基于K-means算法的连铸漏钢预报方法研究

师 波，代英男，左水利，吴永杰

(1.中国重型机械研究院股份公司，陕西 西安 710032；2.辽宁忠旺机械设备制造有限公司，辽宁 辽阳 111003)

0 前言

漏钢是影响连铸生产及其设备寿命的主要因素，由于连铸现场环境十分恶劣，伴随着噪声振动过大、高温、电磁搅拌干扰大等多种因素，这些因素严重影响着漏钢预报系统的准确度[1-3]；在多种预报系统中，以热电偶测温法应用最为普遍[4-6]，因为在粘结的发展过程中，破裂处结晶器铜板温度会升高，利用埋设在结晶器铜板的热电偶，便可以在纵向和横向上测出一个明显的温度传递趋势，最终做出关于漏钢与否的判断。

在实际浇铸过程中，粘结漏钢事故发生率最高，国内外众多学者都在积极寻求漏钢预报的方法[7-11]，张本国等[12-14]提出基于改进BP神经网络的连铸漏钢预报，神经网络算法收敛速度慢不能满足工业实际生产中的实时性，并容易陷入局部最小解。王葛、方一鸣等[15-17]提出基于支持向量机(SVM)算法的连铸漏钢预报模型，但目前关于SVM的参数优化不尽人意，缺乏相应的理论依据，不同的参数选取对算法的性能影响较大，这些算法都存在一定的误报率和漏报率。因此，亟需开发一种误报率极低、准确率极高的漏钢预报系统，满足工业生产实际需求，提高板坯的表面质量。

基于中国重型机械研究院积累多年的经验，开发一种能应用于工业实际生产中的漏钢预报系统，本文提出一种基于机器学习K-means算法的漏钢预报方法，进行综合判断分析，并对某钢厂220 mm×1 600 mm板坯连铸机浇铸过程采集到的温度数据进行测试，测试结果表明极大提高漏钢预报的准确率。

1 漏钢预报系统的工作原理

该系统主要由五部分组成：结晶器内、外弧上布置热电偶;通过重载连接器将采集到的温度数据传输到采集箱;由采集箱通过网线传输到工控机;工控机与漏钢预报系统计算机之间采用PLC通讯;报警系统。

该系统工作原理是热电偶将采集到的温度数据通过重载连接器和电缆传输到采集箱，采集箱由温度采集模块、电源、交换机组成，将采集到的数据汇总到串口交换机，通过工业以太网将数据传输到工控机，工控机与主控室的计算机通过工业以太网进行PLC通讯，采集到的数据经过数据处理后识别为漏钢数据，报警系统将通过声和光信号进行报警，漏钢预报系统结构如图1所示。

图1 漏钢预报系统结构示意图

在结晶器铜板背面布置热电偶如图2所示，采用内弧、外弧宽面3排3列，窄面2排3列，热电偶每一时刻采集到的数据为60个。

图2 结晶器布置热电偶

2 K-means均值聚类算法的原理

基于距离的模型度量，可以选欧式距离、曼哈顿距离、马氏距离、闵可夫距离，以及满足距离公理的其他所有距离，基于KNN算法中采用2范数闵可夫距离，也就是欧式距离。

(1)

定理[7]设是欧式空间中的一个点集，则其算术平均值μ是使到D中所有数据点的欧式距离平方和最小的唯一点。

通过求取梯度，并令其为0，即

即

根据大量有代表性的样本数据，构建漏钢预报系统的模型，依据最近的邻范例制定决策规则，分类器在构建的过程中，使到集合中各向量欧式距离的平方和最小。在某钢厂板坯连铸机结晶器布置的热电偶如图3所示，剔除运行期间外弧宽面3 个热电偶(TC103、TC104、TC302)开路，1个热电偶(TC105)闭路，左窄面1个热电偶(TD102)开路共5个热电偶损坏，因此每一时刻采集到的有效数据共55个。

图3 热电偶布置示意图

3 连铸漏钢预报方法

3.1 K-means故障预报算法

建模和算法设计先不考虑实时性的要求，根据现有数据进行特性分析，主要特征提取，分类参数获取，参数调节；验证(正常运行的测试)，满足实时性要求的基础上，对实时采集数据或者新的历史数据进行分析预报处理，两者反复的迭代找出最适合的算法及参数。

K-means均值聚类是一种无监督的学习，将相似的对象归到同一个簇中，簇个数K是用户事先给定的，每一个簇通过其质心(簇中所有点的中心)来描述，连铸漏钢预报系统采集的数据分为3类：正常浇铸、温度上升、漏钢时刻，宽面和窄面的数据如图4所示。

图4 漏钢预报系统采集温度曲线

连铸漏钢预报系统簇的个数K选取为3；创建3个点作为起始质心(随机的选择)，当任意一个点的簇分类结果发生改变时，对数据样本中的每个数据点，计算质心与数据点的欧氏距离，将数据点分配到距其最近的簇，对于每个簇，计算簇中所有点的均值作为其质心，K-means算法程步骤如图5所示。

图5 K-means算法流程图

3.2 在Matlab中对K-means算法测试

在某钢厂漏钢预报系统布置的热电偶如图2所示，每一时刻采集到的有效数据共55个，从漏钢预报系统的数据库里面选取20 000个具有代表性的训练样本进行学习，其中训练样本包含19 717个正常浇铸时刻的数据，157个温度上升时刻的数据，126个漏钢故障时刻的数据，因此，样本数据为20 000×55的矩阵。

为了验证所设计K-means算法的有效性，在Matlab中运行算法程序，结果如图6所示，可以看出红色时刻漏钢数据、温度上升时刻数据、正常浇注数据清晰的分类，三个簇的质心选取正确，因此证明所设计的K-means算法是正确的。K-means算法的优点是容易实现分类，收敛速度快，使用该算法时，建议多次运行，并选择簇内散度最小的那个解。

图6 K-means算法运行结果

4 结 论

本文将K-means机器学习算法引入到连铸漏钢预报系统中，解决了传统算法的收敛速度慢、误报率高的问题，对某钢厂连铸生产过程中结晶器热电偶所采集的温度数据进行降维和聚类后测试，测试结果表明，预报效果较为满意，可以对采集的数据进行正确分类，提高了漏钢预报系统对粘结漏钢温度模式的识别精度，降低了误报率。