【文章內容簡介】 J 等人使用加速度傳感器測量操縱臂的機械振動強度，判斷鋼流的澆注狀態(tài)，由于環(huán)境干擾對操作臂振動影響較大，必須通過人工調諧的前提下降低失誤率[44, 45]。1994 年，Barrow R 等人利用人工神經網絡（）技術對振動信號進行處理識別，檢測成功率提高了；但在穩(wěn)定性上還不能滿足連鑄生產的實際要求[46]。1997年，日本鋼管公司（Nihon Kokan Kabushiki gaisha，NKK）利用快速傅立葉變換（，）與神經網絡技術分析振動信號的功率譜來判斷下渣發(fā)生的方法，并獲得了專利授權[47]。Toronto 大學的Walker D I等人成功的開發(fā)出振動下渣檢測系統(tǒng)，已經成功應用于美國、印度等國家的20余條連鑄線上[48, 49]。2003年，美國威蘇威（Vesuvius）公司的Uhlenbusch J 等人，輔助以紅外檢測技術能夠對旋渦卷渣過程進行檢測, 實現了鋼包下渣檢測的提前預警[50]。同年，日本新日本制鐵公司（Nippon Steel Corporation） 可以利用無渣與下渣時的時滯向量關系開發(fā)的振動式，實現鋼包下渣檢測[50]。國內浙江大學的李培玉等人獨立開發(fā)的振動式下渣檢測系統(tǒng)在武鋼、首鋼、濟鋼、臺灣豐興等十余家企業(yè)獲得應用[5153]；王友釗等人結合虛擬儀器技術振動式的研究成果在南京、杭州等鋼廠取得一定的試用效果[54]。稱重檢測方法目前僅作為一種輔助檢測方法存在，超聲波檢測方法目前還停留在試驗階段。 本文的研究目標本課題研究總體目標是提高鋼水連鑄下渣檢測技術的精度與有效性，保障鋼水連鑄下渣智能檢測系統(tǒng)能長期、穩(wěn)定、可靠運行。采用支持向量機回歸進行非線性系統(tǒng)建模與控制的研究，是近年以來產生的智能控制的一個研究領域。這種建模與控制方法模型簡單，有完備的理論支持，更重要的是提供了一種實現復雜的非線性系統(tǒng)的建模與控制的新方法，拓寬了智能控制的研究領域。研究了支持向量回歸進行非線性系統(tǒng)建模的方法。討論了支持向量機核參數及懲罰因子等參數對回歸估計性能的影響[55]。LSSVM是一種改進的支持向量機，它采用等式約束代替支持向量機中不等式約束，通過求解一組等式方程得到了參數的解析解，避免了SVM中在對偶空間求解二次規(guī)劃問題?；谧钚《酥С窒蛄繖C的模型預測控制，能夠自動獲取LSSVM支持向量機參數，避免參數反復試湊的冗長過程，求解速度相對加快。本論文應用MATLAB的圖形處理功能，LSSVMlab工具箱建立下渣檢測模型并進行樣本訓練和預測仿真?；谏鲜瞿繕?，在鋼水連鑄下渣智能檢測結構及方法上要完成如下具體目標：1）采集裝置對鋼水連鑄下渣現場各鋼流的拉速、中間包的重量、鋼包的重量、滑動水口的開度等信號進行采集，通過數據通信接口傳給計算機進行相關計算和處理,得到用于鋼水連鑄下渣智能檢測網絡的訓練及測試樣本。2）研究適合鋼水連鑄下渣智能檢測系統(tǒng)的支持向量機網絡結構及學習方法，由計算機在數據存取速度和運算速度上都應滿足在一個采樣周期內完成多路數據采集、處理、運算和將輸出量輸出到執(zhí)行機構，對鋼水連鑄下渣智能檢測系統(tǒng)實時控制的特點，滿足智能檢測控制系統(tǒng)的動態(tài)性能要求。3）利用支持向量機回歸建立下渣檢測數學模型，對鋼水連鑄下渣系統(tǒng)時刻進行辨識和預報。4）應用MATLAB的LSSVMlab對智能檢測網絡進行樣本訓練、數據擬合和仿真，為實現在線檢測作準備。5）建立基于支持向量機的鋼水連鑄下渣智能檢測系統(tǒng)的VB監(jiān)控和技術實現。 第2章 鋼水連鑄下渣智能檢測系統(tǒng)原理第2章 鋼水連鑄下渣智能檢測系統(tǒng)原理 鋼水連鑄下渣智能檢測原理和方法 鋼水連鑄下渣智能識別原理鋼水連鑄下渣檢測系統(tǒng)是一個封閉的系統(tǒng)，鋼包中鋼水液面位置和長水口內的鑄流都是不“可視”，因此，無法直接測量液面位置或長水口內鑄流速度。但是，根據信息測量的相關理論，若一個系統(tǒng)內不易測量物理量的變化（或運動），與另一系統(tǒng)的容易測量的物理量有關聯，則可通過這個容易測量的物理量來間接測量那個不易測量的物理量。所以，鋼水連鑄下渣檢測系統(tǒng)中不易測量的鋼水液面可通過測量另一系統(tǒng)中易檢測的相關物理量，再采用適當方法來加以識別。 鋼水連鑄下渣智能檢測方法對鋼水連鑄下渣檢測系統(tǒng)中鋼包鋼水液面識別方法可通過水口出鋼水的注速（）來進行動態(tài)判斷。鋼水注速可通過如下方法來計算得出。 （1） 式中：Dw__在特定時間步長中間包中鋼水重量的平均變化率（kg/s）；Dt__在特定時間步長鑄坯重量平均變化率（kg/s）；k__工藝系數，當大包重量變化率連續(xù)幾個采用數據接近為0時，k=0，其它情況下，可k=1。由安裝在鋼水連鑄下渣檢測系統(tǒng)中的中間包的重量傳感器測量，并通過智能檢測系統(tǒng)內有關計算模塊得出。由拉速傳感器測量，并通過智能檢測系統(tǒng)內有關計算模塊得出，最終求解出。鋼水連鑄下渣智能檢測系統(tǒng)通過下述三種方法來識別和判斷鋼包是否下渣。1）重量法：對鋼水注速進行積分可確定已澆注鋼水的重量，因為鋼包初始重量已知，鋼包中剩余鋼水重量就很容易得出。當等于鋼水停注時的鋼包中的鋼水凈重時（通過對特定鋼包結構分析與計算，得出臨界液面高度對應的），停止?jié)沧ⅰ?）速度法：鋼水連鑄下渣智能檢測系統(tǒng)實時監(jiān)測注速的變化，當其達到臨界注速值（通過對特定鋼包結構分析與計算，得出臨界液面高度對應的）時，停止?jié)沧ⅰ?）大包重量變化率法：智能檢測系統(tǒng)實時檢測鋼水澆注后期大包重量的變化率，當變化率低于確定的閾值時，即可認為有下渣的趨勢，停止?jié)沧ⅰ?鋼水連鑄下渣智能檢測系統(tǒng)的優(yōu)點鋼水連鑄下渣智能檢測系統(tǒng)的優(yōu)點如下：1）所有需要的測量信號均取自原鋼包系統(tǒng)中已有的信號，不必改變或破壞原鋼包結構，節(jié)省成本和時間。2）中間包稱重是在一個平衡點附近，傳感器工作范圍較小，比較容易獲得高分辨率，能較準確地測量重量的變化。3）能精確獲得鋼包中剩余鋼水重量（或鋼水高度），停注判斷準確。4）重量法和速度法綜合使用，能排除不利因素影響，可提高停注判斷的準確率。因此，鋼水連鑄下渣智能檢測系統(tǒng)具有可行性、實用性和方便性。 鋼水連鑄下渣智能檢測系統(tǒng)技術方案鋼水連鑄下渣智能檢測系統(tǒng)技術方案見圖1圖12，包括以下幾個部分。…V1鋼坯拉速1數據采集設備Vn鋼坯拉速nF滑動水口開度W中間包鋼水重量T大包鋼水重…計算機打印機現場操作顯示單元圖11 系統(tǒng)技術方案圖 Figure of System Technology Program鋼包T鋼包重量長水口VS 注速中間包W中間包重量二冷區(qū)結晶器滑動水口K滑動水口開度Vi鋼流拉速鑄坯拉鏈圖12 連鑄過程描述Fig .12 Description of continuous casting1）現場信號采集設備鋼水連鑄下渣智能檢測系統(tǒng)的現場信號采集裝置是計算機與鋼水連鑄下渣智能檢測系統(tǒng)的各被控量進行信息傳遞和變換的連接裝置，它起著信息變換和傳遞的作用。它有信號輸入通道和信號輸出通道，還有模擬量通道和開關量通道。 現場信號采集裝置對鋼水連鑄下渣現場各鋼流的拉速、中間包的重量、鋼包的重量、滑動水口的開度等信號進行采集，通過數據通信接口傳給計算機進行相關計算和處理。2）計算機計算機主要完成對現場信號采集裝置的通訊、數據計算和處理、邏輯判斷，給出下渣判斷信息和鋼水液面識別值的模擬畫面顯示，將鋼水停注信息傳給現場操作顯示裝置，再通過接口電路向系統(tǒng)的各個部分發(fā)出各種控制指令，指揮整個鋼水下渣智能檢測系統(tǒng)有條不紊地工作。計算機是整個鋼水連鑄下渣智能檢測系統(tǒng)的核心，它的功能和性能直接影響整個系統(tǒng)的優(yōu)劣。因為鋼水連鑄下渣智能檢測系統(tǒng)具有實時控制的特點，計算機在數據存取速度和運算速度上都應滿足在一個采樣周期內完成多路數據采集、處理、運算和將輸出量輸出到執(zhí)行機構，計算機的信息處理能力應滿足智能檢測控制系統(tǒng)的動態(tài)性能要求。3）現場操作顯示裝置鋼水連鑄下渣智能檢測系統(tǒng)的現場操作顯示裝置是現場操作人員與計算機智能檢測系統(tǒng)之間進行聯系的紐帶和橋梁?，F場操作顯示裝置把鋼包中的鋼水液面值、鋼水注速值和鋼水停注時刻等信息顯示給現場操作人員，并為操作人員直觀地進行操作提供各種手段。4）打印機打印機的作用是打印相關數據、報表和信息，以供存檔。 鋼水連鑄下渣智能辨識檢測系統(tǒng)的數據采集系統(tǒng)原理鋼水連鑄下渣智能檢測系統(tǒng)采用數據采集模塊、通訊轉換模塊和工控機來實現的，鋼水連鑄下渣智能檢測系統(tǒng)的數據采集系統(tǒng)原理如圖13所示。圖13 鋼水下渣數據采集系統(tǒng)原理框圖 Functional block diagram of data acquisition system of roughing slag針對鋼水連鑄下渣智能檢測系統(tǒng)的1中間包澆注子系統(tǒng)和2中間包澆注子系統(tǒng)，鋼水連鑄下渣智能檢測系統(tǒng)分別采用1個DAM3058F數據采集模塊來完成對連鑄現場運行數據的采集，這2個采集模塊構成的數據采集網絡把采集到的數據通過通訊轉換模塊DAM3210上傳至工控機，最后，工控機進行相關數據的處理、分析和鋼渣下渣時刻的識別等。第3章 基于支持向量機回歸的智能檢測系統(tǒng)設計與仿真第3章 基于支持向量機回歸的智能檢測系統(tǒng)設計與仿真課題結合工程實際問題和要求，著眼于鋼水連鑄下渣時刻的準確判斷，利用SVM技術對鋼水連鑄下渣時刻進行辨識和預報，并結合VB編程軟件實現對鋼水連鑄下渣智能檢測系統(tǒng)的監(jiān)控，從而提高了鋼水連鑄下渣時刻預報的可靠性和準確性。基于數據的機器學習是現代智能技術中的重要方面，利用數據樣本規(guī)律對未來數據或無法觀測的數據進行預測，機器學習在模式識別系統(tǒng)、數據挖掘系統(tǒng)、信號處理系統(tǒng)、智能控制系統(tǒng)等實際工程系統(tǒng)起著關鍵性的作用。支持向量機（）是上個世紀90年代發(fā)展起來的一種基于結構風險最小化的算法[55, 56]，在非線性問題處理方面具有如下優(yōu)點：首先，它把輸入空間映射到某一高維空間，使原空間中的非線性問題轉化為特征空間的線性問題，在高維特征空間作訓練樣本間的內積運算，降低了計算的復雜度。其次，支持向量機求解的最優(yōu)化問題是凸優(yōu)化問題，可以得到全局最優(yōu)解。第三，支持向量機是結構風險最小化的原則的體現，兼顧了學習機器的推廣能力，有良好的泛化性能。LSSVM（）是提出的一種改進的支持向量機[57]，它采用等式約束代替支持向量機中不等式約束，通過求解一組等式方程得到了參數的解析解，避免了（）中在對偶空間求解二次規(guī)劃問題。因此產生了一系列的基于該理論的應用研究成果[5862]。本論文就是以在線（）作為建模方法，研究其在鋼水連鑄過程建模和控制中產生的若干問題。支持向量（Support Vector Machines SUM）機方法是建立在統(tǒng)計學習理論的VC維理論和結構風險最小原理基礎上的，對特定訓練樣本的學習精度，（）和學習能力之間尋求最佳折衷，獲得最好的推廣能力和泛化能力， 解決各種非線性學習問題中。 VC維（）是描述函數集或學習機器的復雜性，（或者說是學習能力）的一個重要指標，解決了有限樣本學習問題，是統(tǒng)計學習理論的一個核心概念，在此概念基礎上發(fā)展出了一系列關于統(tǒng)計學習的一致性、收斂速度、推廣性能等的重要結論。 結構風險最小化數學家等人出版的《The Nature of Statistical Learning Theory》一書，系統(tǒng)地研究了各種類型函數集中經驗風險和實際風險之間的關系，對函數集中的所有函數，經驗風險和實際風險之間至少以的概率滿足如下關系： （2）式中：h__函數集的維[63, 64]；m__是樣本個數。也可以表示為： （3）從理論上說明了學習模型的實際風險是由經驗風險（訓練誤差）和置信范圍兩部分組成，與學習機器的維及訓練樣本的個數有關。在有限訓練樣本數情況下，學習模型的維越高（復雜性越高）則置信范圍越大，導致實際風險與經驗風險之間可能的差別也越大，會出現過學習現象的原因。經驗風險最小化(ERM, Empirical Risk Minimization)準則，簡稱為ERM準則。在傳統(tǒng)統(tǒng)計學建模方法中，ERM準則扮演了一個具有決定性的角色。這種做法只是直觀上合理的想當然做法，并沒有經過充分的理論論證。因為即使可以假定當m趨向無窮大時，也無法保證能夠獲得足夠多的樣本使其趨近于無窮。神經網絡的過學習問題就是ERM準則不成功的體現。由此可知，在樣本有限情況下，經驗風險最小并不一定意味著期望風險最小。結構風險最小化（，）準則是把函數集構造成為一個函數子集序列，各個子集按照維的大小排列，在每個子集中尋找最小經驗風險，并在子集間折衷考慮經驗風險和置信范圍，以取得實際風險的最小，支持向量機SRM準則結構如圖14。 真實風險的界欠學習過學習函數子集：VC維：風險圖14 SRM準則結構圖 Structural Risk Minimization 支持向量機回歸理論支持向量機是基于維理論和結構風險最小化原則的，最小化的是推廣誤差的上界，從而通過在模型的復雜性和訓練誤差之間尋求平衡點，得到一個最優(yōu)的網絡結構，較好地解決了過學習和欠學習問題。的訓練等價于一個線性約束二次規(guī)劃問題，可以得到唯一的全局最優(yōu)解，而不像神經網絡訓練那樣容易陷入局部極小點。支持向量機回歸理論是將基于結構風險最小化原理的思想應用于函數回歸問題中。假設給定訓練樣本集， 先考慮用線性回歸函數 （4）來估計。采用最小化歐幾里德空間的泛數，尋找一個最小的值，保證了式（4）的平坦。假設在精度下，所有訓練數據（）都可以做線性函數擬合，這樣尋找最小的問題就變成了求解凸優(yōu)化問題: