CN112183193A - 一种高炉风口工作状态监控的方法 - Google Patents
一种高炉风口工作状态监控的方法 Download PDFInfo
- Publication number
- CN112183193A CN112183193A CN202010837682.7A CN202010837682A CN112183193A CN 112183193 A CN112183193 A CN 112183193A CN 202010837682 A CN202010837682 A CN 202010837682A CN 112183193 A CN112183193 A CN 112183193A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- neural network
- furnace tuyere
- tuyere
- image
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002893 slag Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 239000003034 coal gas Substances 0.000 description 2
- 239000000571 coke Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010017740 Gas poisoning Diseases 0.000 description 1
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
一种高炉风口工作状态实时监控的方法，通过对高炉风口监控视频图像的历史数据进行收集，进行分类和标注，形成高炉风口状态图像数据集；基于卷积神经网络模型，利用高炉风口状态图像数据集，对神经网络模型进行训练和测试，得到的基于高炉风口工作状态的卷积神经网络模型；利用得到的基于高炉风口工作状态的卷积神经网络模型，对实时采集的高炉风口视频中的当前帧图像进行分类识别，达到对高炉风口工作状态监控目的。本发明相对于现有技术，不需要人工实时进行视频监控，减少人工的工作时间和人力成本；并且相对于人工进行监控，本发明对于高炉风口工作状态监控准确率更高，实现了高炉风口状态异常检测的自动化功能。
Description
技术领域
本发明涉及的是高炉炼铁技术领域，特别涉及一种高炉风口工作状态监控的方法。
背景技术
高炉冶炼是将铁矿石还原成生铁的连续生产过程，铁矿石、焦炭和溶剂等固体原料从高炉的顶部分批送入高炉炉内。高炉风口是将热风送入炉内，与煤粉和焦炭反应的通道。高炉风口小套长期处于高温高压和煤气冲刷的环境下工作是比较容易发生安全事故的部分，因此对其的监控显得尤为的工作。为了监视风口的工作状态，传统的方法是通过窥视孔采用肉眼的方式直接观察的方法。例如8小时派人去风口区进行巡视，然而对于瞬息万变的高炉而言，无法实时对高炉风口进行监测。由于高炉的大型化，风口的数量变多，人的肉眼观察会使单次巡查的时间增加，并且不能同时对所有的风口进行观察。同时，风口属于煤气区域长时间的处于该区域，是有一定煤气中毒风险的。如果高炉发现悬料等事故，按照操守规程是严禁利用窥视孔对风口状态进行观察的，但是此刻的风口尤为重要，是操作人员非常关心的。
随着技术的发展，现在很多高炉都装备了风口成像仪，用来实时监测风口的工作状态，以确定风口的工作状态是否正常。但是其只是简单的将视频信号接入，然后呈现出来，缺乏对其状态的判断，此部分的工作还需要专门的人来完成。考虑高炉操作人员的事情较多，其可能不能及时的关注到风口发生异常现象。
美国专利US5223908提出了，使用光感设备提取风口区域的燃烧状态，再分析穿透与反射或者散射的关系，计算风口的相关参数。虽然光感设备能够提取亮度的相关信息，但是对于风口的异常状况无法进行实时监控。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种高炉风口工作状态监控的方法。
一种高炉风口工作状态监控的方法，包括：
S100.对高炉风口监控视频图像的历史数据进行收集，根据风口正常状态和典型的异常状态，对图像进行分类并且标注图像的类别，将标注后的图像制作成高炉风口状态图像数据集；
S200.构建卷积神经网络模型作为高炉风口工作状态图像分类器,利用高炉风口状态图像数据集对卷积神经网络模型进行训练，得到基于高炉风口工作状态的卷积神经网络模型；
S300.提取实时采集的高炉风口视频中的当前帧图像，利用训练完成的基于高炉风口工作状态的卷积神经网络模型对当前帧图像进行分类，根据分类结果达到对高炉风口工作状态监控目的。
进一步地，S100具体包括：对高炉风口图像的分类以及标注，将图像进行分类，包括正常情况和异常情况；对每一帧图像进行标注，为图像贴上类别标签，将标注好的数据分为两部分，一部分是训练集，用于训练图像分类器；另一部分是测试集，用于测试图像分类器的分类效果。
进一步地，异常情况至少包括：渣皮脱落下大块、风口停煤、风口漏水、风口烧穿、风口堵塞和休风状态。
进一步地，S200包括：
S201.将图像数据集中的训练集作为卷积神经网络模型的输入，设置好卷积神经网络训练参数，得到基于高炉风口工作状态监控的初始卷积神经网络；
S202.将图像数据集中的测试集输入到训练好的初始卷积神经网络模型，通过初始神经网络模型对测试集中的图像进行识别，得到当前图像对应的图像分类，并与测试集中当前图像实际图像分类进行匹配，当匹配准确度大于预设阈值时，即确定当前卷积神经网络模型为最终卷积神经网络模型。
进一步地，当匹配准确度小于预设阈值时，则当前初始神经网络模型无法满足要求，则重新执行步骤S201，只到测试集匹配准确度达到预设阈值。
进一步地，S201中，卷积神经网络包括8层卷积层，分别使用64、128、256、256、512、512、512和512个3*3大小的卷积核。
进一步地，在第一卷积层、第二卷积层、第四卷积层和第六卷积层后面添加最大池化层，在第八卷积层后面添加全局平均池化层，在全局平均池化层后面添加全连接层，输出向量维度为C维，C是图像类别总数。
进一步地，卷积层的激活函数采用修正线性单元，在修正线性单元激活函数之后执行规一化，将其输出规范化到均值为0、方差为1的标准正态分布。
进一步地，所述的卷积神经网络，全连接层后面添加softmax层，softmax层就是使用softmax函数对全连接层的输出结果计算置信度，softmax函数的计算公式如下：
其中，X是全连接层的输出向量，Xi表示X的第i个分量，对每个Xi都计算一个置信度，置信度最高的Xi所对应的类别即为当前图像所属类别。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明提供一种高炉风口工作状态实时监控的方法，通过对高炉风口监控视频图像的历史数据进行收集，进行分类和标注，形成高炉风口状态图像数据集；基于卷积神经网络模型，利用高炉风口状态图像数据集，对神经网络模型进行训练和测试，得到的基于高炉风口工作状态的卷积神经网络模型；利用得到的基于高炉风口工作状态的卷积神经网络模型，对实时采集的高炉风口视频中的当前帧图像进行分类识别，达到对高炉风口工作状态监控目的。本发明相对于现有技术，不需要人工实时进行视频监控，减少人工的工作时间和人力成本；并且相对于人工进行监控，本发明对于高炉风口工作状态监控准确率更高，实现了高炉风口状态异常检测的自动化功能。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种高炉风口工作状态监控的方法流程图；
图2为本发明实施例1中，得到基于高炉风口工作状态的卷积神经网络模型具体流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的对高炉风口工作状态监控无法自动化的问题，本发明实施例提供一种高炉风口工作状态监控的方法。
实施例1
一种高炉风口工作状态监控的方法，包括：
S100.对高炉风口监控视频图像的历史数据进行收集，根据风口正常状态和典型的异常状态，对图像进行分类并且标注图像的类别，将标注后的图像制作成高炉风口状态图像数据集。
在一些优选实施例中，S100具体包括：对高炉风口图像的分类以及标注，将图像进行分类，包括正常情况和异常情况；对每一帧图像进行标注，为图像贴上类别标签，将标注好的数据分为两部分，一部分是训练集，用于训练图像分类器；另一部分是测试集，用于测试图像分类器的分类效果。
具体的，可以采用特定的厂或者高炉收集风口成像仪的视频，对高炉风口进行视频图像采集。异常情况包括渣皮脱落的大块、风口停煤、风口漏水、风口烧穿、风口堵塞和休风状态等，其它无标定为异常的视为正常情况。
S200.构建卷积神经网络模型作为高炉风口工作状态图像分类器,利用高炉风口状态图像数据集对卷积神经网络模型进行训练，得到基于高炉风口工作状态的卷积神经网络模型。
在一些优选实施例中，S200还包括：
S201.将图像数据集中的训练集作为卷积神经网络模型的输入，设置好卷积神经网络训练参数，得到基于高炉风口工作状态监控的初始卷积神经网络模型；
S202.将图像数据集中的测试集输入到训练好的初始卷积神经网络模型，通过初始神经网络模型对测试集中的图像进行识别，得到当前图像对应的图像分类，并与测试集中当前图像实际图像分类进行匹配，当匹配准确度大于预设阈值时，即确定当前卷积神经网络模型为基于高炉风口工作状态的卷积神经网络模型。
在一些优选实施例中，当匹配准确度小于预设阈值时，则当前初始神经网络模型无法满足要求，则重新执行步骤S201，只到测试集匹配准确度达到预设阈值。
在一些优选实施例中，S201中，卷积神经网络包括8层卷积层，分别使用64、128、256、256、512、512、512和512个3*3大小的卷积核。
在一些优选实施例中，在第一卷积层、第二卷积层、第四卷积层和第六卷积层后面添加最大池化层，在第八卷积层后面添加全局平均池化层，在全局平均池化层后面添加全连接层，输出向量维度为C维，C是图像类别总数。
在一些优选实施例中，卷积层的激活函数采用修正线性单元，在修正线性单元激活函数之后执行规一化，将其输出规范化到均值为0、方差为1的标准正态分布。
在一些优选实施例中，所述的卷积神经网络，全连接层后面添加softmax层，softmax层就是使用softmax函数对全连接层的输出结果计算置信度，softmax函数的计算公式如下：
其中，X是全连接层的输出向量，Xi表示X的第i个分量，对每个Xi都计算一个置信度，置信度最高的Xi所对应的类别即为当前图像所属类别。
S300.提取实时采集的高炉风口视频中的当前帧图像，利用训练完成的基于高炉风口工作状态的卷积神经网络模型对当前帧图像进行分类，根据分类结果达到对高炉风口工作状态监控目的。若该帧图像被基于高炉风口工作状态的卷积神经网络模型分类为正常帧，则表示当前高炉风口状态正常；若该帧属于异常帧，则表示当前高炉风口状态异常，实时通过报警方式通知给相关责任人，保证异常事故及时处理。
本发明提供一种高炉风口工作状态实时监控的方法，通过对高炉风口监控视频图像的历史数据进行收集，进行分类和标注，形成高炉风口状态图像数据集；基于卷积神经网络模型，利用高炉风口状态图像数据集，对神经网络模型进行训练和测试，得到的基于高炉风口工作状态的卷积神经网络模型；利用得到的基于高炉风口工作状态的卷积神经网络模型，对实时采集的高炉风口视频中的当前帧图像进行分类识别，达到对高炉风口工作状态监控目的。本发明相对于现有技术，不需要人工实时进行视频监控，减少人工的工作时间和人力成本；并且相对于人工进行监控，本发明对于高炉风口工作状态监控准确率更高，实现了高炉风口状态异常检测的自动化。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (9)
1.一种高炉风口工作状态监控的方法，其特征在于，包括：
S100.对高炉风口监控视频图像的历史数据进行收集，根据风口正常状态和典型的异常状态，对图像进行分类并且标注图像的类别，将标注后的图像制作成高炉风口状态图像数据集；
S200.构建卷积神经网络模型作为高炉风口工作状态图像分类器,利用高炉风口状态图像数据集对卷积神经网络模型进行训练，得到基于高炉风口工作状态的卷积神经网络模型；
S300.提取实时采集的高炉风口视频中的当前帧图像，利用训练完成的基于高炉风口工作状态的卷积神经网络模型对当前帧图像进行分类，根据分类结果达到对高炉风口工作状态监控目的。
2.如权利要求1的一种高炉风口工作状态监控的方法，其特征在于，S100具体包括：对高炉风口图像的分类以及标注，将图像进行分类，包括正常情况和异常情况；对每一帧图像进行标注，为图像贴上类别标签，将标注好的数据分为两部分，一部分是训练集，用于训练卷积神经网络模型；另一部分是测试集，用于测试卷积神经网络模型分类效果。
3.如权利要求2的一种高炉风口工作状态监控的方法，其特征在于，异常情况至少包括：渣皮脱落下大块、风口停煤、风口漏水、风口烧穿、风口堵塞和休风状态。
4.如权利要求2的一种高炉风口工作状态监控的方法，其特征在于，S200包括：
S201.将图像数据集中的训练集作为卷积神经网络模型的输入，设置好卷积神经网络训练参数，得到基于高炉风口工作状态监控的初始卷积神经网络；
S202.将图像数据集中的测试集输入到训练好的初始卷积神经网络模型，通过初始神经网络模型对测试集中的图像进行识别，得到当前图像对应的图像分类，并与测试集中当前图像实际图像分类进行匹配，当匹配准确度大于预设阈值时，即确定当前卷积神经网络模型为基于高炉风口工作状态的卷积神经网络模型。
5.如权利要求4的一种高炉风口工作状态监控的方法，其特征在于，当匹配准确度小于预设阈值时，则当前初始神经网络模型无法满足要求，则重新执行步骤S201-S202，直到测试集匹配准确度达到预设阈值。
6.如权利要求4的一种高炉风口工作状态监控的方法，其特征在于，卷积神经网络包括8层卷积层，分别使用64、128、256、256、512、512、512和512个3*3大小的卷积核。
7.如权利要求4的一种高炉风口工作状态监控的方法，其特征在于，所述的卷积神经网络，在第一卷积层、第二卷积层、第四卷积层和第六卷积层后面添加最大池化层，在第八卷积层后面添加全局平均池化层，在全局平均池化层后面添加全连接层，输出向量维度为C维，C是图像类别总数。
8.如权利要求4的一种高炉风口工作状态监控的方法，其特征在于，所述的卷积神经网络，卷积层的激活函数采用修正线性单元，在修正线性单元激活函数之后执行规一化，将其输出规范化到均值为0、方差为1的标准正态分布。
9.如权利要求4的一种高炉风口工作状态监控的方法，其特征在于，所述的卷积神经网络，全连接层后面添加softmax层，softmax层就是使用softmax函数对全连接层的输出结果计算置信度，softmax函数的计算公式如下：
其中，X是全连接层的输出向量，Xi表示X的第i个分量，对每个Xi都计算一个置信度，置信度最高的Xi所对应的类别即为当前图像所属类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010837682.7A CN112183193A (zh) | 2020-08-19 | 2020-08-19 | 一种高炉风口工作状态监控的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010837682.7A CN112183193A (zh) | 2020-08-19 | 2020-08-19 | 一种高炉风口工作状态监控的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112183193A true CN112183193A (zh) | 2021-01-05 |
Family
ID=73919454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010837682.7A Pending CN112183193A (zh) | 2020-08-19 | 2020-08-19 | 一种高炉风口工作状态监控的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183193A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
| CN112884036A (zh) * | 2021-02-09 | 2021-06-01 | 北京京能能源技术研究有限责任公司 | 一种锅炉受热面异常图像识别方法、标记方法及系统 |
| CN113836813A (zh) * | 2021-09-29 | 2021-12-24 | 深圳市桐栎智能科技有限公司 | 一种基于数据分析的高炉风口漏水检测方法 |
| CN113989546A (zh) * | 2021-10-11 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种基于神经网络的料场皮带运输监控方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN109214308A (zh) * | 2018-08-15 | 2019-01-15 | 武汉唯理科技有限公司 | 一种基于焦点损失函数的交通异常图片识别方法 |
| CN110728257A (zh) * | 2019-10-22 | 2020-01-24 | 中国计量大学 | 基于振动灰度图像的变压器绕组故障监测方法 |
| CN110738164A (zh) * | 2019-10-12 | 2020-01-31 | 北京猎户星空科技有限公司 | 零件异常检测方法、模型训练方法及装置 |
| CN111027519A (zh) * | 2019-12-26 | 2020-04-17 | 讯飞智元信息科技有限公司 | 一种高炉风口的监控方法及监控装置 |
-
2020
- 2020-08-19 CN CN202010837682.7A patent/CN112183193A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN109214308A (zh) * | 2018-08-15 | 2019-01-15 | 武汉唯理科技有限公司 | 一种基于焦点损失函数的交通异常图片识别方法 |
| CN110738164A (zh) * | 2019-10-12 | 2020-01-31 | 北京猎户星空科技有限公司 | 零件异常检测方法、模型训练方法及装置 |
| CN110728257A (zh) * | 2019-10-22 | 2020-01-24 | 中国计量大学 | 基于振动灰度图像的变压器绕组故障监测方法 |
| CN111027519A (zh) * | 2019-12-26 | 2020-04-17 | 讯飞智元信息科技有限公司 | 一种高炉风口的监控方法及监控装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李新宇 等: "图像技术在炼铁系统中的应用现状及发展", 《冶金自动化》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
| CN112884036A (zh) * | 2021-02-09 | 2021-06-01 | 北京京能能源技术研究有限责任公司 | 一种锅炉受热面异常图像识别方法、标记方法及系统 |
| CN112819802B (zh) * | 2021-02-09 | 2024-03-05 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
| CN113836813A (zh) * | 2021-09-29 | 2021-12-24 | 深圳市桐栎智能科技有限公司 | 一种基于数据分析的高炉风口漏水检测方法 |
| CN113836813B (zh) * | 2021-09-29 | 2024-01-30 | 深圳市桐栎智能科技有限公司 | 一种基于数据分析的高炉风口漏水检测方法 |
| CN113989546A (zh) * | 2021-10-11 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种基于神经网络的料场皮带运输监控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183193A (zh) | 一种高炉风口工作状态监控的方法 | |
| EP2776815B1 (en) | System and method for improving automated defect detection user interface | |
| CN113551775B (zh) | 基于红外热成像的设备故障在线监测报警方法和系统 | |
| EP3733876B1 (en) | System and method for evaluating operational conditions of blast furnace | |
| CN112633049A (zh) | 一种高炉风口工作状态监控的系统 | |
| CN104200219A (zh) | 一种变电站刀闸位开关位指示自动识别方法及装置 | |
| CN110184401A (zh) | 高炉出渣铁状态在线检测方法 | |
| CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
| CN112163572A (zh) | 识别对象的方法和装置 | |
| CN110717995A (zh) | 一种停车场闸口监测方法及系统 | |
| CN114140684A (zh) | 堵煤漏煤检测方法、装置、设备及存储介质 | |
| US20220390928A1 (en) | Production facilities monitoring method, production facilities monitoring device, and operation method for production facilities | |
| CN113776670A (zh) | 一种基于红外图像的电力设备监测系统及方法 | |
| CN110532699A (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
| EP4060056A1 (en) | Method and system for operating production facility | |
| CN115328986A (zh) | 一种电厂安全预警数据分析处理方法及系统 | |
| CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 | |
| CN113728942A (zh) | 养猪场生猪状态预测系统 | |
| CN116978203B (zh) | 一种基于消防的智能化系统及方法 | |
| CN116489184B (zh) | 基于无线传输的硅料破碎筛分机监控系统 | |
| CN116699723B (zh) | 一种基于隧道衬砌拱部掉块的数据处理系统及预警方法 | |
| CN116837154A (zh) | 一种炉风口ai自动断煤方法及系统 | |
| RU2800300C1 (ru) | Способ контроля производственных средств, устройство контроля производственных средств и способ эксплуатации производственных средств | |
| CN114140379A (zh) | 用于高炉中心气流大小的在线计算方法 | |
| CN117437218A (zh) | 一种采矿输送带托辊智能检测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |