段海洋等：基于密度聚类和动态时间弯曲的结晶器黏结漏钢预报方法的开发 355· 起实施密度聚类，最后根据聚类结果即新样本的 测试，将测试样本分别与样本库实施密度聚类，得 类簇标号判断新样本是否属于漏钢类簇.如果类 到其所属类簇标号并对其进行判定 簇标号为-1，说明不属于漏钢类簇，则更新温度序 图10中(a)和(b)为正常模式和误报模式测试 列，继续漏钢识别与判定：否则，系统发出漏钢警 样本的第一、二排热电偶温度图；图11中(a)和 报，继而采取降速等相应措施，以避免和预防漏钢 (b)为两例漏钢模式测试样本的第一、二排热电偶 4结果与讨论 温度图.图中右侧垂直线表示在线检测时的当前 时刻，左侧垂直线表示当前时刻之前的第24个时 基于上述漏钢预报方法，本文对未经训练的 刻，两个垂直线之间表示所取的当前时刻及前24s 30例正常工况、20例误报和20例漏钢样本进行 共计25s的温度数据 110 (a) -o-The first row 144 (b) -o-The first row 105 -The second row -The second row 100 136 0000000000000000000000000000d0 95 Current moment 20000000000000000000000000000 Current moment 90 11 25s 112 0 25s 00000000000000000000000000000 75 104 70 1 96 0 101520 25 30 0 5 10 1520 25 30 Time/s Time/s 图10不同工况下测试样本的热电偶温度.(a)正常：(b)误报 Fig.10 Thermocouple temperature of test samples under different working mode:(a)normal;(b)false alarm mode 135 -o-The first row -o-The first row 112 (a) (b) --The second row o-The second row 132 104 1 129 96 0 Current moment◆ 0 0-0 ooo00000oo Current moment 25s 80 25s 72 120 00p0000000000000000000 117 0 5 10152025 30 0 5101520 25 30 Time/s Time/s 图11黏结漏钢测试样本热电偶温度.()漏钢样本实例1：(b)漏钢样本实例2 Fig.11 Thermocouple temperature of test samples at breakout mode:(a)sample 1;(b)sample 2 将未经训练的30例正常模式、20例误报模式 低，且同训练样本一样不满足捕获规则而被过滤 和20例漏钢模式样本分别作为测试样本与样本 为噪声样本.而20例黏结漏钢测试样本对应的位 集聚类，得到其类簇标号，聚类结果如表3所示 置均位于漏钢类簇样本所在区域，分布较为密集， 30例正常模式、20例误报模式和20例漏钢 表明这些测试样本经聚类后与漏钢样本的相似度 模式样本的聚类可视化结果如图12所示.从图中 较高.更重要的是，测试样本的集中分布同样易于 可以看出，包含误报在内的50例正常工况测试样 被规则捕获，从而被识别为漏钢类簇样本.从测试 本对应的二维坐标位置分散在正常类簇中，这些 效果来看，该方法可以有效区分样本特征，准确区 测试样本经聚类后与黏结漏钢样本的相似性较 分和判定正常工况和漏钢样本，可为开发基于聚起实施密度聚类，最后根据聚类结果即新样本的 类簇标号判断新样本是否属于漏钢类簇. 如果类 簇标号为−1，说明不属于漏钢类簇，则更新温度序 列，继续漏钢识别与判定；否则，系统发出漏钢警 报，继而采取降速等相应措施，以避免和预防漏钢. 4    结果与讨论 基于上述漏钢预报方法，本文对未经训练的 30 例正常工况、20 例误报和 20 例漏钢样本进行 测试，将测试样本分别与样本库实施密度聚类，得 到其所属类簇标号并对其进行判定. 图 10 中（a）和（b）为正常模式和误报模式测试 样本的第一、二排热电偶温度图；图 11 中（ a）和 （b）为两例漏钢模式测试样本的第一、二排热电偶 温度图. 图中右侧垂直线表示在线检测时的当前 时刻，左侧垂直线表示当前时刻之前的第 24 个时 刻，两个垂直线之间表示所取的当前时刻及前 24 s 共计 25 s 的温度数据. 将未经训练的 30 例正常模式、20 例误报模式 和 20 例漏钢模式样本分别作为测试样本与样本 集聚类，得到其类簇标号，聚类结果如表 3 所示. 30 例正常模式、20 例误报模式和 20 例漏钢 模式样本的聚类可视化结果如图 12 所示. 从图中 可以看出，包含误报在内的 50 例正常工况测试样 本对应的二维坐标位置分散在正常类簇中，这些 测试样本经聚类后与黏结漏钢样本的相似性较 低，且同训练样本一样不满足捕获规则而被过滤 为噪声样本. 而 20 例黏结漏钢测试样本对应的位 置均位于漏钢类簇样本所在区域，分布较为密集， 表明这些测试样本经聚类后与漏钢样本的相似度 较高. 更重要的是，测试样本的集中分布同样易于 被规则捕获，从而被识别为漏钢类簇样本. 从测试 效果来看，该方法可以有效区分样本特征，准确区 分和判定正常工况和漏钢样本，可为开发基于聚 105 (a) 110 95 90 100 70 75 80 85 0 5 10 15 20 25 30 Time/s The first row The second row Current moment 25 s Temperature/℃ 144 (b) 128 120 136 96 104 112 0 5 10 15 20 25 30 Time/s The first row The second row Current moment 25 s Temperature/℃ 图 10    不同工况下测试样本的热电偶温度. （a）正常；（b）误报 Fig.10    Thermocouple temperature of test samples under different working mode: (a) normal; (b) false alarm mode 112 (a) 96 104 64 72 80 88 0 5 10 15 20 25 30 Time/s The first row The second row Current moment 25 s Temperature/℃ 132 135 (b) 129 123 120 126 117 0 5 10 15 20 25 30 Time/s The first row The second row Current moment Temperature/℃ 25 s 图 11    黏结漏钢测试样本热电偶温度. （a）漏钢样本实例 1；（b）漏钢样本实例 2 Fig.11    Thermocouple temperature of test samples at breakout mode: (a) sample 1; (b) sample 2 段海洋等： 基于密度聚类和动态时间弯曲的结晶器黏结漏钢预报方法的开发 · 355 ·