CN109885029B - 基于投影非负矩阵分解的电熔氧化镁过程故障检测方法 - Google Patents
基于投影非负矩阵分解的电熔氧化镁过程故障检测方法 Download PDFInfo
- Publication number
- CN109885029B CN109885029B CN201910189250.7A CN201910189250A CN109885029B CN 109885029 B CN109885029 B CN 109885029B CN 201910189250 A CN201910189250 A CN 201910189250A CN 109885029 B CN109885029 B CN 109885029B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- view
- statistics
- angle
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于投影非负矩阵分解的电熔氧化镁过程故障检测方法,涉及工业故障监测与诊断技术领域。该方法首先利用多个摄像头从多个视角采集同一时刻电弧炉炉面图像数据,将其灰度化,得到每个视角的图像矩阵,并将其向量化、归一化处理后的数据样本作为训练数据;然后利用数据样本,建立每个视角采集的邻域图像数据图的拉普拉斯矩阵,利用投影非负矩阵分解的方法,求得每个视角的投影矩阵;通过投影矩阵将训练样本数据从测量空间投影到低维的特征空间,并对各个视角建立两个监控统计量Nv2和SPEv,并计算其对应的控制限;最后重新采集数据进行故障检测。本发明提供的故障检测方法,不仅能大大降低误报警,还提高了故障检测的准确性。
Description
技术领域
本发明涉及工业故障监测与诊断技术领域,尤其涉及一种基于投影非负矩阵分解的电熔氧化镁过程故障检测方法。
背景技术
电熔氧化镁主要以菱镁矿为原料经电弧炉熔炼达到熔融状态冷却后形成的一种碱性耐火材料。电熔氧化镁可以用于喷补料、捣打料等辅助耐火材料及流钢口砖、镁砖、镁铬砖等特种耐火砖,也可在真空和非真空感应炉、电弧炉上做耐火炉衬,是制作氧化镁坩埚、炉胆和各种高温套管的理想原料。超高温冶金产品是中国工业发展的重大需求。与低温工业流程相比,超高温冶炼流程更加复杂,且生产条件差、安全防护措施少,气、液、固的同时存在使得喷炉、爆炸等灾难性事故极易发生。
由于电熔氧化镁冶炼在高温环境下进行,生产条件十分复杂,在该过程中仅利用单个视角进行监控,所采集到的图像数据十分有限,如果仅利用单个视角的图像数据进行建模分析,会造成信息不充分从而导致模型对电熔氧化镁冶炼过程故障诊断效果不佳。因此需要对电熔氧化镁冶炼过程进行多视角视频监控。但传统的多视角研究局限于将每个视角分开建模分别诊断,其做法忽视了多视角图像数据之间的联系,失去多视角数据固有的优势。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于投影非负矩阵分解的电熔氧化镁过程故障检测方法,实现存在多视角图像数据的情况下,达到降低误报警率的目的。
为解决上述技术问题,本发明所采取的技术方案是:基于投影非负矩阵分解的电熔氧化镁过程故障检测方法,包括以下步骤:
步骤1:采集数据;在电熔氧化镁冶炼过程中利用多个摄像头从多个视角分别采集同一时刻电弧炉炉面图像数据,并将其灰度化,得到每个视角的图像矩阵其中,v=1,…,nv,nv为视角总数,i=1,…,n,n为每个视角采集的图像数据个数;
步骤2:将步骤1得到的矩阵Xi v向量化,将每一列提取出来重新组合为一个列向量并将每个视角的n组图像组合成数据样本Xv,m=a×b,并将其归一化到0:1之间,得到归一化之后的数据样本Xv,将其作为训练样本数据;
步骤3:利用步骤2得到数据样本Xv,建立每个视角采集的邻域图像数据图的拉普拉斯矩阵Lv∈n×n,如下公式所示:
Lv=Dv-Wv
其中,0<σ<1为随机选定的参数,为第v个视角的图像数据xi的k个最近邻点的集合,k的取值为[1,n]之间的整数;图像数据中两点xi和xj的距离采用欧式距离||xi-xj||,两点之间距离越小则两点越接近;
步骤4:利用投影非负矩阵分解的方法,求得每个视角的投影矩阵Uv,具体方法为:
