CN114549955A - 一种高炉出铁终点在线智能识别方法及系统 - Google Patents

一种高炉出铁终点在线智能识别方法及系统 Download PDF

Info

Publication number
CN114549955A
CN114549955A CN202210102523.1A CN202210102523A CN114549955A CN 114549955 A CN114549955 A CN 114549955A CN 202210102523 A CN202210102523 A CN 202210102523A CN 114549955 A CN114549955 A CN 114549955A
Authority
CN
China
Prior art keywords
tapping
molten iron
image
iron flow
blast furnace
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
Application number
CN202210102523.1A
Other languages
English (en)
Other versions
CN114549955B (zh
Inventor
潘冬
王添宇
蒋朝辉
桂卫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202210102523.1A priority Critical patent/CN114549955B/zh
Publication of CN114549955A publication Critical patent/CN114549955A/zh
Application granted granted Critical
Publication of CN114549955B publication Critical patent/CN114549955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (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)
  • Manufacture Of Iron (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高炉出铁终点在线智能识别方法及系统，通过采集铁水流图像，提取铁水流图像特征，采集铁水流数据，提取铁水流短时时序特征，融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型，从而获取当前时刻所处的出铁阶段以及根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别，解决了现有技术无法准确识别当前出铁终点的技术问题，利用非侵入式装置获取高温熔融铁水流的图像及流速、渣铁比等数据，通过深度神经网络提取铁水流多源数据的特征进行融合，从而实现对当前时刻高炉出铁终点进行识别，并提供当前识别结果的置信度，具有高精确性，强稳定性，高适应性，适用于各种不同规模高炉，投资成本少等优点。

Description

一种高炉出铁终点在线智能识别方法及系统
技术领域
本发明主要涉及高炉冶炼技术领域，特指一种高炉出铁终点在线智能识别方法及系统。
背景技术
出铁是高炉炼铁过程中炉前操作的中心任务，在高炉炼铁过程中随着炉料的下降和熔化，铁水不断地产生，需要按时放净铁水，保证炉缸的实际铁水量不超过安全容铁量。出铁流程的最后需要进行堵铁口操作，这一操作不应过早或过晚，过早则炉内渣铁未放净，过长则有可能造成炉内有大量的煤气喷出，煤气携带的碎焦和焦炭将剧烈地冲刷铁口孔道，扩大了的铁口孔道可被焦炭卡塞，造成堵口时打泥不顺，不仅破坏了高炉顺行，同时也是造成各种恶性事故的隐患。因此，在线准确的堵铁口操作对于高炉的安全稳定顺行意义重大。目前，炉前堵铁口操作多为工人采用手动操作液压阀控制，缺乏安全保证和操作依据，全凭经验操作，主观干预太强，导致设备故障率高，可靠性差。因此，亟需一种能够准确在线确定堵铁口时间的技术。
高炉出铁流程结束时的堵铁口时间即为出铁终点，对出铁终点进行识别能够辅助现场及时进行堵铁口操作，减少恶性事故发生的概率。然而出铁场环境恶劣，温度高、粉尘大，会对现场检测设备产生影响，增加了出铁终点识别结果的不确定性，降低了识别结果的可靠性。在没有任何置信度表征的情况下，操作人员按照识别结果对泥炮机进行操作，可能会导致能耗上升、排放超标、成本增加，严重时可能导致炉况恶化并引发事故。因此，将出铁终点识别结果及其置信度及时、定量地呈现给现场操作人员十分必要，即对出铁终点进行在线智能识别势在必行。
专利公开号CN111914203A发明专利是一种头次出铁时间的计算方法及高炉开炉方法，该专利基于高炉冶炼基础理论，通过公式计算高炉开炉加风后料动时间、燃烧高炉炉腰+炉腹容积减去炉缸+死铁层容积剩余容纳焦炭所需要时间、提供包含高炉装入开炉料的理论铁量填充死铁层安全容铁量所需要的新增料批数所需要的时间、具体开炉风量条件下新增加正料的冶炼周期、得到适宜头次铁量所需要的冶炼时间，并将各项需要消耗的时间进行累加，得到头次出铁的理论时间。但该专利根据计算过程中使用的数据均为相对固定的工艺参数，并且使用理论公式进行计算，检测到的工艺参数如果出现误差会对计算结果和开炉作业产生影响，缺乏灵活性和适应性，对参数检测精度有较高要求。
专利公开号CN104131126A发明专利是一种基于模糊模型的高炉熔渣流量检测方法，该专利建立高炉熔渣流量的模糊推理模型，结合第i时刻的渣面高度的大小对高炉熔渣流量的影响特性，设定关于第i时刻的渣面高度的模糊隶属函数，利用模糊推理模型与模糊隶属函数，建立高炉熔渣流量计算模型，使用高炉熔渣流量计算模型进行高炉实时熔渣总流量的在线检测。但该专利中的初始值是通过工艺人员由人工操作经验知识中获得的，人为因素影响较大，主观性强，且设计流程是一个开环，无法保证长期运行结果的准确性。
发明内容
本发明提供的高炉出铁终点在线智能识别方法及系统，解决了现有技术无法准确识别当前出铁终点的技术问题。
为解决上述技术问题，本发明提出的高炉出铁终点在线智能识别方法包括：
采集铁水流图像，并根据铁水流图像提取铁水流图像特征；
采集铁水流数据，并根据铁水流数据提取铁水流短时时序特征；
融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型；
根据出铁流程分类预测模型，获取当前时刻所处的出铁阶段；
根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别。
进一步地，根据铁水流数据提取铁水流短时时序特征包括：
对铁水流数据进行预处理；
构建长短期记忆单元，并根据长短期记忆单元建立长短期记忆网络；
根据长短期记忆网络对预处理后的铁水流数据进行特征提取，获得铁水流短时时序特征。
进一步地，融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型包括：
根据铁水流图像特征，提取图像特征嵌入补丁，并根据图像特征嵌入补丁获得图像特征输入向量；
根据铁水流短时时序特征，提取时序特征嵌入补丁，并根据时序特征嵌入补丁获得时序特征输入向量；
融合图像特征输入向量和时序特征输入向量，建立出铁流程分类预测模型。
进一步地，根据铁水流图像特征，提取图像特征嵌入补丁，并根据图像特征嵌入补丁获得图像特征输入向量包括：
将铁水流图像特征对应的图像特征图均分成N个特征图补丁，其中N为大于1的正整数；
将每一个特征图补丁拉平为一维图像特征；
将N个一维图像特征变换为预设维数的图像特征，从而获得图像特征嵌入补丁；
给N个图像特征嵌入补丁加上图像位置编码，从而获得图像特征输入向量。
进一步地，融合图像特征输入向量和时序特征输入向量，建立出铁流程分类预测模型包括：
计算融合输入向量，其中融合输入向量的计算公式为：
Figure BDA0003492922270000031
其中，z0为融合输入向量，λt为时序特征输入向量的可学习权重，λp为图像特征输入向量的可学习权重，x′t为时序特征输入向量，x′p为图像特征输入向量，Epos为各输入向量的位置编码，N为图像特征输入向量数量，D为输入向量维数；
根据融合输入向量，建立由多头自注意力模型MSA和全连接层MLP组成的出铁流程分类预测模型注意力层，并计算出铁流程分类预测模型中每一层的输出结果，每一层的输出结果的计算公式为：
z′l＝MSA(LN(zl-1))+zl-1,l＝1…L，
zl＝MLP(LN(z′l))+z′l,l＝1…L，
其中，z′l为第l层全连接层的输入，zl为第l层模型的输出，zl-1为前一层的输出，l为当前层数，L为注意力层总层数，LN()为层标准化运算，MSA()为多头自注意力模型运算，MLP()为全连接层运算。
进一步地，根据出铁流程分类预测模型，获取当前时刻所处的出铁阶段包括：
计算出铁流程分类预测模型的输出向量，并根据输出向量的最大值所在的类别获得当前时刻所处出铁阶段，其中出铁流程分类预测模型的输出向量的计算公式为：
y＝LN(zL)，
其中，y为出铁流程分类预测模型的输出向量，zL为第L层注意力层输出，LN(zL)为层标准化运算结果。
进一步地，根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别包括：
根据当前时刻所处的出铁阶段和固定的采样时间间隔，计算出铁终点，具体计算公式为：
tend＝tpast+[(n-S)Nlast-icur+ilast+1]tinterrupt,S>0，
其中，tend为出铁终点，tpast为出铁过程开始到当前时刻经过的时间，n为出铁过程所划分成的阶段数，S为当前所处出铁阶段，Nlast为上个阶段包含的采样点数量，icur为当前采样点在本出铁过程中的位置，ilast为上一阶段最后一个采样点在本出铁过程中的位置，tinterrupt为每个采样点之间的固定时间间隔。
进一步地，根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别之后还包括计算出铁终点置信度，具体计算公式为：
Figure BDA0003492922270000041
Figure BDA0003492922270000042
其中，RMSE为均方根误差，RMSE∈[0,n]，n为一个出铁过程样本计算出的均方根误差最大值，m为用于计算误差的采样点数量，t为当前时刻，yi为第i个时间点的出铁流程分类模型预测值，S为当前所处出铁阶段，Pro为出铁终点置信度，Acc为分类预测模型在测试集中的准确率。
进一步地，铁水流数据包括：铁水流速、铁水温度、铁水硅含量及铁水中渣铁比数据。
本发明提供的高炉出铁终点在线智能识别系统包括：
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明提供的高炉出铁终点在线智能识别方法的步骤。
与现有技术相比，本发明的优点在于：
本发明提供的高炉出铁终点在线智能识别方法及系统，通过采集铁水流图像，并根据铁水流图像提取铁水流图像特征，采集铁水流数据，并根据铁水流数据提取铁水流短时时序特征，融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型，根据出铁流程分类预测模型，获取当前时刻所处的出铁阶段以及根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别，解决了现有技术无法准确识别当前出铁终点的技术问题，利用非侵入式装置获取高温熔融铁水流的图像及流速、渣铁比等数据，通过深度神经网络提取铁水流多源数据的特征进行融合，从而实现对当前时刻高炉出铁终点进行识别，并提供当前识别结果的置信度，本实施例的方法具有高精确性，强稳定性，高适应性，适用于各种不同规模高炉，投资成本少等优点。
