CN110928186B - 一种基于机器视觉的中间包自动加覆盖剂控制方法 - Google Patents
一种基于机器视觉的中间包自动加覆盖剂控制方法 Download PDFInfo
- Publication number
- CN110928186B CN110928186B CN201911173230.7A CN201911173230A CN110928186B CN 110928186 B CN110928186 B CN 110928186B CN 201911173230 A CN201911173230 A CN 201911173230A CN 110928186 B CN110928186 B CN 110928186B
- Authority
- CN
- China
- Prior art keywords
- covering agent
- tundish
- image
- self
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 25
- 229910000831 Steel Inorganic materials 0.000 claims description 17
- 239000010959 steel Substances 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 238000009749 continuous casting Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 39
- 230000006870 function Effects 0.000 description 23
- 238000007792 addition Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于机器视觉的中间包自动加覆盖剂控制方法，本发明可充分挖掘现场图像信息数据及其他影响因子，并可以在使用过程中逐步积累加料口图像数据库，并且由于考虑到的影响因素较多，增加自我学习修正功能，模型鲁棒性更强，温度命中率达95％，减少覆盖剂浪费30％，能够有效的添加覆盖剂，提高企业生产效益。
Description
技术领域
本发明涉及钢铁行业连铸平台中间包加覆盖剂领域，尤其涉及一种基于机器视觉的中间包自动加覆盖剂控制方法。
背景技术
精炼后成分和温度都合格的洁净钢液，在从钢包到中间包再注入结晶器的传递过程中，会与空气相接触，导致钢液二次氧化，从而严重影响连铸钢水的质量，因此要在中间包中加入覆盖剂，达到保温防止二次氧化的作用。目前连铸机平台上中间包加覆盖剂的方式大都是人工方式，由人时刻观察洞口状态，由人工经验决定加覆盖剂与否。人工添加覆盖剂受操作者因素的影响较大，很难保证添加的稳定性，并且工人劳动强度大，工作环境恶劣。
如今，随着自动化水平的提高，越来越多的钢企已经开始进行智能化改造。中间包自动加覆盖剂的核心技术就是加料口图像特征提取与特征检测，将机器视觉结合自动控制***能显著提高现场工作效率与稳定性。在人工智能高速发展的当代，将人工智能、机器视觉应用于钢铁行业生产也是一个必然的趋势，并且钢企也迫切需要一种自动化程度高的中间包自动加覆盖剂的***来保证高效、高精度的加覆盖剂过程，其核心就在于加料口图像特征提取与其他影响因子相结合判定需加覆盖剂量的多少。
发明内容
本发明的目的是针对于现有技术存在的问题，提供一种将加料口图像特征信息与其他影响因子相结合来实现覆盖剂控制的方法。该方法为将深度卷积神经网络加入该***，对加料口图像进行特征提取得到图像特征信息，与其他影响因子综合计算来判别是否需要加覆盖剂。
具体技术方案为，一种基于机器视觉的中间包自动加覆盖剂控制方法，包括如下步骤：
步骤1，将采集得到的连铸平台上中间包加料口图像进行预处理，用以构建深度卷积神经网络模型的训练集和测试集，并通过人工标注得到加料口开口等级；
步骤2，建立深度卷积神经网络模型，网络结构为卷积层N1个，池化层N2个，全连接层N3个，输出层单元数为N4个，输出层单元数也等于加料口开口等级Pk；
其中各卷积层之后连接有Relu激活函数，输出层使用Softmax函数，使用交叉熵函数作为损失函数；
步骤3，利用训练集对深度卷积神经网络模型进行训练优化，训练过程中使用L2正则化与Dropout算法来减少网络模型过拟合，利用Adam算法对模型权重进行调整，得到优化后深度卷积神经网络模型；
步骤4，将测试集输出到优化后的深度卷积神经网络模型中，输出中间包加料口开口等级，同时增加自学习系数ωt，将加料口开口等级、自学习系数ωt与其他影响覆盖剂燃烧的因素进行变比例加权，获得该中间包加料口需要加覆盖剂的量，将信号发至PLC中，由PLC控制加料器对覆盖剂进行定量添加，所述自学习系数ωt通过采集现场物理参数及反馈值进行修正计算所得。
进一步的，步骤4中其他影响覆盖剂燃烧的因素包括但不限于钢液含碳量C、时间差值T、温度值R，其中钢液含碳量C是指由打包流入中间包内的钢液的含碳量，时间T表示从上次加入覆盖剂至此次加入覆盖剂的时间，温度R表示加入覆盖剂前的温度值，通过温度传感器获得。
进一步的，步骤4中获得该中间包加料口需要加覆盖剂的量的具体实现方式如下，