其中,Xs为第s个视角的数据样本,θv为第v个视角的权重,θvs为第v个视角和第s个视角之间的权重,s=1,…,nv,I为单位矩阵,α、β均为大于0小于1的实数;
为了求解该目标函数,引入不同视角的拉格朗日乘子λv,构建新的拉格朗日函数,如下公式所示:
步骤5:通过步骤4的得到的投影矩阵Uv,将训练样本数据Xv从测量空间投影到低维的特征空间,得到降维后的训练样本数据为UvTXv,并对各个视角建立新的监控统计量;用于监测各个视角特征空间变化的统计量定义为Nv2统计量,如下公式所示:
Nv2(i)=XvT(i)UvUvTXvT(i) (5)而对于各个视角的残差空间,定义各个视角的SPEv统计量来反映数据的偏离程度,SPEv统计量定义如下:
步骤6:计算两个统计量的控制限;利用核密度估计的方法,对两个统计量进行概率密度估计,提取出两个统计量的实际分布情况,通过设置显著性水平α,分别计算各个视角的训练样本的统计量的控制限Nα v2和SPEα v;
步骤7:采集新的电熔氧化镁过程中的图像,根据训练样本的统计量的控制限Nα v2和SPEα v,判断各视角所采集的数据点对应的电熔镁炉工况时刻是否发生故障,具体方法为:
采集新的电熔氧化镁过程中的图片并进行灰度化处理,并进行向量化,组成各个视角新的测试数据Yv;利用步骤4中求得的投影矩阵Uv,将测试数据从测量空间投影到低维的特征空间,降维后的矩阵为UvTYv;然后计算各个视角测试数据的Nv2和SPEv统计量,并分别与训练样本的统计量的控制限Nα v2和SPEα v相比较,如果测试数据中某视角中数据点的统计量Nv2>Nα v2或SPEv>SPEα v,则该视角所采集数据点对应的电熔镁炉工况时刻发生故障,反之,则正常。
采用上述技术方案所产生的有益效果在于:本发明提供的基于投影非负矩阵分解的电熔氧化镁过程故障检测方法,以电熔氧化镁的冶炼过程为背景,监测电熔氧化镁工业过程中的异常工况,通过结合多视角数据进行故障检测,保证了数据的一致性和互补性,解决了单视角进行故障检测时由于信息不充分从而导致模型对电熔氧化镁冶炼过程故障诊断效果不佳的问题。同时,与传统非负矩阵分解的方法相对比,该方法不仅能大大降低误报警,还提高了故障检测的准确性。
附图说明
图1为本发明实施例提供的电熔氧化镁生产过程的结构示意图;
图2为本发明实施例提供的基于投影非负矩阵分解电熔氧化镁工业过程故障检测方法的流程图;
图3为本发明实施例提供的基于第一视角采集的测试数据各统计量的故障检测图,其中,(a)为Nv2统计量的故障检测图,(b)为SPEv统计量的故障检测图;
图4为本发明实施例提供的基于第二视角采集的测试数据各统计量的故障检测图,其中,(a)为Nv2统计量的故障检测图,(b)为SPEv统计量的故障检测图;
图5为本发明实施例提供的基于第三视角采集的测试数据各统计量的故障检测图,其中,(a)为Nv2统计量的故障检测图,(b)为SPEv统计量的故障检测图;
图6为本发明实施例提供的基于第一视角采集的测试数据利用传统非负矩阵分解方法后各统计量的故障检测图,其中,(a)为Nv2统计量的故障检测图,(b)为SPEv统计量的故障检测图;
图7为本发明实施例提供的基于第二视角采集的测试数据利用传统非负矩阵分解方法后的各统计量的故障检测图,其中,(a)为Nv2统计量的故障检测图,(b)为SPEv统计量的故障检测图;
图8为本发明实施例提供的基于第三视角采集的测试数据利用传统非负矩阵分解方法后的各统计量的故障检测图,其中,(a)为Nv2统计量的故障检测图,(b)为SPEv统计量的故障检测图。
图中,1、变压器;2、短网;3、电极升降装置;4、电极;5、炉壳;6、车体;7、电弧;8、炉料。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以图1所示的电解镁炉为例,采用本发明的基于投影非负矩阵分解电熔氧化镁工业过程故障检测方法进行故障检测。该电熔镁炉包括变压器1、短网2、电极升降装置3、电极4、炉壳5、车体6、电弧7及炉料8,其主要以熔融状态下电流通过物料所产生的物料电阻热为主要热源,同时伴有电弧热,它的热量集中,能有效的将物料加热到熔点2800℃以上,有利于熔炼电熔氧化镁。
基于投影非负矩阵分解的电熔氧化镁过程故障检测方法,如图2所示,包括以下步骤:
步骤1:采集数据;在电熔氧化镁冶炼过程中利用多个摄像头从多个视角分别采集同一时刻电弧炉炉面图像数据,并将其灰度化,得到每个视角的图像矩阵其中,v=1,…,nv,nv为视角总数,i=1,…,n,n为每个视角采集的图像数据个数;
步骤2:将步骤1得到的矩阵Xi v向量化,将每一列提取出来重新组合为一个列向量并将每个视角的n组图像组合成数据样本Xv,m=a×b,并将其归一化到0∶1之间,得到归一化之后的数据样本Xv,将其作为训练样本数据;
步骤3:利用步骤2得到数据样本Xv,建立每个视角采集的邻域图像数据图的拉普拉斯矩阵Lv∈n×n,如下公式所示:
Lv=Dv-Wv
其中,0<σ<1为随机选定的参数,为第v个视角的图像数据xi的k个最近邻点的集合,k的取值为[1,n]之间的整数;图像数据中两点xi和xj的距离采用欧式距离||xi-xj||,两点之间距离越小则两点越接近;
本实施例中,选取σ=0.5,k=10,Lv∈150×150,求得的每个视角的邻域图像数据图的拉普拉斯矩阵Lv部分数据分别如表1,表2,表3所示:
表1第一视角的邻域图像数据图的拉普拉斯矩阵L1
表2第二视角的邻域图像数据图的拉普拉斯矩阵L2
表3第三视角的邻域图像数据图的拉普拉斯矩阵L3
步骤4:利用投影非负矩阵分解的方法,求得每个视角的投影矩阵Uv,具体方法为:
其中,Xs为第s个视角的数据样本,θv为第v个视角的权重,θvs为第v个视角和第s个视角之间的权重,s=1,…,nv,I为单位矩阵,α、β均为大于0小于1的实数;
本实施例中,需要3组投影向量,把每个视角维度为4800×150的样本矩阵降到3×150维。令每个视角的投影矩阵Uv∈R4800×3;本实例中,每个视角的权重相同,即不同视角之间的权重相同且α值为0.1,β值为0.55。
为了求解该目标函数,引入不同视角的拉格朗日乘子λv,构建新的拉格朗日函数,如下公式所示:
步骤5:通过步骤4的得到的投影矩阵Uv,将训练样本数据Xv从测量空间投影到低维的特征空间,得到降维后的训练样本数据为UvTXv,并对各个视角建立新的监控统计量;用于监测各个视角特征空间变化的统计量定义为Nv2统计量,如下公式所示:
Nv2(i)=XvT(i)UvUvTXvT(i) (5)
而对于各个视角的残差空间,定义各个视角的SPEv统计量来反映数据的偏离程度,SPEv统计量定义如下:
本实施例中,由上面公式可得各个视角训练数据的Nv2统计量和SPEv统计量的值的部分数据,如表4-6所示:
表4训练数据第一视角的统计量数据
表5训练数据第二视角的统计量数据
表6训练数据第三视角的统计量数据
步骤6:计算两个统计量的控制限;利用核密度估计的方法,对两个统计量进行概率密度估计,提取出两个统计量的实际分布情况,通过设置显著性水平α,分别计算各个视角的训练样本的统计量的控制限Nα v2和SPEα v;
在本实例中,核函数选择高斯核函数,采用平均积分平方误差的方法选择合适的带宽,设置显著性水平α为99%,得到训练数据各个视角的统计量的控制限如表7和表8所示:
表7训练数据各视角的统计量Nv2的控制限Nα v2
1 | 2 | 3 | |
N<sub>α</sub><sup>v2</sup> | 0.0335508053488843 | 0.00494763110077541 | 0.0232755669703771 |
表8训练数据各视角的统计量SPEv的控制限SPEα v
1 | 2 | 3 | |
SPE<sub>α</sub><sup>v</sup> | 2292.94181774313 | 853.513208638859 | 2228.18245328024 |
步骤7:采集新的电熔氧化镁过程中的图像,根据训练样本的统计量的控制限Nα v2和SPEα v,判断各视角所采集的数据点对应的电熔镁炉工况时刻是否发生故障,具体方法为:
采集新的电熔氧化镁过程中的图片并进行灰度化处理,并进行向量化,组成各个视角新的测试数据Yv;利用步骤4中求得的投影矩阵Uv,将测试数据从测量空间投影到低维的特征空间,降维后的矩阵为UvTYv;然后计算各个视角测试数据的Nv2和SPEv统计量,并分别与训练样本的统计量的控制限Nα v2和SPEα v相比较,如果测试数据中某视角中数据点的统计量Nv2>Nα v2或SPEv>SPEα v,则该视角所采集数据点对应的电熔镁炉工况时刻发生故障,反之,则正常。
本实施例中,各个视角的部分测试数据的Nv2统计量和SPEv统计量如表9、表10、表11所示,基于各个视角采集的测试数据各统计量的故障检测结果如图3、图4和图5所示。
表9测试数据第一视角的统计量
表10测试数据第二视角的统计量
表11测试数据第三视角的统计量
另外,实施例提供了采集的各视角测试数据利用基于传统非负矩阵分解算法计算的各统计量的故障检测结果如图6、图7和图8所示,用于与本发明方法做对比实验。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种基于投影非负矩阵分解的电熔氧化镁过程故障检测方法,其特征在于:包括以下步骤:
步骤1:采集数据;在电熔氧化镁冶炼过程中利用多个摄像头从多个视角分别采集同一时刻电弧炉炉面图像数据,并将其灰度化,得到每个视角的图像矩阵其中,v=1,…,nv,nv为视角总数,i=1,…,n,n为每个视角采集的图像数据个数;
步骤2:将步骤1得到的矩阵向量化,将每一列提取出来重新组合为一个列向量并将每个视角的n组图像组合成数据样本Xv,m=a×b,并将其归一化到0:1 之间,得到归一化之后的数据样本Xv,将其作为训练样本数据;
步骤3:利用步骤2得到数据样本Xv,建立每个视角采集的邻域图像数据图的拉普拉斯矩阵Lv∈Rn×n;
步骤4:利用投影非负矩阵分解的方法,求得每个视角的投影矩阵Uv;
步骤5:通过步骤4的得到的投影矩阵Uv,将训练样本数据Xv从测量空间投影到低维的特征空间,得到降维后的训练样本数据为UvTXv,并对各个视角建立两个监控统计量Nv2和SPEv;
步骤6:计算两个统计量的控制限;利用核密度估计的方法,对两个统计量进行概率密度估计,提取出两个统计量的实际分布情况,通过设置显著性水平α,分别计算各个视角的训练样本的统计量的控制限Nα v2和SPEα v;
步骤7:采集新的电熔氧化镁过程中的图像,根据训练样本的统计量的控制限Nα v2和SPEα v,判断各视角所采集的数据点对应的电熔镁炉工况时刻是否发生故障;
步骤3所述拉普拉斯矩阵Lv∈Rn×n如下公式所示:
Lv=Dv-Wv
其中,0<σ<1为随机选定的参数,为第v个视角的图像数据xi的k个最近邻点的集合,k的取值为[1,n]之间的整数;图像数据中两点xi和xj的距离采用欧式距离||xi-xj||,两点之间距离越小则两点越接近;
所述步骤4的具体方法为:
其中,Xs为第s个视角的数据样本,θv为第v个视角的权重,θvs为第v个视角和第s个视角之间的权重,s=1,…,nv,I为单位矩阵,α、β均为大于0小于1的实数;
为了求解该目标函数,引入不同视角的拉格朗日乘子λv,构建新的拉格朗日函数,如下公式所示:
3.根据权利要求2所述的基于投影非负矩阵分解的电熔氧化镁过程故障检测方法,其特征在于:所述步骤7的具体方法为:
采集新的电熔氧化镁过程中的图片并进行灰度化处理,并进行向量化,组成各个视角新的测试数据Yv;利用步骤4中求得的投影矩阵Uv,将测试数据从测量空间投影到低维的特征空间,降维后的矩阵为UvTYv;然后计算各个视角测试数据的Nv2和SPEv统计量,并分别与训练样本的统计量的控制限Nα v2和SPEα v相比较,如果测试数据中某视角中数据点的统计量Nv2>Nα v2或SPEv>SPEα v,则该视角所采集的数据点对应的电熔镁炉工况时刻发生故障,反之,则正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910189250.7A CN109885029B (zh) | 2019-03-13 | 2019-03-13 | 基于投影非负矩阵分解的电熔氧化镁过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910189250.7A CN109885029B (zh) | 2019-03-13 | 2019-03-13 | 基于投影非负矩阵分解的电熔氧化镁过程故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109885029A CN109885029A (zh) | 2019-06-14 |
CN109885029B true CN109885029B (zh) | 2021-07-06 |
Family
ID=66932131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910189250.7A Active CN109885029B (zh) | 2019-03-13 | 2019-03-13 | 基于投影非负矩阵分解的电熔氧化镁过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109885029B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033690B (zh) * | 2021-04-07 | 2024-04-02 | 东北大学 | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093248A (zh) * | 2013-01-28 | 2013-05-08 | 中国科学院自动化研究所 | 一种基于多视角学习的半监督图像分类方法 |
CN104778706A (zh) * | 2015-04-21 | 2015-07-15 | 西安电子科技大学 | 基于非负矩阵分解的异常检测方法及其装置 |
CN104793604A (zh) * | 2015-04-10 | 2015-07-22 | 浙江大学 | 一种基于主成分追踪的工业故障监测方法及应用 |
CN105676833A (zh) * | 2015-12-21 | 2016-06-15 | 海南电力技术研究院 | 发电过程控制系统故障检测方法 |
CN107861492A (zh) * | 2017-09-25 | 2018-03-30 | 湖州师范学院 | 一种基于裕度统计量的广义非负矩阵分解故障监测方法 |
CN107976992A (zh) * | 2017-11-29 | 2018-05-01 | 东北大学 | 基于图半监督支持向量机的工业过程大数据故障监测方法 |
CN109298633A (zh) * | 2018-10-09 | 2019-02-01 | 郑州轻工业学院 | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10425291B2 (en) * | 2015-01-27 | 2019-09-24 | Moogsoft Inc. | System for decomposing events from managed infrastructures with prediction of a networks topology |
-
2019
- 2019-03-13 CN CN201910189250.7A patent/CN109885029B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093248A (zh) * | 2013-01-28 | 2013-05-08 | 中国科学院自动化研究所 | 一种基于多视角学习的半监督图像分类方法 |
CN104793604A (zh) * | 2015-04-10 | 2015-07-22 | 浙江大学 | 一种基于主成分追踪的工业故障监测方法及应用 |
CN104778706A (zh) * | 2015-04-21 | 2015-07-15 | 西安电子科技大学 | 基于非负矩阵分解的异常检测方法及其装置 |
CN105676833A (zh) * | 2015-12-21 | 2016-06-15 | 海南电力技术研究院 | 发电过程控制系统故障检测方法 |
CN107861492A (zh) * | 2017-09-25 | 2018-03-30 | 湖州师范学院 | 一种基于裕度统计量的广义非负矩阵分解故障监测方法 |
CN107976992A (zh) * | 2017-11-29 | 2018-05-01 | 东北大学 | 基于图半监督支持向量机的工业过程大数据故障监测方法 |
CN109298633A (zh) * | 2018-10-09 | 2019-02-01 | 郑州轻工业学院 | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 |
Non-Patent Citations (3)
Title |
---|
Constrained Non-negative Matrix Factorization with Graph Laplacian;Pan chen 等;《lecture notes in computer science》;20151231;第635-644页 * |
Fault Monitoring Based on Adaptive Partition Non-Negative Matrix Factorization for Non-Gaussian Processes;YAN WANG 等;《IEEE》;20190226;第7卷;第32783-32795页 * |
基于GPNMF的工业过程故障检测;牛玉广 等;《系统仿真学报》;20180228;第30卷(第2期);第521-532页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109885029A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017210894A1 (zh) | 基于运行视频信息的一种电弧炉故障监测方法 | |
CN107065828B (zh) | 基于知识数据的半监督核判别分析故障诊断方法 | |
CN107817745B (zh) | 基于丛流形核线性判别分析的工业过程故障监测方法 | |
CN107748901B (zh) | 基于相似性局部样条回归的工业过程故障诊断方法 | |
CN105404867B (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
CN109885029B (zh) | 基于投影非负矩阵分解的电熔氧化镁过程故障检测方法 | |
CN108181891A (zh) | 基于智能核主元分析的工业大数据故障诊断方法 | |
CN104898646A (zh) | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 | |
CN103384805A (zh) | 一种电弧炉运行故障检测装置与方法 | |
CN109961428B (zh) | 基于流形的非负矩阵分解电熔氧化镁工业故障检测方法 | |
He et al. | Detection and fault diagnosis of power transmission line in infrared image | |
CN104914854B (zh) | 一种基于kpca的工业过程故障诊断方法 | |
CN115790859A (zh) | 一种异常电解工况识别方法 | |
CN106599450A (zh) | 基于先验知识的核灵活流形嵌入电熔镁炉故障监测方法 | |
CN103995515A (zh) | 一种基于公共子空间分离的电熔镁炉运行故障检测方法 | |
CN109978031B (zh) | 基于图像特征回归的多视角流形分析故障诊断方法 | |
CN109885032B (zh) | 基于邻域投影保持的异构数据协同建模工业故障检测方法 | |
CN109885028B (zh) | 基于相关熵诱导度量的电熔氧化镁熔炼过程故障检测方法 | |
CN117549795A (zh) | 一种锂电池过热保护系统及方法 | |
CN108492292B (zh) | 基于红外图像处理的导线散股检测方法 | |
CN112465797A (zh) | 一种电缆终端热状态智能诊断方法及系统 | |
CN112633292A (zh) | 一种金属表面氧化层温度测量方法 | |
Zhu et al. | A novel non-contact and real-time blast furnace stockline detection method based on burden surface video streams | |
CN109885030B (zh) | 基于协同建模流形降维的氧化镁冶炼过程故障监测方法 | |
US20230358475A1 (en) | System and method for monitoring and controlling furnaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |