CN112361807B - 一种水梁印自动识别方法 - Google Patents
一种水梁印自动识别方法 Download PDFInfo
- Publication number
- CN112361807B CN112361807B CN202011183403.6A CN202011183403A CN112361807B CN 112361807 B CN112361807 B CN 112361807B CN 202011183403 A CN202011183403 A CN 202011183403A CN 112361807 B CN112361807 B CN 112361807B
- Authority
- CN
- China
- Prior art keywords
- extre
- extreme
- water beam
- point
- strip steel
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B9/00—Furnaces through which the charge is moved mechanically, e.g. of tunnel type; Similar furnaces in which the charge moves by gravity
- F27B9/30—Details, accessories, or equipment peculiar to furnaces of these types
- F27B9/40—Arrangements of controlling or monitoring devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本发明提供一种水梁印自动识别方法,属于热轧带钢质量控制领域。所述方法包括:确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵;根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点;根据极值点间的温度差,确定伪水梁印点温差信息;根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息;对得到的真实水梁印点温差信息进行评分,若评分结果小于预设的分数阈值,则判断带钢存在水梁印。采用本发明,能够自动识别带钢是否存在水梁印。
Description
技术领域
本发明涉及热轧带钢质量控制领域,特别是指一种水梁印自动识别方法。
背景技术
在步进梁式加热炉内,钢坯直接与水梁上的垫块接触,水梁内不断通入大量的冷却水(或汽水混合物),导致垫块顶面温度相对较低,同时加热过程中水梁本身对钢坯也有遮蔽作用,这些都导致了钢坯与垫块的接触处不能被很好地加热,加热终了时在接触处及其附近的局部区域温度相对较低,颜色相对黯淡,形成所谓“水梁黑印”(简称:水梁印)。现代化带钢生产对板坯加热质量要求很高,钢坯加热黑印较重时,会造成很多产品缺陷和生产故障。
所以,如何准确快速确自动识别水梁印相关数据,并判断水梁印是否存在,为生产现场及时排除设备和生产故障提供帮助,对提高轧制稳定性和产品质量具有重要意义。
目前的研究大多将重点放在降低水梁印程度,如专利CN103103337A《减小步进梁加热炉钢坯水梁黑印的方法》中,在不改变设备和加热工艺的前提下,通过合理设置水梁垫块的长度、垫块之间的间距和水梁步进行程,达到减小钢坯同一位置接触垫块的时间,从而减轻水梁印的目的。又如专利CN110388829A《一种减少加热炉水梁黑印的组合式垫块及其安装方法》中,通过发明一种新的加热炉垫片,既能提高垫块安装的稳定性,又能提高垫块使用寿命,降低垫块加工成本,并达到减少水梁印的效果。
上述现有技术从改进加热炉各设备与装置运行方法,改进加热炉垫片等方法,降低了热轧带钢水梁印的温差。但是上述现有技术都没有涉及热轧带钢水梁印的自动识别。
发明内容
本发明实施例提供了水梁印自动识别方法,能够自动识别带钢是否存在水梁印。所述技术方案如下:
一方面,提供了一种水梁印自动识别方法,该方法应用于电子设备,该方法包括:
确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵;
根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点;
根据极值点间的温度差,确定伪水梁印点温差信息;
根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息;
对得到的真实水梁印点温差信息进行评分,若评分结果小于预设的分数阈值,则判断带钢存在水梁印。
进一步地,所述确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵包括:
采集带钢粗轧出口温度信息和带钢粗轧出口轧制速度信息;
对带钢粗轧出口轧制速度信息按照采样时间进行离散积分,得到带钢粗轧出口温度信息沿带钢长度方向的分布矩阵Tdata:
其中,Ttemper[i]为带钢粗轧出口温度信息,Tspeed[i]为带钢粗轧出口轧制速度信息,i表示采样点编号,Tdata[i,0]表示采样点编号为i时所在带钢的位置信息,Tdata[i,1]表示采样点编号为i时所在带钢的温度信息,t表示采样间隔时间。
进一步地,在对带钢粗轧出口轧制速度信息按照采样时间进行积分,得到带钢粗轧出口温度信息沿带钢长度方向的分布矩阵之前,所述方法包括:
根据触发事件触发对带钢粗轧出口轧制速度信息按照采样时间进行积分的操作。
进一步地,所述根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点包括:
根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点,并将极值点所在带钢的位置信息、温度信息和极值属性存入极值矩阵Textre;其中,所述极值点包括:极大值和极小值;
计算各极值点间的距离,合并、消除无关干扰极值点。
进一步地,对于极大值,极值矩阵Textre表示为:
Textre[2k,0]=Tdata[i,0]
Textre[2k,1]=Tdata[i,1]
Textre[2k,2]=1
k=0,1,2,3,......
