CN117346900A - 一种炉面温度监测方法、计算机可读存储介质和系统 - Google Patents
一种炉面温度监测方法、计算机可读存储介质和系统 Download PDFInfo
- Publication number
- CN117346900A CN117346900A CN202311312819.7A CN202311312819A CN117346900A CN 117346900 A CN117346900 A CN 117346900A CN 202311312819 A CN202311312819 A CN 202311312819A CN 117346900 A CN117346900 A CN 117346900A
- Authority
- CN
- China
- Prior art keywords
- furnace
- temperature
- target
- side wall
- temperature monitoring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000001931 thermography Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001154 acute effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 59
- 238000012795 verification Methods 0.000 description 39
- 229910000831 Steel Inorganic materials 0.000 description 32
- 239000010959 steel Substances 0.000 description 32
- 238000013210 evaluation model Methods 0.000 description 23
- 230000000007 visual effect Effects 0.000 description 22
- 238000010276 construction Methods 0.000 description 21
- 238000009628 steelmaking Methods 0.000 description 16
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 239000011819 refractory material Substances 0.000 description 10
- 229910052742 iron Inorganic materials 0.000 description 7
- 239000000956 alloy Substances 0.000 description 5
- 229910045601 alloy Inorganic materials 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 239000011257 shell material Substances 0.000 description 2
- VVTSZOCINPYFDP-UHFFFAOYSA-N [O].[Ar] Chemical compound [O].[Ar] VVTSZOCINPYFDP-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0044—Furnaces, ovens, kilns
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本发明提供一种炉面温度监测方法,其预设有炉面上的多个目标炉面位置,多个目标炉面位置分别对应多个告警检测步骤,各个告警检测步骤不完全相同;从炉体图像中识别出炉面上的多个目标炉面位置;对每个目标炉面位置,在该目标炉面位置的温度图像中提取该目标炉面位置的温度数据,根据该目标炉面位置的温度数据执行该目标炉面位置对应的告警检测步骤。本发明能够对炉面上的各个炉面位置分别进行温度精确监测,避免告警和漏告警,精确度较高。
Description
技术领域
本发明涉及炉面温度监测技术领域,尤其涉及一种炉面温度监测方法、计算机可读存储介质和系统。
背景技术
AOD炉是一种采用氩氧精炼法进行炼钢的精炼设备,能够将高温铁水和炼钢用合金冶炼成钢水。AOD炉的炉面上具有炉侧壁、炉底和炉盖等炉面位置,其中:炉侧壁和炉底各自具有外壳,炉侧壁和炉底的外壳内各自设有耐火材料;炉盖由耐火材料制成。炉侧壁和炉底的耐火材料围成内腔。AOD炉炼钢操作如下:AOD炉炼钢之前,其炉侧壁竖置使炉盖朝上;把炉盖取下,把高温铁水和炼钢用合金注入AOD炉的内腔,然后盖上炉盖;AOD炉将高温铁水和炼钢用合金冶炼成钢水;AOD炉炼钢完毕,把炉盖取下,把AOD炉的炉侧壁往左侧旋转成倾倒的状态,让钢水倒出。AOD炉炼钢时,由于高温铁水在AOD炉内中转动翻涌,冲刷炉侧壁、炉底和炉盖的耐火材料,有可能会将炉侧壁、炉底和炉盖腐蚀出孔洞,导致AOD炉漏钢。发明人经研究发现:在AOD炉外侧,漏钢时的温度会高于非漏钢时的温度,且耐火材料越厚,其漏钢时的温度就越高。由于炉侧壁、炉底和炉盖的耐火材料厚度依次由薄到厚,AOD炉各炉面漏钢时的温度各不相同,其中,炉底漏钢时的温度最高,炉盖漏钢时的温度最低,炉侧壁漏钢时的温度居中。
现有技术采用红外热成像测温系统对AOD炉进行漏钢监测,其系统包括红外热成像设备,红外热成像设备对AOD炉进行拍摄,采集AOD炉的炉体图像和温度图像,炉体图像中具有炉体的图像信息,温度图像中具有温度数据;包括温度监测模型,该温度监测模型内预设有一个温度告警阈值,若温度监测模型检测到AOD炉任意一处炉面位置的温度超过该温度告警阈值,就会告警。AOD炉各炉面漏钢时的温度各不相同,并不能共用一个温度告警阈值;该温度监测模型只使用一个温度告警阈值,就只能对AOD炉的其中一个炉面位置进行温度精确监测,不能对AOD炉的其他炉面进行温度精确监测。例如,当该温度监测模型检测到AOD炉其他炉面非漏钢时的温度超过该温度告警阈值时,会造成误告警;当该温度监测模型检测到AOD炉其他炉面漏钢时的温度不超过该温度告警阈值时,则不会告警,造成漏告警。
发明内容
本发明所要解决的技术问题是提供一种炉面温度监测方法、存储有被执行时实现该监测方法的计算机程序的计算机可读存储介质、系统,该炉面温度监测方法能够对炉面上的各个炉面位置分别进行温度精确监测,避免误告警和漏告警。
为解决上述技术问题,本发明提供一种炉面温度监测方法,其预设有炉面上的多个目标炉面位置,多个目标炉面位置分别对应多个告警检测步骤,各个告警检测步骤不完全相同;从炉体图像中识别出炉面上的多个目标炉面位置;对每个目标炉面位置,在该目标炉面位置的温度图像中提取该目标炉面位置的温度数据,根据该目标炉面位置的温度数据执行该目标炉面位置对应的告警检测步骤。
进一步地,告警检测步骤具体地,若本发明给出的目标炉面位置的温度数据超过本发明给出的目标炉面位置对应的温度告警阈值则告警;各个告警检测步骤中的温度告警阈值不完全相同。
进一步地,对每个目标炉面位置,在本发明给出的目标炉面位置的温度图像中提取本发明给出的目标炉面位置的温度数据特征,对本发明给出的目标炉面位置的温度数据进行温度趋势预测。
进一步地,若本发明给出的目标炉面位置的温度数据趋势预测中,温度预测数据超过本发明给出的目标炉面位置对应的温度告警阈值则预警。
进一步地,本发明给出的多个目标炉面位置包括炉面的炉侧壁、炉底和炉盖。
进一步地,本发明给出的炉面为AOD炉的炉面。
本发明还提供一种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本发明给出的炉面温度监测方法。
本发明还提供一种炉面温度监测系统,包括处理器、计算机可读存储介质以及用于获取炉侧壁、炉底和炉盖等各炉面的目标炉面位置的炉体图像和温度图像的红外热成像设备,红外热成像设备电连接处理器,把各个炉面的目标炉面位置的炉体图像和温度图像发送给处理器,该计算机可读存储介质是本发明给出的计算机可读存储介质,处理器可执行该计算机可读存储介质中的计算机程序从而实现本发明给出的炉面温度监测方法。
进一步地,红外热成像设备有至少三个;在炉侧壁竖立状态下,第一红外热成像设备正对炉侧壁的其中一侧外壁进行拍摄,第二红外热成像设备倾斜仰视,与炉侧壁的竖轴成锐角对炉侧壁的另一侧外壁和炉底进行拍摄,第三红外热成像设备朝下正对炉盖进行拍摄;在炉侧壁倾倒状态下,第一红外热成像设备正对炉底进行拍摄,第二红外热成像设备正对炉侧壁的其中一侧外壁进行拍摄,第三红外热成像设备正对炉侧壁的另一侧外壁进行拍摄。
炉面上具有多个炉面位置,例如炉侧壁、炉底和炉盖,各个炉面漏钢时的温度各不相同。本发明对每个目标炉面位置,在该目标炉面位置的温度图像中提取该目标炉面位置的温度数据,根据该目标炉面位置的温度数据执行该目标炉面位置对应的告警检测步骤;告警检测步骤具体地,若该目标炉面位置的温度数据超过该目标炉面位置对应的温度告警阈值则告警;各个告警检测步骤中的温度告警阈值不完全相同。例如,对炉侧壁,在该炉侧壁的温度图像中提取该炉侧壁的温度数据,根据该炉侧壁的温度数据执行该炉侧壁对应的告警检测步骤,该炉侧壁告警检测步骤具体地,若该炉侧壁的温度数据超过该炉侧壁对应的炉侧壁温度告警阈值P1则告警;对炉底,在该炉底的温度图像中提取该炉底的温度数据,根据该炉底的温度数据执行该炉底对应的告警检测步骤,该炉侧壁告警检测步骤具体地,若该炉底的温度数据超过该炉底对应的炉底温度告警阈值P2则告警;对炉盖,在该炉盖的温度图像中提取该炉盖的温度数据,根据该炉盖的温度数据执行该炉盖对应的告警检测步骤,该炉侧壁告警检测步骤具体地,若该炉盖的温度数据超过该炉盖对应的炉盖温度告警阈值P3则告警。由此可见,本发明能够对炉面上的各个炉面位置分别进行温度精确监测,避免告警和漏告警,精确度较高。
附图说明
图1是在AOD炉的炉侧壁竖立状态下,红外热成像设备对AOD炉进行拍摄的示意图;
图2是在AOD炉的炉侧壁倾倒状态下,红外热成像设备对AOD炉进行拍摄的示意图,图中AOD炉的炉盖已取下;
图3是模型构建方法的流程示意图;
图4是炉面温度检测方法中的告警监测流程示意图;
图5是炉面温度检测方法中的预警监测流程示意图。
附图标记说明:1、炉侧壁;2、炉底;3、炉盖;41、第一红外热成像设备;42、第二红外热成像设备;43、第三红外热成像设备。
具体实施方式
以下结合具体实施方式对本发明创造作进一步详细说明。
见图1、2,AOD炉的炉面上具有炉侧壁1、炉底2和炉盖3等炉面位置,其中:炉侧壁1和炉底2各自具有外壳,炉侧壁1和炉底2的外壳内各自设有耐火材料;炉盖3由耐火材料制成。炉侧壁1和炉底2的耐火材料围成内腔。AOD炉炼钢操作如下:AOD炉炼钢之前,见图1,其炉侧壁1竖置使炉盖3朝上;把炉盖3取下,把高温铁水和炼钢用合金注入AOD炉的内腔,然后盖上炉盖3;AOD炉将高温铁水和炼钢用合金冶炼成钢水;AOD炉炼钢完毕,把炉盖3取下,把AOD炉的炉侧壁1往左侧旋转成图2所示的倾倒状态,让钢水倒出。AOD炉炼钢时,由于高温铁水在AOD炉内中转动翻涌,冲刷炉侧壁、炉底和炉盖的耐火材料,有可能会将炉侧壁、炉底和炉盖腐蚀出孔洞,导致AOD炉漏钢。在AOD炉外侧,漏钢时的温度会高于非漏钢时的温度,且耐火材料越厚,其漏钢时的温度就越高。炉侧壁、炉底和炉盖的耐火材料厚度依次由薄到厚,故AOD炉各炉面漏钢时的温度各不相同,其中炉底漏钢时的温度最高,炉盖漏钢时的温度最低,炉侧壁漏钢时的温度居中。为此本发明给出一种炉面温度监测系统。
炉面温度监测系统包括第一红外热成像设备41、第二红外热成像设备42和第三红外热成像设备43,这三个红外热成像设备41、42、43分布在AOD炉外围的不同方位,相互配合,能够实时拍摄整个AOD炉的炉面从而实时获取炉面各处的炉体图像和温度图像。炉体图像中具有炉体的图像信息,温度图像中具有温度数据。红外热成像设备拍摄方位具体如下:在炉侧壁1竖立状态下,如图1,第一红外热成像设备41位于炉侧壁1的右侧,正对炉侧壁1的右侧外壁进行拍摄,第二红外热成像设备42位于炉侧壁1的左下方,倾斜仰视,与炉侧壁1的竖轴成45°,对炉侧壁1的左侧外壁和炉底2进行拍摄,第三红外热成像设备43位于炉盖3上方,朝下正对炉盖3进行拍摄;在炉侧壁1往左侧旋转90°倾倒的状态下,如图2,第一红外热成像设备41位于炉底2右侧,正对炉底2进行拍摄,第三红外热成像设备43位于炉侧壁1右侧外壁的上方,朝下正对炉侧壁1的右侧外壁进行拍摄,而第二红外热成像设备42位于炉侧壁1左侧外壁的左下方,往右移动并旋转至朝上正对炉侧壁1的左侧外壁进行拍摄。炉面温度监测系统还包括处理器,电连接处理器各个红外热成像设备41、42、43,可通过各个红外热成像设备41、42、43获取炉侧壁1、炉底2和炉盖3等炉面位置的炉体图像和温度图像。炉面温度监测系统还包括计算机可读存储介质,该计算机可读存储介质中存储有可执行的用于模型训练和验证的计算机程序,处理器执行该计算机程序从而实现如图3所示的模型构建方法。
所述的计算机可读存储介质中预先建立有模型构建用数据处理模块、视觉识别深度学习模型构建模块和温度监测模型构建模块,其中:视觉识别深度学习模型构建模块设有基于卷积神经网络(CNN)算法构建的视觉识别深度学习模型,视觉识别深度学习模型包括视觉识别训练模型和视觉识别验证评估模型。温度监测模型构建模块包括炉侧壁温度监测训练模型、炉底温度监测训练模型、炉盖温度监测训练模型和温度监测验证评估模型,这些模型基于循环神经网络(RNN)算法进行构建。
下文以对AOD炉进行温度监测的模型构建作为对象,举例来说明该模型构建方法的执行流程。
步骤A.模型构建用数据处理模块获取AOD炉的炉侧壁1、炉底2和炉盖3等炉面位置的炉体图像和温度图像。
步骤B.炉体图像和温度图像进行如下预处理:
b1.人工对炉体图像进行炉侧壁1、炉底2和炉盖3等炉面位置标注,构建目标炉面位置数据集,并把目标炉面位置数据集分为目标炉面位置数据训练集和目标炉面位置数据验证集。
b2.人工对温度图像进行去除噪声值预处理,以确保温度数据的质量。
b3.在目标炉面位置数据集的基础上,人工对温度图像与该温度图像对应的目标炉面位置进行标注,构建炉侧壁温度数据集、炉底温度数据集和炉盖温度数据集。
b4.在上述三个温度数据集的基础上,人工对温度图像中的温度数据进行漏钢温度和正常温度标注,构建炉侧壁温度情况集、炉底温度情况集和炉盖温度情况集,并把炉侧壁温度情况集分为炉侧壁温度情况训练集和炉侧壁温度情况验证集,把炉底温度情况集分为炉底温度情况训练集和炉底温度情况验证集,把炉盖温度情况集分为炉盖温度情况训练集和炉盖温度情况验证集。
b5.在上述三个温度数据集的基础上,人工对温度图像中的温度数据进行温度数据特征提取,构建炉侧壁温度数据特征集、炉底温度数据特征集和炉盖温度数据特征集,并把炉侧壁温度数据特征集分为炉侧壁温度数据特征训练集和炉侧壁温度数据特征验证集,把炉底温度数据特征集分为炉底温度数据特征训练集和炉底温度数据特征验证集,把炉盖温度数据特征集分为炉盖温度数据特征训练集和炉盖温度数据特征验证集;温度数据特征包括每个采集时间点的温度值和温度环比变化率,其中温度环比变化率=((当前采集时间点的温度-上一个采集时间点的温度)/上一个采集时间点的温度)*100%。
步骤C.模型构建用数据处理模块进行视觉识别模型训练和验证,包括如下步骤:
步骤c1.把目标炉面位置数据训练集发送给视觉识别训练模型,让视觉识别训练模型学习AOD炉的炉侧壁1、炉底2和炉盖3等炉面位置特征。
步骤c2.把目标炉面位置数据验证集发送给视觉识别验证评估模型,让视觉识别验证评估模型对视觉识别训练模型的学习结果进行验证,且让视觉识别验证评估模型根据该学习结果对视觉识别训练模型的参数和结构进行调整直至视觉识别训练模型训练成视觉识别模型。
步骤D.温度监测模型构建模块进行温度告警模型训练和验证,包括如下步骤:
步骤d1.模型构建用数据处理模块把炉侧壁温度情况训练集发送给炉侧壁温度监测训练模型,让炉侧壁温度监测训练模型学习AOD炉炉侧壁1漏钢时的温度从而分析出炉侧壁温度告警阈值P1,并把炉侧壁温度情况验证集发送给温度监测验证评估模型,让温度监测验证评估模型验证炉侧壁温度监测训练模型的学习结果,且让温度监测验证评估模型根据该学习结果调整炉侧壁温度监测训练模型的参数和结构直至炉侧壁温度监测训练模型训练成炉侧壁温度监测模型。
步骤d2.模型构建用数据处理模块把炉侧壁温度情况训练集发送给炉底温度监测训练模型,让炉底温度监测训练模型学习AOD炉炉底2漏钢时的温度从而分析出炉底温度告警阈值P2,并把炉底温度情况验证集发送给温度监测验证评估模型,让温度监测验证评估模型验证炉底温度监测训练模型的学习结果,且让温度监测验证评估模型根据该学习结果调整炉底温度监测训练模型的参数和结构直至炉底温度监测训练模型训练成炉底温度监测模型。
步骤d3.模型构建用数据处理模块把炉盖温度情况训练集发送给炉底温度监测训练模型,让炉盖温度监测训练模型学习AOD炉炉盖3漏钢时的温度从而分析出炉盖温度告警阈值P3,并把炉盖温度情况验证集发送给温度监测验证评估模型,让温度监测验证评估模型验证炉盖温度监测训练模型的学习结果,且让温度监测验证评估模型根据该学习结果调整炉盖温度监测训练模型的参数和结构直至炉盖温度监测训练模型训练成炉盖温度监测模型。
在上述步骤d1、d2、d3中,模型构建用数据处理模块具体系以滑动窗口的方式将上述三个温度情况训练集、验证集发送给温度监测模型构建模块中的各个模型,滑动窗口大小为30个AOD炉的平均炼钢时长。
步骤E.温度监测模型构建模块对温度告警模型进行温度预警训练和验证,包括如下步骤:
步骤e1.模型构建用数据处理模块把炉侧壁温度数据特征训练集发送给炉侧壁温度监测训练模型,让炉侧壁温度监测训练模型学习AOD炉炉侧壁1的温度动态变化特征从而预测出AOD炉炉侧壁1的温度变化趋势,并把炉侧壁温度数据特征验证集发送给温度监测验证评估模型,让温度监测验证评估模型验证炉侧壁温度监测训练模型的学习结果,且让炉侧壁温度监测验证评估模型根据该学习结果调整炉侧壁温度监测训练模型的参数和结构直至把炉侧壁温度监测训练模型训练成可进行炉侧壁温度预警的炉侧壁温度监测模型。
步骤e2.模型构建用数据处理模块把炉底温度数据特征训练集发送给炉底温度监测训练模型,让炉底温度监测训练模型学习AOD炉炉底2的温度动态变化特征从而预测出AOD炉炉底2的温度变化趋势,并把炉底温度数据特征验证集发送给温度监测验证评估模型,让温度监测验证评估模型验证炉底温度监测训练模型的学习结果,且让炉底温度监测验证评估模型根据该学习结果调整炉底温度监测训练模型的参数和结构直至把炉底温度监测训练模型训练成可进行炉底温度预警的炉底温度监测模型。
步骤e3.模型构建用数据处理模块把炉盖温度数据特征训练集发送给炉盖温度监测训练模型,让炉盖温度监测训练模型学习AOD炉炉盖3的温度动态变化特征从而预测出AOD炉炉盖3的温度变化趋势,并把炉盖温度数据特征验证集发送给温度监测验证评估模型,让温度监测验证评估模型验证炉盖温度监测训练模型的学习结果,且让炉盖温度监测验证评估模型根据该学习结果调整炉盖温度监测训练模型的参数和结构直至把炉盖温度监测训练模型训练成可进行炉盖温度预警的炉盖温度监测模型。
在上述步骤e1、e2、e3中,模型构建用数据处理模块具体系以滑动窗口的方式将上述三个温度数据特征训练集、验证集发送给温度监测模型构建模块中的各个模型,滑动窗口大小为30个AOD炉的平均炼钢时长。
炉面温度监测系统的计算机可读存储介质中还存储有可执行的用于炉面温度监测的计算机程序,处理器执行该计算机程序从而实现如图4、5所示的炉面温度监测方法。下文以AOD炉的炉面作为监测对象,举例来说明该炉面温度监测方法的执行流程。
所述的计算机可读存储介质中预先建立有实时数据处理模块、视觉识别模块、切换与监测模块和漏钢告警与响应模块,其中:视觉识别模块中设有上述已训练完成的视觉识别模型,视觉识别模型中预设有AOD炉炉面上的炉侧壁1、炉底2和炉盖3等多个目标炉面位置的特征;切换与监测模块中设有上述已训练完成的炉侧壁温度监测模型、炉底温度监测模型和炉盖温度监测模型,炉侧壁温度监测模型中预设有炉侧壁温度告警阈值P1,炉底温度监测模型中预设有炉底温度告警阈值P2,炉盖温度监测模型中预设有炉盖温度告警阈值P3,这三个温度告警阈值P1、P2、P3的从大到小的排序依次是炉底温度告警阈值P2>炉侧壁温度告警阈值P1>炉盖温度告警阈值P3。本发明的炉面温度监测包括炉面温度告警监测和炉面温度预警监测等两种方式。
下文以AOD炉的炉侧壁1为例,炉面温度监测系统据此执行炉面温度告警监测流程,如图4,详述如下:
步骤F.实时数据处理模块获取AOD炉的炉体图像和温度图像,并把炉体图像和相应的温度图像关联起来。
步骤G.视觉识别模块从炉体图像中识别出炉面上的炉侧壁目标炉面位置。
步骤H.切换与监测模块根据炉侧壁目标炉面位置把炉侧壁温度监测模型作为目标温度监测模型,并把与炉侧壁目标炉面位置关联的温度图像中的温度数据输入到炉侧壁温度监测模型。
步骤I.炉侧壁温度监测模型判断该炉侧壁目标炉面位置的温度数据是否超过炉侧壁温度告警阈值P1:若判断该炉侧壁目标炉面位置的温度数据超过炉侧壁温度告警阈值P1,则发送告警信息至漏钢告警与响应模块,让漏钢告警与响应模块通过短信、声音、显示屏等通讯方式向操作人员发送告警提示;若判断该炉侧壁目标炉面位置的温度数据不超过炉侧壁温度告警阈值P1,则不生成告警信息。
下文仍以AOD炉的炉侧壁1为例,炉面温度监测系统据此执行炉面温度预警监测流程,如图5,详述如下:
步骤J.实时数据处理模块获取AOD炉的炉体图像和温度图像,并把炉体图像和相应的温度图像关联起来,从温度图像的温度数据中提取温度数据特征。
步骤K.视觉识别模块从炉体图像中识别出炉面上的炉侧壁目标炉面位置。
步骤L.切换与监测模块根据炉侧壁目标炉面位置把炉侧壁温度监测模型作为目标温度监测模型,并把与炉侧壁目标炉面位置关联的温度图像中的温度数据特征输入到炉侧壁温度监测模型。
步骤M.炉侧壁温度监测模型对该炉侧壁目标炉面位置的温度数据进行温度趋势预测,并判断该温度趋势数据是否超过炉侧壁温度告警阈值P1:若判断该炉侧壁目标炉面位置的温度预测数据超过炉侧壁温度告警阈值P1,则发送预警信息至漏钢告警与响应模块,让漏钢告警与响应模块通过短信、声音、显示屏等通讯方式向操作人员发送预警提示;若判断该炉侧壁目标炉面位置的温度预测数据不超过炉侧壁温度告警阈值P1,则不生成预警信息。
本发明对每个目标炉面位置,在该目标炉面位置的温度图像中提取该目标炉面位置的温度数据,根据该目标炉面位置的温度数据执行该目标炉面位置对应的告警检测步骤;告警检测步骤具体地,若该目标炉面位置的温度数据超过该目标炉面位置对应的温度告警阈值则告警;各个告警检测步骤中的温度告警阈值不完全相同。例如,对炉侧壁,在该炉侧壁的温度图像中提取该炉侧壁的温度数据,根据该炉侧壁的温度数据执行该炉侧壁对应的告警检测步骤,该炉侧壁告警检测步骤具体地,若该炉侧壁的温度数据超过该炉侧壁对应的炉侧壁温度告警阈值P1则告警;对炉底,在该炉底的温度图像中提取该炉底的温度数据,根据该炉底的温度数据执行该炉底对应的告警检测步骤,该炉侧壁告警检测步骤具体地,若该炉底的温度数据超过该炉底对应的炉底温度告警阈值P2则告警;对炉盖,在该炉盖的温度图像中提取该炉盖的温度数据,根据该炉盖的温度数据执行该炉盖对应的告警检测步骤,该炉侧壁告警检测步骤具体地,若该炉盖的温度数据超过该炉盖对应的炉盖温度告警阈值P3则告警。由此可见,本发明能够对炉面上的各个炉面位置分别进行温度精确监测,避免告警和漏告警,精确度较高。
如上所述仅为本发明创造的实施方式,不以此限定专利保护范围。本领域技术人员在本发明创造的基础上作出非实质性的变化或替换,仍落入专利保护范围。
Claims (9)
1.一种炉面温度监测方法,其特征在于:
预设有炉面上的多个目标炉面位置,多个目标炉面位置分别对应多个告警检测步骤,各个告警检测步骤不完全相同;
从炉体图像中识别出炉面上的多个目标炉面位置;
对每个目标炉面位置,在该目标炉面位置的温度图像中提取该目标炉面位置的温度数据,根据该目标炉面位置的温度数据执行该目标炉面位置对应的告警检测步骤。
2.根据权利要求1所述的炉面温度监测方法,其特征在于:告警检测步骤具体地,若所述目标炉面位置的温度数据超过所述目标炉面位置对应的温度告警阈值则告警;各个告警检测步骤中的温度告警阈值不完全相同。
3.根据权利要求2所述的炉面温度监测方法,其特征在于:对每个目标炉面位置,在所述目标炉面位置的温度图像中提取所述目标炉面位置的温度数据特征,对所述目标炉面位置的温度数据进行温度趋势预测。
4.根据权利要求3所述的炉面温度监测方法,其特征在于:若所述目标炉面位置的温度数据趋势预测中,温度预测数据超过所述目标炉面位置对应的温度告警阈值则预警。
5.根据权利要求1所述的炉面温度监测方法,其特征在于:所述的多个目标炉面位置包括炉面的炉侧壁(1)、炉底(2)和炉盖(3)。
6.根据权利要求1至5任一项所述的炉面温度监测方法,其特征在于:所述的炉面为AOD炉的炉面。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现权利要求1至6中任一项所述的炉面温度监测方法。
8.一种炉面温度监测系统,包括处理器、计算机可读存储介质以及用于获取炉侧壁(1)、炉底(2)和炉盖(3)等各炉面的目标炉面位置的炉体图像和温度图像的红外热成像设备41、42、43,红外热成像设备41、42、43电连接处理器,把各个炉面的目标炉面位置的炉体图像和温度图像发送给处理器,其特征在于:该计算机可读存储介质是如权利要求7所述的计算机可读存储介质,处理器可执行该计算机可读存储介质中的计算机程序从而实现如权利要求1至6中任一项所述的炉面温度监测方法。
9.根据权利要求8所述的炉面温度监测系统,其特征在于:红外热成像设备有至少三个;在炉侧壁(1)竖立状态下,第一红外热成像设备(41)正对炉侧壁(1)的其中一侧外壁进行拍摄,第二红外热成像设备(42)倾斜仰视,与炉侧壁(1)的竖轴成锐角对炉侧壁(1)的另一侧外壁和炉底(2)进行拍摄,第三红外热成像设备(43)朝下正对炉盖(3)进行拍摄;在炉侧壁(1)倾倒状态下,第一红外热成像设备(41)正对炉底(2)进行拍摄,第二红外热成像设备(42)正对炉侧壁(1)的其中一侧外壁进行拍摄,第三红外热成像设备(43)正对炉侧壁(1)的另一侧外壁进行拍摄。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311312819.7A CN117346900A (zh) | 2023-10-10 | 2023-10-10 | 一种炉面温度监测方法、计算机可读存储介质和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311312819.7A CN117346900A (zh) | 2023-10-10 | 2023-10-10 | 一种炉面温度监测方法、计算机可读存储介质和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117346900A true CN117346900A (zh) | 2024-01-05 |
Family
ID=89368631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311312819.7A Pending CN117346900A (zh) | 2023-10-10 | 2023-10-10 | 一种炉面温度监测方法、计算机可读存储介质和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117346900A (zh) |
-
2023
- 2023-10-10 CN CN202311312819.7A patent/CN117346900A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472698B (zh) | 基于深度和迁移学习的金属增材成形熔深实时预测方法 | |
JP3698420B2 (ja) | 画像監視装置及び画像監視方法及び画像監視処理プログラム | |
CN104867265B (zh) | 摄像装置、火灾检测报警系统及方法 | |
CN110516522B (zh) | 一种巡检方法及系统 | |
CN110309973B (zh) | 一种基于视频智能算法的转炉喷溅预测方法及系统 | |
CN112184678A (zh) | 图像识别方法、装置、计算机可读存储介质及处理器 | |
CN105562643B (zh) | 一种结晶器漏钢处理方法 | |
CN110057820A (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
CN113343854A (zh) | 一种基于视频监控的动火作业流程合规性检测方法 | |
CN110956769B (zh) | 一种基于目标位置的周界防入侵系统的监控方法 | |
CN112595730A (zh) | 电缆破损识别方法、装置和计算机设备 | |
CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
CN111753597A (zh) | 基于图像识别的喷溅预警系统 | |
CN115431266A (zh) | 一种巡检方法、巡检装置及巡检机器人 | |
CN111583606A (zh) | 基于图像识别的输电线路危险点实时预警装置及使用方法 | |
CN108460357B (zh) | 一种基于图像识别的开窗报警检测系统及方法 | |
JP2014119827A (ja) | 撮影システム | |
CN117346900A (zh) | 一种炉面温度监测方法、计算机可读存储介质和系统 | |
CN114534146A (zh) | 基于移动式电力消防灭火机器人火焰自动寻地的控制方法与系统 | |
CN110633657B (zh) | 一种高炉崩料预测方法 | |
CN116597375A (zh) | 制造行业现场工艺的异常操作行为检测方法及装置 | |
CN110751014A (zh) | 一种火焰检测系统及方法 | |
CN113516091B (zh) | 一种识别变电站电火花图像的方法 | |
CN113225525A (zh) | 一种室内监控方法及系统 | |
CN114820526A (zh) | 一种输电线路施工隐患的检测管理方法、装置及系统 |
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 |