CN115900378B - Rh精炼炉内冶炼状态及钢液温度实时监控系统及方法 - Google Patents

Abstract

本发明涉及一种RH精炼炉内冶炼状态及钢液温度实时监控系统及方法，该系统将采集预处理单元设置在RH精炼炉的炉体内部距离液面的一定高度，实时采集炉体内部钢液表面图像信息通过炉渣比例识别模型分析确认是否需要对钢液表面吹扫，同时实现在不停炉的情况下对RH精炼炉内冶炼状态及钢液温度进行实时监控和预警。本发明的有益效果是：该方法通过智能控制是否对炉内钢液表面的炉渣进行吹扫，避免因炉渣覆盖导致采集数据出现误差，将极大地提高RH精炼炉炉内冶炼状态监控及温度在线检测的准确率，将有助于RH精炼的冶炼效率及钢液成分控制能力，为降低能源消耗、提高钢铁产品质量、推动精炼炉精准控制奠定良好的基础。

Description

RH精炼炉内冶炼状态及钢液温度实时监控系统及方法

技术领域

本发明属于信息技术领域，尤其涉及一种非接触式的RH精炼炉内冶炼状态及钢液温度实时监控系统及方法，本发明的系统对RH精炼炉内冶炼状态监控又能进行钢液温度起到实时监视效果。

背景技术

钢铁工业是国民经济及国防建设的基础材料供应商，广泛应用于汽车、交通、机械、桥梁、石油、化工、电力、建筑等行业。精准化、自动化、智能化控制是提高产品质量及节能降耗的重要途径之一，高端钢铁产品关系到产业转型升级及高质量发展。RH精炼过程主要作用是脱氧、脱碳、脱硫、去气、去除杂质、夹杂物改性、调整钢液温度和成分（合金微调整），目前精炼过程温度检测采用人工离线及间歇式检测，将安装有电偶测温探头的测温枪插入炉口的取样孔，钢水温度检测成功后拔出测温枪，一般每炉钢需测温3-4次。未实现实时检测，且精炼炉内温度大多采用预报模型，导致工艺控制缺乏实时性及准确性。冶炼过程的控制精度低、终点命中率低、智能化程度低、控制难度大。急需对RH精炼过程的冶炼状态及温度进行在线检测技术。

现有技术中提出了利用红外探测器获取钢液、炉渣及炉壁温度的方法以及利用内窥视数字高清监控系统对精炼炉内进行监控的装置。由于上述两个方法不具备钢液面上炉渣清理及主动识别钢液和炉渣区域的功能，导致精炼炉内冶炼状态监控应用较为受限。还有提出了一种LF精炼炉钢水温度的连续测温方法，受LF精炼炉内恶劣环境影响，未见其后续的应用报道。综上可知，目前还没有既能进行RH精炼炉内冶炼状态监控又能进行钢液温度实时监控的方法或装置。

发明内容

本实施例公开了RH精炼炉内冶炼状态及钢液温度实时监控系统及方法，以解决现有技术的上述以及其他潜在问题中任一问题。

为达到上述目的，本发明的技术方案是：一种RH精炼炉内冶炼状态及钢液温度实时监控系统，该系统的数据采集部分设置在RH精炼炉的炉体内部距离液面的一定高度，实时采集炉体内部钢液表面图像信息通过炉渣比例识别模型分析确认是否需要对钢液表面吹扫，同时实现在不停炉的情况下对RH精炼的炉内冶炼状态及钢液温度的图像信息进行采集，分析处理数字化后实现实时监控和预警。

进一步，所述系统包括采集预处理单元，所述采集预处理单元设置在所述RH精炼的炉内，距离钢液表面的高度为2.9米-3.1米；

所述采集预处理单元用于实时采集炉体内部钢液表面图像信息，将采集的钢液表面图像信息作为炉渣比例识别模型输入，根据输出结果确认是否需要对钢液表面吹扫；吹扫完成后再采集RH精炼炉内冶炼状态及钢液温度的图像数据。

进一步，所述系统具体还包括：图像传输单元、分析处理单元和结果显示及预警单元；

所述图像传输单元，用于将所述采集预处理单元采集的图像数据进行传输；

所述分析处理单元，用于根据接收到的图像数据进行分析处理，得出数字化后的精炼炉内冶炼状态及钢液温度数据；

所述结果显示及预警单元，用于根据分析处理单元处理后的结果进行显示以及预警。

进一步，所述采集预处理单元包括检测枪、多光谱检测子单元、吹扫结构、冷却及防护结构和控制器；

其中，所述控制器设置在所述检测枪一端，所述多光谱检测子单元和冷却及防护结构均设置在所述检测枪的另一端，其中，所述多光谱检测子单元设置在所述检测枪的内部，所述防护结构均设置在所述检测枪的外部，所述吹扫结构设置在所述冷却及防护结构内部，且位于所述多光谱检测子单元前部。

进一步，所述检测枪包括由内向外依次设置安装腔、信号传输层、冷却介质传输层、吹扫介质传输层和外壁防护层，且每层结构之间均设有隔离层；

所述控制器通过所述安装腔和信号传输层与所述多光谱检测子单元连接；

所述冷却介质传输层与所述多光谱检测子单元连接；

所述吹扫介质传输层分别与所述吹扫结构和多光谱检测子单元连接。

进一步，所述多光谱检测子单元包括光谱相机、耐高温镜片、镜头吹扫装置和密封盖；

且所述多光谱相机的镜头前端依次设有耐高温镜片、密封盖和镜头吹扫装置；

所述多光谱相机设有成像通道共四个，分别为两个近红外通道和两个可见光通道；

所述近红外通道的频率为950nm和850nm，所述可见光通道的频率为700nm和650nm。

进一步，所述冷却及防护结构包括水温及流量计量器、风量计量器和防喷溅耐高温罩；

其中，所述水温及流量计量器设置在冷却水的回水端，用于温及流量计量器用于实时监控冷却水温度及断面流量；

所述风量计量器设置在氮气入口端，用于实时监测氮气流量；

所述防喷溅耐高温罩设置在所述检测枪的检测端，用于防止RH精炼炉吹炼过程或氮气吹扫装置喷溅起来的高温粉尘及钢渣颗粒等对检测设备的影响。

本发明的另一目的提供一种采用上述的系统采集RH精炼炉内冶炼状态及钢液温度实时监控的方法，该方法具体包括以下步骤：

S1)系统启动，各个设备启动，调节采集预处理单元与RH精炼炉内高温钢液区域之间的高度；

S2）通过采集预处理单元实时采集待检测高温钢液区域的钢液及炉渣的图像数据，经过预处理后发送给分析处理单元；

S3）所述分析处理单元对接收到的图像数据进行分析处理，得到实时的冶炼状态及钢液温度数据；

S4）所述结果显示及预警单元对冶炼状态及钢液温度数据进行显示及预警。

进一步，所述S2）的具体工艺为：

S2.1）将采集预处理单元调整到预定高度后，采集预处理单元采集RH精炼炉内钢液及炉渣的图像数据；

S2.2）采集预处理单元对钢液及炉渣的图像数据进行并采集分析处理，根据判断结果确认是否需要进行吹扫，是，则吹扫后在进行采集图像数据，否则将采集的图像数据进行发送。

进一步，所述S1）中的高度为2.9米-3.1米。

进一步，所述S2.2)的具体过程为：

S2.21)将若干不通形态的十类炉渣比例的图像数据，作为样本数据集。

S2.22）构建识别模型，将样本数据集作为识别模型输入进行训练，得到炉渣比例识别模型，再将实时采集的炼炉内钢液及炉渣的图像数据输入炉渣比例识别模型，输出炉渣覆盖值，将炉渣覆盖值与阈值进行比较，炉渣覆盖值大于阈值，则启动吹扫进入S2.23）；如果炉渣覆盖值小于等于阈值，则不启动吹扫，进入S3）；

S2.23）用氮气对钢液表面进行吹扫，吹扫完成后，再次采集吹扫后的钢液及炉渣的图像数据进行分析判断，符合要求进行S3）。

所述检测枪处于RH精炼炉内的高温环境，需要对枪体进行双重冷却防护，枪体本体采用高压冷却水进行循环冷却，枪头的检测单元部分采用氮气冷却，并形成负压，以防止颗粒物进入检测单元镜片进而影响温度检测效果。

