CN113319259A - 一种基于空间-时序特征的黏结漏钢逻辑判断方法 - Google Patents
一种基于空间-时序特征的黏结漏钢逻辑判断方法 Download PDFInfo
- Publication number
- CN113319259A CN113319259A CN202110630310.1A CN202110630310A CN113319259A CN 113319259 A CN113319259 A CN 113319259A CN 202110630310 A CN202110630310 A CN 202110630310A CN 113319259 A CN113319259 A CN 113319259A
- Authority
- CN
- China
- Prior art keywords
- area
- breakout
- bonding
- cold
- hot
- 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.)
- Granted
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
- B22D11/18—Controlling or regulating processes or operations for pouring
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Continuous Casting (AREA)
Abstract
本发明涉及钢铁冶金领域的一种基于空间‑时序特征的黏结漏钢逻辑判断方法,其特点是,包括:搜索黏结漏钢的热区域和冷区域;获取热区域空间‑时序特征;获取冷区域空间‑时序特征;真伪黏结漏钢判断等步骤。本发明基于连铸结晶器漏钢可视化监控系统,利用黏结漏钢热区域和冷区域特征,采用逻辑判断方法对真伪黏结漏钢进行判断,为连铸漏钢检测提供准确、快速的判断方法。
Description
技术领域
本发明属于钢铁冶金连铸技术领域,是一种基于空间-时序特征的黏结漏钢逻辑判断方法。
背景技术
漏钢作为连铸生产中重大灾难性事故,不仅给正常的生产秩序带来极大干扰,同时破坏连铸机设备,造成巨大的经济损失。为了减少漏钢事故对连铸生产的干扰,漏钢的主要影响因素受到了冶金工作者们的广泛关注,漏钢预报方法也在不断的优化和研究中。普遍认为,铸坯黏结漏钢形成于弯月面附近,由结晶器润滑不良、摩擦力过大而导致的坯壳撕裂是诱发铸坯黏结的直接原因,与钢水成分、保护渣性能等因素密切相关,同时,也受液面波动、拉速突变、人工操作等外部因素的影响。
受限于连铸结晶器的特殊工况和不可见特点,通常利用结晶器热电偶温度信号,捕捉黏结漏钢的典型温度模式,建立漏钢的逻辑判断模型,或者建立BP神经网络、聚类等智能模型,进而实现对连铸漏钢的预报,然而,目前这种基于一维温度信号的漏钢识别和预测方法,在生产实践中逐渐暴露出一些不足,主要表现为漏报和频繁误报等问题。究其根本,主要是由于连铸漏钢形成、发展过程具有空间和时间传播特征,仅依靠一维温度特征趋势难以捕捉黏结的空间-时序特征。
专利文件CN108580827公开了一种基于凝聚层次聚类预报结晶器漏钢的方法,该专利通过从黏结漏钢样本集和正常工况样本集中各自随机选取等量样本,与在线实测温度样本构成随机样本集,并实施层次聚类,之后,检测在线实测温度样本是否属于黏结漏钢类簇,识别和预报漏钢,该发明不需要人为定义参数,可以有效提高漏钢识别准确率,然而在实际生产过程中,结晶器温度曲线受保护渣性能、液位波动、钢水流动等因素影响,经常会出现较大的温度波动,使模型误报警明显增加。
专利文件CN101850410公开了一种基于神经网络的连铸漏钢预报方法,该专利通过在线采集连铸现场热电偶的温度数据并存储该温度数据,对所述温度数据进行预处理,然后将经过所述预处理后的从任一个热电偶上采集的温度数据输入到单偶时序网络漏钢预报模型,并对单偶时序网络漏钢预报模型的输出值与最大判别阈值进行比较,如果该单偶时序网络漏钢预报模型的输出值大于最大判别阈值,则预报漏钢会发生;其特征在于,使用遗传算法来初始化该单偶时序网络漏钢预报模型的连接权值和阈值。该方法能够提高对连铸黏结漏钢过程的识别效果和预报精度,然而也容易引起误报警过多的问题。
发明内容
本发明目的是克服现有技术的不足,利用热电偶温度信号对结晶器铜板进行可视化,获取黏结漏钢的热区域和冷区域特征,当温热像图中温度上升速率超过0.3℃/s的异常像素区域即热区域,当温度下降速率超过-0.15℃/s的异常像素区域即冷区域,温度波动越大。分析典型黏结漏钢时间演化特征,重点分析真伪黏结漏钢在面积、温度速率和位置的空间特征,将黏结区域温度特征与逻辑判断方法相结合,可以为漏钢判定以及真伪粘结区分提供依据,有助于更加全面、准确地解析结晶器内铸坯表面的瞬时形态。
本发明的目的是由以下技术方案来实现的:一种基于空间-时序特征的黏结漏钢逻辑判断方法,其特征在于,它包括以下步骤:
1)搜索黏结漏钢的热区域和冷区域
(1)根据黏结异常区域和现场检测结果,建立结晶器内铸坯黏结样本数据库;
(2)基于连铸结晶器漏钢可视化监控系统,可视化呈现结晶器内黏结异常区域;
(3)搜索黏结漏钢的热区域和冷区域;
2)获取黏结漏钢热区域空间-时序特征
(1)获取热区域面积特征,确定黏结漏钢热区域面积最大值Shmax和最小值Shmin;
(2)获取热区域位置特征,确定黏结漏钢热区域的重心纵坐标的最大值Yhmax和最小值Yhmin;
(3)获取热区域n秒之内的温度速率特征,确定黏结漏钢热区域在n秒之内温度速率的最大值Ghmax和最小值Ghmin;
3)获取黏结漏钢冷区域空间-时序特征
(1)获取冷区域面积特征,确定黏结漏钢冷区域面积最大值Scmax和最小值Scmin;
(2)获取冷区域位置特征,确定黏结漏钢冷区域的重心纵坐标的最大值Ycmax和最小值Ycmin;
(3)获取冷区域n秒之内的温度速率特征,确定黏结漏钢冷区域在n秒之内温度速率的最大值Gcmax和最小值Gcmin;
4)真伪黏结漏钢判断
(1)获取未知异常区域的热区域面积Sh,若Shmax≥Sh≥Shmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(2)获取未知异常区域的热区域重心纵坐标Yh,若Yhmax≥Yh≥Yhmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(3)获取未知异常区域的热区域在n秒之内的温度速率Gh,若Ghmax≥Gh≥Ghmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(4)获取未知异常区域的冷区域面积Sc,若Shmax≥Sc≥Shmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(5)获取未知异常区域的冷区域重心纵坐标Yc,若Ycmax≥Yc≥Ycmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(6)获取未知异常区域的冷区域在n秒之内的温度速率Gc,若Gcmax≥Gc≥Gcmin,则将该未知的异常区域判定为真黏结,否则,将该未知的异常区域判定为伪黏结。
进一步,热区域n设定为5;黏结漏钢热区域面积最大值Shmax设定为7795个像素点,黏结漏钢热区域面积最小值Shmin设定为1973个像素点;黏结漏钢冷区域面积最大值Scmax设定为3084个像素点,黏结漏钢冷区域面积最小值Scmin设定为108个像素点;黏结漏钢冷区域的重心纵坐标的最大值Yhmax设定为热像图中纵向第64像素点,黏结漏钢冷区域的重心纵坐标的最小值Yhmin设定为热像图中第46像素点;黏结漏钢冷区域的重心纵坐标的最大值Ycmax设定为热像图中纵向第47像素点,黏结漏钢冷区域的重心纵坐标的最小值Ycmin设定为热像图中纵向第5像素点;黏结漏钢热区域在n秒之内温度速率的最大值Ghmax设定为4.92℃/s,黏结漏钢热区域在n秒之内温度速率的最小值Ghmin设定为2.89℃/s;黏结漏钢冷区域在n秒之内温度速率的最大值Gcmax设定为-0.57℃/s,黏结漏钢冷区域在n秒之内温度速率的最小值Gcmin设定为-4.22℃/s。
本发明一种基于空间-时序特征的黏结漏钢逻辑判断方法的有益效果是:本发明基于连铸结晶器漏钢可视化监控系统,利用黏结漏钢热区域和冷区域特征,采用逻辑判断方法,准确、快速地判断真伪黏结漏钢,同时,可以更加全面、准确地解析结晶器内铸坯表面的瞬时形态。该方法特别适用于板坯、圆坯的连铸漏钢真伪黏结判断。
附图说明
图1是连铸结晶器真伪黏结异常区域区分判别流程图;
图2是结晶器温度速率热像图;
图3是真黏结区域空间-时序特征热像图;
图4是伪黏结区域空间-时序特征热像图。
图中:1、真黏结热区域;2、真黏结冷区域;3、伪黏结热区域;4、伪黏结冷区域。
具体实施方式
以下结合实施例对本发明作进一步说明,但不限定本发明。
如图1所示,本发明的一种基于空间-时序特征的黏结漏钢逻辑判断方法,包括以下步骤:
1)搜索黏结漏钢的热区域和冷区域
(1)根据黏结异常区域和现场检测结果,建立结晶器内铸坯黏结样本数据库;
(2)基于连铸结晶器漏钢可视化监控系统,可视化呈现结晶器内黏结异常区域,其热像图如图2所示;
(3)搜索黏结漏钢的热区域和冷区域;
2)获取黏结漏钢热区域空间-时序特征
(1)获取热区域面积特征,确定黏结漏钢热区域面积的最大值Shmax和最小值Shmin;
(2)获取热区域位置特征,确定黏结漏钢热区域的重心纵坐标的最大值Yhmax和Yhmin;
(3)获取热区域5秒之内的温度速率特征,确定黏结漏钢热区域在5秒之内温度速率的最大值Ghmax和最小值Ghmin;
Shmax为7795个像素点,Shmin为1973个像素点;Yhmax为热像图中纵向第64像素点,Yhmin为热像图中第46像素点;Ghmax为4.92℃/s,Ghmin为2.89℃/s。
3)获取黏结漏钢冷区域空间-时序特征
(1)获取冷区域面积特征,确定黏结漏钢冷区域面积的最大值Scmax和最小值Scmin;
(2)获取冷区域位置特征,确定黏结漏钢冷区域的重心纵坐标的最大值Ycmax和Ycmin;
(3)获取冷区域5秒之内的温度速率特征,确定黏结漏钢冷区域在5秒之内温度速率的最大值Gcmax和最小值Gcmin;
Scmax为3084个像素点,Scmin为108个像素点;Ycmax为热像图中纵向第47像素点,Ycmin为热像图中纵向第5像素点;Gcmax为-0.57℃/s,Gcmin为-4.22℃/s。
4)真伪黏结漏钢判断
(1)获取未知异常区域的热区域面积Sh,若Shmax≥Sh≥Shmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(2)获取未知异常区域的热区域重心纵坐标Yh,若Yhmax≥Yh≥Yhmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(3)获取未知异常区域的热区域在5秒之内的温度速率Gh,若Ghmax≥Gh≥Ghmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(4)获取未知异常区域的冷区域面积Sc,若Shmax≥Sc≥Shmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(5)获取未知异常区域的冷区域重心纵坐标Yc,若Ycmax≥Yc≥Ycmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(6)获取未知异常区域的冷区域在5秒之内的温度速率Gc,若Gcmax≥Gc≥Gcmin,则将该未知的异常区域判定为真黏结,否则,将该未知的异常区域判定为伪黏结。
图3是真黏结区域空间-时序特征热像图,图4是伪黏结区域空间-时序特征热像图,表1是通过上述步骤获取的真伪黏结区域热像图的温度速率、面积和位置特征。其中,真黏结热区域1的面积为7795≥5101≥1973像素点,重心纵坐标位置为64≥52≥46像素点,温度速率为4.92℃/s≥4.82℃/s≥2.89℃/s;真黏结冷区域2的面积为3084≥505≥108像素点,重心纵坐标位置为47≥6≥5像素点,温度速率为-0.57℃/s≥-0.82℃/s≥-4.22℃/s。真黏结热区域1的特征符合真伪黏结漏钢判断条件(1)~(3),真黏结冷区域2的特征符合真伪黏结漏钢判断条件(4)~(6),可见,真黏结漏钢的热区域和冷区域的特征符合真伪黏结漏钢判断条件,因此判定为真黏结漏钢。伪黏结热区域3的面积为7795≥2372≥1973像素点,重心纵坐标位置为64≥50≥46像素点,温度速率为4.92℃/s≥3.76℃/s≥2.89℃/s;伪黏结冷区域4的面积为3084≥721≥108像素点,重心纵坐标位置为4≤5像素点,温度速率为-0.46℃/s≥-0.57℃/s。伪黏结热区域3的特征符合真伪黏结漏钢判断条件(1)~(3),伪黏结冷区域4的特征符合真伪黏结漏钢判断条件(4),但不符合真伪黏结漏钢判断条件(5)和(6),因此判定为伪黏结漏钢。
表1真伪黏结漏钢的热区域和冷区域特征
面积(像素点) | 纵向位置(像素点) | 温度速率(℃/s) | |
真黏结热区域1 | 5101 | 52 | 4.82℃/s |
真黏结冷区域2 | 505 | 6 | -0.82℃/s |
伪黏结热区域3 | 2372 | 50 | 3.76℃/s |
伪黏结冷区域4 | 721 | 4 | -0.46℃/s |
最后,基于国内某钢厂的浇注数据,统计了39例真黏结漏钢和39例伪黏结漏钢数据,表2是伪黏结漏钢和真黏结漏钢的一些参数对比的结果。如果伪黏结漏钢的参数在真黏结漏钢参数的范围内,其结果为“是”,否则结果为“否”。真黏结漏钢可以全部报出,仅存在1例伪黏结漏钢误报,即第11例伪黏结漏钢,选取78例真伪黏结漏钢的准确率为98.7%。
表2伪黏结漏钢与真黏结漏钢参数范围对比
以上所述实施例仅表达了本发明的实施方式,但并不能因此而理解为对本发明专利的范围的先知,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (2)
1.一种基于空间-时序特征的黏结漏钢逻辑判断方法,其特征在于,它包括以下步骤:
1)搜索黏结漏钢的热区域和冷区域
(1)根据黏结异常区域和现场检测结果,建立结晶器内铸坯黏结样本数据库;
(2)基于连铸结晶器漏钢可视化监控系统,可视化呈现结晶器内黏结异常区域;
(3)搜索黏结漏钢的热区域和冷区域;
2)获取黏结漏钢热区域空间-时序特征
(1)获取热区域面积特征,确定黏结漏钢热区域面积最大值Shmax和最小值Shmin;
(2)获取热区域位置特征,确定黏结漏钢热区域的重心纵坐标的最大值Yhmax和最小值Yhmin;
(3)获取热区域n秒之内的温度速率特征,确定黏结漏钢热区域在n秒之内温度速率的最大值Ghmax和最小值Ghmin;
3)获取黏结漏钢冷区域空间-时序特征
(1)获取冷区域面积特征,确定黏结漏钢冷区域面积最大值Scmax和最小值Scmin;
(2)获取冷区域位置特征,确定黏结漏钢冷区域的重心纵坐标的最大值Ycmax和最小值Ycmin;
(3)获取冷区域n秒之内的温度速率特征,确定黏结漏钢冷区域在n秒之内温度速率的最大值Gcmax和最小值Gcmin;
4)真伪黏结漏钢判断
(1)获取未知异常区域的热区域面积Sh,若Shmax≥Sh≥Shmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(2)获取未知异常区域的热区域重心纵坐标Yh,若Yhmax≥Yh≥Yhmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(3)获取未知异常区域的热区域在n秒之内的温度速率Gh,若Ghmax≥Gh≥Ghmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(4)获取未知异常区域的冷区域面积Sc,若Shmax≥Sc≥Shmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(5)获取未知异常区域的冷区域重心纵坐标Yc,若Ycmax≥Yc≥Ycmin,则继续进行下一步判断,否则,将未知的异常区域判定为伪黏结;
(6)获取未知异常区域的冷区域在n秒之内的温度速率Gc,若Gcmax≥Gc≥Gcmin,则将该未知的异常区域判定为真黏结,否则,将该未知的异常区域判定为伪黏结。
2.根据权利要求1所述的一种基于空间-时序特征的黏结漏钢逻辑判断方法,其特征在于,热区域n设定为5;黏结漏钢热区域面积最大值Shmax设定为7795个像素点,黏结漏钢热区域面积最小值Shmin设定为1973个像素点;黏结漏钢冷区域面积最大值Scmax设定为3084个像素点,黏结漏钢冷区域面积最小值Scmin设定为108个像素点;黏结漏钢冷区域的重心纵坐标的最大值Yhmax设定为热像图中纵向第64像素点,黏结漏钢冷区域的重心纵坐标的最小值Yhmin设定为热像图中第46像素点;黏结漏钢冷区域的重心纵坐标的最大值Ycmax设定为热像图中纵向第47像素点,黏结漏钢冷区域的重心纵坐标的最小值Ycmin设定为热像图中纵向第5像素点;黏结漏钢热区域在n秒之内温度速率的最大值Ghmax设定为4.92℃/s,黏结漏钢热区域在n秒之内温度速率的最小值Ghmin设定为2.89℃/s;黏结漏钢冷区域在n秒之内温度速率的最大值Gcmax设定为-0.57℃/s,黏结漏钢冷区域在n秒之内温度速率的最小值Gcmin设定为-4.22℃/s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630310.1A CN113319259B (zh) | 2021-06-07 | 2021-06-07 | 一种基于空间-时序特征的黏结漏钢逻辑判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630310.1A CN113319259B (zh) | 2021-06-07 | 2021-06-07 | 一种基于空间-时序特征的黏结漏钢逻辑判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113319259A true CN113319259A (zh) | 2021-08-31 |
CN113319259B CN113319259B (zh) | 2022-09-20 |
Family
ID=77419850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630310.1A Active CN113319259B (zh) | 2021-06-07 | 2021-06-07 | 一种基于空间-时序特征的黏结漏钢逻辑判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113319259B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114653914A (zh) * | 2021-12-30 | 2022-06-24 | 白居冰 | 基于形态重构的结晶器漏钢预警方法及电子装置 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000005013A1 (en) * | 1998-07-21 | 2000-02-03 | Dofasco Inc. | Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts |
CN101045255A (zh) * | 2006-03-27 | 2007-10-03 | 宝山钢铁股份有限公司 | 一种连铸漏钢快速响应方法及装置 |
JP2010211752A (ja) * | 2009-03-12 | 2010-09-24 | Nippon Steel Corp | 製造プロセス装置における稼動状態の可視化方法、装置及びコンピュータプログラム |
CN102380588A (zh) * | 2010-09-02 | 2012-03-21 | 辽宁科技大学 | 中频感应定向凝固铸锭方法及其装置 |
CN102665967A (zh) * | 2009-10-21 | 2012-09-12 | 维苏威集团有限公司 | 浸入式水口和带有上水口的水口的组件 |
JP2014213352A (ja) * | 2013-04-25 | 2014-11-17 | Jfeスチール株式会社 | 異常事態自動検出装置の動作確認方法 |
CN104181196A (zh) * | 2014-09-09 | 2014-12-03 | 大连理工大学 | 一种连铸坯表面纵裂纹在线检测方法 |
CN105195689A (zh) * | 2015-10-12 | 2015-12-30 | 中冶南方武汉钢铁设计研究院有限公司 | 一种连铸板坯纵裂漏钢检测预报装置及其检测方法 |
CN105562643A (zh) * | 2016-02-03 | 2016-05-11 | 首钢总公司 | 一种结晶器漏钢处理方法 |
CN108446505A (zh) * | 2018-03-23 | 2018-08-24 | 东北大学 | 一种漏斗结晶器内铸坯凝固传热计算方法 |
CN108436050A (zh) * | 2018-04-16 | 2018-08-24 | 大连理工大学 | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 |
JP2018149553A (ja) * | 2017-03-10 | 2018-09-27 | Jfeスチール株式会社 | 異常事態自動検出装置の健全性自動評価方法および装置 |
KR101905832B1 (ko) * | 2017-06-01 | 2018-11-30 | 주식회사 포스코 | 브레이크 아웃 검출 방법 및 장치 |
CN109365769A (zh) * | 2018-12-18 | 2019-02-22 | 重庆邮电大学 | 一种基于混合模型判断的结晶器漏钢预报方法 |
CN110517240A (zh) * | 2019-08-22 | 2019-11-29 | 联峰钢铁(张家港)有限公司 | 一种连铸机状态判断方法及装置 |
CN110918973A (zh) * | 2019-12-11 | 2020-03-27 | 东北电力大学 | 一种基于游程的结晶器热像图异常区域标记方法 |
CN111583744A (zh) * | 2020-04-09 | 2020-08-25 | 北京科技大学 | 一种基于虚拟现实的熔融金属作业事故预演方法及系统 |
US20210048402A1 (en) * | 2018-12-11 | 2021-02-18 | Dalian University Of Technology | Prediction method for mold breakout based on feature vectors and hierarchical clustering |
KR20210037118A (ko) * | 2019-09-27 | 2021-04-06 | 현대제철 주식회사 | 연속주조공정의 구속형 브레이크아웃 예측 방법 |
-
2021
- 2021-06-07 CN CN202110630310.1A patent/CN113319259B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000005013A1 (en) * | 1998-07-21 | 2000-02-03 | Dofasco Inc. | Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts |
CN101045255A (zh) * | 2006-03-27 | 2007-10-03 | 宝山钢铁股份有限公司 | 一种连铸漏钢快速响应方法及装置 |
JP2010211752A (ja) * | 2009-03-12 | 2010-09-24 | Nippon Steel Corp | 製造プロセス装置における稼動状態の可視化方法、装置及びコンピュータプログラム |
CN102665967A (zh) * | 2009-10-21 | 2012-09-12 | 维苏威集团有限公司 | 浸入式水口和带有上水口的水口的组件 |
CN102380588A (zh) * | 2010-09-02 | 2012-03-21 | 辽宁科技大学 | 中频感应定向凝固铸锭方法及其装置 |
JP2014213352A (ja) * | 2013-04-25 | 2014-11-17 | Jfeスチール株式会社 | 異常事態自動検出装置の動作確認方法 |
CN104181196A (zh) * | 2014-09-09 | 2014-12-03 | 大连理工大学 | 一种连铸坯表面纵裂纹在线检测方法 |
CN105195689A (zh) * | 2015-10-12 | 2015-12-30 | 中冶南方武汉钢铁设计研究院有限公司 | 一种连铸板坯纵裂漏钢检测预报装置及其检测方法 |
CN105562643A (zh) * | 2016-02-03 | 2016-05-11 | 首钢总公司 | 一种结晶器漏钢处理方法 |
JP2018149553A (ja) * | 2017-03-10 | 2018-09-27 | Jfeスチール株式会社 | 異常事態自動検出装置の健全性自動評価方法および装置 |
KR101905832B1 (ko) * | 2017-06-01 | 2018-11-30 | 주식회사 포스코 | 브레이크 아웃 검출 방법 및 장치 |
CN108446505A (zh) * | 2018-03-23 | 2018-08-24 | 东北大学 | 一种漏斗结晶器内铸坯凝固传热计算方法 |
CN108436050A (zh) * | 2018-04-16 | 2018-08-24 | 大连理工大学 | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 |
US20210048402A1 (en) * | 2018-12-11 | 2021-02-18 | Dalian University Of Technology | Prediction method for mold breakout based on feature vectors and hierarchical clustering |
CN109365769A (zh) * | 2018-12-18 | 2019-02-22 | 重庆邮电大学 | 一种基于混合模型判断的结晶器漏钢预报方法 |
CN110517240A (zh) * | 2019-08-22 | 2019-11-29 | 联峰钢铁(张家港)有限公司 | 一种连铸机状态判断方法及装置 |
KR20210037118A (ko) * | 2019-09-27 | 2021-04-06 | 현대제철 주식회사 | 연속주조공정의 구속형 브레이크아웃 예측 방법 |
CN110918973A (zh) * | 2019-12-11 | 2020-03-27 | 东北电力大学 | 一种基于游程的结晶器热像图异常区域标记方法 |
CN111583744A (zh) * | 2020-04-09 | 2020-08-25 | 北京科技大学 | 一种基于虚拟现实的熔融金属作业事故预演方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘宇等: "基于图像处理的黏结漏钢可视化检测方法", 《中南大学学报(自然科学版)》 * |
陈寿红等: "大方坯连铸漏钢原因分析及控制研究", 《炼钢》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114653914A (zh) * | 2021-12-30 | 2022-06-24 | 白居冰 | 基于形态重构的结晶器漏钢预警方法及电子装置 |
CN114653914B (zh) * | 2021-12-30 | 2023-12-29 | 白居冰 | 基于形态重构的结晶器漏钢预警方法及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113319259B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105328155B (zh) | 一种基于改进神经网络的漏钢可视化特征预报方法 | |
CN108436050B (zh) | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 | |
US10345046B2 (en) | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof | |
US11105758B2 (en) | Prediction method for mold breakout based on feature vectors and hierarchical clustering | |
CN102886504B (zh) | 一种基于机器视觉的结晶器漏钢可视化预报方法 | |
CN108580827B (zh) | 一种基于凝聚层次聚类预报结晶器漏钢的方法 | |
CN113319259B (zh) | 一种基于空间-时序特征的黏结漏钢逻辑判断方法 | |
CN113340444A (zh) | 基于热电偶温度和逻辑判断的连铸坯表面纵裂预测方法 | |
CN108705058B (zh) | 一种基于K-Means聚类预报结晶器漏钢的方法 | |
CN104181196A (zh) | 一种连铸坯表面纵裂纹在线检测方法 | |
CN111612771A (zh) | 一种高强合金结构钢板表面细微裂纹的识别监测装置 | |
CN108469313B (zh) | 基于元胞自动机的结晶器铜板温度异常区域检测方法 | |
CN112926622B (zh) | 一种基于特征向量和swgan-gp生成对抗网络的结晶器漏钢预报方法 | |
CN110918973B (zh) | 一种基于游程的结晶器热像图异常区域标记方法 | |
CN117036797A (zh) | 基于特征提取与随机森林分类的连铸坯纵裂纹预测方法 | |
CN115330996A (zh) | 一种基于空间特征的连铸漏钢感兴趣区域检测方法 | |
CN113814369B (zh) | 一种基于特征向量和Adaboost集成模型的结晶器漏钢预报方法 | |
CN111680448B (zh) | 一种基于支持向量机svm分类的连铸坯纵裂纹预测方法 | |
CN115446276A (zh) | 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法 | |
CN111112567B (zh) | 一种板坯连铸机漏钢预报的综合判断方法 | |
CN114842225A (zh) | 一种基于连铸漏钢传播行为的模板匹配识别方法 | |
CN117092160A (zh) | 一种基于热像图的黏结热区域移动速率检测方法 | |
CN115859084A (zh) | 一种基于Stacking多分类器融合的黏结漏钢预报方法 | |
CN111496211A (zh) | 跟踪识别铸坯表面粘结点的方法 | |
CN115586215A (zh) | 一种基于温度特征的连铸坯表面纵裂纹逻辑判断方法 |
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 |