Development of the method of early recognition of the slag of the steel ladle of the continuous casting machine

封面

如何引用文章

全文:

详细

The article deals with the problem of early recognition of the slag of the steel casting ladle of a continuous casting machine. In this paper, the vibration method of slag recognition was investigated, since it is the most informative. A number of methods were tested for analyzing the vibration acceleration signal of the protective tube manipulator for timely cutting off of slag and preventing it from entering the intermediate bucket, such as averaging it using a moving average filter, entropy calculation, construction of the signal spectrum envelope, as well as the power spectrum envelope. The analysis of the results of the approbation showed that not all methods can be applied to solve this problem. The highest efficiency, equal to 93 percent, was provided by an approach based on the analysis of the power spectrum of the vibration acceleration signal. In addition, in this paper, a neural network method for detecting anomalies in the vibration acceleration signal using various autoencoder architectures is considered and tested. This approach was tested on both "synthetic data", where it confirmed its efficiency in detecting anomalies, and on real data, where an accuracy of 73 percent was achieved. Further research will be aimed at a more thorough elaboration of this method.

作者简介

Dmitry Poleshenko

Stary Oskol technological institute n.a. A.A. Ugarov (branch) NUST «MISIS»

Email: po-dima@yandex.ru
Stary Oskol

Artyom Korenev

Stary Oskol technological institute n.a. A.A. Ugarov (branch) NUST «MISIS»

Email: korenev01@mail.ru
Stary Oskol

参考

  1. АТАРСКАЯ Е.А. Система обнаружения аномалий тех-нологических временных рядов параметров промышлен-ного проекта // Мавлютовские чтения. – 2021. – С. 317–325.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. LOUHENKILPI S. Continuous casting of steel // Treatise on process metallurgy. – Elsevier, 2014. – P. 373–434.
  15. 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.
  16. 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.
  17. 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.
  18. 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.
  19. 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.
  20. 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.
  21. 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.
  22. ZHANG Z., BIN L., JIANG Y. Slag detection system based on infrared temperature measurement // Optik. – 2014. – Vol. 125, No. 3. – P. 1412–1416.

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».