CN115147349A - 转炉冶炼终点的确定方法、装置、电子设备及存储介质 - Google Patents
转炉冶炼终点的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115147349A CN115147349A CN202210519046.9A CN202210519046A CN115147349A CN 115147349 A CN115147349 A CN 115147349A CN 202210519046 A CN202210519046 A CN 202210519046A CN 115147349 A CN115147349 A CN 115147349A
- Authority
- CN
- China
- Prior art keywords
- converter
- flame
- later
- transition point
- determining
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
- C21C5/36—Processes yielding slags of special composition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Databases & Information Systems (AREA)
- Materials Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本申请实施例提供了一种转炉冶炼终点的确定方法、装置、电子设备及存储介质,属于人工智能技术领域。为解决目前转炉吹炼终点的准确率比较低的问题,提供如下方案:根据初始火焰图像获取当前炉口火焰特征集;通过修正LSTM预测模型根据当前炉口火焰特征集确定转炉冶炼的预测中后期转变点;将中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配;若中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期;通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。这样,基于火焰图像识别转炉吹炼中后期转变点以及转炉吹炼后期碳模型的结合使用,提高确定转炉吹炼终点的准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种转炉冶炼终点的确定方法、装置、电子设备及存储介质。
背景技术
随着钢铁工业的不断发展,钢铁工业各个生产过程的生产要求也越来越高。目前,长流程炼钢工艺都需要采用转炉熔炼钢水,钢水碳含量是判断钢水是否合格的重要参数,不同钢种都有严格的碳含量要求,对于冶炼终点碳含量判断不合适时,需进行二次或多次补吹,影响生产效率。
现有技术中通过人工智能预测模型基于转炉焰色判断转炉中钢液温度,现有的人工智能预测模型通过机器学习对各个温度火焰特征进行标定并训练为数据集,通过实时判断转炉中钢液温度来判断转炉吹炼终点。此种方案中,需要对大量的样本集进行训练,才能得到人工智能预测模型的数据集,大量样本集需要大量人员对生产过程中钢液的实时指标进行测量,耗费大量的人力财力,生产效率低。
发明内容
为了解决上述技术问题,本申请实施例提供了一种转炉冶炼终点的确定方法、装置、电子设备及存储介质。
第一方面,本申请实施例提供了一种转炉冶炼终点的确定方法,所述方法包括:
从摄像头获取初始火焰图像,根据所述初始火焰图像获取当前炉口火焰特征集;
通过修正LSTM预测模型根据所述当前炉口火焰特征集确定转炉冶炼的预测中后期转变点;
获取所述预测中后期转变点对应的中后期转变点预测火焰特征;
将所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配;
若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期;
通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。
在一实施方式中,所述根据所述初始火焰图像获取当前炉口火焰特征集的步骤,包括:
根据所述初始火焰图像提取当前炉口火焰图像;
从所述当前炉口火焰图像提取所述当前炉口火焰特征集。
在一实施方式中,所述根据所述初始火焰图像提取当前炉口火焰图像的步骤,包括:
从所述初始火焰图像提取观测口火焰图像;
将所述观测口火焰图像进行灰度化处理,得到所述当前炉口火焰图像。
在一实施方式中,所述从所述当前炉口火焰图像提取所述当前炉口火焰特征集的步骤,包括:
对所述当前炉口火焰图像分别提取亮度值、旋转不变局部二值模式特征值和方向梯度直方图特征值;
根据所述亮度值、所述旋转不变局部二值模式特征值和所述方向梯度直方图特征值生成所述当前炉口火焰特征集。
在一实施方式中,所述获取所述预测中后期转变点对应的中后期转变点预测火焰特征的步骤,包括:
在所述预测中后期转变点获取对应的中后期转变点预测火焰图像;
从所述中后期转变点预测火焰图像提取所述中后期转变点预测火焰特征。
在一实施方式中,所述转炉冶炼转变点火焰特征集的获取的步骤,包括:
根据转炉烟气数据确定转炉冶炼的中后期转变点;
从历史转炉火焰图像中获取所述中后期转变点对应的中后期转变点历史火焰图像;
从所述中后期转变点历史火焰图像获取所述转炉冶炼转变点火焰特征集。
在一实施方式中,所述通过转炉吹炼后期碳模型根据转炉吹炼中后期转变点碳含量确定转炉吹炼终点的步骤,包括:
通过所述转炉吹炼后期碳模型计算从所述转炉吹炼中后期转变点碳含量更新至当天转炉后期碳含量历史数据的吹炼时长;
根据所述吹炼时长确定所述转炉吹炼终点。
第二方面,本申请实施例提供了一种转炉冶炼终点的确定装置,所述装置包括:
第一获取模块,用于从摄像头获取初始火焰图像,根据所述初始火焰图像获取当前炉口火焰特征集;
第一确定模块,用于通过修正LSTM预测模型根据所述当前炉口火焰特征集确定转炉冶炼的预测中后期转变点;
第二获取模块,用于获取所述预测中后期转变点对应的中后期转变点预测火焰特征;
匹配模块,用于将所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配;
第二确定模块,用于若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期;
第三确定模块,用于通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。
第三方面,本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器运行时执行第一方面提供的转炉冶炼终点的确定方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行第一方面提供的转炉冶炼终点的确定方法。
上述本申请提供的转炉冶炼终点的确定方法、装置、电子设备及存储介质,根据所述初始火焰图像获取当前炉口火焰特征集;通过修正LSTM预测模型根据所述当前炉口火焰特征集确定转炉冶炼的预测中后期转变点;获取所述预测中后期转变点对应的中后期转变点预测火焰特征;将所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配;若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期;通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。这样,基于火焰图像识别转炉吹炼中后期转变点以及转炉吹炼后期碳模型的结合使用,提高了转炉吹炼终点的准确率,降低成本,提高生产效率。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对本申请保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的转炉冶炼终点的确定方法的一流程示意图;
图2示出了本申请实施例提供的转炉冶炼终点的确定装置的一结构示意图。
图标:200-转炉冶炼终点的确定装置;201-第一获取模块;202-第一确定模块;203-第二获取模块;204-匹配模块;205-第二确定模块;206-第三确定模块。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下文中,可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本申请的各种实施例中被清楚地限定。
现有技术中有几种判断转炉炼钢终点的方案,第一种方案如下:通过摄像头将转炉炉口火焰图像上传到电脑,然后对图像进行处理,得到火焰特征,汇总后作为当前炉口火焰特征数据集;然后依据此火焰特征数据集,再次通过摄像头实时观察转炉炉口火焰特征,根据特征匹配此时钢液的温度,作为数据输出到电脑界面。但此种现有转炉终点温度预测方案存在如下缺陷:人工智能数据集训练过程中,需要大量的数据作为标定的样本数据集,而转炉内钢液温度曲线需要经过大量的检测才能作为人工智能数据集训练所需要特征,转炉内的温度曲线是由不同时间点取样分析后总结出来的,而不是实时监测的结果,故而存在一定的偏差,使得此种方案确定的转炉炼钢终点的准确率比较低。
现有技术中判断转炉炼钢终点的第二种方案如下:基于火焰图像特征的转炉钢水碳含量在线测量的方案,具体流程有:取相邻三帧图像Harris角点数量的平均值作为判断炼钢三个阶段的依据,计算图像中每个像素的熵,提取熵大于阈值的点作为轮廓位置,计算火焰右侧轮廓倾斜角度,获得火焰图像的轮廓之后,计算在窗口边缘的两个像素连线与水平之间的夹角,统计所有轮廓处的角度,取平均值后作为火焰轮廓倾斜角度;在离线状态下,测量火焰末期多个时刻的钢水碳含量,同时获得与之对应的火焰右侧轮廓倾斜角度,将多个钢水碳含量数据,火焰右侧轮廓倾斜角度数据保存为二元关系表;通过插值方式实时测量钢水碳含量。但是,该方案在训练模型时,需要大量的火焰末期图像及其对应的钢液成分以及温度,而若要获取这方面的数据需要人工对此进行取样,每个炉次需要大量的样品,反而更浪费人力财力。
综上,现有技术中判断转炉炼钢终点的方案,需要对大量的样本集进行训练,才能得到人工智能预测模型的数据集,大量样本集需要大量人员对生产过程中钢液的实时指标进行测量,耗费大量的人力财力,生产效率低、准确率比较低。
实施例1
本公开实施例提供了一种转炉冶炼终点的确定方法。
具体的,参见图1,转炉冶炼终点的确定方法包括:
步骤S101,从摄像头获取初始火焰图像,根据所述初始火焰图像获取当前炉口火焰特征集。
在一实施方式中,步骤S101的所述根据所述初始火焰图像获取当前炉口火焰特征集的步骤,包括:
根据所述初始火焰图像提取当前炉口火焰图像;
从所述当前炉口火焰图像提取所述当前炉口火焰特征集。
需要说明的是,本实施例的转炉冶炼终点的确定方法可以应用于电子设备,例如计算机设备中。具体的,电子设备与摄像机通信连接,电子设备还具有其他模块,如摄像机与电子设备之间通过网络、USB线或串口方式连接,电子设备还包括处理器和存储器等器件。
在本实施例中,摄像机安装在转炉防火罩门前方预设距离处,一般可以放置在转炉防火罩前方20m处,摄像机的镜头正对转炉吹炼过程中的观测口位置,镜头视场角在预设角度范围内,距离来说,预设角度范围可以为-30至-30°,本实施例中,镜头视场采用0°,让摄像头能实时采集到转炉吹炼过程中炉口火焰图像,将摄像头采集到的火焰图像作为初始火焰图像。
转炉吹炼开始后,摄像机进入工作状态,摄像头以预设速度直接获取火焰图像,例如,按照2次/s的速度直接获取火焰图像。拍摄时调整摄像机焦距,使其能清楚拍到火焰图像作为初始火焰图像,对每张初始火焰图像提取炉口观测口内火焰图像,统一图像输入尺寸。
摄像机通过加热隔热防护罩的特制支架进行固定,加热隔热防护罩采用耐高温石英玻璃制造,特制支架高度与转炉防火罩观测口高度一致,支持旋转拍摄角度。将摄像头固定在人工看火区域,调整适当角度,使其能够拍摄到转炉炉口火焰。
在一实施方式中,所述根据所述初始火焰图像提取当前炉口火焰图像的步骤,包括:
从所述初始火焰图像提取观测口火焰图像;
将所述观测口火焰图像进行灰度化处理,得到所述当前炉口火焰图像。
具体的,从所述初始火焰图像提取观测口火焰图像,可以将初始火焰图像中的背景区域去掉,只保留观测口尺寸对应的火焰图像,提高图像的有效性。进一步的,将所述观测口火焰图像进行灰度化处理,得到的当前炉口火焰图像,将观测口火焰图像进行灰度预处理,进而得到当前炉口火焰图像,可以减少计算量,提高计算速度。
在一实施方式中,所述从所述当前炉口火焰图像提取所述当前炉口火焰特征集的步骤,包括:
对所述当前炉口火焰图像分别提取亮度值、旋转不变局部二值模式特征值和方向梯度直方图特征值;
根据所述亮度值、所述旋转不变局部二值模式特征值和所述方向梯度直方图特征值生成所述当前炉口火焰特征集。
在本实施例中,对实时获取的当前炉口火焰特征集分别进行处理,得到当前炉口火焰特征集,该当前炉口火焰特征包括但不限于所述亮度值、所述旋转不变局部二值模式特征值和所述方向梯度直方图特征值、炉口火焰轮廓特征、灰度值参数。
举例来说,可以采用HSI颜色空间参数对当前炉口火焰图像建立彩色空间模型,得到当前炉口火焰特征集,该当前炉口火焰特征集包括但不仅限于炉口火焰的轮廓特征和灰度值参数。
步骤S102,通过修正LSTM预测模型根据所述当前炉口火焰特征集确定转炉冶炼的预测中后期转变点。
在本实施例中,修正LSTM预测模型的获取包括以下步骤:
提取多个炉口火焰特征向量,其中,提取的炉口火焰特征向量包括但不限于亮度值、旋转不变LBP特征值和HOG特征值;将多个炉口火焰特征向量作为初始LSTM预测模型的输入变量;
对初始LSTM预测模型的输入变量进行归一化处理,具体使用series tosupervised()函数来转换数据集,将数据转化为多个输入变量和1个输出变量;
将数据集随机分成训练集和测试集,训练集用于初始LSTM预测模型的训练学习,测试集用于LSTM预测模型的评估和测试,获得修正LSTM预测模型;
可以通过修正LSTM预测模型对当前炉口火焰特征数据集中的特征数据对应的炉内冶炼温度进行预测。随机机生成的训练集和测试集的比例为9∶1。
示范性的,提取亮度值可以采用以下方案:采用python中的PIL模块获取图像的亮度值;
提取旋转不变局部二值模式(LBP)特征值可以采用以下方案:LBP用于提取图像纹理特征。确定半径大小和采样点数目后,不断旋转原型邻域内采样点的位置,从得到的一系列的LBP特征值中选择最小的值作为LBP中心像素点的LBP特征值。
提取方向梯度直方图(HOG)特征值可以采用以下方案:HOG是在图像的局部方格单元上操作,对图像几何的和光学的形变都能保持很好的不变性。
需要说明的是,LSTM是一种时间递归神经网络,可以完美的解决多个输入变量的问题,本实施例提供在Keras深度学习库中开发多变量时间序列预测的LSTM预测模型。通过为LSTM预测模型准备转炉冶炼中后期转变点火焰图像特征数据集,将数据集视为监督学习问题并对输入变量进行归一化处理,具体使用series_to_supervised()函数来转换转炉冶炼中后期转变点火焰图像特征数据集,将数据转化为3个输入变量(亮度值、LBP、HOG)和1个输出变量(转炉冶炼中后期转变点)。将转炉冶炼中后期转变点火焰图像特征数据集随机分成训练集和测试集。
本实施例中,随机生成的训练集和测试集的比例为9:1,其中训练集用于LSTM预测模型的训练学习,测试集用于LSTM预测模型的评估和测试,将输入(X)重构为LSTM预测模型预期的3D格式,即[样本,时间步长,特征]以获得修正LSTM预测模型。
进一步补充说明的是,初始LSTM预测模型的隐藏层层数和隐藏层的神经单元数都是可以依据实际需要进行调整。在L初始STM预测模型中使用平均绝对误差(MAE)损失函数,然后通过在fit()函数中设置validation_data参数来跟踪训练过程中的训练和测试失败,在运行结束时,绘制训练和测试损失。将预测集和测试集相结合,并反演缩放,还可以用预期的污染数字来反演测试数据集的缩放。使用预测值和实际值,可以计算模型的误差分数,并且还可以计算出与变量基本相同的单位产生误差的均方根误差(RMSE)。
步骤S103,获取所述预测中后期转变点对应的中后期转变点预测火焰特征。
在一实施例中,步骤S103包括以下步骤:
在所述预测中后期转变点获取对应的中后期转变点预测火焰图像;
从所述中后期转变点预测火焰图像提取所述中后期转变点预测火焰特征。
步骤S104,将所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配。
在本实施例中,若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集匹配,则执行步骤S105,若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集匹配,则返回执行步骤S101。
在一实施方式中,所述转炉冶炼转变点火焰特征集的获取的步骤,包括:
根据转炉烟气数据确定转炉冶炼的中后期转变点;
从历史转炉火焰图像中获取所述中后期转变点对应的中后期转变点历史火焰图像;
从所述中后期转变点历史火焰图像获取所述转炉冶炼转变点火焰特征集。
在本实施例中,转炉烟气数据可以为过去一年转炉烟气数据,历史转炉火焰图像可以为过去1年的转炉炉口火焰图像数据。通过转炉烟气数据对历史转炉火焰图像进行标定,标定出转炉吹炼中后期转变点火焰特征,并将其训练为转炉冶炼转变点火焰特征集。在标定过程中,在判断转炉吹炼中后期转变点时,需要剔除掉明显错误的数据。
在本实施例中,转炉烟气数据用于分析定位转炉冶炼过程中吹炼中后期转变点的时间。历史转炉火焰图像可以为过去1年转炉炉口火焰图像数据,根据中后期转变点的时间,从过去1年转炉炉口火焰图像数据中确定中后期转变点历史火焰图像,最后从中后期转变点历史火焰图像提取转炉中后期的转炉冶炼转变点火焰特征集。具体,转炉冶炼转变点火焰特征集可以包括转炉冶炼转变点对应的亮度值、旋转不变局部二值模式(LBP)特征值、方向梯度直方图(HOG)特征值,还可以包括其他类型的特征值,在此不做限制。
步骤S105,若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期。
本实施例中,将实时获取的中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集中的火焰特征进行对比,若符合转炉冶炼转变点火焰特征集的火焰特征,则生成已达到转炉冶炼中后期转变点信号,对转炉冶炼转变点进行实时预报,确定转炉吹炼进入后期。
步骤S106,通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。
在本实施例中,转炉吹炼后期碳模型用于表示转炉吹炼后期的碳含量分布规律,通过转炉吹炼后期碳模型基于转炉吹炼的中后期转变点碳含量计算得到转炉吹炼终点。
本实施例采用转炉烟气对转炉冶炼中后期转变点进行标定,数据准确,安全可靠,与人工智能的结合,可实现转炉吹炼中后期转变点的实时预测,本实施例能够对人工智能识别能力的准确率有效提升,并通过转炉吹炼后期碳模型对转炉吹炼终点进行预测,与仅靠人工经验判定转炉吹炼终点相比,命中率提高40%,与仅靠人工智能判断终点温度或终点碳含量相比,二次吹炼比例下降了30%。
在一实施方式中,步骤S106包括以下步骤:
通过所述转炉吹炼后期碳模型计算从所述转炉吹炼中后期转变点碳含量更新至当天转炉后期碳含量历史数据的吹炼时长;
根据所述吹炼时长确定所述转炉吹炼终点。
具体的,转炉吹炼后期碳模型包括以下公式1:
其中k为固定值,可以通过转炉某次历史炼钢后期数据计算得到k值,k为历史炼钢过程对应的吹炼终点的碳含量。%C表示碳含量。举例来说,可以通过当天首炉炼钢后期数据计算得到k值。根据公式1,基于转炉吹炼中后期转变点碳含量,计算从转炉吹炼中后期转变点的碳含量转变至转炉吹炼终点对应的碳含量所花费的吹炼时长,从而由该吹炼时长确定转炉吹炼终点。
本实施例采用转炉烟气数据,而不是依据大量的人工取样检测,不仅节省了训练成本,而且降低了工人工作的风险。相较于现有方案对转炉冶炼过程持续分析训练,本实施例所采用的人工智能训练仅针对转炉冶炼中后期转变点进行,该阶段火焰特征变化明显,可以有效的提升人工智能识别准确率。根据转炉吹炼后期脱碳规律,建立转炉吹炼后期钢液脱碳曲线模型,即建立转炉吹炼后期碳模型,通过转炉冶炼终点碳含量实时预报转炉终点,这样,可以有效降低补吹、人工取样检测次数,使工人工作环境更加安全,同时提高生产效率。
与现有技术相比,本实施例提供的转炉冶炼终点的确定方法具有有益效果如下:本实施例所需要训练模型的数据由转炉烟气代替人工取样,可以节省大量的人力财力,降低了工人取样分析检测时的风险;另外,本实施例只对转炉吹炼中后期转变点采用火焰图像识别方式进行预测,相对于直接以当前火焰特征判断钢液中碳含量或温度,转炉吹炼中后期火焰特征变化更明显,转炉吹炼中后期火焰特征确定中后期转变点的结果更准确,可实现实时对中后期转变点的预报,基于火焰图像识别转炉吹炼中后期转变点以及转炉吹炼后期碳模型的结合使用,提高确定转炉吹炼终点的准确率,与仅依靠人工经验判定冶炼终点,准确率提高40%左右;与仅依靠人工智能判断钢液温度或碳含量相比,二次吹炼比例降低20%左右。
实施例2
此外,本公开实施例提供了一种转炉冶炼终点的确定装置。
具体的,参阅图2,转炉冶炼终点的确定装置200包括:
第一获取模块201,用于从摄像头获取初始火焰图像,根据所述初始火焰图像获取当前炉口火焰特征集;
第一确定模块202,用于通过修正LSTM预测模型根据所述当前炉口火焰特征集确定转炉冶炼的预测中后期转变点;
第二获取模块203,用于获取所述预测中后期转变点对应的中后期转变点预测火焰特征;
匹配模块204,用于将所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配;
第二确定模块205,用于若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期;
第三确定模块206,用于通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。
在一实施方式中,第一获取模块201,还用于根据所述初始火焰图像提取当前炉口火焰图像;
从所述当前炉口火焰图像提取所述当前炉口火焰特征集。
在一实施方式中,第一获取模块201,还用于从所述初始火焰图像提取观测口火焰图像;
将所述观测口火焰图像进行灰度化处理,得到所述当前炉口火焰图像。
在一实施方式中,第一获取模块201,还用于对所述当前炉口火焰图像分别提取亮度值、旋转不变局部二值模式特征值和方向梯度直方图特征值;
根据所述亮度值、所述旋转不变局部二值模式特征值和所述方向梯度直方图特征值生成所述当前炉口火焰特征集。
在一实施方式中,第二获取模块203,还用于在所述预测中后期转变点获取对应的中后期转变点预测火焰图像;
从所述中后期转变点预测火焰图像提取所述中后期转变点预测火焰特征。
在一实施方式中,匹配模块204,还用于根据转炉烟气数据确定转炉冶炼的中后期转变点;
从历史转炉火焰图像中获取所述中后期转变点对应的中后期转变点历史火焰图像;
从所述中后期转变点历史火焰图像获取所述转炉冶炼转变点火焰特征集。
在一实施方式中,第三确定模块,还用于通过所述转炉吹炼后期碳模型计算从所述转炉吹炼中后期转变点碳含量更新至当天转炉后期碳含量历史数据的吹炼时长;
根据所述吹炼时长确定所述转炉吹炼终点。
与现有技术相比,本实施例提供的转炉冶炼终点的确定装置具有有益效果如下:本实施例所需要训练模型的数据由转炉烟气代替人工取样,可以节省大量的人力财力,降低了工人取样分析检测时的风险;另外,本实施例只对转炉吹炼中后期转变点采用火焰图像识别方式进行预测,相对于直接以当前火焰特征判断钢液中碳含量或温度,转炉吹炼中后期火焰特征变化更明显,转炉吹炼中后期火焰特征确定中后期转变点的结果更准确,可实现实时对中后期转变点的预报,基于火焰图像识别转炉吹炼中后期转变点以及转炉吹炼后期碳模型的结合使用,提高确定转炉吹炼终点的准确率,与仅依靠人工经验判定冶炼终点,准确率提高40%左右;与仅依靠人工智能判断钢液温度或碳含量相比,二次吹炼比例降低20%左右。
实施例3
此外,本公开实施例提供了一种电子设备,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行实施例1所提供的转炉冶炼终点的确定方法。
本实施例提供的电子设备可以实现实施例1所提供的转炉冶炼终点的确定方法,为避免重复,在此不再赘述。
实施例4
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序在处理器上运行时执行实施例1所提供的转炉冶炼终点的确定方法。
本实施例提计算机可读存储介质可以实现实施例1所述提供的转炉冶炼终点的确定方法,为避免重复,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种转炉冶炼终点的确定方法,其特征在于,所述方法包括:
从摄像头获取初始火焰图像,根据所述初始火焰图像获取当前炉口火焰特征集;
通过修正LSTM预测模型根据所述当前炉口火焰特征集确定转炉冶炼的预测中后期转变点;
获取所述预测中后期转变点对应的中后期转变点预测火焰特征;
将所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配;
若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期;
通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始火焰图像获取当前炉口火焰特征集的步骤,包括:
根据所述初始火焰图像提取当前炉口火焰图像;
从所述当前炉口火焰图像提取所述当前炉口火焰特征集。
3.根据权利要求2所述的方法,其特征在于,所述根据所述初始火焰图像提取当前炉口火焰图像的步骤,包括:
从所述初始火焰图像提取观测口火焰图像;
将所述观测口火焰图像进行灰度化处理,得到所述当前炉口火焰图像。
4.根据权利要求2所述的方法,其特征在于,所述从所述当前炉口火焰图像提取所述当前炉口火焰特征集的步骤,包括:
对所述当前炉口火焰图像分别提取亮度值、旋转不变局部二值模式特征值和方向梯度直方图特征值;
根据所述亮度值、所述旋转不变局部二值模式特征值和所述方向梯度直方图特征值生成所述当前炉口火焰特征集。
5.根据权利要求1所述的方法,其特征在于,所述获取所述预测中后期转变点对应的中后期转变点预测火焰特征的步骤,包括:
在所述预测中后期转变点获取对应的中后期转变点预测火焰图像;
从所述中后期转变点预测火焰图像提取所述中后期转变点预测火焰特征。
6.根据权利要求1所述的方法,其特征在于,所述转炉冶炼转变点火焰特征集的获取的步骤,包括:
根据转炉烟气数据确定转炉冶炼的中后期转变点;
从历史转炉火焰图像中获取所述中后期转变点对应的中后期转变点历史火焰图像;
从所述中后期转变点历史火焰图像获取所述转炉冶炼转变点火焰特征集。
7.根据权利要求1所述的方法,其特征在于,所述通过转炉吹炼后期碳模型根据转炉吹炼中后期转变点碳含量确定转炉吹炼终点的步骤,包括:
通过所述转炉吹炼后期碳模型计算从所述转炉吹炼中后期转变点碳含量更新至当天转炉后期碳含量历史数据的吹炼时长;
根据所述吹炼时长确定所述转炉吹炼终点。
8.一种转炉冶炼终点的确定装置,其特征在于,所述装置包括:
第一获取模块,用于从摄像头获取初始火焰图像,根据所述初始火焰图像获取当前炉口火焰特征集;
第一确定模块,用于通过修正LSTM预测模型根据所述当前炉口火焰特征集确定转炉冶炼的预测中后期转变点;
第二获取模块,用于获取所述预测中后期转变点对应的中后期转变点预测火焰特征;
匹配模块,用于将所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集进行匹配;
第二确定模块,用于若所述中后期转变点预测火焰特征与转炉冶炼转变点火焰特征集相匹配,则确定转炉吹炼进入后期;
第三确定模块,用于通过转炉吹炼后期碳模型根据转炉吹炼的中后期转变点碳含量确定转炉吹炼终点。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的转炉冶炼终点的确定方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的转炉冶炼终点的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210519046.9A CN115147349A (zh) | 2022-05-12 | 2022-05-12 | 转炉冶炼终点的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210519046.9A CN115147349A (zh) | 2022-05-12 | 2022-05-12 | 转炉冶炼终点的确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147349A true CN115147349A (zh) | 2022-10-04 |
Family
ID=83405775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210519046.9A Pending CN115147349A (zh) | 2022-05-12 | 2022-05-12 | 转炉冶炼终点的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147349A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115786626A (zh) * | 2022-12-23 | 2023-03-14 | 阳春新钢铁有限责任公司 | 一种降低工业材钢水进站氧的方法 |
-
2022
- 2022-05-12 CN CN202210519046.9A patent/CN115147349A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115786626A (zh) * | 2022-12-23 | 2023-03-14 | 阳春新钢铁有限责任公司 | 一种降低工业材钢水进站氧的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及*** | |
CN109492708B (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN105425123A (zh) | 一种紫外成像与红外成像协同检测电力设备故障的方法及*** | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及*** | |
CN110889441A (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN111027631A (zh) | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 | |
CN115616470B (zh) | 电流互感器计量误差状态预测方法、***、设备及介质 | |
CN115147349A (zh) | 转炉冶炼终点的确定方法、装置、电子设备及存储介质 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化*** | |
CN115507309B (zh) | 一种燃气泄漏报警方法和*** | |
CN116839650B (zh) | 一种智能化仪器仪表检定***及方法 | |
CN113674280A (zh) | 一种电站锅炉炉膛温度测量方法 | |
CN117093822B (zh) | 基于产业知识图谱的产业大脑数据分析平台 | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN110222814B (zh) | 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法 | |
CN117637046A (zh) | 一种转炉tso预测方法 | |
CN113610167B (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
CN111738259A (zh) | 一种杆塔状态检测方法及装置 | |
CN109407630B (zh) | 参数计算的方法、装置、终端及可读存储介质 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN111881127A (zh) | 基于多项式耦合的流域库岸边坡检测数据校验方法及*** |
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 |