CN115446276A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115446276A CN115446276A CN202211218375.6A CN202211218375A CN115446276A CN 115446276 A CN115446276 A CN 115446276A CN 202211218375 A CN202211218375 A CN 202211218375A CN 115446276 A CN115446276 A CN 115446276A
- Authority
- CN
- China
- Prior art keywords
- breakout
- image
- model
- early warning
- neural network
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 61
- 239000010949 copper Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 42
- 238000009749 continuous casting Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000012800 visualization Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005266 casting Methods 0.000 claims description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 9
- 239000010959 steel Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000001931 thermography Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 230000008014 freezing Effects 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims 1
- 230000007306 turnover Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 2
- 238000013508 migration Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000005499 meniscus Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Continuous Casting (AREA)
Abstract
本发明提供一种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,属于钢铁冶金连铸检测技术领域。本发明通过实时获取热电偶的测点温度,利用可视化手段获取具有典型“V”型黏结特征的温度变化异常区域热像图,通过迁移学习的方式加载预训练好的VGG16卷积神经网络模型并对其结构进行微调,并在采集到的黏结异常区域图像数据集上训练与测试,最终通过训练好的网络模型实现连铸漏钢的在线预警。本发明基于迁移学习后的卷积神经网络模型对结晶器漏钢进行在线检测及预警,能够保证全部黏结漏钢案例报出的条件下,大幅度降低误报次数,有效提高预警准确率。
Description
技术领域
本发明属于钢铁冶金连铸检测技术领域,涉及一种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。
背景技术
连续铸造是一种将高温钢液直接浇注成铸坯的工艺过程。结晶器作为连铸机的“心脏”,其内部发生着复杂的传热、传质、流动、摩擦等行为,是影响连铸过程顺行和铸坯质量的核心环节。结晶器内部的弯月面区域是漏钢、铸坯裂纹等各类表面缺陷的发源地。其中漏钢是破坏性最强的生产事故,它不仅会使浇铸过程强行中断,同时会损毁结晶器铜板及铸机设备,更严重的会危及现场人员的安全,造成巨额的经济损失。因此,随着近年来高效连铸技术的不断发展,开发连铸过程的可视化、智能化集成监控技术,对于保障连铸生产顺行和提升铸坯质量具有重要意义。
发明专利CN201210236994.8公开了一种连铸漏钢预报方法,该方法涉及PLC控制器、计算机终端、测温热电阻等多个设备。具体步骤包括:采集结晶器内温度、摩擦力等数据,发送至计算机终端;温度数据转为数字信号;通过计算机终端对接收的数据计算并进行漏钢预报。上述方法虽然能达到高报出率、低误报率的标准,然而其预警过程经过了专家系统、神经网络算法和摩擦力分析的综合判断,预警规则和逻辑判断参数较为繁杂,且需要根据不同工况条件调整报警参数和阈值,模型的自适应性和鲁棒性较低。
发明专利CN201911295769.X公开了一种连铸漏钢预报方法,该方法涉及一种人工智能、逻辑判断的综合性预报模型。其技术方案包括:针对铜板上的每支热电偶建立循环神经网络模型;根据铸坯黏结点在空间上的传播规律建立逻辑判断模型;赋予不同位置的报警热电偶不同的权重,与人为规定的阈值进行比较作出黏结漏钢报警判断。该方法虽较传统模型算法降低了漏报率与误报率,但其中对热电偶温度时间序列建立的循环神经网络不适合较长序列,且会产生梯度消失、计算量大、计算时间长等问题,限制了模型的实用性。
鉴于上述漏钢预报模型存在的局限性,同时考虑到预报方法的适用性和模型参数调整的时间成本,本发明提出,基于结晶器铜板热电偶的实测温度,通过温度映射得到铜板温度热像图,利用图像处理算法获取铜板温度变化异常区域热像图,输入到卷积神经网络模型进行判断,最终通过训练好的网络模型在线预警结晶器漏钢。
发明内容
针对现有技术存在的问题,本发明的目的是提出一种集成结晶器铜板V型黏结特征和卷积神经网络的连铸漏钢预警方法,实时准确地对连铸漏钢进行监测和预警,为连铸过程异常监控提供技术支持。
为达到上述目的,本发明的技术方案如下:
一种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,该方法通过将热电偶温度映射为二维温度热像图,进而提取出温度变化异常区域热像图,利用卷积神经网络对其分类预测,从而实现在线预警结晶器漏钢的目的,具体包括以下步骤:
第一步、结晶器铜板黏结异常区域可视化表征
(1)在结晶器宽、窄面铜板上分别等间距布置多排热电偶,测量并记录各支热电偶的温度数据,并通过插值算法获取铜板非测点位置处的温度值。按照此方式回溯大量离线电偶温度值并记录。
(2)利用计算机图形学与OpenGL技术,将铜板温度数值与RGB颜色值建立对应关系,映射到二维平面上得到表征铜板温度分布状态的热像图。回溯大量铜板热像图后,选取n秒作为帧间差分算法的计算时间间隔,获得表征铜板温度变化状态的二维温度速率热像图。
(3)对步骤(2)中得到的二维温度速率热像图进行多次试验,对比在不同阈值条件下将温度变化异常区域从二维温度速率热像图中提取出来的区域大小,最终选定温度速率Tb作为阈值,并从原始温度速率图像中分割出温度变化异常区域,即剔除温度速率值低于Tb的正常温度变化区域。采用两遍扫描法并依据八连通准则将不同位置的温度变化异常区域相联结,最终得到表征黏结的温度变化异常区域可视化热像图。
(4)温度变化异常区域可进一步细分为两种类型,若该区域具有典型的“V”型特征及动态扩展特性则划定为黏结漏钢类,否则划分为正常工况类。
第二步、黏结异常区域可视化图像数据集构建与预处理
(1)参照钢厂在连铸生产现场的实测漏钢报表统计选取x例黏结漏钢与y例正常工况样本。按照第一步的方法分别提取出表征黏结漏钢与正常工况的温度变化异常区域可视化热像图,构成初始图像样本集I。即I={(B1,1),(B2,1),...,(Bx,1),(N1,0),(N2,0),...,(Ny,0)},其中Bi,i=1,2,...x,代表第i例黏结漏钢样本,Nj,j=1,2,...,y代表第j例正常工况样本,1和0分别表示黏结漏钢与正常工况样本的类别标签。
(2)按照分层采样的方式将初始图像样本集I划分为训练集It与测试集Is,其中测试集Is的划分比例为p,p处于10%~20%之间。
(3)令coeff为正常工况与黏结漏钢两种类型样本数量之比,即coeff=y/x,按照比例coeff对训练集It中的漏钢样本进行过采样,记过采样之后的训练集为It’。
(4)对训练集It’和测试集Is中的每张图像进行如下的数据预处理:
(4.1)图像大小缩放及维度转换,将原图像维度由(H,W,C)变为(C,H,W)其中,C,H,W分别代表图像的通道数、高度和宽度。图像大小由(H,W)变为(H’,W’)。
(4.2)图像像素值归一化,对图像中每一点的像素值均除以255,即将原来图像中[0,255]的像素值范围变为[0,1]。
(4.3)图像像素值标准化。根据经验值将标准化均值设为mean,标准差设为std,对图像每个通道均进行标准化处理:
(5)对训练集It’中的图像进行数据增强处理,增强方式为随机水平翻转。将经过上述步骤处理后的训练集和测试集分别记为Itnew和Isnew。
第三步、卷积神经网络漏钢预警模型架构搭建
(1)采用迁移学习的方式加载传统的VGG16卷积神经网络模型,并冻结其所有网络层,即VGG16卷积神经网络模型的网络层权重参数无法在训练中被更新。
(2)根据漏钢预警的任务需求确认VGG16卷积神经网络模型应解决黏结漏钢与正常工况图像样本二分类问题。因此对传统的VGG16模型最后一层网络输出层进行结构微调,即将输出神经单元数量由1000变为1,并在其后新添加一层激活函数层,设为Sigmoid函数。
(3)将结构微调后的VGG16模型最后一层输出层参数设为可更新状态,即最后输出的1个神经单元与上一层网络神经元的连接权值能够在网络训练中被更新。
第四步、卷积神经网络预警模型训练与测试
(1)损失函数设置。
考虑到初始图像样本集I中存在的样本类别不均衡问题,采用Focal loss替代传统的图像分类模型中使用的交叉熵损失函数,计算公式为:FL(pt)=-at(1-pt)γlog(pt),其中pt代表网络模型将样本预测为黏结漏钢类别的概率,at与γ为可调节的超参数,分别影响不同类别的权重占比和专注于难分类样本的程度大小。
(2)优化器配置。
VGG16卷积神经网络模型的网络层参数基于反向传播过程计算出损失函数关于参数的梯度,通过随机梯度下降法对参数进行优化更新,优化过程采用Adam优化器进行,其初始学习率为lr,并伴有学习率衰减系数weight_decay。
(3)训练和测试过程。
VGG16卷积神经网络模型的训练及测试均在GPU上进行,在每一轮训练中仅加载小批量训练集Itnew中的图像样本输入至卷积神经网络中正向传播,小批量值根据训练集Itnew的大小及电脑算力设定为bs_train。计算模型预测结果与样本标签之间的损失函数值,通过反向传播过程和优化器对网络层权值参数进行更新,直至加载完成训练集Itnew中的全部图像后完成一轮训练。每轮训练后进行一次测试,过程与训练阶段类似,区别在于每批次向模型中加载的小批量样本数目根据测试集Isnew的大小和电脑算力设定为bs_test,并且没有网络层参数更新的过程。
(4)按照(3)的步骤共进行T轮,每轮记录下模型在训练和测试阶段的损失和分类结果的混淆矩阵。混淆矩阵根据样本的真实类别标签与模型的预测类别进行组合,针对于漏钢预警任务的二分类混淆矩阵如下表1所示:
表1分类结果混淆矩阵
由表1所示的混淆矩阵可分别计算出模型预测正常工况与黏结漏钢样本在测试阶段每轮的召回率Rn与Rb,进而求得VGG16卷积神经模型在测试阶段的G-mean分数,公式如下:
(5)根据人工设定的经验阈值G-threshold,筛选在T轮测试中G-mean分数高于G-threshold的轮次集合Tset,记录其中G-mean最大值所在轮次,并判断在该轮次模型的测试结果是否满足漏钢预警任务所需的100%黏结漏钢报出率及较低的误报率条件,若满足则以字典的形式保存该轮训练后网络模型的权重参数;否则继续搜索轮次集合Tset中其它轮次是否满足上述条件。
第五步、卷积神经网络模型在线预警漏钢
(1)在线读取结晶器宽面与窄面铜板上各个测点热电偶的实时温度,通过可视化手段得到铜板温度热像图,利用帧间差分算法得到铜板二维温度速率热像图,并借助阈值分割、两遍扫描算法对温度速率热像图去噪和细化,获取表征黏结的温度变化异常区域可视化热像图。
进一步的,第一步所述的步骤(1)中,在结晶器宽、窄面铜板上分别按照3排19列,3排1列的方式排布多排支热电偶,每排热电偶据结晶器上口的距离分别为210,325,445mm。宽面铜板相邻热点偶的间距为150mm。
进一步的,上述漏钢预报的方法适用于板坯、方坯、圆坯、异型坯等连铸坯的漏钢预报。
本发明的有益效果是:
本发明提供的漏钢预警方法通过实时获取热电偶的测点温度,利用可视化手段获取具有典型“V”型黏结特征的温度变化异常区域热像图,通过迁移学习的方式加载预训练好的VGG16卷积神经网络模型并对其结构进行微调,并在采集到的黏结异常区域图像数据集上训练与测试,最终通过训练好的网络模型实现连铸漏钢的在线预警。该方法基于迁移学习后的卷积神经网络模型对结晶器漏钢进行在线检测及预警,能够保证全部黏结漏钢案例报出的条件下,大幅度降低误报次数,有效提高预警准确率。
附图说明
图1为结晶器漏钢预警方法流程图。
图2为铜板测点热电偶配置及温度可视化示意图。其中D1,D2,D3分别代表第一排电偶距结晶器上口的距离210mm,一二排电偶距离115mm,二三排电偶距离120mm。L为相邻电偶间距150mm。
图3为正常工况区域在t=0~5秒范围内原位移动及黏结区域分布示意图。
图4为黏结漏钢区域在t=0~5秒范围内动态扩展及黏结区域分布示意图。
图5为结构微调后的VGG16预训练卷积神经网络模型。
图6为在线预警结晶器漏钢可视化热像图。图6(a)为黏结漏钢区域可视化热像图;图6(b)为正常工况区域可视化热像图。
具体实施方式
下面通过具体的实施例,结合附图对本发明作进一步的阐述
如图1所示为结晶器漏钢预警方法流程图。首先,在线读取结晶器铜板上测点热电偶的温度数据,通过可视化手段表征出黏结区域的“V”型特征,同时利用构建的黏结异常区域图像数据集在搭建好的卷积神经网络模型上进行训练,最终通过训练好的最佳模型在线预警结晶器漏钢。
第一步、结晶器铜板黏结异常区域可视化表征
(1)如图2所示为铜板测点热电偶配置及温度可视化示意图,在结晶器宽、窄面铜板上分别按照行×列的方式排布3×19、3×1的测点热电偶,每排热电偶分别距结晶器上口210、325、445mm。相邻两列电偶间距设为150mm。采集各支铜板热电偶的温度值,并通过插值算法计算出非热电偶测点位置处的温度数据。按照上述方式回溯大量离线电偶温度数据并记录。
(2)如图2所示,利用计算机图形学和OpenGL技术将(1)中获取到的铜板温度映射至二维平面得到宽面与窄面铜板可视化热像图。回溯数据库中大量铜板热像图后,将5秒设置为帧间差分算法的时间间隔,获取表征铜板温度波动快慢的二维温度速率热像图。
(3)对步骤(2)中计算得到的二维温度速率热像图采用不同阈值作为阈值分割算法的参数,观察从二维温度速率热像图中提取出的温度变化异常区域大小,最终选取温度速率为0.3℃/s并从原始温度速率图像中分离出该区域,即从中去除温度速率值低于0.3℃/s的正常温度波动区域。按照八连通准则对不同位置处的温度变化异常区域通过两遍扫描算法相联结,最终得到表征黏结的温度变化异常区域可视化热像图。
(4)根据黏结区域是否具有典型的“V”型形状特征可将(3)中得到的温度变化异常区域划分为黏结漏钢与正常工况两种类型。如图3所示为正常工况区域在t=0~5秒范围内原位移动及黏结区域分布示意图,可以看出在连续5秒的时间范围内,黏结区域仅仅出现在纵向的上下跳跃趋势,且移动距离较短,于横向并无明显扩展趋势,故可以认为其始终处于原位移动状态。而如图4中所示的黏结漏钢区域在连续5秒内呈现出二维扩展特征,即在横向与纵向均有移动和传播趋势,并且在t=5秒时区域呈现出典型黏结漏钢的“V”型形状特征。
第二步、黏结异常区域可视化图像数据集构建与预处理
(1)根据某钢厂在连铸生产现场的实测数据,从漏钢报表统计中选取53例黏结漏钢与736例正常工况样本。参照第一步的方法对每一例样本获取其温度变化异常区域可视化热像图,构建初始黏结异常区域图像样本集I。即:
I={(B1,1),(B2,1),...,(B53,1),(N1,0),(N2,0),...,(N736,0)},其中Bi,i=1,2,...,53表示第i例黏结漏钢样本,Nj,j=1,2,...,736表示第j例正常工况样本,1和0分别代表黏结漏钢与正常工况样本的类别标签。
(2)通过将初始图像样本集I划分以对之后搭建的卷积神经网络模型进行训练和测试,同时保证训练集和测试集中类别比例与初始样本集I中保持一致,因此采用分层采样的方式按照8:2的比例将I划分为训练集It与测试集Is。
(3)为减少类别不平衡因素对后续模型训练产生的不利影响,对训练集It中原有的漏钢样本进行过采样,过采样的比例为初始图像样本集I中正常工况与黏结漏钢两类样本数量之比coeff,即coeff=736/53≈14,记过采样后的训练集为It’。
(4)按照如下步骤对训练集It’和测试集Is中的每张图像进行预处理:
(4.1)图像放缩及维度转换,原始图像维度=(H,W,C)=(100,300,3),转换后维度为(C,H,W)=(3,100,300),其中C,H,W分别代表图像的通道数、高度和宽度;大小由原来的(H,W)=(100,300)变为(H’,W’)=(224,224),经过上述转换后的图像维度为(3,224,224)。
(4.2)图像像素值归一化,原始图像中每个像素点均有256个灰度等级(0~255),因此对图像中每一个点的像素值均除以255,将处于[0,255]的像素值范围变为[0,1]。
(4.3)图像像素值标准化。根据图像处理以往经验值将标准化均值和标准差均设为0.5,即mean=std=0.5,对图像每个通道均进行标准化处理:
Image_Cinew分别为标准化前与标准化后的每个通道图像。
(5)为进一步减小数据集样本规模可能引起的过拟合问题,对训练集It’中的图像通过随机水平翻转的方式进行数据增强。将经过上述步骤处理后的训练集和测试集记为Itnew和Isnew。
第三步、卷积神经网络漏钢预警模型架构搭建
(1)由于传统的VGG16卷积神经网络模型能够完成图像分类任务,与漏钢预警任务目标相一致,因此采用迁移学习方法将传统的VGG16作为漏钢预警初步模型,同时冻结其所有网络层,即网络层参数在模型训练时无法被更新。
(2)对漏钢预警任务作进一步分析可知VGG16模型应学习识别和区分黏结漏钢与正常工况两类样本。因此对模型结构进行微调,如图5所示的为结构微调后的VGG16预训练卷积神经网络模型,将具有典型“V”型特征的黏结异常区域图像输入至VGG16原始网络层中,在最后一层网络输出时将神经单元数量由1000修正为1,并在其后添加一层Sigmoid激活函数。
(3)将微调后的VGG16模型最后一层输出参数设为可更新状态,即模型倒数第二层与最后一层网络神经元的连接权值可以在训练中通过迭代过程而更新。
第四步、卷积神经网络预警模型训练与测试
(1)损失函数设置。由于初始图像样本集I中存在正常工况样本数量远大于黏结漏钢样本的类别不平衡问题,因此采用Focal loss取代传统的分类问题中使用的交叉熵损失函数,其计算公式为:FL(pt)=-at(1-pt)γlog(pt),式中pt代表模型将输入样本预测为黏结漏钢类别的概率值,at与γ为可调超参数,分别表征不同类别样本的权重占比与专注于难分类样本的程度大小。根据两类样本不平衡的程度将at与γ分别设为0.02与2。
(2)优化器配置。模型参数更新涉及两个过程,首先正向传播计算出模型预测值与实际样本标签值之间的损失,其次在反向传播过程中通过求解损失关于参数的梯度,利用随机梯度下降法更新网络层参数。参数更新过程利用Adam优化器进行求解,设置其初始学习率lr=1e-5,并伴有学习率衰减系数weight_decay=1e-9。
(3)训练和测试过程。训练和测试阶段均将网络模型及图像数据加载到GPU上计算,每一轮训练时分批次每次向模型中输入小批量样本,即32张训练集Itnew中的图像,通过正向传播过程计算模型预测值与样本真实标签值之间的损失,在反向传播过程中利用Adam优化器求解梯度下降法更新网络层权值,直至加载完成训练集Itnew中的全部图像后结束一轮训练。在每轮训练结束后附加一次测试,过程与训练阶段类似,区别在于每次向模型中加载的小批量样本为测试集Isnew中16张图像,并且不涉及梯度下降法更新网络层参数的过程。
(4)按照(3)的步骤重复进行15000轮训练和测试。每轮训练和测试后记录模型损失及分类结果的混淆矩阵。对于漏钢预警任务而言,模型对黏结漏钢与正常工况样本进行学习并分类识别,因此其混淆矩阵是2×2的矩阵,包含样本的真实类别标签与模型的预测标签共计4种组合结果,如下表1所示:
表1分类结果混淆矩阵
由上表可求得在15000轮测试中每轮模型预测正常工况与黏结漏钢样本的召回率Rn与Rb,从而求得模型在测试阶段的G-mean分数,公式如下:
(5)最优网络模型参数保存。设定经验阈值G-threshold=0.89,记录在15000轮测试中G-mean分数高于G-threshold的轮次集合Tset,搜索集合Tset中G-mean分数最大值所在轮次为11882,此时模型G-mean=0.90。该轮次中模型预测结果的分类混淆矩阵中TN=119,FP=28,FN=0,TP=11。满足漏钢预警任务所要求的黏结漏钢全部报出及较低的误报次数条件。最后以字典的形式存储该轮训练后网络模型的权重参数,用于后续在线漏钢预警。
第五步、卷积神经网络模型在线预警漏钢
(1)在线采集结晶器宽面与窄面铜板上各支热电偶的实测温度,利用可视化方法将铜板温度映射为二维温度热像图,通过帧间差分计算得到二维温度速率热像图,进而借助阈值分割、两遍扫描算法提取出具有八连通结构的黏结区域,最终得到温度变化异常区域可视化热像图。
(2)加载第三步(3)中结构微调后的VGG16模型,并将第四步(5)中以字典形式保存的网络权值参数读取到模型中,得到黏结漏钢预警模型。如图6所示为在线预警结晶器漏钢可视化热像图,分别将图6(a)和图(b)中两种典型黏结区域图像输入至模型中,得到模型对输入图像样本的预测类别
(3)根据预测值与样本真实类别标签进行比较从而判断当前时刻结晶器所处状态,若则代表结晶器发生了黏结漏钢,需要立刻发出漏钢预警并迅速降低铸机拉速;若则代表结晶器仍处于正常运行状态,继续下一时刻的温度数据采集,铜板温度可视化处理及漏钢预警。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,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 (5)
1.一种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,其特征在于,该方法通过将热电偶温度映射为二维温度热像图,进而提取出温度变化异常区域热像图,利用卷积神经网络对其分类预测,从而实现在线预警结晶器漏钢的目的,包括以下步骤:
第一步、结晶器铜板黏结异常区域可视化表征;
第二步、黏结异常区域可视化图像数据集构建与预处理;
第三步、卷积神经网络漏钢预警模型架构搭建;
第四步、卷积神经网络预警模型训练与测试;
第五步、卷积神经网络模型在线预警漏钢。
2.根据权利要求1所述的一种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,其特征在于,具体步骤如下:
第一步、结晶器铜板黏结异常区域可视化表征
(1)在结晶器宽、窄面铜板上分别等间距布置多排热电偶,测量并记录各支热电偶的温度数据,并通过插值算法获取铜板非测点位置处的温度值;按照此方式回溯大量离线电偶温度值并记录;
(2)利用计算机图形学与OpenGL技术,将铜板温度数值与RGB颜色值建立对应关系,映射到二维平面上得到表征铜板温度分布状态的热像图;回溯大量铜板热像图后,选取n秒作为帧间差分算法的计算时间间隔,获得表征铜板温度变化状态的二维温度速率热像图;
(3)对步骤(2)中得到的二维温度速率热像图进行多次试验,对比在不同阈值条件下将温度变化异常区域从二维温度速率热像图中提取出来的区域大小,最终选定温度速率Tb作为阈值,并从原始温度速率图像中分割出温度变化异常区域,即剔除温度速率值低于Tb的正常温度变化区域;采用两遍扫描法并依据八连通准则将不同位置的温度变化异常区域相联结,最终得到表征黏结的温度变化异常区域可视化热像图;
(4)温度变化异常区域可进一步细分为两种类型,若该区域具有典型的“V”型特征及动态扩展特性则划定为黏结漏钢类,否则划分为正常工况类;
第二步、黏结异常区域可视化图像数据集构建与预处理
(1)参照钢厂在连铸生产现场的实测漏钢报表统计选取x例黏结漏钢与y例正常工况样本;按照第一步的方法分别提取出表征黏结漏钢与正常工况的温度变化异常区域可视化热像图,构成初始图像样本集I;即I={(B1,1),(B2,1),...,(Bx,1),(N1,0),(N2,0),...,(Ny,0)},其中Bi,i=1,2,...x,代表第i例黏结漏钢样本,Nj,j=1,2,...,y代表第j例正常工况样本,1和0分别表示黏结漏钢与正常工况样本的类别标签;
(2)按照分层采样的方式将初始图像样本集I划分为训练集It与测试集Is,其中测试集Is的划分比例为p;
(3)令coeff为正常工况与黏结漏钢两种类型样本数量之比,即coeff=y/x,按照比例coeff对训练集It中的漏钢样本进行过采样,记过采样之后的训练集为It’;
(4)对训练集It’和测试集Is中的每张图像进行如下的数据预处理:
(4.1)图像大小缩放及维度转换,将原图像维度由(H,W,C)变为(C,H,W)其中,C,H,W分别代表图像的通道数、高度和宽度;图像大小由(H,W)变为(H’,W’);
(4.2)图像像素值归一化,对图像中每一点的像素值均除以255,即将原来图像中[0,255]的像素值范围变为[0,1];
(4.3)图像像素值标准化;根据经验值将标准化均值设为mean,标准差设为std,对图像每个通道均进行标准化处理:
(5)对训练集It’中的图像进行数据增强处理,增强方式为随机水平翻转;将经过上述步骤处理后的训练集和测试集分别记为Itnew和Isnew;
第三步、卷积神经网络漏钢预警模型架构搭建
(1)采用迁移学习的方式加载传统的VGG16卷积神经网络模型,并冻结其所有网络层,即VGG16卷积神经网络模型的网络层权重参数无法在训练中被更新;
(2)根据漏钢预警的任务需求确认VGG16卷积神经网络模型应解决黏结漏钢与正常工况图像样本二分类问题;因此对传统的VGG16模型最后一层网络输出层进行结构微调,即将输出神经单元数量由1000变为1,并在其后新添加一层激活函数层,设为Sigmoid函数;
(3)将结构微调后的VGG16模型最后一层输出层参数设为可更新状态,即最后输出的1个神经单元与上一层网络神经元的连接权值能够在网络训练中被更新;
第四步、卷积神经网络预警模型训练与测试
(1)损失函数设置;
考虑到初始图像样本集I中存在的样本类别不均衡问题,采用Focalloss替代传统的图像分类模型中使用的交叉熵损失函数,计算公式为:FL(pt)=-at(1-pt)γlog(pt),其中pt代表网络模型将样本预测为黏结漏钢类别的概率,at与γ为可调节的超参数,分别影响不同类别的权重占比和专注于难分类样本的程度大小;
(2)优化器配置;
VGG16卷积神经网络模型的网络层参数基于反向传播过程计算出损失函数关于参数的梯度,通过随机梯度下降法对参数进行优化更新,优化过程采用Adam优化器进行,其初始学习率为lr,并伴有学习率衰减系数weight_decay;
(3)训练和测试过程;
VGG16卷积神经网络模型的训练及测试均在GPU上进行,在每一轮训练中仅加载小批量训练集Itnew中的图像样本输入至卷积神经网络中正向传播,小批量值根据训练集Itnew的大小及电脑算力设定为bs_train;计算模型预测结果与样本标签之间的损失函数值,通过反向传播过程和优化器对网络层权值参数进行更新,直至加载完成训练集Itnew中的全部图像后完成一轮训练;每轮训练后进行一次测试,过程与训练阶段类似,区别在于每批次向模型中加载的小批量样本数目根据测试集Isnew的大小和电脑算力设定为bs_test,并且没有网络层参数更新的过程;
(4)按照(3)的步骤共进行T轮,每轮记录下模型在训练和测试阶段的损失和分类结果的混淆矩阵;混淆矩阵根据样本的真实类别标签与模型的预测类别进行组合;
(5)根据人工设定的经验阈值G-threshold,筛选在T轮测试中G-mean分数高于G-threshold的轮次集合Tset,记录其中G-mean最大值所在轮次,并判断在该轮次模型的测试结果是否满足漏钢预警任务所需的100%黏结漏钢报出率及较低的误报率条件,若满足则以字典的形式保存该轮训练后网络模型的权重参数;否则继续搜索轮次集合Tset中其它轮次是否满足上述条件;
第五步、卷积神经网络模型在线预警漏钢
(1)在线读取结晶器宽面与窄面铜板上各个测点热电偶的实时温度,通过可视化手段得到铜板温度热像图,利用帧间差分算法得到铜板二维温度速率热像图,并借助阈值分割、两遍扫描算法对温度速率热像图去噪和细化,获取表征黏结的温度变化异常区域可视化热像图;
3.根据权利要求1所述的一种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,其特征在于,第二步所述的步骤(2)中,p处于10%~20%之间。
5.根据权利要求1-4任一所述的一种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,其特征在于,所述的漏钢预报的方法适用于板坯、方坯、圆坯、异型坯或其他连铸坯的漏钢预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211218375.6A CN115446276B (zh) | 2022-10-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211218375.6A CN115446276B (zh) | 2022-10-05 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115446276A true CN115446276A (zh) | 2022-12-09 |
CN115446276B CN115446276B (zh) | 2024-07-02 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117605627A (zh) * | 2024-01-22 | 2024-02-27 | 南京讯联液压技术股份有限公司 | 一种风电齿轮箱冷却器芯体漏油检测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172153A1 (en) * | 2002-12-12 | 2004-09-02 | Yale Zhang | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
JP2012218039A (ja) * | 2011-04-11 | 2012-11-12 | Jfe Steel Corp | 連続鋳造におけるブレークアウトの検知方法 |
CN105108097A (zh) * | 2015-07-24 | 2015-12-02 | 安徽工业大学 | 一种混合模型及基于混合模型的连铸漏钢预报方法 |
CN105328155A (zh) * | 2015-10-08 | 2016-02-17 | 东北电力大学 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
CN111112567A (zh) * | 2019-12-16 | 2020-05-08 | 河钢股份有限公司 | 一种板坯连铸机漏钢预报的综合判断方法 |
CN111372704A (zh) * | 2017-11-06 | 2020-07-03 | 株式会社东芝 | 模具温度异常预兆检测装置以及存储介质 |
CN111666710A (zh) * | 2020-05-06 | 2020-09-15 | 大连理工大学 | 一种采用逻辑回归分类预测连铸坯纵裂纹的方法 |
KR102272100B1 (ko) * | 2020-07-28 | 2021-07-02 | 현대제철 주식회사 | 이미지 학습을 통한 연속 주조의 면세로 크랙 탐지 방법 및 시스템 |
CN113935416A (zh) * | 2021-10-15 | 2022-01-14 | 东北大学 | 一种多状态结晶器的连铸漏钢预报方法 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172153A1 (en) * | 2002-12-12 | 2004-09-02 | Yale Zhang | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
JP2012218039A (ja) * | 2011-04-11 | 2012-11-12 | Jfe Steel Corp | 連続鋳造におけるブレークアウトの検知方法 |
CN105108097A (zh) * | 2015-07-24 | 2015-12-02 | 安徽工业大学 | 一种混合模型及基于混合模型的连铸漏钢预报方法 |
CN105328155A (zh) * | 2015-10-08 | 2016-02-17 | 东北电力大学 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
CN111372704A (zh) * | 2017-11-06 | 2020-07-03 | 株式会社东芝 | 模具温度异常预兆检测装置以及存储介质 |
CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
CN111112567A (zh) * | 2019-12-16 | 2020-05-08 | 河钢股份有限公司 | 一种板坯连铸机漏钢预报的综合判断方法 |
CN111666710A (zh) * | 2020-05-06 | 2020-09-15 | 大连理工大学 | 一种采用逻辑回归分类预测连铸坯纵裂纹的方法 |
KR102272100B1 (ko) * | 2020-07-28 | 2021-07-02 | 현대제철 주식회사 | 이미지 학습을 통한 연속 주조의 면세로 크랙 탐지 방법 및 시스템 |
CN113935416A (zh) * | 2021-10-15 | 2022-01-14 | 东北大学 | 一种多状态结晶器的连铸漏钢预报方法 |
Non-Patent Citations (1)
Title |
---|
DUAN, HY (DUAN, HAIYANG) ; WANG, XD (WANG, XUDONG) ; BAI, Y (BAI, YU) ; YAO, M (YAO, MAN) ; GUO, QT (GUO, QINGTAO): "Integrated Approach to Density-Based Spatial Clustering of Applications with Noise and Dynamic Time Warping for Breakout Prediction in Slab Continuous Casting", METALLURGICAL AND MATERIALS TRANSACTIONS B-PROCESS METALLURGY AND MATERIALS PROCESSING SCIENCE, vol. 50, no. 5, 4 October 2019 (2019-10-04), pages 2343 - 2353, XP036896862, DOI: 10.1007/s11663-019-01633-w * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117605627A (zh) * | 2024-01-22 | 2024-02-27 | 南京讯联液压技术股份有限公司 | 一种风电齿轮箱冷却器芯体漏油检测系统及方法 |
CN117605627B (zh) * | 2024-01-22 | 2024-03-19 | 南京讯联液压技术股份有限公司 | 一种风电齿轮箱冷却器芯体漏油检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
Li et al. | A new lightweight deep neural network for surface scratch detection | |
CN105911095A (zh) | 一种连铸坯表面纵裂纹的可视化识别方法 | |
CN112418538A (zh) | 一种基于随机森林分类的连铸坯夹杂预测方法 | |
CN111949700A (zh) | 用于石化装置的智能安全保障实时优化方法及系统 | |
CN102581244A (zh) | 一种连铸铸坯表面质量的在线控制系统及控制方法 | |
CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
Alikhanov et al. | Design and performance of an automatic egg sorting system based on computer vision | |
CN115795380A (zh) | 一种基于孤立森林和加权随机森林的烟气制酸数据清洗及优化方法 | |
CN115759409A (zh) | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 | |
CN113077423B (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 | |
CN115446276B (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 | |
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 | |
Duan et al. | Modeling of breakout prediction approach integrating feature dimension reduction with K-means clustering for slab continuous casting | |
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 | |
Cheng et al. | Molten steel breakout prediction based on genetic algorithm and BP neural network in continuous casting process | |
CN117171936A (zh) | 基于缺陷机理提取结晶器实时特征值的板坯质量预测方法 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
CN116224887A (zh) | 一种多工况间歇过程故障监测方法 | |
CN113435794B (zh) | 一种基于图像处理的喷嘴铸件后处理智能监测方法 | |
CN112767380B (zh) | 一种宽厚板端部形状预测方法 | |
JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 | |
CN111258996B (zh) | 一种面向工业大数据的产品质量多源深度融合预报方法 | |
CN113901720A (zh) | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 |
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 |