【技术实现步骤摘要】
基于风口信息深度学习的监督及预测高炉炉况异常的方法
[0001]本项专利技术属于冶金
,尤其涉及基于风口信息深度学习的监督及预测高炉炉况异常的方法。
技术介绍
[0002]高炉炼铁过程十分复杂,高炉密闭且内部高混沌运行,具有时滞性、多尺度性、非线性、强系统耦合性的特点,导致各过程参数、冶炼性能难以实时在线准确预测和预判。现阶段,仍然把高炉看作为一个黑盒子。无论从理论或数值解析,还是现场实时操作经常面临诸多挑战,风口窥视孔作为唯一能够观测炉内冶炼进程的窗口被广泛关注和研究,研究的焦点在于如何通过观察风口进而判断炉内状况以及冶炼过程发展方向,为高炉安全、稳定、高产运行提供必要的手段。例如,可以通过风口状态判断炉缸沿圆周工作情况、炉缸沿半径方向的工作状况、炉缸温度、顺行状况、大小套漏水状况以及铅锌含量等。
[0003]目前,高炉炉况评判模型的建立主要分为两类:
[0004]1.基于专家经验理论模型:
[0005]马竹梧等高炉炉况判定GO
‑
STOP系统的分析与移植[J].冶金自动化,1992(1):3
‑
5.介绍最典型的炉况智能判别系统:GO
‑
STOP系统,20世纪70年代兴起于日本;杨尚宝等基于神经网络的高炉异常炉况判断专家系统[J].北京科技大学学报,1994(06):517
‑
521.和王玉涛等高炉参数学习用模糊神经网络专家系统[J].钢铁研究学报,1999(05):3
‑
5.开始将神经网络应用在 ...
【技术保护点】
【技术特征摘要】
1.基于风口信息深度学习的监督及预测高炉炉况异常的方法,其特征在于,包括如下步骤:S1.基于高炉风口回旋区监控数据,按特征频率提取风口图像,形成原始的风口图像数据集,预处理后存入数据库;其中预处理包括:采用自适应中值滤波与伽马变换相结合的方式对风口图像进行去噪处理,得到去噪风口图像样本;然后使用灰度二值化算法与灰度上移相结合的方式对去噪风口图像样本进行增强图片对比度处理,获得清晰的二值化图像,即图像质量提高后的风口图像样本;S2.基于无监督聚类方法对数据库中的风口图像数据集进行聚类和自动生成图像特征的类别标签,建立具有不同类别标签的风口图像样本数据库;S3.基于ResNet卷积神经网络,建立面向风口图像的深度神经网络预测模型TI
‑
ResNet(Tuyere Image ResNet),利用TI
‑
ResNet模型对S2中具有不同标签的风口图像样本数据库,进行特征学习,提取图像数据内样本特征,得到训练后深度学习监督及预测的TI
‑
ResNet模型,存储训练后优化后的网络参数和高维权重矩阵;S4.基于步骤S3得到的TI
‑
ResNet模型,以现场高炉生产的实时/离线高炉风口回旋区监控数据作为输入数据对生产中的高炉炉况情况进行监督和预测,监控数据需要经过S1的图像预处理后,再输入TI
‑
ResNet模型;另外将分类结果存入数据库中,形成更新的风口图像数据库,再按规定时间频率采用递增数据集形式经过S2
‑
S3自学习、重构和优化,TI
‑
ResNet模型基于数据库的更新状态,同时更新TI
‑
ResNet模型的权重和参数。2.根据权利要求1所述的基于风口信息深度学习的监督及预测高炉炉况异常的方法,其特征在于,所述步骤S1中的特征频率可根据生产实际情况,采用帧/秒、帧/分钟、帧/小时、帧/天为单位,基于高炉生产稳定或波动特性选取。3.根据权利要求1所述的基于风口信息深度学习的监督及预测高炉炉况异常的方法,其特征在于,所述步骤S1中预处理的方法包括:选择空域滤波对高炉风口图像进行大概率的脉冲噪声去除并平滑非脉冲噪声;再通过设定阈值,对影响小的像素灰度忽略,影响大的转化成黑色,并将图像整体灰度上移,进而增强图像质量。4.根据权利要求3所述的基于风口信息深度学习的监督及预测高炉炉况异常的方法,其特征在于,所述步骤S1中去噪处理采用空域滤波中的自适应中值滤波...
【专利技术属性】
技术研发人员:李强,王子佳,王帅,郭帅,李明明,邹宗树,
申请(专利权)人:东北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。