CN115584375B - 一种基于图像识别的转炉自动出钢的方法及系统 - Google Patents
一种基于图像识别的转炉自动出钢的方法及系统 Download PDFInfo
- Publication number
- CN115584375B CN115584375B CN202211356567.3A CN202211356567A CN115584375B CN 115584375 B CN115584375 B CN 115584375B CN 202211356567 A CN202211356567 A CN 202211356567A CN 115584375 B CN115584375 B CN 115584375B
- Authority
- CN
- China
- Prior art keywords
- tapping
- converter
- module
- model
- molten steel
- 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
- 238000010079 rubber tapping Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 38
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 58
- 239000010959 steel Substances 0.000 claims abstract description 58
- 239000002893 slag Substances 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 239000000956 alloy Substances 0.000 claims abstract description 20
- 229910045601 alloy Inorganic materials 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000005856 abnormality Effects 0.000 claims description 21
- 238000002844 melting Methods 0.000 claims description 8
- 230000008018 melting Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000002706 hydrostatic effect Effects 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000002372 labelling Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
- C21C5/42—Constructional features of converters
- C21C5/46—Details or accessories
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
- C21C5/42—Constructional features of converters
- C21C5/46—Details or accessories
- C21C5/4673—Measuring and sampling devices
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- 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]
-
- 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
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Organic Chemistry (AREA)
- Materials Engineering (AREA)
- Health & Medical Sciences (AREA)
- Metallurgy (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明公开了一种基于图像识别的转炉自动出钢的方法及系统，通过对转炉出钢图像进行在线分析计算，实时优化控制转炉出钢过程；系统包括：钢水信息分析模块、合金计算模块、出钢速度计算模块、炉内信息监测模块、出钢炉口监控模块、转炉倾动及出钢车控制模块、下渣检测模块和大数据分析和自学习模块，对转炉出钢过程炉口、炉内的图像进行采集和标签化处理，运用深度学习算法卷积神经网络CNN、序列神经网络RNN和图像检测算法对图像信息进行模型训练，通过训练好的模型对转炉出钢过程进行实时在线监测和优化控制，实现转炉出钢过程的全自动化和最优化。
