及结晶器液面控制等因素的影响），在恒拉速条件下摩擦力的变化为漏钢预报提供了可行性。无论是粘结、裂纹还是卷渣漏钢，在漏钢之前坯壳均在结晶器内产生缺陷，随之结晶器摩擦力就会有显著的变化。通过连铸液压振动系统的位置、压力传感器和振动曲线实时监测结晶器的摩擦力。当坯壳与结晶器铜板间发生粘结后，坯壳粘结在结晶器铜板上并随结晶器一起同步上、下振动，在结晶器液面高度不变、拉速恒定情况下，坯壳与铜板发生粘结比不发生粘结时坯壳与铜板间相对滑动面积变小，结晶器摩擦应力显著减小；在浇钢过程中裂纹产生瞬间，在钢水静压力作用下使得坯壳往外鼓，造成坯壳与铜板之间正压力增大，结晶器摩擦力突然增大；异物卷入后在坯壳表面或皮下形成大块夹杂，由于异物导热系数和凝固系数与钢水不同，所以异物与坯壳之间存在裂纹，而且随坯壳向下运动，裂纹在逐渐扩大，异物卷在坯壳处导致热流分布不均，坯壳薄厚不均，在该处产生较大的热应力，在钢水静压力作用下坯壳外鼓，所以结晶器摩擦力逐渐增大，随异物拉出结晶器，摩擦力减小并恢复正常。此种方法由于摩擦力的变化受到过多因素的制约，所以预报精度较低。

2.3 热电偶测温的漏钢预报系统

热电偶测温法技术比较成熟，而且预报准确率相对较高，误报相对较少，但相对要求热电偶测温精度高（5℃以内），国内外设备供應商大多提供此种漏钢预报系统。基于热电偶测温的漏钢预报模型大体分为两类，一是通过逻辑运算判断是否漏钢，二是依靠神经网络模型进行模式识别。对于逻辑判断模型而言，先后出现了很多检查算式，如：偏差检查算式、变化速度检查算式、各层热电偶温度变化延迟检查算式、温度下降检查算式、以及接近检查算式等，通过以上部分或全部算式的组合使用使得对生产过程中的漏钢事故的预测成功率大大提高，但存在的问题是如何能够开发出最简单、有效的逻辑判断模式以提高系统的反应速度和精度，从而有效地降低损失。

2.3.1 粘结漏钢

结晶器宽面、窄面第一排的热电偶可检测到弯月面区域温度变化，在浇注过程中，系统时刻把第一排每个热电偶检测到的温度和同列其它热电偶所检测到的温度进行比较，如图1所示。如果弯月面以下的热电偶同时满足以下两个条件，即把该热电偶计为“粘结迹象”热电偶。

（1）某列第一排热电偶X温度下降，该列弯月面以下的热电偶Y温度上升并超过热电偶X的温度，并且热电偶Y和热电偶X的温度差值超过设置的粘结判断界限值。

（2）在最后一个检测周期内，热电偶X的温度变化梯度（温度变化和检测周期时间的比值）超过设置的粘结判断界限值。

2.3.2 裂纹和卷（夹）渣漏钢

当坯壳有严重纵裂、角裂和脱方时会引起裂纹漏钢，当保护渣熔化不好或者渣条卷入坯壳导产生卷渣漏钢。漏钢预报系统持续监控每个结晶器宽面、窄面除过第一排之外的所以热电偶的温度变化梯度，如果两个连续周期内检测到某个热电偶的温度变化梯度大于漏钢温度变化极限则判断该热电偶为“热点”，如果相邻有两个及以上热点就发出漏钢报警（如图2所示）。

2.3.3 其他漏钢

开浇过程时间控制不好或浇注过程中拉速太慢造成铸坯过冷，结晶器铜板与坯壳形成缝隙冷，通过热电偶温度检测出中间某列的温度与相邻两列平均温度的差值异常时，预报为铸坯过冷。随后的钢水溢出弯月面进入这些缝隙后凝固，导致拉坯阻力增加出现不畅就可能形成拉伸裂纹点，当拉伸裂纹点通经过热电偶排布位置时系统会检测到温度频繁波动及时作出报警。

