【技術實現步驟摘要】
本專利技術涉及人工智能及煉鋼，尤其涉及一種基于人工智能的轉爐無人出渣監測方法和裝置。
技術介紹
1、目前轉爐無人出渣實施，是依靠激光定位確認轉爐渣罐車在合適的位置，依靠紅外攝像確認轉爐鋼渣落入爐下渣罐。目前在轉爐出渣監測領域，cn?118308561?a公開了一種轉爐出渣控制方法，其方法主要是根據實時圖像數據確定獲取含有目標轉爐的出渣口和目標渣車上渣罐的實時圖像數據；根據實時圖像數據確定出渣口是否存在目標渣流；在出渣口存在目標渣流之后，根據實時圖像數據確定渣罐中的實際凈空高度；根據實際凈空高度確定目標轉爐是否停止向渣罐中出渣。該專利技術通過對渣罐凈空進行識別，在渣罐的剩余空間不足時及時停止出渣，降低渣罐溢渣的出現幾率，進而可以減少渣罐出現飛濺現象的幾率，提高出渣過程中的安全性。
2、但是該現有技術仍然存在著如下缺陷：
3、1、監測手段單一：其主要依賴激光定位和紅外攝像兩種手段，當其中任一系統發生故障或受到干擾(如激光定位遮擋、紅外攝像故障)時，缺乏備用監測手段。
4、2、功能局限性：僅能測量渣罐凈空和確認渣流位置，無法判斷出渣是否正常，不能識別非正常出渣情況，不能全面監測轉爐與渣罐的相對位置關系。
5、3、智能化程度低：主要依靠簡單的圖像測量和位置定位，缺乏智能識別和判斷能力，無法學習和積累經驗，不能適應復雜多變的現場環境。
6、4、安全性不足：無法及時識別和預警異常情況，缺乏對出渣過程的全面監測，在設備故障時無法提供有效的安全保障。
技術實
1、有鑒于此，本專利技術提供一種基于人工智能的轉爐無人出渣監測方法和裝置，以解決上述提及的至少一個問題。
2、為了實現上述目的，本專利技術采用以下方案：
3、根據本專利技術的第一方面，提供一種基于人工智能的轉爐無人出渣監測方法，所述方法包括：獲取轉爐出渣過程的歷史圖像數據，所述歷史圖像數據包括正常出渣圖像數據和非正常出渣圖像數據；對所述歷史圖像數據進行標注和特征提取，所述特征包括渣流形態特征、鋼渣位置特征、轉爐與渣罐相對位置特征、出渣開始時刻和出渣結束時刻；基于提取的所述特征建立數據庫，并利用所述數據庫訓練出渣監測模型，使所述出渣監測模型學習識別和判斷正常出渣、非正常出渣、轉爐鋼渣開始流出、出渣結束、正常轉爐與渣罐的位置關系以及非正常轉爐與渣罐的位置關系；將訓練好的所述出渣監測模型部署到實際生產環境中，對轉爐無人出渣過程進行實時監測并提供出渣過程及告警提示。
4、作為本專利技術的一個實施例，上述出渣過程的提示包括：出渣開始階段和出渣結束階段；所述告警提示包括：鋼渣溢出風險告警。
5、作為本專利技術的一個實施例，上述方法還包括：基于所述歷史圖像數據中的正常出渣圖像數據，利用單分類支持向量機算法訓練異常識別模型以識別出未在所述非正常出渣圖像數據出現的異常出渣情況。
6、作為本專利技術的一個實施例，上述單分類支持向量機算法采用徑向基核函數，并通過網格搜索或交叉驗證方法優化核參數γ和懲罰參數ν，以確定最優的異常識別模型。
7、作為本專利技術的一個實施例，上述方法還包括：獲取轉爐出渣的歷史出渣數據，所述歷史出渣數據包括出渣時間、出渣量、轉爐傾動角度、渣罐類型、渣罐初始重量；對所述歷史出渣數據進行數據清洗和預處理；利用經過數據清洗和預處理的所述歷史出渣數據訓練出渣時間及出渣量預測模型；將所述出渣時間及出渣量預測模型部署到實際生產環境中，結合所述出渣監測模型優化生產調度。
8、作為本專利技術的一個實施例，上述出渣時間及出渣量預測模型結合所述出渣監測模型優化生產調度包括：在所述出渣監測模型對出渣過程進行監控的過程中，若所述出渣時間及出渣量預測模型預測的出渣量超過渣罐容量的預設百分比時，所述出渣監測模型提前發出預警，提示操作人員更換渣罐或調整出渣速度，避免渣罐溢出；若所述出渣時間及出渣量預測模型預測的出渣時間超過預設閾值，則所述出渣監測模型提前發出預警，提示操作人員調整生產調度計劃；所述出渣時間及出渣量預測模型根據預測的出渣量和出渣時間，結合所述出渣監測模型實時監測的轉爐與渣罐的相對位置，動態調整兩者的位置關系，確保鋼渣落入渣罐，避免非正常出渣；根據所述出渣時間及出渣量預測模型根據預測的出渣量和出渣時間，提前安排合適數量和類型的渣罐車到指定位置，以避免渣罐車等待時間過長或資源不足，從而提高生產效率。
9、根據本專利技術的第二方面，提供一種基于人工智能的轉爐無人出渣監測裝置，所述裝置包括：獲取轉爐出渣過程的歷史圖像數據，所述歷史圖像數據包括正常出渣圖像數據和非正常出渣圖像數據；對所述歷史圖像數據進行標注和特征提取，所述特征包括渣流形態特征、鋼渣位置特征、轉爐與渣罐相對位置特征、出渣開始時刻和出渣結束時刻；基于提取的所述特征建立數據庫，并利用所述數據庫訓練出渣監測模型，使所述出渣監測模型學習識別和判斷正常出渣、非正常出渣、轉爐鋼渣開始流出、出渣結束、正常轉爐與渣罐的位置關系以及非正常轉爐與渣罐的位置關系；將訓練好的所述出渣監測模型部署到實際生產環境中，對轉爐無人出渣過程進行實時監測并提供出渣過程及告警提示。
10、作為本專利技術的一個實施例，上述出渣過程的提示包括：出渣開始階段和出渣結束階段；所述告警提示包括：鋼渣溢出風險告警。
11、作為本專利技術的一個實施例，上述裝置還包括：異常識別單元，用于基于所述歷史圖像數據中的正常出渣圖像數據，利用單分類支持向量機算法訓練異常識別模型以識別出未在所述非正常出渣圖像數據出現的異常出渣情況。
12、作為本專利技術的一個實施例，上述單分類支持向量機算法采用徑向基核函數，并通過網格搜索或交叉驗證方法優化核參數γ和懲罰參數ν，以確定最優的異常識別模型。
13、作為本專利技術的一個實施例，上述裝置還包括：出渣數據獲取單元，用于獲取轉爐出渣的歷史出渣數據，所述歷史出渣數據包括出渣時間、出渣量、轉爐傾動角度、渣罐類型、渣罐初始重量；預處理單元，用于對所述歷史出渣數據進行數據清洗和預處理；預測模型訓練單元，用于利用經過數據清洗和預處理的所述歷史出渣數據訓練出渣時間及出渣量預測模型；調度優化單元，用于將所述出渣時間及出渣量預測模型部署到實際生產環境中，結合所述出渣監測模型優化生產調度。
14、作為本專利技術的一個實施例，上述調度優化單元利用出渣時間及出渣量預測模型結合所述出渣監測模型優化生產調度包括：在所述出渣監測模型對出渣過程進行監控的過程中，若所述出渣時間及出渣量預測模型預測的出渣量超過渣罐容量的預設百分比時，所述出渣監測模型提前發出預警，提示操作人員更換渣罐或調整出渣速度，避免渣罐溢出；若所述出渣時間及出渣量預測模型預測的出渣時間超過預設閾值，則所述出渣監測模型提前發出預警，提示操作人員調整生產調度計劃；所述出渣時間及出渣量預測模型根據預測的出渣量和出渣時間，結合所述出渣監測模型實時監測的轉爐與渣罐的相對位置，動態調整兩者的位置關系，確保鋼渣落入渣罐，避免非正常出渣；根據所述出渣時間及出渣量預測模型根據預測本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的轉爐無人出渣監測方法，其特征在于，所述方法包括：
2.如權利要求1所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述出渣過程的提示包括：出渣開始階段和出渣結束階段；所述告警提示包括：鋼渣溢出風險告警。
3.如權利要求1所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述方法還包括：基于所述歷史圖像數據中的正常出渣圖像數據，利用單分類支持向量機算法訓練異常識別模型以識別出未在所述非正常出渣圖像數據出現的異常出渣情況。
4.如權利要求3所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述單分類支持向量機算法采用徑向基核函數，并通過網格搜索或交叉驗證方法優化核參數γ和懲罰參數ν，以確定最優的異常識別模型。
5.如權利要求1所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述方法還包括：
6.如權利要求5所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述出渣時間及出渣量預測模型結合所述出渣監測模型優化生產調度包括：
7.一種基于人工智能的轉爐無人出渣監測裝置，其
8.一種電子設備，包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-6任一項所述方法的步驟。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1-6任一項所述方法的步驟。
10.一種計算機程序產品，包括計算機程序/指令，其特征在于，所述計算機程序/指令被處理器執行時實現權利要求1至6任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于人工智能的轉爐無人出渣監測方法，其特征在于，所述方法包括：
2.如權利要求1所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述出渣過程的提示包括：出渣開始階段和出渣結束階段；所述告警提示包括：鋼渣溢出風險告警。
3.如權利要求1所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述方法還包括：基于所述歷史圖像數據中的正常出渣圖像數據，利用單分類支持向量機算法訓練異常識別模型以識別出未在所述非正常出渣圖像數據出現的異常出渣情況。
4.如權利要求3所述的基于人工智能的轉爐無人出渣監測方法，其特征在于，所述單分類支持向量機算法采用徑向基核函數，并通過網格搜索或交叉驗證方法優化核參數γ和懲罰參數ν，以確定最優的異常識別模型。
5.如權利要求1所述的基于人工智能的轉爐無人出渣監測...
【專利技術屬性】
技術研發人員：張茂林，余慧，王磊，
申請(專利權)人：中冶京誠工程技術有限公司，
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。