基于图像处理的转炉终点预测研究
发布时间：2021-08-07 17:01
目前转炉炼钢仍然是我国众多炼钢方式中最主要、最高效的冶炼方式,整个过程是高温密闭、内部信息缺失的复杂过程。对于转炉一直以来难以解决的问题是终点预测的准确控制。其中吹氧是转炉炼钢的一个重要环节,吹入氧气能够减少碳含量,升高炉内温度除去杂质元素,准确的控制氧气量能够在一定程度上提高终点命中率。随着图像处理技术的不断发展,可提出通过转炉炼钢的火焰提取有效的火焰信息预测终点。在炼钢的过程中,随着吹炼的进行,钢水内的各种元素以及温度在发生变化的时候必然体现在火焰中,通过提取火焰的颜色特征、边界复杂度特征以及纹理特征建立吹炼模型,这是基于图像处理预测终点的关键。火焰在燃烧的过程中变化极快,因此提取特征存在一定的困难,为精确的预测吹炼终点,本文进行一系列的研究,具体研究内容如下:（1）在炼钢的过程中,吹氧是一个重要的环节,合理的吹氧量能够有效提高终点的命中率。本文通过引入深度学习,采用深度信念网络,建立吹氧模型,并对深度信念网络进行改进,一方面有效的提高了终点命中率,另一方面能够提高钢厂的生产效率;（2）针对当前国内某钢厂的转炉炼钢吹炼状态识别仍由人工经验完成进而导致吹炼状态识别率低的生产现状,提出...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
转炉炼钢工艺图
内蒙科技大学硕士学位论文-12-经过关联度计算之后，选取关联度大于0.6的做为主导因数为输入量，由表一可知，选取铁水质量、废钢质量、铁水中碳质量分数、目标钢水含碳量、铁水中硅含量、目标钢水温度、铁水温度七个因素做为建模的输入量。输出量为耗氧量。3.2深度信念网络深度学习[29]是GeoffreyHinton等人在2006年提出的。深度信念网络(DeepBeliefNetworks，DBN)属于深度学习的一种网络模型，也属于神经网络的一个分支。一般的浅层网络无法深入的挖掘数据之间的潜在关系，而深度学习能够更深层次的提取数据之间的关系。深度信念网络是一种概率生成模型，由许多个受限玻尔兹曼机(RestrictedBoltzmannMachine,RBM)[30]堆叠构成的，底层RBM的隐藏层是高层RBM的可见层，经过训练之后，输出都是输入的一个非线性变换过程。3.2.1受限玻尔兹曼机RBM是一个两层的无向图模型，由可见层V和隐藏层H组成，可见层与隐藏层都在神经元层内无连接，层间属于全连接。结构如图3.1所示：图3.1受限玻尔兹曼机模型结构图若所有的可见层与隐藏层都属于二值分布，即i,j,vi∈[0,1],hj∈[0,1].假设可见层与隐藏层的单元数分别为m和n，则给定的一组状态（v,h），RBM的能量函数[31]为：nimjjijimjjjniiihwvhbvahvE1111,）（（式3.5）上式中θ={wij,ai,bj}，wij是可视层和隐藏层间的连接权值，ai为可视层单元的偏置，bj为隐藏层单元的偏置。由能量函数可得到这组状态（v,h）的联合概率分布为：ZehvPhvE),(,）（（式3.6）hvhvEeZ,),(（式3.7）其中，Zθ为归一化因子。对于RBM隐含层h和可见层单元v的条件概率分布分别为：)(|1iijijj）（wvbsigmoidvhP（式3.8）
内蒙古科技大学硕士学位论文-13-)(|1iijjii）（whasigmoidhvP（式3.9）式中)exp(-11)(xxsigmoid。3.2.2深度网络模型深度信念网络是一个由多层无监督的RBM和一层受监督的反向传播网络（BackPropagation,BP）组成的深层网络，通过引入深度网络，以计算更多复杂的输入特征。因为每一个隐藏层可以对上一层的输出进行非线性变换，因此深度神经网络拥有比“浅层”网络更加优异的表达能力。训练出的模型精度要更加精确。其网络结构如图3.2所示。图3.2深度信念网络模型结构深度信念网络是一个深层的非线性网络结构，能够解决复杂过程的非线性问题。但RBM的可见层输入必须符合二值分布，若在处理连续的转炉耗氧量输入数据时会导致信息的丢失，最终影响建模的精度。基于这种问题，可以引入高斯伯努利受限玻尔兹曼机（GBRBM）解决输入数据信息丢失的问题。3.2.3深度网络模型高斯伯努利受限玻尔兹曼机高斯伯努利受限玻尔兹曼机（GBRBM）通过引入高斯函数，使得输入向量不再局限于与二值分布，这样能够有效的解决了数据丢失的问题。对于给定的一组状态（v,h），vi表示可见层的第i个输入量，h为二值分布，即hj∈[0,1]假设m和n分别表示可见层与隐藏层的单元个数，则GBRBM的能量函数为：jnimjijiimjjjniiiihwvhbavhvE1111222)(,）（（式3.10）其中：σ为高斯函数的标准差,根据上式能量函数，GBRBM可见单元与隐藏单元的条件概率为：
【参考文献】：
期刊论文
[1]粒子群优化算法和支持向量机的上市公司信用风险预警[J]. 周树功,李娟. 现代电子技术. 2020(11)
[2]基于中值滤波和分数阶滤波的图像去噪与增强算法[J]. 张雪峰,闫慧. 东北大学学报(自然科学版). 2020(04)
[3]基于轻型卷积神经网络的火焰检测方法[J]. 严云洋,杜晨锡,刘以安,高尚兵. 山东大学学报(工学版). 2020(02)
[4]改进的狼群优化二维Otsu阈值分割算法[J]. 张举世. 电力学报. 2020(01)
[5]基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型[J]. 蒋妍. 塑料科技. 2020(02)
[6]基于正态分布衰减惯性权重的粒子群优化算法[J]. 徐浩天,季伟东,孙小晴,罗强. 深圳大学学报(理工版). 2020(02)
[7]基于支持向量机的燃气表示数识别[J]. 宋延卫,杨玉东,于悦,王志军. 长春师范大学学报. 2020(02)
[8]多光谱图像纹理特征数据挖掘方法仿真[J]. 时庆涛,朱兴宇,于超. 计算机仿真. 2020(02)
[9]基于优化损失函数的YOLOv2目标检测器[J]. 杨海龙,田莹,王澧冰. 辽宁科技大学学报. 2020(01)
[10]基于颜色特征和支持向量机的蚕茧分类方法研究[J]. 孙卫红,黄志鹏,梁曼,邵铁锋. 蚕业科学. 2020(01)
博士论文
[1]转炉炼钢吹炼数据预测中火焰图像多特征提取方法研究[D]. 刘辉.昆明理工大学 2012
硕士论文
[1]基于模糊C均值聚类的脑部MR图像分割算法研究[D]. 沈晓.南京邮电大学 2019
[2]基于密集卷积神经网络特征提取的图像描述模型研究[D]. 郝燕龙.北京邮电大学 2019
[3]视觉检测中颜色测量模型以及色卡设计研究[D]. 李亚萍.北京交通大学 2019
[4]转炉底吹控制系统的设计及研究[D]. 康杰.大连理工大学 2017
[5]基于火焰多尺度多特征方法预测炼钢终点的研究[D]. 曾花.南华大学 2016
[6]基于高斯伯努利受限玻尔兹曼机的过程监测研究[D]. 陈曦.浙江大学 2016
[7]基于烟气分析的转炉动态控制模型[D]. 孙江波.河北联合大学 2014
本文编号：3328182
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
转炉炼钢工艺图
内蒙科技大学硕士学位论文-12-经过关联度计算之后，选取关联度大于0.6的做为主导因数为输入量，由表一可知，选取铁水质量、废钢质量、铁水中碳质量分数、目标钢水含碳量、铁水中硅含量、目标钢水温度、铁水温度七个因素做为建模的输入量。输出量为耗氧量。3.2深度信念网络深度学习[29]是GeoffreyHinton等人在2006年提出的。深度信念网络(DeepBeliefNetworks，DBN)属于深度学习的一种网络模型，也属于神经网络的一个分支。一般的浅层网络无法深入的挖掘数据之间的潜在关系，而深度学习能够更深层次的提取数据之间的关系。深度信念网络是一种概率生成模型，由许多个受限玻尔兹曼机(RestrictedBoltzmannMachine,RBM)[30]堆叠构成的，底层RBM的隐藏层是高层RBM的可见层，经过训练之后，输出都是输入的一个非线性变换过程。3.2.1受限玻尔兹曼机RBM是一个两层的无向图模型，由可见层V和隐藏层H组成，可见层与隐藏层都在神经元层内无连接，层间属于全连接。结构如图3.1所示：图3.1受限玻尔兹曼机模型结构图若所有的可见层与隐藏层都属于二值分布，即i,j,vi∈[0,1],hj∈[0,1].假设可见层与隐藏层的单元数分别为m和n，则给定的一组状态（v,h），RBM的能量函数[31]为：nimjjijimjjjniiihwvhbvahvE1111,）（（式3.5）上式中θ={wij,ai,bj}，wij是可视层和隐藏层间的连接权值，ai为可视层单元的偏置，bj为隐藏层单元的偏置。由能量函数可得到这组状态（v,h）的联合概率分布为：ZehvPhvE),(,）（（式3.6）hvhvEeZ,),(（式3.7）其中，Zθ为归一化因子。对于RBM隐含层h和可见层单元v的条件概率分布分别为：)(|1iijijj）（wvbsigmoidvhP（式3.8）
内蒙古科技大学硕士学位论文-13-)(|1iijjii）（whasigmoidhvP（式3.9）式中)exp(-11)(xxsigmoid。3.2.2深度网络模型深度信念网络是一个由多层无监督的RBM和一层受监督的反向传播网络（BackPropagation,BP）组成的深层网络，通过引入深度网络，以计算更多复杂的输入特征。因为每一个隐藏层可以对上一层的输出进行非线性变换，因此深度神经网络拥有比“浅层”网络更加优异的表达能力。训练出的模型精度要更加精确。其网络结构如图3.2所示。图3.2深度信念网络模型结构深度信念网络是一个深层的非线性网络结构，能够解决复杂过程的非线性问题。但RBM的可见层输入必须符合二值分布，若在处理连续的转炉耗氧量输入数据时会导致信息的丢失，最终影响建模的精度。基于这种问题，可以引入高斯伯努利受限玻尔兹曼机（GBRBM）解决输入数据信息丢失的问题。3.2.3深度网络模型高斯伯努利受限玻尔兹曼机高斯伯努利受限玻尔兹曼机（GBRBM）通过引入高斯函数，使得输入向量不再局限于与二值分布，这样能够有效的解决了数据丢失的问题。对于给定的一组状态（v,h），vi表示可见层的第i个输入量，h为二值分布，即hj∈[0,1]假设m和n分别表示可见层与隐藏层的单元个数，则GBRBM的能量函数为：jnimjijiimjjjniiiihwvhbavhvE1111222)(,）（（式3.10）其中：σ为高斯函数的标准差,根据上式能量函数，GBRBM可见单元与隐藏单元的条件概率为：
【参考文献】：
期刊论文
[1]粒子群优化算法和支持向量机的上市公司信用风险预警[J]. 周树功,李娟. 现代电子技术. 2020(11)
[2]基于中值滤波和分数阶滤波的图像去噪与增强算法[J]. 张雪峰,闫慧. 东北大学学报(自然科学版). 2020(04)
[3]基于轻型卷积神经网络的火焰检测方法[J]. 严云洋,杜晨锡,刘以安,高尚兵. 山东大学学报(工学版). 2020(02)
[4]改进的狼群优化二维Otsu阈值分割算法[J]. 张举世. 电力学报. 2020(01)
[5]基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型[J]. 蒋妍. 塑料科技. 2020(02)
[6]基于正态分布衰减惯性权重的粒子群优化算法[J]. 徐浩天,季伟东,孙小晴,罗强. 深圳大学学报(理工版). 2020(02)
[7]基于支持向量机的燃气表示数识别[J]. 宋延卫,杨玉东,于悦,王志军. 长春师范大学学报. 2020(02)
[8]多光谱图像纹理特征数据挖掘方法仿真[J]. 时庆涛,朱兴宇,于超. 计算机仿真. 2020(02)
[9]基于优化损失函数的YOLOv2目标检测器[J]. 杨海龙,田莹,王澧冰. 辽宁科技大学学报. 2020(01)
[10]基于颜色特征和支持向量机的蚕茧分类方法研究[J]. 孙卫红,黄志鹏,梁曼,邵铁锋. 蚕业科学. 2020(01)
博士论文
[1]转炉炼钢吹炼数据预测中火焰图像多特征提取方法研究[D]. 刘辉.昆明理工大学 2012
硕士论文
[1]基于模糊C均值聚类的脑部MR图像分割算法研究[D]. 沈晓.南京邮电大学 2019
[2]基于密集卷积神经网络特征提取的图像描述模型研究[D]. 郝燕龙.北京邮电大学 2019
[3]视觉检测中颜色测量模型以及色卡设计研究[D]. 李亚萍.北京交通大学 2019
[4]转炉底吹控制系统的设计及研究[D]. 康杰.大连理工大学 2017
[5]基于火焰多尺度多特征方法预测炼钢终点的研究[D]. 曾花.南华大学 2016
[6]基于高斯伯努利受限玻尔兹曼机的过程监测研究[D]. 陈曦.浙江大学 2016
[7]基于烟气分析的转炉动态控制模型[D]. 孙江波.河北联合大学 2014
本文编号：3328182
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3328182.html