2.4 神经网络漏钢预报系统

基于熱电偶测温的神经网络漏钢预报系统以其特有的优势成为漏钢预报技术发展的方向。但结合目前实际的生产情况，在初期缺乏有效数据的条件下，系统开发应先结合结晶器热流分析、坯壳与结晶器铜板之间摩擦力监测、热电偶测温等逻辑判断各种漏钢预报，设计出高效、准确的逻辑预报系统，一则应对铸机使用初期频繁的漏钢事故；二则收集漏钢数据，为漏钢预报向人工智能方向发展提供数据上的支持。神经网络模型是近年兴起的信号模糊识别方式，常用的神经网络模型有BP网络、Hopfield网络等，神经网络凭借其在模式识别速度方面的优势以及良好的鲁棒性和容错性，已经在各个领域得到推广。但与此同时神经网络也存在着一定的缺陷，当训练数据的匮乏或不准确时会导致预测结果的失真，将大大影响系统的预报精度，因此收集全面的漏钢数据是做好神经网络预报系统的前提。该系统的网络模型包括空间网络和时间序列网络。时间序列网络是测量单个热电偶的温变情况。空间网络用于反映结晶器空间中撕裂点的传播趋势。系统模型以热电偶温度变化情况为基础，采集的热电偶温度和结晶器振动压力等实时生产数据，计算成热流分布和摩擦力，并和拉速组成基本参数，辅助参数为钢种、钢水液面、钢坯断面、钢坯宽度、保护渣等。

根据以上漏钢预报方法，奥钢联（VIA）开发了结晶器专家系统（基于坯壳与结晶器铜板之间摩擦力监测和热电偶测温），达涅利（Daniel）开发了MPBS结晶器漏钢系统（基于热电偶测温），西马克-德马克（SMS-DEMAG）开发了MMS漏钢预报系统（基于热电偶测温），日本开发了BBPS漏钢预报系统（基于热电偶测温和神经网络），基于热电偶测温的漏钢预报系统严重依赖仪表检测的精度，基于神经网络，严重依赖大量而且准确的训练数据。

3 模型开发研究

1）开发思路：漏钢预报模型流程拟按下图3进行，该模型采用三种数学算法：逻辑判断算法，Bp神经网络模型算法和空间网络模型算法，通过综合三种算法的优点，降低模型的漏报率和误报率。

2）逻辑判断模型：基于热电偶测温法的连铸漏钢预报逻辑判断模型的实质是识别出可能引起漏钢的温度变化模式，即一个动态波形的模式识别问题，依据连铸坯壳与结晶器铜板发生坯壳破裂部位的温度变化特征来进行判断，通常是对单个热电偶的温度信号在时间方向上的变化特征以及相关联的热电偶组在空间方向上的温度变化特征进行综合判断后给出漏钢报警的信息。详细可见第二章的粘结漏钢、裂纹和卷（夹）渣漏钢及其他漏钢的逻辑判断原理。

3）神经网络模型：BP神经网络模型是一种基于误差反向传播算法的多层前馈网络。采用梯度搜索技术使网络的实际输出值与期望输出值的误差均方最小化，包含输入层、隐含层和输出层。如图4所示，有n个输入节点，输入层节点的输出等于其输入。隐含层有k个节点，隐含层是前一层输出的加权和，输出层的输入是前一隐含层输出的加权和，节点的关系由其激励函数决定。反向传播算法由正向传播和反向传播组成。正向传播是从输入层通过每层隐含层进行处理到输出层。反向传播根据输出层到输入层对误差信号进行反向传播，为了误差信号最小不断反复修改每个隐含层中每个神经元的权系数。

BP神经网络模型预测漏钢的基本原理是对热电偶数据建立BP神经网络模型，将热电偶温度和与拉速等工艺数据作为网络输入，应用数学方法研究输入项与输出信息之间的映射关系，来实现漏钢征兆波形的识别，网络的输出为温度变化模式的识别结果。该模型预报结构如下图5。神经网络模型主要完成对单点热电偶的温度特征识别。

4）空间网络模型。空间网络模型对粘结漏钢的空间传递性进行判别，其作用是在时序网络检测到某一点热电偶发生粘结漏钢温度变化模式后，用来进一步判别这种温度模式是否在空间相邻热电偶间存在着传播。根据现场结晶器铜板上热电偶探头实际分布情况，对每次测温进行记录，并且按时间顺序进行排列，把每炉钢的数据组成一个三维空间数组。采集一定数据后，并根据不同过热度、不同冷却模式进行分类。现漏钢情况的数据形态进行分析，借助图像处理与模糊聚类的方法进行统计。根据实际中漏钢的规律，得到漏钢时粘结点处向横向和纵向上扩散的一般规则，从而选取相关点温度数据建立模型。