基于料面视频图像分析的高炉异常状态智能感知与识别
Intelligent Perception and Recognition of Blast Furnace Anomalies via Burden Surface Video Image Analysis作者机构:中南大学自动化学院长沙410083 湘江实验室长沙410205
出 版 物:《自动化学报》 (Acta Automatica Sinica)
年 卷 期:2024年第50卷第7期
页 面:1345-1362页
核心收录:
学科分类:080503[工学-材料加工工程] 08[工学] 080203[工学-机械设计及理论] 0805[工学-材料科学与工程(可授工学、理学学位)] 0802[工学-机械工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 080201[工学-机械制造及其自动化]
基 金:国家重大科研仪器研制项目(61927803) 国家自然科学基金基础科学中心项目(61988101) 国家自然科学基金(62273359) 湘江实验室重大项目(22XJ01005)资助
主 题:高炉 料面图像 高炉异常状态感知 高炉异常状态识别 多级残差通道注意力模块
摘 要:智能感知、精准识别高炉(Blast furnace,BF)异常状态对高炉调控优化和稳定运行至关重要,但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态.新型工业内窥镜可获取大量料面视频图像,为直接观测炉内运行状态提供了全新的手段.基于此,提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法.首先,提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means,MST-FCM)聚类的高温煤气流区域提取方法,准确获取煤气流图像,并提取煤气流图像多元特征;其次,提出基于特征编码的高维特征降维方法,结合自适应K-means++算法,实现煤气流异常状态的粗粒度感知;在此基础上,通过改进雅可比−傅立叶矩(Jacobi-Fourier moments,JFM)提取煤气流图像深层特征变化趋势,进而提出细粒度煤气流异常状态感知方法;最后,基于煤气流异常状态感知结果,结合料面视频图像,提出多级残差通道注意力模块(Multi-level residual channel attention module,MRCAM),建立高炉异常状态识别模型ResVGGNet,实现高炉煤气流异常、塌料和悬料的精准在线识别.实验结果表明,所提方法能准确识别不同的高炉异常状态且识别速度快,可为高炉平稳运行提供重要保障.