一种基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
一种基于ResNet的高炉炉内状态诊断方法及系统


[0001]本专利技术属于冶炼设备检测
，涉及一种基于
ResNet
的高炉炉内状态诊断方法及系统
。

技术介绍

[0002]高炉冶炼是钢铁冶炼流程的关键环节，其生产成本占钢铁产品成本的
60
％以上，能源消耗约占国民经济能耗的7％，同时高炉的产量基本决定了钢铁企业的产能
。
面对低增长
、
低效益等高炉炼铁的普遍问题，唯有从根本上升级转型才能继续发展
。
随着人工智能技术的发展，其在工业领域的应用也在不断革新
。
将人工智能技术与高炉生产相结合，提高高炉生产长期安全性
、
稳定性
、
高效运行，是必然的趋势
。
[0003]高炉具有高温高压
、
多粉尘等恶劣工况特点
。
在传统高炉冶炼中，高炉内部生产看不见
、
摸不着，内部信息极度缺乏
。
目前高炉监测设备已有较成熟应用
。
其中，高炉炉顶成像是监控高炉上部料面环境的必要监测技术，具体包括视频监测技术
、
红外成像技术
、
雷达监测技术等
。
上述技术能够准确
、
直观
、
快速地重建布料过程的图像信息，一定程度上缓解了高炉冶炼过程可视化的难题，为高炉操作提供了决策依据
。
但是，目前对高炉监测设备所获得的数据的利用明显不足，对高炉炉内状态的判断主要依靠人工来完成
。
其不仅耗费人力和时间，还容易判断出错
。
如何将监控数据进行收集和整理，再结合前沿视觉感知等人工智能技术实现高炉炉内状态诊断是一个难题
。
[0004]高炉炉顶成像系统是监控检测高炉上部料面环境的主要设备
。
根据成像技术的不同，主要包括视频监测技术
、
红外成像技术
、
雷达成像技术等
。
其中，视频监测技术是采用摄像仪对炉顶的布料情况进行监测；红外成像技术是采用热像仪对表面的红外图像进行处理；雷达成像技术是采用雷达或者分布式雷达对高炉布料情况进行监测
。
上述技术能够准确
、
直观
、
快速地重建布料过程的图像信息，为高炉炉内状态分析提供了重要的数据来源
。
[0005]在高炉炉内状态判断方面，目前最常用的是人工直接观察法
。
高炉操作人员通过观察炉顶成像信息，结合出铁
、
出渣
、
风口等信息进行经验判断
。
但由于高炉炉内状态复杂，拍摄的图像噪声较多，采用人工观察法高度依赖于操作工的经验，容易判断出错
。
此外，部分研究提出了基于仪器仪表监测的间接观察法
。
但该类方法需要精确的数学模型，模型复杂度高且规则的归纳及获取是难题
。
[0006]图像分类可分为传统图像分类算法和深度学习算法，传统图像分类算法一般步骤为特征提取
、
特征编码
、
特征约束和分类器分类
。
随着人工智能技术的不断发展，深度学习算法在图像分类任务上广泛使用
。
卷积神经网络
(CNN)
作为图像处理任务上最常见的算法，近年来发展迅速
。
它采用一种局部连接
、
权值共享的方式构建神经网络，图像数据输入到神经网络训练，反向传递调整参数，然后通过训练好的网络提取图像的特征
。
基于
CNN
的图像分类神经网络有
LeNet
‑
5、AlexNet、VGG、GoogleNet、ResNet
等等，这些网络从卷积网络的深度和广度不断改进，提升了分类效果
。

技术实现思路

[0007]针对上述技术问题，本专利技术的一个目的是提供一种基于
ResNet
的高炉炉内状态诊断方法，能够利用高炉监测设备获得的高炉炉顶图像，快速
、
精确地对炉内状态进行自动化识别，为高炉生产的全面监视
、
诊断及操作优化提供实时指导
。
[0008]本专利技术的另一个目的是提供一种实现基于
ResNet
的高炉炉内状态诊断方法的系统，可实现数据收集
、
数据训练
、
诊断结果展示等功能
。
高炉技术人员不需掌握复杂的技术处理细节，即可方便地进行操作和结果查看
。
[0009]为了实现上述目的，本专利技术提供了如下技术方案：
[0010]一种基于
ResNet
的高炉炉内状态诊断方法，包括如下步骤：
[0011]S1、
构建高炉炉内状态诊断模型，所述高炉炉内状态诊断模型包括高炉炉内状态分类模型
、
溜槽状态分类模型和煤气流状态分类模型；所述高炉炉内状态分类模型
、
溜槽状态分类模型和煤气流状态分类模型均为基于
ResNet
神经网络框架的图像分类模型；
[0012]S1.1、
构建高炉炉内状态分类模型；
[0013]分别采集一定数量的正常波动状态高炉炉顶成像数据和一定数量的异常波动状态高炉炉顶成像数据，进行数据增强操作后建立高炉炉顶成像数据集；根据不同的波动状态，分别将高炉炉顶成像数据集中的图像标注为正常波动状态或异常波动状态，将标注后的数据集随机划分为训练集和测试集，分别用于训练和测试高炉炉内状态分类模型；
[0014]S1.2、
构建溜槽状态分类模型；
[0015]根据不同的溜槽情况，分别将步骤
S1.1
中高炉炉顶成像数据集中标注为正常波动状态的图像标注为无溜槽
、
溜槽小或溜槽大；其中，图像中溜槽像素占图像像素比例为0的图像标注为无溜槽，图像中溜槽像素占图像像素比例大于0且小于等于
25
％的图像标注为溜槽小，图像中溜槽像素占图像像素比例大于
25
％的图像标注为溜槽大；然后，将标注后的数据集随机划分为训练集和测试集两部分，分别用于训练和测试溜槽状态分类模型；
[0016]S1.3、
构建煤气流状态分类模型；
[0017]根据不同的煤气流类型，分别将步骤
S1.2
中高炉炉顶成像数据集中标注为无溜槽和溜槽小的图像标注为中心气流
、
边缘气流或两道气流；其中，中心出现发亮气流的图像标注为中心气流，边缘出现发亮气流的图像标注为边缘气流，中心及边缘都出现发亮气流的图像标注为两道气流；然后，将标注后的数据集随机划分为训练集和测试集两部分，分别用于训练和测试本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
ResNet
的高炉炉内状态诊断方法，其特征在于，所述方法包括如下步骤：
S1、
构建高炉炉内状态诊断模型，所述高炉炉内状态诊断模型包括高炉炉内状态分类模型
、
溜槽状态分类模型和煤气流状态分类模型；所述高炉炉内状态分类模型
、
溜槽状态分类模型和煤气流状态分类模型均为基于
ResNet
神经网络框架的图像分类模型；
S1.1、
构建高炉炉内状态分类模型；分别采集一定数量的正常波动状态高炉炉顶成像数据和一定数量的异常波动状态高炉炉顶成像数据，进行数据增强操作后建立高炉炉顶成像数据集；根据不同的波动状态，分别将高炉炉顶成像数据集中的图像标注为正常波动状态或异常波动状态，将标注后的数据集随机划分为训练集和测试集，分别用于训练和测试高炉炉内状态分类模型；
S1.2、
构建溜槽状态分类模型；根据不同的溜槽情况，分别将步骤
S1.1
中高炉炉顶成像数据集中标注为正常波动状态的图像标注为无溜槽
、
溜槽小或溜槽大；其中，图像中溜槽像素占图像像素比例为0的图像标注为无溜槽，图像中溜槽像素占图像像素比例大于0且小于等于
25
％的图像标注为溜槽小，图像中溜槽像素占图像像素比例大于
25
％的图像标注为溜槽大；然后，将标注后的数据集随机划分为训练集和测试集两部分，分别用于训练和测试溜槽状态分类模型；
S1.3、
构建煤气流状态分类模型；根据不同的煤气流类型，分别将步骤
S1.2
中高炉炉顶成像数据集中标注为无溜槽和溜槽小的图像标注为中心气流
、
边缘气流或两道气流；其中，中心出现发亮气流的图像标注为中心气流，边缘出现发亮气流的图像标注为边缘气流，中心及边缘都出现发亮气流的图像标注为两道气流；然后，将标注后的数据集随机划分为训练集和测试集两部分，分别用于训练和测试煤气流状态分类模型；
S2、
将待检测的炉顶成像图像输入高炉炉内状态分类模型，获得该图像属于正常波动状态的概率和异常波动状态的概率，并输出概率最大的类别作为分类结果；若输出结果为异常波动状态，则结束流程；若输结果出为正常波动状态，则继续进行下一步溜槽分类识别；
S3、
继续将待检测的炉顶成像图像输入溜槽状态分类模型，获得该图像属于无溜槽的概率
、
溜槽小的概率和溜槽大的概率，并输出概率最大的类别作为分类结果；若输出结果为溜槽大，则结束流程；若输出结果为无溜槽或溜槽小，则继续进行下一步煤气流分类识别；
S4、
继续将待检测的炉顶成像图像输入煤气流状态分类模型，获得该图像属于中心气流的概率
、
边缘气流的概率和两道气流的概率，并输出概率最大的类别作为最后分类结果
。2.
根据权利要求1所述的基于
ResNet
的高炉炉内状态诊断方法，其特征在于，所述
ResNet
神经网络引入残差块结构，残差块的残差分支由两层卷积
、
正则化操作和
ReLu
激活函数操作搭建，用于对输入数据
x
进行非线性映射，得到残差表示
F(x)
；恒等映射连接将
x
输入直接映射到输出；最终残差块的输出为两个...

【专利技术属性】
技术研发人员：李雷，许浩，
申请(专利权)人：苏州视智冶科技有限公司，
类型：发明
国别省市：