CN114581785A - 多源异构数据融合的高炉煤气流分布状态识别方法及系统 - Google Patents
多源异构数据融合的高炉煤气流分布状态识别方法及系统 Download PDFInfo
- Publication number
- CN114581785A CN114581785A CN202210496119.7A CN202210496119A CN114581785A CN 114581785 A CN114581785 A CN 114581785A CN 202210496119 A CN202210496119 A CN 202210496119A CN 114581785 A CN114581785 A CN 114581785A
- Authority
- CN
- China
- Prior art keywords
- data
- gas flow
- blast furnace
- identified
- furnace gas
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 297
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims description 96
- 238000005457 optimization Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 2
- 238000009529 body temperature measurement Methods 0.000 description 11
- 239000003034 coal gas Substances 0.000 description 10
- 239000000523 sample Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000000571 coke Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种多源异构数据融合的高炉煤气流分布状态识别方法及系统,其中方法包括:获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。本发明实施例提供的多源异构数据融合的高炉煤气流分布状态识别方法及系统,在实现自动识别煤气流分布状态的同时,能够有效地提高煤气流分布状态识别精度。
Description
技术领域
本发明涉及高炉冶炼技术领域,尤其涉及一种多源异构数据融合的高炉煤气流分布状态识别方法及系统。
背景技术
高炉冶炼是现代化钢铁生产的主要方式,高炉中的煤气流分布状态直接影响高炉煤气热能和化学能的利用效率,关系到炉内温度分布、软熔带结构、炉墙热负荷、高炉热平衡状态,与高炉的稳定顺行直接相关。
目前,主要通过高炉操作者,参考炉喉十字测温探尺的测量数据或者炉顶高清热成像设备拍摄的红外图像,结合操作经验判断煤气流分布状态。这两种方式均需人工干预,费时费力,且得出的煤气流分布状态识别结果误差较大,精度不高。
发明内容
本发明提供一种多源异构数据融合的高炉煤气流分布状态识别方法及系统,用以解决现有技术需人工干预,费时费力,且得出的煤气流分布状态识别结果误差较大,精度不高的缺陷。
本发明提供一种多源异构数据融合的高炉煤气流分布状态识别方法,包括:
获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法,所述各红外热图像之间的关联信息基于如下步骤确定:
基于所述多组待识别数据中各红外热图像,构建红外热图像超图;
确定所述红外热图像超图的图像关联矩阵,所述图像关联矩阵表征所述各红外热图像之间的关联信息。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法,所述各温度分布数据之间的关联信息基于如下步骤确定:
基于所述多组待识别数据中各温度分布数据,构建温度分布超图;
确定所述温度分布超图的温度关联矩阵,所述温度关联矩阵表征所述各温度分布数据之间的关联信息。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法,所述基于所述多组待识别数据中各红外热图像之间的关联信息和各组温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到多组待识别数据的高炉煤气流分布状态识别结果,包括:
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,确定所述多组待识别数据的融合关联信息,并基于所述融合关联信息,构建融合超图;
基于所述融合超图,构建高炉煤气流分布状态的超图优化模型;
基于预设的高炉煤气流分布状态标签的标签矩阵,对所述超图优化模型进行求解,得到所述多组待识别数据的得分矩阵,所述得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分;
基于所述多组待识别数据的得分矩阵,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法,所述基于所述多组待识别数据的得分矩阵,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果,包括:
基于所述各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分,将得分最高的高炉煤气流分布状态标签,确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法,所述高炉煤气流分布状态的超图优化模型表示为如下形式:
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法,所述高炉煤气流分布状态标签包括中心过大边缘过盛,中心过大边缘过死,中心过大边缘稳定,中心不足边缘过盛,中心不足边缘过死,中心不足边缘稳定,中心充足边缘过盛,中心充足边缘过死,中心充足边缘稳定中的至少一种。
本发明还提供一种多源异构数据融合的高炉煤气流分布状态识别系统,包括数据获取单元和状态识别单元,其中,
数据获取单元,用于获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;
状态识别单元,用于基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的多源异构数据融合的高炉煤气流分布状态识别方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的多源异构数据融合的高炉煤气流分布状态识别方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的多源异构数据融合的高炉煤气流分布状态识别方法。
本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法及系统,获取同一时刻的红外热图像和温度分布数据,并根据各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。在实现自动识别煤气流分布状态的同时,能够有效地提高煤气流分布状态识别精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图之一;
图2是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图之二;
图3是本发明提供的多源异构数据融合的高炉煤气流分布状态识别系统的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
高炉的操作目标一定程度上便是取得合理的煤气流分布,合理的煤气流分布对高炉的顺行、高产及降低焦比有非常重要的意义。所以,连续地掌握煤气流的分布状态很有必要。但由于高炉内部条件严酷,煤气流分布很难直接测量。
目前,我国许多高炉安装了十字测温探尺,能够连续准确地测出炉喉的径向温度,为判断径向煤气流分布提供了条件,然而十字测温仅仅感知炉喉处两条直线上的温度,炉喉平面其他区域信息丢失。
近年来,部分国内高炉采用高炉炉顶高清热成像系统,利用红外图像反应炉喉处整个平面的煤气流分布状态,但是由于高炉复杂的生产环境,干扰因素众多,红外图像感知的温度信息无法达到十字测温的精度。
此外,上述方式均需人工参考十字测温数据或红外图像,结合操作经验判断煤气流分布状态,人工干预的方式不仅费时费力,且得出的煤气流分布状态识别结果误差较大,精度不高。
基于此,本发明实施例提供一种多源异构数据融合的高炉煤气流分布状态识别方法,该方法可应用于将十字测温与红外图像结合起来,进行煤气流分布状态识别的场景,在实现自动识别煤气流分布状态的同时,能够有效地提高煤气流分布状态识别精度。
图1是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图,该方法可以由多源异构数据融合的高炉煤气流分布状态识别系统来执行,该系统可以通过软件和/或硬件实现,该系统可以集成在电子设备中,电子设备可以是个人电脑,云端设备或者智能手机、平板电脑等移动设备。如图1所示,本发明实施例提供的多源异构数据融合的高炉煤气流分布状态识别方法包括:
步骤110,获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,红外热图像和温度分布数据对应同一高炉的同一时刻。
具体地,待识别数据即可以表征高炉煤气流分布状态的数据,可根据高炉实际生产过程采集。各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据。
炉喉料面的红外热图像即通过高炉炉顶预先装设好的高清热成像设备采集到的高炉在任一时刻的红外热图像。
炉喉的温度分布数据可通过十字测温探测器得到,具体在炉喉圆周上安装两个互相垂直,内装多个热电偶的探测管,感知得到炉喉径向多个探测点处的温度值。此处的温度分布数据可以用温度分布曲线图表示,温度分布曲线图的横坐标表示探测点,纵坐标表示温度值。
可理解的是,针对同一高炉的任一时刻,通过红外设备拍摄得到红外热图像的同时,通过十字测温探测器探测得到温度分布数据,即红外热图像和温度分布数据属于多源异构数据。
此处,待识别数据可以是多组,相应地,红外热图像为多张,且温度分布数据为多组。比如,有10组待识别数据,则包含10张红外热图像和10组温度分布数据,其中每一组温度分布数据包含多个探测点对应的温度值。
步骤120,基于多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
具体地,考虑到现有技术中十字测温仅仅感知炉喉处两条直线上的温度,炉喉平面其他区域温度信息丢失;而红外图像感知的温度信息无法达到十字测温的精度,且均需人工干预,导致识别得到的煤气流分布状态精度不高。本发明实施例提供的方法将红外热图像和温度分布数据结合起来,能够有效地提高煤气流分布状态识别精度。
此处,各红外热图像之间的关联信息可反映各红外热图像之间在图像特征层面上是否存在关联信息,如果存在关联信息,表示两幅红外热图像的图像特征越接近,则越有可能对应同一煤气流分布状态;如果不存在关联信息,表示两幅红外热图像的图像特征差异越大,则越有可能对应不同的煤气流分布状态。
各温度分布数据之间的关联信息可反映各温度分布数据之间在温度分布特征层面上是否存在关联关系,如果存在关联信息,表示两组温度分布数据的温度分布特征越接近,则越有可能对应同一煤气流分布状态;如果不存在关联信息,表示两组温度分布数据的温度分布特征差异越大,则越有可能对应不同的煤气流分布状态。
此处的关联信息可用高阶关联矩阵来表示。
随即,根据多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
本发明实施例提供的方法,获取同一时刻的红外热图像和温度分布数据,并根据各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。在实现自动识别煤气流分布状态的同时,能够有效地提高煤气流分布状态识别精度。
基于上述实施例,各红外热图像之间的关联信息基于如下步骤确定:
基于多组待识别数据中各红外热图像,构建红外热图像超图;
确定红外热图像超图的图像关联矩阵,图像关联矩阵表征各红外热图像之间的关联信息。
具体地,超图是一种高维的对于数据的图形展示,弥补了普通图方式信息丢失的缺陷。
针对多组待识别数据中各红外热图像,可利用分类算法构建红外热图像超图。红外热图像超图中的各个顶点即各个红外热图像。
红外热图像超图的模型可表示如下:
分类算法可以是K最近邻(k-Nearest Neighbor,KNN)算法,利用KNN算法构建红外
热图像超图模型的过程为:以某个顶点为中心,计算该顶点到其他顶点的欧
氏距离,选择最近的K个顶点构建一条超边,即每条超边包含K+1个顶点,共有n个超边。
得到红外热图像超图,即可确定红外热图像超图的关联矩阵,即图像关联矩阵,图像关联矩阵可表征各红外热图像之间的关联信息,即高阶关联关系。
本发明实施例提供的方法,根据各红外热图像构建红外热图像超图,并基于图像关联矩阵表征各红外热图像之间的关联信息,能够进一步提高各红外热图像的分类精度。
基于上述任一实施例,各温度分布数据之间的关联信息基于如下步骤确定:
基于多组待识别数据中各温度分布数据,构建温度分布超图;
确定温度分布超图的温度关联矩阵,温度关联矩阵表征各温度分布数据之间的关联信息。
具体地,针对多组待识别数据中各温度分布数据,可利用分类算法,例如K最近邻(k-Nearest Neighbor,KNN)算法构建温度分布超图。温度分布超图中的各个顶点即各个温度分布数据。
温度分布超图的模型可表示如下:
得到温度分布超图,即可确定温度分布超图的关联矩阵,即温度关联矩阵,温度关联矩阵可表征各温度分布数据之间的关联信息,即高阶关联关系。
本发明实施例提供的方法,根据各温度分布数据构建温度分布超图,并基于温度关联矩阵表征各温度分布数据之间的关联信息,能够进一步提高各温度分布数据的分类精度。
基于上述任一实施例,步骤120具体包括:
步骤121,基于多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,确定多组待识别数据的融合关联信息,并基于融合关联信息,构建融合超图;
步骤122,基于融合超图,构建高炉煤气流分布状态的超图优化模型;
步骤123,基于预设的高炉煤气流分布状态标签的标签矩阵,对超图优化模型进行求解,得到多组待识别数据的得分矩阵,得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分;
步骤124,基于多组待识别数据的得分矩阵,对多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
具体地,由于图像关联矩阵蕴含了各红外热图像之间的高阶关联信
息,温度关联矩阵蕴含了各温度分布数据之间的高阶关联信息,将图像关联矩阵
和温度关联矩阵拼接起来,由此得到的融合关联矩阵,可以结合两者的优势,更加准确地表
达高炉煤气流分布的状态,从而提高识别准确率。此处的融合关联矩阵即多组待识别数据
的融合关联信息。
融合关联矩阵可表示如下:
得到的融合关联矩阵,可表达一个新的融合超图,即融合超图。融合超图的模型可表示如下:
在一个实施例中,高炉煤气流分布状态的超图优化模型可表示为如下形式:
其中,表示多组待识别数据的得分矩阵,表示高炉煤气流分布状态标签的标签
矩阵,表示融合超图的拉普拉斯矩阵,为权衡参数,。得分矩阵用于表征各组待识
别数据分别对应于高炉煤气流分布状态各个标签的得分。表示超图学习损失函数,超
图优化模型的优化目标是使得最小化。
F为一个的矩阵,其中,n表示待识别数据的组数,L表示高炉煤气流分布状态
标签的数量,各组待识别数据分别对应得分矩阵的各行,每一行所对应的每一列的值表示
各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分。
在一个实施例中,高炉煤气流分布状态标签包括中心过大边缘过盛,中心过大边缘过死,中心过大边缘稳定,中心不足边缘过盛,中心不足边缘过死,中心不足边缘稳定,中心充足边缘过盛,中心充足边缘过死,中心充足边缘稳定中的至少一种。
在得到得分矩阵的基础上,即可根据得分矩阵对多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
在一个实施例中,步骤124具体包括:
基于各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分,将得分最高的高炉煤气流分布状态标签,确定为各组待识别数据的高炉煤气流分布状态识别结果。
具体地,由于得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分,对应标签的得分越高,则表示红外热图像和温度分布数据的融合数据被识别为该类标签的可能性越大;对应标签的得分越低,则表示红外热图像和温度分布数据的融合数据被识别为该类标签的可能性越小。
因此,可将得分最高的高炉煤气流分布状态标签,确定为各组待识别数据的高炉煤气流分布状态识别结果。
举例而言,对模型进行求解得到的得分矩阵如下:
得分矩阵为一个5×9的矩阵,说明待识别数据有5组,表示有5个高炉煤气流分布状态样本,每个样本对应9个高炉煤气流分布状态标签,可分别设置为中心过大边缘过盛,中心过大边缘过死,中心过大边缘稳定,中心不足边缘过盛,中心不足边缘过死,中心不足边缘稳定,中心充足边缘过盛,中心充足边缘过死,中心充足边缘稳定。
矩阵里的数值表示各个样本对应各个标签的得分,每一行中得分最大的列便是该样本对应的煤气流分布状态。如得分矩阵的第二行中最大值为0.9102,在第4列,对应的煤气流分布状态标签为“中心不足边缘过盛”,则该样本对应的高炉煤气流分布状态为“中心不足边缘过盛”。
本发明实施例提供的方法,将分别蕴含了红外热图像和温度分布矩阵之间的高阶关联信息的图像关联矩阵和温度关联矩阵进行融合,得到融合矩阵,并构建基于融合超图的优化模型,对模型求解,从而得到各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分,基于得分对煤气流分布状态进行识别,在实现自动识别高炉煤气流分布状态的同时,由于同时考虑了红外热图像和温度分布数据,进一步提高了识别精度和准确率。
基于上述任一实施例,本发明实施例还提供一种多源异构数据融合的高炉煤气流分布状态识别方法,图2是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图之二,如图2所示,该方法包括:
步骤210,获取n组待识别数据,具体包括:
步骤211,从某钢厂采集得到高炉煤气流分布红外热图像;
步骤212,基于同一高炉的同一时刻,采集得到温度分布数据;
需要说明的是,步骤220和步骤230可以同时执行,也可以顺序执行,但对执行顺序不作具体限定。
步骤240,多超图异构信息融合。
将图像关联矩阵和温度关联矩阵拼接起来,得到融合关联矩阵,得到新的融合超图。
步骤250,高炉煤气流分布超图学习优化建模与状态识别,具体包括:
步骤251,利用融合关联矩阵建立高炉煤气流分布状态的超图优化模型,所述超图优化模型表示为如下形式:
步骤252,对模型进行求解,得到各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分,基于得分进行状态识别。
步骤253,将得分最高的高炉煤气流分布状态标签,确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
煤气流分布状态识别结果具体可以为:中心过大边缘过盛、中心过大边缘过死、中心过大边缘稳定、中心不足边缘过盛、中心不足边缘过死、中心不足边缘稳定、中心充足边缘过盛、中心充足边缘过死或者中心充足边缘稳定。
下面对本发明提供的多源异构数据融合的高炉煤气流分布状态识别系统进行描述,下文描述的多源异构数据融合的高炉煤气流分布状态识别系统与上文描述的多源异构数据融合的高炉煤气流分布状态识别方法可相互对应参照。
基于上述任一实施例,图3是本发明提供的多源异构数据融合的高炉煤气流分布状态识别系统的结构示意图,如图3所示,该系统包括:
数据获取单元310,用于获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;
状态识别单元320,用于基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
本发明实施例提供的多源异构数据融合的高炉煤气流分布状态识别系统,获取同一时刻的红外热图像和温度分布数据,并根据各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。在实现自动识别煤气流分布状态的同时,能够有效地提高煤气流分布状态识别精度。
基于上述任一实施例,多源异构数据融合的高炉煤气流分布状态识别系统还包括图像关联信息确定单元,用于:
基于所述多组待识别数据中各红外热图像,构建红外热图像超图;
确定所述红外热图像超图的图像关联矩阵,所述图像关联矩阵表征所述各红外热图像之间的关联信息。
基于上述任一实施例,多源异构数据融合的高炉煤气流分布状态识别系统还包括温度关联信息确定单元,用于:
基于所述多组待识别数据中各温度分布数据,构建温度分布超图;
确定所述温度分布超图的温度关联矩阵,所述温度关联矩阵表征所述各温度分布数据之间的关联信息。
基于上述任一实施例,状态识别单元320进一步用于:
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,确定所述多组待识别数据的融合关联信息,并基于所述融合关联信息,构建融合超图;
基于所述融合超图,构建高炉煤气流分布状态的超图优化模型;
基于预设的高炉煤气流分布状态标签的标签矩阵,对所述超图优化模型进行求解,得到所述多组待识别数据的得分矩阵,所述得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分;
基于所述多组待识别数据的得分矩阵,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
基于上述任一实施例,状态识别单元320进一步用于:
基于所述各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分,将得分最高的高炉煤气流分布状态标签,确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
基于上述任一实施例,所述高炉煤气流分布状态的超图优化模型表示为如下形式:
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行多源异构数据融合的高炉煤气流分布状态识别方法,该方法包括:获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的多源异构数据融合的高炉煤气流分布状态识别方法,该方法包括:获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的多源异构数据融合的高炉煤气流分布状态识别方法,该方法包括:获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多源异构数据融合的高炉煤气流分布状态识别方法,其特征在于,包括:
获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
2.根据权利要求1所述的多源异构数据融合的高炉煤气流分布状态识别方法,其特征在于,所述各红外热图像之间的关联信息基于如下步骤确定:
基于所述多组待识别数据中各红外热图像,构建红外热图像超图;
确定所述红外热图像超图的图像关联矩阵,所述图像关联矩阵表征所述各红外热图像之间的关联信息。
3.根据权利要求1所述的多源异构数据融合的高炉煤气流分布状态识别方法,其特征在于,所述各温度分布数据之间的关联信息基于如下步骤确定:
基于所述多组待识别数据中各温度分布数据,构建温度分布超图;
确定所述温度分布超图的温度关联矩阵,所述温度关联矩阵表征所述各温度分布数据之间的关联信息。
4.根据权利要求1所述的多源异构数据融合的高炉煤气流分布状态识别方法,其特征在于,所述基于所述多组待识别数据中各红外热图像之间的关联信息和各组温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到多组待识别数据的高炉煤气流分布状态识别结果,包括:
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,确定所述多组待识别数据的融合关联信息,并基于所述融合关联信息,构建融合超图;
基于所述融合超图,构建高炉煤气流分布状态的超图优化模型;
基于预设的高炉煤气流分布状态标签的标签矩阵,对所述超图优化模型进行求解,得到所述多组待识别数据的得分矩阵,所述得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分;
基于所述多组待识别数据的得分矩阵,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
5.根据权利要求4所述的多源异构数据融合的高炉煤气流分布状态识别方法,其特征在于,所述基于所述多组待识别数据的得分矩阵,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果,包括:
基于所述各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分,将得分最高的高炉煤气流分布状态标签,确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
7.根据权利要求4至6中任一项所述的多源异构数据融合的高炉煤气流分布状态识别方法,其特征在于,所述高炉煤气流分布状态标签包括中心过大边缘过盛,中心过大边缘过死,中心过大边缘稳定,中心不足边缘过盛,中心不足边缘过死,中心不足边缘稳定,中心充足边缘过盛,中心充足边缘过死,中心充足边缘稳定中的至少一种。
8.一种多源异构数据融合的高炉煤气流分布状态识别系统,其特征在于,包括:
数据获取单元,用于获取多组待识别数据,其中,各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据,所述红外热图像和所述温度分布数据对应同一高炉的同一时刻;
状态识别单元,用于基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息,对所述多组待识别数据进行高炉煤气流分布状态识别,得到各组待识别数据的高炉煤气流分布状态识别结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述多源异构数据融合的高炉煤气流分布状态识别方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述多源异构数据融合的高炉煤气流分布状态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496119.7A CN114581785B (zh) | 2022-05-09 | 2022-05-09 | 多源异构数据融合的高炉煤气流分布状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496119.7A CN114581785B (zh) | 2022-05-09 | 2022-05-09 | 多源异构数据融合的高炉煤气流分布状态识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581785A true CN114581785A (zh) | 2022-06-03 |
CN114581785B CN114581785B (zh) | 2022-07-22 |
Family
ID=81769053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210496119.7A Active CN114581785B (zh) | 2022-05-09 | 2022-05-09 | 多源异构数据融合的高炉煤气流分布状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581785B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115541030A (zh) * | 2022-09-21 | 2022-12-30 | 中冶南方工程技术有限公司 | 高炉炉顶料面温度分布的识别方法、装置及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000040979A (ko) * | 1998-12-21 | 2000-07-15 | 이구택 | 고로내부의 가스류 분포 인식방법 |
KR20120011437A (ko) * | 2010-07-29 | 2012-02-08 | 현대제철 주식회사 | 고로의 가스유동 분석방법 |
CN102409123A (zh) * | 2010-09-25 | 2012-04-11 | 宝山钢铁股份有限公司 | 一种基于多源异构数据融合的高炉料面成像系统 |
CN102732660A (zh) * | 2012-06-27 | 2012-10-17 | 浙江大学 | 一种基于多源信息融合的料面温度场检测方法 |
CN103409569A (zh) * | 2013-08-29 | 2013-11-27 | 武汉钢铁(集团)公司 | 利用炉顶红外图像控制气流分布的方法 |
CN103514486A (zh) * | 2012-06-15 | 2014-01-15 | 上海宝信软件股份有限公司 | 基于因素分析的高炉煤气受入流量预测方法 |
CN103674255A (zh) * | 2012-09-21 | 2014-03-26 | 杭州美盛红外光电技术有限公司 | 热像处理装置和热像处理方法 |
CN105002321A (zh) * | 2015-06-16 | 2015-10-28 | 内蒙古科技大学 | 一种处理煤气流中心动态跟踪及煤气利用率监测方法 |
CN105678734A (zh) * | 2014-11-21 | 2016-06-15 | 中国科学院沈阳自动化研究所 | 一种图像匹配系统的异源测试图像标定方法 |
CN107679581A (zh) * | 2017-10-23 | 2018-02-09 | 内蒙古科技大学 | 基于红外图像像素矩阵的特征值处理煤气流分布的方法 |
CN111968046A (zh) * | 2020-07-21 | 2020-11-20 | 南京莱斯网信技术研究院有限公司 | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 |
CN112270237A (zh) * | 2020-10-22 | 2021-01-26 | 中冶南方工程技术有限公司 | 一种高炉煤气流状态识别方法、系统及存储介质 |
CN113052208A (zh) * | 2021-03-10 | 2021-06-29 | 神华神东煤炭集团有限责任公司 | 基于视觉的煤岩识别方法、存储介质及电子设备 |
-
2022
- 2022-05-09 CN CN202210496119.7A patent/CN114581785B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000040979A (ko) * | 1998-12-21 | 2000-07-15 | 이구택 | 고로내부의 가스류 분포 인식방법 |
KR20120011437A (ko) * | 2010-07-29 | 2012-02-08 | 현대제철 주식회사 | 고로의 가스유동 분석방법 |
CN102409123A (zh) * | 2010-09-25 | 2012-04-11 | 宝山钢铁股份有限公司 | 一种基于多源异构数据融合的高炉料面成像系统 |
CN103514486A (zh) * | 2012-06-15 | 2014-01-15 | 上海宝信软件股份有限公司 | 基于因素分析的高炉煤气受入流量预测方法 |
CN102732660A (zh) * | 2012-06-27 | 2012-10-17 | 浙江大学 | 一种基于多源信息融合的料面温度场检测方法 |
CN103674255A (zh) * | 2012-09-21 | 2014-03-26 | 杭州美盛红外光电技术有限公司 | 热像处理装置和热像处理方法 |
CN103409569A (zh) * | 2013-08-29 | 2013-11-27 | 武汉钢铁(集团)公司 | 利用炉顶红外图像控制气流分布的方法 |
CN105678734A (zh) * | 2014-11-21 | 2016-06-15 | 中国科学院沈阳自动化研究所 | 一种图像匹配系统的异源测试图像标定方法 |
CN105002321A (zh) * | 2015-06-16 | 2015-10-28 | 内蒙古科技大学 | 一种处理煤气流中心动态跟踪及煤气利用率监测方法 |
CN107679581A (zh) * | 2017-10-23 | 2018-02-09 | 内蒙古科技大学 | 基于红外图像像素矩阵的特征值处理煤气流分布的方法 |
CN111968046A (zh) * | 2020-07-21 | 2020-11-20 | 南京莱斯网信技术研究院有限公司 | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 |
CN112270237A (zh) * | 2020-10-22 | 2021-01-26 | 中冶南方工程技术有限公司 | 一种高炉煤气流状态识别方法、系统及存储介质 |
CN113052208A (zh) * | 2021-03-10 | 2021-06-29 | 神华神东煤炭集团有限责任公司 | 基于视觉的煤岩识别方法、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
LIN SHI等: "Recognition of Blast Furnace Gas Flow Center Distribution Based on Infrared Image Processing", 《JOURNAL OF IRON AND STEEL RESEARCH, INTERNATIONAL》 * |
刘承宝等: "焦化换向过程烟气脱硝扰动建模与前馈控制", 《化工学报》 * |
安剑奇等: "基于分层递阶融合算法的高炉料面煤气流分布软测量方法", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115541030A (zh) * | 2022-09-21 | 2022-12-30 | 中冶南方工程技术有限公司 | 高炉炉顶料面温度分布的识别方法、装置及存储介质 |
CN115541030B (zh) * | 2022-09-21 | 2024-02-27 | 中冶南方工程技术有限公司 | 高炉炉顶料面温度分布的识别方法、装置及存储介质 |
WO2024060284A1 (zh) * | 2022-09-21 | 2024-03-28 | 中冶南方工程技术有限公司 | 高炉炉顶料面温度分布的识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114581785B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105612249B (zh) | 图像处理装置、程序、信息存储介质和图像处理方法 | |
CN114581785B (zh) | 多源异构数据融合的高炉煤气流分布状态识别方法及系统 | |
JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN110285781B (zh) | 一种相对于基准面的平面平行度快速评定方法 | |
CN103377303A (zh) | 曲面量测系统及方法 | |
CN117152484B (zh) | 基于改进的YOLOv5s的小目标布匹瑕疵检测方法 | |
Sun et al. | Remote estimation of grafted apple tree trunk diameter in modern orchard with RGB and point cloud based on SOLOv2 | |
CN109462999A (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN110307887B (zh) | 一种应用于智能货柜的基于纯重力识别商品的方法 | |
US9202130B2 (en) | Image processing apparatus and image processing method | |
Mirande et al. | A graph-based approach for simultaneous semantic and instance segmentation of plant 3D point clouds | |
Ni | B-SIFT: a binary SIFT based local image feature descriptor | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN111626989B (zh) | 针对缺失标注的病理图像的高精度检测网络训练方法 | |
CN112396021A (zh) | 高空危险物检测方法、装置及存储介质 | |
CN111647698A (zh) | 一种高炉炉缸的活跃状态检测方法及装置 | |
CN117078927A (zh) | 一种联合目标标注方法、装置、设备及存储介质 | |
CN116007504A (zh) | 基于图像技术的裂缝检测模块、装置和计算机设备 | |
CN116188374A (zh) | 插座检测方法、装置、计算机设备及存储介质 | |
CN115937195A (zh) | 表面缺陷检测方法、装置和计算机设备 | |
CN115147349A (zh) | 转炉冶炼终点的确定方法、装置、电子设备及存储介质 | |
CN114494921A (zh) | 一种货架商品的识别方法和系统 | |
CN111722977A (zh) | 系统巡检方法、装置及电子设备 | |
CN109815133B (zh) | 一种软件测试方法、装置、计算设备及计算机存储介质 |
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 |