论文部分内容阅读
在连铸生产中发生的各类事故中,损害最严重的是漏钢事故,其中又以板坯粘结性漏钢最具代表性。为了避免或减少漏钢事故的发生,国际上目前主要的研究方向有两个,其一是深入研究粘结性漏钢形成的机理,以便制定在生产过程中杜绝产生粘结性漏钢的工艺条件;其二是开发漏钢预报系统,检测并预报连铸过程中的漏钢征兆,以便迅速调节连铸生产中的外界因素,避免漏钢的发生。首先本文分析了粘结性漏钢产生的机理,提出了粘结性漏钢发生时坯壳生长的数学模型,并由此得出了通过对热电偶温度曲线进行模式识别来检测漏钢征兆的方法。根据坯壳的生长模型,本文提出了对热电偶埋设间距优化的方法,为漏钢预报系统的可移植性提供了理论基础。其次,为了识别具有粘结性漏钢特征的温度曲线,本文建立了逻辑漏钢预报模型和神经网络漏钢预报模型,并根据采集到的宝钢部分粘结性漏钢数据进行离线仿真,对神经网络模型提出了LM-BP算法优化,仿真结果表明比传统的梯度BP算法在训练时间和预报准确率方面有很大改善。同时对比分析了逻辑预报模型与神经网络模型的优缺点,为系统的研发和完善提供了理论依据。最后开发的系统是结合MATLAB与VC进行的混合编程,为系统的设计提出了先在MATLAB中进行算法优化,再结合VC进行界面封装的方法。该系统具备逻辑预报与神经网络预报的功能,能直观反映热电偶温度变化情况及显示危险热电偶的位置,实现了良好的人机交互。