连续铸造时早期 识别断裂的装置 本发明涉及一种在连续铸造时用于早期识别断裂的装置。
连续铸造时在结晶器内生长过程中，在铸坯外壳内可能产生这样一些部位，在那里铸坯外壳没有硬化或硬化得不充分。一旦铸坯离开结晶器，这些生长缺陷将导致铸坯裂口，钢水通过裂口流出。由此造成浇注设备的损害迫使设备长期停车，并造成高额的修理费用。因此人们试图在铸坯从结晶器排出前识别出在外壳内的生长缺陷。若能做到这一点，便例如可以降低排出速度，使潜在的断裂部位能充分硬化。
可能的断裂部位根据表面温度变化曲线确定，这些表面温度变化曲线通过在结晶器中结晶器内壁所设的温度传感器测得。传统的做法是将温度传感器布置在沿铸坯方向错开的一个或多个平面内围绕着铸坯分布。当铸坯外壳内一个缺陷部位途经温度传感器时，由于没有形成铸坯外壳或形成的铸坯外壳很薄弱，在它后面便是钢水，从而使测得的温度升高，在有一个先兆裂口的情况下测得的温度变化曲线具有特殊地形状。
为了能根据测得的温度变化预测可能的断裂，由US-A-4949777已知，将每一个温度传感器分别测出的温度的改变与由所有温度传感器测得的温度变化曲线的平均值加以比较，并监测如此获得的比较结果是否超过规定的阀值。若阀值的超越随时间和地点的分布与一种预先规定的模式相当，这便是有关即将发生断裂的征兆。
由在T.Kohonen等人(出版)的：人工神经网络(Artificial NeuralNetworks)；1991年人工神经网络国际会议会刊(Proc.ofthe 1991 Int.Conf.onArtificial Neural Networks)，Espoo，芬兰，Elsevier科学出版社B.V.(北荷兰)，1991，第835页至840页中T.Tanaka等人的论文“在钢铁工业的连续铸造过程中依靠多元神经网络进行故障早期预诊的系统(Trouble ForecastingSystem by Multi-Neural Network on Continuous Casting Process of SteelProduction)”已知，为了断裂的早期识别，以图像识别为基础借助于神经网络储存各温度传感器测得的温度变化曲线并检验特征图像。
在由JP-A-4172160已知的方法中，由温度传感器测得的温度输入一个神经网络，后者在空间温度分布具有先兆断裂的特征图像时产生一个输出信号。
借助于神经网络比较可靠地预测断裂的先决条件是，为神经网络提供足够的训练数据。存在的问题是，一种设备的训练数据不可能立即转送给另一种设备。再加上据此进行断裂预测的判定准则，设备操作者是根本看不见的。
此外，已知的方法为了图像识别要求提供完整的温度图像，例如温度曲线，其结果是需要大容量的昂贵存储器。与此同时，计算工作量很大，因为，当例如温度曲线补充了一个新的温度值并与此同时清除最老的温度值时，每一次温度图像的变化都要求一次全新的图像识别。
本发明的目的在于提供一种早期识别断裂的装置，它可以在只用少量的计算工作耗费的情况下，保证可靠地和对设备操作者能理解地进行可能断裂的识别。
本发明的目的通过权利要求1的技术方案来实现。
按本发明的断裂早期识别以模糊图像识别器为基础，其控制规则由过程知识导出。其中，为了图像识别所需的有关温度变化曲线的信息，仅由当前测得的温度和代表在先温度变化曲线和连续适时修正的内部状态参数组成。因此，对每一个新的温度值，图像识别可建立在以前图像识别结果的基础上，亦即建立在内部状态参数的基础上，所以不需要每次都根据温度变化曲线进行全新的图像识别。此外，取消了温度变化曲线的储存，所以，从总体上看借助于按本发明的装置的图像识别，与以提供全部图像为基础的图像识别的方法相比，既快速又高效。
下面借助于附图进一步说明本发明，附图中：
图1所示为连铸设备的基本结构；
图2所示为一种在连铸设备中应用的结晶器，在结晶器内壁中有温度传感器；
图3和4为在铸坯外壳中有不同生长缺陷时用温度传感器测得的温度变化曲线举例；
图5为用于根据温度传感器测得的温度变化曲线产生断裂概率预测值的模糊图像识别器的举例；
图6为在出现一个确定的生长缺陷时测得的温度变化曲线连同根据此温度变化曲线得出的断裂概率的举例；
图7为模糊图像识别器模糊状态的举例；
图8为模糊图像识别器的模糊控制器的举例；
图9为模糊图像识别器一般性实施例；
图10为预测断裂总概率的装置举例；
图11为输入图像识别器信号的测量值处理装置举例。
图1示意表示一种连铸设备。钢水2从浇包1注入分配器3，分配器将钢水分配给不同的铸坯4，除此之外它还作为缓冲器和非金属杂质的沉淀器。钢水从分配器3流入结晶器5，结晶器内壁用铜制造并含有水冷通道6。由于在结晶器内壁处散热，钢被冷却并构成一个固态的铸坯外壳7。铸坯外壳7围绕着钢水，所以铸坯4离开结晶器5后可通过辊8输送，并最后切断成一个个板坯9。
当铸坯外壳7有生长缺陷时可能产生问题。往往在个别局部只构成一个很薄的凝固层，当离开结晶器5时此薄层可能断裂。在这种情况下钢水流出损坏设备，从而要求设备停车和作相应的修理。为了防止在铸坯外壳7中产生这种断裂，在其形成时便在结晶器5中测定生长缺陷在铸坯外壳7中的位置。
如图2所示，为此在结晶器5的内壁中，沿铸坯方向错开的两个平面内围绕着铸坯分布地设有一些温度传感器10。也可以规定多个平面或只设一个平面。根据在测得的温度变化曲线中发生的改变，可以推断出在铸坯外壳7中的薄弱部位。若发现了一个缺陷，便应降低浇注速度，从而增加在结晶器5内的冷却时间，以及可以在此缺陷部位形成一个足够牢固的铸坯外壳。
最常见的生长缺陷即所谓粘结的形成，是由于铸坯4与结晶器5内壁之间局部有较大的摩擦力。铸坯4在摩擦部位在结晶器内壁的粘附比周围更为严重，所以在那里降低了其速度。其结果是导致在铸坯外壳7内产生应力，使外壳开裂。钢水流到结晶器内壁，并使那里的温度升高。
图3表示当一个这样的缺陷途经有关的温度传感器10时，用其中一温度传感器10测得的温度变化曲线的举例。当此粘结在此温度传感器10处经过时，测出的温度有明显的升高。当粘结通过此温度传感器10之后，温度下降到低于在正常浇注条件时的温度水平。这一下降归诸于粘结后面铸坯外壳的增厚，这种增厚是由于该处速度较低引起的。
在铸坯外壳内造成断裂的另一个原因是气垫，所谓热裂(Cracks)，气垫在铸坯4与结晶器5之间形成。
图4表示在出现这种缺陷时测得的温度变化曲线举例。由于空气热导率低，使铸坯4向结晶器5的散热显著减小，所以只形成一个很薄的铸坯外壳7。当气垫经过其中一个温度传感器10时，它在测得的温度变化曲线中反映出一个明显的干扰。粘结与气垫总共占所有断裂成因的90％以上。
在铸坯外壳7中不同的生长缺陷在测得的温度变化曲线中引起特有的图像。这些图像按时序形成，此时新的测量值添补到温度变化曲线中去。
图5表示了一种图像识别器11的举例，它顺序地由借助于一个温度传感器10在时间步骤i测得的当前温度值T(i)和随时间的温度改变ΔT(i)＝T(i)-T(i-1)，确定在测得的温度变化曲线中发生粘结模式或热裂模式的概率。因为仅仅根据当前值T(i)和ΔT(i)还不能完成图像识别，附加地应用事先获知的断裂概率P(i)作为代表在先温度变化曲线的一个内部状态参数，并与当前测量值T(i)和ΔT(i)一起输入模糊逻辑电路12中，后者由这些确定当前的断裂概率P(i+1)。将它暂存在存储元件13中，并在下一个时间步骤反馈到模糊逻辑电路12的入口。通过将前一个时间步骤确定的断裂概率P(i)暂存和反馈，模糊逻辑电路12有能力只借助于当前的温度T(i)及其改变ΔT(i)，亦即无需了解温度变化曲线，实施图像识别。
为了说明图像识别器11的工作方式，列举如图6中所表示的由粘结引起的温度变化曲线T作为例子进行研究：
在正常浇注条件下温度T为常数，温度随时间的改变波动很小。断裂的概率P在这里为零。
一个粘结的开始处温度T升高。因此概率P提高到一个小的正值，例如0.1。
随着粘结的继续经过，温度T上升，温度T随时间的改变量也增加。若现在从前一个步骤得知存在一个较小的概率P，它意味着观察到一个粘结的开始，则概率P增加到一个中间值例如0.4。若相反由前一个步骤得知不存在小的概率P，亦即不存在粘结的开始，则此概率P也不改变。
现在由粘结引起的温度升高达到其最大值，与此同时温度T随时间的改变成为零。若至这一时刻经过了一个粘结的典型温度曲线并因而迄今确定了一个中间的断裂概率P，则概率P提高到一个大的值例如0.7。
现在此粘结通过了温度传感器10，温度T在负的温度改变的情况下下降到中间值。于是遵循上述模式概率P进一步提高，例如到0.9，当然前提条件是它已经有了一个大的值。
由于在粘结的末端铸坯外壳增厚，所以温度T接着进一步降低到低于在正常浇注条件时的温度水平之下。一旦出现了这一结果和由于迄今所发生的事件使得概率P有了一个很大的值，则此概率P提高到其最大值，例如1.0。
图7表示图像识别器11模糊状态图。这些状态，换句话说这些断裂概率P(i)的语言学的值构成状态图的节点14。其中，概率P(i)可采用下列语言学的值：
Z＝0，T＝很小，S＝小，M＝中，B＝大，H＝很大。
状态14之间的转接箭头15上，斜线前写有转接条件，亦即模糊控制规则，它们引起状态变换；斜线后面指出了新达到的状态。在图像识别过程中，只要在温度模式导致依次满足控制规则R2、R5、R9、R13和R17，则概率P(i)才能步进式地从Z提高到H。在粘结模式或热裂模式时便是这种情况。若测得的温度模式偏离此基准模式很小，则或保持此瞬时状态，或取下一个较低的状态。若偏离较大，则根据所达到的当前实际状态，使控制规则R3、R8、R12、R16或R20中之一有效，以及概率P(i)变为Z。
改变浇注速度对于用于表明铸坯外壳7内断裂特征的温度变化曲线有很大的影响。因此有重要意义的是，在图像识别时附加考虑这一改变ΔV(i)，如图5中用虚线表示的那样。例如，浇注速度提高，减少了停留时间并因而也缩短了铸坯4在结晶器5中的冷却时间。这意味着同时提高了测得的温度。若在浇注速度改变时在铸坯外壳7内出现了生长缺陷，则将使对于这种浇注速度为典型的温度变化曲线产生畸变。
图8表示了一个在图像识别器11的模糊逻辑电路中已执行的模糊调节机构的举例，其中除了测得的温度T(i)和温度改变ΔT(i)外，还采用了浇注速度的改变ΔV(i)，用于确定断裂概率P(i)。此外，在图7中表示的模糊状态图和在图8中表示的这一模糊控制器互相是等价的。控制器的控制规则由输入变量T(i)、ΔT(i)和ΔV(i)的语言学的值的组合来说明，必须满足这些值，以便图像识别器11改变或保持它的状态。其中为温度T(i)分配下列值：NB＝负大值，N＝负小值，Z＝零，PS＝正小值，PM＝正中值，PB＝正大值。
为温度改变ΔT(i)分配下列值：NB＝负大值，NS＝负小值，Z＝零，PS＝正小值，PB＝正大值。
为浇注速度的改变ΔV(i)规定下列值：N＝负值，Z＝零，PN＝正正常值，PE＝正极限值。
内部状态参数，亦即暂存的概率P(i)，采用下列语言学的值：Z＝零，T＝很小，S＝小，M＝中等，B＝大，H＝很大。
对每一种温度T(i)、温度改变ΔT(i)、浇注速度改变ΔV(i)和暂存的概率P(i)的值的组合，各给出一个由图像识别器11预测的断裂概率P(i+1)的确定的语言学的值。预测的断裂概率P(i+1)语言学的值，为了一目了然采用下列代码：Z＝1，T＝2，S＝3，M＝4，B＝5，H＝6。
模糊逻辑电路12的所有控制规则均可从此控制器直接读出。例如：当P(i)＝Z和ΔV(i)＝Z和T＝Z和ΔT＝2时，P(i+1)＝1(＝Z)。
推论按极大-极小法进行，模糊化按加权法进行。
图9表示图像识别器一概括实施例，其中，输入参数T(i)、ΔT(i)和ΔV(i)综合在一输入矢量u(i)中。第一个模糊逻辑电路16根据输入矢量u(i)和一个暂存的内部状态矢量z(i)产生一个校正的状态矢量z(i+1)，并将它暂存在存储元件17中。暂存的状态矢量z(i)和输入矢量u(i)在第二个逻辑电路18中互相连接经逻辑运算得出一输出矢量Y。在图5中表示的图像识别器11是图9中所表示的装置的一种特殊情况，它只有一个内部状态参数Z(i)＝P(i)，一个输出参数Y(i)＝P(i+1)，以及第一模糊逻辑电路16和第二模糊逻辑电路18有一致的传输特性，亦即f＝g。
图10表示根据用温度传感器10测得的各个温度变化曲线预测断裂总概率的装置的举例。铸坯外壳某些生长缺陷的模式不仅可在温度变化曲线中发现，而且由于生长缺陷的扩展和铸坯的运动，在相邻的测得的温度变化曲线中也可以再次发现。如图10所示，在每一个温度传感器10下游设有自己的图像识别器11，它们监视所测得的温度变化曲线是否出现规定的模式。为了能对铸坯外壳内的生长缺陷可靠地进行识别，由直接相邻的两个温度传感器10的图像识别器11提供的预测值Pa和Pb，在一个逻辑运算器19内，综合成一个局部断裂概率Ploc。所以，当无论是Pa还是Pb分别具有大值时，通过为局部断裂概率Ploc仅分配一个大值，修正单个图像识别器11的有缺陷的图像识别。此外，还可改善对粘结或热裂的识别，因为由提高了的单个概率Pa、Pb的值，可以推论出一个局部断裂概率Ploc，它比每一个单个概率Pa、Pb都要大。因此，由单个概率Pa和Pb的逻辑运算得出局部断裂概率Ploc，最好以模糊推论为基础。
因为在铸坯外壳内的生长缺陷从各个温度传感器10旁经过，其中，生长缺陷的运动方向和扩展可能不同，所以两个相邻温度传感器10的图像识别器11，对于同一个生长缺陷的图像识别结果Pa和Pb，具有时间上的错移。为了使两个图像识别结果Pa和Pb能在逻辑运算器19内综合，它们必须同时存在。由于这一原因，为每个图像识别器11后设一延迟器20，借助于延迟器来补偿时间上的错移。在这种情况下延迟器20各由一个最大值保持元件组成，它由在上游的图像识别器11出口处的每一个单个概率P(i)，确定最后K个时间步骤的最大值Pmax(i)＝max(P(i-k)，…，P(i))，并将其输入逻辑运算器19。
在设在所有逻辑运算器19下游的逻辑线路21中，确定所有局部断裂概率Ploc的最大值，它表示断裂的总概率Pges。
在图像识别器11中的图像识别必须与不同的设备条件和运行条件无关。因此，在每个温度传感器10与配属于它的图像识别器11之间，设有一个用于处理测量值的装置22，在其中将图像识别器11的输入参数，亦即温度T、温度随时间的改变ΔT以及浇注速度随时间的改变ΔV标准化或加以变换，使不同的设备状况或改变了过程条件，对于粘结模式和热裂模式的识别没有影响或只有很小的影响。
图11表示这种用于测量值处理的装置22的线路框图。在一个时间步骤i测得的温度值T(i)，取决于不同的设备条件和运行条件，在正常浇注条件下相对恒定地在约100℃和200℃之间。粘结和热裂引起偏离此恒定的偏置温度To达50℃。此图像识别器11只有在粘结模式和热裂模式从一个始终相同的温度水平出发才能识别它们。为了达到这一点，借助于一个一阶的时间离散过滤器23确定偏置温度To，并在一个减法器24内从当前的温度值T(i)中减去。如此获得的温度TA(i)＝T(i)-To(i)必要时为了抑制噪声在一滤波器25中滤波，并接着输入一标准化装置26，在那里，由典型的生长缺陷引起的温度从标准的温度水平的偏离被限制在0和1之间的数值范围内。然后，如此获得的标准化的温度TA(i)输入图像识别器11。
此外，图像识别器11获得温度随时间的改变ΔTA(i)，它是在装置27中借助于差分比例器由减法器24的输出信号形成的，并接着在另一个标准化装置28中标准化在一个0和1之间的数值范围内。
如前面已说明的那样，浇注速度随时间的改变也可以是图像识别器11的一个输入变量。它以这样的方式在那里改变用于图像识别的控制规则，即，当粘结和热裂的模式由于浇注速度改变而畸变时，仍还能可靠地识别粘结和热裂。浇注速度随时间的改变ΔV(i)，在装置29中借助于差分比例器根据浇注速度V(i)确定。浇注速度V(i)往往是不连续的，而是阶跃式地提高。但由于在结晶器5中冷却时间较短引起的温度升高却在某一个时期连续进行。为了在整个温度上升期间达到相应地改变图像识别的控制规则，在温度上升期间必须将此值ΔV(i)置于一个比较高的值，此值虚构一个持续增加的浇注速度V(i)。这借助于一个最大值保持元件30实现，它的输出端由最后K个时间步骤产生最大的ΔV(i)正值。亦即适用下式：
当V(i)＞0，ΔVA(i)＝max(ΔV(i-k)，…，ΔV(i))，以及
当ΔV(i)≤0，ΔVA(i)＝ΔV(i)，
最后，如此获得的ΔVA(i)值在一标准化装置31中标准化，然后再将它输入图像识别器11。
如已提及的那样，浇注速度随时间的改变对温度变化曲线的影响，通过改变用于图像识别的控制规则来加以考虑。另一种减小浇注速度变化所带来影响的可能性在于，由此引起的在测得的温度变化曲线中的温度改变，还在图像识别之前就加以消除。实现这一点是通过对在结晶器5中一个平面的所有温度传感器10同时提供的温度值T(i)求平均值，并在减法器32中从各个温度值T(i)中减去如此获得的平均值MT(i)。将如此获得的与由于浇注速度改变引起的温度改变无关的温度差TD(i)＝T(i)-MT(i)，进一步输入过滤器23和减法器24。在这种情况下也可以取消图像识别通过ΔVA(i)的匹配，由此使早期识别断裂的装置结构更加简单。
另一种可供选择的方案规定，在浇注速度V(i)不变时或浇注速度V(i)小量改变时，不做补偿浇注速度的工作，以免通过平均值MT(i)将干扰带入各个温度变化曲线TA(i)中。为此，平均值MT(i)通过可控制的开关装置33输入比较器32，只有当浇注速度改变ΔVA(i)超过一个规定的阀值Vs时，开关装置33才将平均值MT(i)进一步与比较器32连接。为此，将值ΔVA(i)和Vs输入一阀值检测器34，它在输出端控制可被控制的开关装置33。为了避免由于输入平均值MT(i)使值TA(i)阶跃式地改变，过滤器23的值To(i+1)经减法器35的出口成为To(i+1)＝T(i)-MT(i)-TA(i)，从而使TA(i)的变化不断连续。