【技術實現步驟摘要】
本專利技術屬于檢測，具體涉及一種自適應的鋼水下渣信號異常檢測系統及方法。
技術介紹
1、在鋼鐵生產過程中，下渣的檢測是一個重要的環節。下渣的準確檢測可以顯著提高鋼鐵的質量，減少生產成本，并且對環境保護也有重要意義。傳統的下渣檢測方法主要依賴于人工觀察和經驗判斷，這不僅效率低下，而且容易出現誤判，導致生產效率降低和資源浪費。
2、隨著智能制造技術的發展，自動化下渣檢測技術逐漸受到重視。目前的自動化下渣檢測方法主要包括基于視覺識別的檢測、基于聲音信號的檢測和基于振動信號的檢測等。然而，這些方法在實際應用中仍存在一定的局限性。視覺識別方法容易受到光照和灰塵等環境因素的干擾；聲音信號檢測和振動信號檢測則對設備和環境的要求較高，且檢測精度不高。
3、現有技術的缺陷和不足：
4、1、視覺識別方法的缺陷：
5、受環境影響大：視覺識別方法對光照條件和灰塵環境的敏感性較高，容易出現誤判。
6、成本高：高精度的視覺識別設備成本較高，維護費用也較大。
7、當轉爐中的鋼水從出口中倒出后,通過轉爐中的擋渣球擋住出口,從而使得轉爐中只能使得鋼水從出口倒出,在鋼水倒出時,會使一些殘渣流出,通過紅外成像儀將鋼水倒出的圖像導入工控機,通過工控機將圖片進行處理,從而通過對圖片進行分析,實時對鋼水的殘渣進行監測,但紅外成像儀功能單一,在檢測鋼水中存在殘渣后無法將其過濾,需要操作人員另外操作設備對其進行清理、操作步驟繁瑣,從而導致了生產效率低的問題,不能滿足自動檢測裝置的工作要求(見專利20221
8、2、聲音信號檢測方法的缺陷：
9、使用音頻傳感器采集鋼水及鋼渣流出水口時相應的聲音信號，并轉換成相應的模擬波形輸出至音頻信號預處理裝置；音頻信號預處理裝置，用于將對應于鋼水及鋼渣聲音信號的模擬波形轉換成相應的數字信號輸出至主控裝置；以及主控裝置，用于從對應于鋼水及鋼渣聲音信號的數字信號中分析識別鋼渣的特征聲譜，從而判斷流入到中間包中的鋼水中是否含有鋼渣(見專利201010601407.1)。
10、檢測精度低：聲音信號檢測方法的信噪比低，容易受到環境噪聲的干擾，導致檢測結果不準確。
11、環境要求高：需要在噪音較低的環境中進行檢測，限制了其應用范圍。
12、3、振動信號檢測方法的缺陷：
13、在操作臂上遠離長水口的一端，在其垂直截面上不同方向上安裝多個振動傳感器以采集多個方向的振動信號；將信號進行信號放大、濾波、采樣和a/d轉換后形成采樣信號；對采集到的大量振動信號進行離線處理，構成其典型特征矢量，采取有效的矢量量化算法訓練出對應各個狀態的碼本，作為在線識別時各澆鑄狀態的碼本知識庫；對采樣信號通過小波包分析方法獲得特征向量，通過碼字的搜索和運算，判斷目前的狀態屬于碼本知識庫中哪一個碼本，從而給出是否下渣信息(見專利200510050311.x)。
14、設備復雜：振動信號檢測需要復雜的傳感器和信號處理設備，增加了系統的復雜性和成本。
15、效率低：振動信號檢測的實時性較差，難以滿足高效生產的需求。
技術實現思路
1、本專利技術提供的一種自適應的鋼水下渣信號異常檢測系統及方法，目的是克服現有技術中鋼鐵生產過程中下渣檢測的成本高、檢測精度低、抗干擾能力差、效率低的問題。
2、為此，本專利技術提供了一種自適應的鋼水下渣信號異常檢測系統，包括
3、數據采集模塊，用于實時采集與下渣過程相關的時序數據，將采集的時序數據傳輸至數據預處理模塊；
4、數據預處理模塊，用于接收數據預處理模塊傳輸的時序數據，并將接收的時序數據過濾后進行歸一化處理；
5、深度學習網絡預測模塊，用于使用歷史正常數據訓練深度學習網絡預測模塊，使其學習下渣過程中的正常模式，通過正常模式，輸出并優化預測結果；
6、異常檢測模塊，用于實時將數據預處理模塊預處理后的數據輸入訓練好的深度學習網絡預測模塊，輸出預測結果，將預測結果與閾值作比較，判斷是否存在異常情況；
7、報警模塊，用于當異常檢測模塊檢測到異常情況時，啟動報警模塊，自動關閉水口，并提醒操作人員采取措施。
8、優選的，所述數據采集模塊包括多個傳感器和線圈。
9、優選的，所述深度學習網絡預測模塊包括編碼器和解碼器，編碼器用于通過正常模式處理輸入的時序數據，輸出隱空間表示；解碼器用于采用一個線性層加上sigmoid激活函數的結構，將編碼器輸出的隱空間表示解碼為最終的預測結果。
10、優選的，所述深度學習網絡預測模塊采用式(1)進行訓練，
11、
12、其中，是在時間t+k處的預測結果，xt是時間t處的輸入數據，θ是模型的參數；n、k均為時間。
13、優選的，所述異常檢測模塊包括誤差計算單元、自適應閾值判斷單元和報警觸發單元；誤差計算單元用于預測值處理與誤差計算；自適應閾值判斷單元用于設定自適應閾值，將誤差與自適應閾值做比較，當誤差大于自適應閾值時，啟動報警觸發單元；報警觸發單元用于啟動報警模塊。
14、優選的，所述誤差計算單元具體為：訓練好的深度學習網絡預測模塊輸出的是一個時間窗口內的多個預測值其中k＝1,2,…,n；計算誤差時，對預測值窗口進行處理，處理公式為：
15、
16、誤差計算公式為：
17、error＝∣processed?prediction-yt∣???式(3)
18、其中，yt是實際值，processed?prediction是經過處理后的預測值。
19、優選的，所述設定自適應閾值包括基于統計分析的自適應閾值設定和基于滑動窗口的自適應閾值設定。
20、優選的，所述基于統計分析的自適應閾值設定為：通過分析歷史數據中的誤差分布，計算誤差的均值μ和標準差σ，并設定自適應閾值：
21、threshold＝μ+k·σ??????式(4)
22、其中，k是調節系數，threshold是自適應閾值。
23、優選的，所述基于滑動窗口的自適應閾值設定為：在實時檢測過程中，使用滑動窗口技術計算最近一段時間內的誤差均值μt和標準差σt:
24、thresholdt＝μt+k·σt???式(5)
25、其中，t為時間，thresholdt為最近一段時間內的自適應閾值均值。
26、一種自適應的鋼水下渣信號異常檢測方法，包括如下步驟：
27、s1、數據采集模塊實時采集與下渣過程相關的時序數據；
28、s2、數據預處理模塊將采集的時序數據過濾后進行歸一化處理；
29、s3、使用歷史正常數據對深度學習網絡預測模塊進行訓練，使其學習下渣過程中的正常模式，通過正常模式，輸出并優化預測結果，完成深度學習網絡預測模塊的訓練；
30、s4、實時將數據預處本文檔來自技高網...
【技術保護點】
1.一種自適應的鋼水下渣信號異常檢測系統，其特征在于：包括
2.如權利要求1所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述數據采集模塊包括多個傳感器和線圈。
3.如權利要求1所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述深度學習網絡預測模塊包括編碼器和解碼器，編碼器用于通過正常模式處理輸入的時序數據，輸出隱空間表示；解碼器用于采用一個線性層加上Sigmoid激活函數的結構，將編碼器輸出的隱空間表示解碼為最終的預測結果。
4.如權利要求3所述的自適應的鋼水下渣信號異常檢測方法，其特征在于：所述深度學習網絡預測模塊采用式(1)進行訓練，
5.如權利要求1所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述異常檢測模塊包括誤差計算單元、自適應閾值判斷單元和報警觸發單元；誤差計算單元用于預測值處理與誤差計算；自適應閾值判斷單元用于設定自適應閾值，將誤差與自適應閾值做比較，當誤差大于自適應閾值時，啟動報警觸發單元；報警觸發單元用于啟動報警模塊。
6.如權利要求5所述的自適應的鋼水下渣信號異常檢測系統，其特征
7.如權利要求6所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述設定自適應閾值包括基于統計分析的自適應閾值設定和基于滑動窗口的自適應閾值設定。
8.如權利要求7所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述基于統計分析的自適應閾值設定為：通過分析歷史數據中的誤差分布，計算誤差的均值μ和標準差σ，并設定自適應閾值：
9.如權利要求8所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述基于滑動窗口的自適應閾值設定為：在實時檢測過程中，使用滑動窗口技術計算最近一段時間內的誤差均值μt和標準差σt:
10.一種自適應的鋼水下渣信號異常檢測方法，其特征在于：包括如下步驟：
...【技術特征摘要】
1.一種自適應的鋼水下渣信號異常檢測系統，其特征在于：包括
2.如權利要求1所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述數據采集模塊包括多個傳感器和線圈。
3.如權利要求1所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述深度學習網絡預測模塊包括編碼器和解碼器，編碼器用于通過正常模式處理輸入的時序數據，輸出隱空間表示；解碼器用于采用一個線性層加上sigmoid激活函數的結構，將編碼器輸出的隱空間表示解碼為最終的預測結果。
4.如權利要求3所述的自適應的鋼水下渣信號異常檢測方法，其特征在于：所述深度學習網絡預測模塊采用式(1)進行訓練，
5.如權利要求1所述的自適應的鋼水下渣信號異常檢測系統，其特征在于：所述異常檢測模塊包括誤差計算單元、自適應閾值判斷單元和報警觸發單元；誤差計算單元用于預測值處理與誤差計算；自適應閾值判斷單元用于設定自適應閾值，將誤差與自適應閾值做比較，當誤差大于自適應閾值時，啟動報警觸發單元；報警觸發單...
【專利技術屬性】
技術研發人員：高琦，王文學，何博，陳征，霍躍欽，左水，
申請(專利權)人：中國重型機械研究院股份公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。