Description
技术领域
本发明属于冶金自动化控制技术领域，具体涉及一种基于图像识别的转炉自动出钢的方法及系统。
背景技术
转炉出钢过程对钢水质量影响很大，出钢过程会直接影响钢水的温降和钢水的二次氧化，如果出钢时转炉强氧化性渣从炉口进入钢包，则会为后续脱氧造成困难，导致钢水质量和炼钢成本的双重损失。目前转炉出钢生产环境主要依靠人工经验控制或者一级的静态表通过间接计算控制，转炉出钢干扰因素多，人工操作经和静态表很难实现动态精准控制，难以实现出钢过程的最优化。
随着智能制造理念的不断深入，人工智能技术的飞速发展，实现转炉出钢过程的全自动化和最优化是亟待解决的问题。为此本发明提出了一种基于图像识别的转炉自动出钢的方法及系统。
发明内容
本发明的目的在于提供一种基于图像识别的转炉自动出钢的方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于图像识别的转炉自动出钢系统，通过对转炉出钢图像进行在线分析计算，实时优化控制转炉出钢过程；系统包括：钢水信息分析模块、合金计算模块、出钢速度计算模块、炉内信息监测模块、出钢炉口监控模块、转炉倾动及出钢车控制模块、下渣检测模块和大数据分析和自学习模块；
钢水信息分析模块用于计算转炉钢水的粘度物理参数；
合金计算模块用于计算出钢量和需要加入的合金量；
出钢速度计算模块用于计算出钢口流量大小，配合其他模块计算大概出钢时间和出钢角度范围，系统控制转炉倾动转到出钢位置；
炉内信息监测模块用于检测炉内是否有异常情况；
出钢炉口监控模块根据转炉炉口实时图像信息计算，动态控制转炉出钢角度，保证钢水静压力最优且炉口和出钢口不溢出渣；
出钢车控制模块按照设定转炉角度和出钢车位置对应关系动态调整位置；
下渣检测模块同时监控，直至出钢完成，当任意模块发现异常时，进行报警并转人工操作；
大数据分析和自学习模块，用于将过程历史数据传入，进行闭环参数优化，完善出钢过程。
一种基于图像识别的转炉自动出钢的方法，包含以下步骤：
步骤S1，建立钢水成分与钢水粘度和流动性的模型，在出钢之前获得钢水成分后可以计算出钢水粘度和流动性状态值，为后续计算出钢速度做准备，模型导入系统；
步骤S2，建立钢水量计算和合金加入量模型，根据此数值匹配最优出钢车位置，充分利用出钢钢水热流搅动效果，实现钢水成分控制和优化合金熔化，模型导入系统；
步骤S3，建立出钢口寿命和出钢口关系模型，为后续计算出钢速度和出钢时间计算提供依据，模型导入系统；
步骤S4，建立炉内状态检测模块，用于检测炉内化渣异常和炉壁异常，模型导入系统；
步骤S5，建立炉口出钢监控模型，保证出钢时转炉在合适的角度，使得在炉口不溢渣的前提下达到最优出钢速度，模型导入系统；
步骤S6，建立转炉倾动角度与出钢车位置对应关系表，导入系统；
步骤S7，系统检测以上模型都加载成功且没有检测到异常后，出钢开始，转炉开始倾动，进入出钢程序；
步骤S8，进入触发角度范围时，炉内状态检测模块开始检测炉内状态，没有异常后继续出钢；
步骤S9，炉口出钢监控模型开始检测出钢时炉口状态，保证渣线值在设定的范围内，如果渣线超出设定范围的上下限，则通过反馈来控制转炉倾动及出钢车位置，直到下渣检测系统给出出钢完成信号，完成出钢。
优选的，所述步骤S1-S3中，根据冶金理论和数据模型算法，建立钢水成分与钢水粘度和流动性的模型、建立钢水量及合金加入量模型和出钢口寿命及出钢速度模型，在出钢之前获得钢水成分后可以计算出钢水流动性状态值、钢水重量、需要合金量、出钢口孔径数值等，为后续计算出钢速度做准备。
优选的，在步骤S4中，对出钢时炉内钢渣情况和炉内图像进行采集和标签化处理，运用深度学习算法卷积神经网络CNN和图像检测算法对图像信息进行模型训练建立炉内状态检测模型，通过训练好的模型对转炉出钢过程炉内图像信息进行实时在线监测，发现化渣异常和炉壁异常即时报警。
优选的，在步骤S5中，对出钢时炉口图像进行采集和标签化处理，对渣线在炉口的位置进行分级量化标签，运用深度学习算法卷积神经网络CNN、序列神经网络RNN和图像检测算法对图像信息进行模型训练建立炉内状态检测模块，通过训练好的模型对转炉出钢过程炉口图像信息进行实时在线监控，保证渣线值在设定的范围内，如果渣线超出设定范围的上下限，则通过反馈来控制转炉倾动及出钢车位置。
与现有技术相比，本发明的有益效果是：本发明提出了一种基于图像识别的转炉自动出钢的方法及系统，对转炉出钢过程炉口、炉内的图像进行采集和标签化处理，运用深度学习算法卷积神经网络CNN、序列神经网络RNN和图像检测算法对图像信息进行模型训练，通过训练好的模型对转炉出钢过程进行实时在线监测和优化控制，实现转炉出钢过程的全自动化和最优化。
附图说明
图1为本发明的工作流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
请参阅图1，本发明提供一种技术方案：一种基于图像识别的转炉自动出钢系统，通过对转炉出钢图像进行在线分析计算，实时优化控制转炉出钢过程；系统包括：钢水信息分析模块、合金计算模块、出钢速度计算模块、炉内信息监测模块、出钢炉口监控模块、转炉倾动及出钢车控制模块、下渣检测模块和大数据分析和自学习模块；
钢水信息分析模块用于计算转炉钢水的粘度物理参数；
合金计算模块用于计算出钢量和需要加入的合金量；
出钢速度计算模块用于计算出钢口流量大小，配合其他模块计算大概出钢时间和出钢角度范围，系统控制转炉倾动转到出钢位置；
炉内信息监测模块用于检测炉内是否有异常情况；
出钢炉口监控模块根据转炉炉口实时图像信息计算，动态控制转炉出钢角度，保证钢水静压力最优且炉口和出钢口不溢出渣；
出钢车控制模块按照设定转炉角度和出钢车位置对应关系动态调整位置；
下渣检测模块同时监控，直至出钢完成，当任意模块发现异常时，进行报警并转人工操作；
大数据分析和自学习模块，用于将过程历史数据传入，进行闭环参数优化，完善出钢过程。
一种基于图像识别的转炉自动出钢的方法分为两种模式，具体包含以下步骤：
训练步骤S1，成像硬件设置：在转炉炉口对面合适位置安装摄像头，用于炉内状态检测的摄像头至少一个，用于炉口出钢监控的摄像头至少两个，前者位置适当高于后者，安装位置和角度以成像清晰和最大限度显示出钢信息为准.；
训练步骤S2，设备硬件设置：对转炉倾动和出钢车进行硬件和传感器升级改造，加强测量精度和安全连锁；
训练步骤S3，计算硬件设置：选择适当的服务器作为计算核心，配置好软件运行环境，与基础自动化做好接口，实现联动控制；
训练步骤S4，建立钢水成分与钢水粘度和流动性的模型，在出钢之前获得钢水成分后可以计算出钢水粘度和流动性状态值，为后续计算出钢速度做准备，模型导入系统；
训练步骤S5，建立钢水成分与钢水粘度和流动性的模型，在出钢之前获得钢水成分后可以计算出钢水粘度和流动性状态值，为后续计算出钢速度做准备，模型导入系统；
训练步骤S6，建立钢水量计算和合金加入量模型，根据此数值匹配最优出钢车位置，充分利用出钢钢水热流搅动效果，实现钢水成分控制和优化合金熔化，模型导入系统；
训练步骤S7，设置图像计算逻辑：各摄像头采用同时成像、同时标签化处理、同模型训练、同时加载和同时工作计算运行，对个模型计算结果形成“与“的逻辑关系，加强计算安全性和精确性；
训练步骤S8，编写图像采集和标签化程序，对实时出钢过程的数据进行多摄像头同时采集，同时标签化处理，对采集图像数据进行清洗和加工处理，存入生产实绩数据库；
训练步骤S9，运用卷积神经网络CNN和图像检测方法建立炉内状态检测模块，训练标签为图像中化渣异常和炉壁等异常，用于检测炉等异常，模型训练好后，存入系统模型数据库；
训练步骤S10，运用卷积神经网络CNN和序列神经网络RNN建立炉口出钢监控模型，训练标签为渣线在出钢过程的位置量化分级信息，保证出钢时转炉在合适的角度，使得在炉口不溢渣的前提下达到最优出钢速度，模型训练好后，存入系统模型数据库。
训练步骤S11，建立转炉倾动角度与出钢车位置对应关系表，存入系统模型数据库；
工作步骤S1，进入工作模式：系统检测以上模型都加载成功且没有检测到异常后，出钢开始，转炉开始倾动，进入出钢程序；
工作步骤S2，进入触发角度范围时，炉内状态检测模块开始检测炉内状态，没有异常后继续出钢；
工作步骤S3，炉口出钢监控模型开始检测出钢时炉口状态，保证渣线值在设定的范围内，如果渣线超出设定范围的上下限，则通过反馈来控制转炉倾动及出钢车位置，直到下渣检测系统给出出钢完成信号，完成出钢。
工作步骤S4，在出钢过程中对图像信息进行标签化处理并保存，对此次出钢过程中的实绩数据进行清洗和加工处理，存入生产实绩数据库，用于模型训练调优和查询。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于图像识别的转炉自动出钢系统，其特征在于：通过对转炉出钢图像进行在线分析计算，实时优化控制转炉出钢过程；系统包括：钢水信息分析模块、合金计算模块、出钢速度计算模块、炉内信息监测模块、出钢炉口监控模块、转炉倾动及出钢车控制模块、下渣检测模块、大数据分析和自学习模块；
钢水信息分析模块用于计算转炉钢水的粘度物理参数；
合金计算模块用于计算出钢量和需要加入的合金量；
出钢速度计算模块用于计算出钢口流量大小，配合其他模块计算大概出钢时间和出钢角度范围，系统控制转炉倾动转到出钢位置；
炉内信息监测模块用于检测炉内是否有异常情况；
出钢炉口监控模块根据转炉炉口实时图像信息计算，动态控制转炉出钢角度，保证钢水静压力最优且炉口和出钢口不溢出渣；
出钢车控制模块按照设定转炉角度和出钢车位置对应关系动态调整位置；
下渣检测模块同时监控，直至出钢完成，当任意模块发现异常时，进行报警并转人工操作；
大数据分析和自学习模块，用于将过程历史数据传入，进行闭环参数优化，完善出钢过程。
2.一种使用权利要求1所述的基于图像识别的转炉自动出钢系统的方法，其特征在于：包含以下步骤：
步骤S1，建立钢水成分与钢水粘度和流动性的模型，在出钢之前获得钢水成分后可以计算出钢水粘度和流动性状态值，为后续计算出钢速度做准备，模型导入系统；
步骤S2，建立钢水量计算和合金加入量模型，根据此数值匹配最优出钢车位置，充分利用出钢钢水热流搅动效果，实现钢水成分控制和优化合金熔化，模型导入系统；
步骤S3，建立出钢口寿命和出钢口关系模型，为后续计算出钢速度和出钢时间计算提供依据，模型导入系统；
步骤S4，建立炉内状态检测模块，用于检测炉内化渣异常和炉壁异常，模型导入系统；
步骤S5，建立炉口出钢监控模型，保证出钢时转炉在合适的角度，使得在炉口不溢渣的前提下达到最优出钢速度，模型导入系统；
步骤S6，建立转炉倾动角度与出钢车位置对应关系表，导入系统；
步骤S7，系统检测以上模型都加载成功且没有检测到异常后，出钢开始，转炉开始倾动，进入出钢程序；
步骤S8，进入触发角度范围时，炉内状态检测模块开始检测炉内状态，没有异常后继续出钢；
步骤S9，炉口出钢监控模型开始检测出钢时炉口状态，保证渣线值在设定的范围内，如果渣线超出设定范围的上下限，则通过反馈来控制转炉倾动及出钢车位置，直到下渣检测系统给出出钢完成信号，完成出钢；
所述步骤S4中，对出钢时炉内钢渣情况和炉内图像进行采集和标签化处理，运用深度学习算法卷积神经网络CNN和图像检测算法对图像信息进行模型训练建立炉内状态检测模型，通过训练好的模型对转炉出钢过程炉内图像信息进行实时在线监测，发现化渣异常和炉壁异常即时报警；
所述步骤S5中，对出钢时炉口图像进行采集和标签化处理，对渣线在炉口的位置进行分级量化标签，运用深度学习算法卷积神经网络CNN、序列神经网络RNN和图像检测算法对图像信息进行模型训练建立炉内状态检测模块，通过训练好的模型对转炉出钢过程炉口图像信息进行实时在线监控，保证渣线值在设定的范围内，如果渣线超出设定范围的上下限，则通过反馈来控制转炉倾动及出钢车位置。
3.根据权利要求2所述的基于图像识别的转炉自动出钢系统的方法，其特征在于：所述步骤S1-S3中，根据冶金理论和数据模型算法，建立钢水成分与钢水粘度和流动性的模型、建立钢水量及合金加入量模型和出钢口寿命及出钢速度模型，在出钢之前获得钢水成分后可以计算出钢水流动性状态值、钢水重量、需要合金量、出钢口孔径数值，为后续计算出钢速度做准备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211356567.3A CN115584375B (zh) | 2022-11-01 | 2022-11-01 | 一种基于图像识别的转炉自动出钢的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211356567.3A CN115584375B (zh) | 2022-11-01 | 2022-11-01 | 一种基于图像识别的转炉自动出钢的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115584375A CN115584375A (zh) | 2023-01-10 |
| CN115584375B true CN115584375B (zh) | 2023-10-27 |
Family
ID=84781614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211356567.3A Active CN115584375B (zh) | 2022-11-01 | 2022-11-01 | 一种基于图像识别的转炉自动出钢的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115584375B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117352110B (zh) * | 2023-12-05 | 2024-02-13 | 江苏美特林科特殊合金股份有限公司 | 一种基于旋转浊度法测试钽熔体高温流动特性的系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07310114A (ja) * | 1994-05-16 | 1995-11-28 | Kawasaki Steel Corp | 転炉の出鋼方法 |
| CN106987675A (zh) * | 2017-03-29 | 2017-07-28 | 湖南镭目科技有限公司 | 一种转炉出钢过程的控制系统及控制方法 |
| CN108504815A (zh) * | 2017-02-24 | 2018-09-07 | 上海梅山钢铁股份有限公司 | 一种转炉合金加入自动控制系统及其方法 |
| CN110438284A (zh) * | 2019-08-26 | 2019-11-12 | 杭州谱诚泰迪实业有限公司 | 一种转炉智能出钢装置及控制方法 |
| CN113088615A (zh) * | 2021-03-19 | 2021-07-09 | 中冶南方工程技术有限公司 | 一种基于视频识别技术的转炉出钢控制方法与系统 |
| CN114990278A (zh) * | 2022-05-27 | 2022-09-02 | 北京首钢自动化信息技术有限公司 | 一种转炉的控制方法和控制装置 |
-
2022
- 2022-11-01 CN CN202211356567.3A patent/CN115584375B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07310114A (ja) * | 1994-05-16 | 1995-11-28 | Kawasaki Steel Corp | 転炉の出鋼方法 |
| CN108504815A (zh) * | 2017-02-24 | 2018-09-07 | 上海梅山钢铁股份有限公司 | 一种转炉合金加入自动控制系统及其方法 |
| CN106987675A (zh) * | 2017-03-29 | 2017-07-28 | 湖南镭目科技有限公司 | 一种转炉出钢过程的控制系统及控制方法 |
| CN110438284A (zh) * | 2019-08-26 | 2019-11-12 | 杭州谱诚泰迪实业有限公司 | 一种转炉智能出钢装置及控制方法 |
| CN113088615A (zh) * | 2021-03-19 | 2021-07-09 | 中冶南方工程技术有限公司 | 一种基于视频识别技术的转炉出钢控制方法与系统 |
| CN114990278A (zh) * | 2022-05-27 | 2022-09-02 | 北京首钢自动化信息技术有限公司 | 一种转炉的控制方法和控制装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115584375A (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110438284B (zh) | 一种转炉智能出钢装置及控制方法 | |
| CN111650903B (zh) | 一种基于视觉识别的钢包底吹氩智能控制系统 | |
| CN115584375B (zh) | 一种基于图像识别的转炉自动出钢的方法及系统 | |
| CN106987675A (zh) | 一种转炉出钢过程的控制系统及控制方法 | |
| CN110263494B (zh) | 一种基于云边协同的氧化铝生产运行优化系统及方法 | |
| CN113732558B (zh) | 机器人焊接典型质量问题在线检测方法及装置 | |
| CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
| CN113102713A (zh) | 一种基于机器视觉的连铸出坯方法及系统 | |
| CN112410510B (zh) | 一种钢包自动吹氩的方法及系统 | |
| CN210765379U (zh) | 一种用于转炉智能出钢的装置 | |
| CN111898975A (zh) | 一种炼钢生产过程智能调度系统及方法 | |
| CN115576285A (zh) | 一种lf精炼全自动生产的方法及系统 | |
| CN109840309A (zh) | 一种铁水脱硫剂用量的计算方法 | |
| 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 | |
| CN111843272B (zh) | 基于焊接过程信息融合的质量判别方法及装置 | |
| CN113009914A (zh) | 一种铁水罐车的自动行走控制装置及方法 | |
| CN112612782A (zh) | 基于lstm网络的mes系统数据在线填补方法及系统 | |
| CN115679042A (zh) | 一种lf炉精炼过程冶炼状态监控的方法和系统 | |
| CN117648629A (zh) | 一种基于认知智能的连铸智能判坯方法 | |
| CN113592760B (zh) | 一种基于火焰图像纹理特征的转炉终点碳含量预测方法 | |
| CN117688757A (zh) | 一种基于人工智能和冶金机理的转炉炼钢控制系统及方法 | |
| Wang et al. | Development and application of automatic tapping control system for converter | |
| CN112947334B (zh) | 基于大数据的再生铝生产数据追溯及对标系统及方法 | |
| CN111250545B (zh) | 一种降低摆荡钢卷超厚率的控制系统和方法 | |
| CN117764947A (zh) | 基于端边协同的热轧带钢表面缺陷检测系统及方法 |
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 |