CN112819802B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112819802B CN112819802B CN202110187003.0A CN202110187003A CN112819802B CN 112819802 B CN112819802 B CN 112819802B CN 202110187003 A CN202110187003 A CN 202110187003A CN 112819802 B CN112819802 B CN 112819802B
- Authority
- CN
- China
- Prior art keywords
- tuyere
- image
- blast furnace
- model
- resnet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 23
- 239000003245 coal Substances 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000004484 Briquette Substances 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 238000003723 Smelting Methods 0.000 abstract description 5
- 230000001965 increasing effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008014 freezing Effects 0.000 description 5
- 238000007710 freezing Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- JQJCSZOEVBFDKO-UHFFFAOYSA-N lead zinc Chemical compound [Zn].[Pb] JQJCSZOEVBFDKO-UHFFFAOYSA-N 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
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)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了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，包括：提取高炉风口图像，采用自适应中值滤波与伽马变换相结合的方式对风口图像进行去噪预处理，采用灰度二值化算法与灰度上移相结合的方式增强图片对比度，然后对样本图像进行无监督分类且自动生成标签，构建风口图像数据库；建立TI‑ResNet模型提取高炉冶炼过程特征，最终利用训练好的TI‑ResNet模型，基于高炉实时或离线获得的风口监控数据，进行高炉实时或离线炉况监督和预测。本发明可实现闭环自动数据化、自动标签化、基于更新数据集自动训练建立的TI‑ResNet模型，并且可应用建立的智能算法和模型进行在线或离线炉况异常监督和预测。
Description
技术领域
本项发明属于冶金技术领域，尤其涉及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。
背景技术
高炉炼铁过程十分复杂，高炉密闭且内部高混沌运行，具有时滞性、多尺度性、非线性、强系统耦合性的特点，导致各过程参数、冶炼性能难以实时在线准确预测和预判。现阶段，仍然把高炉看作为一个黑盒子。无论从理论或数值解析，还是现场实时操作经常面临诸多挑战，风口窥视孔作为唯一能够观测炉内冶炼进程的窗口被广泛关注和研究，研究的焦点在于如何通过观察风口进而判断炉内状况以及冶炼过程发展方向，为高炉安全、稳定、高产运行提供必要的手段。例如，可以通过风口状态判断炉缸沿圆周工作情况、炉缸沿半径方向的工作状况、炉缸温度、顺行状况、大小套漏水状况以及铅锌含量等。
目前，高炉炉况评判模型的建立主要分为两类：
1.基于专家经验理论模型：
马竹梧等高炉炉况判定GO-STOP系统的分析与移植[J].冶金自动化,1992(1):3-5.介绍最典型的炉况智能判别系统：GO-STOP系统，20世纪70年代兴起于日本；杨尚宝等基于神经网络的高炉异常炉况判断专家系统[J].北京科技大学学报,1994(06):517-521.和王玉涛等高炉参数学习用模糊神经网络专家系统[J].钢铁研究学报,1999(05):3-5.开始将神经网络应用在专家系统中；周驰化等模糊专家系统在高炉炉温预测中的研究与应用[D].西南石油大学,2007.中将参数模糊化、建立模糊知识库、训练模糊规则，缩减了需设定的规则数量，构建了一套可以用于高炉炉温预测的模糊专家系统；彭霞丹等涟钢七号高炉Web炉况诊断专家系统的研究[D].湘潭大学，2011.细分高炉炉况，提取关键参数，构建推理树的方法，完成高炉的故障诊断。但人工经验操作存在盲目、粗糙、过度主观的缺点，会导致误判；基于专家系统进行炉况异常监测，通常需要针对具体高炉、具体问题建立相应的专家知识库。不同于本发明基于风口监测视频，自动化对视频生成的图像数据进行自动化标签，进而通过深度学习卷积神经网络的训练获得智能模型，从而完成高炉炉况预测预报的发明内容。
2.基于数据模型：
近十几年中，众多专家学者应用支持向量机(SVM)的分类方法、贝叶斯网络方法、深度学习等等对高炉异常炉况进行分类分析。
一部分研究基于高炉各过程参数数据对炉况的影响分析：
Wang A,Zhang L,Gao N,et al.[IEEE 2006 6th World Congress onIntelligent Control and Automation-Dalian,China]2006 6th World Congress onIntelligent Control and Automation-Fault Diagnosis of Blast Furnace Based onSVMs[J].2006:5615-5618.中Anna Wang等人提出利用SVM进行炉况异常诊断；Liu L M,Wang AN,Sha M,et al.Multi-Class Classification Methods of Cost-Conscious LS-SVM for Fault Diagnosis of Blast Furnace[J].钢铁研究学报(英文版),2011(10):17,33-23,33.提出基于CLS-SVM(成本意识最小二乘支持向量机)的方法；任盛怡等基于数据挖掘的高炉异常炉况分析[D].重庆大学,2009.提出对高炉的参数进行聚类分析，利用扩展卡尔曼滤波的BP(Back Propagation)神经网络对十字测温环的8个温度点进行预测；吴英伟等基于数据的高炉炉况分析[D].2018.介绍了数据相关性分析，利用基于密度聚类算法，以SVR(支持向量回归)作为模型，对高炉炉况进行分析；刘颂等融合大数据技术和工艺经验的高炉参数优化[J].钢铁,2019,v.54(11):22-32.对高炉参数与铁水产量和高炉消耗等指标进行数据分析。这些研究主要基于生产操作数据、指标数据通过聚类或传统神经网络方法对输入和输出参数建立关联映射，不同于本发明通过图像的自动标签化及深度卷积网络对图像特征提取训练成模型的算法思路和模型。
另一部分研究基于高炉风口图像对炉况影响分析：
秦亭亭等高炉风口喷煤流量预测方法研究[J].工业计量,2015,25(02):36-39+66.以及王玉涛等一种基于图像处理的高炉风口喷煤状态预测方法[P].辽宁省：CN110544261A,2019-12-06.中根据煤团区域的面积信息来判断高炉支管喷煤是否发生堵塞异常状态。在获取煤团区域中，采用自适应Butterworth滤波器去除条纹噪声；采用中值滤波器去除高斯噪声和光斑；根据累积直方图中灰度值频数，对图像进行灰度拉伸，采用全局阈值与局部阈值相结合的二值化算法；采用最小二乘椭圆拟合方式对二值图像中的风口区域进行拟合，通过改进的多尺度全卷积神经网络分割清晰图像中的煤枪区域、将二值化图像中的煤枪和煤团的整体连通域与全卷积神经网络预测的煤枪区域做差得到煤团区域，建立喷煤图像特征与喷煤流量之间的对应关系。崔桂梅等高炉风口辐射图像滤波与分割[J].中国测试,2018,44(04):96-101.中为实时准确得到高炉风口回旋区温度，构建基于归一化空间距离加权的距离方向滤波器，解决滤波窗口尺寸及不同像素点对滤波效果的影响；改进二维Otsu算法，并提出阈值判别函数。宋腾飞等一种高炉风口的监控方法及监控装置[P].安徽省：CN111027519A,2020-04-17.监控装置包括：处理器，所述处理器与存储器耦合，所述存储器用于存储操作指令；所述处理器用于通过调用所述操作指令等。目的在于通过此监控装置观察高炉风口是否存在喷嘴落大块、喷嘴断煤、喷嘴烧穿、风口休风、风口小套漏水、风口小套挂渣中至少一项。该监控方法包括：监控装置从高炉风口的实时视频流中获取实时图像；监控装置根据喷嘴掩码图像确定实时图像中的目标区域，其中喷嘴掩码图像为高炉风口处于正常工作状态下的二值图像，并且二值图像中包括前景区域，前景区域包括喷嘴所在区域和被喷嘴照亮的区域，目标区域为实时图像中像素点位置与喷嘴掩码图像中前景区域重合的区域；监控装置根据目标区域监控高炉风口的当前工作状态。这些研究通过对风口区域的图像进行了采集，主要研究了图像增强或去噪算法，并未建立自动化给图像数据标签及分类的算法，更未建立深度卷积网络学习算法提取高炉内异常情况特征的模型和从而实现基于自动数据提取、自动标签化、自动深度模型训练、自动基于更新数据集增量更新模型权重的闭环可在线或离线应用的深度智能模型。
发明内容
本发明的技术任务是针对以上现有技术的不足，提出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，可以自动学习风口图像特征，实现高炉风口图像识别，进而预测异常情况预测。
本发明解决其技术问题所采用的技术方案是：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，包括如下步骤：
S1.基于高炉风口回旋区监控数据，按特征频率提取风口图像，形成原始的风口图像数据集，预处理后存入数据库；其中预处理包括：
采用自适应中值滤波与伽马变换相结合的方式对风口图像进行去噪处理，得到去噪风口图像样本；然后使用灰度二值化算法与灰度上移相结合的方式对去噪风口图像样本进行增强图片对比度处理，获得清晰的二值化图像，即图像质量提高后的风口图像样本；
S2.基于无监督聚类方法对数据库中的风口图像数据集进行聚类和自动生成图像特征的类别标签，建立具有不同类别标签的风口图像样本数据库；
S3.基于ResNet卷积神经网络，建立面向风口图像的深度神经网络预测模型TI-ResNet(Tuyere Image ResNet)，利用TI-ResNet模型对S2中具有不同标签的风口图像样本数据库，进行特征学习，提取图像数据内样本特征，得到训练后深度学习监督及预测的TI-ResNet模型，存储训练后优化后的网络参数和高维权重矩阵；
S4.基于步骤S3得到的TI-ResNet模型，以现场高炉生产的实时/离线高炉风口回旋区监控数据作为输入数据对生产中的高炉炉况情况进行监督和预测，监控数据需要经过S1的图像预处理后，再输入TI-ResNet模型；另外将分类结果存入数据库中，形成更新的风口图像数据库，再按规定时间频率采用递增数据集形式经过S2-S3自学习、重构和优化，TI-ResNet模型基于数据库的更新状态，同时更新TI-ResNet模型的权重和参数。
进一步地，所述步骤S1中的特征频率，可根据生产实际情况，采用帧/秒、帧/分钟、帧/小时、帧/天为单位，基于高炉生产稳定或波动特性选取。例如，当炉况波动程度大时，可以选取更大的频率，如每分钟10帧的频率；当生产变化小和炉况稳定时，为节省计算成本和提高模型效率可以选择更小的频率，如每小时6帧的频率。
进一步地，所述步骤S1中预处理的方法包括：选择空域滤波对高炉风口图像进行大概率的脉冲噪声去除并平滑非脉冲噪声；再通过设定阈值，对影响小的像素灰度忽略，影响大的转化成黑色，并将图像整体灰度上移，进而增强图像质量。
进一步地，所述步骤S1中去噪处理采用空域滤波中的自适应中值滤波去除较大概率的脉冲噪声并平滑非脉冲噪声。
进一步地，所述步骤S2中以风口图像煤团面积、未燃煤粉团面积、风口图像色彩空间的高维特征作为分类标准。
进一步地，所述步骤S2中以风口图像煤团面积作为分类标准，将风口图像数据集按照少量堵塞、大部分堵塞、完全堵塞三种类型分为三类并对各类别制作标签。
进一步地，所述步骤S2包括：基于无监督聚类方法对S1中的二值化图像进行聚类和自动生成图像特征的标签，在预先不确定目标类别的情况下，以目标度量标准的相似性，在同一聚类之间最小化，而在不同聚类之间最大化，形成不同标签样本数据库，完成数据样本的自动标签化步骤。
进一步地，所述步骤S2中采用谱聚类方法对S2中的二值化图像进行聚类和自动生成图像特征的标签，谱聚类方法具体为：对于n幅图像，建立亲和矩阵，其是一个n×n的矩阵，矩阵中的每个元素表示两两之间的相似性分数，进而对该谱矩阵特征分解得到特征向量完成降维，然后聚类。
进一步地，所述步骤S3的TI-ResNet模型具体由1个输入层、5个卷积层、3个ResBlock块、1个全局平均池化层、2个全连接层，最后为SoftMax函数分类输出层构成，其中卷积层用于提取图像特征，卷积层中包含正则化和Relu操作，池化层进行最大池化操作，通过卷积、池化步骤逐层进行风口图像的特征学习，通过输出层进行分类，并且存储相应网络参数和高维权重矩阵，从而形成训练后的TI-ResNet模型。
进一步地，所述步骤S4中的规定时间频率，可根据生产实际情况每天/每星期/每月/每季度更新TI-ResNet模型；所述规定时间频率递增形式训练，可以为全部采用前次模型训练后形成的数据集进行TI-ResNet模型的增强训练，亦可按时间序列选用前次训练数据子集和新形成数据集的联合数据库进行增强训练TI-ResNet模型。
进一步地，所述步骤S1及S4的监控数据包括监控视频、录像及图像中的一种或多种。
与现有技术相比，本发明的有益效果为：
本发明通过从高炉风口监测视频图像，按特征频率提取样本图像，对样本图像进行预处理、分类和自动生成标签，形成标签化的海量风口图像数据集并建立相应数据库，进而应用大数据技术和改进的卷积深度学习神经网络模型提取特征，最终利用已建立的训练好的智能TI-ResNet模型，基于生产高炉实时或离线获得的风口监控数据，包括监控视频、录像或图像，对高炉冶炼过程中实时的风口回旋区视频图像进行特征提取，进行实现高炉炉况的监督和预测，本发明的TI-ResNet模型为基于自动数据提取、自动标签化、自动深度模型训练、自动基于更新数据集增量更新模型权重的闭环可在线或离线应用的深度智能模型，并且可应用建立的智能算法和模型进行在线或离线炉况异常监督和预测。
附图说明
图1是本发明所述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的流程图；
图2是本发明风口数据图像预处理采用的自适应中值滤波流程示意图；
图3是本发明风口图像预处理过程中原图、经过自适应中值滤波与伽马变换的图像，灰度图像及灰度上移图像对比图；
图4是本发明对预处理图像数据聚类后分类结果示意图；
图5是本发明的TI-ResNet模型中ResBlock块示意图；
图6是本发明的TI-ResNet模型结构层次组织示意图；
图7是本发明的SoftMax分类示意图。
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用以解释本发明，并不用于限定本发明。
本发明提供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，包括如下步骤：
S1.基于高炉风口回旋区监控数据，按特征频率提取风口图像，形成原始的风口图像数据集，预处理后存入数据库；其中预处理包括：
采用自适应中值滤波与伽马变换相结合的方式对风口图像进行去噪处理，得到去噪风口图像样本；然后使用灰度二值化算法与灰度上移相结合的方式对去噪风口图像样本进行增强图片对比度处理，获得清晰的二值化图像，即图像质量提高后的风口图像样本；
S2.基于无监督聚类方法对数据库中的风口图像数据集进行聚类和自动生成图像特征的类别标签，建立具有不同类别标签的风口图像样本数据库；
本发明对所述生产高炉的风口图像进行实时导入、存储和形成大数据集，将风口视频按特征频率进行提取，形成原始风口图像数据集，通过对风口图像数据集进行预处理后应用无监督聚类方法进行聚类，所述步骤S2中以风口图像煤团面积、未燃煤粉团面积、风口图像色彩空间的高维特征等作为分类标准，自动将图像数据集进行分类并对各类别自动制作标签，形成各类别带标签的样本数据库；其中特征频率按照帧/秒、帧/分钟、帧/小时、帧/天为单位，基于高炉生产稳定或波动特性等进行提取，这样规定的好处是，高炉风口视频数据量巨大，相对来说，在高炉稳定生产时，异常炉况的样本的数量少，根据生产实际情况，提取的特征频率的跨度可以不同。针对不同情况下可按需设定特征频率，有利于模型训练速度、灵敏度、鲁棒性和准确性的提高。
选择空域滤波对高炉风口图像进行大概率的脉冲噪声去除并平滑非脉冲噪声；再通过设定阈值，对影响小的像素灰度忽略，影响大的转化成黑色，并将图像整体灰度上移，进而增强图像质量。
所述步骤S1中去噪处理采用空域滤波中的自适应中值滤波去除较大概率的脉冲噪声并平滑非脉冲噪声，自适应的中值滤波器需要一个矩形的窗口Sxy，和常规中值滤波器不同的是这个窗口的大小会在滤波处理的过程中进行改变(增大)。滤波器的输出是一个像素值，该值用来替换点(x,y)处的像素值，点(x,y)是滤波窗口的中心位置。在描述自适应中值滤波器时需要用到如下的符号：Zmin是Ssy中的最小灰度值；Zmax是Ssy中的最大灰度值；Zmed是Ssy中的灰度值中值；Zxy是坐标(x,y)处的灰度值；Smax是Ssy允许的最大窗口尺寸。
自适应中值滤波器有两个处理过程，分别记为：A和B。过程A的目的是确定当前窗口内得到中值Zmed是否是噪声。如果Zmin＜Zmed＜Zmax，则中值Zmed不是噪声，这时转到过程B测试，当前窗口的中心位置的像素Zxy是否是一个噪声点。如果Zmin＜Zxy＜Zmax，则Zxy不是一个噪声，此时滤波器输出Zxy；如果不满足上述条件，则可判定Zxy是噪声，这时输出中值Zmed(在A中已经判断出Zmed不是噪声)；
如果在过程A中，得到则Zmed不符合条件Zmin＜Zmed＜Zmax，则可判断得到的中值Zmed是一个噪声。在这种情况下，需要增大滤波器的窗口尺寸，在一个更大的范围内寻找一个非噪声点的中值，直到找到一个非噪声的中值，跳转到B；或者，窗口的尺寸达到了最大值，这时返回找到的中值，退出。自适应中值滤波以改善图像主观质量为目标，对图像进行去噪处理。
由于高炉风口图像视频数据随着时间积累，形成海量数据，虽可通过人工生成图像特征的分类标签，但工作量巨大且受主观性影响带来分类标签标定误差。本发明提出对数据库中的风口图像进行如下自动分类方式：基于无监督聚类方法对S1中的二值化图像进行聚类和自动生成图像特征的标签，在预先不确定目标类别的情况下，以目标度量标准(例如：样本空间中的样本距离特征)的相似性，在同一聚类之间最小化，而在不同聚类之间最大化，形成不同标签样本数据库，完成数据样本的自动标签化步骤。
本发明选用的聚类方法不拘泥于一种，可结合具体情况选择不同目标度量标准，本发明采用的谱聚类方法是其中之一，具体为：对于n幅图像，建立亲和矩阵，其是一个n×n的矩阵，矩阵中的每个元素表示两两之间的相似性分数，进而对该谱矩阵特征分解得到特征向量完成降维，然后聚类。在采用的谱聚类方法时仅需输入相似性矩阵，且可采用任意度量方式构建该相似性矩阵。本发明中谱聚类是通过最小割，借助了拉普拉斯映射的思想，从而用携带切割信息的特向来表征原流形数据，再去聚类。相似性矩阵采用正则化的拉普拉斯矩阵，其可保持原流形数据相似度的情况下，直接降维到低维空间。
S3.基于ResNet卷积神经网络，建立风口图像预测深度神经网络模型TI-ResNet(Tuyere Image ResNet)，利用TI-ResNet模型对具有不同标签的风口图像样本数据库，进行特征学习，提取图像数据内样本特征，训练后深度学习监督及预测的TI-ResNet模型。
S4.基于步骤S3得到的TI-ResNet模型，以现场高炉生产的实时/离线高炉风口回旋区监控数据(包括监控视频、录像或图像)作为输入数据，通过输出层的SoftMax函数对生产中的高炉炉况情况进行实时预测，监控数据需要经过S1的图像预处理后，再输入进行分类及预测；另外将分类结果存入数据库中，与之前的数据库中的历史风口图像混合到一起，随着图像数量的剧增，可以自定义数据集的数量和图像类别的占比，形成更新的风口图像数据库，再按规定时间频率采用递增数据集形式经过S2-S3自学习、重构和优化，TI-ResNet模型基于数据库的更新状态，实时更新TI-ResNet模型的权重和参数，形成闭环自动数据化、自动标签化、自动基于更新数据集训练深度卷积神经网络TI-ResNet的智能在线或离线算法和模型。
TI-ResNet模型为基于ResNet卷积神经网络模型的改进版，称为风口图像预测深度神经网络模型。基于S2中建立的不同标签数据库对TI-ResNet进行大数据学习和深度训练，利用建立的结构层次特征的卷积神经网络(CNN)对不同标签数据库进行特征学习，提取海量风口图像数据的样本特征，并对学习到的特征进行辨识、分类，所述TI-ResNet模型，其具体由1个输入层、5个卷积层、3个ResBlock块、1个全局平均池化层、2个全连接层，最后为SoftMax函数分类输出层构成：
卷积层用于提取图像特征；其中的卷积层中包含正则化和Relu操作。通过卷积、池化步骤逐层进行风口图像的特征学习，其中的池化层进行最大池化操作，通过输出层进行分类，并且保存好网络权重，形成训练后的模型。
所述深度卷积神经网络模型基于数据库的更新状态，按规定时间频率递增形式训练、更新或冻结网络权重和参数，获得实时更新数据新模型。
所述按规定时间频率可以每天、每星期、每月、每季度等进行更新或存储风口图像数据及训练建立的TI-ResNet模型；所述递增形式是基于高炉每时每刻都在运行，高炉风口回旋区视频无时无刻不在产生，这又为数据库提供了新的数据，经过S4操作，风口图像数据集增加，打乱数据库中所有风口图像，对模型进一步训练，每次更新时，模型权重更新，提高模型对时序数据的敏感性、鲁棒性，提高模型预报的准确性。发明的方法和模型可以并行存储，可以包括不同参数的网络模型。使网络不仅是单一模型，也可以根据需要选定网络层数和是否更新冻结权重和参数。包括更新、冻结几层网络权重和参数，增加或减少ResBlock块及改变残差跳连结构等。
实施例
本发明提供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，流程如图1所示，具体包括如下步骤：
步骤S1：采集生产高炉风口回旋区视频，原始视频按照10分钟每帧的频率进行图像的连续提取，预处理后存储进入样本数据库，形成原始的风口图像数据集；其中预处理包括：
S1A：针对图像模糊、存在噪声问题，通过分析图像的频谱信息和直方图信息判断图像的噪声类型，利用自适应中值滤波与伽马变换相结合的方式对高炉回旋区图像进行去噪处理，如图2所示。自适应的中值滤波器不但能够滤除概率大的椒盐噪声，而且能够更好的保护图像的细节。自适应的中值滤波器需要一个矩形的窗口Sxy，和常规中值滤波器不同的是这个窗口的大小会在滤波处理的过程中进行改变，即增大。滤波器的输出是一个像素值，该值用来替换点(x,y)处的像素值，点(x,y)是滤波窗口的中心位置。
在描述自适应中值滤波器时需要用到如下的符号：
Zmin是Ssy中的最小灰度值；
Zmax是Ssy中的最大灰度值；
Zmed是Ssy中的灰度值中值；
Zxy是坐标(x,y)处的灰度值；
Smax是Ssy允许的最大窗口尺寸。
自适应中值滤波器有两个处理过程，分别记为：A和B。
A：
A1＝Zmed-Zmin；
A2＝Zmed-Zmax。
如果A1>0且A2<0，跳转到B；否则，增大窗口的尺寸；如果增大后窗口的尺寸不大于Smax，则重复A过程。否则，输出Zmed。
B：
B1＝Zxy-Zmin；
B2＝Zxy-Zmax。
如果B1>0且B2<0，则输出Zxy。否则输出Zmed。
采用的自适应中值滤波方法如下：
过程A的目的主要为确定当前窗口内得到的中值Zmed是否是噪声。如果Zmin＜Zmed＜
Zmax，则中值Zmed不是噪声；这时转到过程B，测试当前窗口中心位置的像素Zxy是否是一个噪声点，如果Zmin＜Zxy＜Zmax，则Zxy不是一个噪声，此时滤波器输出Zxy；如果不满足上述条件，则可判定Zxy是噪声，输出中值Zmed。
如果在过程A中，得到Zmed不符合条件Zmin＜Zmed＜Zmax，则可判断得到的中值Zmed是一个噪声。在这种情况下，需要增大滤波器的窗口尺寸，在一个更大的范围内寻找一个非噪声点的中值，直到找到一个非噪声的中值，跳转到B；或者，窗口的尺寸达到了最大值，这时返回找到的中值，退出。自适应中值滤波以改善图像主观质量为目标，对图像进行去噪处理。
除噪后的图像进一步再经过式(1)进行非线性伽马变换，增强图像中较暗区域的灰度值，并且可降低图像中灰度值过大的区域的灰度值。经过伽马变换，图像整体的细节表现会得到增强。在公式(1)中，r为灰度图像的输入值，即原始灰度值，取值范围为[0,1]；s为经过伽马变换后的灰度输出值；c为灰度缩放系数，通常取1；γ为伽马因子，其数值控制了整个变换的缩放程度。伽马变换主要用于图像的校正，根据参数γ的选择不同，能够修正图像中灰度过高(γ>1)或者灰度过低(γ<1)的区域，将灰度过高或者灰度过低的图片进行修正，增强对比度。变换公式是对原图像上每一个像素值做乘积运算，其原理为：
s＝crγr∈[0，1]#(1)
其中，γ值以1为分界，值越小，对图像低灰度部分的扩展作用就越强；值越大，对图像高灰度部分的扩展作用就越强。通过不同的γ值，就可以达到增强低灰度或高灰度部分细节的作用。伽马变换对于图像对比度偏低，并且整体亮度值偏高情况下的图像增强效果明显，尤其对本发明的高炉风口图像进行增强，提高后续TI-ResNet输入参数的质量。
S1B：采用灰度二值化算法与灰度上移相结合的方式进一步对S1A处理后的图片进行对比度增强处理，从而得到清晰二值化图像。先通过全局阈值法进行分割，再通过局部自适应阈值的二值化算法处理图像，得到二值化图像。将得到的二值化图像进行灰度上移变换。具体为：首先采用全局阈值法计算图像的整体阈值T1，对剩下的区域，通过自适应阈值进行判断，将得到的二值化图像进行灰度上移变换DB＝DA+50，其中DA是当前图像灰度值，DB是灰度上移之后的灰度值。该算法将实现图像灰度值的上移，从而提升图像的亮度。由于图像的灰度值位于0至255区间之内，所以需要对灰度值进行溢出判断。
图3给出经过步骤S1A和步骤S1B的图像处理过程和结果。
步骤S2：对所述的风口图像数据集进行无监督算法聚类。结合S1的原始视频图像按10分钟每帧的频率进行提取后，再经过步骤S1A、S1B的图像预处理之后的图像数据库，作为本步骤的输入样本进行无监督聚类分析。本发明采用的无监督谱聚类算法过程如下：对于n个元素(如n幅图像)，相似矩阵(或亲和矩阵，有时也称距离矩阵)是一个n×n的矩阵，矩阵每个元素表示两两之间的相似性分数。对该谱矩阵进行特征分解得到的特征向量可以用于降维，然后聚类。本发明采用的相似矩阵为正则化的拉普拉斯矩阵，见公式(2)。图的拉普拉斯矩阵的定义为L＝D-A，其中A＝[aij]为图的邻接矩阵，D＝[dij]为度矩阵。D是对角矩阵，其中对角元素满足dij＝∑jaij，I为单位矩阵，Lsym为正则化的拉普拉斯矩阵，采用拉普拉斯矩阵的优点体现在：
a.拉普拉斯矩阵是一种图的矩阵表示。
b.拉普拉斯映射是在保持原流形数据相似度的情况下，直接降维到低维空间。
c.谱聚类是通过最小割，借助了拉普拉斯映射的思想，从而用携带切割信息的特征向量来表征原流形数据，再去聚类。相比于传统聚类，谱聚类更侧重于数据相似度信息的保留，更具有针对性，计算效率也更高，本发明采们用L2距离进行特征相似提取，见公式(3)，其中I1和I2是p维列向量，d代表距离。
对所述风口图像数据集，将风口视频进行图像提取，通过无监督聚类方法，以风口图像煤团面积作为分类标准，将风口图像数据集按照少量堵塞、大部分堵塞、完全堵塞三种类型自动分为3类(聚类数k)并对各类别自动制作标签；图4显示了运行后的聚类示意图，图中a类为少量堵塞，b类为完全堵塞，c类为大部分堵塞。
步骤S3：基于ResNet卷积神经网络，建立了风口图像预测深度神经网络模型Tuyere Image ResNet(以下简称为TI-ResNet)。网络结构层次如图6所示，具体为：包括1个输入层、5个卷积层、3个ResBlock块、全连接层和输出层。其中，输入层用于将所述建立数据库中的已标签化的图像输入所述卷积神经网络；卷积运算可以通过N个卷积核生成N通道特征映射，核与输入之间地卷积可以表示为
其中，输入图像的形状为(w,h,d)，卷积核大小为(k1,k2,d)，卷积核的数量为f，则输出特征图的形状为(w,h,f)。卷积核每个位置的权重为ωi，i，l，对应卷积区域每个位置值为xi，j，l，每个卷积区域卷积后输出值为z，b为偏移量。
卷积层和池化层负责进行特征的提取，最后的全局平均池化均匀提取特征并通过输出层负责完成分类任务。为了避免过拟合，池化层经常用来进行下采样。池化操作数学上定义为
Yr＝pooling(Zr，L，W，m)#(5)
其中，Zr为输入第r通道上长度为L，宽度为W的池化区域，Yr为池化结果，m为池化规则。这里m可以选择最大池化和平均池化，即分别计算池化区域内所有特征值的最大值和平均值。为了避免过拟合，使用dropout函数随机舍弃。之后，经过全连接层和SoftMax函数得到样本各个标签的概率。SoftMax函数如公式(6)所示。ResBlock块如图5所示，其中，1×1卷积核的作用为：实现降维和升维的操作。卷积的实质是将通道间的信息进行线性组合，降维减少参数，在不同通道的网路中，用最少的参数拓宽网络通道升维。本发明设计的TI-ResNet的主要思想是在网络中增加了直连通道，允许保留之前网络层的一定比例的输出，允许原始输入信息直接传到后面的层中。与传统的卷积网络或者全连接网络相比，传统卷积网络在信息传递的时候或多或少存在信息丢失，损耗等问题，同时还有导致梯度消失或者梯度爆炸的问题，导致很深的网络无法训练。本发明设计的TI-ResNet解决了这个问题。
输出层通过SoftMax函数进行分类：
y＝SoftMax(f(x))＝SoftMax(ωijxj+b)#(8)
其中，公式(6)采用的是输入数据与权重的乘积之和再加上一个偏置b的方式。偏置b存在的意义是为了加上一定的噪声。对于公式(7)，SoftMax的作用就是将公式(6)中的计算结果进行概率转化，亦可以被看作是一个激励函数，分子通过指数函数，将实数输出映射到零到正无穷。分母将所有结果相加，进行归一化。将计算模型的输出转换为在一定范围内的数值，并且在总体内使得这些数值的和为1。SoftMax把输入值当成幂指数求值，再正则化这些结果值，其计算公式由方程(8)给出，并且图7解释了本发明使用SoftMax过程。幂运算表示更大的概率计算结果，对应假设模型中更大的乘数权重值；反之，拥有更小概率计算结果意味着在假设模型中拥有更小的乘数。假设模型中的权重值必须为正数。SoftMax将正则化这些权重值，把计算模型的输出转换为在一定范围内的数值，并且在总体内使得这些数值的和为1，以此构造一个有效的概率分布。
最后，利用TI-ResNet模型对风口图像数据集进行特征学习，提取图像数据内所有样本特征，得到深度学习网络模型；TI-ResNet网络模型基于数据库的更新状态，每天零点TI-ResNet基于更新数据库递增训练，更新网络权重和参数，获得实时更新数据的新网络模型；风口图像数据集增加，打乱数据库中所有风口图像，对模型进一步训练，提高模型准确性，每次定时更新时，进行一次模型权重更新。此网络模型可以并行存储，可以包括不同参数的网络模型。使网络不仅是单一模型，也可以根据需要选定网络层数和是否更新冻结权重和参数。例如：更新、冻结几层网络权重和参数，增加或减少ResBlock块及改变残差跳连结构等。并实时补充存入数据库中。
步骤S4：基于步骤S3中建立的深度学习的TI-ResNet模型和现场高炉生产的实时风口监测视频对生产中的高炉炉况情况进行实时预测，新产生的高炉风口回旋区监控数据经过步骤S1的操作，直接进入步骤S3中训练好的TI-ResNet模型进行监督及预测；再把此部分分类结果与之前的数据库中的原始风口图像混合到一起，再经过步骤S2、S3的顺序自学习、重构和优化，模型具有在线闭环自动化学习的智能模型特征。
以上技术方案阐述了本发明的技术思路，不能以此限定本发明的保护范围，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上技术方案所作的任何改动及修饰，均属于本发明技术方案的保护范围。
Claims (8)
1.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，其特征在于，包括如下步骤：
S1.基于高炉风口回旋区监控数据，按特征频率提取风口图像，形成原始的风口图像数据集，预处理后存入数据库；其中预处理包括：
采用自适应中值滤波与伽马变换相结合的方式对风口图像进行去噪处理，得到去噪风口图像样本；然后使用灰度二值化算法与灰度上移相结合的方式对去噪风口图像样本进行增强图片对比度处理，获得清晰的二值化图像，即图像质量提高后的风口图像样本；
S2. 基于无监督聚类方法对数据库中的风口图像数据集进行聚类和自动生成图像特征的类别标签，建立具有不同类别标签的风口图像样本数据库；
采用谱聚类方法对S2 中的二值化图像进行聚类和自动生成图像特征的标签，谱聚类方法具体为：对于n 幅图像，建立亲和矩阵，其是一个n×n 的矩阵，矩阵中的每个元素表示两两之间的相似性分数，进而对该谱矩阵特征分解得到特征向量完成降维，然后聚类，并且自动生成图像特征的标签，在预先不确定目标类别的情况下，以目标度量标准的相似性，在同一聚类之间最小化，而在不同聚类之间最大化，形成不同标签样本数据库，完成数据样本的自动标签化；
S3.基于ResNet卷积神经网络，建立面向风口图像的深度神经网络预测模型TI-ResNet（Tuyere Image ResNet），利用TI-ResNet模型对S2中具有不同标签的风口图像样本数据库，进行特征学习，提取图像数据内样本特征，得到训练后深度学习监督及预测的TI-ResNet模型，存储训练后优化后的网络参数和高维权重矩阵；
S4. 基于步骤S3得到的TI-ResNet模型，以现场高炉生产的实时/离线高炉风口回旋区监控数据作为输入数据对生产中的高炉炉况情况进行监督和预测，监控数据需要经过S1的图像预处理后，再输入TI-ResNet模型；另外将分类结果存入数据库中，形成更新的风口图像数据库，再按规定时间频率采用递增数据集形式经过S2-S3自学习、重构和优化，TI-ResNet模型基于数据库的更新状态，同时更新TI-ResNet模型的权重和参数。
2.根据权利要求1所述的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，其特征在于，所述步骤S1中的特征频率可根据生产实际情况，采用帧/秒、帧/分钟、帧/小时、帧/天为单位，基于高炉生产稳定或波动特性选取。
3.根据权利要求1所述的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，其特征在于，所述步骤S1中预处理的方法包括：选择空域滤波对高炉风口图像进行的脉冲噪声去除并平滑非脉冲噪声；再通过设定阈值，对影响小的像素灰度忽略，影响大的转化成黑色，并将图像整体灰度上移，进而增强图像质量。
4.根据权利要求3所述的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，其特征在于，所述步骤S1中去噪处理采用空域滤波中的自适应中值滤波去除的脉冲噪声并平滑非脉冲噪声。
5.根据权利要求1所述的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，其特征在于，所述步骤S2中以风口图像煤团面积或未燃煤粉团面积或风口图像色彩空间的高维特征作为分类标准。
6.根据权利要求5所述的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，其特征在于，所述步骤S2中以风口图像煤团面积作为分类标准，将风口图像数据集按照少量堵塞、大部分堵塞、完全堵塞三种类型分为三类并对各类别自动制作标签。
7.根据权利要求1所述的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，其特征在于，所述步骤S3的TI-ResNet模型具体由1个输入层、5个卷积层、3个ResBlock块、1个全局平均池化层、2个全连接层，最后为SoftMax函数分类输出层构成，其中卷积层用于提取图像特征，卷积层中包含正则化和Relu操作，池化层进行最大池化操作，通过卷积、池化步骤逐层进行风口图像的特征学习，通过输出层进行分类，并且存储相应网络参数和高维权重矩阵，从而形成训练后的TI-ResNet模型。
8.根据权利要求1所述的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，其特征在于，所述步骤S4中的规定时间频率，根据生产实际情况每天/每星期/每月/每季度更新TI-ResNet模型；所述规定时间频率递增形式训练，为全部采用前次模型训练后形成的数据集进行TI-ResNet模型的增强训练，或按时间序列选用前次训练数据子集和新形成数据集的联合数据库进行增强训练TI-ResNet模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110187003.0A CN112819802B (zh) | 2021-02-09 | 2021-02-09 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110187003.0A CN112819802B (zh) | 2021-02-09 | 2021-02-09 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112819802A CN112819802A (zh) | 2021-05-18 |
| CN112819802B true CN112819802B (zh) | 2024-03-05 |
Family
ID=75865394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110187003.0A Active CN112819802B (zh) | 2021-02-09 | 2021-02-09 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819802B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114645105B (zh) * | 2022-04-12 | 2023-03-31 | 攀钢集团攀枝花钢铁研究院有限公司 | 钒钛矿高炉炉况稳定性评价方法 |
| CN114972343B (zh) * | 2022-07-29 | 2022-10-25 | 山东睿鑫激光科技有限公司 | 一种激光焊接产品生产异常检测方法 |
| CN116012346B (zh) * | 2023-02-01 | 2023-06-09 | 江苏天南电力股份有限公司 | 一种输电线路监测方法及系统 |
| CN116071265B (zh) * | 2023-02-21 | 2023-08-08 | 哈尔滨工业大学 | 基于空间自适应自监督学习的图像去噪方法 |
| CN116459731B (zh) * | 2023-04-20 | 2024-01-09 | 深圳市正泰隆科技有限公司 | 一种铝合金自动配料数据处理方法及系统 |
| CN116520915B (zh) * | 2023-06-28 | 2023-09-05 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制系统 |
| CN117272031B (zh) * | 2023-11-21 | 2024-02-06 | 唐山智诚电气（集团）有限公司 | 一种基于多来源的煤流平衡自适应控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544261A (zh) * | 2019-09-04 | 2019-12-06 | 东北大学 | 一种基于图像处理的高炉风口喷煤状态检测方法 |
| CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
| WO2020193708A1 (en) * | 2019-03-28 | 2020-10-01 | F. Hoffmann-La Roche Ag | Machine learning using distance-based similarity labels |
| CN112132843A (zh) * | 2020-09-30 | 2020-12-25 | 福建师范大学 | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 |
| CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
| CN112182854A (zh) * | 2020-09-09 | 2021-01-05 | 中南大学 | 一种高炉异常炉况智能监测方法及系统 |
-
2021
- 2021-02-09 CN CN202110187003.0A patent/CN112819802B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020193708A1 (en) * | 2019-03-28 | 2020-10-01 | F. Hoffmann-La Roche Ag | Machine learning using distance-based similarity labels |
| CN110544261A (zh) * | 2019-09-04 | 2019-12-06 | 东北大学 | 一种基于图像处理的高炉风口喷煤状态检测方法 |
| CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
| CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
| CN112182854A (zh) * | 2020-09-09 | 2021-01-05 | 中南大学 | 一种高炉异常炉况智能监测方法及系统 |
| CN112132843A (zh) * | 2020-09-30 | 2020-12-25 | 福建师范大学 | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Deep Learning-Based Diagnosis Model Driven by Tuyere Images Big Data for Iron-Making Blast Furnaces;qiang li等;《STEEL RESEARCH INTERNATIONAL》;第93卷(第8期);正文1-11 * |
| Prediction of Blast Furnace Temperature Based on Multi-information Fusion of Image and Data;Gui-mei CUI等;《2018 CHINESE AUTOMATION CONGRESS》;2317-2322 * |
| 基于数据的高炉炉况分析;吴英伟;《CNKI中国优秀硕士毕业论文全文库（工程科技Ⅰ辑）》(第8期);B023-8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112819802A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112819802B (zh) | 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 | |
| CN108090919A (zh) | 一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法 | |
| CN112541508A (zh) | 果实分割识别方法及系统、果实采摘机器人 | |
| CN110544261B (zh) | 一种基于图像处理的高炉风口喷煤状态检测方法 | |
| CN103116756A (zh) | 一种人脸检测与跟踪方法及装置 | |
| CN114240892A (zh) | 一种基于知识蒸馏的无监督工业图像异常检测方法及系统 | |
| CN111444963A (zh) | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
| CN114549955A (zh) | 一种高炉出铁终点在线智能识别方法及系统 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN115424177A (zh) | 一种基于增量学习的孪生网络目标跟踪的方法 | |
| CN116630748A (zh) | 一种基于熔盐图像特征的稀土电解槽状态多参数监测方法 | |
| CN115272225A (zh) | 一种基于对抗学习网络的带钢表面缺陷检测方法及系统 | |
| Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
| Yang et al. | Multisource Information Fusion for Autoformer: Soft Sensor Modeling of FeO Content in Iron Ore Sintering Process | |
| CN116543414A (zh) | 多模型融合的舌质颜色分类及舌质红度和紫度量化方法 | |
| CN112734722B (zh) | 一种基于改进完全局部二值模式火焰终点碳含量预测方法 | |
| Zhang et al. | Unsound wheat kernel recognition based on deep convolutional neural network transfer learning and feature fusion | |
| Chen et al. | Recognition of sintering state in rotary kiln using a robust extreme learning machine | |
| Jia et al. | LPSST: Improved Transformer Based Drainage Pipeline Defect Recognition Algorithm | |
| Wang et al. | Automatic area measurement of ring cooler corner images based on EU-Net | |
| CN112966870B (zh) | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 | |
| Zhao et al. | Research on Blast Furnace Air Outlet State Identification Model Based on Improved ResNet18 | |
| CN116453116B (zh) | 一种高适应性的明场细胞活死分类算法 | |
| Zhong et al. | A Semi-Supervised Learning-based Dynamic Prediction Method for Semi-molten Condition of Fused Magnesium Furnace |
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 |