CN110517240B - 一种连铸机状态判断方法及装置 - Google Patents
一种连铸机状态判断方法及装置 Download PDFInfo
- Publication number
- CN110517240B CN110517240B CN201910777816.8A CN201910777816A CN110517240B CN 110517240 B CN110517240 B CN 110517240B CN 201910777816 A CN201910777816 A CN 201910777816A CN 110517240 B CN110517240 B CN 110517240B
- Authority
- CN
- China
- Prior art keywords
- continuous casting
- casting machine
- photo
- data
- vibration
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30116—Casting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Continuous Casting (AREA)
Abstract
本发明提供了一种连铸机状态判断方法及装置,涉及连续铸钢技术领域,所述方法包括:调用摄像头对连铸环境进行拍照获得环境照片;将所述环境照片输入到模型中确定连铸机是否稳定振动,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识环境照片中连铸机不稳定振动的第二标签;在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息,达到了智能化程度高,避免出现安全事故,保证连铸坯质量可靠性的技术效果。
Description
技术领域
本发明涉及连续铸钢技术领域,尤其涉及一种连铸机状态判断方法及装置。
背景技术
把高温钢水连续不断地浇铸成具有一定断面形状和一定尺寸规格铸坯的生产工艺过程叫做连续铸钢。完成这一过程所需的设备叫连铸成套设备。浇钢设备、连铸机本体设备、切割区域设备、引锭杆收集及输送设备的机电液一体化构成了连续铸钢核心部位设备,习惯上称为连铸机。由于连铸生产工况恶劣,生产过程中连铸机的运行状态会发生变化,从而会影响连铸坯表面质量。甚至会造成漏钢,漏钢事故是最严重的事故之一,漏钢会对连铸机设备造成不同程度的损坏,对产量、成本费用等造成较大的影响。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,连铸机的振动不稳定会对铸坯质量产生影响,严重时甚至会使得振动设备损坏,给连铸机生产带来经济损失。
发明内容
本发明实施例通过提供一种连铸机状态判断方法及装置,解决了现有技术中连铸机的振动不稳定会对铸坯质量产生影响,严重时甚至会使得振动设备损坏,给连铸机生产带来经济损失的技术问题,达到了智能化程度高,能够快速判断连铸机是否处于最佳运行状态,避免出现安全事故,保证连铸坯表面质量可靠性的技术效果。
鉴于上述问题,提出了本申请实施例以便提供一种连铸机状态判断方法及装置。
第一方面,本发明提供了一种连铸机状态判断方法,所述方法包括:调用摄像头对连铸环境进行拍照获得环境照片;将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
优选的,所述调用摄像头对连铸环境进行拍照获得环境照片,包括:当所述环境照片中不包含连铸机时,将所述环境照片删除。
优选的,所述调用摄像头对连铸环境进行拍照获得环境照片,包括:获得预设清晰度阈值;判断所述照片的清晰度是否满足所述预设清晰度阈值;当不满足所述预设清晰度阈值时,采用清晰度处理器对所述照片进行色素清晰度处理。
优选的,所述第一类数据组的每组数据均包括标识所述环境照片中连铸机稳定振动的第一标签,包括:获得所述连铸机的稳定振动标准;根据所述稳定振动标准,获得标识所述环境照片中连铸机稳定振动的第一标签;将所述第一标签作为标准化数据,输入至所述每一组训练数据中。
优选的,所述在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息,包括:获得所述连铸机的振频预设阈值;根据所述振频预设阈值,判断所述照片中对应的连铸机的振频是否满足所述振频预设阈值;当满足所述振频预设阈值时,向工作人员发送提示信息。
优选的,还包括:当不满足所述振频预设阈值时,停止所述连铸机的运行。
第二方面,本发明提供了一种连铸机状态判断装置,所述装置包括:第一获得单元,所述第一获得单元用于调用摄像头对连铸环境进行拍照获得环境照片;第一输入单元,所述第一输入单元用于将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;第一发送单元,所述第一发送单元用于在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
优选的,所述装置还包括:
第一删除单元,所述第一删除单元用于当所述环境照片中不包含连铸机时,将所述环境照片删除。
优选的,所述装置还包括:
第二获得单元,所述第二获得单元用于获得预设清晰度阈值;
第一判断单元,所述第一判断单元用于判断所述照片的清晰度是否满足所述预设清晰度阈值;
第一处理单元,所述第一处理单元用于当不满足所述预设清晰度阈值时,采用清晰度处理器对所述照片进行色素清晰度处理。
优选的,所述装置还包括:
第三获得单元,所述第三获得单元用于获得所述连铸机的稳定振动标准;
第四获得单元,所述第四获得单元用于根据所述稳定振动标准,获得标识所述环境照片中连铸机稳定振动的第一标签;
第二输入单元,所述第二输入单元用于将所述第一标签作为标准化数据,输入至所述每一组训练数据中。
优选的,所述装置还包括:
第五获得单元,所述第五获得单元用于获得所述连铸机的振频预设阈值;
第二判断单元,所述第二判断单元用于根据所述振频预设阈值,判断所述照片中对应的连铸机的振频是否满足所述振频预设阈值;
第二发送单元,所述第二发送单元用于当满足所述振频预设阈值时,向工作人员发送提示信息。
优选的,所述装置还包括:
第一停止单元,所述第一停止单元用于当不满足所述振频预设阈值时,停止所述连铸机的运行。
第三方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:调用摄像头对连铸环境进行拍照获得环境照片;将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
第四方面,本发明提供了另一种连铸机状态判断装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:调用摄像头对连铸环境进行拍照获得环境照片;将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本申请实施例提供了一种连铸机状态判断方法及装置,所述方法包括:调用摄像头对连铸环境进行拍照获得环境照片;进一步的,将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息,这样可以将连铸机的工作状态及时告知工作人员,从而解决了现有技术中连铸机的振动不稳定会对铸坯质量产生影响,严重时甚至会使得振动设备损坏,给连铸机生产带来经济损失的技术问题,达到了智能化程度高,能够快速判断连铸机是否处于最佳运行状态,避免出现安全事故,保证连铸坯表面质量可靠性的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种连铸机状态判断方法的流程示意图;
图2为本发明实施例中一种连铸机状态判断装置的结构示意图;
图3为本发明实施例中另一种连铸机状态判断装置的结构示意图。
附图标号说明:总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例提供了一种连铸机状态判断方法及装置,通过调用摄像头对连铸环境进行拍照获得环境照片;将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息,从而解决了现有技术中连铸机的振动不稳定会对铸坯质量产生影响,严重时甚至会使得振动设备损坏,给连铸机生产带来经济损失的技术问题,达到了智能化程度高,能够快速判断连铸机是否处于最佳运行状态,避免出现安全事故,保证连铸坯表面质量可靠性的技术效果。
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
实施例一
图1为本发明实施例一种连铸机状态判断方法的流程示意图,如图1所示,所述方法包括:
步骤110:调用摄像头对连铸环境进行拍照获得环境照片。
进一步的,所述调用摄像头对连铸环境进行拍照获得环境照片,包括:当所述环境照片中不包含连铸机时,将所述环境照片删除。
进一步的,所述调用摄像头对连铸环境进行拍照获得环境照片,包括:获得预设清晰度阈值;判断所述照片的清晰度是否满足所述预设清晰度阈值;当不满足所述预设清晰度阈值时,采用清晰度处理器对所述照片进行色素清晰度处理。
具体而言,连铸是指将装有精炼好钢水的钢包运至回转台,回转台转动到浇注位置后,将钢水注入中间包,中间包再由水口将钢水分配到各个结晶器中去。结晶器是连铸机的核心设备之一,它使铸件成形并迅速凝固结晶。拉矫机与结晶振动装置共同作用,将结晶器内的铸件拉出,经冷却、电磁搅拌后,切割成一定长度的板坯。在本实施例中,环境照片即为对于连铸现场拍摄得到的照片,通过一监控设备即摄像头可以获取到环境照片,进一步的,还需要对该环境照片是否满足一定的要求进行判断,首先,需要判断环境照片中是否存在连铸机,当不存在连铸机的时候,则说明该环境照片是不符合要求的,因此,需要将该照片进行删除,而当环境照片中存在连铸机的时候,需要进一步判断该照片是否满足要求,即对照片的清晰度进行判断,也就是判断该照片的清晰度是否满足预设条件,具体的判断逻辑为:首先需要获得预设的清晰度阈值,进而将该照片的清晰度与清晰度阈值进行比较,当该照片的清晰度满足了清晰度阈值时,则进行后续工作即可,该照片的清晰度不满足清晰度阈值时,也就是说该照片的清晰度不够高的时候,则需要采用一定的处理方法对该照片的清晰度进行处理,本实施例中采用的是清晰度处理器来处理该照片,以使得该照片的清晰度能够满足使用要求。
步骤120:将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签。
具体而言,当获取到满足要求的环境的照片之后,接着即可将该环境照片输入至训练模型中,本实施例中的训练模型是通过采用多组数据利用机器学习训练得出的,其中,机器学习是实现人工智能的一种途径,它和数据挖掘有一定的相似性,也是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。对比于数据挖掘从大数据之间找相互特性而言,机器学习更加注重算法的设计,让计算机能够白动地从数据中“学习”规律,并利用规律对未知数据进行预测。在本实施例中,在获取到满足要求的环境的照片之后,然后即可将拍摄到的环境照片输入到模型中去,进而判断连铸机的工作状态是否正常。同时,在多组数据中的每组数据均包括第一类数据组和第二类数据组,第一类数据组和第二类数据组中的数据不同,其中,第一类数据组的每组数据均包括连铸机稳定振动的照片和标识环境照片中连铸机稳定振动的第一标签,第二类数据组的每组数据均包括连铸机不稳定振动的照片和标识环境照片中连铸机不稳定振动的第二标签,即第一标签为表示连铸机稳定振动的信息,第一类数据组中包括了连铸机稳定振动的照片以及表示连铸机稳定振动信息的第一标签,第二标签为表示连铸机不稳定振动的信息,第二类数据组中包括了连铸机不稳定振动的照片以及表示连铸机不稳定振动信息的第二标签。
进一步的,所述方法还包括:所述第一类数据组的每组数据均包括标识所述环境照片中连铸机稳定振动的第一标签,包括:获得所述连铸机的稳定振动标准;根据所述稳定振动标准,获得标识所述环境照片中连铸机稳定振动的第一标签;将所述第一标签作为标准化数据,输入至所述每一组训练数据中。
具体而言,第一标签代表着对应的连铸机稳定振动的信息,在得到连铸机稳定振动的信息时,具体的操作步骤为:首先需要得到在连铸过程中,对于当前的生产而言,连铸机自身的稳定振动标准,本实施例中对该稳定振动标准不做具体限制,换句话说,在实际工作中,稳定振动标准可以根据现场情况进行设定,即由于连铸设备的不同,连铸工艺要求的不同等条件限制,对于不同要求的连铸机的稳定振动标准也随时存在差异;进一步的,在得到连铸机稳定振动标准之后,才能够进一步对对应的连铸钢的振动稳定与否进行判断,也就是说,根据稳定振动标准即可得到对应的连铸机的第一标签,然后可将该第一标签作为标准化数据,输入到每一组的训练数据中,作为后续判断出来的依据。在实际应用时,将该标准化数据与待判断的照片进行比较,经过模型处理之后最终将会输出第一标签或者是第二标签。
步骤130:在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
具体而言,在将环境照片输入到模型中确定连铸机是否稳定振动之后,此时模型会根据相关算法进行计算,然后再输出相应的信息,举例而言,当输入到模型中的环境照片,经处理之后输出信息为连铸机稳定振动时,则模型会输出该连铸机稳定振动的第一标签信息,反之,当输入到模型中的环境照片,经处理之后输出信息为连铸机不稳定振动时,则模型会输出该连铸机不稳定振动的第二标签信息,因此,在连铸机稳定振动的情况下,则需要将该信息反馈给操作现场的工作人员,以提示他们可以按照目前的参数继续工作,同时也可以让工作人员及时掌握连铸机的工作状态,可以根据需要进行下一步的工作,反之,在连铸机不稳定振动的情况下,也需要将不稳定振动的信息反馈给工作人员,以提醒他们及时处理,避免出现安全事故,对生产造成影响,影响企业的产能。
进一步的,所述在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息,包括:获得所述连铸机的振频预设阈值;根据所述振频预设阈值,判断所述照片中对应的连铸机的振频是否满足所述振频预设阈值;当满足所述振频预设阈值时,向工作人员发送提示信息。
进一步的,还包括:当不满足所述振频预设阈值时,停止所述连铸机的运行。
具体而言,振动频率是物体每秒钟内振动循环的次数,国际单位是赫兹Hz。频率是振动特性的标志,是分析振动原因的重要依据。振动频率表示物体振动的快慢,振动频率越高,振荡越快,振动频率越低,振荡越慢。在判断连铸机的振频是否满足要求的时候,具体的判断逻辑为:首先,需要获得连铸机的振频预设阈值,然后将该振频预设阈值与照片中的连铸机的振频进行比较,进而判断得出照片中对应的连铸机的振频是否满足所述振频预设阈值;当照片中对应的连铸机的振频满足振频预设阈值时,则接着向工作人员发送提示信息,也就是将当前的连铸机的工作中状态告知给工作人员,以使工作人员能够及时的了解现场的生产情况,当照片中对应的连铸机的振频不满足振频预设阈值时,此时需要向工作人员发送报警信息,以提醒工作人员及时停止连铸机的运行,避免安全事故的发生。举例而言,当连铸机的振频预设阈值范围为260~280Hz时,如果照片中对应的连铸机的振频230Hz,则说明连铸机的当前的振动频率低于振频预设阈值,是不满足要求的,此时需要将该情况反馈给工作人员,以使得工作人员能够尽快进行处理;如果照片中对应的连铸机的振频300Hz,则说明连铸机的当前的振动高于振频预设阈值,是不满足要求的,此时需要将该情况反馈给工作人员,以使得工作人员能够尽快进行处理;如果照片中对应的连铸机的振频270Hz,则说明连铸机的当前的振动是满足要求的,此时需要将该情况反馈给工作人员,告知工作人员连铸现场的工作状态,以使得工作人员能够及时掌握连铸现场的生产状态。因此,本实施例利用人工智能技术判定连铸机是否处于最佳运行状态,从而保证了连铸坯表面质量,对于钢铁企业发展高效连铸,降低连铸自动化成本,提高连铸自动化水平具有重要意义。
实施例二
基于与前述实施例中一种连铸机状态判断方法同样的发明构思,本发明还提供一种连铸机状态判断装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于调用摄像头对连铸环境进行拍照获得环境照片。
第一输入单元12,所述第一输入单元12用于将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签。
第一发送单元13,所述第一发送单元13用于在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
进一步的,所述装置还包括:
第一删除单元,所述第一删除单元用于当所述环境照片中不包含连铸机时,将所述环境照片删除。
进一步的,所述装置还包括:
第二获得单元,所述第二获得单元用于获得预设清晰度阈值。
第一判断单元,所述第一判断单元用于判断所述照片的清晰度是否满足所述预设清晰度阈值。
第一处理单元,所述第一处理单元用于当不满足所述预设清晰度阈值时,采用清晰度处理器对所述照片进行色素清晰度处理。
进一步的,所述装置还包括:
第三获得单元,所述第三获得单元用于获得所述连铸机的稳定振动标准;
第四获得单元,所述第四获得单元用于根据所述稳定振动标准,获得标识所述环境照片中连铸机稳定振动的第一标签;
第二输入单元,所述第二输入单元用于将所述第一标签作为标准化数据,输入至所述每一组训练数据中。
进一步的,所述装置还包括:
第五获得单元,所述第五获得单元用于获得所述连铸机的振频预设阈值;
第二判断单元,所述第二判断单元用于根据所述振频预设阈值,判断所述照片中对应的连铸机的振频是否满足所述振频预设阈值;
第二发送单元,所述第二发送单元用于当满足所述振频预设阈值时,向工作人员发送提示信息。
进一步的,所述装置还包括:
第一停止单元,所述第一停止单元用于当不满足所述振频预设阈值时,停止所述连铸机的运行。
前述图1实施例1中的一种连铸机状态判断方法的各种变化方式和具体实例同样适用于本实施例的一种连铸机状态判断装置,通过前述对一种连铸机状态判断方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种连铸机状态判断装置的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
基于与前述实施例中一种连铸机状态判断方法同样的发明构思,本发明还提供另一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种连铸机状态判断方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本申请实施例提供了一种连铸机状态判断方法及装置,所述方法包括:调用摄像头对连铸环境进行拍照获得环境照片;进一步的,将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息,这样可以将连铸机的工作状态及时告知工作人员,从而解决了现有技术中连铸机的振动不稳定会对铸坯质量产生影响,严重时甚至会使得振动设备损坏,给连铸机生产带来经济损失的技术问题,达到了智能化程度高,能够快速判断连铸机是否处于最佳运行状态,避免出现安全事故,保证连铸坯表面质量可靠性的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种连铸机状态判断方法,其特征在于,所述方法包括:
调用摄像头对连铸环境进行拍照获得环境照片;
将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;
在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息;
所述第一类数据组的每组数据均包括标识所述环境照片中连铸机稳定振动的第一标签,包括:
获得所述连铸机的稳定振动标准;
根据所述稳定振动标准,获得标识所述环境照片中连铸机稳定振动的第一标签;
将所述第一标签作为标准化数据,输入至每一组训练数据中;
所述在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息,包括:
获得所述连铸机的振频预设阈值;
根据所述振频预设阈值,判断所述照片中对应的连铸机的振频是否满足所述振频预设阈值;
当满足所述振频预设阈值时,向工作人员发送提示信息。
2.如权利要求1所述的方法,其特征在于,所述调用摄像头对连铸环境进行拍照获得环境照片,包括:
当所述环境照片中不包含连铸机时,将所述环境照片删除。
3.如权利要求1所述的方法,其特征在于,所述调用摄像头对连铸环境进行拍照获得环境照片,包括:
获得预设清晰度阈值;
判断所述照片的清晰度是否满足所述预设清晰度阈值;
当不满足所述预设清晰度阈值时,采用清晰度处理器对所述照片进行色素清晰度处理。
4.如权利要求1所述的方法,其特征在于,还包括:
当不满足所述振频预设阈值时,停止所述连铸机的运行。
5.一种连铸机状态判断装置,其特征在于,所述装置包括:
第一获得单元,所述第一获得单元用于调用摄像头对连铸环境进行拍照获得环境照片;
第一输入单元,所述第一输入单元用于将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;
第一发送单元,所述第一发送单元用于在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
调用摄像头对连铸环境进行拍照获得环境照片;
将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;
在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
7.一种连铸机状态判断装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
调用摄像头对连铸环境进行拍照获得环境照片;
将所述环境照片输入到模型中确定连铸机是否稳定振动,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括第一类数据组和第二类数据组,所述第一类数据组的每组数据均包括:连铸机稳定振动的照片,标识所述环境照片中连铸机稳定振动的第一标签;所述第二类数据组的每组数据均包括:连铸机不稳定振动的照片,标识所述环境照片中连铸机不稳定振动的第二标签;
在所述照片中连铸机稳定振动的情况下,向工作人员发送提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777816.8A CN110517240B (zh) | 2019-08-22 | 2019-08-22 | 一种连铸机状态判断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777816.8A CN110517240B (zh) | 2019-08-22 | 2019-08-22 | 一种连铸机状态判断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517240A CN110517240A (zh) | 2019-11-29 |
CN110517240B true CN110517240B (zh) | 2022-06-03 |
Family
ID=68627320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910777816.8A Active CN110517240B (zh) | 2019-08-22 | 2019-08-22 | 一种连铸机状态判断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517240B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113319259B (zh) * | 2021-06-07 | 2022-09-20 | 东北电力大学 | 一种基于空间-时序特征的黏结漏钢逻辑判断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6487504B1 (en) * | 1999-04-03 | 2002-11-26 | Sms Schloemann-Siemag Aktiengesellschaft | Method of determining the friction between strand shell and mold during continuous casting |
CN102527968A (zh) * | 2012-03-04 | 2012-07-04 | 杭州谱诚泰迪实业有限公司 | 一种连铸结晶器振动的激光检测方法及装置 |
CN108731788A (zh) * | 2018-05-22 | 2018-11-02 | 河海大学常州校区 | 一种高空作业臂低频振动视觉检测装置及方法 |
CN108921841A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 钢铁连铸坯质量检测方法、装置、设备及存储介质 |
-
2019
- 2019-08-22 CN CN201910777816.8A patent/CN110517240B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6487504B1 (en) * | 1999-04-03 | 2002-11-26 | Sms Schloemann-Siemag Aktiengesellschaft | Method of determining the friction between strand shell and mold during continuous casting |
CN102527968A (zh) * | 2012-03-04 | 2012-07-04 | 杭州谱诚泰迪实业有限公司 | 一种连铸结晶器振动的激光检测方法及装置 |
CN108731788A (zh) * | 2018-05-22 | 2018-11-02 | 河海大学常州校区 | 一种高空作业臂低频振动视觉检测装置及方法 |
CN108921841A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 钢铁连铸坯质量检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
连铸过程可视化及漏钢预报方法研究与应用;刘宇;《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》;20160315;摘要、正文第94页第2段、88页第1段-90页最后1段、附图6.1 * |
Also Published As
Publication number | Publication date |
---|---|
CN110517240A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517240B (zh) | 一种连铸机状态判断方法及装置 | |
JP7292355B2 (ja) | 車両整列情報を特定する方法及び装置、電子機器、路側機器、クラウド制御プラットフォーム、記憶媒体並びにコンピュータプログラム製品 | |
CN115988866B (zh) | 一种基于机器视觉的nfc lami加工控制方法及系统 | |
CN105234951A (zh) | 一种智能化引导式机械手视觉系统及其工作方法 | |
CN117161582B (zh) | 一种基于计算机视觉的激光切割方法 | |
CN111950935A (zh) | 一种安全施工的智慧管理方法和装置 | |
JP6904157B2 (ja) | 操業スケジュール作成方法、装置及びプログラム | |
JP2017097631A (ja) | 工作機械の稼働監視装置 | |
CN116595314A (zh) | 一种数据标注方法及系统 | |
CN113033475B (zh) | 目标对象追踪方法、相关装置及计算机程序产品 | |
CN112620602B (zh) | 钢包剩钢量的控制方法、装置及存储介质 | |
CN107256045A (zh) | 大体积混凝土智能温控的方法及装置 | |
CN112024840A (zh) | 一种铸坯生产控制方法及装置 | |
CN114721692A (zh) | 自动驾驶模型的升级系统、方法及装置 | |
CN104841902B (zh) | 一种快速更换中间包期间铸坯生产计划的优化装置及方法 | |
Ansari et al. | Neural Network Based Breakout Predicting System for All Four Strands of Caster in a Continuous Casting Shop—A Case Study | |
JP2007133700A (ja) | 設計支援方法 | |
CN116618597B (zh) | 一种基于混合整数规划的连铸切割优化方法及系统 | |
CN110244732A (zh) | 用于自动行驶的变道方法、装置、电子设备及存储介质 | |
US11020799B2 (en) | Marking method and marking device for casting | |
Aksyonov et al. | The use of simulation in the management of converter production logistics processes | |
US20230305564A1 (en) | Efficient event-driven object detection at the forklifts at the edge in warehouse environments | |
CN114708298A (zh) | 一种基于局部方向特征和关联矩阵的金属模具跟踪方法 | |
CN117492415A (zh) | 环锻件的智能制造方法、装置、设备及存储介质 | |
CN116700248A (zh) | 一种智能网联车辆轨迹规划方法、装置、设备及介质 |
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 |