第1章 连铸漏钢及其特征检测方法 1
1.1 铸坯凝固与传热理论 1
1.1.1 铸坯凝固理论 1
1.1.2 铸坯黏结漏钢形成过程 2
1.2 传统连铸漏钢检测方法 6
1.2.1 热电偶温度法 6
1.2.2 热流法 9
1.2.3 摩擦力法 9
1.3 计算机视觉检测技术 10
1.3.1 图像分割 11
1.3.2 特征提取 13
1.3.3 模式识别 14
1.4 本书的研究内容 16
参考文献 18
第2章 宽厚板坯黏结影响因素及预防 24
2.1 引言 24
2.2 连铸机设备参数与热电偶布置 25
2.2.1 连铸机设备参数 25
2.2.2 结晶器铜板热电偶布置 26
2.3 热流对铸坯黏结影响 28
2.3.1 宽面热流 28
2.3.2 窄面热流 30
2.3.3 热流波动 30
2.4 拉速与液位 31
2.4.1 拉速 31
2.4.2 液位波动 32
2.5 铸坯尺寸与黏结位置 33
2.5.1 铸坯尺寸 33
2.5.2 黏结位置 35
参考文献 36
第3章 铸坯黏结的二维空间传播行为 38
3.1 引言 38
3.2 黏结传播行为计算方法 39
3.3 黏结纵向传播实例分析 41
3.4 黏结横向传播实例分析 42
3.5 黏结传播角度实例分析 44
3.6 不同尺寸铸坯黏结传播行为对比 45
参考文献 46
第4章 黏结区域可视化特征检测 47
4.1 引言 47
4.2 结晶器铜板温度可视化 48
4.2.1 温度热成像 48
4.2.2 热像图帧间差分 49
4.2.3 温度变化速率可视化 49
4.3 黏结异常图像处理 51
4.3.1 区域分割 51
4.3.2 连通性标记 51
4.3.3 边界和轮廓提取 54
4.4 黏结异常特征提取 55
4.4.1 温度特征 55
4.4.2 几何特征 56
4.4.3 移动特征 56
4.5 真伪黏结实例特征统计与分析 57
4.5.1 黏结的可视化形成和传播过程 57
4.5.2 伪黏结的一般特征 59
4.5.3 黏结漏钢的典型可视化特征 62
4.5.4 黏结实例的特征统计与分析 64
参考文献 66
第5章 基于改进BP神经网络的智能化预报实例 67
5.1 引言 67
5.2 特征选择与归一化 68
5.2.1 黏结特征的选择 68
5.2.2 黏结特征数据归一化 69
5.3 LM-BP神经网络预报模型 69
5.3.1 人工神经网络 69
5.3.2 BP神经网络模型及训练 71
5.3.3 LM-BP算法流程 75
5.3.4 LM-BP神经网络的训练与测试 77
5.4 基于GA-LM-BP神经网络的预报模型 79
5.4.1 遗传算法 79
5.4.2 种群和个体操作 79
5.4.3 算法的优化流程 81
5.4.4 GA-LM-BP神经网络模型 81
5.5 GA-LM-BP模型训练与测试 82
5.5.1 模型参数设置 82
5.5.2 GA-LM-BP神经网络模型训练 82
5.5.3 GA-LM-BP神经网络模型测试 83
5.6 离线预测结果及指标对比分析 84
参考文献 86
第6章 结晶器可视化漏钢预报专家系统开发及应用 88
6.1 引言 88
6.2 系统总体构成 89
6.3 信号采集和通讯 89
6.3.1 热电偶及温度测量 90
6.3.2 液压振动系统数据采集 91
6.3.3 工艺参数检测 92
6.4 软件设计和开发 93
6.4.1 C/S模式架构的选择 93
6.4.2 任务和功能分解 94
6.4.3 系统软件开发 95
6.5 专家系统在线运行 96
6.5.1 系统在线运行情况 96
6.5.2 铜板温度在线检测 97
6.5.3 结晶器铜板热流检测 97
6.5.4 瞬态摩擦力在线检测 99
6.5.5 结晶器振动状态监测 100
6.5.6 结晶器过程可视化 100
6.6 漏钢在线检测结果 101
6.6.1 现场检测实例 101
6.6.2 漏钢预报结果与指标对比 103
参考文献 104
第7章 结论 106