一种高炉铁水流流股状态在线智能感知方法及系统技术方案

本发明专利技术公开了一种高炉铁水流流股状态在线智能感知方法及系统，通过采集出铁过程的铁水流视频帧，构建基于深度卷积的ResNeXt网络获得铁水流流股异常状态识别模型，对铁水流流股异常状态进行检测，根据铁水流流股异常状态的识别结果，构建准异常时序数据集，提取铁水流视频帧的流股动态特征以及采用Conv_Lstm网络提取准异常时序数据集的高维特征，同时采用FNN网络提取流股动态特征的高维特征，并将两个网络提取的高维特征进行拼接融合，获得铁水流流股状态在线智能感知模型，实现对铁水流流股状态进行检测，解决了现有高炉出铁过程铁水流流股状态在线识别精度低的技术问题，实现了铁水流流股状态的在线智能感知与精准识别。铁水流流股状态的在线智能感知与精准识别。铁水流流股状态的在线智能感知与精准识别。

【技术实现步骤摘要】
一种高炉铁水流流股状态在线智能感知方法及系统


[0001]本专利技术主要涉及高炉冶炼
，特指一种高炉铁水流流股状态在线智能感知方法及系统。

技术介绍

[0002]高炉出铁过程作为高炉炼铁的“最后一环”，是高炉下部最重要的调控环节，出铁过程铁水流流股状态是出铁状态最直观、最重要的表征，因此，出铁过程铁水流流股状态在线智能感知对提高出铁操作数字化智能化水平至关重要。出铁过程炉缸压力波动、渣铁流动性及液位动态变化、铁口泥套与泥包破损、铁口异常冲蚀与阻塞，容易导致铁口“喷溅”、“卡焦”、“跑大流”等异常出铁状态。铁口喷溅时，炉内高压煤气从铁口逸出，降低炉腹压力，易导致塌料事故，加速铁口冲蚀，影响铁口使用安全与寿命。铁口卡焦时，渣铁排放不畅，显著降低出铁效率，进而导致炉缸液位异常升高，炉料下行困难，冶炼能耗急剧上升，不利于安全、高效生产。铁水跑大流时，渣铁瞬时流量过大，超过了主铁沟与撇渣器的最大安全流量，将加速铁沟与撇渣器冲蚀，铁水漫入渣沟进入渣罐，引发爆炸等严重事故。因此，实现出铁过程铁水流流股状态的在线智能感知，对于保证安全、高效、稳定的出铁，推动高炉整体的稳定顺行、节能降碳、提升铁水质量与生产效益具有至关重要的意义。
[0003]当前，出铁现场依赖工人轮班进行出铁过程铁水流流股状态的间歇性观测。由于出铁场的高温、多粉尘、强震动以及铁水的极强辐射，直接观测铁水流流股状态具有极高的危险性并且对视觉具有较大损伤。当前出铁现场铁水流流股状态信息无法持续在线智能感知、操作严重依赖工人主观经验，其调控措施存在粗放性、滞后性、盲目性，严重制约了高炉冶炼过程的安全稳定、节能降耗、提质增效。因此，实现出铁过程铁水流流股状态在线智能感知将极大降低出铁现场工人的劳动强度，同时颠覆现有出铁过程的高危险系数、低生产效率、操作决策滞后的生产模式，为出铁过程铁口维护、实时异常处置、开/堵铁口自动化与智能化奠定基础，推动出铁过程向“智能出铁”转型升级。
[0004]本专利技术的对象为高炉铁水流流股状态，出铁现场存在极高温、强辐射、动态粉尘等恶劣环境干扰，且铁水流具有高速、逆强光等特性，这极大地增加了铁水流流股状态识别难度。现有技术一方面主要通过人工直接观测铁水流或的方式来实现铁水流股状态识别。人工直接观测对视觉具有较大损伤，无法长时间持续观测，且人工无法观测到铁水流的细节纹理及形态特征，观测精度及时效性较低。另一方面，通过视频信息检测出铁过程铁水流面积等低阶特征，实现铁口状态的监控。但是该方法仅能实现出铁口的状态监控，无法实现流股状态(尤其是异常流股状态)的实时监测。
[0005]公开号为CN113122669B的专利技术专利公开了一种高炉出铁口状态监控方法及系统，采用高炉出铁过程铁口图像，对图像依次采取截取、形态学开运算、高斯模糊、颜色聚类、灰度转化、阈值分割等形态学操作，获取了高炉铁口铁水流图像。通过对特征图像中对应铁水面积与时间参数的计算获取了铁口大小、深度等信息的监控。由于实际现场的强光及粉尘干扰，其铁水区域分割精度有待验证，并且仅有铁水区域面积信息无法实现出铁过程铁水
流流股状态的在线智能感知。

技术实现思路

[0006]本专利技术提供的一种高炉铁水流流股状态在线智能感知方法及系统，解决了现有高炉出铁过程铁水流流股状态在线识别精度低的技术问题。
[0007]为解决上述技术问题，本专利技术提出的一种高炉铁水流流股状态在线智能感知方法包括：
[0008]采集出铁过程的铁水流视频帧，并构建不同流股状态类别的铁水流流股状态数据集。
[0009]构建基于深度卷积的ResNeXt网络获得铁水流流股异常状态识别模型，并根据铁水流流股异常状态识别模型，对铁水流流股异常状态进行检测。
[0010]根据铁水流流股异常状态的识别结果，构建准异常时序数据集。
[0011]提取铁水流视频帧的流股动态特征。
[0012]采用Conv_Lstm网络提取准异常时序数据集的高维特征，同时采用FNN网络提取流股动态特征的高维特征，并将两个网络提取的高维特征进行拼接融合，获得铁水流流股状态在线智能感知模型，并根据铁水流流股状态在线智能感知模型对铁水流流股状态进行检测。
[0013]进一步地，采集出铁过程的铁水流视频帧包括：
[0014]对出铁口出铁状态进行识别，具体识别公式为：
[0015][0016]其中，T为铁口出铁状态，1表示正在出铁，0表示未出铁，I表示铁水流视频帧，max(I)表示铁水流视频帧中像素最大值，OTSU(I)表示OTSU算法的图像阈值，sum(I＞OTSU(I))表示图像中超过阈值的像素数，ω,ξ,τ分别表示自定义的出铁状态检测第一阈值参数、第二阈值参数以及第三阈值参数。
[0017]根据出铁口出铁状态的识别结果，采集出铁过程的铁水流视频帧。
[0018]进一步地，采集出铁过程的铁水流视频帧之后还包括：
[0019]对铁水流视频帧进行角度变换和等尺度缩放。
[0020]进一步地，铁水流流股异常状态识别模型的偏态损失函数具体为：
[0021][0022]其中L表示训练过程中样本的损失函数，p
A
和p
N
分别为铁水流流股异常状态识别模型预测为异常流股状态和正常流股状态的概率，n
A
为铁水流异常状态样本数，n
N
为铁水流流股状态正常样本数，θ分别为损失函数第一调制系数和第二调制系数，y为当前铁水流视
频帧的标签值，且当y＝1表示铁水流流股异常状态，y＝0表示铁水流流股正常状态。
[0023]进一步地，根据铁水流流股异常状态的识别结果，构建准异常时序数据集包括：
[0024]根据铁水流流股异常状态的识别结果获得准异常样本，准异常样本包括识别为异常样本的真实异常样本和被错误识别为异常样本的正常样本。
[0025]根据准异常样本中样本对应的时间序列，获得准异常时序数据集，其中单个样本对应的时间序列具体为当前视频帧包含时间倒序的预设个图像帧。
[0026]进一步地，提取铁水流视频帧的流股动态特征包括：
[0027]提取铁水流视频帧的流股轨迹。
[0028]获取流股轨迹的流股边界波动率和/或凸起特征，作为铁水流视频帧的流股动态特征。
[0029]进一步地，获取流股轨迹的流股边界波动率的具体公式为：
[0030][0031]其中，V表示流股边界波动率，λ表示流股纵横比系数，d
t
表示铁口处钢质炮嘴的实际尺寸，l
s
表示当前视频帧一个像素点对应被拍摄物体的实际尺寸，L
t
(i)表示在与铁水流视频帧对应的铁水流图像的横坐标i处，铁水流流股上边界对应纵坐标，y
t
(i)表示在铁水流图像的横坐标i处，铁水流上边界抛物线方程的对应值，L
b
(i)表示在铁水流图像的横坐标i处，铁水流流股下边界对应纵坐标，y
b
(i)表示在铁水流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高炉铁水流流股状态在线智能感知方法，其特征在于，所述方法包括：采集出铁过程的铁水流视频帧，并构建不同流股状态类别的铁水流流股状态数据集；构建基于深度卷积的ResNeXt网络获得铁水流流股异常状态识别模型，并根据铁水流流股异常状态识别模型，对铁水流流股异常状态进行检测；根据铁水流流股异常状态的识别结果，构建准异常时序数据集；提取铁水流视频帧的流股动态特征；采用Conv_Lstm网络提取准异常时序数据集的高维特征，同时采用FNN网络提取流股动态特征的高维特征，并将两个网络提取的高维特征进行拼接融合，获得铁水流流股状态在线智能感知模型，并根据铁水流流股状态在线智能感知模型对铁水流流股状态进行检测。2.根据权利要求1所述的高炉铁水流流股状态在线智能感知方法，其特征在于，采集出铁过程的铁水流视频帧包括：对出铁口出铁状态进行识别，具体识别公式为：其中，T为铁口出铁状态，1表示正在出铁，0表示未出铁，I表示铁水流视频帧，max(I)表示铁水流视频帧中像素最大值，OTSU(I)表示OTSU算法的图像阈值，sum(I＞OTSU(I))表示图像中超过阈值的像素数，ω,ξ,τ分别表示自定义的出铁状态检测第一阈值参数、第二阈值参数以及第三阈值参数；根据出铁口出铁状态的识别结果，采集出铁过程的铁水流视频帧。3.根据权利要求2所述的高炉铁水流流股状态在线智能感知方法，其特征在于，采集出铁过程的铁水流视频帧之后还包括：对铁水流视频帧进行角度变换和等尺度缩放。4.根据权利要求1
‑
3任一所述的高炉铁水流流股状态在线智能感知方法，其特征在于，所述铁水流流股异常状态识别模型的偏态损失函数具体为：其中L表示训练过程中样本的损失函数，p
A
和p
N
分别为铁水流流股异常状态识别模型预测为异常流股状态和正常流股状态的概率，n
A
为铁水流异常状态样本数，n
N
为铁水流流股状态正常样本数，l,θ分别为损失函数第一调制系数和第二调制系数，y为当前铁水流视频帧的标签值，且当y＝1表示铁水流流股异常状态，y＝0表示铁水流流股正常状态。5.根据权利要求4所述的高炉铁水流流股状态在线智能感知方法，其特征在于，根据铁水流流股异常状态的识别结果，构建准异常时序数据集包括：根据铁水流流股异常状态的识别结果获得准异常样本，所述准异常样本包括识别为异常样本的真实异常样本和被错误识别为异常样本的正常样本；
根据准异常样本中样本对应的时间序列，获得准异常时序数据集，其中单个样本对应的时间序列具体为当前视频帧包含时间倒序的预设个图像帧。6.根据权利要求5所述的高炉铁水流流股状态在线智能感知方法，其特征在于，提取铁水流视频帧的流股动态特征包括：提取铁水流视频帧的流股轨迹；获取流股轨迹的流股边界波动率和/或凸起特征，作为铁...

【专利技术属性】
技术研发人员：蒋朝辉，许川，潘冬，余浩洋，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：