CN111650903B - 一种基于视觉识别的钢包底吹氩智能控制系统 - Google Patents
一种基于视觉识别的钢包底吹氩智能控制系统 Download PDFInfo
- Publication number
- CN111650903B CN111650903B CN202010449878.9A CN202010449878A CN111650903B CN 111650903 B CN111650903 B CN 111650903B CN 202010449878 A CN202010449878 A CN 202010449878A CN 111650903 B CN111650903 B CN 111650903B
- Authority
- CN
- China
- Prior art keywords
- argon
- argon blowing
- ladle
- gas supply
- module
- 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
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 title claims abstract description 408
- 229910052786 argon Inorganic materials 0.000 title claims abstract description 204
- 238000007664 blowing Methods 0.000 title claims abstract description 142
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 229910000831 Steel Inorganic materials 0.000 title claims description 81
- 239000010959 steel Substances 0.000 title claims description 81
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 239000007789 gas Substances 0.000 claims description 83
- 239000002893 slag Substances 0.000 claims description 61
- 238000003756 stirring Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000009628 steelmaking Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 239000011449 brick Substances 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000010230 functional analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000002436 steel type Substances 0.000 description 4
- 238000007670 refining Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000007872 degassing Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- -1 weight Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
- C21C7/04—Removing impurities by adding a treating agent
- C21C7/072—Treatment with gases
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明公开了一种基于视觉识别的钢包底吹氩智能控制系统，属于钢铁冶金自动化控制领域，该系统不仅可以实时识别钢包渣面，实现对氩气搅拌效果自动定量检测，而且将自适应控制应用于底吹控制中，可以大大减少钢包底吹氩过程中非线性和不确定性对控制的影响，实现对氩气精准自动调控。此外，通过深度学习可以对钢包底吹氩控制过程中的智能调控模型及控制、主要变量状态估计、误差分析、故障诊断等进行实时预测感知，从而实现对吹氩工艺及控制的智能预测。
Description
技术领域
本发明属于钢铁冶金自动化控制领域，更具体地，涉及一种基于视觉识别的钢包底吹氩智能控制系统。
背景技术
炉外精炼已经成为现代化钢厂工艺生产过程的重要组成部分，它是生产纯净钢和保证连铸顺利进行的重要手段。钢包底吹氩系统由于其设备简单、操作成本低、精炼效果好，是目前国内外采用最广泛的一种炉外精炼方法，其不仅能有效均匀钢液成分和温度，还能去除钢液中的夹杂物，提高钢液质量。吹氩流量过大会吹穿液面而发生喷溅，致使钢水裸露氧化，夹杂物增加；流量过小，又不能快速地搅拌，影响脱气、去除夹杂物的能力。因此，对氩气流量压力的控制效果直接影响钢水的纯净度、质量和生产成本。
目前，大多数钢厂钢包底吹氩流量控制采用手动，易受操作工熟练程度和外界环境(压力、温度)及其钢包的透气砖堵塞、管道漏气等因素的影响，常出现吹氩失控现象，致使钢中杂质增多、质量下降、冶炼时间延长等。
为了克服上述吹氩人工操作的缺点，提高钢包底吹氩流量控制精度和自动化水平，改善钢水质量，降低工序成本。国内工程技术人员也成功地开发出了一些钢包在线底吹氩自动控制系统和工艺装备，并成功应用于钢水底吹氩生产现场中，其钢水质量得到了显著改善。但现有钢包底吹氩技术还存在如下问题：
1现有吹氩工艺根据不同阶段固化吹氩压力和流量，但由于每个钢包实际透气性不一样，并有可能存在管路漏气现象，因此不可能用标准的流量、压力来实现不同冶金功能下的精确底吹氩搅拌控制；
2现有氩气流量控制采用人工手动调节的方式居多，虽然也有一些自动调节系统应用于生产，但钢包底吹氩搅拌过程是一个存在耦合的多输入多输出的非线性对象，包含高温气体与液体之间的复杂的物理化学反应，采用模糊、PID等常规控制方法已很难满足吹氩搅拌的控制需求，导致精确调控比较困难；
3现有底吹氩搅拌控制效果主要通过人工观察，根据人工经验手动调整氩气流量或修改氩气工艺参数，操作效率很低，而且实际的搅拌效果也不稳定。目前缺少直接有效的搅拌效果检测分析方法。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于视觉识别的钢包底吹氩智能控制系统，由此解决现有钢包底吹氩控制方法存在一定局限性的技术问题。
为实现上述目的，本发明提供了一种基于视觉识别的钢包底吹氩智能控制系统，包括：钢包底吹氩装置、图像采集装置、吹氩L1控制装置、数据接口、炼钢二级装置和吹氩智能控制二级装置；
所述钢包底吹氩装置包括钢包和供气系统，所述钢包是用来装运液态钢水的容器，其底部有透气砖与所述供气系统管道建立连接；所述供气系统用于向所述钢包提供搅拌氩气；
所述图像采集装置包括工业相机、采集卡和图像处理模块；所述工业相机安装于所述钢包上方，用于采集所述钢包的渣面图像；所述采集卡安装在所述图像处理模块内，并与所述工业相机通过线缆连接，用于获取所述钢包的渣面图像；所述图像处理模块用于实现所述渣面图像的存储与处理；
所述吹氩L1控制装置包括传感器和控制器；所述传感器包括流量传感器和压力传感器，用来通过所述流量传感器检测所述供气系统吹氩管道流量参数，通过所述压力传感器检测所述供气系统吹氩管道压力参数；所述控制器用于完成所述传感器的信号采集、所述供气系统的氩气流量调节控制和与其它装置间的通讯；
所述数据接口用于实现所述图像采集装置、所述吹氩L1控制装置、所述炼钢二级装置和所述吹氩智能控制二级装置之间的通讯；
所述炼钢二级装置用于记录计划调度/质量标准类数据、生产实绩数据、最终成分数据、设备传感器数据这些炼钢生产过程中的过程数据；
所述吹氩智能控制二级装置包括过程参数模块、数字钢包模块、钢渣界面识别模块、吹氩控制模块和吹氩智能预测模块；所述过程参数模块用于存储过程参数；所述数字钢包模块是模拟所述钢包的数字模型；所述钢渣界面识别模块用与对所述钢包的渣面图像进行快速识别，并对渣面实现定量检测；所述吹氩控制模块用于通过所述控制器实现对所述供气系统的底吹氩气流量的调节；所述吹氩智能预测模块包括数据存储单元和深度学习单元，所述数据存储单元用来存储所述吹氩控制模块运行过程中产生的各种数据，包括实时数据和历史数据库两部分，所述深度学习单元基于历史数据库采用人工神经网络进行训练，迭代优化吹氩控制过程中的物理数据，并封装成相应的吹氩调控预测模型，实现对吹氩工艺及控制的智能预测。
优选地，所述钢渣界面识别模块，用于通过所述数据接口从所述图像采集装置中实时读取钢包渣面图像，对获取的钢包渣面图像进行预处理，从像素的角度分割出图像中的不同对象，对原图中的每个像素都进行标注，使用深度学习进行目标图像识别，最终实现对钢包渣面钢水裸露区间最大长度的识别测量，实现对氩气搅拌效果定量检测。
优选地，所述吹氩控制模块包括供气系统模型、工艺模型和供气控制模块；
所述工艺模型基于钢包底吹氩工艺过程的功能分析，对各阶段吹氩流量进行优化，确定不同工艺分阶段下恒压力变流量底吹氩曲线；
所述供气控制模块用于基于所述工艺模型的输出曲线及所述供气系统模型输出的氩气流量对所述供气系统输出氩气流量进行精确调节，将氩气流量和渣面检测引入到控制反馈，通过构造自适应状态观测器和自适应控制器，实现对吹氩搅拌的自动调节。
优选地，所述工艺模型输出的不同工艺分阶段下恒压力变流量底吹氩曲线作为给定值分别作用于所述供气系统模型和所述供气控制模块，由所述供气控制模块中的自适应控制器输出变量通过所述数据接口传给所述吹氩L1控制装置中的所述控制器，完成对所述供气系统中的调节阀控制，从而实现对底吹氩气流量调节；同时，求取所述供气系统模型输出的氩气流量与氩气流量测量值之间的偏差e1，并将氩气流量测量值作用在所述数字钢包模块上，求取所述数字钢包模块模拟的渣面检测结果与所述钢渣界面识别模块识别的渣面检测结果之间的偏差e2；由所述供气控制模块根据所述工艺模型的给定值、氩气流量测量值、偏差e1和偏差e2，自动调节所述供气控制模块中的自适应控制器输出，从而调节所述供气系统输出的管道中氩气流量，实现了对搅拌效果的自动调节。
优选地，所述供气系统模型是用于描述所述供气系统的数字模型，是数学机理模型、AMESim仿真模型或其它软件模型。
优选地，所述过程参数模块用于存储温度、成分、钢种、氩气流量、氩气压力及氧含量这些所需的过程参数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明通过视觉识别技术，完成钢包渣面快速识别，实现对钢包渣面钢水裸露区间最大长度的识别测量；
2.本发明构造了钢包底吹氩自适应控制算法，大大减少了钢包底吹氩系统中参数不确定性和非线性对控制性能的影响，提高了系统吹氩控制精度和抗干扰能力；
3.本发明将钢包数字模型渣面与CCD识别渣面偏差作为反馈环节引入控制系统中，自动调节吹氩控制参数，从而实现对底吹氩搅拌的自动控制；
4.本发明通过吹氩智能预测模块，可以对钢包底吹氩控制过程中的智能调控、主要变量状态估计、误差分析、故障诊断等进行实时预测感知，实现对吹氩工艺及控制的智能预测，为下一步基于大数据的钢包底吹氩智能控制系统设计提供数据和模型支撑。
附图说明
图1是本发明实施例提供的一种系统结构原理图；
图2是本发明实施例提供的一种供气控制模块的实现原理框图；
图3是本发明实施例提供的一种基于深度学习的吹氩智能预测模型框图；
图中，1、钢包底吹氩装置，101、钢包，102、供气系统；2、图像采集装置，201、CCD工业相机，202、采集卡，203、图像处理模块；3、吹氩L1控制装置，301、传感器，3011、压力传感器，3012、流量传感器，302、控制器；4、数据接口；5、炼钢二级装置；6、吹氩智能控制二级装置，601、过程参数模块，6011、温度，6012、成分，6013、钢种，6014、氩气流量，6015、氩气压力，6016、氧含量，602、数字钢包模块，603、钢渣界面识别模块，604、吹氩控制模块，6041、供气系统模型，6042、工艺模型，6043、供气控制模块，60431、自适应状态观测器，60432、自适应控制器，605、吹氩智能预测模块，6051、深度学习单元，6052、数据存储单元，60521、实时数据，60522、历史数据库。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种基于视觉识别的钢包底吹氩智能控制系统。该系统不仅可以实时识别钢包渣面，实现对氩气搅拌效果自动定量检测，而且将自适应控制应用于底吹控制中，可以大大减少钢包底吹氩过程中非线性和不确定性对控制的影响，实现对氩气精准自动调控。此外，通过深度学习可以对钢包底吹氩控制过程中的智能调控模型及控制、主要变量状态估计、误差分析、故障诊断等进行实时预测感知，从而实现对吹氩工艺及控制的智能预测。
如图1所示是本发明实施例提供的一种基于视觉识别的钢包底吹氩智能控制系统的结构示意图，包括：钢包底吹氩装置1、图像采集装置2、吹氩L1控制装置3、数据接口4、炼钢二级装置5和吹氩智能控制二级装置6组成；
上述钢包底吹氩装置1包括钢包101和供气系统102；钢包101是用来装运液态钢水的容器，其底部有透气砖可以与供气系统102管道建立连接；供气系统102包括流量压力传感器、电动调节阀、手阀、稳压包、连接管道和气源，负责向钢包101提供搅拌氩气；
上述图像采集装置2由工业相机201、采集卡202和图像处理模块203组成，工业相机201安装于钢包101上方，用来采集钢包101渣面图像；采集卡202安装在图像处理模块203内，并与工业相机201通过线缆连接，获取工业相机201采集的钢包101渣面图像；图像处理模块203实现图像的存储与处理功能(如去噪和压缩等，也可根据实际需要取消此处的处理功能)；
其中，工业相机201可以是CCD工业相机，图像处理模块203可以是图像计算机。
上述吹氩L1控制装置3主要包括传感器301和控制器302两部分；传感器301主要有流量传感器3012和压力传感器3011，流量传感器3012用来检测供气系统102吹氩管道流量参数，压力传感器3011用来检测供气系统102吹氩管道压力参数；控制器302完成传感器301信号采集、供气系统102的氩气流量调节控制和与其它装置(如吹氩智能控制二级装置6)间的通讯；
上述数据接口4用于实现图像采集装置2、吹氩L1控制装置3、炼钢二级装置5和吹氩智能控制二级装置6之间的通讯,；
其中，数据接口4可以是TCP/IP、PROFIBUS、RS485等数据通讯模式。
上述炼钢二级装置5是用来记录计划调度/质量标准类数据、生产实绩数据、最终成分数据、传感器设备数据等炼钢生产过程中的过程数据；
上述吹氩智能控制二级装置6包括过程参数模块601、数字钢包模块602、钢渣界面识别模块603、吹氩控制模块604和吹氩智能预测模块605；过程参数模块601用来存储温度6011、成分6012、钢种6013、氩气流量6014、氩气压力6015及氧含量6016等所需过程参数；数字钢包模块602是模拟钢包101的数字模型；钢渣界面识别模块603用来对钢包渣面图像进行快速识别，并对渣面实现定量检测；吹氩控制模块604包括供气系统模型6041、工艺模型6042和供气控制模块6043三部分，工艺模型6042基于对钢包底吹氩工艺过程的功能分析基础上，对各阶段吹氩流量进行优化，确定不同工艺分阶段下恒压力变流量底吹氩曲线；吹氩智能预测模块605包括数据存储单元6051和深度学习单元6052，数据存储单元6052用来存储吹氩控制模块604运行过程中产生的各种数据，包括实时数据60521和历史数据库60522两部分，深度学习单元6051基于历史数据库采用人工神经网络进行训练，迭代优化吹氩控制过程中的物理数据，并封装成相应的吹氩调控预测模型。
进一步地，钢渣界面识别模块603检测的是氩气底吹上浮破渣后钢水的裸露图像，可以将渣面钢水裸露面积或裸露区间最大长度作为最终的定量检测结果，实现对氩气搅拌效果定量检测。
进一步地，供气系统模型6041是用来描述供气系统102的数字模型，可以是数学机理模型，也可以是AMESim仿真模型或其它软件模型。
进一步地，供气控制模块6043是用来对供气系统102输出氩气流量进行精确调节，将氩气流量和渣面检测引入到控制反馈，通过构造自适应状态观测器和自适应控制器，实现对吹氩搅拌的自动调节。
其中，本发明实施例提供的一种基于视觉识别的钢包底吹氩智能控制系统的工作原理如下：
1、钢包101处于吹氩工位，并完成与供气系统102氩气管路连接后，系统启动；
2、过程参数模块601通过数据接口4采集吹氩L1控制装置3的氩气压力流量参数和炼钢二级装置5中的成分、温度、钢种、实绩和设备状态等数据，并完成数据存储和实时更新；
3、图像采集装置2实时采集钢包渣面图像，并实现图像的存储功能；
4、钢渣界面识别模块603通过数据接口4从图像采集装置2中实时读取钢包渣面图像，对获取的钢包渣面图像进行预处理，从像素的角度分割出图像中的不同对象，对原图中的每个像素都进行标注，其中，不同标记对应不同的类别，如钢水、钢渣、钢包，使用深度学习进行目标图像识别，最终实现对钢包渣面钢水裸露区间最大长度的识别测量；
5、吹氩控制模块604实时读取过程参数模块601中钢种、成分、重量、氧含量等参数，工艺模型6042自动匹配吹氩工艺模型参数，确定不同工艺分阶段下恒压力变流量底吹氩曲线；
6、工艺模型6042输出的不同工艺分阶段下恒压力变流量底吹氩曲线作为给定值分别作用于供气系统模型6041和供气控制模块6043，供气控制模块6043中的自适应控制器60432输出变量通过数据接口4传给吹氩L1控制装置3中的控制器302，完成对供气系统102调节阀控制，从而实现对底吹氩气流量调节；同时，求取供气系统模型6041输出氩气流量与氩气流量测量值6014之间的偏差e1，并将氩气流量测量值6014作用在数字钢包模块602上，求取数字钢包模块602模拟的渣面检测结果与钢渣界面识别模块603识别的渣面检测结果之间的偏差e2；由供气控制模块6043根据工艺模型6042的给定值、氩气流量测量值6014、偏差e1和偏差e2，自动调节供气控制模块6043中的自适应控制器60432输出，从而调节供气系统102输出管道中氩气流量，实现了对搅拌效果的自动调节；
7、数据存储单元6051存储吹氩控制模块604运行过程中产生的各种数据，深度学习单元6052通过历史数据库60521对人工神经网络进行训练，迭代优化吹氩控制过程中的物理数据，并封装成相应的吹氩调控预测模型，实现对吹氩工艺及控制的智能预测。
参照图2对本发明实施例提供的一种供气控制模块6043中的控制算法进行说明：
工艺模型6042中存储着吹氩过程中各阶段最佳吹氩曲线，作为控制算法6043的给定输入信号，分别作用于供气系统模型6041和自适应控制器60432。自适应控制器60432输出变量通过数据接口4传给吹氩L1控制装置3中控制器302，以调节输出氩气流量，并与供气系统模型6041输出变量形成氩气流量偏差信号e1(t)。供气系统102输出的氩气经管道和钢包101底部的透气砖进入钢液，最终吹开表面钢渣排出，图像采集装置2采集钢包渣面图像，通过钢渣界面识别模块603对渣面进行识别，并实现氩气搅拌强度的定量检测；供气系统102输出氩气流量测量值6014作为数字钢包模块602的输入，搅拌强度作为数字钢包模块602的输出；得到钢渣界面识别模块603检测的搅拌强度与数字钢包模块602输出的偏差e2(t)。选取偏差信号e1(t)和e2(t)为输入变量，构造自适应状态观测器60431，实现对供气系统102的参数估计。以系统稳定性为基础，设计自适应控制器60432，通过状态观测值、氩气给定量、氩气流量测量值以及渣面识别值来自动调节控制器302输出变量，在保证对氩气工艺参数设定精确调节的基础上，实现对氩气搅拌能的实时监控与自动调节，大大减小了整个系统对吹氩控制中存在的非线性和不确定性的影响，提高了系统对参数变化的鲁棒性。
参照图3对本发明实施例提供的一种基于深度学习的吹氩智能预测模型进行说明：
图3为本发明基于深度学习的吹氩智能预测模块605结构框图，实时数据60522用来存储吹氩控制模块604控制过程中产生的实时数据，并通过历史数据库60521完成前一时刻实时数据60522连续存储，深度学习单元6051以历史数据库60521开展训练，迭代优化吹氩控制过程中的物理数据，并封装成相应的吹氩调控预测模型。通过吹氩控制模块604动态地估计状态变量(如调节阀口面积、氩气流量、氩气压力)最新状态，并实时调整决策变量(如调节阀输入控制量)，并将状态变量与决策变量提供给深度学习单元6051，参与智能模型学习。通过吹氩数学模型和传感器实时检测控制过程数据，以实现整个系统状态监测及状态变量预测。在预测过程中，一方面可以根据历史数据库60521对检测到的实时数据60522进行测试、校正，另一方面可以根据检测到的实时数据60522对历史数据库60521进行更新与扩充。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于视觉识别的钢包底吹氩智能控制系统，其特征在于，包括：钢包底吹氩装置、图像采集装置、吹氩L1控制装置、数据接口、炼钢二级装置和吹氩智能控制二级装置；
所述钢包底吹氩装置包括钢包和供气系统，所述钢包是用来装运液态钢水的容器，其底部有透气砖与所述供气系统管道建立连接；所述供气系统用于向所述钢包提供搅拌氩气；
所述图像采集装置包括工业相机、采集卡和图像处理模块；所述工业相机安装于所述钢包上方，用于采集所述钢包的渣面图像；所述采集卡安装在所述图像处理模块内，并与所述工业相机通过线缆连接，用于获取所述钢包的渣面图像；所述图像处理模块用于实现所述渣面图像的存储与处理；
所述吹氩L1控制装置包括传感器和控制器；所述传感器包括流量传感器和压力传感器，用来通过所述流量传感器检测所述供气系统吹氩管道流量参数，通过所述压力传感器检测所述供气系统吹氩管道压力参数；所述控制器用于完成所述传感器的信号采集、所述供气系统的氩气流量调节控制和与其它装置间的通讯；
所述数据接口用于实现所述图像采集装置、所述吹氩L1控制装置、所述炼钢二级装置和所述吹氩智能控制二级装置之间的通讯；
所述炼钢二级装置用于记录计划调度/质量标准类数据、生产实绩数据、最终成分数据、设备传感器数据这些炼钢生产过程中的过程数据；
所述吹氩智能控制二级装置包括过程参数模块、数字钢包模块、钢渣界面识别模块、吹氩控制模块和吹氩智能预测模块；所述过程参数模块用于存储过程参数；所述数字钢包模块是模拟所述钢包的数字模型；所述钢渣界面识别模块用与对所述钢包的渣面图像进行快速识别，并对渣面实现定量检测；所述吹氩控制模块用于通过所述控制器实现对所述供气系统的底吹氩气流量的调节；所述吹氩智能预测模块包括数据存储单元和深度学习单元，所述数据存储单元用来存储所述吹氩控制模块运行过程中产生的各种数据，包括实时数据和历史数据库两部分，所述深度学习单元基于历史数据库采用人工神经网络进行训练，迭代优化吹氩控制过程中的物理数据，并封装成相应的吹氩调控预测模型，实现对吹氩工艺及控制的智能预测；
所述吹氩控制模块包括供气系统模型、工艺模型和供气控制模块；
所述工艺模型基于钢包底吹氩工艺过程的功能分析，对各阶段吹氩流量进行优化，确定不同工艺分阶段下恒压力变流量底吹氩曲线；
所述供气控制模块用于基于所述工艺模型的输出曲线及所述供气系统模型输出的氩气流量对所述供气系统输出氩气流量进行精确调节，将氩气流量和渣面检测引入到控制反馈，通过构造自适应状态观测器和自适应控制器，实现对吹氩搅拌的自动调节；
所述工艺模型输出的不同工艺分阶段下恒压力变流量底吹氩曲线作为给定值分别作用于所述供气系统模型和所述供气控制模块，由所述供气控制模块中的自适应控制器输出变量通过所述数据接口传给所述吹氩L1控制装置中的所述控制器，完成对所述供气系统中的调节阀控制，从而实现对底吹氩气流量调节；同时，求取所述供气系统模型输出的氩气流量与氩气流量测量值之间的偏差e1，并将氩气流量测量值作用在所述数字钢包模块上，求取所述数字钢包模块模拟的渣面检测结果与所述钢渣界面识别模块识别的渣面检测结果之间的偏差e2；由所述供气控制模块根据所述工艺模型的给定值、氩气流量测量值、偏差e1和偏差e2，自动调节所述供气控制模块中的自适应控制器输出，从而调节所述供气系统输出的管道中氩气流量，实现了对搅拌效果的自动调节。
2.根据权利要求1所述的系统，其特征在于，所述钢渣界面识别模块，用于通过所述数据接口从所述图像采集装置中实时读取钢包渣面图像，对获取的钢包渣面图像进行预处理，从像素的角度分割出图像中的不同对象，对原图中的每个像素都进行标注，使用深度学习进行目标图像识别，最终实现对钢包渣面钢水裸露区间最大长度的识别测量，实现对氩气搅拌效果定量检测。
3.根据权利要求2所述的系统，其特征在于，所述供气系统模型是用于描述所述供气系统的数字模型，是数学机理模型、AMESim仿真模型或其它软件模型。
4.根据权利要求1所述的系统，其特征在于，所述过程参数模块用于存储温度、成分、钢种、氩气流量、氩气压力及氧含量这些所需的过程参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010449878.9A CN111650903B (zh) | 2020-05-25 | 2020-05-25 | 一种基于视觉识别的钢包底吹氩智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010449878.9A CN111650903B (zh) | 2020-05-25 | 2020-05-25 | 一种基于视觉识别的钢包底吹氩智能控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111650903A CN111650903A (zh) | 2020-09-11 |
| CN111650903B true CN111650903B (zh) | 2021-08-03 |
Family
ID=72350787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010449878.9A Active CN111650903B (zh) | 2020-05-25 | 2020-05-25 | 一种基于视觉识别的钢包底吹氩智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111650903B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112251565A (zh) * | 2020-09-30 | 2021-01-22 | 联峰钢铁（张家港）有限公司 | 一种高效钢包底吹氩工艺 |
| CN113655816B (zh) * | 2021-06-30 | 2023-11-21 | 武汉钢铁有限公司 | 钢包底吹氩系统流量控制方法及计算机可读存储介质 |
| CN113714496B (zh) * | 2021-07-20 | 2023-01-24 | 武汉钢铁有限公司 | 钢包底吹氩故障诊断方法、装置及存储介质 |
| CN114032358B (zh) * | 2021-11-08 | 2023-01-24 | 上海东震冶金工程技术有限公司 | 一种基于钢水图像辨识模式的智能吹氩装置 |
| CN114353702A (zh) * | 2021-12-06 | 2022-04-15 | 北京动力机械研究所 | 一种基于视觉检测的旋转开口调节面积测量装置 |
| CN114807514A (zh) * | 2022-04-11 | 2022-07-29 | 唐山钢铁集团有限责任公司 | 一种lf底吹效果实时监控与自动控制的方法 |
| CN114774617B (zh) * | 2022-04-11 | 2024-03-01 | 武汉钢铁有限公司 | 钢包底吹氩控制方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241384A (zh) * | 2016-12-26 | 2018-07-03 | 上海梅山钢铁股份有限公司 | 一种钢包底吹氩气流量的控制装置和控制方法 |
| CN110387454A (zh) * | 2018-04-20 | 2019-10-29 | 沈阳人和机械制造有限公司 | 钢包底吹氩的控制系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO944368L (no) * | 1993-05-18 | 1994-11-24 | Mizushima Ferroalloy Co Ltd | Fremgangsmåte og apparatur for fremstilling av ferromangan med middels eller lavt karboninnhold |
-
2020
- 2020-05-25 CN CN202010449878.9A patent/CN111650903B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241384A (zh) * | 2016-12-26 | 2018-07-03 | 上海梅山钢铁股份有限公司 | 一种钢包底吹氩气流量的控制装置和控制方法 |
| CN110387454A (zh) * | 2018-04-20 | 2019-10-29 | 沈阳人和机械制造有限公司 | 钢包底吹氩的控制系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像处理技术的钢包底吹自动控制系统;李卫东;《全国冶金自动化信息网2016年会》;20161001;第315-317页 * |
| 精炼炉底吹氩过程智能控制方法研究;李杨;《中国优秀硕士学位论文全文数据库信息科技辑》;20100915(第09期);第7,18-21,30-33页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111650903A (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650903B (zh) | 一种基于视觉识别的钢包底吹氩智能控制系统 | |
| CN110438284B (zh) | 一种转炉智能出钢装置及控制方法 | |
| CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
| CN110413013B (zh) | 一种智能吹氩系统及其控制方法 | |
| CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| EP3730630A1 (en) | Furnace condition control apparatus and method | |
| CN108265157A (zh) | 智能电弧炉炼钢系统 | |
| Xie et al. | A hybrid control strategy for real-time control of the iron removal process of the zinc hydrometallurgy plants | |
| CN112418538A (zh) | 一种基于随机森林分类的连铸坯夹杂预测方法 | |
| CN110747306A (zh) | 转炉出钢过程中的溢渣控制方法、装置、设备及存储介质 | |
| CN109852765A (zh) | 一种钢水包底吹氩智能控制方法 | |
| CN113192568A (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
| CN108584723A (zh) | 起重机开环优化防摇控制方法 | |
| CN108008702A (zh) | 智能化自动炼钢监控方法及系统 | |
| US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
| CN103194574B (zh) | 一种vod精炼终点碳含量预报模型的动态调整方法 | |
| CN115584375B (zh) | 一种基于图像识别的转炉自动出钢的方法及系统 | |
| CN210765379U (zh) | 一种用于转炉智能出钢的装置 | |
| CN111898975A (zh) | 一种炼钢生产过程智能调度系统及方法 | |
| CN113655816B (zh) | 钢包底吹氩系统流量控制方法及计算机可读存储介质 | |
| CN110276128A (zh) | 一种基于dajypls算法的浓密机底流浓度预测方法 | |
| CN112091206A (zh) | 一种安全可靠的铁水预处理自动扒渣方法和系统 | |
| CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
| CN114265361A (zh) | 一种基于视频反馈信号强化学习的自动行车防摇控制方法 | |
| CN114217592A (zh) | 一种用于铜顶吹生产过程的控制系统及方法 |
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 |