Статья
| Наименование | Нейросетевая идентификация опасных технологических режимов непрерывной разливки по параметрам теплоотвода и конусности кристаллизатора | ||||
| Авторы |
|
||||
| Раздел | Машиностроение | ||||
| Год | 2026 | Выпуск | 86 | Страницы | 179 - 190 |
| УДК | 621.746.047:004.032.26:62-7/-78 | EDN | VZKEEL | ||
| Аннотация | Рассмотрена задача раннего распознавания нарушений технологических режимов слябовой МНЛЗ. Предложена двухконтурная схема мониторинга, в которой базовый контур — двухканальная экспертная система на основе нечеткой логики (FIS+PD) — дополнен уточняющим контуром на основе нейросетевой модели. Нейросетевая модель классифицирует текущее состояние кристаллизатора по десяти технологическим параметрам (теплоотводы стенок, конусность, скорость разливки и др.) на три уровня: «НОРМА», «ВНИМАНИЕ», «ОПАСНОСТЬ». На реальных данных двух ручьев МНЛЗ (1821 точка наблюдения) установлено, что нейросетевая модель обнаруживает опасный режим через параметры теплового баланса, тогда как распознавание штатного режима существенно зависит от конусности, заложенной в правила экспертной системы. Введенное пороговое правило с приоритетом безопасности полностью устранило пропуски опасного состояния. Проверка на независимом аварийном событии с иным механизмом прорыва подтвердила необходимость параллельной работы обоих контуров. | ||||
| Реферат | Цель. Экспериментальная проверка возможности раннего прогнозирования нестабильного состояния процесса формирования слитка МНЛЗ нейросетевой моделью, обученной на метках экспертной системы FIS+PD.
Методика. Исследование выполнено на реальных данных двухручьевой слябовой МНЛЗ (1821 точка наблюдения с шагом 10 с, два ручья, четыре плавки; достаточность шага подтверждена на расширенной выборке 9066 точек с шагом 2 с). Для каждой точки выполнен пересчет меток экспертной системы FIS+PD. Реализован многослойный перцептрон (128-64-32 нейронов) для трехуровневой классификации (НОРМА, ВНИМАНИЕ, ОПАСНОСТЬ). Применены хронологическое разделение выборки (60/20/20 %), компенсация дисбаланса классов повторной выборкой, эксперимент с поочередным исключением технологических параметров, анализ перестановочной важности и пороговое решающее правило с дифференцированной стоимостью ошибок. Результаты. Установлено, что нейросетевая модель обнаруживает опасный режим через параметры теплоотвода кристаллизатора (теплоотводы стенок, асимметрия и т. д.), а не через конусность, заложенную в правила экспертной системы: при исключении конусности полнота обнаружения опасного состояния не снижается (различие статистически незначимо, p = 0,53, тест Вилкоксона, n = 10 инициализаций). Распознавание штатного режима, напротив, существенно зависит от конусности. Пороговое решающее правило с приоритетом безопасности (τ = 0,15) полностью устранило пропуски опасного состояния на тестовой выборке при контролируемом уровне избыточных предупреждений. Бинарный скрининг «штатный / нештатный режим» обеспечил F1 = 0,929. Проверка на независимом аварийном эпизоде подтвердила работоспособность экспертного контура FIS+PD (обнаружение опасности за ~7 мин до аварии — раньше штатной системы MoldExpert) и установила границу переносимости нейросетевой модели. Научная новизна. На реальных данных промышленной МНЛЗ выполнено разграничение роли конусности и параметров теплоотвода в нейросетевом обнаружении опасного технологического режима кристаллизатора. Показано, что нейросетевая модель, обученная на метках экспертной системы, обнаруживает опасность и распознаёт штатный режим через разные технологические параметры. Предложено пороговое решающее правило с приоритетом безопасности, устраняющее пропуски опасного состояния без изменения архитектуры нейросети. Обоснована двухконтурная архитектура мониторинга кристаллизатора МНЛЗ на основе валидации на независимом аварийном событии с иным механизмом прорыва. Практическая значимость. Предложенная двухконтурная схема мониторинга обеспечивает раннее распознавание опасных технологических режимов кристаллизатора МНЛЗ по данным штатной системы контроля без дополнительных аппаратных средств. Пороговое правило с приоритетом безопасности и режим бинарного скрининга «штатный/нештатный режим» (F1 = 0,929) пригодны для первого уровня оповещения цеха. Параллельная работа экспертного и нейросетевого контуров обеспечивает обнаружение аварий при различных механизмах прорыва. |
||||
| Ключевые слова | машина непрерывного литья заготовок, кристаллизатор, двухконтурный мониторинг, тепловой баланс, конусность, прорыв металла, экспертная система, нечеткий вывод, нейросетевая классификация. | ||||
| Финансирование | |||||
| Благодарности | |||||
| Список источников |
1. Физическая модель образования поверхностных трещин в слябах / А. В. Куклев, В. В. Соснин, В. В. Виноградов, В. А. Поздняков // Сталь. 2004. № 11. С. 95–98. EDN MPSTLJ
2. Смирнов А. Н., Куберский С. В., Максаев Е. Н. Некоторые аспекты возникновения прилипаний и прорывов корочки непрерывнолитого сляба в кристаллизаторе // Электрометаллургия. 2013. № 9. С. 14–22. EDN RCIAGL
3. Паршин В. М., Буланов Л. В. Непрерывная разливка стали. Липецк: ОАО «НЛМК», 2011. 221 с.
4. Козлов Т. Р., Вишневский Д. А., Козачишен В. А. Выбор оптимальной величины конусности узких плит кристаллизатора слябовой МНЛЗ // 65 лет ДонГТИ. Наука и практика. Актуальные вопросы и инновации: сборник тезисов докладов международной научно-техн. конференции. Алчевск: ГОУ ВО ЛНР «ДонГТИ», 2022. Ч. 1. С. 127–130. EDN GVNCEO
5. Двухканальная интегрированная экспертная система мониторинга нештатной ситуации «Прорыв» на машине непрерывного литья заготовок / Н. А. Денисова, Т. Р. Козлов, Л. Е. Подлипенская, А. Л. Сотников // Черные металлы. 2026. № 4. С. 12–20.
6. Разработка экспертной системы диагностики нештатных ситуаций машины непрерывного литья заготовок на основе нечеткой логики / Д. А. Вишневский [и др.] // Вестник Череповецкого государственного университета. 2025. № 1 (124). С. 7–23. DOI: 10.23859/1994-0637-2025-1-124-1 EDN BADPRF
7. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия — Телеком, 2007. 288 с.
8. Recognition of Fault Signature Patterns Using Fuzzy Logic for Prevention of Breakdowns in Steel Continuous Casting Process / A. K. Bhattacharya [et al.] // Pattern Recognition and Machine Intelligence. PReMI 2005. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer, 2005. Vol. 3776. P. 318–324. DOI: 10.1007/11590316_47
9. Breakout Prediction System Based on Combined Neural Network in Continuous Casting / X. Jin [et al.] // Advances in Computer Science and Information Engineering. Advances in Intelligent and Soft Computing. Berlin, Heidelberg: Springer, 2012. Vol. 168. P. 349–355. DOI: 10.1007/978-3-642-30126-1_56
10. Steel Breakout Prediction System Based on Deep Learning and Clustering / B. Zhang [et al.] // JOM. 2025. Vol. 77. P. 1682–1691. DOI: 10.1007/s11837-024-07093-1 EDN TBJTZP
11. Analysis and Prediction of Sticker Breakout Based on XGBoost Forward Iterative Model / Y. Liu [et al.] // ISIJ International. 2024. Vol. 64. No. 8. P. 1272–1278. DOI: 10.2355/isijinternational.ISIJINT-2023-449 EDN EJVNRP
12. Денисова Н. А., Подлипенская Л. Е., Козачишен В. А. Подходы к созданию интеллектуальной автоматизированной системы предупреждения нештатных ситуаций на МНЛЗ с учетом психофизиологического состояния оператора // Наукоемкие технологии и оборудование в промышленности и строительстве. 2025. № 9 (83). С. 75–85. EDN SORLMT
13. Coupling of Solidification and Heat Transfer Simulations with Interpretable Machine Learning Algorithms to Predict Transverse Cracks in Continuous Casting of Steel / J. Norrena [et al.] // Steel Research International. 2024. Vol. 95. Art. 2300529. DOI: 10.1002/srin.202300529 EDN PIJPGQ
14. Zong N., Jing T., Gebelin J.-C. Machine learning techniques for the comprehensive analysis of the continuous casting processes: Slab defects // Ironmaking & Steelmaking. 2025. DOI: 10.1177/03019233251318492 EDN MARSCL
15. Влияние колебаний зеркала металла в кристаллизаторе на формирование твердой корочки при разливке слябов / А. Н. Смирнов [и др.] // Сталь. 2017. № 7. С. 10–14. EDN ZBKQOD
|
||||
| Полный текст |
|
||||