基于多信息源流数据的连铸扇形段辊缝值预测关键技术研究

High efficiency continuous casting has been the most international competitiveness core technology in the steel industry. The control of the roll gap in sector section is the key link to improve the quality of the casting blank. It has very important theory meaning and practical value for improving the quality of the casting blank to establish fan-shaped section of roll gap value dynamic real-time adaptive prediction model and realize real-time adaptive adjustment of roll gap value. In this project, streaming data analysis technique is introduced to the continuous casting for processing parameters date mining and analysis, which provides a new train of thought for improving the quality of the casting blank. At first, PCA and Rough Set theory are applied to reduce the processing parameters in dimension of species, so as to revealing the coupling law among the roll gaps and processing parameter groups. And then, multi-scale fractal technology and wavelet fractal technology are applied to localization processing the data, so as to revealing the self-similarity of streaming data in time domain and the joint time-frequency domain. Finally, hidden Markov link and the support vector machine are adopted to establish the dynamic roll gap value adaptive prediction model, so as to finding the mapping relationship between the processing parameter streaming data and the roll gaps to ensure the sector section in best operating state.

高效连铸技术已成为钢铁行业最具国际竞争力的核心技术。扇形段辊缝值控制是保证铸坯质量的关键环节之一，建立连铸扇形段辊缝值动态实时自适应预测模型，实现辊缝值的实时自适应调整，对于提高铸坯质量具有非常重要的理论意义和实用价值。本项目将信息学科的流数据分析技术引入连铸工艺，通过对来自多信息源的工艺参数流数据进行深入的挖掘分析，项目研究为连铸坯质量保证提供了新的思路。首先，应用主元分析技术和粗糙集理论对种类繁的多工艺参数在种类维度上进行约简，揭示与辊缝值相关性较大的工艺参数种类之间耦合规律，然后应用多尺度分形技术和小波分形技术对降维后的流数据进行局部化处理，从时域角度和联合时频视角揭示流数据的自相似性，进而采用隐式马尔科夫链和支持向量机建立多信息源动态辊缝值自适应预测模型，挖掘工艺参数流数据与连铸机扇形段辊缝值的映射关系，保证扇形段在最佳状态下运行。

高效连铸技术已成为钢铁行业最具国际竞争力的核心技术。扇形段辊缝值控制是保证铸坯质量的关键环节之一，建立连铸扇形段辊缝值动态实时自适应预测模型，实现辊缝值的实时自适应调整，对于提高铸坯质量具有非常重要的理论意义和实用价值。本项目将信息学科的流数据分析技术引入连铸工艺，通过对来自多信息源的工艺参数流数据进行深入的挖掘分析，项目研究为连铸坯质量保证提供了新的思路。首先在数值传热冶金模型分析工艺参数影响机理的基础上，基于滑动窗的主成分分析方法和谱系聚类方法将15种工艺参数从种类维度降为6种，并通过数据重构，提出利用数据重构误差定量判断维数规约方法的有效性；其次基于互信息熵的多尺度分解技术对现场复杂恶劣环境下工艺参数数据进行降噪，通过经验模态分解、集成经验模态分解、完备总体经验模态分解、小波经验模态分解、小波阈值降噪、变分模态分解、经验模态分解-小波阈值降噪、变分模态分解-小波阈值降噪八种算法进行降噪效果分析，通过均方根误差与信噪比两个指标的对比，验证了变分模态分解-小波阈值降噪方法的鲁棒性和泛化能力；然后基于1D Conv-LSTM模型的改进的深度学习技术对单个工艺参数进行时间序列预测，试验结果表明，1D Conv-LSTM模型提高了预测的精度，同时其一维卷积滤波层通过去除白噪声、横向压缩样本序列等方面优化了训练样本，大大缩短了训练时间；最后采用卷积神经网络建立多信息源动态辊缝值自适应预测模型，模型的预测均方根误差已经缩小到10-5mm量级内，平均绝对百分比误差也已经降低到10-6%量级，预测精度与支持向量回归模型相比显著提高，同时大大缩短了训练时间。.本项目基于数据分析挖掘的思想，通过现场实测多源数据建立多信息源动态辊缝值自适应预测模型不仅有助于揭示铸坯和连铸机间行为的本质和机理，为连铸机扇形段辊缝值的优化提供新的思路，有效促进了高效连铸技术的信息化发展，在连铸领域具有广阔的应用前景。