[发明专利]一种高炉崩料预测方法

说明书

本发明提供一种高炉崩料预测方法，其步骤包括：获取基准图像；获取待识别图像，和基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势；其中，对崩料前图像多个特征进行特征提取作为模型训练，训练样本包括样本待识别图像、样本基准图像、样本图像轮廓清晰度、样本亮度信息和样本匹配度，将样本待识别图像和样本基准图像作为训练输入，样本图像轮廓、样本亮度信息和样本匹配度作为输出参考值，训练样本训练样本通过生成式对抗网络进行训练，对初始第一卷积层、初始第二卷积层以及初始生成式对抗网络进行训练，得到训练后的第一卷积层、第二卷积层以及生成式对抗网络。能够快速、准确的分析出高炉工作的当前阶段是否具有崩料趋势。

技术领域

本发明涉及一种高炉生产监控技术领域，尤其涉及一种高炉崩料预测方法。

背景技术

高炉崩料是由于炉内正常冶炼进程受阻，煤气流分布出现失常，处理不当而形成崩料；崩料可导致高炉炉顶设备受损、高炉炉凉等生产设备事故。高炉崩料的原因：(1)高炉送风制度不合理,高炉送风参数不适宜；(2)原、燃物料质量向差,炉内透气性恶化,高炉透气性指数异常；(3)高炉渣壳脱落,炉温急剧下滑；(4)高炉操作炉型不合理,高炉。

以前靠经验，现在是有各种传感器，还有摄像机对崩料现象进行监控，可以直观看到崩料现象，但通过传感器与摄像机监控，在监控过程中可能随时出现崩料，对高炉的生产已经造成了影响。因此，需要对崩料进行提前监控，在可能发生崩料前进行预测，确认不久后可能发生崩料现象，以让技术人员采取措施避免出现崩料。

因此，有必要提供一种高炉崩料预测方法来解决上述问题。

发明内容

为解决上述问题，本发明的目的是提供一种高炉崩料预测方法，可以识别高炉生产可能出现崩料现象。

为实现上述目的，本发明采用的技术方案如下：一种高炉崩料预测方法，其步骤包括：S1:获取多个基准图像；S2:获取待识别图像，和多个基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势；其中，对崩料前图像多个特征进行特征提取作为模型训练，训练样本包括样本待识别图像、样本基准图像、样本图像轮廓清晰度、样本亮度信息和样本匹配度，将样本待识别图像和样本基准图像作为训练输入，样本图像轮廓、样本亮度信息和样本匹配度作为输出参考值，训练样本训练样本通过生成式对抗网络进行训练，对初始第一卷积层、初始第二卷积层以及初始生成式对抗网络进行训练，得到训练后的第一卷积层、第二卷积层以及生成式对抗网络。

将所述样本基准图像输入到初始第一卷积层，将样本待识别图像输入到初始第二卷积层，将图像轮廓清晰度、样本亮度信息提取得到的结果分别输入生成式对抗网络，最终可以得到多个预测图像轮廓清晰度和预测亮度信息。

通过对比损失函数对不同的层进行训练，利用图像在亮度与图像轮廓清晰度上的欧氏距离作为误差，利用样本图像与临界图像亮度与图像轮廓清晰度对比，确认样本图像的亮度和轮廓清晰度与临界图像之间的欧氏距离L，采用误差反向传播算法训练GAN生成式网络，直至欧氏距离值L达到预设的范围值。

用MSE作为网络的损失函数，欧拉距离L为通GAN生成式网络生成对比图像G_θ(V_i)与指定样本图像Uo之间的欧氏距离平方之和，表达式为：

/

其中，V_i为第i张图像亮度或轮廓清晰度，Uo为对应的临界图像亮度或轮廓清晰度，n为训练样本的总数，θ为GAN生成式网络中的参数，临界图像为选定趋向崩料图像，其亮度或轮廓清晰度为一个定值。

通过MSE作为网络的损失函数，将待识别图像的图像亮度或轮廓清晰度与所有的基准图像做训练，确认欧拉距离L在预设的范围内；若欧拉距离L值小于等于预设值，则待识别图像表明可能出现崩料趋势；若欧拉距离L值大于预设值，则待识别图像表明处于正常燃烧状态。