Nothing Special   »   [go: up one dir, main page]

EP0819033B1 - Einrichtung zur durchbruch-früherkennung beim stranggiessen - Google Patents

Einrichtung zur durchbruch-früherkennung beim stranggiessen Download PDF

Info

Publication number
EP0819033B1
EP0819033B1 EP96907513A EP96907513A EP0819033B1 EP 0819033 B1 EP0819033 B1 EP 0819033B1 EP 96907513 A EP96907513 A EP 96907513A EP 96907513 A EP96907513 A EP 96907513A EP 0819033 B1 EP0819033 B1 EP 0819033B1
Authority
EP
European Patent Office
Prior art keywords
temperature
pattern recognition
value
probability
break
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Lifetime
Application number
EP96907513A
Other languages
English (en)
French (fr)
Other versions
EP0819033A1 (de
Inventor
Jürgen ADAMY
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Priority to EP96907513A priority Critical patent/EP0819033B1/de
Publication of EP0819033A1 publication Critical patent/EP0819033A1/de
Application granted granted Critical
Publication of EP0819033B1 publication Critical patent/EP0819033B1/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations

Definitions

  • the continuous shell can be used during the Growth occurs in the mold places where the Strand shell not or only insufficiently hardened. This Growth defects lead as soon as the strand leaves the mold, to a breakthrough in the strand, through which liquid Steel emerges. The resulting damage to the Casting plant forces a longer downtime and causes high repair costs. So you try Growth defects in the shell before it leaves the mold to recognize. If this succeeds, the exit speed will be so reduced that the potential breakthrough can harden.
  • Possible breakthrough points are based on the surface temperature profiles found by the in the mold in Temperature sensors attached to the inner wall of the mold be measured. It is known the temperature sensors offset in one or more in the direction of the strand Arrange layers around the strand. When a Fault in the strand shell migrates past the temperature sensors, the measured temperature increases due to the not or only weakly developed strand shell, behind which there is liquid steel, the recorded temperature curves a characteristic in the event of an impending breakthrough Have shape.
  • JP-A-4 172 160 the temperatures detected with the temperature sensors neural network, which generates an output signal, if the spatial temperature distribution is one for one impending breakthrough characteristic pattern.
  • a reasonably reliable prediction of breakthroughs using neural networks requires sufficient training data for the neural network.
  • training data from a facility is not can be easily transferred to another system.
  • decision criteria according to which breakthroughs are predicted for the plant operator are essentially invisible.
  • the known methods for pattern recognition require fully existing temperature patterns, e.g. Temperature curves, which results in a large amount of memory Has.
  • the computational effort is very high, because with everyone Changing the temperature pattern, e.g. if the temperature curve is supplemented by a new temperature value and at the same time the oldest temperature value is deleted, one completely new pattern recognition is required.
  • the invention has for its object a device for early detection of breakthroughs, which indicate only a small amount computational effort a safe and for the plant operator understandable detection of possible breakthroughs guaranteed.
  • the early breakthrough detection according to the invention is based on a fuzzy pattern recognition, the rules of which are based on process knowledge be derived.
  • the ones required for pattern recognition There is only information about the temperature profiles from the currently recorded temperatures and one of the representing the current temperature profile and ongoing updated inner state quantity.
  • the pattern recognition can therefore be changed to the previous one for each new temperature value Results of pattern recognition, i.e. the internal state variable, build up so that not a completely new one every time Pattern recognition required due to the temperature curve is.
  • there is no need to save the temperature profiles so that overall the pattern recognition by means of the invention Setup faster and more efficiently than procedures which is the pattern recognition based on complete existing patterns.
  • Figure 1 shows a schematic representation of a continuous caster.
  • a ladle 1 turns liquid steel 2 into one Distributor 3 cast, which the steel on different strands 4 distributed and also as a buffer and separator for non-metallic Particle serves.
  • From the distributor 3 flows Steel in a mold 5, the inner walls of which are made of copper and water-cooled channels 6 included. Because of the heat dissipation the steel cools down on the mold inner walls and it a solid strand shell 7 is formed. This encloses the liquid steel, so that the strand 4 after leaving the Chill mold 5 transported via rollers 8 and finally in individual Slabs 9 can be cut.
  • the mold is in the inner walls 5 temperature sensors 10 in two, offset in the direction of the strand Layers distributed around the strand. It can several levels or only one level can also be provided. Due to changes in the recorded temperature profiles can be concluded on a weak point in the strand shell 7 will. If an error is discovered, the casting speed reduced, so that the cooling time in the mold 5 increases and a sufficiently strong strand shell on the Can form a defect.
  • FIG 3 is an example of that with one of the temperature sensors 10 recorded temperature curve shown when a such errors migrate past the relevant temperature sensor 10. While the adhesive on the temperature sensor 10 passes, a significant rise in temperature is measured. If the adhesive has passed the temperature sensor 10, it drops Temperature drops below the temperature level that is normal Casting conditions prevail. This reduction can be attributed on a thickened strand shell behind the glue due to a reduced speed has arisen there.
  • Air cushions are located between the strand 4 and the mold 5 form.
  • Figure 4 shows an example of when such occurs Error recorded temperature curve. Because of the low The thermal conductivity of the air is the heat dissipation from line 4 to the mold 5 greatly reduced, so that only one very forms thin strand shell 7. If a crack happens to one of the Temperature sensors 10, it is reflected in the detected Temperature curve as a pronounced slump again. Together makes glue and cracks the cause of over 90% of all Breakthroughs.
  • the different growth errors in the strand shell 7 thus cause characteristic patterns in the detected Temperature curves. These patterns arise sequentially by new measured values can be added to a temperature curve.
  • the fuzzy logic 12 is able to recognize the pattern only on the basis of the current temperature T (i) and its change ⁇ T (i), ie without Knowledge of the temperature profile.
  • the temperature profile T is exemplified of an adhesive, as shown in Figure 6, considered:
  • the temperature T is constant under normal casting conditions and their change over time fluctuates very slightly.
  • the Probability P for a breakthrough is zero here.
  • the temperature T rises.
  • the probability P is therefore on a small positive Value, for example 0.1, increased.
  • the temperature T, and the change in temperature T over time also increases. Lies now a low probability from the previous step P before, which is synonymous with observing one Is the beginning of the adhesive, then the probability P becomes one medium value, e.g. 0.4, increased. However, is from the previous one Step no low probability P, i.e. of the Beginning of an adhesive, before, the probability P also not changed.
  • the temperature increase caused by the adhesive is reached now their maximum value, with the temporal Change in temperature T becomes zero. Been up to this Go through the typical temperature curve of an adhesive at this point in time and so far a medium breakthrough probability P is determined, then the probability P becomes a great value, e.g. 0.7, increased.
  • the adhesive has now passed the temperature sensor 10, and the Temperature T drops to medium in the event of a negative temperature change Values.
  • the probability then follows the scheme above P further, e.g. to 0.9, increased, but below provided that it already has great value.
  • the temperature T finally decreases so far that it below the temperature level under normal casting conditions lies. Once this happens and the probability P due to what has happened so far, a very high value , the probability P is at its maximum Value, e.g. 1.0, increased.
  • FIG. 7 shows the fuzzy state graph of the pattern recognition device 11.
  • the states i.e. the linguistic values the breakdown probability P (i), form the nodes 14 of the state graph.
  • the probability P (i) can be assume the following linguistic values:
  • the probability P (i) increases step by step from Z to H only if that Temperature pattern causes the rule sets one after the other R2, R5, R9, R13 and R17 are met. That is with glue or Crack patterns the case.
  • the detected temperature pattern gives way only slightly from these reference patterns, so either keep the current state or the next one in a lower state. If the deviations are larger, depending on the current state reached, one of the rule sets will be activated R3, R8, R12, R16 or R20 active and the probability P (i) becomes Z.
  • Figure 8 shows an example of a in the fuzzy logic of the Pattern recognition device 11 implemented fuzzy rules, at which in addition to the detected temperature T (i) and the change in temperature ⁇ T (i) the change in casting speed ⁇ v (i) to determine breakthrough probability P (i) is used. Otherwise, the one shown in Figure 7 Fuzzy state graph and that shown in Figure 8 Fuzzy rules are equivalent to each other.
  • the rules of the rules give the combinations of linguistic values of the Input variables T (i), ⁇ T (i) and ⁇ v (i) that are met must for the pattern recognition device 11 to be in its state changed or maintained.
  • the temperature will be T (i) assigned the following values:
  • NB negative large
  • NS negative small
  • Z zero
  • PS positive small
  • PM positive medium
  • PB positive large.
  • NB negative large
  • NS negative small
  • Z zero
  • PS positive small
  • PB positive large.
  • the internal state variable i.e. the temporarily stored probability P (i) takes the following linguistic values on:
  • the inference takes place according to the max-min method and the defuzzification according to the focus method.
  • FIG. 9 shows a generalized exemplary embodiment for the pattern recognition device in which the input variables T (i), ⁇ T (i) and ⁇ v (i) are combined in an input vector u (i).
  • a first fuzzy logic 16 generates an updated state vector z (i + 1) from the input vector u (i) and a temporarily stored inner state vector z (i), which is temporarily stored in a memory element 17.
  • the temporarily stored state vector z (i) and the input vector u (i) are linked together in a second fuzzy logic 18 to form an output vector y .
  • FIG. 10 shows an example of a device for predicting the overall probability of breakthroughs on the basis of the individual temperature profiles detected by the temperature sensors 10.
  • the patterns of certain growth disorders of the strand shell are not only found in a temperature profile, but also due to the expansion of the growth error and the strand movement in adjacent temperature profiles.
  • each temperature sensor 10 is followed by its own pattern recognition device 11, which monitors the temperature profile detected in each case for the occurrence of a predetermined pattern. So that the detection of growth errors in the strand shell takes place more reliably, the prediction values P a and P b supplied by the pattern recognition devices 11 each of two immediately adjacent temperature sensors 10 are combined in a linking device 19 to form a local breakdown probability P loc .
  • Erroneous pattern recognitions of an individual pattern recognition device 11 are corrected in that the local breakdown probability P loc is only assigned a large value if both P a and P b each have large values. Furthermore, the detection of adhesives or cracks also improves, since increased values for the individual probabilities P a , P b can be used to infer a local breakthrough probability P loc that is greater than each of the individual probabilities P a , P b .
  • the combination of the individual probabilities P a and P b to the local breakdown probability P loc is therefore preferably based on fuzzy inferences.
  • the pattern recognition results P a and P b from the pattern recognition devices 11 of two adjacent temperature sensors 10 can have a time offset for the same growth error .
  • both pattern recognition results P a and P b can be combined in the linking device 19, they must be present at the same time. For this reason, each pattern recognition device 11 is followed by a delay device 20 with which this time offset is compensated.
  • the pattern recognition in the pattern recognition devices 11 must be independent of different system and operating conditions be. Therefore, there is 10 between each temperature sensor and the associated pattern recognition device 11 a device 22 arranged for the processing of measured values in which the Input variables of the pattern recognition device 11, that is to say the Temperature T, the temporal change in temperature ⁇ T and normalized the change in the casting speed ⁇ v over time or transformed that different plant conditions or changing process conditions the detection of glue and crack patterns do not affect or only slightly.
  • FIG. 11 shows a block diagram of such a device 22 for processing measured values.
  • the temperature values T (i) measured in a time step i are, depending on different system and operating conditions, relatively constant between approx. 100 ° C. and 200 ° C. under normal casting conditions. Adhesives and cracks cause deviations of up to 50 ° C from this constant offset temperature T 0 .
  • the pattern recognition device 11 can only recognize adhesive and cracking patterns if they start from a constant temperature level. To achieve this, an offset temperature T 0 is determined by means of a first-order time-discrete filter 23 and subtracted from the current temperature value T (i) in a subtracting device 24.
  • T A (i) T (i) -T 0 (i) is optionally smoothed to suppress noise in a filter 25 and then fed to a normalization device 26, in which the temperature deviations caused by typical growth errors from the normal temperature level are limited to a value range between zero and one.
  • the normalized temperature value T A (i) thus obtained is then fed to the pattern recognition device 11.
  • the pattern recognition device 11 also receives the temporal change in the temperature ⁇ T A (i), which is formed in a device 27 by means of the difference quotient from the output signal of the subtracting device 24 and subsequently normalized to a value range between zero and one in a further normalization device 28.
  • the change in the casting speed over time can also be an input variable of the pattern recognition device 11.
  • the change in the casting speed ⁇ v (i) over time is determined in a device 29 by means of the difference quotient from the casting speed v (i).
  • the casting speed v (i) is not increased steadily, but in leaps and bounds.
  • the resulting temperature rise which arises from the shorter cooling time in the mold 5, however, takes place continuously over a certain period of time.
  • the influence of changes in the casting speed over time on the temperature profiles can be taken into account by changing the rules for pattern recognition.
  • Another way of reducing the influence of the casting speed changes is to eliminate the temperature changes caused thereby in the recorded temperature profiles before the pattern recognition. This is done by averaging all the temperature values T (i) simultaneously delivered by the temperature sensors 10 on one level in the mold 5 and subtracting the mean value MT (i) thus obtained from the individual temperature values T (i) in a subtractor 32.
  • the adaptation of the pattern recognition by ⁇ v A (i) can also be omitted, so that the structure of the device for early breakthrough detection becomes simpler.
  • the mean value MT (i) of the comparison device 32 is fed via a controllable switching device 33, which switches the mean value MT (i) on to the comparison device 32 only when the change in the casting speed ⁇ v A (i) exceeds a predetermined threshold value v S.
  • the values ⁇ v A (i) and v S are fed to a threshold value detector 34, which controls the controllable switching device 33 on the output side.
  • T A (i) changes abruptly due to the connection of the mean value MT (i)

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Continuous Casting (AREA)
  • Radiation Pyrometers (AREA)

Description

Beim Stranggießen können in der Strangschale während des Wachstums in der Kokille Stellen auftreten, in denen die Strangschale nicht oder nur unzureichend erhärtet. Diese Wachstumsfehler führen, sobald der Strang die Kokille verläßt, zu einem Durchbruch im Strang, durch den flüssiger Stahl austritt. Die hierdurch hervorgerufene Beschädigung der Gießanlage erzwingt einen längeren Anlagenstillstand und verursacht hohe Instandsetzungskosten. Man versucht daher, Wachstumsfehler in der Schale vor ihrem Austritt aus der Kokille zu erkennen. Gelingt dies, so wird die Austrittsgeschwindigkeit so verringert, daß die potentielle Durchbruchstelle aushärten kann.
Mögliche Durchbruchstellen werden anhand der Oberflächen-Temperaturverläufe festgestellt, die durch in der Kokille im Bereich der Kokilleninnenwand angebrachte Temperatursensoren gemessen werden. Dabei ist es bekannt, die Temperatursensoren in einer oder mehreren in Richtung des Stranges versetzten Ebenen um den Strang herum verteilt anzuordnen. Wenn eine Fehlstelle in der Strangschale an den Temperatursensoren vorbeiwandert, steigt die gemessene Temperatur bedingt durch die nicht oder nur schwach ausgebildete Strangschale, hinter der sich flüssiger Stahl befindet, an, wobei die erfaßten Temperaturverläufe im Fall eines drohenden Durchbruches eine charakteristische Form aufweisen.
Um aus den erfaßten Temperaturverläufen mögliche Durchbrüche vorhersagen zu können, ist es aus der US-A-4 949 777 bekannt, die Änderung der von jedem einzelnen Temperatursensor jeweils erfaßten Temperatur mit einem Mittelwert aus den mit allen Temperatursensoren erfaßten Temperaturänderungen zu vergleichen und das so erhaltene Vergleichsergebnis auf Überschreiten eines vorgegebenen SchwellenwerteS zu überwachen. Wenn die zeitliche und örtliche Verteilung der Schwellenwertüberschreitungen einem vorgegebenen Muster entspricht, so ist dies ein Zeichen für einen bevorstehenden Durchbruch.
Aus T. Tanaka et al: "Trouble Forecasting System by Multi-Neural Network on Continuous Casting Process of Steel Production" in T. Kohonen et al (Ed.): Artificial Neural Networks; Proc. of the 1991 Int. Conf. on Artificial Neural Networks, Espoo, Finland, Elsevier Science Publishers B.V. (North-Holland), 1991, S. 835 bis 840, ist es bekannt, zur Durchbruch-Früherkennung im Rahmen einer Mustererkennung mit neuronalen Netzen die von den einzelnen Temperatursensoren erfaßten Temperaturverläufe zu speichern und auf charakteristische Muster zu untersuchen.
Bei einem aus der JP-A-4 172 160 bekannten Verfahren werden die mit den Temperatursensoren erfaßten Temperaturen einem neuronalen Netz zugeführt, welches ein Ausgangssignal erzeugt, wenn die räumliche Temperaturverteilung ein für einen drohenden Durchbruch charakteristisches Muster aufweist.
Eine einigermaßen zuverlässige Vorhersage von Durchbrüchen mittels neuronaler Netze setzt voraus, daß genügend Trainingsdaten für das neuronale Netz vorliegen. Dabei ergibt sich das Problem, daß Trainingsdaten von einer Anlage nicht ohne weiteres auf eine andere Anlage übertragen werden können. Hinzu kommt, daß die Entscheidungskriterien, nach denen die Vorhersage von Durchbrüchen erfolgt, für den Anlagenbetreiber im wesentlichen unsichtbar sind.
Darüberhinaus erfordern die bekannten Verfahren zur Mustererkennung vollständig vorliegende Temperatursmuster, z.B. Temperaturverläufe, was einen hohen Speicheraufwand zur Folge hat. Gleichzeitig ist der Rechenaufwand sehr hoch, da bei jeder Änderung des Temperaturmusters, wenn also z.B. der Temperaturverlauf um einen neuen Temperaturwert ergänzt wird und gleichzeitig der älteste Temperaturwert gelöscht wird, eine vollständig neue Mustererkennung erforderlich ist.
Der Erfindung liegt die Aufgabe zugrunde, eine Einrichtung zur Durchbruch-Früherkennung anzugeben, die bei nur geringem rechentechnischem Aufwand eine sichere und für den Anlagenbetreiber nachvollziehbare Erkennung möglicher Durchbrüche gewährleistet.
Gemäß der Erfindung wird die Aufgabe durch die in dem Patentanspruch 1 angegebene Erfindung gelöst.
Vorteilhafte Weiterbildungen der erfindungsgemäßen Einrichtung sind in den Unteransprüchen angegeben.
Die erfindungsgemäße Durchbruch-Früherkennung beruht auf einer Fuzzy-Mustererkennung, deren Regeln aus dem Prozeßwissen abgeleitet werden. Die zur Mustererkennung erforderlichen Informationen über die Temperaturverläufe bestehen dabei lediglich aus den aktuell erfaßten Temperaturen und einer den bisherigen Temperaturverlauf repräsentierenden und laufend aktualisierten inneren Zustandsgröße. Die Mustererkennung kann daher bei jedem neuen Temperaturwert auf den bisherigen Ergebnissen der Mustererkennung, also der inneren Zustandsgröße, aufbauen, so daß nicht jedes Mal eine vollständig neue Mustererkennung aufgrund des Temperaturverlaufs erforderlich ist. Außerdem entfällt das Speichern der Temperaturverläufe, so daß insgesamt die Mustererkennung mittels der erfindungsgemäßen Einrichtung schneller und effizienter als bei Verfahren ist, die die Mustererkennung auf der Grundlage von vollständig vorliegenden Mustern ausführen.
Zur weiteren Erläuterung der Erfindung wird im folgenden auf die Figuren der Zeichnung Bezug genommen; im einzelnen zeigen
Figur 1
den prinzipiellen Aufbau einer Stranggießanlage,
Figur 2
eine in der Stranggießanlage verwendete Kokille mit Temperatursensoren in den Kokilleninnenwänden,
Figuren 3 und 4
Beispiele für die mit den Temperatursensoren erfaßten Temperaturverläufe bei unterschiedlichen Wachstumsfehlern in der Strangschale,
Figur 5
ein Beispiel für eine Fuzzy-Mustererkennungseinrichtung zur Bildung eines Vorhersagewertes für die Durchbruch-Wahrscheinlichkeit aufgrund des mit einem Temperatursensor erfaßten Temperaturverlaufs,
Figur 6
ein Beispiel für den beim Auftreten eines bestimmten Wachstumsfehlers erfaßten Temperaturverlauf zusammen mit der in Abhängigkeit davon ermittelten Durchbruch-Wahrscheinlichkeit,
Figur 7
ein Beispiel für die Fuzzy-Zustände der Fuzzy-Mustererkennungseinrichtung,
Figur 8
ein Beispiel für das Fuzzy-Regelwerk der Mustererkennungseinrichtung,
Figur 9
ein verallgemeinertes Ausführungsbeispiel für die Mustererkennungseinrichtung,
Figur 10
ein Beispiel für eine Einrichtung zur Vorhersage der Gesamtwahrscheinlichkeit von Durchbrüchen und
Figur 11
ein Beispiel für die Meßwertaufbereitung der der Mustererkennungseinrichtung zugeführten Signale.
Figur 1 zeigt in schematischer Darstellung eine Stranggießanlage. Aus einer Gießpfanne 1 wird flüssiger Stahl 2 in einen Verteiler 3 gegossen, der den Stahl auf verschiedene Stränge 4 verteilt und außerdem als Puffer und Abscheider für nichtmetallische Partikel dient. Aus dem Verteiler 3 fließt der Stahl in eine Kokille 5, deren Innenwände aus Kupfer bestehen und wassergekühlte Kanäle 6 enthalten. Aufgrund der Wärmeabfuhr an den Kokilleninnenwänden kühlt der Stahl ab und es bildet sich eine feste Strangschale 7 aus. Diese umschließt den flüssigen Stahl, so daß der Strang 4 nach Verlassen der Kokille 5 über Rollen 8 transportiert und schließlich in einzelne Brammen 9 zerschnitten werden kann.
Probleme können entstehen, wenn die Strangschale 7 Wachstumsfehler aufweist. Dann bildet sich oft an einzelnen lokalen Stellen nur eine sehr dünne erhärtete Schicht aus, die nach Verlassen der Kokille 5 brechen kann. In einem solchen Fall tritt flüssiger Stahl aus, der die Anlage beschädigt, so daß ein Stillstand und entsprechende Reparaturen nötig werden. Um solche Durchbrüche in der Strangschale 7 zu verhindern, werden die Wachstumsfehler in der Strangschale 7 bei ihrer Entstehung in der Kokille 5 geortet.
Wie Figur 2 zeigt, sind hierzu in den Innenwänden der Kokille 5 Temperatursensoren 10 in zwei, in Strangrichtung versetzten Ebenen um den Strang herum verteilt angeordnet. Es können auch mehrere Ebenen oder nur eine Ebene vorgesehen werden. Aufgrund von Änderungen in den erfaßten Temperaturverläufen kann auf eine Schwachstelle in der Strangschale 7 geschlossen werden. Wird ein Fehler entdeckt, so wird die Gießgeschwindigkeit reduziert, so daß sich die Abkühlzeit in der Kokille 5 erhöht und sich eine ausreichend feste Strangschale an der Fehlstelle ausbilden kann.
Die weitaus häufigsten Wachstumsfehler, sogenannte Kleber, entstehen durch eine lokal erhöhte Reibung zwischen dem Strang 4 und der Innenwand der Kokille 5. An der Reibungsstelle haftet der Strang 4 stärker als in der Umgebung an der Kokilleninnenwand, weshalb sich dort auch seine Geschwindigkeit verringert. Dies führt zu Spannungen in der Strangschale 7, so daß diese aufbricht. Flüssiger Stahl gelangt an die Kokilleninnenwand und führt dort zu einem Temperaturanstieg.
In Figur 3 ist ein Beispiel für den mit einem der Temperatursensoren 10 erfaßten Temperaturverlauf dargestellt, wenn ein solcher Fehler an dem betreffenden Temperatursensor 10 vorbeiwandert. Während der Kleber an dem Temperatursensor 10 vorbeiläuft, wird ein deutlicher Temperaturanstieg gemessen. Hat der Kleber den Temperatursensor 10 passiert, so sinkt die Temperatur unter das Temperaturniveau ab, das bei normalen Gießbedingungen herrscht. Zurückzuführen ist diese Absenkung auf eine verdickte Strangschale hinter dem Kleber, die aufgrund einer verringerten Geschwindigkeit dort entstanden ist.
Eine weitere Ursache für Durchbrüche in der Strangschale sind Luftpolster, sogenannte Cracks, die sich zwischen dem Strang 4 und der Kokille 5 bilden.
Figur 4 zeigt ein Beispiel für den beim Auftreten eines solchen Fehlers erfaßten Temperaturverlauf. Durch die geringe Wärmeleitfähigkeit der Luft ist die Wärmeabfuhr vom Strang 4 zur Kokille 5 stark vermindert, so daß sich nur eine sehr dünne Strangschale 7 ausbildet. Passiert ein Crack einen der Temperatursensoren 10, so spiegelt er sich in dem erfaßten Temperaturverlauf als ausgeprägter Einbruch wieder. Zusammen bildet Kleber und Cracks die Ursache für über 90% aller Durchbrüche.
Die unterschiedlichen Wachstumsfehler in der Strangschale 7 verursachen also charakteristische Muster in den erfaßten Temperaturverläufen. Diese Muster entstehen sequentiell, indem neue Meßwerte einem Temperaturverlauf hinzugefügt werden.
Figur 5 zeigt ein Beispiel für eine Mustererkennungseinrichtung 11, die fortlaufend aus den mit einem Temperatursensor 10 in Zeitschritten i erfaßten aktuellen Temperaturwerten T(i) und den zeitlichen Temperaturänderungen ΔT(i)= T(i)-T(i-1) die Wahrscheinlichkeit P(i+1) dafür bestimmt, daß sich in dem erfaßten Temperaturverlauf ein Kleber- oder Crackmuster entwickelt. Da alleine anhand der aktuellen Werte T(i) und ΔT(i) keine Mustererkennung erfolgen kann, wird zusätzlich die jeweils zuvor ermittelte Durchbruch-Wahrscheinlichkeit P(i) als eine den bisherigen Temperaturverlauf repräsentierende innere Zustandsgröße verwendet und gemeinsam mit den aktuellen Meßwerten T(i) und ΔT(i) einer Fuzzy-Logik 12 zugeführt, die daraus die aktuelle Durchbruch-Wahrscheinlichkeit P(i+1) bestimmt. Diese wird in einem Speicherglied 13 zwischengespeichert und im nächsten Zeitschritt auf den Eingang der Fuzzy-Logik 12 rückgekoppelt. Durch die Zwischenspeicherung und Rückkopplung der in dem jeweils vorangegangenen Zeitschritt ermittelten Durchbruch-Wahrscheinlichkeit P(i) ist die Fuzzy-Logik 12 in der Lage, die Mustererkennung nur anhand der aktuellen Temperatur T(i) und ihrer Änderung ΔT(i), d.h. ohne Kenntnis des Temperaturverlaufs, durchzuführen.
Um die Arbeitsweise der Mustererkennungseinrichtung 11 zu veranschaulichen, wird beispielhaft der Temperaturverlauf T eines Klebers, wie er in Figur 6 dargestellt ist, betrachtet:
Bei normalen Gießbedingungen ist die Temperatur T konstant und ihre zeitliche Änderung schwankt sehr geringfügig. Die Wahrscheinlichkeit P für eine Durchbruch ist hier Null.
Zu Beginn eines Klebers steigt die Temperatur T an. Die Wahrscheinlichkeit P wird deshalb auf einen kleinen positiven Wert, beispielsweise 0,1, erhöht.
Im weiteren Verlauf des Klebers steigt die Temperatur T, und auch die zeitliche Änderung der Temperatur T nimmt zu. Liegt nun aus dem vorherigen Schritt eine geringe Wahrscheinlichkeit P vor, was gleichbedeutend mit der Beobachtung eines Kleberbeginns ist, so wird die Wahrscheinlichkeit P auf einen mittleren Wert, z.B. 0,4, erhöht. Liegt dagegen aus dem vorherigen Schritt keine geringe Wahrscheinlichkeit P, d.h. der Beginn eines Klebers, vor, so wird die Wahrscheinlichkeit P auch nicht geändert.
Die durch den Kleber verursachte Temperaturerhöhung erreicht nun ihren maximalen Wert, wobei gleichzeitig die zeitliche Änderung der Temperatur T Null wird. Wurde bis zu diesem Zeitpunkt die typische Temperaturkurve eines Klebers durchlaufen und somit bisher eine mittlere Durchbruch-Wahrscheinlichkeit P festgestellt, so wird die Wahrscheinlichkeit P auf einen großen Wert, z.B. 0,7, erhöht.
Der Kleber hat nun den Temperatursensor 10 passiert, und die Temperatur T sinkt bei negativer Temperaturänderung auf mittlere Werte ab. Dem obigen Schema folgend wird dann die Wahrscheinlichkeit P weiter, z.B. auf 0,9, erhöht, allerdings unter der Voraussetzung, daß sie schon einen großen Wert aufweist.
Aufgrund der Verdickung der Strangschale am Ende eines Klebers nimmt die Temperatur T schließlich so weit ab, daß sie unterhalb des Temperaturniveaus bei normalen Gießbedingungen liegt. Sobald dies geschieht und die Wahrscheinlichkeit P aufgrund des bisherigen Geschehens einen sehr großen Wert aufweist, wird die Wahrscheinlichkeit P auf ihren maximalen Wert, z.B. 1,0, erhöht.
Figur 7 zeigt den Fuzzy-Zustandsgraphen der Mustererkennungseinrichtung 11. Die Zustände, d.h. die linguistischen Werte der Durchbruch-Wahrscheinlichkeit P(i), bilden die Knoten 14 des Zustandsgraphen. Die Wahrscheinlichkeit P(i) kann dabei die folgenden linguistischen Werte annehmen:
Z = 0, T = sehr klein, S = klein, M = mittel, B = groß, H = sehr groß.
An den Übergangspfeilen 15 zwischen den Zuständen 14 stehen vor dem Schrägstrich die Übergangsbedingungen, d.h. die Fuzzy-Regeln, die einen Zustandswechsel bewirken ; der Wert nach dem Querstrich gibt den jeweils neu erreichten Zustand an. Im Verlauf der Mustererkennung wird die Wahrscheinlichkeit P(i) nur dann schrittweise von Z auf H erhöht, wenn das Temperaturmuster dazu führt, daß nacheinander die Regelsätze R2, R5, R9, R13 und R17 erfüllt sind. Das ist bei Kleber- oder Crackmustern der Fall. Weicht das erfaßte Temperaturmuster nurgeringfügig von diesen Referenzmustern ab, so wird entweder der momentane Zustand beibehalten oder der nächst niedrigere Zustand eingenommen. Sind die Abweichungen größer, so wird je nach erreichtem aktuellen Zustand einer der Regelsätze R3, R8, R12, R16 oder R20 aktiv und die Wahrscheinlichkeit P(i) wird Z.
Einen großen Einfluß auf die für Durchbrüche in der Strangschale 7 charakteristischen Temperaturverläufe haben Änderungen der Gießgeschwindigkeit. Es ist daher sinnvoll, diese Änderungen Δv(i) zusätzlich bei der Mustererkennung zu berücksichtigen, so wie dies in Figur 5 gestrichelt dargestellt ist. Erhöht sich beispielsweise die Gießgeschwindigkeit, so verringert sich die Verweildauer und damit auch die Kühldauer des Stranges 4 in der Kokille 5. Dies bedeutet gleichzeitig eine Erhöhung der gemessenen Temperatur. Treten dann während einer Änderung der Gießgeschwindigkeit Wachstumsfehler in der Strangschale 7 auf, so werden die für sie typischen Temperaturverläufe verzerrt.
Figur 8 zeigt ein Beispiel für ein in der Fuzzy-Logik der Mustererkennungseinrichtung 11 implementiertes Fuzzy-Regelwerk, bei dem zusätzlich zu der erfaßten Temperatur T(i) und der Temperaturänderung ΔT(i) die Änderung der Gießgeschwindigkeit Δv(i) zur Bestimmung Durchbruch-Wahrscheinlichkeit P(i) herangezogen wird. Im übrigen sind der in Figur 7 gezeigte Fuzzy-Zustandsgraph und das in Figur 8 dargestellte Fuzzy-Regelwerk zueinander äquivalent. Die Regeln des Regelwerks geben die Kombinationen von linguistischen Werten der Eingangsvariablen T(i), ΔT(i) und Δv(i) an, die erfüllt sein müssen, damit die Mustererkennungseinrichtung 11 ihren Zustand verändert bzw. beibehält. Der Temperatur T(i) werden dabei folgende Werte zugeordnet:
NB = negativ groß, NS = negativ klein, Z = Null, PS = positiv klein, PM = positiv mittel, PB = positiv groß.
Der Temperaturänderung ΔT(i) werden folgende Werte zugeordnet:
NB = negativ groß, NS = negativ klein, Z = Null, PS = positiv klein, PB = positiv groß.
Für die Änderung der Gießgeschwindigkeit Δv(i) sind folgende Werte vorgesehen:
N = negativ, Z = Null, PN = positiv normal, PE = positiv extrem.
Die innere Zustandsgröße, also die zwischengespeicherte Wahrscheinlichkeit P(i), nimmt die folgenden linguistischen Werte an:
Z = Null, T = sehr klein, S = klein, M = mittel, B = groß, H = sehr groß.
Für jede Wertekombination der Temperatur T(i), der Temperaturänderung ΔT(i), der Änderung der Gießgeschwindigkeit Δv(i) und der zwischengespeicherten Wahrscheinlichkeit P(i) ergibt sich jeweils ein bestimmter linguistischer Wert für die von der Mustererkennungseinrichtung 11 vorhergesagte Durchbruch-Wahrscheinlichkeit P(i+1). Die linguistischen Werte der vorhergesagten Durchbruch-Wahrscheinlichkeit P(i+1) sind der Übersicht halber wie folgt codiert: Z = 1, T = 2, S = 3, M = 4, B = 5, H = 6.
Aus dem Regelwerk sind alle Regeln der Fuzzy-Logik 12 direkt ablesbar. So gilt beispielsweise: Wenn P(i) = Z und Δv(i) = Z und T = Z und ΔT = Z, dann P(i+1) = 1(=Z).
Die Inferenz erfolgt nach der Max-Min-Methode und die Defuzzifizierung nach der Schwerpunktmethode.
Figur 9 zeigt ein verallgemeinertes Ausführungsbeispiel für die Mustererkennungseinrichtung, bei der die Eingangsgrößen T(i), ΔT(i) und Δv(i) in einem Eingangsvektor u(i) zusammengefaßt sind. Eine erste Fuzzy-Logik 16 erzeugt aus dem Eingangsvektor u(i) und einem zwischengespeicherten inneren Zustandsvektor z(i) einen aktualisierten Zustandsvektor z(i+1), der in einem Speicherglied 17 zwischengespeichert wird. Der zwischengespeicherte Zustandsvektor z(i) und der Eingangsvektor u(i) werden in einer zweiten Fuzzy-Logik 18 zu einem Ausgangsvektor y miteinander verknüpft. Die in Figur 5 gezeigte Mustererkennungseinrichtung 11 ist ein Spezialfall der in Figur 9 gezeigten Einrichtung mit nur einer inneren Zustandsgröße z(i) = P(i), einer Ausgangsgröße y(i) = P(i+1) und mit übereinstimmendem Übertragungsverhalten der ersten Fuzzy-Logik 16 und der zweiten Fuzzy-Logik 18, dh. f=g.
Figur 10 zeigt ein Beispiel für eine Einrichtung zur Vorhersage der Gesamtwahrscheinlichkeit von Durchbrüchen aufgrund der mit den Temperatursensoren 10 erfaßten einzelnen Temperaturverläufe. Die Muster von bestimmten Wachstumsstörungen der Strangschale finden sich nicht nur in einem Temperaturverlauf, sondern aufgrund der Ausdehnung des Wachstumsfehlers und der Strangbewegung auch in benachbart gemessenen Temperaturverläufen wieder. Wie Figur 10 zeigt, ist jedem Temperatursensor 10 eine eigene Mustererkennungseinrichtung 11 nachgeordnet, die den jeweils erfaßten Temperaturverlauf auf das Auftreten eines vorgegebenen Musters überwacht. Damit die Erkennung von Wachstumsfehlern in der Strangschale zuverlässiger erfolgt, werden die von den Mustererkennungseinrichtungen 11 jeweils zweier unmittelbar benachbarter Temperatursensoren 10 gelieferten Vorhersagewerte Pa und Pb in einer Verknüpfungseinrichtung 19 zu einer lokalen Durchbruch-Wahrscheinlichkeit Ploc kombiniert. So werden fehlerhafte Mustererkennungen einer einzelnen Mustererkennungseinrichtung 11 korrigiert, indem der lokalen Durchbruch-Wahrscheinlichkeit Ploc nur dann ein großer Wert zugeordnet wird, wenn sowohl Pa als auch Pb jeweils große Werte aufweisen. Weiterhin verbessert sich auch die Erkennung von Klebern oder Cracks, da aus erhöhten Werten für die Einzelwahrscheinlichkeiten Pa, Pb auf eine lokale Durchbruch-Wahrscheinlichkeit Ploc geschlossen werden kann, die größer ist als jede der Einzelwahrscheinlichkeiten Pa, Pb. Die Verknüpfung der Einzelwahrscheinlichkeiten Pa und Pb zu der lokalen Durchbruch-Wahrscheinlichkeit Ploc erfolgt daher vorzugsweise auf der Grundlage von Fuzzy-Folgerungen.
Da sich die Wachstumsfehler in der Strangschale an den einzelnen Temperatursensoren 10 vorbeibewegen, wobei die Bewegungsrichtung und Ausbreitung der Wachstumsfehler unterschiedlich erfolgen kann, können die Mustererkennungs-Ergebnisse Pa und Pb von den Mustererkennungseinrichtungen 11 zweier benachbarter Temperatursensoren 10 für denselben Wachstumsfehler einen zeitlichen Versatz aufweisen. Damit beide Mustererkennungs-Ergebnisse Pa und Pb in der Verknüpfungseinrichtung 19 kombiniert werden können, müssen sie jedoch gleichzeitig vorliegen. Aus diesem Grund ist jeder Mustererkennungseinrichtung 11 eine Verzögerungseinrichtung 20 nachgeordnet, mit der dieser zeitliche Versatz kompensiert wird. Die Verzögerungseinrichtungen 20 bestehen dabei jeweils aus einem Maximalwert-Halteglied, das von jeder Einzelwahrcheinichkeit P(i) am Ausgang der vorgeordneten Mustererkennungsinrichtung 11 den maximalen Wert Pmax(i) = max(P(i-k), ...,P(i)) der letzten k Zeitschritte ermittelt und der Verknüpfungseinrichtung 19 zuführt.
In einer allen Verknüpfungseinrichtungen 19 nachgeordneten Logikschaltung 21 wird der maximale Wert aller lokalen Durchbruch-Wahrscheinlichkeiten Ploc ermittelt, der dann die Gesamtwahrscheinlichkeit Pges für einen Durchbruch darstellt.
Die Mustererkennung in den Mustererkennungseinrichtungen 11 muß unabhängig von unterschiedlichen Anlagen- und Betriebsbedingungen sein. Daher ist zwischen jedem Temperatursensor 10 und der zugeordneten Mustererkennungseinrichtung 11 eine Einrichtung 22 zur Meßwertaufbereitung angeordnet, in der die Eingangsgrößen der Mustererkennungseinrichtung 11, also die Temperatur T, die zeitliche Änderung der Temperatur ΔT und die zeitliche Änderung der Gießgeschwindigkeit Δv so normiert bzw. transformiert werden, daß unterschiedliche Anlagenverhältnisse oder sich ändernde Prozeßbedingungen die Erkennung von Kleber- und Crackmustern nicht oder nur geringfügig beeinflussen.
Figur 11 zeigt ein Blockschaltbild einer solchen Einrichtung 22 zur Meßwertaufbereitung. Die in einem Zeitschritt i gemessenen Temperaturwerte T(i) liegen, abhängig von unterschiedlichen Anlagen- und Betriebsbedingungen, bei normalen Gießbedingungen relativ konstant zwischen ca. 100°C und 200°C. Kleber und Cracks verursachen Abweichungen um bis zu 50°C von dieser konstanten Offset-Temperatur T0. Die Mustererkennungseinrichtung 11 kann Kleber- und Crackmuster nur dann erkennen, wenn diese von einem immer gleichen Temperaturniveau ausgehen. Um dies zu erreichen, wird mittels eines zeitdiskreten Filters 23 erster Ordnung eine Offset-Temperatur T0 bestimmt und in einer Subtrahiereinrichtung 24 von dem aktuellen Temperaturwert T(i) subtrahiert. Die so erhaltene Temperatur TA(i)= T(i)-T0(i) wird gegebenenfalls zur Unterdrückung von Rauschen in einem Filter 25 geglättet und anschließend einer Normierungseinrichtung 26 zugeführt, in der die von typischen Wachstumsfehlern hervorgerufenen Temperaturabweichungen von dem normalen Temperaturniveau auf einen Wertebereich zwischen Null und Eins begrenzt sind. Der so erhaltene normierte Temperaturwert TA(i) wird dann der Mustererkennungseinrichtung 11 zugeführt.
Die Mustererkennungseinrichtung 11 erhält weiterhin die zeitliche Änderung der Temperatur ΔTA(i), die in einer Einrichtung 27 mittels des Differenzenquotienten aus dem Ausgangssignal der Subtrahiereinrichtung 24 gebildet wird und nachfolgend in einer weiteren Normierungseinrichtung 28 auf einen Wertebereich zwischen Null und Eins normiert wird.
Wie bereits obenstehend erläutert wurde, kann auch die zeitliche Änderung der Gießgeschwindigkeit eine Eingangsvariable der Mustererkennungseinrichtung 11 sein. Sie verändert dort die Regeln für die Mustererkennung in der Weise, daß Kleber und Cracks auch dann noch sicher erkannt werden können, wenn ihre Muster aufgrund der Gießgeschwindigkeitsänderung verzerrt sind. Die zeitliche Änderung der Gießgeschwindigkeit Δv(i) wird in einer Einrichtung 29 mittels des Differenzenquotienten aus der Gießgeschwindigkeit v(i) bestimmt. Oftmals wird die Gießgeschwindigkeit v(i) nicht stetig, sondern sprunghaft erhöht. Der resultierende Temperaturanstieg, der durch die geringere Abkühlzeit in der Kokille 5 entsteht, erfolgt jedoch stetig über einen gewissen Zeitraum hinweg. Um dann während des gesamten Temperaturanstiegs eine entsprechende Veränderung der Regeln für die Mustererkennung zu erreichen, muß der Wert Δv(i) während des Temperaturanstiegs auf einen entsprechend hohen Wert gesetzt werden, der einen stetigen Anstieg der Gießgeschwindigkeit v(i) vortäuscht. Dies geschieht mit einem Maximalwert-Halteglied 30, das ausgangsseitig jeweils den größten positiven Wert von Δv(i) aus den letzten k Zeitschritten erzeugt. Es gilt also: ΔvA(i) = max(Δv(i-k),..., Δv(i) für Δv(i)>0 und ΔvA(i) = Δv(i) für Δv(i)≤0.
Schließlich wird der so erhaltene Wert von ΔvA(i) in einer Normierungseinrichtung 31 normiert, bevor er der Mustererkennungseinrichtung 11 zugeführt wird.
Wie bereits erwähnt wurde, kann der Einfluß von zeitlichen Änderungen der Gießgeschwindigkeit auf die Temperaturverläufe durch Änderung der Regeln für die Mustererkennung berücksichtigt werden. Eine weitere Möglichkeit, den Einfluß der Gießgeschwindigkeit-Änderungen zu verringern, besteht darin, die dadurch hervorgerufenen Temperaturänderungen in den erfaßten Temperaturverläufen noch vor der Mustererkennung zu eliminieren. Dies geschieht, indem man alle von den Temperatursensoren 10 jeweils einer Ebene in der Kokille 5 gleichzeitig gelieferten Temperaturwerte T(i) mittelt und den so erhaltenen Mittelwert MT(i) in einer Subtrahiereinrichtung 32 von den einzelnen Temperaturwerten T(i) subtrahiert. Die so erhaltene Temperaturdifferenz TD(i)=T(i)-MT(i) ist von Temperaturänderungen, die durch Gießgeschwindigkeits-Änderungen verursacht werden, unabhängig und wird im weiteren dem Filter 23 und der Subtrahiereinrichtung 24 zugeführt. In diesem Fall kann auch die Anpassung der Mustererkennung durch ΔvA(i) entfallen, so daß dadurch der Aufbau der Einrichtung zur Durchbruch-Früherkennung einfacher wird.
Alternativ kann vorgesehen werden, daß bei konstanter Gießgeschwindigkeit v(i) oder kleinen Änderungen der Gießgeschwindigkeit v(i) ohne die Gießgeschwindigkeits-Kompensation gearbeitet wird, um über den Mittelwert MT(i) keine Störungen in die einzelnen Temperaturverläufe TA(i) hineinzutragen. Hierzu wird der Mittelwert MT(i) der Vergleichseinrichtung 32 über eine steuerbare Schalteinrichtung 33 zugeführt, die den Mittelwert MT(i) nur dann an die Vergleichseinrichtung 32 weiterschaltet, wenn die Änderung der Gießgeschwindigkeit ΔvA(i) einen vorgegebenen Schwellenwert vS überschreitet. Hierzu werden die Werte ΔvA(i) und vS einem Schwellenwertdetektor 34 zugeführt, der ausgangsseitig die steuerbare Schalteinrichtung 33 steuert. Um zu vermeiden, daß durch die Zuschaltung des Mittelwertes MT(i) der Wert TA(i) sich sprungartig ändert, wird der Wert T0(i+1) des Filters 23 über den Ausgang einer Subtrahiereinrichtung 35 mit T0(i+1) = T(i)-MT(i)-TA(i) so gesetzt, daß der Verlauf von TA(i) stetig fortgesetzt wird.

Claims (10)

  1. Einrichtung zur Durchbruch-Früherkennung beim Stranggießen mit einer Kokille (5), in der Temperatursensoren (10) um den Strang (4) herum verteilt angeordnet sind, wobei jedem Temperatursensor (10) jeweils eine Mustererkennungseinrichtung (11) zugeordnet ist, die aus der erfaßten Temperatur (T(i)) und einer den bisherigen Temperaturverlauf repräsentierenden inneren Zustandsgröße (P(i)) auf der Grundlage von Fuzzy-Folgerungen die innere Zustandsgröße (P(i)) aktualisiert und ausgangsseitig einen aktuellen Vorhersagewert (P(i+1)) für die Durchbruch-Wahrscheinlichkeit erzeugt.
  2. Einrichtung nach Anspruch 1,
    dadurch gekennzeichnet,
    daß der Vorhersagewert (P(i+1)) mit der inneren Zustandsgröße identisch ist.
  3. Einrichtung nach Anspruch 1 oder 2,
    dadurch gekennzeichnet,
    daß jede Mustererkennungseinrichtung (11) den aktuellen Wert (T(i)) und die Änderung (ΔT(i)) der von dem jeweils zugeordneten Temperatursensor (10) erfaßten Temperatur auswertet.
  4. Einrichtung nach einem der vorangehenden Ansprüche,
    dadurch gekennzeichnet,
    daß die Mustererkennungseinrichtung (11) zur Erzeugung des Vorhersagewertes (P(i+1)) für die Durchbruch-Wahrscheinlichkeit zusätzlich die Änderung der Gießgeschwindigkeit (Δv(i)) auswertet.
  5. Einrichtung nach einem der vorangehenden Ansprüche,
    dadurch gekennzeichnet,
    daß zwischen jedem Temperatursensor (10) und der zugeordneten Mustererkennungseinrichtung (11) eine Einrichtung (22) zur Meßwertaufbereitung liegt, in der von der erfaßten Temperatur (T(i)) ein aufgrund des bisherigen Temperaturverlaufs ermittelter zeitlicher Mittelwert (T0(i)) subtrahiert wird.
  6. Einrichtung nach Anspruch 5,
    dadurch gekennzeichnet,
    daß in der Einrichtung (22) zur Meßwertaufbereitung von der erfaßten Temperatur (T(i)) zusätzlich ein Mittelwert (MT(i)) subtrahiert wird, der aus den mit allen jeweils in ein und derselben Ebene um den Strang (4) herum verteilten Temperatursensoren (10) gleichzeitig erfaßten Temperaturwerten gebildet wird.
  7. Einrichtung nach einem der vorangehenden Ansprüche,
    dadurch gekennzeichnet,
    daß die jeweils mindestens zwei unmittelbar benachbarten Temperatursensoren (10) zugeordneten Mustererkennungseinrichtungen (11) ausgangsseitig jeweils an einer Verknüpfungseinrichtung (19) angeschlossen sind, die die von den Mustererkennungseinrichtungen (11) gelieferten Vorhersagewerte (Pa, Pb) zu einem Wahrscheinlichkeitswert (Ploc) für einen lokalen Durchbruch im Bereich der benachbarten Temperatursensoren (10) verknüpft.
  8. Einrichtung nach Anspruch 7,
    dadurch gekennzeichnet,
    daß zumindest denjenigen Mustererkennungseinrichtungen (11), deren zugeordnete Temperatursensoren (10) in der Kokille (5) oberhalb der übrigen Temperatursensoren (10) angeordnet sind, jeweils eine Verzögerungseinrichtung (20) nachgeordnet ist.
  9. Einrichtung nach Anspruch 8,
    dadurch gekennzeichnet,
    daß die Verzögerungseinrichtung (20) ausgangsseitig jeweils den Maximalwert einer vorgegebenen Anzahl der ihr zuletzt zugeführten Vorhersagewerte (P(i+1)) erzeugt.
  10. Einrichtung nach einem der Ansprüche 7 bis 9,
    dadurch gekennzeichnet,
    daß den Verknüpfungseinrichtungen (19) eine gemeinsame Logikschaltung (21) nachgeordnet ist, die aus den Wahrscheinlichkeiten (Ploc) für lokale Durchbrüche einen Wert (Pges) für die Gesamtwahrscheinlichkeit eines Durchbruchs ermittelt.
EP96907513A 1995-04-03 1996-03-28 Einrichtung zur durchbruch-früherkennung beim stranggiessen Expired - Lifetime EP0819033B1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP96907513A EP0819033B1 (de) 1995-04-03 1996-03-28 Einrichtung zur durchbruch-früherkennung beim stranggiessen

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP95104909 1995-04-03
EP95104909 1995-04-03
PCT/EP1996/001371 WO1996031304A1 (de) 1995-04-03 1996-03-28 Einrichtung zur durchbruch-früherkennung beim stranggiessen
EP96907513A EP0819033B1 (de) 1995-04-03 1996-03-28 Einrichtung zur durchbruch-früherkennung beim stranggiessen

Publications (2)

Publication Number Publication Date
EP0819033A1 EP0819033A1 (de) 1998-01-21
EP0819033B1 true EP0819033B1 (de) 1998-09-16

Family

ID=8219152

Family Applications (1)

Application Number Title Priority Date Filing Date
EP96907513A Expired - Lifetime EP0819033B1 (de) 1995-04-03 1996-03-28 Einrichtung zur durchbruch-früherkennung beim stranggiessen

Country Status (7)

Country Link
US (1) US5904202A (de)
EP (1) EP0819033B1 (de)
CN (1) CN1072065C (de)
CA (1) CA2217156C (de)
DE (1) DE59600581D1 (de)
ES (1) ES2122805T3 (de)
WO (1) WO1996031304A1 (de)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998024009A1 (de) * 1996-11-28 1998-06-04 Siemens Aktiengesellschaft Verfahren zur parametrierung eines zum vergleich eines messsignals mit einem mustersignal dienenden fuzzy-automaten
DE19734711C1 (de) 1997-08-11 1999-04-15 Siemens Ag Regler mit zeitdiskreten, dynamischen Fuzzy-Regelgliedern
DE19808998B4 (de) * 1998-03-03 2007-12-06 Siemens Ag Verfahren und Einrichtung zur Durchbruchfrüherkennung in einer Stranggußanlage
ATE281260T1 (de) 1998-07-21 2004-11-15 Dofasco Inc Auf einem multivariablen statistischen modell basierendes system zur darstellung des betriebs einer stranggiessanlage und detektion bevorstehender durchbrüche
WO2000051762A1 (fr) * 1999-03-02 2000-09-08 Nkk Corporation Procede et dispositif permettant, en coulee continue, de predire et de reguler la configuration d'ecoulement de l'acier en fusion
CA2414167A1 (en) * 2002-12-12 2004-06-12 Dofasco Inc. Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts
JP4430411B2 (ja) * 2004-01-21 2010-03-10 ヤマハ発動機株式会社 低圧鋳造用鋳造機
US6885907B1 (en) 2004-05-27 2005-04-26 Dofasco Inc. Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention
CN101379381B (zh) * 2006-02-01 2012-08-22 新日本制铁株式会社 断裂预测方法
DE102008028481B4 (de) * 2008-06-13 2022-12-08 Sms Group Gmbh Verfahren zur Vorhersage der Entstehung von Längsrissen beim Stranggießen
CN103209784B (zh) * 2010-09-29 2015-09-09 现代制铁株式会社 铸型内凝固壳的裂纹诊断装置及其方法
JP5673100B2 (ja) * 2010-12-28 2015-02-18 Ｊｆｅスチール株式会社 ブレイクアウト予知方法
US9568931B2 (en) * 2013-06-19 2017-02-14 Nec Corporation Multi-layer control framework for an energy storage system
DE102018100992A1 (de) * 2018-01-17 2019-07-18 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Überwachungsvorrichtung für eine Kühlvorrichtung
EP4124400A1 (de) * 2021-07-28 2023-02-01 Primetals Technologies Austria GmbH Verfahren zur feststellung einer defektwahrscheinlichkeit eines gegossenen produktabschnittes
CN113887133A (zh) * 2021-09-27 2022-01-04 中国计量大学 一种基于深度学习的压铸系统自动冷却方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4949777A (en) * 1987-10-02 1990-08-21 Kawasaki Steel Corp. Process of and apparatus for continuous casting with detection of possibility of break out
JPH0722811B2 (ja) * 1990-11-02 1995-03-15 新日本製鐵株式会社 連続鋳造の拘束性ブレークアウト予知方法
JP3035688B2 (ja) * 1993-12-24 2000-04-24 トピー工業株式会社 連続鋳造におけるブレークアウト予知システム
US5714866A (en) * 1994-09-08 1998-02-03 National Semiconductor Corporation Method and apparatus for fast battery charging using neural network fuzzy logic based control
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system

Also Published As

Publication number Publication date
CN1072065C (zh) 2001-10-03
ES2122805T3 (es) 1998-12-16
CA2217156A1 (en) 1996-10-10
WO1996031304A1 (de) 1996-10-10
DE59600581D1 (de) 1998-10-22
CN1189113A (zh) 1998-07-29
US5904202A (en) 1999-05-18
CA2217156C (en) 2006-11-14
EP0819033A1 (de) 1998-01-21

Similar Documents

Publication Publication Date Title
EP0819033B1 (de) Einrichtung zur durchbruch-früherkennung beim stranggiessen
DE60311739T2 (de) Verfahren und Online-Überwachungssystem zum Angiessen einer Stranggiessanlage und Verfahren zur Durchbruchfrüherkennung beim Stranggiessen von Stahl
EP0813701B1 (de) Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.
DE69921602T2 (de) Auf einem multivariablen statistischen modell basierendes system zur darstellung des betriebs einer stranggiessanlage und detektion bevorstehender durchbrüche
EP2222426B1 (de) Vorfahren zur steuerung oder regelung einer temperatur
DE4008510A1 (de) Regeleinheit mit optimal-entscheidungsmitteln
AT525791B1 (de) Überwachungsverfahren für eine Stranggießkokille mit Aufbau einer Datenbank
DE102005022922A1 (de) Echtzeitsystem und -verfahren zum Überwachen transienter Vorgänge bei einem Stranggießprozess zur Ausbruchsverhinderung
EP2291252A1 (de) Verfahren zur vorhersage der entstehung von längsrissen beim stranggiessen
EP0756219A2 (de) Verfahren zur Überwachung von Produkteigenschaften und Verfahren zur Regelung eines Herstellungs-prozesses
EP0897786A2 (de) Verfahren zum Regeln einer Spritzgiessanlage für Kunststoff-Materialien
DE4416317B4 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
WO2012025438A1 (de) Betriebsverfahren für ein walzwerk zum walzen von flachem walzgut mit walzenverschleissprognose
DE4131765A1 (de) Regelparameter-verbesserungsverfahren fuer industrielle anlagen
EP1324845B1 (de) Verfahren zum betreiben einer anlage der grundstoffindustrie
EP1455976B1 (de) Maulweitenregelung an segmenten für stranggie anlagen
DE19881041B4 (de) Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
EP2476031B1 (de) Verfahren zum überwachen einer walze in einer anlage zum walzen von metall
DE10310357A1 (de) Gießwalzanlage zur Erzeugen eines Stahlbandes
DE4442087C2 (de) Einrichtung zur Durchbruch-Früherkennung beim Stranggießen
DE19623671C2 (de) Verfahren und Einrichtung zum Führen eines Prozesses in der Grundstoffindustrie
EP1431927A1 (de) Verfahren zur Schätzung der Restlebensdauer einer Vorrichtung
EP3488948B1 (de) Verfahren zur analyse von fehlerursachen beim stranggiessen
DE10204064A1 (de) Maulweitenregelung an Segmenten für Stranggießanlagen
DE102023203745A1 (de) Verfahren zur Optimierung der Ausgangstemperaturen einer Metallschmelze wenigstens an Primär- und Sekundäraggregaten eines Schmelzbetriebs mit umlaufenden Gießpfannen

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 19970918

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): DE ES FI FR GB

GRAG Despatch of communication of intention to grant

Free format text: ORIGINAL CODE: EPIDOS AGRA

GRAG Despatch of communication of intention to grant

Free format text: ORIGINAL CODE: EPIDOS AGRA

GRAH Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOS IGRA

17Q First examination report despatched

Effective date: 19980216

GRAH Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOS IGRA

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): DE ES FI FR GB

REF Corresponds to:

Ref document number: 59600581

Country of ref document: DE

Date of ref document: 19981022

ET Fr: translation filed
GBT Gb: translation of ep patent filed (gb section 77(6)(a)/1977)

Effective date: 19981117

REG Reference to a national code

Ref country code: ES

Ref legal event code: FG2A

Ref document number: 2122805

Country of ref document: ES

Kind code of ref document: T3

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

26N No opposition filed
REG Reference to a national code

Ref country code: GB

Ref legal event code: IF02

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: FI

Payment date: 20110314

Year of fee payment: 16

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20111001

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: GB

Payment date: 20120312

Year of fee payment: 17

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: DE

Payment date: 20120518

Year of fee payment: 17

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: FI

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20120328

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: ES

Payment date: 20120404

Year of fee payment: 17

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: FR

Payment date: 20130408

Year of fee payment: 18

GBPC Gb: european patent ceased through non-payment of renewal fee

Effective date: 20130328

REG Reference to a national code

Ref country code: DE

Ref legal event code: R119

Ref document number: 59600581

Country of ref document: DE

Effective date: 20131001

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: GB

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20130328

REG Reference to a national code

Ref country code: ES

Ref legal event code: FD2A

Effective date: 20140611

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: ES

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20130329

REG Reference to a national code

Ref country code: FR

Ref legal event code: ST

Effective date: 20141128

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: FR

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20140331

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20131001