CN117553921B - 转炉钢水温度预测方法、系统、终端及存储介质 - Google Patents

转炉钢水温度预测方法、系统、终端及存储介质 Download PDF

Info

Publication number
CN117553921B
CN117553921B CN202410045969.4A CN202410045969A CN117553921B CN 117553921 B CN117553921 B CN 117553921B CN 202410045969 A CN202410045969 A CN 202410045969A CN 117553921 B CN117553921 B CN 117553921B
Authority
CN
China
Prior art keywords
temperature
data
unit
heat
time
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
Application number
CN202410045969.4A
Other languages
English (en)
Other versions
CN117553921A (zh
Inventor
张学民
刘畅
李长新
周平
张颜颜
赵明
赵金銮
赵立峰
董慧
黄少文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Iron and Steel Co Ltd
Original Assignee
Shandong Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Iron and Steel Co Ltd filed Critical Shandong Iron and Steel Co Ltd
Priority to CN202410045969.4A priority Critical patent/CN117553921B/zh
Publication of CN117553921A publication Critical patent/CN117553921A/zh
Application granted granted Critical
Publication of CN117553921B publication Critical patent/CN117553921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Metallurgy (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Organic Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Materials Engineering (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)
  • Treatment Of Steel In Its Molten State (AREA)

Abstract

本发明涉及机器视觉技术领域，具体提供一种转炉钢水温度预测方法、系统、终端及存储介质，包括：获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库；在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵；将火焰温度矩阵输入预先训练的神经网络模型，神经网络模型输出预测温度；神经网络模型的训练方法包括：利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度；将理论温度与实际温度数据合并做数据增强处理，并将增强后的数据作为训练集的输出数据；将历次采集的火焰温度矩阵作为训练集的输入数据。本发明充分利用了炉口火焰的温度信息和图像特征，实现了钢水温度的准确预测。

Description

转炉钢水温度预测方法、系统、终端及存储介质
技术领域
本发明属于机器视觉技术领域，具体涉及一种转炉钢水温度预测方法、系统、终端及存储介质。
背景技术
钢水温度作为炼钢过程中的一个非常重要的参数，如果控制不当，会影响其脱氧能力、脱硫能力和流动性等，从而影响最终的成钢质量。转炉炼钢过程的生产环境存在温度高、烟尘浓度高等问题，这制约了对生产过程的实时监测。随着炼钢工艺的发展，实现对钢水温度的准确、实时检测和控制这一难题亟待解决。
目前，国内外的炼钢工艺对钢水进行温度检测主要有通过烟气分析技术进行计算、现场的炼钢工人根据炉口火焰来依靠经验判断、副枪探头上的热电偶测量等几种方式。这些方法存在测量精度受限、实时性低、破坏炼钢过程生产的连续性、增加炼钢厂成本、不能测量整个温度场等局限。而考虑到火焰更能直观地体现钢水温度，近些年来随着技术的发展，利用炉口火焰图像的方法也随之出现，但是该方法目前有很多不足，如图像采集易受环境影响、没有充分提取图像特征、没有考虑火焰温度信息、只对终点温度进行预测等。
发明内容
针对现有技术的上述不足，本发明提供一种转炉钢水温度预测方法、系统、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种转炉钢水温度预测方法，包括：
获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库；
在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵；
将所述火焰温度矩阵输入预先训练的神经网络模型，神经网络模型输出预测温度；
所述神经网络模型的训练方法包括：利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度；将所述理论温度与实际温度数据合并做数据增强处理，并将增强后的数据作为训练集的输出数据；将历次采集的火焰温度矩阵作为训练集的输入数据。
在一个可选的实施方式中，获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库，包括：
采集转炉冶炼数据，所述转炉冶炼数据包括入炉前的金属原料含量、铁水入炉温度、废钢重量、氧枪实时枪位、实时吹氧压力、辅料量；
采集副枪在吹氧过程中探测的实际温度数据；
将冶炼数据标记冶炼时间后保存至数据库，将实际温度数据标记采集时间后保存至数据库。
在一个可选的实施方式中，在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵，包括：
利用切片操作将火焰温度矩阵切除多余的背景区域，留取炉口附近区域；
对截取的图像进行归一化处理和高斯滤波处理。
在一个可选的实施方式中，利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度，包括：
构建碳温机理模型，通过对转炉炼钢过程中实时热平衡计算，得到熔池温度随时间的变化率：，式中：/>为冲击坑元素氧化反应化学热向钢液传递的热量，单位为/>；/>为渣金元素氧化反应热，单位为/>；/>为炉内氧化物的成渣热，单位为/>；/>为石灰的溶解热，单位为/>；/>为废钢的溶解热，单位为/>；/>为矿石及其他渣料的分解吸热，单位为/>；/>为熔池液面向炉内的辐射热、通过炉壳向大气的散热、从炉内液面和炉壁向炉内气体传递的热量，单位为即总热量损失，/>；/>为钢液质量，单位为/>；/>为熔渣质量，单位为kg；/>为钢液热容，单位为/>；/>为钢渣热容，单位为/>；/>为炉内未熔化固体所含的总热量，单位为/>。
开始吹氧前，将处于不同温度的原料装入转炉内，原料间相互传递热量，根据热平衡计算出吹氧时熔池的初始温度为：
。
吹氧时熔池的初始温度计算公式中：为铁水质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰石质量，单位为/>；/>为矿石质量，单位为/>；/>为铁水热容，单位为/>；/>为废钢热容，单位为；/>为石灰热容，单位为/>；/>为石灰石热容，单位为；/>为矿石热容，单位为/>；/>为铁水的温度，单位为/>；/>为大气温度，单位为/>。
根据熔池温度随时间的变化率和初始温度，可得熔池温度随时间/>的变化：，式中：/>为单位时间。
根据热成像仪的数据采集周期，确定所述热成像仪采集数据的多个时间节点；利用所述碳温机理模型依次计算各时间节点对应的熔池温度，并将熔池温度按时间节点先后排列为熔池温度数组。
第二方面，本发明提供一种转炉钢水温度预测系统，包括：
数据获取模块，用于获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库；
图像采集模块，用于在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵；
温度预测模块，用于将所述火焰温度矩阵输入预先训练的神经网络模型，神经网络模型输出预测温度；
所述神经网络模型的训练方法包括：利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度；将所述理论温度与实际温度数据合并做数据增强处理，并将增强后的数据作为训练集的输出数据；将历次采集的火焰温度矩阵作为训练集的输入数据。
在一个可选的实施方式中，所述数据获取模块包括：
数据采集单元，用于采集转炉冶炼数据，所述转炉冶炼数据包括入炉前的金属原料含量、铁水入炉温度、废钢重量、氧枪实时枪位、实时吹氧压力、辅料量；温度探测单元，用于采集副枪在吹氧过程中探测的实际温度数据；数据保存单元，用于将冶炼数据标记冶炼时间后保存至数据库，将实际温度数据标记采集时间后保存至数据库。
在一个可选的实施方式中，所述图像采集模块包括：图像截取单元，用于利用切片操作将火焰温度矩阵切除多余的背景区域，留取炉口附近区域；图像处理单元，用于对截取的图像进行归一化处理和高斯滤波处理。
在一个可选的实施方式中，利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度，包括：
构建碳温机理模型，通过对转炉炼钢过程中实时热平衡计算，得到熔池温度随时间的变化率：，式中：/>为冲击坑元素氧化反应化学热向钢液传递的热量，单位为/>；/>为渣金元素氧化反应热，单位为/>；/>为炉内氧化物的成渣热，单位为/>；/>为石灰的溶解热，单位为/>；/>为废钢的溶解热，单位为/>；/>为矿石及其他渣料的分解吸热，单位为/>；/>为熔池液面向炉内的辐射热、通过炉壳向大气的散热、从炉内液面和炉壁向炉内气体传递的热量，单位为即总热量损失，/>；/>为钢液质量，单位为/>；/>为熔渣质量，单位为kg；/>为钢液热容，单位为/>；/>为钢渣热容，单位为/>；/>为炉内未熔化固体所含的总热量，单位为/>。
开始吹氧前，将处于不同温度的原料装入转炉内，原料间相互传递热量，根据热平衡计算出吹氧时熔池的初始温度为：
。
在吹氧时熔池的初始温度的计算公式中：为铁水质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰石质量，单位为/>；/>为矿石质量，单位为/>；/>为铁水热容，单位为/>；/>为废钢热容，单位为；/>为石灰热容，单位为/>；/>为石灰石热容，单位为；/>为矿石热容，单位为/>；/>为铁水的温度，单位为/>；/>为大气温度，单位为/>。
根据熔池温度随时间的变化率和初始温度，可得熔池温度随时间/>的变化：，式中：/>为单位时间。
根据热成像仪的数据采集周期，确定所述热成像仪采集数据的多个时间节点；利用所述碳温机理模型依次计算各时间节点对应的熔池温度，并将熔池温度按时间节点先后排列为熔池温度数组。
第三方面，提供一种终端，包括： 处理器、存储器，其中，该存储器用于存储计算机程序，该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，本发明提供的转炉钢水温度预测方法、系统、终端及存储介质，针对转炉炼钢过程中的吹氧阶段建立炉口火焰和钢水温度之间的映射关系，并通过数据增强处理，结合理论温度与实际温度构建训练数据集，然后将训练好的模型用在实际的转炉炼钢生产中，从而实现吹氧阶段对钢水温度的实时预测。本发明充分利用了炉口火焰的温度信息和图像特征，有效解决了钢水温度的实时检测、合理控制问题，另外本发明无需人工副枪探测，自动进行钢水温度的实时预测，实用性好。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，对于本领域普通技术人员而言，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是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
下面对本发明中出现的关键术语进行解释。
前馈神经网络（Feedforward Neural Network）中，信息从输入层开始输入，每层的神经元接收前一级输入，并输出到下一级，直至输出层。整个网络信息输入传输中无反馈（循环）。即任何层的输出都不会影响同级层，可用一个有向无环图表示。常见的前馈神经网络包括卷积神经网络（CNN）、全连接神经网络（FCN)、生成对抗网络(GAN)等。
热成像是通过非接触探测红外能量（热量），并将其转换为电信号，进而在显示器上生成热图像和温度值，并可以对温度值进行计算的一种检测设备。
本发明实施例提供的转炉钢水温度预测方法由计算机设备执行，相应地，转炉钢水温度预测系统运行于计算机设备中。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种转炉钢水温度预测系统。根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
如图1所示，该方法包括：
步骤110，获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库；
步骤120，在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵；
步骤130，将所述火焰温度矩阵输入预先训练的神经网络模型，神经网络模型输出预测温度；
所述神经网络模型的训练方法包括：利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度；将所述理论温度与实际温度数据合并做数据增强处理，并将增强后的数据作为训练集的输出数据；将历次采集的火焰温度矩阵作为训练集的输入数据。
为了便于对本发明的理解，下面以本发明医患交互管理方法的原理，结合实施例中对患者诊疗信息进行管理的过程，对本发明提供的医患交互管理方法做进一步的描述。
具体的，转炉钢水温度预测方法包括：
S1、对转炉炼钢吹氧阶段进行数据采集。
放置好热成像仪的位置，调整好角度，让其正对着炉口，然后将其通过光纤与服务器相连。在服务器端对热成像仪自带的SDK进行二次开发，以实时接收炉口火焰的温度数据。在本例中，采集了几百炉炼钢数据，对于每一炉而言，以每秒一次的频率保存热成像仪传输的温度数据以及实时吹氧压力、石灰等辅料实时加入量，另外以每炉一次的频率保存TSC、TSO时刻副枪探测的温度值和入炉前铁水碳、硅、锰、磷含量等一些静态值。
转炉炼钢吹氧过程中需要采集的数据主要有：热成像仪获取的炉口火焰温度分布、TSC和TSO时刻副枪探测的钢水温度以及机理模型所需的输入，包括入炉前铁水碳、硅、锰、磷等含量、铁水入炉温度、废钢重量、氧枪实时枪位、实时吹氧压力、石灰等辅料实时加入量。
S2、将所属步骤S1中收集的炉口火焰温度矩阵视作单通道图像，对其进行预处理，主要包括截取、归一化和高斯滤波。
其中截取就是利用切片操作将二维温度矩阵切除掉多余的背景区域，只留取炉口附近区域。
归一化的操作原理是利用数据的最大值和最小值，将数据放缩到0和1之间，公式如下所示：
，分母加1是为了防止分母为0。
而高斯滤波就是取每个像素点邻域的矩形窗口，计算矩形窗口内所有像素点的像素值加权和，作为该点滤波后的像素值。其中加权的权重服从二维正态分布，越靠近窗口中心点，即当前滤波点，权重越大，对于(2n+1)*(2n+1)的窗口，权重计算公式如下，其中为标准差，越大，权重分布越均匀，滤波效果越好，同时图像越模糊，反之，越小，权重分布越偏向于窗口中心点，滤波效果越差，同时图像越能保留其原有清晰度。
例如，对在所述步骤S1中采集到的炉口火焰温度矩阵，对其进行预处理，包括截取、归一化、高斯滤波和阈值分割，从而作为训练集的输入。具体来说，热成像仪传输的二维温度矩阵的维度是382*288，保存到本地时已经做了一次截取，将其大小变为90*175，矩阵中每个元素表示其对应测量点的温度，其范围是在500到2000之间。预处理时将其进行二次截取，切片成40*150维度的矩阵，然后对切片后的矩阵在（500，2000）范围内进行归一化操作，即保持矩阵维度不变，每个元素的大小放缩到0和1之间，然后使用高斯滤波消除噪声影响。
任取某一时刻保存的炉口火焰温度矩阵，其预处理过程如下：
某一时刻保存的温度矩阵：；截取后该温度矩阵变为：；归一化后该温度矩阵变为：/>；高斯滤波后该温度矩阵变为：/>。
S3、搭建转炉炼钢吹氧过程中的碳温机理模型，并调用所属步骤(1)中收集的数据，计算吹氧过程任意时刻的钢水温度，均匀选取一些数据，与采集到的TSC和TSO时刻钢水温度合并做数据增强处理。
由于每炉只在TSC和TSO时刻用副枪探测钢水温度，数据量较少并且没有覆盖吹氧全过程，因此建立了碳温机理模型来做数据增强，模型的实现原理主要是通过实时热平衡计算建立熔池温度目标函数。通过对转炉炼钢过程中实时热平衡计算，可得到熔池温度随时间的变化率：，式中：/>为冲击坑元素氧化反应化学热向钢液传递的热量，单位为/>；/>为渣金元素氧化反应热，单位为/>；/>为炉内氧化物的成渣热，单位为/>；/>为石灰的溶解热，单位为/>；/>为废钢的溶解热，单位为；/>为矿石及其他渣料的分解吸热，单位为/>；/>为熔池液面向炉内的辐射热、通过炉壳向大气的散热、从炉内液面和炉壁向炉内气体传递的热量，即总热量损失，单位为/>；为钢液质量，单位为/>；/>为熔渣质量，单位为kg；/>为钢液热容，单位为/>；/>为钢渣热容，单位为/>；/>为炉内未熔化固体如废钢、石灰等所含的总热量，单位为/>。
开始吹氧前，将处于不同温度的铁水、废钢等原料（根据实际投入料进行修改）装入转炉内，原料间相互传递热量，根据热平衡计算出吹氧时熔池的初始温度为：
。
在吹氧时熔池的初始温度的计算公式中：为铁水质量，单位为/>；/>为废钢质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰石质量，单位为/>；/>为矿石质量，单位为/>；/>为铁水热容，单位为/>；/>为废钢热容，单位为；/>为石灰热容，单位为/>；/>为石灰石热容，单位为；/>为矿石热容，单位为/>；/>为铁水的温度，单位为/>；/>为大气温度，单位为/>。
根据上述两个方程，可得熔池温度随时间/>的变化公式：/>，式中：/>为单位时间，例如秒。
然后将所述步骤S1中收集的数据输入到机理模型中，得到吹氧过程中任意时刻机理模型计算出的钢水温度，具体的，根据热成像仪的数据采集周期，确定所述热成像仪采集数据的多个时间节点；利用碳温机理模型依次计算各时间节点对应的熔池温度，并将熔池温度按时间节点先后排列为熔池温度数组。如此，可将训练神经网络模型的输入数据与输出数据从时间同步性上对应起来。从中均匀选取一些数据与步骤S1中收集的TSC和TSO时刻的钢水温度合并到一起，作为卷积神经网络模型的训练集的输出。
例如，某炉在TSC和TSO时刻采集的钢水温度为：。抽取机理模型的输出做数据增强后变为：/>。
S4、基于卷积神经网络建立转炉炼钢吹氧过程中炉口火焰与钢水温度的映射模型，并调用所属步骤S2和S3中增强后的数据作为训练集，检测钢水温度。
将S3中增强后的钢水温度数据集作为训练集的输出，将对应时刻的炉口火焰温度数据经S2预处理后作为训练集的输入，对搭建好的卷积神经网络模型进行训练。其中输入的炉口火焰温度矩阵可以视作包含火焰温度信息的单通道图像，因此训练时模型不仅会捕捉到火焰的图像特征，还会将其与温度特征相结合，从而提高模型的精度。
S5、在实际的转炉炼钢生产工艺的补吹阶段，利用在步骤S4中训练的模型实时检测钢水温度，并验证模型准确度。
将训练好的模型部署到实际的工业生产中，利用炉口火焰实时检测钢水温度，并与副枪探测值进行对比，验证模型的准确度。
此外由于不断将采集的数据添加至数据库，因此可利用新数据不断扩充训练集，利用新的训练集对模型进行训练进而不断提升模型精度。
将训练好的模型部署到实际的转炉炼钢工业生产中，并在吹氧阶段实时预测钢水温度，本模型既参考了机理模型计算的温度变化趋势，同时精度值也有了较大的提高，偏差控制在10℃范围内。
本实例方法能够对转炉炼钢吹氧过程中的钢水温度进行很好的实时预测，并在TSC和TSO时刻有极高的精确度，有效解决了转炉炼钢吹氧过程中钢水温度的实时检测问题。本实例方法直观使用，自动化性能好，能显著提高吹炼终点的成品钢材的质量。
在一些实施例中，所述转炉钢水温度预测系统可以包括多个由计算机程序段所组成的功能模块。所述转炉钢水温度预测系统中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）转炉钢水温度预测的功能。
本实施例中，所述转炉钢水温度预测系统根据其所执行的功能，可以被划分为多个功能模块，如图2所示。系统200的功能模块可以包括：数据获取模块210、图像采集模块220、温度预测模块230。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
数据获取模块，用于获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库；
图像采集模块，用于在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵；
温度预测模块，用于将所述火焰温度矩阵输入预先训练的神经网络模型，神经网络模型输出预测温度；
所述神经网络模型的训练方法包括：利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度；将所述理论温度与实际温度数据合并做数据增强处理，并将增强后的数据作为训练集的输出数据；将历次采集的火焰温度矩阵作为训练集的输入数据。
可选地，作为本发明一个实施例，数据获取模块包括：数据采集单元，用于采集转炉冶炼数据，所述转炉冶炼数据包括入炉前的金属原料含量、铁水入炉温度、废钢重量、氧枪实时枪位、实时吹氧压力、辅料量；温度探测单元，用于采集副枪在吹氧过程中探测的实际温度数据；数据保存单元，用于将冶炼数据标记冶炼时间后保存至数据库，将实际温度数据标记采集时间后保存至数据库。
可选地，作为本发明一个实施例，图像采集模块包括：图像截取单元，用于利用切片操作将火焰温度矩阵切除多余的背景区域，留取炉口附近区域；图像处理单元，用于对截取的图像进行归一化处理和高斯滤波处理。
可选地，作为本发明一个实施例，利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度，包括：
构建碳温机理模型，通过对转炉炼钢过程中实时热平衡计算，得到熔池温度随时间的变化率：，式中：/>为冲击坑元素氧化反应化学热向钢液传递的热量，单位为/>；/>为渣金元素氧化反应热，单位为/>；/>为炉内氧化物的成渣热，单位为/>；/>为石灰的溶解热，单位为/>；/>为废钢的溶解热，单位为/>；/>为矿石及其他渣料的分解吸热，单位为/>；/>为熔池液面向炉内的辐射热、通过炉壳向大气的散热、从炉内液面和炉壁向炉内气体传递的热量，单位为即总热量损失，/>；/>为钢液质量，单位为/>；/>为熔渣质量，单位为kg；/>为钢液热容，单位为/>；/>为钢渣热容，单位为/>；/>为炉内未熔化固体所含的总热量，单位为/>。
开始吹氧前，将处于不同温度的原料装入转炉内，原料间相互传递热量，根据热平衡计算出吹氧时熔池的初始温度为：
。
在吹氧时熔池的初始温度的计算公式中：为铁水质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰石质量，单位为/>；/>为矿石质量，单位为/>；/>为铁水热容，单位为/>；/>为废钢热容，单位为；/>为石灰热容，单位为/>；/>为石灰石热容，单位为；/>为矿石热容，单位为/>；/>为铁水的温度，单位为/>；/>为大气温度，单位为/>。
根据熔池温度随时间的变化率和初始温度，可得熔池温度随时间/>的变化：，式中：/>为单位时间。
根据热成像仪的数据采集周期，确定所述热成像仪采集数据的多个时间节点；利用所述碳温机理模型依次计算各时间节点对应的熔池温度，并将熔池温度按时间节点先后排列为熔池温度数组。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的转炉钢水温度预测方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC) 组成，例如可以由单颗封装的IC 所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：read-only memory，简称：ROM）或随机存储记忆体（英文：random access memory，简称：RAM）等。
因此，本发明针对转炉炼钢过程中的吹氧阶段建立炉口火焰和钢水温度之间的映射关系，并通过数据增强处理，结合理论温度与实际温度构建训练数据集，然后将训练好的模型用在实际的转炉炼钢生产中，从而实现吹氧阶段对钢水温度的实时预测。本发明充分利用了炉口火焰的温度信息和图像特征，有效解决了钢水温度的实时检测、合理控制问题，另外本发明无需人工副枪探测，自动进行钢水温度的实时预测，实用性好，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的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，该计算机软件产品存储在一个存储介质中如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，包括若干指令用以使得一台计算机终端（可以是个人计算机，服务器，或者第二终端、网络终端等）执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种转炉钢水温度预测方法，其特征在于，包括：
获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库；
在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵；
将所述火焰温度矩阵输入预先训练的神经网络模型，神经网络模型输出预测温度；
所述神经网络模型的训练方法包括：
利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度；
将所述理论温度与实际温度数据合并做数据增强处理，并将增强后的数据作为训练集的输出数据；
将历次采集的火焰温度矩阵作为训练集的输入数据；
利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度，包括：
构建碳温机理模型，通过对转炉炼钢过程中实时热平衡计算，得到熔池温度随时间的变化率：
式中：为冲击坑元素氧化反应化学热向钢液传递的热量，单位为/>；/>为渣金元素氧化反应热，单位为/>；/>为炉内氧化物的成渣热，单位为/>；/>为石灰的溶解热，单位为/>；/>为废钢的溶解热，单位为/>；/>为矿石及其他渣料的分解吸热，单位为/>；/>为熔池液面向炉内的辐射热、通过炉壳向大气的散热、从炉内液面和炉壁向炉内气体传递的热量，单位为即总热量损失，/>；/>为钢液质量，单位为/>；/>为熔渣质量，单位为kg；为钢液热容，单位为/>；/>为钢渣热容，单位为/>；/>为炉内未熔化固体所含的总热量，单位为/>；
开始吹氧前，将处于不同温度的原料装入转炉内，原料间相互传递热量，根据热平衡计算出吹氧时熔池的初始温度为：
式中：为铁水质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰石质量，单位为/>；/>为矿石质量，单位为/>；/>为铁水热容，单位为/>；/>为废钢热容，单位为/>；/>为石灰热容，单位为；/>为石灰石热容，单位为/>；/>为矿石热容，单位为；/>为铁水的温度，单位为/>；/>为大气温度，单位为/>；
根据熔池温度随时间的变化率和初始温度，可得熔池温度随时间/>的变化：
式中：为单位时间；
根据热成像仪的数据采集周期，确定热成像仪采集数据的多个时间节点；
利用所述碳温机理模型依次计算各时间节点对应的熔池温度，并将熔池温度按时间节点先后排列为熔池温度数组。
2.根据权利要求1所述的方法，其特征在于，获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库，包括：
采集转炉冶炼数据，所述转炉冶炼数据包括入炉前的金属原料含量、铁水入炉温度、废钢重量、氧枪实时枪位、实时吹氧压力、辅料量；
采集副枪在吹氧过程中探测的实际温度数据；
将冶炼数据标记冶炼时间后保存至数据库，将实际温度数据标记采集时间后保存至数据库。
3.根据权利要求1所述的方法，其特征在于，在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵，包括：
利用切片操作将火焰温度矩阵切除多余的背景区域，留取炉口附近区域；
对截取的图像进行归一化处理和高斯滤波处理。
4.一种转炉钢水温度预测系统，其特征在于，包括：
数据获取模块，用于获取转炉冶炼数据和副枪探测的实际温度数据，将转炉冶炼数据和实际温度数据保存至数据库；
图像采集模块，用于在冶炼过程中定期获取热成像仪采集的炉口的火焰温度矩阵；
温度预测模块，用于将所述火焰温度矩阵输入预先训练的神经网络模型，神经网络模型输出预测温度；
所述神经网络模型的训练方法包括：
利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度；
将所述理论温度与实际温度数据合并做数据增强处理，并将增强后的数据作为训练集的输出数据；
将历次采集的火焰温度矩阵作为训练集的输入数据；
利用预先构建的碳温机理模型基于数据库中的冶炼数据计算理论温度，包括：
构建碳温机理模型，通过对转炉炼钢过程中实时热平衡计算，得到熔池温度随时间的变化率：
式中：为冲击坑元素氧化反应化学热向钢液传递的热量，单位为/>；/>为渣金元素氧化反应热，单位为/>；/>为炉内氧化物的成渣热，单位为/>；/>为石灰的溶解热，单位为/>；/>为废钢的溶解热，单位为/>；/>为矿石及其他渣料的分解吸热，单位为/>；/>为熔池液面向炉内的辐射热、通过炉壳向大气的散热、从炉内液面和炉壁向炉内气体传递的热量，单位为即总热量损失，/>；/>为钢液质量，单位为/>；/>为熔渣质量，单位为kg；为钢液热容，单位为/>；/>为钢渣热容，单位为/>；/>为炉内未熔化固体所含的总热量，单位为/>；
开始吹氧前，将处于不同温度的原料装入转炉内，原料间相互传递热量，根据热平衡计算出吹氧时熔池的初始温度为：
式中：为铁水质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰质量，单位为/>；/>为石灰石质量，单位为/>；/>为矿石质量，单位为/>；/>为铁水热容，单位为/>；/>为废钢热容，单位为/>；/>为石灰热容，单位为；/>为石灰石热容，单位为/>；/>为矿石热容，单位为；/>为铁水的温度，单位为/>；/>为大气温度，单位为/>；
根据熔池温度随时间的变化率和初始温度，可得熔池温度随时间/>的变化：
式中：为单位时间；
根据热成像仪的数据采集周期，确定热成像仪采集数据的多个时间节点；
利用所述碳温机理模型依次计算各时间节点对应的熔池温度，并将熔池温度按时间节点先后排列为熔池温度数组。
5.根据权利要求4所述的系统，其特征在于，所述数据获取模块包括：
数据采集单元，用于采集转炉冶炼数据，所述转炉冶炼数据包括入炉前的金属原料含量、铁水入炉温度、废钢重量、氧枪实时枪位、实时吹氧压力、辅料量；
温度探测单元，用于采集副枪在吹氧过程中探测的实际温度数据；
数据保存单元，用于将冶炼数据标记冶炼时间后保存至数据库，将实际温度数据标记采集时间后保存至数据库。
6.根据权利要求4所述的系统，其特征在于，所述图像采集模块包括：
图像截取单元，用于利用切片操作将火焰温度矩阵切除多余的背景区域，留取炉口附近区域；
图像处理单元，用于对截取的图像进行归一化处理和高斯滤波处理。
7.一种终端，其特征在于，包括：
存储器，用于存储转炉钢水温度预测程序；
处理器，用于执行所述转炉钢水温度预测程序时实现如权利要求1-3任一项所述转炉钢水温度预测方法的步骤。
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述可读存储介质上存储有转炉钢水温度预测程序，所述转炉钢水温度预测程序被处理器执行时实现如权利要求1-3任一项所述转炉钢水温度预测方法的步骤。
CN202410045969.4A 2024-01-12 2024-01-12 转炉钢水温度预测方法、系统、终端及存储介质 Active CN117553921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410045969.4A CN117553921B (zh) 2024-01-12 2024-01-12 转炉钢水温度预测方法、系统、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410045969.4A CN117553921B (zh) 2024-01-12 2024-01-12 转炉钢水温度预测方法、系统、终端及存储介质

Publications (2)

Publication Number Publication Date
CN117553921A CN117553921A (zh) 2024-02-13
CN117553921B true CN117553921B (zh) 2024-04-19

Family

ID=89817093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410045969.4A Active CN117553921B (zh) 2024-01-12 2024-01-12 转炉钢水温度预测方法、系统、终端及存储介质

Country Status (1)

Country Link
CN (1) CN117553921B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08246016A (ja) * 1995-03-06 1996-09-24 Sumitomo Metal Ind Ltd 転炉の吹錬終点制御方法
JPH11202903A (ja) * 1998-01-07 1999-07-30 Nippon Steel Corp 製造プロセスの状態量推定方法
CN105925750A (zh) * 2016-05-13 2016-09-07 南阳理工学院 一种基于神经网络的炼钢终点预测方法
CN111047554A (zh) * 2019-11-13 2020-04-21 华南理工大学 一种基于实例分割的复合绝缘子过热缺陷检测方法
CN116306272A (zh) * 2023-03-03 2023-06-23 东北大学 一种基于大数据的转炉热损失率预测方法
CN116911057A (zh) * 2023-07-31 2023-10-20 安徽工业大学 一种转炉炼钢吹炼过程熔池温度实时预测方法
CN117093868A (zh) * 2023-08-24 2023-11-21 北京科技大学 一种基于多任务学习的转炉终点预测方法和装置
CN117272726A (zh) * 2023-09-11 2023-12-22 南京航空航天大学 一种航空动力与热管理一体化装置多维温度场分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220222535A1 (en) * 2021-01-08 2022-07-14 Distech Controls Inc. Computing device and method using a neural network to analyze temperature measurements of an infrared sensor
CN114611844B (zh) * 2022-05-11 2022-08-05 北京科技大学 一种转炉出钢过程合金加入量的确定方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08246016A (ja) * 1995-03-06 1996-09-24 Sumitomo Metal Ind Ltd 転炉の吹錬終点制御方法
JPH11202903A (ja) * 1998-01-07 1999-07-30 Nippon Steel Corp 製造プロセスの状態量推定方法
CN105925750A (zh) * 2016-05-13 2016-09-07 南阳理工学院 一种基于神经网络的炼钢终点预测方法
CN111047554A (zh) * 2019-11-13 2020-04-21 华南理工大学 一种基于实例分割的复合绝缘子过热缺陷检测方法
CN116306272A (zh) * 2023-03-03 2023-06-23 东北大学 一种基于大数据的转炉热损失率预测方法
CN116911057A (zh) * 2023-07-31 2023-10-20 安徽工业大学 一种转炉炼钢吹炼过程熔池温度实时预测方法
CN117093868A (zh) * 2023-08-24 2023-11-21 北京科技大学 一种基于多任务学习的转炉终点预测方法和装置
CN117272726A (zh) * 2023-09-11 2023-12-22 南京航空航天大学 一种航空动力与热管理一体化装置多维温度场分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄金侠等.转炉冶炼终点静态控制预测模型.炼钢.2006,第22卷(第1期),45-48. *

Also Published As

Publication number Publication date
CN117553921A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN114611844B (zh) 一种转炉出钢过程合金加入量的确定方法和系统
Liu et al. A stacked autoencoder with sparse Bayesian regression for end-point prediction problems in steelmaking process
CN104778361B (zh) 改进型EMD‑Elman神经网络预测铁水硅含量的方法
CN109359723A (zh) 基于改进正则化极限学习机的转炉终点锰含量预测方法
CN111915080B (zh) 一种基于铁水质量约束的原燃料成本最优配比方法
CN105807741A (zh) 一种工业生产流程预测方法
CN110598958A (zh) 一种钢包分级管理分析方法及系统
CN113761787A (zh) 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统
CN113192568A (zh) 一种精炼炉脱硫终点预报方法和系统
CN115620846A (zh) 一种活性锰材料制备及控制方法
CN117553921B (zh) 转炉钢水温度预测方法、系统、终端及存储介质
Nenchev et al. Metallurgical data science for steel industry: A case study on basic oxygen furnace
Zhang et al. Comparison of the Prediction of BOF End‐Point Phosphorus Content Among Machine Learning Models and Metallurgical Mechanism Model
CN106227699B (zh) 一种高炉炉喉十字测温装置中心带温度预测方法及系统
CN117612651A (zh) 一种预测转炉终点锰含量的方法
Liu et al. Temporal hypergraph attention network for silicon content prediction in blast furnace
CN102968644A (zh) 一种氩氧精炼铁合金冶炼终点预测方法
CN113517037A (zh) 一种数据与知识融合的烧结矿FeO预测方法及系统
CN116246724A (zh) 锌回转窑关键监测变量软测量方法、装置、终端及介质
Jiang et al. A new monitoring method for the blocking time of the taphole of blast furnace using molten iron flow images
CN116306272A (zh) 一种基于大数据的转炉热损失率预测方法
KR100328937B1 (ko) 신경망을이용한전로취련예측방법
Song et al. Data‐Driven Approach Using Supervised Learning for Predicting Endpoint Temperature of Molten Steel in the Electric Arc Furnace
Chang et al. Analysis of converter combustion flame spectrum big data sets based on HHT
Ai-jun et al. Fault diagnosis expert system using neural networks for roasting process

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