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

本发明专利技术公开了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，包括：提取高炉风口图像，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预处理，采用灰度二值化算法与灰度上移相结合的方式增强图片对比度，然后对样本图像进行无监督分类且自动生成标签，构建风口图像数据库；建立TI

【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专家系统中；周驰化等模糊专家系统在高炉炉温预测中的研究与应用[D].西南石油大学,2007.中将参数模糊化、建立模糊知识库、训练模糊规则，缩减了需设定的规则数量，构建了一套可以用于高炉炉温预测的模糊专家系统；彭霞丹等涟钢七号高炉Web炉况诊断专家系统的研究[D].湘潭大学，2011.细分高炉炉况，提取关键参数，构建推理树的方法，完成高炉的故障诊断。但人工经验操作存在盲目、粗糙、过度主观的缺点，会导致误判；基于专家系统进行炉况异常监测，通常需要针对具体高炉、具体问题建立相应的专家知识库。不同于本专利技术基于风口监测视频，自动化对视频生成的图像数据进行自动化标签，进而通过深度学习卷积神经网络的训练获得智能模型，从而完成高炉炉况预测预报的
技术实现思路
。
[0006]2.基于数据模型：
[0007]近十几年中，众多专家学者应用支持向量机(SVM)的分类方法、贝叶斯网络方法、深度学习等等对高炉异常炉况进行分类分析。
[0008]一部分研究基于高炉各过程参数数据对炉况的影响分析：
[0009]Wang A,Zhang L,Gao N,et al.[IEEE 2006 6th World Congress on Intelligent Control and Automation
‑
Dalian,China]2006 6th World Congress on Intelligent Control and Automation
‑
Fault Diagnosis of Blast Furnace Based on SVMs[J].2006:5615
‑
5618.中Anna Wang等人提出利用SVM进行炉况异常诊断；Liu L M,Wang AN,Sha M,et al.Multi
‑
Class Classification Methods of Cost
‑
Conscious LS
‑
SVM for Fault Diagnosis of Blast Furnace[J].钢铁研究学报(英文版),2011(10):17,33
‑
23,33.提出基于CLS
‑
SVM(成本意识最小二乘支持向量机)的方法；任盛怡等基于数据挖掘的高炉异常炉况分析[D].重庆大学,2009.提出对高炉的参数进行聚类分析，利用扩展卡尔曼滤波的BP(Back Propagation)神经网络对十字测温环的8个温度点进行预测；吴英伟等基于数据的高炉炉况分析[D].2018.介绍了数据相关性分析，利用基于密度聚类算法，以SVR(支持向量回归)作为模型，对高炉炉况进行分析；刘颂等融合大数据技术和工艺经验的高炉参数优化[J].钢铁,2019,v.54(11):22
‑
32.对高炉参数与铁水产量和高炉消耗等指标进行数据分析。这些研究主要基于生产操作数据、指标数据通过聚类或传统神经网络方法对输入和输出参数建立关联映射，不同于本专利技术通过图像的自动标签化及深度卷积网络对图像特征提取训练成模型的算法思路和模型。
[0010]另一部分研究基于高炉风口图像对炉况影响分析：
[0011]秦亭亭等高炉风口喷煤流量预测方法研究[J].工业计量,2015,25(02):36
‑
39+66.以及王玉涛等一种基于图像处理的高炉风口喷煤状态预测方法[P].辽宁省：CN110544261A,2019
‑
12
‑
06.中根据煤团区域的面积信息来判断高炉支管喷煤是否发生堵塞异常状态。在获取煤团区域中，采用自适应Butterworth滤波器去除条纹噪声；采用中值滤波器去除高斯噪声和光斑；根据累积直方图中灰度值频数，对图像进行灰度拉伸，采用全局阈值与局部阈值相结合的二值化算法；采用最小二乘椭圆拟合方式对二值图像中的风口区域进行拟合，通过改进的多尺度全卷积神经网络分割清晰图像中的煤枪区域、将二值化图像中的煤枪和煤团的整体连通域与全卷积神经网络预测的煤枪区域做差得到煤团区域，建立喷煤图像特征与喷煤流量之间的对应关系。崔桂梅等高炉风口辐射图像滤波与分割[J].中国测试,2018,44(04):96
‑
101.中为实时准确得到高炉风口回旋区温度，构建基于归一化空间距离加权的距离方向滤波器，解决滤波窗口尺寸及不同像素点对滤波效果的影响；改进二维Otsu算法，并提出阈值判别函数。宋腾飞等一种高炉风口的监控方法及监控装置[P].安徽省：CN111027519A,2020
‑
04
‑
17.监控装置包括：处理器，所述处理器与存储器耦合，所述存储器用于存储操作指令；所述处理器用于通过调用所述操作指令等。目的在于通过此监控装置观察高炉风口是否存在喷嘴落大块、喷嘴断煤、喷嘴烧穿、风口休风、风口小套漏水、风口小套挂渣中至少一项。该监控方法包括：监控装置从高炉风口的实时视频流中获取实时图像；监控装置根据喷嘴掩码图像确定实时图像中的目标区域，其中喷嘴掩码图像为高炉风口处于正常工作状态下的二值图像，并且二值图像中包括前景区域，前景区域包括喷嘴所在区域和被喷嘴照亮的区域，目标区域为实时图像中像素点位置与喷嘴掩码图像中前景区域重合的区域；监控装置根据目标区域监控高炉风口的当前工作状态。这些研究通过对风口区域的图像进行了采集，主要研究了图像增强或去噪算法，并本文档来自技高网...

【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：