设深度卷积神经网络模型的输出数据为Pk，Pd＝Pk*10，与现场其他影响因素值综合变比例加权，求得覆盖剂加入量Q，Q的单位为kg，具体如下：
其中，Pd为神经网络模型输出数据以分数制计的数据，γ，
σ，μ为变比例权重，ωt为自学习系数；C，T，R分别为对应钢种对应分值、时间差值、温度值统一度量衡之后的数值，即将其标准化至0～100之间的数值。
进一步的，步骤4中自学习系数ωt通过以下公式获得，
其中，ωt表示第t次加入覆盖剂的自学习系数，ωt-1表示第t-1次加入覆盖剂的自学习系数，自学习系数的初始值为1，Tt-1为第t-1次加入覆盖剂之后温度，Ttar为目标温度。
进一步的，步骤1中所述预处理的具体实现方式如下，首先对采集到的图像进行灰度处理，按下式对RGB三分量进行加权平均能得到灰度图像：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
式中：R—图像红色通道，G—图像绿色通道，B—图像蓝色通道，M<i,j<N，其中M，N为图像横向和纵向分辨率大小；
然后对灰度处理后的图像进行阈值处理，
设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色或黑色，小于T的像素群的像素值设定为黑色或白色，从而得到中间包加料口处二值化灰度图像image。
本发明的有益效果：本发明可充分挖掘现场图像信息数据及其他影响因子，并可以在使用过程中逐步积累加料口图像数据库，并且由于考虑到的影响因素较多，增加自我学习修正功能，模型鲁棒性更强，温度命中率达95％，减少覆盖剂浪费30％，能够有效的添加覆盖剂，提高企业生产效益。
附图说明
图1是机器视觉设备布置图；
图2是本发明工艺流程图；
图3是各个激活函数对比图；
图4是激活函数应用图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图2所示，本发明提供的一种基于机器视觉的中间包自动加覆盖剂控制方法，包括如下步骤：
步骤1：如图1所示，在连铸平台上中间包加料口正上方安装工业相机，对中间包料口每隔1s进行图像采集，将采集得到的图像进行预处理，用以构建深度卷积神经网络的训练集和测试集，并经过人工标注得到加料口开口等级；
步骤1中所述预处理的具体实现方式如下，首先对采集到的图像进行灰度处理，按下式对RGB三分量进行加权平均能得到灰度图像：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
式中：R—图像红色通道，G—图像绿色通道，B—图像蓝色通道，M<i,j<N，其中M，N为图像横向和纵向分辨率大小；
然后对灰度处理后的图像进行阈值处理，
设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色或黑色，小于T的像素群的像素值设定为黑色或白色，从而得到中间包加料口处二值化灰度图像image。
上述步骤1中所述构建深度卷积神经网络的训练集和测试集如下：
该神经网络模型的输入层为经过预处理后的中间包料口的采集图像image，而输出层为加料口开口等级Pk，(0<k<K)。最终网络输出为分数制，即开口等级为1时记为10，为2时记为20……，最后将获得数据集按2:8的比例分成测试集和训练集；
步骤2：建立深度卷积神经网络模型，各卷积层之后连接有Relu激活函数，输出层使用softmax函数，模型使用交叉熵函数作为损失函数；
确定网络结构为卷积层N＝13个，池化层N2＝3个，采用Max pooling模式，全连接层N3＝2个，输出层单元数为N4＝10个，即Pk，(0≤k<K)，经过softmax回归之后，即将料口开口等级分为10个等级；
在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，继续往下传递，如此循环下去；
进一步地，如图3所示为各个激活函数对比图，步骤2中采用Relu激活函数，其具体形式如下：
式中，yi为各层神经元数据，wi为神经元之间的权重，bi为与权重相配合的偏置；其中图4是激活函数应用图。
进一步地，上述步骤2中交叉熵作为损失函数具体如下：
交叉熵刻画了两个概率分布之间的距离，给定两个概率分布p和q，通过q来表示p的交叉熵为：
H(p,q)＝-∑p(x)logq(x)
式中，p代表正确答案，q代表的是预测值，交叉熵值越小，两个概率分布越接近；
在进行交叉熵之前，需对神经网络的输出值进行softmax回归，即将网络输出值由实数变为概率分布，形式如下：
原神经网络输出为P1，…，Pk,(0<k<K)，经过softmax回归处理之后的输出为：
经过softmax回归之后的预测值为[y0，y1，…，yk]。
步骤3：利用训练集对深度卷积神经网络模型进行训练优化，使用L2正则化与Dropout算法来减少模型过拟合，利用Adam算法对模型权重进行训练调整，得到优化后深度卷积神经网络模型；
步骤3中所述利用训练集对深度卷积神经网络模型进行训练优化为：
利用训练集最小化模型交叉熵损失函数来对模型参数w，b进行训练，其中w表示各层之间的权重，b表示各层之间的可训练偏置；
交叉熵损失函数计算形式如下：
训练集中输出层为开口等级Pk，(0<k<K)，K为10，估一共10个类别。
开口等级为0分时，即为0级时表示为[1,0,...,0,0]；
开口等级为10分时，即为1级时表示为[0,1,...,0,0]；
...
开口等级为100分时，即为10级时表示为[0,0,...,0,1]；
经过交叉熵损失函数计算过程为：
H0((1,0,…,0,0),(y0，y1，…，yK))＝-(1×logy0+0×logy1+…+0×logyK)
H1((0,1,…,0,0),(y0，y1，…，yK))＝-(0×logy0+1×logy1+…+0×logyK)
...
HK((0,0,…,0,1),(y0，y1，…，yK))＝-(0×logy0+0×logy1+…+1×logyK)
训练时，假设输入层图像对应标签开口等级为1级时，即[1，0，…，0],模型预测值为[y0，y1，…，yK]，则损失函数形式为：
H1((0,0,…,0,1),(y0，y1，…，yK))＝-(0×logy0+1×logy1+…+0×logyK)
此时神经网络模型通过Adam算法最小化交叉熵函数损失来训练模型权重参数；
进一步地，上述步骤3中Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，形式如下：
Vdw＝β1Vdw+(1-β1)dw
Vdb＝β1Vdb+(1-β1)db
Sdw＝β2Sdw+(1-β2)dw2，Sdb＝β2Sdb+(1-β2)db2
式中，
w—权重，dw—权重梯度；
b—偏置，db—偏置梯度；
Vdw—权重梯度的指数移动平均数，训练时初始化为0；
Vdb—偏置梯度的指数移动平均数，训练时初始化为0；
Sdw—权重梯度平方的指数移动平均数，训练时初始化为0；
Sdb—偏置梯度平方的指数移动平均数，训练时初始化为0；
α—学习率也称为步长因子，它控制了权重的更新比率；需要调试；
β1—一阶矩估计的指数衰率，dw的移动平均数，常用的缺省值为0.9；
β2—二阶矩估计的指数衰率，计算dw2以及db2的移动加权平均值，常用的缺省值为0.999；
∈—该参数是非常小的数，其为了防止在实现中除以零(如10E-8)；
进一步地，所述L2正则化与Dropout算法形式如下：
L2正则化指在权重参数w添加L2范数惩罚项
与上述Adam算法相结合，参数优化公式为：
其中，α为学习率，相对于上述Adam算法中正常的梯度优化公式，对权重参数w乘以一个小于1的因子∈，从而使得w不断减小；
采用Dropout算法的深度神经网络的训练过程中形式如下：
式中，Bernoulli函数是为了生成概率r向量，也就是随机生成一个0、1的向量，p为随机概率值；代码层面实现在向前传播时，对于某层网络单元，按照一定的概率让其乘以0，将其暂时从网络中丢弃，令一个神经元的出现不依赖其他的神经元；
为第l+1层第i个神经元数据，
为为第l+1层第i个神经元之间的权重，
为为第l+1层第i个与权重相配合的偏置；
作为优选，上
步骤4，将测试集输出到优化后的深度卷积神经网络模型中，输出中间包加料口开口等级，同时增加自学习系数ωt，将加料口开口等级、自学习系数ωt与其他影响覆盖剂燃烧的因素进行变比例加权，获得该中间包加料口需要加覆盖剂的量，将信号发至PLC中，由PLC控制加料器对覆盖剂进行定量添加，所述自学习系数ωt通过采集现场物理参数及反馈值进行修正计算所得。
进一步地，步骤4中获得该中间包加料口需要加覆盖剂的量的具体实现方式如下，
设深度卷积神经网络模型的输出数据为Pk，Pd＝Pk*10，与现场其他影响因素值综合变比例加权，求得覆盖剂加入量Q(kg)，具体如下：
其中，Pd为神经网络模型输出数据以分数制计的数据，γ，
σ，μ为变比例权重，ωt为自学习系数，γ，
σ，μ根据现场工作经验设置为0.4，0.2，0.1，0.3；C，T，R分别为钢液含碳量、时间差值、温度值统一度量衡之后的数值，即将其标准化至0～100之间的数值。
进一步地，步骤4中自学习系数ωt通过以下公式获得，
其中，ωt表示第t次加入覆盖剂的自学习系数，ωt-1表示第t-1次加入覆盖剂的自学习系数，自学习系数的初始值为1，Tt-1为第t-1次加入覆盖剂之后温度，Ttar为目标温度。加覆盖剂的主要作用就是保温，使钢水温度稳定于设定值，因此使用温度作为衡量因素，使自学习系数进行自我适应。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种基于机器视觉的中间包自动加覆盖剂控制方法，其特征在于，包括如下步骤：
步骤1，将采集得到的连铸平台上中间包加料口图像进行预处理，用以构建深度卷积神经网络模型的训练集和测试集，并通过人工标注得到加料口开口等级；
步骤2，建立深度卷积神经网络模型，网络结构为卷积层N1个，池化层N2个，全连接层N3个，输出层单元数为N4个，输出层单元数也等于加料口开口等级Pk；
其中各卷积层之后连接有Relu激活函数，输出层使用Softmax函数，使用交叉熵函数作为损失函数；
步骤3，利用训练集对深度卷积神经网络模型进行训练优化，训练过程中使用L2正则化与Dropout算法来减少网络模型过拟合，利用Adam算法对模型权重进行调整，得到优化后深度卷积神经网络模型；
步骤4，将测试集输入到优化后的深度卷积神经网络模型中，输出中间包加料口开口等级，同时增加自学习系数ωt，将加料口开口等级、自学习系数ωt与其他影响覆盖剂燃烧的因素进行变比例加权，获得该中间包加料口需要加覆盖剂的量，将信号发至PLC中，由PLC控制加料器对覆盖剂进行定量添加，所述自学习系数ωt通过采集现场物理参数及反馈值进行修正计算所得；
步骤4中其他影响覆盖剂燃烧的因素包括钢液含碳量C、时间差值T、温度值R，其中钢液含碳量C是指由打包流入中间包内的钢液的含碳量，时间差值T表示从上次加入覆盖剂至此次加入覆盖剂的时间，温度R表示加入覆盖剂前的温度值，通过温度传感器获得；
步骤4中获得中间包加料口需要加覆盖剂的量的具体实现方式如下，
设深度卷积神经网络模型的输出数据为Pk，Pd＝Pk*10，与现场其他影响因素值综合变比例加权，求得覆盖剂加入量Q，Q的单位为kg，具体如下：
其中，Pd为神经网络模型输出数据以分数制计的数据，γ，
σ，μ为变比例权重，ωt为自学习系数；C，T，R分别为对应钢液含碳量、时间差值、温度值统一度量之后的数值，即将其标准化至0～100之间的数值。
2.如权利要求1所述的一种基于机器视觉的中间包自动加覆盖剂控制方法，其特征在于：步骤4中自学习系数ωt通过以下公式获得，
其中，ωt表示第t次加入覆盖剂的自学习系数，ωt-1表示第t-1次加入覆盖剂的自学习系数，自学习系数的初始值为1，Tt-1为第t-1次加入覆盖剂之后温度，Ttar为目标温度。
3.如权利要求1所述的一种基于机器视觉的中间包自动加覆盖剂控制方法，其特征在于：步骤1中所述预处理的具体实现方式如下，首先对采集到的图像进行灰度处理，按下式对RGB三分量进行加权平均能得到灰度图像：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
式中：R—图像红色通道，G—图像绿色通道，B—图像蓝色通道，M<i,j<N，其中M，N为图像横向和纵向分辨率大小；
然后对灰度处理后的图像进行阈值处理，
设定一个全局的阈值T’，用T’将图像的数据分成两部分：大于T’的像素群和小于T’的像素群；将大于T’的像素群的像素值设定为白色或黑色，小于T’的像素群的像素值设定为黑色或白色，从而得到中间包加料口处二值化灰度图像image。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911173230.7A CN110928186B (zh) | 2019-11-26 | 2019-11-26 | 一种基于机器视觉的中间包自动加覆盖剂控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911173230.7A CN110928186B (zh) | 2019-11-26 | 2019-11-26 | 一种基于机器视觉的中间包自动加覆盖剂控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110928186A CN110928186A (zh) | 2020-03-27 |
| CN110928186B true CN110928186B (zh) | 2022-10-14 |
Family
ID=69851935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911173230.7A Active CN110928186B (zh) | 2019-11-26 | 2019-11-26 | 一种基于机器视觉的中间包自动加覆盖剂控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110928186B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106180619A (zh) * | 2016-08-12 | 2016-12-07 | 湖南千盟物联信息技术有限公司 | 一种连铸过程智能控制的***方法 |
| CN106552909A (zh) * | 2015-09-28 | 2017-04-05 | 宝山钢铁股份有限公司 | 用于连铸作业的机器人覆盖剂自动添加***及其方法 |
| CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
| CN110340322A (zh) * | 2019-08-22 | 2019-10-18 | 联峰钢铁（张家港）有限公司 | 一种连铸自动开浇的方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2360357A (en) * | 2000-03-17 | 2001-09-19 | Alex Davidkhanian | Slag detector for molten steel transfer operations |
| US11642685B2 (en) * | 2016-07-28 | 2023-05-09 | Refractory Intellectual Property Gmbh & Co. Kg | System with a spraying nozzle unit and method for spraying an inorganic mass |
-
2019
- 2019-11-26 CN CN201911173230.7A patent/CN110928186B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106552909A (zh) * | 2015-09-28 | 2017-04-05 | 宝山钢铁股份有限公司 | 用于连铸作业的机器人覆盖剂自动添加***及其方法 |
| CN106180619A (zh) * | 2016-08-12 | 2016-12-07 | 湖南千盟物联信息技术有限公司 | 一种连铸过程智能控制的***方法 |
| CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
| CN110340322A (zh) * | 2019-08-22 | 2019-10-18 | 联峰钢铁（张家港）有限公司 | 一种连铸自动开浇的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110928186A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781944B (zh) | 一种基于深度学习的铁水自动扒渣控制方法 | |
| US11294338B2 (en) | Use of comprehensive artificial intelligence in primary industry plants | |
| CN109325417B (zh) | 一种基于深度神经网络的工业过程故障工况诊断方法 | |
| CN110438284A (zh) | 一种转炉智能出钢装置及控制方法 | |
| CN106119458B (zh) | 基于bp神经网络的转炉炼钢工艺成本控制方法及*** | |
| CN111650903B (zh) | 一种基于视觉识别的钢包底吹氩智能控制*** | |
| CN111474965A (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
| CN108251591A (zh) | 利用lstm***的顶底复合吹炼转炉生产工艺控制方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN106096724B (zh) | 基于elm神经网络的转炉炼钢工艺成本控制方法及*** | |
| CN108265157A (zh) | 智能电弧炉炼钢*** | |
| CN107292387A (zh) | 一种基于bp识别蜂蜜质量的方法 | |
| CN110928186B (zh) | 一种基于机器视觉的中间包自动加覆盖剂控制方法 | |
| CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
| CN116427950A (zh) | 自适应智能盾构施工精细化建造辅助决策***及方法 | |
| CN110288591B (zh) | 基于改进的自适应多种群遗传算法的锌浮选工况判别方法 | |
| CN117114448A (zh) | 一种基于机器学习和物联网技术的农业生产管理***及方法 | |
| CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
| CN115994692B (zh) | 基于5g和大数据的智慧河湖管理平台 | |
| CN117213583A (zh) | 一种火力发电输煤***原煤仓煤位测量方法 | |
| CN116753536A (zh) | 一种基于压力预测模型的锅炉压力控制方法 | |
| CN116197904A (zh) | 基于深度学习的多自由度3d打印校正方法 | |
| CN116489497A (zh) | 基于物联网的平台设备低代码构建生成方法及*** | |
| CN109325594A (zh) | 一种改进cbr的电力通信现场运维辅助诊断方法 | |
| CN115130846A (zh) | 基于风口监控的高炉下部热制度最大影响因素分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |