Разработка метода раннего распознавания шлака сталеразливочного ковша машины непрерывного литья заготовок
- Авторы: Полещенко Д.А.1, Коренев А.В.1
-
Учреждения:
- Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ «МИСИС»
- Выпуск: № 107 (2024)
- Страницы: 121-141
- Раздел: Управление техническими системами и технологическими процессами
- URL: https://ogarev-online.ru/1819-2440/article/view/285164
- DOI: https://doi.org/10.25728/ubs.2024.107.7
- ID: 285164
Цитировать
Полный текст
Аннотация
Рассматривается проблема раннего распознавания шлака сталеразливочного ковша машины непрерывного литья заготовок. В работе исследуется вибрационный метод распознавания шлака, так как он является наиболее информативным. Опробован ряд методов анализа сигнала виброускорения манипулятора защитной трубы для своевременной отсечки шлака и предотвращения его попадания в промежуточный ковш, таких как его усреднение с помощью фильтра скользящего среднего, вычисление энтропии, построение огибающей спектра сигнала, а также огибающей спектра мощности. Анализ результатов апробации показал, что не все методы могут быть применимы для решения этой задачи. Наилучшую эффективность, равную 93%, обеспечил подход, основанный на анализе спектра мощности сигнала виброускорения. Кроме того, в данной работе рассмотрен и протестирован нейросетевой метод обнаружения аномалий в сигнале виброускорения с помощью различных архитектур автоэнкодеров. Этот подход был опробован как на «синтетических данных», где подтвердил свою работоспособность в обнаружении аномалий, так и на реальных данных, где достигнута точность 73%. Дальнейшие исследования будут направлены на более тщательную проработку данного метода.
Об авторах
Дмитрий Александрович Полещенко
Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ «МИСИС»
Email: po-dima@yandex.ru
Старый Оскол
Артем Викторович Коренев
Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ «МИСИС»
Email: korenev01@mail.ru
Старый Оскол
Список литературы
- АТАРСКАЯ Е.А. Система обнаружения аномалий тех-нологических временных рядов параметров промышлен-ного проекта // Мавлютовские чтения. – 2021. – С. 317–325.
- ЕРЕМЕНКО Ю.И., ПОЛЕЩЕНКО Д.А. О разработке и промышленной апробации системы отсечки шлака при разливке стали // Известия высших учебных заведений. Черная металлургия. – 2019. – Т. 62, №5. – С. 353–359.
- КОРЕНЕВ А.В., ПОЛЕЩЕНКО Д.А. Разработка крите-риев отсечки шлака сталеразливочного ковша МНЛЗ на основе анализа спектра мощности сигнала виброуско-рения // Сборник XX Всероссийской научно-практической конференции студентов и аспирантов. – 2023. – С. 401–403.
- КРИВОНОСОВ В.А., МИТИН А.С. Повышение точно-сти оценки уровней металла в стальковше и промковше МНЛЗ с использованием нелинейного наблюдателя со-стояния // Вестник Воронежского государственного тех-нического университета. – 2010. – Т. 6, №4. – С. 41–45.
- САФРОНОВ Д.А., КАЦЕР Ю.Д., ЗАЙЦЕВ К.С. Поиск аномалий с помощью автоэнкодеров // Int. Journal of Open Information Technologies. – 2022. – Т. 10, №8. – С. 39–45.
- СЕМЕНОВ М.В., КРАСИЛЬНИКОВ С.С., ШВИДЧЕН-КО Д.В., ПИШНО¬ГРАЕВ Р.С. Вибродетектирование шлака при сливе стали из стальковша в промежуточ-ный ковш // Автоматизированные технологии и произ-водства. – 2015. – №2. – С. 40–42.
- BLÁZQUEZ-GARCÍA A., CONDE A., MORI U., LOZA-NO J.A. A review on outlier/anomaly detection in time series data // ACM Computing Surveys (CSUR). – 2021. – Vol. 54, No. 3. – P. 1–33.
- CEMERNEK D., CEMERNEK S., GURSCH H., PANDES-HWAR A. et al. Machine learning in continuous casting of steel: A state-of-the-art survey // Journal of Intelligent Manu-facturing. – 2021. – P. 1–19.
- CHAKRABORTY A., GHOSE J., CHAKRA¬BORTY S., CHAKRA¬BORTY B. Vision-based detection system of slag flow from ladle to tundish with the help of the detection of undulation of slag layer of the tundish using an image anal-ysis technique // Ironmaking & Steelmaking. – 2022. – Vol. 49, No. 1. – P. 10–15.
- CHEN D., XIAO H., JI Q. Vibration style ladle slag detec-tion method based on discrete wavelet decomposition // The 26th Chinese Control and Decision Conference (CCDC-2014). – IEEE, 2014. – P. 3019–3022.
- GUVENC M.A., KAPUSUZ H., MISTIKOGLU S. Experi-mental study on accelerometer-based ladle slag detection in continuous casting process // The Int. Journal of Advanced Manufacturing Technology. – 2020. – Vol. 106. – P. 2983–2993.
- HOMAYOUNI H., GHOSH S., RAY I., GONDALIA S. et al. An autocorrelation-based LSTM-Autoencoder for anomaly detection on time-series data // IEEE Int. Conf. on Big Data (big data – 2020). – IEEE, 2020. – P. 5068–5077.
- KAPUSUZ H., GÜVENÇ M.A., MISTIKOĞLU S. A review study on ladle slag detection technologies in continuous casting process // Int. Advanced Researches and Engineering Journal. – 2019. – Vol. 3, No. 3. – P. 144–149.
- LOUHENKILPI S. Continuous casting of steel // Treatise on process metallurgy. – Elsevier, 2014. – P. 373–434.
- NASSIF A.B., TALIB M.A., NASIR Q., DAKALBAB F.M. Machine learning for anomaly detection: A systematic re-view // IEEE Access. – 2021. – Vol. 9. – P. 78658–78700.
- PROVOTAR O.I., LINDER Y.M., VERES M.M. Unsuper-vised anomaly detection in time series using LSTM-based autoencoders // IEEE Int Conf on Advanced Trends in In-formation Theory (ATIT–2019). – IEEE, 2019. – P. 513–517.
- SHAUKAT K., ALAM T.M., LUO S., SHABBIR S.et al. A review of time-series anomaly detection techniques: A step to future perspectives // Advances in Information and Commu-nication: Proceedings of the 2021 Future of Information and Communication Conference (FICC), Vol. 1. – Springer In-ternational Publishing, 2021. – P. 865–877.
- SIAMI-NAMINI S., TAVAKOLI N., NAMIN A. S. The per-formance of LSTM and BiLSTM in forecasting time series // IEEE Int. Conf. on Big Data (Big Data – 2019). – IEEE, 2019. – P. 3285–3292.
- TAN D.P., JI S.M., LI PEIYU, PAN X.H. Development of vibration style ladle slag detection methods and the key technologies // Science China. Technological Sciences. – 2010. – Vol. 53, No. 9. – P. 2378–2387.
- TAN D.P., LI P.Y., JI Y.X., WEN D.H. et al. SA-ANN-based slag carry-over detection method and the embedded WME platform // IEEE Trans. on Industrial Electronics. – 2012. – Vol. 60, No. 10. – P. 4702–4713.
- WEI Y., JANG-JACCARD J., XU W., SABRINA F. et al. LSTM-autoencoder-based anomaly detection for indoor air quality time-series data // IEEE Sensors Journal. – 2023. – Vol. 23, No. 4. – P. 3787–3800.
- ZHANG Z., BIN L., JIANG Y. Slag detection system based on infrared temperature measurement // Optik. – 2014. – Vol. 125, No. 3. – P. 1412–1416.
Дополнительные файлы
