钢包表面故障诊断方法及设备技术

本发明专利技术的目的是提供一种钢包表面故障诊断方法及设备，本发明专利技术克服了现有技术的不足，提高钢包表面故障自动检测精度，特别针对提升对微小故障检出率，同时保证钢包表面故障检测效率。本发明专利技术没有像现有技术中使用缺陷数据，本发明专利技术是利用拟合得到的温度趋势曲线，计算温度正常值区间，通过区间范围来判断钢包是否正常，避免的正负样本不均衡的问题。

【技术实现步骤摘要】
钢包表面故障诊断方法及设备
本专利技术涉及一种钢包表面故障诊断方法及设备。
技术介绍
钢包一般是指钢水包，用于炼钢厂、铸造厂在平炉、电炉或转炉前承接钢水、进行浇注作业。钢包在运行过程中，因长期与高温钢水及炉渣接触，将会导致钢包内衬的使用寿命缩短。根据经验，钢包倒渣面(包壁)、耳轴位置和钢包底部位置容易出现故障。如果这三处发生故障，会严重影响钢包安全性能，严重的会引起钢水飞溅和钢包破裂，因此对钢包表面质量进行实时监测具有重大意义。目前常用的检测方式是使用测温枪进行单点温度检测，通过检测钢包重要部位的温度判断是否需要修包。但这种手段需要人员在现场进行检测，降低了检测人员人身安全系数。同时钢包检测面临几大挑战：1、故障诊断准则不一，由于同一钢包不同部位具有不同的外表面温度；2、正负样本不均衡，钢包损坏具有概率低危害大的特点，且制作故障样本代价昂贵，因此具有故障的钢包样本极少。
技术实现思路
本专利技术的一个目的是提供一种钢包表面故障诊断方法及设备。根据本专利技术的一个方面，提供了一种钢包表面故障诊断方法，该方法包括：步骤1：利用热像仪检测钢包获得包含温度信息和部位的位置的信息的钢包的全辐射热像图，由所述全辐射热像图转换得到灰度图，基于所述灰度图构建钢包检测的数据集，所述数据集包括训练集、验证集和测试集；步骤2：根据所述数据集中的钢包的各部位的真实框计算得到检测所需的先验框；步骤3：基于钢包检测数据集构建改进的SSD网络模型；步骤4：利用所述训练集、验证集和先验框训练所述改进的SSD网络模型，得到训练好的SSD网络模型；步骤5：将所述测试集输入训练好的SSD网络模型进行预测，基于预测结果对训练好的SSD网络模型进行评价，若对训练好的SSD网络模型评价合格，则转到步骤6，若评价不合格，重复步骤3～5；步骤6：将所述钢包的全辐射热像图输入训练好的SSD网络模型，对钢包的各部位进行定位，进而获得钢包的不同部位的温度；步骤7：利用获得的钢包的不同部位温度，构建钢包不同部位温度趋势数据集；步骤8：基于钢包的不同部位的温度趋势数据集的数据量的大小，构建BP神经网络；步骤9：利用钢包的不同部位的温度趋势数据集训练和评价所述BP神经网络，以拟合得到温度趋势曲线；步骤10：利用拟合得到的温度趋势曲线，计算温度正常值区间；步骤11：将待检测的钢包的全辐射热像图换转为灰度图输入训练好的SSD网络模型，对待检测的钢包的各部位进行定位，进而获得待检测的钢包的不同部位的温度，基于待检测的钢包的不同部位的温度是否在所述温度正常值区间内，判断所述待检测的钢包是否故障。进一步的，上述方法中，步骤1，构建钢包检测的数据集包括：在所述数据集标记钢包的部位和对应的位置，其中，所述部位包括：钢包的包沿、出水口、包壁、耳轴和底部各部位，钢包的包壁、耳轴和底部是故障诊断的区域，而钢包的包沿和出水口是诊断时避开的位置。进一步的，上述方法中，步骤2：根据所述数据集中的钢包的各部位的真实框计算得到检测所需的先验框，包括：根据所述数据集中的钢包的各部位的真实框，并由加权K-means算法聚类得到检测所需的先验框。进一步的，上述方法中，所述改进的SSD网络模型，包括：预处理模块、主干特征提取网络模块和特征融合模块，以得到用于预测的不同尺寸有效特征层，其中，所述预处理模块，用于将钢包检测的数据集中的灰度图采用在短边方向上对称补零(padding)，然后调整尺寸(resize)到224像素*224像素得到第一图片，再将所述第一图片经过3个平面尺寸为3*3、步长为1、padding为SAME模式的卷积核进行二维卷积得到信息不冗余的3个通道224像素*224像素的特征图；所述主干特征提取网络模块采用MobileNetV3代替VGG，其中，所述MobileNetV3采用MobileNetV2中线性瓶颈的逆残差结构和MobileNetV1中深度可分离卷积，同时引用轻量级的注意力模型，并利用h-swish代替swish函数，其中，其中，x是激活函数的输入，即神经元的值。所述特征融合模块是其某一预测特征层结合上一层和下一层的特征，将不同尺寸的特征图进行特征融合，使得每一层的预测特征层的特征都融合了上一层的预测特征层的特征的低维语义信息和下一层的预测特征层的特征的高维语义信息，其中，不同层的预测特征层的特征具有不同尺寸的特征图。进一步的，上述方法中，利用所述训练集、验证集和先验框训练所述改进的SSD网络模型，得到训练好的SSD网络模型，包括：将所述训练集和先验框输入到所述改进的SSD网络模型，得到所述改进的SSD网络模型的不同尺寸的有效特征层输出的预测框及对应预测的部位，将预测框及对应预测的部位与所述训练集中的包括真实框及对应的真实的部位进行对比，计算预测框与真实框之间交叠率CIoU得到目标位置回归损失，目标位置的回归损失LCIoU的计算公式如下：其中，b代表预测框的中心点，bgt代表真实框的中心点，ρ代表计算预测框和真实框的两个中心点间的欧式距离，c代表同时包含预测框和真实框的最小闭包区域的对角线距离，α是权重函数，而ν是用来度量长宽比的相似性，ω代表预测框的宽，ωgt代表真实框的宽，h代表预测框的高，hgt代表真实框的高，计算出目标位置回归损失后进行误差反向传播，优化器选用SGD，设置初始学习率为0.01，衰减率decay＝0.0001，动量momentum＝0.9，当误差变化很平缓时令学习率减小10倍，设置批次大小batchsize为16，训练迭代次数epoch为100次，使用批归一化BN和LeakyReLU激活函数，这样可避免出现网络退化现象并加速网络训练，保存训练好的模型以及参数，每迭代1次保存一次模型、模型参数，最终选取在所述的验证集上损失最低的模型参数作为最终模型参数，以得到训练好的SSD网络模型。进一步的，上述方法中，步骤5：将所述测试集输入训练好的SSD网络模型进行预测，基于预测结果对训练好的SSD网络模型进行评价，若对训练好的SSD网络模型评价合格，则转到步骤6，若评价不合格，重复步骤3～5，包括：将所述测试集输入训练好的SSD网络模型，进行预测；对预测结果用DIoU-NMS模块进行过滤得到输出，其中，DIoU-NMS模块的si更新公式定义为：得分最高的预测框M和其它框Bi的(IoU-DIoU)值小于NMS阈值ε时，Bi的得分值si仍然保持，否则，当(IoU-DIoU)大于等于NMS阈值ε时，si值就设成0，即被过滤掉；基于所述输出计算训练好的SSD网络模型的检测精度、精确率和召回率、平均精度均值；若检测精度、精确率和召回率、平均精度均值符合预设阈值，则对训练好的SSD网络模型评价合格，则转到步骤6，否则，评价不合格，重复步骤3～5。进一步的，上述方法中，步骤6：将所述钢包的全辐射热像图本文档来自技高网...

【技术保护点】
1.一种钢包表面故障诊断方法，其特征在于，包括：/n步骤1：利用热像仪检测钢包获得包含温度信息和部位的位置的信息的钢包的全辐射热像图，由所述全辐射热像图转换得到灰度图，基于所述灰度图构建钢包检测的数据集，所述数据集包括训练集、验证集和测试集；/n步骤2：根据所述数据集中的钢包的各部位的真实框计算得到检测所需的先验框；/n步骤3：基于钢包检测数据集构建改进的SSD网络模型；/n步骤4：利用所述训练集、验证集和先验框训练所述改进的SSD网络模型，得到训练好的SSD网络模型；/n步骤5：将所述测试集输入训练好的SSD网络模型进行预测，基于预测结果对训练好的SSD网络模型进行评价，若对训练好的SSD网络模型评价合格，则转到步骤6，若评价不合格，重复步骤3～5；/n步骤6：将所述钢包的全辐射热像图输入训练好的SSD网络模型，对钢包的各部位进行定位，进而获得钢包的不同部位的温度；/n步骤7：利用获得的钢包的不同部位温度，构建钢包不同部位温度趋势数据集；/n步骤8：基于钢包的不同部位的温度趋势数据集的数据量的大小，构建BP神经网络；/n步骤9：利用钢包的不同部位的温度趋势数据集训练和评价所述BP神经网络，以拟合得到温度趋势曲线；/n步骤10：利用拟合得到的温度趋势曲线，计算温度正常值区间；/n步骤11：将待检测的钢包的全辐射热像图转化为灰度图输入训练好的SSD网络模型，对待检测的钢包的各部位进行定位，进而获得待检测的钢包的不同部位的温度，基于待检测的钢包的不同部位的温度是否在所述温度正常值区间内，判断所述待检测的钢包是否故障。/n...

【技术特征摘要】
1.一种钢包表面故障诊断方法，其特征在于，包括：
步骤1：利用热像仪检测钢包获得包含温度信息和部位的位置的信息的钢包的全辐射热像图，由所述全辐射热像图转换得到灰度图，基于所述灰度图构建钢包检测的数据集，所述数据集包括训练集、验证集和测试集；
步骤2：根据所述数据集中的钢包的各部位的真实框计算得到检测所需的先验框；
步骤3：基于钢包检测数据集构建改进的SSD网络模型；
步骤4：利用所述训练集、验证集和先验框训练所述改进的SSD网络模型，得到训练好的SSD网络模型；
步骤5：将所述测试集输入训练好的SSD网络模型进行预测，基于预测结果对训练好的SSD网络模型进行评价，若对训练好的SSD网络模型评价合格，则转到步骤6，若评价不合格，重复步骤3～5；
步骤6：将所述钢包的全辐射热像图输入训练好的SSD网络模型，对钢包的各部位进行定位，进而获得钢包的不同部位的温度；
步骤7：利用获得的钢包的不同部位温度，构建钢包不同部位温度趋势数据集；
步骤8：基于钢包的不同部位的温度趋势数据集的数据量的大小，构建BP神经网络；
步骤9：利用钢包的不同部位的温度趋势数据集训练和评价所述BP神经网络，以拟合得到温度趋势曲线；
步骤10：利用拟合得到的温度趋势曲线，计算温度正常值区间；
步骤11：将待检测的钢包的全辐射热像图转化为灰度图输入训练好的SSD网络模型，对待检测的钢包的各部位进行定位，进而获得待检测的钢包的不同部位的温度，基于待检测的钢包的不同部位的温度是否在所述温度正常值区间内，判断所述待检测的钢包是否故障。


2.如权利要求1所述的钢包表面故障诊断方法，其特征在于，步骤1，构建钢包检测的数据集包括：
在所述数据集标记钢包的部位和对应的位置，其中，所述部位包括：钢包的包沿、出水口、包壁、耳轴和底部各部位，钢包的包壁、耳轴和底部是故障诊断的区域，而钢包的包沿和出水口是诊断时避开的位置。


3.如权利要求1所述的钢包表面故障诊断方法，其特征在于，步骤2：根据所述数据集中的钢包的各部位的真实框计算得到检测所需的先验框，包括：
根据所述数据集中的钢包的各部位的真实框，并由加权K-means算法聚类得到检测所需的先验框。


4.如权利要求1所述的钢包表面故障诊断方法，其特征在于，步骤3：所述改进的SSD网络模型，包括：
预处理模块、主干特征提取网络模块和特征融合模块，以得到用于预测的不同尺寸有效特征层，其中，
所述预处理模块，用于将钢包检测的数据集中的灰度图采用在短边方向上对称补零，然后调整尺寸到224像素*224像素得到第一图片，再将所述第一图片经过3个平面尺寸为3*3、步长为1、padding为SAME模式的卷积核进行二维卷积得到信息不冗余的3个通道224像素*224像素的特征图；
所述主干特征提取网络模块采用MobileNetV3代替VGG，其中，所述MobileNetV3采用MobileNetV2中线性瓶颈的逆残差结构和MobileNetV1中深度可分离卷积，同时引用轻量级的注意力模型，并利用h-swish代替swish函数，其中，



其中，x是激活函数的输入，即神经元的值。
所述特征融合模块中，所述特征融合模块的某一预测特征层结合上一层和下一层的特征，将不同尺寸的特征图进行特征融合，使得每一层的预测特征层的特征都融合了上一层的预测特征层的特征的低维语义信息和下一层的预测特征层的特征的高维语义信息，其中，不同层的预测特征层的特征具有不同尺寸的特征图。


5.如权利要求1所述的钢包表面故障诊断方法，其特征在于，步骤4：利用所述训练集、验证集和先验框训练所述改进的SSD网络模型，得到训练好的SSD网络模型，包括：
将所述训练集和先验框输入到所述改进的SSD网络模型，得到所述改进的SSD网络模型的不同尺寸的有效特征层输出的预测框及对应预测的部位，将预测框及对应预测的部位与所述训练集中的包括真实框及对应的真实的部位进行对比，计算预测框与真实框之间交叠率CIoU得到目标位置的回归损失，目标位置的回归损失LCIoU的计算公式如下：






其中，b代表预测框的中心点，bgt代表真实框的中心点，ρ代表计算预测框和真实框的两个中心点间的欧式距离，c代表同时包含预测框和真实框的最小闭包区域的对角线距离，α是权重函数，而ν是用来度量长宽比的相似性，ω代表预测框的宽，ωgt代表真实框的宽，h代表预测框的高，hgt代表真实框的高，计算出目标位置回归损失后进行误差反向传播，优化器选用SGD，设置初始学习率为0.01，衰减率decay＝0.0001，动量momentum＝0.9，当误差变化很平缓时令学习率减小10倍，设置批次batchsize大小为16，训练迭代次数epoch为100次，使用批归一化BN和LeakyReLU激活函数，每迭代1次保存一次模型、模型参数，最终选取在所述的验证集上损失最低的模型参数作为最终模型参数，以得到训练好的SSD网络模型。

【专利技术属性】
技术研发人员：丁顺意，席林，何慧钧，曾旭，许毅，
申请(专利权)人：飞础科智慧科技上海有限公司，
类型：发明
国别省市：上海;31