基于卷积神经网络火焰图像识别的转炉炼钢终点碳温实时预报

发布时间：2020-05-10 14:05

【摘要】：转炉炼钢终点的判定是转炉生产中的重要环节,判定的准确度直接影响生产出的钢水质量,主要判定依据是炉内钢水的碳含量和温度是否达到出钢要求,因此检测钢水中含的碳含量和温度在判定过程中占据主要因素。碳含量和温度测量的难点在于终点时刻连续实时的准确预报,现有终点时刻碳温检测的方法如副枪检测法虽然准确但成本较高不易普及且不能连续探测,传统的转炉终点判定方法利用提取的人工火焰特征虽然可以实现对转炉终点的判定,但不能连续实时的预测终点时刻熔池内的碳含量和温度,且存在易受环境干扰、丢失火焰图像特征信息多等问题而影响精度。针对此问题,本文主要研究内容描述如下:(1)通过工业相机现场采集转炉炼钢吹炼过程炉口火焰变化视频,将该火焰视频数据逐帧转至更符合人类观察的HSI色彩空间,分析随着吹炼过程的进行,火焰图像在HSI色彩空间的色度、色调值的变化趋势,找出其与转炉吹炼过程碳温变化相关联的特征,通过建立BP神经网络拟合分析转炉炼钢终点时刻火焰图像特征与碳含量和温度之间的关联关系;(2)提出基于改进的Lenet-5卷积神经网络的转炉炼钢终点碳含量预测方法,对传统Lenet-5结构的不足进行分析,在传统结构上加入局部响应归一化处理,增加模型的泛化能力,并将原有Sigmoid激活函数改为Swish激活函数,避免因参数饱和而造成梯度爆炸或消失的问题。经过多次对内部参数(如卷积核大小、全连接隐含层神经元个数、学习率等)的调整并做对比试验,建立了适合于提取火焰图像特征的基于Lenet-5卷积神经网络的转炉终点碳含量预测模型,可连续实时预测终点时刻碳含量且精度更高;(3)提出一种多尺度融合深度卷积神经网络的转炉炼钢终点碳含量预测方法,对传统卷积神经网络结构的不足进行分析,利用残差结构提升传统卷积神经网络预测模型结构的深度,结合多尺度融合卷积层,充分利用1×1卷积核降维、多通道信息关联等特点,提取丰富而又抽象的火焰图像特征,将这些提取到的火焰特征通过神经网络映射到火焰样本的标记空间,制作转炉终点火焰彩色图像数据集,训练出能够连续实时预报终点时刻碳含量的模型;(4)提出一种四元数表示的卷积神经网络转炉炼钢碳含量预测方法,分析传统卷积层分通道提取火焰图像特征的不足,建立四元数卷积四元数全连接神经网络结构模型,四元数卷积层能够保留通道之间的关联性,减少火焰图像因为分通道处理而导致的关联信息的丢失。分析传统全连接层对四元数火焰特征的影响,为了保留前面四元数卷积层提取的四元数火焰特征中多通道之间的关联性,避免被普通全连接层的操作破坏,在四元数卷积层的基础上加入四元数表示的全连接层,四元数全连接层就是满足全连接规则的1×1四元数卷积操作,使神经网络能够保留多通道关联特征,并通过实验验证了它的优越性。
【图文】：

转炉,副枪

昆明理工大学硕士学位论文4则单位金属氧化量也几乎不变，因此很容易通过单位时间供氧量和供养时间推算出转炉终点。现场的工人师傅也常常将单位时间供氧量和供养时间作为判定转炉终点的参考依据。图1.1转炉炼钢取样检测现场图转炉炼钢吹炼时熔池内会发生复杂的氧化还原反应，仅依靠工人师傅的经验去判断终点的效率很低，，经常需要进行一次或多次的重新补吹，这不仅使炼钢效率低下，还会影响钢水质量，缩短使用寿命，还会污染环境，同时取样检测时耗费传感器成本较高。另一方面，不同的工人师傅之间主观思想和工作经验不同，影响判断的精度。1.2.2副枪检测及炉气分析法由于人工经验判定的局限性，国内外一些大型钢厂使用更为昂贵的副枪、炉气分析仪等装置来检测熔池内的各种化学元素及温度是否达到出钢要求，进而对吹炼过程进行控制。（1）副枪检测法

炉口,转炉,火焰,设备

昆明理工大学硕士学位论文14（为学习率，∈(0,1)）2.2实验与分析2.2.1实验数据及平台介绍本实验所使用的设备为具有GPU加速的笔记本一台，所用实验平台为Matlab软件，实验所用的火焰视频数据是通过cmos500万像素工业相机采集自某炼钢厂的转炉炉口中，出钢时的碳含量和温度标签都是经过现场工人检测过的真实数据。工业现场炼钢时，钢水由于温度的升高发生剧烈的物理化学反应，导致钢水飞溅，为了保护现场操作的工人师傅，炼钢炉的保护门会关闭，但每次能观测到的区域大小不同，工人师傅就是通过观察这个区域内的火焰来判断转炉终点，炉口火焰采集设备及火焰视频图像如图2.1、图2.2所示。图2.1转炉炼钢炉口火焰采集设备图2.2转炉炼钢炉口火焰高清视频图像
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;TF713

【相似文献】