进一步，所述S2）还包括当检测到采集预处理单元内壁温度大于36℃时，控制器发出指令提高冷却循环水流量，流量提高比例按照下面公式,公式如下：

V_新=V_冷*（T_内-36）*s ，

式中：V_新为提高后的冷却循环水流量；V_新为目前的冷却循环水流量；T_内为温度传感器检测到实时内壁温度；s为流量系数，s取值分别为：1、1.15和1.25；

当检测到内壁温度大于42℃时，为了保护系统，此时PLC控制器将直接断开检测单元供电，以有效保护检测单元。

本发明的有益效果是：本发明构建了集RH精炼炉炉内冶炼状态监控与温度在线监控一体化检测枪的方法，能够有效实现RH精炼过程的实时监控，对提高冶炼效率、提高安全性、减少人工劳动强度、提高脱硫脱磷效率及金属收得率提供良好的支撑。

同时提出的通过智能控制手段对RH精炼炉炉内高温钢液面被炉渣覆盖的情况，进行智能化判断及吹扫动作，一举解决了以往RH精炼炉内熔炼监控不准确不到位的情况，也解决了以往基于机器视觉的检测方法存在高温钢液与炉渣温度无法区分的情况，更加准备的表征了RH精炼炉内高温钢液的表面温度，为RH精炼过程智能化、一键式检测奠定了良好的基础。

采用五层结构的检测枪结构，既能够适应RH精炼炉内高温、高压、高粉尘、高电磁的使用环境，还能够有效地进行图像传输、控制信号传输及反馈信号传输、冷却介质传输、高温防护、检测镜片负压提高成像。系统集成度、智能化程度高，具有重要的应用价值。

附图说明

图1为本发明的一种RH精炼炉内冶炼状态及钢液温度实时监控系统的逻辑框图。

图2为本发明的一种RH精炼炉内冶炼状态及钢液温度实时监控系统的采集预处理单元的结构示意图。

图3为本发明的一种RH精炼炉内冶炼状态及钢液温度实时监控方法的流程框图。

图4为本发明的一种RH精炼炉内冶炼状态及钢液温度实时监控方法的完整流程框图。

图中：

1-检测枪，2-多光谱检测子单元，3-冷却及防护结构，4-吹扫结构，5-控制器，6-安装腔，7-信号传输层，8-冷却介质传输层，9-吹扫介质传输层，10-外壁防护层。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细描述，但并不以此作为本发明保护范围得限定。

本发明一种RH精炼炉内冶炼状态及钢液温度实时监控系统，该系统的数据采集部分设置在RH精炼炉的炉体内部距离液面的一定高度，所述数据采集部分实时采集炉体内部钢液表面图像信息，并通过炉渣比例识别模型分析确认是否需要对钢液表面吹扫，同时实现在不停炉的情况下对RH精炼的炉内冶炼状态及钢液温度的图像信息进行采集，所述系统再将采集的图像信息进行分析处理，进行数字化后实现RH精炼炉内冶炼状态及钢液温度实时监控和预警。

所述系统的数据采集部分是采集预处理单元，所述采集预处理单元设置在所述RH精炼的炉内，距离钢液表面的高度为2.9米-3.1米；

所述采集预处理单元用于实时采集炉体内部钢液表面图像信息，将采集的钢液表面图像信息作为炉渣比例识别模型输入，根据输出结果确认是否需要对钢液表面吹扫；吹扫完成后再采集RH精炼炉内冶炼状态及钢液温度的图像数据。

所述系统具体还包括：图像传输单元、分析处理单元和结果显示及预警单元；

其中，所述图像传输单元，用于将所述采集预处理单元采集的数据进行传输；

所述分析处理单元，用于根据接收到的数据进行分析处理，得出精炼炉内冶炼状态及钢液温度数据；

所述结果显示及预警单元，用于根据分析处理单元处理后的结果进行显示以及预警，如图1所示。

所述采集预处理单元包括检测枪1、多光谱检测子单元2、吹扫结构4、冷却及防护结构3和控制器5；

其中，所述控制器5设置在所述检测枪1的一端，所述多光谱检测子单元2和冷却及防护结构3均设置在所述检测枪1的另一端，其中，所述多光谱检测子单元2设置在所述检测枪1的内部，所述防护结构3设置在所述检测枪1的外部，所述吹扫结构4设置在所述冷却及防护结构内部，且位于所述多光谱检测子单元前部。

如图2所示，所述检测枪1包括由内向外依次设置安装腔结构6、信号传输层结构7、冷却介质传输层结构8、吹扫介质传输层结构9和外壁防护层结构10，且每层结构之间均设有隔离层；

所述控制器5通过所述安装腔6和信号传输层7与所述多光谱检测子单元2连接；

所述冷却介质传输层3与所述多光谱检测子单元2连接，用于给所述多光谱检测子单元2降温；

所述吹扫介质传输层9分别与所述吹扫结构2和多光谱检测子单元2连接，使吹扫结构2将氮气吹扫介质传递到多光谱检测子单元2完成吹扫。

所述多光谱检测子单元2包括光谱相机、耐高温镜片、镜头吹扫装置和密封盖；

且所述多光谱相机的镜头前端依次设有耐高温镜片、密封盖和镜头吹扫装置（图上未显示，属于本领域惯常结构）。

所述多光谱相机设有成像通道共四个，分别为两个近红外通道和两个可见光通道；

所述近红外通道的频率为950nm和850nm，所述可见光通道的频率为700nm和650nm。

所述冷却及防护结构4包括水温及流量计量器、风量计量器和防喷溅耐高温罩（图上未显示，属于本领域惯常结构）；

其中，所述水温及流量计量器设置在冷却水的回水端，用于温及流量计量器用于实时监控冷却水温度及断面流量；

所述风量计量器设置在氮气入口端，用于实时监测氮气流量；

所述水温及流量计量器和风量计量器均匀所述控制器连接。

所述防喷溅耐高温罩设置在所述检测枪的检测端，用于防止RH精炼炉吹炼过程或氮气吹扫装置喷溅起来的高温粉尘及钢渣颗粒等对检测设备的影响。

如图3和图4所示，本发明一种采用上述的系统采集RH精炼炉内冶炼状态及钢液温度实时监控的方法，该方法具体包括以下步骤：

S1)系统启动，各个设备启动，调节采集预处理单元与RH精炼炉内高温钢液区域之间的高度；

S2）通过采集预处理单元实时采集待检测高温钢液区域的钢液及炉渣的图像数据，经过预处理后发送给分析处理单元；

S3）所述分析处理单元对接收到的图像数据进行分析处理，得到实时的冶炼状态及钢液温度数据；

S4）所述结果显示及预警单元对冶炼状态及钢液温度数据进行显示及预警。

所述S2）的具体工艺为：

S2.1）将采集预处理单元调整到预定高度后，采集预处理单元采集RH精炼炉内钢液及炉渣的图像数据；

S2.2）采集预处理单元对钢液及炉渣的图像数据进行并采集分析处理，根据判断结果确认是否需要进行吹扫，是，则吹扫后在进行采集图像数据，否则将采集的图像数据进行发送。

所述S1）中的高度为2.9米-3.1米。

所述S2.2)的具体过程为：

S2.21)将若干不通形态的十类炉渣比例的图像数据，作为样本数据集。

S2.22）构建识别模型，将样本数据集作为识别模型输入进行训练，得到炉渣比例识别模型，再将实时采集的炼炉内钢液及炉渣的图像数据输入炉渣比例识别模型，输出炉渣覆盖值，将炉渣覆盖值与阈值进行比较，炉渣覆盖值大于阈值，则启动吹扫进入S2.23）；如果炉渣覆盖值小于等于阈值，则不启动吹扫，进入S3）；

S2.23）用氮气对钢液表面进行吹扫，吹扫完成后，再次采集吹扫后的钢液及炉渣的图像数据进行分析判断，符合要求进行S3）。

所述S3)具体为：

S3.1）所述的冶炼状态监控及温度计算单元由冶炼状态监控模型、三色测温法温度检测模型、钢液平均温度计算模型组成；

S3.2）冶炼状态监控模型基于语义分割模型U-net网络的炉渣比例识别模型对钢液面上的炉渣比例进行分析，并通过限制对比度自适应均衡化（CLAHE）方法对钢液的实时视频清晰度进行处理；

S3.3）三色测温法温度检测模型通过对两个近红外和一个可见光通道同时采集的图像进行小波滤波、三色测温法温度计算、黑体炉标定结果输入等步骤，最终得出RH精炼炉内高温液面包含炉渣及钢液的实时温度检测结果。

S3.4）钢液平均温度计算模型接收到基于语义分割模型U-net网络识别出来的炉渣与钢液的区域范围坐标信息，并与三色测温法温度检测模型计算出的温度伪彩色图进行像素级融合，以将三色测温法温度检测模型计算出的温度伪彩色图对炉渣区域进行剔除，只保留钢液面区域的图像作为温度检测平均值统计的数据来源，计算出该时刻图像的平均温度值作为RH精炼炉该时刻的温度值。

所述S3.2)的计算方法为：

S3.21）计算出瞳出射光通量Q _V 和像面照度E；

S3.22）根据光学几何关系对像面照度E进行简化；

S3.23）用余弦辐射假设及普朗克辐射定律计算钢液辐射体亮度L(T)，根据钢液辐射体亮度L(T)及光学系统只能接收特定波长辐射的特性简化像面照度E计算公式；

S3.24）确定相机输出电流信号I与像面照度E及曝光时间t的关系；

S3.25）确定各通道图像灰度值H _950、 H _850、 H ₇₀₀ 与相机输出电流信号I的关系；

S3.26） 采用实验得到的钢液表面发射率模型对三色测温法进行改进，并使用黑体炉标定实验得到测温系统的标定系数N _950、 N _850、 N ₇₀₀ ；

S3.27） 钢液的表面温度分布由改进三色法测温模型计算得出。

实施例：

如图1所示，一种RH精炼炉内冶炼状态及钢液温度实时监控系统，所述采集单元包括检测枪、控制器、多光谱检测子单元、吹扫结构和冷却及防护结构。所述的检测枪及控制器由检测枪本体、升降电机、传动链、氮气吹扫装置、激光测距仪及PLC控制器组成。该控制器主要作用为当收到RH精炼炉内冶炼状态及钢液温度实时检测的信号时，检测枪能够下降到要求的高度，激光测距仪可实时监控检测枪距离钢液面的高度。并由控制器对多光谱相机、冷却及防护单元下达指令。除此之外，还需要控制器对多光谱相机的密封盖由控制器、氮气吹扫装置进行指令下达作业。检测枪从内向外由五层结构组成，每层之间均由采用防电磁干扰的钢铁材料进行物理隔离，以防止各控制信号与图像传输信号之间的相互干扰。第一层为多光谱相机与测距仪安装空间、图像和控制信号通信层，检测枪由上到下的距离为图像传输单元的专用传输空间通道。第二层为PLC控制器通信传输层，密封盖、氮气吹扫装置均通过该层进行传输。第三层为冷却及防护单元的介质传输层，包括水冷进出循环管道与风冷进出循环管道。第四层为氮气吹扫装置所用的氮气介质传输管道层。第五层为外壁防护层。

所述多光谱检测子单元由多光谱相机、镜头、耐高温镜片、共同组成，所述的多光谱相机的成像通道共四个，950nm、850nm的两个近红外通道，及700nm和650nm的可见光通道。其中650nm的可见光通道主要用于拍摄高温钢液表面的状况，以供多光谱相机本体的FPGA嵌入式算法判断被检测钢液区域是否全部被炉渣覆盖。

所述的多光谱相机嵌入了FPGA板卡及在其上部署的嵌入式深度学习炉渣比例算法，用于实时判断炉内高温钢液面上炉渣覆盖的比例，以及自动判断是否给控制器发送炉渣吹扫信号的指令。所述的炉渣比例计算算法的嵌入式部署主要包括以下流程：第一，在1500℃到1600℃的高温炉内采集50张不通形态的十类炉渣比例为10%、20%、30%、40%、50%、60%、70%、80%、90%、100%的图像，制作不通比例、不通形态的炉渣比例样本数据集。第二，构建基于语义分割模型U-net网络的炉渣比例识别模型，采用卷积层、中间连接层采用全连接结构层、全局平均池化层，激活函数为H-swish函数。所述的卷积层使用深度可分离卷积由3×3深度卷积和1×1标准卷积构成来代替标准3×3卷积。第三，炉渣比例识别模型预训练，将不同形态十类炉渣比例的图像分成进行训练集和测试集两组。60%的图像组成的训练集用于识别模型的训练，40%的图像组成测试集用于识别模型的测试。第四，在识别模型训练过程中，一方面，在网络训练初期，在训练过程中丢弃非必要数据、稀疏数据表示、稀疏代价函数。另一方面，且使用Float32 单精度的浮点数来对参数初始化，在推理过程中将Float32转成Float16半精度对模型的推理进行加速。第五，通过TensorRT工具对训练好的炉渣比例识别模型进行FPGA嵌入及部署。

所述的多光谱相机FPGA板卡上部署的嵌入式深度学习炉渣比例算法运算步骤包括图像接收模块、深度学习预训练模块、炉渣比例计算模块、炉渣比例输出模块、炉渣比例确认模块、炉渣吹扫预发指令模块。

所述的图像接收模块接收多光谱相机650nm通道采集到的RH精炼炉炉内高温钢液面的图片；深度学习预训练模块可不断通过新增人工确认过的炉渣比例计算结果图片样本，以丰富炉渣比例样本库，为炉渣比例计算模块提供良好的基础；炉渣比例计算模块通过卷积层、池化层、全连接层及损失函数等识别网络结构对图像接收模块实时采集到的图像进行智能分析，得出钢液面炉渣比例；炉渣比例输出模块接收到炉渣比例计算模块发送的炉渣比例实时结果，根据既定炉渣比例不超过70%的规则进行预警。炉渣比例确认模块通过确认炉渣比例输出模块发出的炉渣比例，由人工确认是否需要进行炉渣吹扫，如果需要则向炉渣吹扫预发指令模块发送信号，由该模块向控制器发送信号进行吹扫。然后再循环判断炉渣比例，直至炉渣比例不超过40%，才可进行转入分析模块进行冶炼状态及温度检测。

其他三个通道均采集高温钢液的辐射图像，以供冶炼状态监控及温度计算单元进行熔炼状态监控及温度检测计算。

所述的冷却及防护装置由密封盖、镜头吹扫装置、水温及流量计量器、风量计量器、防喷溅耐高温罩组成。密封盖主要保护多光谱相机，镜头吹扫装置用于对密封盖进行实时吹扫，以积累负压，不让粉尘等影响成像质量。水温及流量计量器用于实时监控冷却水温度及断面流量，风量计量器用于实时监测氮气流量。防喷溅耐高温罩用于防止RH精炼炉吹炼过程或氮气吹扫装置喷溅起来的高温粉尘及钢渣颗粒等对检测装置的影响。

所述的图像传输单元由防屏蔽千兆网线、光纤收发器、千兆光纤、交换机组成。防屏蔽千兆网线用于多光谱相机的多光谱图像传输到光纤收发器，千兆光纤连接光纤收发器并传输到RH精炼炉主控室的远端服务器，交换机用于将多台采集服务器及推理服务器组成局部网进行图像采集、存储及推理运算。

所述的冶炼状态监控及温度计算单元由冶炼状态监控模型、三色测温法温度检测模型、钢液平均温度计算模型组成，冶炼状态监控模型基于语义分割模型U-net网络的炉渣比例识别模型对钢液面上的炉渣比例进行分析，并通过限制对比度自适应均衡化（CLAHE）方法对钢液的实时视频清晰度进行处理。三色测温法温度检测模型通过对两个近红外和一个可见光通道同时采集的图像进行小波滤波、三色测温法温度计算、黑体炉标定结果输入等步骤，最终得出RH精炼炉内高温液面包含炉渣及钢液的实时温度检测结果。钢液平均温度计算模型接收到基于语义分割模型U-net网络识别出来的炉渣与钢液的区域范围坐标信息，并与三色测温法温度检测模型计算出的温度伪彩色图进行像素级融合，以将三色测温法温度检测模型计算出的温度伪彩色图对炉渣区域进行剔除，只保留钢液面区域的图像作为温度检测平均值统计的数据来源，计算出该时刻图像的平均温度值作为RH精炼炉该时刻的温度值。

所述检测枪处于RH精炼炉内的高温环境，需要对枪体进行双重冷却防护，枪体本体采用高压冷却水进行循环冷却，枪头的检测单元部分采用氮气冷却，并形成负压，以防止颗粒物进入检测单元镜片进而影响温度检测效果。所述的冷却系统由枪内壁嵌入的温度传感器检测内壁的温度进行反馈控制，当温度传感器检测到内壁温度大于36℃时将发送信号给PLC控制器，PLC控制器发出指令提高冷却循环水流量，流量提高比例按照下面公式确定。当温度传感器检测到内壁温度大于42℃时，为了保护检测单元，此时PLC控制器将直接断开检测单元供电，以有效保护检测单元。

V_新=V_冷*（T_内-36）*s （s =1，T_内≤36℃；s =1.15，36℃＜T_内≤40℃; s =1.25，40℃＜T_内≤42℃），

式中：

V_新为提高后的冷却循环水流量；

V_新为目前的冷却循环水流量；

T_内为温度传感器检测到实时内壁温度；

s为流量系数；

建立近红外950nm、850nm和可见光700nm的三色法测温模型，计算过程如下：

钢液区域表面温度计算步骤如下：

计算出瞳出射光通量Q _V 和像面照度E；

，

根据光学几何关系对像面照度E进行简化；

，

用余弦辐射假设及普朗克辐射定律计算钢液辐射体亮度L(T)，根据钢液辐射体亮度L(T)及光学系统只能接收特定波长辐射的特性简化像面照度E计算公式；

，

确定相机输出电流信号I与像面照度E及曝光时间t的关系；

，

确定各通道图像灰度值H _950、 H _850、 H ₇₀₀ 与相机输出电流信号I的关系；

，

采用实验得到的钢液表面发射率模型对三色测温法进行改进，并使用黑体炉标定实验得到测温系统的标定系数N _950、 N _850、 N ₇₀₀ ；

，

钢液的表面温度分布由改进三色法测温模型计算得出。

，

所述的结果显示及预警单元获取冶炼状态监控及温度计算单元的冶炼状态数据和温度检测数据，并保存到对应的冶炼状态数据库、原始图像数据库、温度检测结果数据库中。然后根据RH精炼炉不同冶炼阶段的温度范围设定预警范围并存入预警规则数据库，如果超出该温度范围，则进行声光的预警提醒，并将预警信息存入预警数据库。

以上对本申请实施例所提供的一种RH精炼炉内冶炼状态及钢液温度实时监控系统及方法，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。

Claims (5)

1.一种RH精炼炉内冶炼状态及钢液温度实时监控系统，其特征在于，该系统的数据采集部分设置在RH精炼炉的炉体内部距离液面的一定高度，所述数据采集部分实时采集炉体内部钢液表面图像信息，并通过炉渣比例识别模型分析确认是否需要对钢液表面吹扫，同时实现在不停炉的情况下对RH精炼的炉内冶炼状态及钢液温度的图像信息进行采集，所述系统再将采集的图像信息进行分析处理，进行数字化后实现RH精炼炉内冶炼状态及钢液温度实时监控和预警；所述系统的数据采集部分是采集预处理单元，所述采集预处理单元设置在所述RH精炼的炉内，距离钢液表面的高度为2.9米-3.1米；

所述采集预处理单元用于实时采集炉体内部钢液表面图像信息，将采集的钢液表面图像信息作为炉渣比例识别模型输入，根据输出结果确认是否需要对钢液表面吹扫；吹扫完成后再采集RH精炼炉内冶炼状态及钢液温度的图像数据；所述系统具体还包括：图像传输单元、分析处理单元和结果显示及预警单元；

所述图像传输单元，用于将所述采集预处理单元采集的图像数据进行传输；

所述分析处理单元，用于根据接收到的图像数据进行分析处理，得出数字化后的精炼炉内冶炼状态及钢液温度数据；

所述结果显示及预警单元，用于根据分析处理单元处理后的结果进行显示以及预警；

所述采集预处理单元包括检测枪、多光谱检测子单元、吹扫结构、冷却及防护结构和控制器；

其中，所述控制器设置在所述检测枪一端，所述多光谱检测子单元和冷却及防护结构均设置在所述检测枪的另一端，其中，所述多光谱检测子单元设置在所述检测枪的内部，所述防护结构均设置在所述检测枪的外部，所述吹扫结构设置在所述冷却及防护结构内部，且位于所述多光谱检测子单元前部；

所述检测枪包括由内向外依次设置安装腔、信号传输层、冷却介质传输层、吹扫介质传输层和外壁防护层，且每层结构之间均设有隔离层；

所述控制器通过所述安装腔和信号传输层与所述多光谱检测子单元连接；

所述冷却介质传输层与所述多光谱检测子单元连接；

所述吹扫介质传输层分别与所述吹扫结构和多光谱检测子单元连接；

所述多光谱检测子单元包括光谱相机、耐高温镜片、镜头吹扫装置和密封盖；

且所述光谱相机的镜头前端依次设有耐高温镜片、密封盖和镜头吹扫装置；

所述光谱相机设有成像通道共四个，分别为两个近红外通道和两个可见光通道；

所述近红外通道的频率为950nm和850nm，所述可见光通道的频率为700nm和650nm；

所述光谱相机中嵌入了FPGA板卡及在其上部署的嵌入式深度学习炉渣比例算法，用于实时判断炉内高温钢液面上炉渣覆盖的比例，以及自动判断是否给控制器发送炉渣吹扫信号的指令；所述的炉渣比例计算算法的嵌入式部署包括以下流程：

第一，在1500℃到1600℃的高温炉内采集50张不通形态的十类炉渣比例为10％、20％、30％、40％、50％、60％、70％、80％、90％、100％的图像，制作不通比例、不通形态的炉渣比例样本数据集；

第二，构建基于语义分割模型U-net网络的炉渣比例识别模型，采用卷积层、中间连接层采用全连接结构层、全局平均池化层，激活函数为H-swish函数；所述的卷积层使用深度可分离卷积由3×3深度卷积和1×1标准卷积构成来代替标准3×3卷积；

第三，炉渣比例识别模型预训练，将不同形态十类炉渣比例的图像分成进行训练集和测试集两组；60％的图像组成的训练集用于识别模型的训练，40％的图像组成测试集用于识别模型的测试；

第四，对识别模型进行训练，训练过程中先丢弃非必要数据、稀疏数据表示、稀疏代价函数；再使用Float32单精度的浮点数来对参数初始化，在推理过程中将Float32转成Float16半精度对模型的推理进行加速；

第五，通过TensorRT工具对训练好的炉渣比例识别模型进行FPGA嵌入及部署。

2.一种采用如权利要求1所述的系统采集RH精炼炉内冶炼状态及钢液温度实时监控的方法，其特征在于，该方法具体包括以下步骤：

S1)系统启动，各个设备启动，调节采集预处理单元与RH精炼炉内高温钢液区域之间的高度；

S2)通过采集预处理单元实时采集待检测高温钢液区域的钢液及炉渣的图像数据，经过预处理后发送给分析处理单元；

S3)分析处理单元对接收到的图像数据进行分析处理，进行数字化，得到实时的冶炼状态及钢液温度数据；

S4)结果显示及预警单元对冶炼状态及钢液温度数据进行显示及预警。

3.根据权利要求2所述的方法，其特征在于，所述S2)的具体工艺为：

S2.1)将采集预处理单元调整到预定高度后，采集预处理单元采集RH精炼炉内钢液及炉渣的图像数据；

S2.2)采集预处理单元对钢液及炉渣的图像数据炉渣比例识别模型进行并采集分析处理，根据判断结果确认是否需要进行吹扫，并完成图像数据的采集，再进行发送。

4.根据权利要求2所述的方法，其特征在于，所述S1)中的高度为2.9米-3.1米。

5.根据权利要求3所述的方法，其特征在于，所述S2.2)的具体过程为：

S2.21)将若干不同形态的十类炉渣比例的图像数据，作为样本数据集；

S2.22)构建识别模型，将样本数据集作为识别模型输入进行训练，得到炉渣比例识别模型，再将实时采集的炼炉内钢液及炉渣的图像数据输入炉渣比例识别模型，输出炉渣覆盖值，将炉渣覆盖值与阈值进行比较，炉渣覆盖值大于阈值，则启动吹扫进入S2.23)；如果炉渣覆盖值小于等于阈值，则不启动吹扫，进入S3)；

S2.23)用氮气对钢液表面进行吹扫，吹扫完成后，再次采集吹扫后的钢液及炉渣的图像数据进行分析判断，符合要求进行S3)。