对于极小值,极值矩阵Textre表示为:
Textre[2k+1,0]=Tdata[i,0]
Textre[2k+1,1]=Tdata[i,1]
Textre[2k+1,2]=0
k=0,1,2,3,......
其中,极值矩阵Textre保存分布矩阵Tdata中的极值点所在带钢的位置信息、温度信息和极值属性;Textre[2k,0]保存极大值点所在带钢的位置信息;Textre[2k,1]保存极大值点的温度信息;Textre[2k,2]保存极大值点的极值属性,1代表极大值;Textre[2k+1,0]保存极小值点所在带钢的位置信息;Textre[2k+1,1]保存极小值点的温度信息;Textre[2k+1,2]保存极小值点的极值属性,0代表极小值;i表示极值点的采样点编号;k从0开始,表示出现极大值点的次数,最大值为极大值数量,2k表示极大值点编号,2k+1表示极小值点编号。
进一步地,所述计算各极值点间的距离,合并、消除干扰极值点包括:
若某极值点与左右两个极值点的距离均小于预设的距离阈值,则所述某极值点为干扰极值点,将这三个极值点合并为一个极值点,合并得到的新的非干扰极值点的位置信息保存为左右极值点的位置信息的平均值,新的非干扰极值点的温度信息保存为左中右极值点温度信息的平均值,新的非干扰极值点的极值属性保存为左极值点或右极值点的极值属性;
若某极值点与左右极值点之间距离不同时小于预设的距离阈值,则所述某极值点为非干扰极值点。
进一步地,对于干扰极值点,得到的合并后的新的非干扰极值点为:
TEXTRE[m,0]=(Textre[n-1,0]+Textre[n+1,0])/2
TEXTRE[m,1]=(Textre[n-1,1]+Textre[n,1]+Textre[n+1,1])/3
TEXTRE[m,2]=Textre[n-1,2]
m=0,1,2,3,......
对于原非干扰极值点:
TEXTRE[m,0]=Textre[n,0]
TEXTRE[m,1]=Textre[n,1]
TEXTRE[m,2]=Textre[n,2]
m=0,1,2,3,......
其中,TEXTRE用于保存合并后的新的非干扰极值点和原非干扰极值点所在带钢的位置信息、温度信息和极值属性;TEXTRE[m,0]保存极值点所在带钢的位置信息;TEXTRE[m,1]保存极值点的温度信息;TEXTRE[m,2]保存极值点的极值属性,1代表极大值,0代表极小值;n从1开始,表示极值点编号;m从0开始,表示非干扰极值点的数量,最大值为非干扰极值点数量。
进一步地,所述根据极值点间的温度差,确定伪水梁印点温差信息包括:
计算每一个极小值点与左右极大值点之间的温度差,取较大的温度差值作为伪水梁印点的温差信息:
TF_wbs[p]=max[(TEXTRE[q+1,1]-TEXTRE[q,1]),(TEXTRE[q-1,1]-TEXTRE[q,1])]
其中,TF_wbs[p]表示伪水梁印点的温差信息,q从1开始,表示极小值点编号;p从0开始,表示伪水梁印数量,最大值为伪水梁印数量。
进一步地,所述根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息包括:
若伪水梁印点中的水梁印数量大于水梁印点实际数量,则将伪水梁印点中温差最小的水梁印点依次删除,直至伪水梁印点中的水梁印数量等于水梁印点实际数量,得到真实水梁印点温差信息。
进一步地,评分结果表示为:
其中,Score表示水梁印评分结果,M表示真实的水梁印数量。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述水梁印自动识别方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述水梁印自动识别方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵;根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点;根据极值点间的温度差,确定带钢长度方向上的伪水梁印点温差信息;根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息;对得到的真实水梁印点温差信息进行评分,若评分结果小于预设的分数阈值,则判断带钢存在水梁印,从而自动识别带钢是否存在水梁印,为生产现场及时发现加热炉烧钢缺陷提供预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的水梁印自动识别方法的流程示意图;
图2为本发明实施例提供的不存在水梁印的钢卷温度曲线示意图;
图3为本发明实施例提供的存在水梁印的钢卷温度曲线示意图;
图4为本发明实施例提供的已自动识别50卷钢的水梁印情况示意图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种水梁印自动识别方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器,该方法包括:
S101,确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵;
S102,根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点;
S103,根据极值点间的温度差,确定伪水梁印点温差信息;
S104,根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息;
S105,对得到的真实水梁印点温差信息进行评分,若评分结果小于预设的分数阈值,则判断带钢存在水梁印。
本发明实施例所述的水梁印自动识别方法,确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵;根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点;根据极值点间的温度差,确定带钢长度方向上的伪水梁印点温差信息;根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息;对得到的真实水梁印点温差信息进行评分,若评分结果小于预设的分数阈值,则判断带钢存在水梁印,从而自动识别带钢是否存在水梁印,为生产现场及时发现加热炉烧钢缺陷提供预警。
在前述水梁印自动识别方法的具体实施方式中,进一步地,所述确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵包括:
A1,采集带钢粗轧出口温度信息(指带钢粗轧出口温度实测数据)和带钢粗轧出口轧制速度信息(指带钢粗轧出口轧制速度实测数据);
A2,从采集到的温度信息中删去异常温度数据(指明显不符合温度变化趋势的温度数据),对带钢粗轧出口轧制速度信息按照采样时间进行离散积分,将按照时间变化的温度数据转变为沿带钢长度变化的温度数据,得到带钢粗轧出口温度信息沿带钢长度方向的分布矩阵Tdata,其中,分布矩阵Tdata表示为:
其中,分布矩阵Tdata为N×2的矩阵,表示带钢粗轧出口温度在长度方向上的分布信息,Tdata[i,0]表示采样点编号为i时所在带钢的位置信息,Tdata[i,1]表示采样点编号为i时所在带钢的温度信息,Ttemper[i]为带钢粗轧出口温度信息,Tspeed[i]为带钢粗轧出口轧制速度信息,N为采样总数,i表示采样点编号,t表示采样间隔时间。
在前述水梁印自动识别方法的具体实施方式中,进一步地,在对带钢粗轧出口轧制速度信息按照采样时间进行积分,得到带钢粗轧出口温度信息沿带钢长度方向的分布矩阵(步骤A2)之前,所述方法包括:
根据触发事件触发对带钢粗轧出口轧制速度信息按照采样时间进行积分的操作,其中,所述触发事件包括:粗轧末道次咬钢/抛钢、粗轧出口高温计开始/结束。
在前述水梁印自动识别方法的具体实施方式中,进一步地,所述根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点包括:
B1,根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点,并将极值点所在带钢的位置信息、温度信息和极值属性存入极值矩阵Textre;其中,所述极值点包括:极大值和极小值;
本实施例中,对于极大值,极值矩阵Textre表示为:
Textre[2k,0]=Tdata[i,0]
Textre[2k,1]=Tdata[i,1]
Textre[2k,2]=1
k=0,1,2,3,......
对于极小值,极值矩阵Textre表示为:
Textre[2k+1,0]=Tdata[i,0]
Textre[2k+1,1]=Tdata[i,1]
Textre[2k+1,2]=0
k=0,1,2,3,......
其中,极值矩阵Textre保存分布矩阵Tdata中的极值点所在带钢的位置信息、温度信息和极值属性;Textre[2k,0]保存极大值点所在带钢的位置信息;Textre[2k,1]保存极大值点的温度信息;Textre[2k,2]保存极大值点的极值属性,1代表极大值;Textre[2k+1,0]保存极小值点所在带钢的位置信息;Textre[2k+1,1]保存极小值点的温度信息;Textre[2k+1,2]保存极小值点的极值属性,0代表极小值;i表示极值点的采样点编号;k从0开始,表示出现极大值点的次数,最大值为极大值数量,2k表示极大值点编号,2k+1表示极小值点编号。
本实施例中,由于极大值极小值必定交替出现,故直接按照奇偶顺序和带钢长度顺序排列保存极值点的3种信息(位置信息、温度信息和极值属性)。
B2,计算各极值点间的距离,合并、消除无关干扰极值点,具体可以包括以下步骤:
若某极值点与左右两个极值点的距离均小于预设的距离阈值,则所述某极值点为无关的干扰极值点,将这三个极值点合并为一个极值点,合并得到的新的非干扰极值点的位置信息保存为左右极值点的位置信息的平均值,新的非干扰极值点的温度信息保存为左中右极值点温度信息的平均值,新的非干扰极值点的极值属性保存为左极值点或右极值点的极值属性;
若某极值点与左右极值点之间距离不同时小于预设的距离阈值,则所述某极值点为非干扰极值点,该极值点所在带钢的位置信息、温度信息和极值属性无变动。
本实施例中,对于干扰极值点,得到的合并后的新的非干扰极值点为:
TEXTRE[m,0]=(Textre[n-1,0]+Textre[n+1,0])/2
TEXTRE[m,1]=(Textre[n-1,1]+Textre[n,1]+Textre[n+1,1])/3
TEXTRE[m,2]=Textre[n-1,2]
m=0,1,2,3,......
对于原非干扰极值点:
TEXTRE[m,0]=Textre[n,0]
TEXTRE[m,1]=Textre[n,1]
TEXTRE[m,2]=Textre[n,2]
m=0,1,2,3,......
其中,TEXTRE用于保存合并后的新的非干扰极值点和原非干扰极值点所在带钢的位置信息、温度信息和极值属性;TEXTRE[m,0]保存极值点所在带钢的位置信息;TEXTRE[m,1]保存极值点的温度信息;TEXTRE[m,2]保存极值点的极值属性,1代表极大值,0代表极小值,n从1开始,表示极值点编号;m从0开始,表示非干扰极值点的数量,最大值为非干扰极值点数量。
本实施例中,由于合并后的新的极值点的极值属性由该极值点左右的极值点的极值属性决定,故在TEXTRE中极值属***替性不变。
在前述水梁印自动识别方法的具体实施方式中,进一步地,所述根据极值点间的温度差,确定伪水梁印点温差信息包括:
计算每一个极小值点(极值属性为0的数据)与左右极大值点之间的温度差,取较大的温度差值作为伪水梁印点的温差信息:
TF_wbs[p]=max[(TEXTRE[q+1,1]-TEXTRE[q,1]),(TEXTRE[q-1,1]-TEXTRE[q,1])]
其中,TF_wbs表示伪水梁印点数据,保存所有伪水梁印的温差信息;TF_wbs[p]表示伪水梁印点的温差信息,q从1开始,表示极小值点编号;p从0开始,表示伪水梁印数量,最大值为伪水梁印数量。
在前述水梁印自动识别方法的具体实施方式中,进一步地,所述根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息包括:
若伪水梁印点中的水梁印数量大于水梁印点实际数量,则将伪水梁印点中温差最小的水梁印点依次删除,直至伪水梁印点中的水梁印数量等于水梁印点实际数量,得到真实水梁印点温差信息。
本实施例中,最后,对得到的真实水梁印点温差信息进行评分,若评分结果小于预设的分数阈值,则判断带钢存在水梁印,其中,评分结果表示为:
其中,Score表示水梁印评分结果,M表示真实的水梁印数量。
本实施例中,图2为不存在水梁印的钢卷温度曲线示意图,图3为存在水梁印的钢卷温度曲线示意图,其中,图2和图3中的Coil#1-Coil#6表示带钢编号、Strip length表示粗轧出口带钢长度;图4为已自动识别50卷钢的水梁印情况示意图,图4中1表示存在水梁印,0表示不存在水梁印。
本实施例得到的热轧带钢水梁印点温差信息如表1所示,从表1中可以查每块带钢的水梁印评分,以及哪一块钢卷的水梁印评分不满足标准判定条件(是否小于预设的分数阈值),方便现场人员定位、核查设备状态。
表1水梁印点温差信息表
注:此加热炉水梁印数量为8。
综上,本发明实施例所述的水梁印自动识别方法,通过实时在线对带钢粗轧出口温度信息(指带钢粗轧出口温度实测数据)和带钢粗轧出口轧制速度信息进行计算,得到带钢粗轧出口温度信息沿带钢长度方向的分布矩阵(即:热轧带钢长度方向的温度信息)并计算出真实水梁印点的温差信息,进而对得到的真实水梁印点温差信息进行评分,根据评分结果判断带钢是否存在水梁印。
图5是本发明实施例提供的一种电子设备600的结构示意图,该电子设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)601和一个或一个以上的存储器602,其中,所述存储器602中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述水梁印自动识别方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述B11。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种水梁印自动识别方法,其特征在于,包括:
确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵;
根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点;
根据极值点间的温度差,确定伪水梁印点温差信息;
根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息;
对得到的真实水梁印点温差信息进行评分,若评分结果小于预设的分数阈值,则判断带钢存在水梁印;
其中,所述确定带钢粗轧出口温度信息沿带钢长度方向的分布矩阵包括:
采集带钢粗轧出口温度信息和带钢粗轧出口轧制速度信息;
对带钢粗轧出口轧制速度信息按照采样时间进行离散积分,得到带钢粗轧出口温度信息沿带钢长度方向的分布矩阵Tdata:
其中,Ttemper[i]为带钢粗轧出口温度信息,Tspeed[i]为带钢粗轧出口轧制速度信息,i表示采样点编号,Tdata[i,0]表示采样点编号为i时所在带钢的位置信息,Tdata[i,1]表示采样点编号为i时所在带钢的温度信息,t表示采样间隔时间;
其中,所述根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点包括:
根据得到的分布矩阵,确定带钢粗轧出口温度信息中的极值点,并将极值点所在带钢的位置信息、温度信息和极值属性存入极值矩阵Textre;其中,所述极值点包括:极大值和极小值;
计算各极值点间的距离,合并、消除无关干扰极值点;
其中,对于极大值,极值矩阵Textre表示为:
Textre[2k,0]=Tdata[i,0]
Textre[2k,1]=Tdata[i,1]
Textre[2k,2]=1
k=0,1,2,3,......
对于极小值,极值矩阵Textre表示为:
Textre[2k+1,0]=Tdata[i,0]
Textre[2k+1,1]=Tdata[i,1]
Textre[2k+1,2]=0
k=0,1,2,3,......
其中,极值矩阵Textre保存分布矩阵Tdata中的极值点所在带钢的位置信息、温度信息和极值属性;Textre[2k,0]保存极大值点所在带钢的位置信息;Textre[2k,1]保存极大值点的温度信息;Textre[2k,2]保存极大值点的极值属性,1代表极大值;Textre[2k+1,0]保存极小值点所在带钢的位置信息;Textre[2k+1,1]保存极小值点的温度信息;Textre[2k+1,2]保存极小值点的极值属性,0代表极小值;i表示极值点的采样点编号;k从0开始,表示出现极大值点的次数,最大值为极大值数量,2k表示极大值点编号,2k+1表示极小值点编号。
2.根据权利要求1所述的水梁印自动识别方法,其特征在于,在对带钢粗轧出口轧制速度信息按照采样时间进行积分,得到带钢粗轧出口温度信息沿带钢长度方向的分布矩阵之前,所述方法包括:
根据触发事件触发对带钢粗轧出口轧制速度信息按照采样时间进行积分的操作。
3.根据权利要求1所述的水梁印自动识别方法,其特征在于,所述计算各极值点间的距离,合并、消除干扰极值点包括:
若某极值点与左右两个极值点的距离均小于预设的距离阈值,则所述某极值点为干扰极值点,将这三个极值点合并为一个极值点,合并得到的新的非干扰极值点的位置信息保存为左右极值点的位置信息的平均值,新的非干扰极值点的温度信息保存为左中右极值点温度信息的平均值,新的非干扰极值点的极值属性保存为左极值点或右极值点的极值属性;
若某极值点与左右极值点之间距离不同时小于预设的距离阈值,则所述某极值点为非干扰极值点。
4.根据权利要求3所述的水梁印自动识别方法,其特征在于,对于干扰极值点,得到的合并后的新的非干扰极值点为:
TEXTRE[m,0]=(Textre[n-1,0]+Textre[n+1,0])/2
TEXTRE[m,1]=(Textre[n-1,1]+Textre[n,1]+Textre[n+1,1])/3
TEXTRE[m,2]=Textre[n-1,2]
m=0,1,2,3,......
对于原非干扰极值点:
TEXTRE[m,0]=Textre[n,0]
TEXTRE[m,1]=Textre[n,1]
TEXTRE[m,2]=Textre[n,2]
m=0,1,2,3,......
其中,TEXTRE用于保存合并后的新的非干扰极值点和原非干扰极值点所在带钢的位置信息、温度信息和极值属性;TEXTRE[m,0]保存极值点所在带钢的位置信息;TEXTRE[m,1]保存极值点的温度信息;TEXTRE[m,2]保存极值点的极值属性,1代表极大值,0代表极小值;n从1开始,表示极值点编号;m从0开始,表示非干扰极值点的数量,最大值为非干扰极值点数量。
5.根据权利要求4所述的水梁印自动识别方法,其特征在于,所述根据极值点间的温度差,确定伪水梁印点温差信息包括:
计算每一个极小值点与左右极大值点之间的温度差,取较大的温度差值作为伪水梁印点的温差信息:
TF_wbs[p]=max[(TEXTRE[q+1,1]-TEXTRE[q,1]),(TEXTRE[q-1,1]-TEXTRE[q,1])]
其中,TF_wbs[p]表示伪水梁印点的温差信息,q从1开始,表示极小值点编号;p从0开始,表示伪水梁印数量,最大值为伪水梁印数量。
6.根据权利要求5所述的水梁印自动识别方法,其特征在于,所述根据水梁印点实际数量对伪水梁印点进行筛选,得到真实水梁印点温差信息包括:
若伪水梁印点中的水梁印数量大于水梁印点实际数量,则将伪水梁印点中温差最小的水梁印点依次删除,直至伪水梁印点中的水梁印数量等于水梁印点实际数量,得到真实水梁印点温差信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183403.6A CN112361807B (zh) | 2020-10-29 | 2020-10-29 | 一种水梁印自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183403.6A CN112361807B (zh) | 2020-10-29 | 2020-10-29 | 一种水梁印自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112361807A CN112361807A (zh) | 2021-02-12 |
CN112361807B true CN112361807B (zh) | 2021-08-13 |
Family
ID=74513715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011183403.6A Active CN112361807B (zh) | 2020-10-29 | 2020-10-29 | 一种水梁印自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112361807B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103103337B (zh) * | 2013-02-21 | 2014-04-16 | 武汉钢铁(集团)公司 | 减小步进梁加热炉钢坯水梁黑印的方法 |
CN104289532B (zh) * | 2013-07-19 | 2016-06-22 | 上海宝信软件股份有限公司 | 带钢水印点温度控制方法 |
CN105420486B (zh) * | 2015-11-03 | 2017-06-23 | 邯钢集团邯宝钢铁有限公司 | 一种适用于管线钢的轧钢加热炉加热控制方法 |
JP6686983B2 (ja) * | 2017-07-20 | 2020-04-22 | Jfeスチール株式会社 | 鋼板の熱処理方法および熱処理装置 |
CN110231840B (zh) * | 2019-06-05 | 2020-12-01 | 重庆赛迪热工环保工程技术有限公司 | 一种步进梁式加热炉炉内钢坯水梁黑印温差的控制方法 |
-
2020
- 2020-10-29 CN CN202011183403.6A patent/CN112361807B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112361807A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681240B (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
CN102641903B (zh) | 炉卷轧机轧件头尾跑偏控制方法 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN109115800B (zh) | 一种产品毛刺的快速检测及长度精确测量方法 | |
CN113034442B (zh) | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 | |
CN108596872B (zh) | 基于Gabor小波和SVM的钢轨病害的检测方法 | |
US10031087B2 (en) | Methods and systems for the quantitative measurement of internal defects in as-cast steel products | |
CN112596545A (zh) | 一种基于多光谱的水污染源头无人机排查方法、***和存储介质 | |
CN115047162A (zh) | 一种钢管热处理的缺陷检测方法及*** | |
CN115796002A (zh) | 一种基于深度学习的带钢卷形缺陷预测与诊断方法 | |
CN112361807B (zh) | 一种水梁印自动识别方法 | |
CN115100188A (zh) | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 | |
CN116129202A (zh) | 存量用地分析方法、装置和存储介质 | |
CN112275807A (zh) | 一种热轧带钢轮廓边部平台的检测方法及装置 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN114998253A (zh) | 一种对于连铸坯内部裂纹评级的方法及*** | |
CN112588836B (zh) | 一种基于热轧带钢轧制力的轧辊偏心自动识别方法及*** | |
CN113198853A (zh) | 一种检测带钢板廓缺陷的方法及装置 | |
CN115082802B (zh) | 道路病害识别方法、装置、设备及可读存储介质 | |
CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
CN114998354A (zh) | 基于图形滤波的钢带辊印检测方法 | |
CN113674224A (zh) | 一种监控点位治理方法及装置 | |
CN113239562A (zh) | 一种带钢全板面力学性能预测方法 |
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 |