本发明的目的：
针对本领域存在的不足之处，本发明的目的是设计一种融合铁水流多源数据对出铁终点及其置信度进行在线智能识别的方法，利用非侵入式装置获取高温熔融铁水流的图像及流速、渣铁比等数据，通过深度神经网络提取铁水流多源数据的特征进行融合，从而实现对当前时刻高炉出铁终点进行识别，并提供当前识别结果的置信度。该方法及系统具有高精确性，强稳定性，高适应性，适用于各种不同规模高炉，投资成本少等优点。
本发明的目的在于提供一种针对铁水流图像数据和短时时序数据的匹配及特征提取的方法。
本发明的目的在于提供一种利用铁水流多源异构数据提取出的融合特征对出铁终点及其置信度进行识别的方法。
本发明的关键点：
(1)使用卷积神经网络模型提取了高炉出铁过程中的铁水流的图像特征，并使用长短期记忆循环神经网络模型提取到了铁水流时序数据特征；
(2)构建了基于自注意力机制高炉出铁过程时序特征与图像特征的融合模型，在特征融合过程中将不同类别特征中加入可学习的权重，帮助融合模型更好地学习到两种不同种类特征对于最终分类结果的影响，以提升模型合质量和决策精度；
(3)构建了高炉出铁阶段分类模型，能够通过模型分类结果确定当前时刻在高炉出铁流程中的所处阶段，并能够基于阶段分类结果，计算出高炉出铁终点及其置信度；
(4)首次提出高炉出铁终点在线智能识别方法，实现了高炉出铁终点及其置信度的及时准确识别。
附图说明
图1为本发明实施例二的高炉出铁终点在线智能识别方法的示意图；
图2为本发明实施例二的图像预处理流程图；
图3为本发明实施例二的数据预处理流程图；
图4为本发明实施例二的多源特征融合网络示意图；
图5为本发明实施例三的高炉出铁终点智能识别模型结构图；
图6为本发明实施例的高炉出铁终点在线智能识别系统的结构框图。
附图标记：
U1、铁水流图像数据特征提取模块；U2、铁水流时序数据特征提取模块；U3、特征融合及结果输出模块；U11、铁水流图像质量提升单元；U12、铁水流图像特征提取单元；U21、铁水流数据预处理单元；U22、铁水流时序数据特征提取单元；U31、图像特征嵌入补丁提取单元；U32、时序特征嵌入补丁提取单元；U33、多源特征融合单元；U34、出铁终点智能识别结果输出单元；10、存储器；20、处理器。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
本发明实施例一提供的高炉出铁终点在线智能识别方法，包括：
步骤S101，采集铁水流图像，并根据铁水流图像提取铁水流图像特征；
步骤S102，采集铁水流数据，并根据铁水流数据提取铁水流短时时序特征；
步骤S103，融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型；
步骤S104，根据出铁流程分类预测模型，获取当前时刻所处的出铁阶段；
步骤S105，根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别。
本发明实施例提供的高炉出铁终点在线智能识别方法，通过采集铁水流图像，并根据铁水流图像提取铁水流图像特征，采集铁水流数据，并根据铁水流数据提取铁水流短时时序特征，融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型，根据出铁流程分类预测模型，获取当前时刻所处的出铁阶段以及根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别，解决了现有技术无法准确识别当前出铁终点的技术问题，利用非侵入式装置获取高温熔融铁水流的图像及流速、渣铁比等数据，通过深度神经网络提取铁水流多源数据的特征进行融合，从而实现对当前时刻高炉出铁终点进行识别，并提供当前识别结果的置信度，本实施例的方法具有高精确性，强稳定性，高适应性，适用于各种不同规模高炉，投资成本少等优点。
实施例二
本发明通过提取铁水流流速、温度、渣铁比等数据时序特征以及铁水流图像特征并融合来对高炉出铁阶段进行分类，通过分类结果来确定当前时刻所处的高炉出铁阶段，最后依靠阶段分类结果来计算得到高炉出铁终点及其置信度。
如图1所示，本发明实施例的方法是由铁水流图像数据特征提取模块U1、铁水流时序数据特征提取模块U2、特征融合及结果输出模块U3组成，下面对其逐一进行具体的说明：
铁水流图像数据特征提取模块U1：
该模块主要功能是通过卷积神经网络提取铁水流图像数据中的特征。铁水流图像所包含的信息量很大，能够提供出铁流程末期的喷口、粉尘量增大、铁水流股形态变化等图像关键特征，是出铁终点识别所需要的关键特征。本模块包含铁水流图像质量提升单元U11和铁水流图像特征提取模块U12，每个单元的原理解释如下：
铁水流图像质量提升单元U11：
如图2所示，该单元主要功能是对图像进行预处理，包含图像修复处理及图像增强处理。由于出铁场高温高粉尘的恶劣环境，摄像机本身硬件就会受到较大影响，拍摄到的图像中会产生大片白色及黑色的噪声，部分图像中还会出现工人从镜头前走过留下的影子，对图像质量造成严重影响。针对图像噪声问题，首先通过对图像中纯白和纯黑像素数量进行判断，进行图像筛选U111，过滤掉噪声面积过大的图像；对噪声面积较小的可修复图像，采取基于快速行进算法FMM(Fast Marching Method)的修复算法对图像进行修复和补全U112，采用中值滤波U113方法去除部分细小的噪点，尽量在不损失图像信息的情况下恢复图像质量。
高炉出铁口部分的高粉尘环境不仅会影响到摄像机硬件，还会对图像本身产生影响，粉尘会遮蔽铁水流，减少图像特征信息。本发明采用暗通道去雾算法，在粉尘较少的情况下去除粉尘保持图像清晰，在高粉尘环境下为后续训练保留粉尘特征U114。对于彩色RGB图像，存在三个通道，为了减少数据量，缩短数据处理时间，将彩色图像转换至灰度空间U115，得到灰度图像供后续处理，转换公式如下，
gray＝0.3×R+0.59×G+0.11×B (1)
由于之前的滤波和修复等流程对图像本身造成的影响，图像清晰度降低并且造成信息缺失，因此，为了提高图像表现力，采用限制对比度自适应直方图均衡化方法(CLAHE)对图像进行对比度增强U116，增加其细节和清晰度。直方图线性变换公式为，
Figure BDA0003492922270000071
其中，MN为图像像素总数，nk是灰度为rk的像素个数，L是图像可能的灰度级数量(例如对于8比特图像L＝256)。通过(2)式，输出图像中像素的灰度值可由输入图像中像素灰度rk映射为Sk后得到。
铁水流图像特征提取单元U12：
采用卷积神经网络提取经过处理的出铁过程铁水流图像特征，相比于其它类型的神经网络，卷积神经网络使用卷积核进行特征映射的特性十分适合图像特征的提取。本发明实施例使用四层卷积层对铁水流图像进行特征提取，每个卷积层的计算步骤如下：
Step1：假设输入图像的空间坐标为(x,y)，卷积核大小是p×q，其权重为w，图像亮度值是v，卷积过程就是卷积核所有权重与其在输入图像上对应元素亮度之和，可以表示为,
Figure BDA0003492922270000081
Step2：每个卷积层经过卷积之后加入偏置b并经过一个非线性激活函数，得到的结果是：
Figure BDA0003492922270000082
Step3：其中非线性激活函数h()选用常见的ReLU(线性整流单元)，该激活函数的公式为：
h(z)＝max(0,z) (5)
Step4：由于铁水流图片分辨率较高，卷积层提取出的特征图分辨率也仍然较高，其图像细节不利于高层特征提取。为了降低卷积层提取出的特征图的分辨率，在每个卷积层最后使用最大值池化的方法对特征图进行降采样，本发明实施例采用2×2的最大池化，即在目标区域的像素点中选取最大值保留。经过池化层后就能得到最终的特征图。
铁水流时序数据特征提取模块U2：
该模块的主要功能是使用长短期记忆循环网络提取铁水流多维数值数据的短时时序特征，这里的数值数据包含铁水流速、铁水温度、铁水硅含量及铁水中渣铁比。其中铁水流速可以表征炉内压力，反应炉内铁水量，但是会受到现场铁口大小等诸多因素影响；铁水温度能够直观反映炉内温度和活跃程度；铁水硅含量能够反映炉温和铁水炉渣含量等信息；铁水硅含量则能够反应炉缸内铁水液位情况。经过理论分析，以上数据能够对出铁终点起到重要影响，是出铁终点识别所需要的关键信息。
出铁流程中每一时刻的数据信息含量较少，作为特征很难对结果做出较大贡献，而将其作为时间序列分段输入并提取特征则能够较好的体现出一段时间内铁水数据的变化情况从而增强其特征表现。本模块包含铁水流数据预处理单元U21和铁水流时序数据特征提取单元U22，每个单元的原理解释如下：
铁水流数据预处理单元U21：
铁水流的时间序列数据存储在现场分布式服务器数据库中。由于训练所需数据数量较多，而且分布在不同库中，直接从远程服务器一次性全部匹配并查询出来会造成超时。如图3所示，本发明实施例采用分库分页方式读取数据U211，对不同数据库分别进行查询，使用子查询优化的方式对查询速度进行优化，对数据量大的数据查询进行分页，下载到本地之后再进行数据合并U212。
铁水流数据来自于不同的传感器，例如温度数据来自于现场的红外摄像机，硅含量来自于现场铁水化验结果等。不同传感器得到的数据量纲不同，数值差距较大，因此对数据进行归一化处理U213，将特征的值映射到[0,1]之间，消除量纲对最终结果的影响，使不同的特征具有可比性，使得原本可能分布相差较大的特征对模型有相同权重的影响，提升模型的收敛速度。归一化公式为：
Figure BDA0003492922270000091
其中x为某个特征的原始值，xmin为该特征在所有样本中的最小值，xmax为该特征在所有样本中的最大值，经过归一化处理后的特征值x*∈[0,1]。
不同传感器采集到的数据采集时间间隔不同，采集时间点也有差异。为了保证数据特征维度不变的前提下尽可能的保留更多的样本时间点,本发明实施例根据数据采集时间对不同传感器得到的数据进行匹配U214。对采集到的高炉铁水流流速、渣铁比、温度、硅含量四个维度的数据进行时间匹配，查询两两维度之间时间差异最小的两个时间点数据进行匹配，并生成最终的数据表。
铁水流时序数据特征提取单元U22：
出铁流程中的数据信息单独输入很难表现出明显的特征，而将整个数据集切分为短时间序列分段输入并提取特征则能够较好的体现出一段时间内铁水数据的变化情况。因此选用长短期记忆的循环神经网络作为数值数据的特征提取模型，提取数据中的时间序列特征。该网络由数个LSTM(Long Short-Term Memory)单元组成，每个单元能够提取一个时间点数据的特征，多个单元连接在一起输出的数据就能够体现出连续数据的时序特征。每个单元的计算步骤如下：
Step1：本单元接收上一单元的隐节点ht-1以及本单元的输入数据xt参与运算，首先经由一个神经网络层并使用sigmoid激活函数计算得到遗忘门ft,计算公式为，
ft＝σ(Wf·[ht-1,xt]+bf) (7)
Step2：由隐节点ht-1以及本单元的输入数据xt经由一个神经网络层，使用tanh激活函数计算得到单元状态更新值
Figure BDA0003492922270000092
计算公式为，
Figure BDA0003492922270000093
Step3：计算输入门it，同ft计算方式相同，由隐节点ht-1以及本单元的输入数据xt经由一个神经网络层，使用sigmoid激活函数计算得到,计算公式为，
it＝σ(Wi·[ht-1,xt]+bi) (9)
Step4：来自上一个单元的单元状态Ct-1经过遗忘门ft得到本单元的单元状态Ct，计算公式为，
Figure BDA0003492922270000101
Step5：最后为了计算最终结果和生成下一个时间片的完整输入，需要计算隐节点输出ht，ht由输出门ot和单元状态Ct计算得到，其中ot的计算方式与ft和it相同，ht的计算公式为，
ht＝ot×tanh(Ct) (11)
特征融合及结果输出模块U3：
特征融合部分将卷积神经网络提取的图形特征和长短期记忆网络提取的时序特征相结合，使得最终提取的特征兼顾时序特征和图像空间特征。相比于传统单一特征输入的模型，这种融合图像和时间序列特征的深度学习模型能够有效提高融合质量和决策精度。通过特征融合模型得到的分类结果能够确定当前时刻所处的出铁过程阶段，进而通过计算得到出铁终点。特征融合部分采用自注意力机制对特征进行融合，使得融合模型能够更好地捕捉多源数据间的内部相关性，从而更好地辅助最终分类。该模块包含图像特征嵌入补丁提取单元U31、时序特征嵌入补丁提取单元U32、多源特征融合单元U33和出铁终点智能识别结果输出单元U34，每个单元的原理解释如下：
图像特征嵌入补丁提取单元U31：
特征融合模型主要由基于自注意力机制的transformer模型组成，对于该模型来说，首先要将输入部分转化为一维嵌入补丁(Patch Embedding)。对于图像特征部分来说，要将经过图像特征提取部分得到的特征图转化为一系列一维的嵌入补丁，图像特征嵌入补丁的提取步骤如下：
Step1：本单元接收图像特征提取部分得到的尺寸为H×W×C的特征图，首先将特征图分成大小为P×P×C的补丁，共切分为N个补丁，N的计算公式为，
Figure BDA0003492922270000102
Step2：将每一个大小为P×P×C的特征图补丁拉平为一维特征
Figure BDA0003492922270000103
N个xi共同组成输入特征
Figure BDA0003492922270000104
之后通过转换矩阵Etrans1线性变换将一维特征xi变换为自定义的D维特征
Figure BDA0003492922270000105
最终得到特征图的嵌入补丁
Figure BDA0003492922270000111
即：
Figure BDA0003492922270000112
时序特征嵌入补丁提取单元U32：
铁水流图像数据采集间隔较长，而其余数据采集时间间隔较短。根据所采集数据的这一特性，将同一时刻的图像数据特征与这一时刻之前的短时四维时序数据得到的特征进行匹配。
该模块对ViT模型进行改进。本融合网络模型将由时序特征数据提取到的时序特征嵌入补丁与特征图提取到的图像特征嵌入补丁共同输入融合模型以达到特征融合的目的。其中时序特征嵌入补丁的提取步骤如下：
Step1:将时序特征提取模型提取到的T维时序特征
Figure BDA0003492922270000113
经过转换矩阵Etrans2线性变换转变为
Figure BDA0003492922270000114
即：
Figure BDA0003492922270000115
多源特征融合单元U33：
使用自注意力机制对多源数据进行融合可以自动关注重要特征，减少信息冗余对最终分类结果产生影响。在本模块中，融合模型需要融合时序数据和图像特征两种不同类型特征，为了避免模型对两种不同特征中的信息产生混淆，本模块在上述提取到的两种嵌入补丁输入融合模型前各加入一个可学习的权重，帮助融合模型更好地学习到两种不同种类特征对于最终分类结果的影响，共同输入到基于自注意力机制的融合模型中进行分类，融合模型结构如图4所示。模型运算步骤如下：
Step1:在时序特征嵌入补丁中加入可学习权重λt，并在图像特征嵌入补丁中加入可学习权重λp，按顺序在嵌入补丁中加入位置编码Epos，辅助模型掌握输入特征的全局位置信息，帮助模型更好地学习不同种类特征对结果的影响，进而提高模型准确率，得到最终的输入向量z0，z0的计算公式为：
Figure BDA0003492922270000116
Step2:融合模型共有L层，其中每一层由多头自注意力模型MSA和全连接层MLP组成，结合残差网络的思想运算得到每一层的结果zl，zl的计算步骤如下：
z′l＝MSA(LN(zl-1))+zl-1,l＝1…L (16)
zl＝MLP(LN(z′l))+z′l,l＝1…L (17)
Step3:最终通过全连接层LN对融合模型提取到的高维特征进行线性变换得到输出向量y，取向量的最大值所在的类别作为分类结果，通过该分类结果能够确定当前时刻所处的出铁过程阶段。y的计算公式为：
y＝LN(zL) (18)
出铁终点智能识别结果输出单元U34：
通过深度学习模型得到的当前时刻分类结果所确定的当前时刻所处出铁阶段和固定的采样时间间隔可以计算得到本次出铁流程结束的时间即出铁终点，通过当前出铁流程已经经过的时间占出铁终点的比例则可以计算得到出铁终点堵铁口的概率，即出铁终点置信度。出铁终点及出铁终点置信度共同组成出铁终点智能识别的输出结果。结果输出运算步骤如下：
Step1:将出铁流程划分为n个阶段，由深度学习模型得到的当前时刻所处出铁流程的阶段S。每个预测采样点之间的时间间隔固定为ti，从开始出铁到当前时刻所经过的时间为tp，当前采样点在本流程中所在位置为ic，上一阶段最后一个采样点在流程中的所在位置为il，上个阶段所包含采样点数量为Nl，由于当出铁过程处于第一个阶段，即S＝0时无法对出铁终点做出估计，因此出铁终点te的计算公式为：
tend＝tpast+[(n-S)Nlast-icur+ilast+1]tinterrupt,S>0 (19)
Step2:在预测模型输出过程中出现误判会造成输出值波动，分类输出值波动可以通过均方根误差表达。当前时刻分类预测结果为yt，向前取m个采样点计算分类结果的均方根误差，真实值为当前时刻所处出铁流程的阶段S，则均方根误差RMSE的计算公式为：
Figure BDA0003492922270000121
此时均方根误差的范围为[0,n]，而出铁流程分类预测模型的测试准确率为Pro，则出铁终点置信度Acc的计算公式为，
Figure BDA0003492922270000122
实施例三
结合附图对本发明具体实施方案情况进一步说明，本发明应用于国内某2650m3高炉上。使用基于python的pytorch深度学习框架搭建出铁终点智能识别模型，采集6个月的铁水流图像、温度、硅含量、流速和渣铁比数据对搭建好的模型进行训练，训练完成后可以识别高炉出铁终点状态及其置信度。具体完成出铁终点在线智能识别的实施方案步骤如下：
(1)采集现场铁水流图像的数据，将图像进行预处理，首先对原始图像进行筛选，使用快速行进算法进行修复并对图像进行中值滤波和去雾处理，之后经过灰度化后使用限制对比度自适应直方图均衡化方法对图像进行对比度增强，增加其细节和清晰度；
(2)将步骤(1)中得到的这些图片按照出铁流程进行拆分，并按照其在各自出铁流程中的时间位置打标签；
(3)采集现场铁水流温度、硅含量、流速和渣铁比数据，分页读取时每个月的数据作为一页，读取完成后将六页数据组合成一个完整的数据表格；
(4)将合并好的数据进行归一化处理，将每一类数据归一化缩放到(0，1)之间；
(5)对步骤(4)中得到的四个数据表格进行时间匹配，按时间顺序同时读取四个表格，将四种数据按时间差最小的方式组合起来，并行读取可以减少匹配算法的时间复杂度，加速匹配进程；
(6)搭建如图5所示的预测模型，包含用于铁水流图像特征提取的四层卷积神经网络，用于提取数据时序特征的长短期记忆神经网络和用于结果分类的两层基于自注意力机制的神经网络；
(7)将数据输入模型中开始训练，为实现小批量下降,定义训练过程中每次输入的样本数量,即批量大小(batch_size),当batch_size为m时,每次训练输入m个铁水流图像样本和相关时间序列数据样本,batch_size取值为大于16的正整数,即batch_size≥16；
(8)训练模型过程中使用交叉熵损失函数对模型进行修正，该损失函数公式如下，
Figure BDA0003492922270000131
其中x表示样本，y表示实际的标签，a表示预测的输出，n表示样本总数量；
(9)训练中使用Adam优化器对预测模型中的所有权重矩阵和偏置参数进行优化,设置Adam的学习率为0.0095,梯度阈值设置为4；不断的调节学习率,使得基于预测模型的输岀值与实际值之间的损失函数值梯度不超过梯度阈值,且以达到收敛时的学习率更新预测模型中的所有权重矩阵和偏置参数,从而得到优化后的预测模型。
(10)将现场的图像及短时时序数据经过预处理之后输入模型中，通过结果输出模块的计算得到当前时刻出铁终点的预测结果及其置信度。
参照图6，本发明实施例提出的高炉出铁终点在线智能识别系统，包括：
存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序，其中，处理器20执行计算机程序时实现本实施例提出的高炉出铁终点在线智能识别方法的步骤。
本实施例的高炉出铁终点在线智能识别系统的具体工作过程和工作原理可参照本实施例中的高炉出铁终点在线智能识别方法的工作过程和工作原理。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高炉出铁终点在线智能识别方法，其特征在于，所述方法包括：
采集铁水流图像，并根据铁水流图像提取铁水流图像特征；
采集铁水流数据，并根据铁水流数据提取铁水流短时时序特征；
融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型；
根据出铁流程分类预测模型，获取当前时刻所处的出铁阶段；
根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别。
2.根据权利要求1所述的高炉出铁终点在线智能识别方法，其特征在于，根据铁水流数据提取铁水流短时时序特征包括：
对铁水流数据进行预处理；
构建长短期记忆单元，并根据长短期记忆单元建立长短期记忆网络；
根据长短期记忆网络对预处理后的铁水流数据进行特征提取，获得铁水流短时时序特征。
3.根据权利要求1所述的高炉出铁终点在线智能识别方法，其特征在于，融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型包括：
根据铁水流图像特征，提取图像特征嵌入补丁，并根据图像特征嵌入补丁获得图像特征输入向量；
根据铁水流短时时序特征，提取时序特征嵌入补丁，并根据时序特征嵌入补丁获得时序特征输入向量；
融合图像特征输入向量和时序特征输入向量，建立出铁流程分类预测模型。
4.根据权利要求3所述的高炉出铁终点在线智能识别方法，其特征在于，根据铁水流图像特征，提取图像特征嵌入补丁，并根据图像特征嵌入补丁获得图像特征输入向量包括：
将铁水流图像特征对应的图像特征图均分成N个特征图补丁，其中N为大于1的正整数；
将每一个特征图补丁拉平为一维图像特征；
将N个一维图像特征变换为预设维数的图像特征，从而获得图像特征嵌入补丁；
给N个图像特征嵌入补丁加上图像位置编码，从而获得图像特征输入向量。
5.根据权利要求3所述的高炉出铁终点在线智能识别方法，其特征在于，融合图像特征输入向量和时序特征输入向量，建立出铁流程分类预测模型包括：
计算融合输入向量，其中融合输入向量的计算公式为：
Figure FDA0003492922260000011
其中，z0为融合输入向量，λt为时序特征输入向量的可学习权重，λp为图像特征输入向量的可学习权重，x′t为时序特征输入向量，x′p为图像特征输入向量，Epos为各输入向量的位置编码，N为图像特征输入向量数量，D为输入向量维数；
根据融合输入向量，建立由多头自注意力模型MSA和全连接层MLP组成的出铁流程分类预测模型注意力层，并计算出铁流程分类预测模型中每一层的输出结果，每一层的输出结果的计算公式为：
z′l＝MSA(LN(zl-1))+zl-1,l＝1…L，
zl＝MLP(LN(z′l))+z′l,l＝1…L，
其中，zl′为第l层全连接层的输入，zl为第l层模型的输出，zl-1为前一层的输出，l为当前层数，L为注意力层总层数，LN()为层标准化运算，MSA()为多头自注意力模型运算，MLP()为全连接层运算。
6.根据权利要求5所述的高炉出铁终点在线智能识别方法，其特征在于，根据出铁流程分类预测模型，获取当前时刻所处的出铁阶段包括：
计算出铁流程分类预测模型的输出向量，并根据输出向量的最大值所在的类别获得当前时刻所处出铁阶段，其中出铁流程分类预测模型的输出向量的计算公式为：
y＝LN(zL)，
其中，y为出铁流程分类预测模型的输出向量，zL为第L层注意力层输出，LN(zL)为层标准化运算结果。
7.根据权利要求1或6所述的高炉出铁终点在线智能识别方法，其特征在于，根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别包括：
根据当前时刻所处的出铁阶段和固定的采样时间间隔，计算出铁终点，具体计算公式为：
tend＝tpast+[(n-S)Nlast-icur+ilast+1]tinterrupt,S>0，
其中，tend为出铁终点，tpast为出铁过程开始到当前时刻经过的时间，n为出铁过程所划分成的阶段数，S为当前所处出铁阶段，Nlast为上个阶段包含的采样点数量，icur为当前采样点在本出铁过程中的位置，ilast为上一阶段最后一个采样点在本出铁过程中的位置，tinterrupt为每个采样点之间的固定时间间隔。
8.根据权利要求7所述的高炉出铁终点在线智能识别方法，其特征在于，根据当前时刻所处的出铁阶段，对高炉出铁终点进行识别之后还包括计算出铁终点置信度，具体计算公式为：
Figure FDA0003492922260000031
Figure FDA0003492922260000032
其中，RMSE为均方根误差，RMSE∈[0,n]，n为一个出铁过程样本计算出的均方根误差最大值，m为用于计算误差的采样点数量，t为当前时刻，yi为第i个时间点的出铁流程分类模型预测值，S为当前所处出铁阶段，Pro为出铁终点置信度，Acc为分类预测模型在测试集中的准确率。
9.根据权利要求1所述的高炉出铁终点在线智能识别方法，其特征在于，铁水流数据包括：
铁水流速、铁水温度、铁水硅含量及铁水中渣铁比数据。
10.一种高炉出铁终点在线智能识别系统，所述系统包括：
存储器(10)、处理器(20)以及存储在存储器(10)上并可在处理器(20)上运行的计算机程序，其特征在于，所述处理器(20)执行所述计算机程序时实现上述权利要求1至9任一所述方法的步骤。
CN202210102523.1A 2022-01-27 2022-01-27 一种高炉出铁终点在线智能识别方法及系统 Active CN114549955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210102523.1A CN114549955B (zh) 2022-01-27 2022-01-27 一种高炉出铁终点在线智能识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210102523.1A CN114549955B (zh) 2022-01-27 2022-01-27 一种高炉出铁终点在线智能识别方法及系统

Publications (2)

Publication Number Publication Date
CN114549955A true CN114549955A (zh) 2022-05-27
CN114549955B CN114549955B (zh) 2024-09-06

Family

ID=81672878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210102523.1A Active CN114549955B (zh) 2022-01-27 2022-01-27 一种高炉出铁终点在线智能识别方法及系统

Country Status (1)

Country Link
CN (1) CN114549955B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115125340A (zh) * 2022-06-23 2022-09-30 抚顺新钢铁有限责任公司 一种铁次信息获取系统
CN115595388A (zh) * 2022-10-14 2023-01-13 合肥视展光电科技有限公司（Cn） 基于铁水流动状态的高炉出铁作业控制方法及电子设备
CN115652003A (zh) * 2022-09-06 2023-01-31 中南大学 一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统
CN115896817A (zh) * 2023-03-08 2023-04-04 福建德尔科技股份有限公司 氟氮混合气的生产方法及其系统
CN117911507A (zh) * 2023-12-28 2024-04-19 武汉志远智能控制技术有限公司 铁水液面识别方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2367606A1 (en) * 1999-04-28 2000-11-02 International Pgm Technologies Limited Oxidative pressure leach recovery using halide ions
CN112364899A (zh) * 2020-10-27 2021-02-12 西安科技大学 一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2367606A1 (en) * 1999-04-28 2000-11-02 International Pgm Technologies Limited Oxidative pressure leach recovery using halide ions
CN112364899A (zh) * 2020-10-27 2021-02-12 西安科技大学 一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李坤伦;魏泽发;宋焕生;: "基于SqueezeNet卷积神经网络的车辆颜色识别", 长安大学学报(自然科学版), no. 04, 15 July 2020 (2020-07-15) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115125340A (zh) * 2022-06-23 2022-09-30 抚顺新钢铁有限责任公司 一种铁次信息获取系统
CN115652003A (zh) * 2022-09-06 2023-01-31 中南大学 一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统
CN115652003B (zh) * 2022-09-06 2024-01-09 中南大学 一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统
CN115595388A (zh) * 2022-10-14 2023-01-13 合肥视展光电科技有限公司（Cn） 基于铁水流动状态的高炉出铁作业控制方法及电子设备
CN115896817A (zh) * 2023-03-08 2023-04-04 福建德尔科技股份有限公司 氟氮混合气的生产方法及其系统
CN115896817B (zh) * 2023-03-08 2023-05-19 福建德尔科技股份有限公司 氟氮混合气的生产方法及其系统
CN117911507A (zh) * 2023-12-28 2024-04-19 武汉志远智能控制技术有限公司 铁水液面识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114549955B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
CN114549955A (zh) 一种高炉出铁终点在线智能识别方法及系统
CN111126136B (zh) 一种基于图像识别的烟雾浓度量化方法
CN108537147B (zh) 一种基于深度学习的手势识别方法
CN110070008B (zh) 一种采用无人机图像的桥梁病害识别方法
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
CN105956618B (zh) 基于图像动静态特征的转炉炼钢吹炼状态识别系统及方法
CN111325711A (zh) 一种基于深度学习的染色体分裂相图像质量评价方法
CN114419151B (zh) 一种基于对比学习的多目标跟踪方法
CN113391607A (zh) 一种基于深度学习的水电站闸门控制方法及系统
CN113763424B (zh) 基于嵌入式平台的实时智能目标检测方法及系统
CN116704273A (zh) 一种自适应红外可见光双模融合检测方法
CN111931654A (zh) 一种人员跟踪智能监测方法、系统和装置
CN109598200B (zh) 一种铁水罐罐号的图像智能识别系统及方法
CN111753667A (zh) 一种基于孪生网络的智能汽车单目标跟踪方法
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
CN111325259A (zh) 一种基于深度学习和二进制编码的遥感图像分类方法
CN111241987A (zh) 基于代价敏感的三支决策的多目标模型视觉追踪方法
CN107045630A (zh) 一种基于rgbd的行人检测和身份识别方法及系统
CN116433721A (zh) 一种基于生成伪融合特征的室外rgb-t目标跟踪算法
CN111368776A (zh) 一种基于深度集成学习的高分辨率遥感图像分类方法
CN108985216B (zh) 一种基于多元logistic回归特征融合的行人头部检测方法
CN116434087A (zh) 基于goa-svm协同算法与无人机的混凝土裂缝识别方法及装置
CN111723808B (zh) 一种基于最大值背景预测的红外弱目标提取方法
CN114648738A (zh) 一种基于物联网与边缘计算的图像识别系统与方法
CN114387484A (zh) 一种基于yolov4改进的口罩佩戴检测方法及系统

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
GR01 Patent grant
GR01 Patent grant