基于CNN-GraphSAGE的风口图像多尺度提取与识别模型

作     者：李福民 王靖 刘小杰 段一凡 张旭升 吕庆 

作者机构：华北理工大学冶金与能源学院 河钢集团有限公司唐山分公司 

出 版 物：《钢铁》 (Iron & Steel)

年 卷 期：2024年

核心收录：

学科分类：080602[工学-钢铁冶金] 08[工学] 0806[工学-冶金工程] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：河北省科技研发平台建设专项资助项目(23560301D) 唐山市科技局资助项目(23130202E) 

主　　题：高炉风口 卷积神经网络 多尺度特征提取 通道注意力 图神经网络 

摘      要：高炉风口的各项状态指标对指导高炉顺行具有重要意义。长期以来，风口状态监测依赖人工观察和经验判断，存在着风口异常监测响应不及时和诊断不准确等问题。为了应对这一现状，在国内某钢铁厂2023年11－12月的高炉风口拍摄图像的基础上，提出了基于CNN-GraphSAGE的风口图像多尺度提取与识别的方法，将风口图像进行一系列预处理后，采用卷积神经网络并行提取图像的多尺度特征信息，结合通道注意力机制动态调整不同特征通道权重，得到精细化的特征融合图。随后，采用改进的图神经网络GraphSAGE算法对特征融合图进行处理。经过多轮测试并与广泛应用的算法进行对比后，开发了基于CNN-GraphSAGE模型的高炉风口异常监测系统，可以监测挂渣、涌渣、断煤和漏水4类异常情况。相较于传统算法系统，该系统大幅度提高了风口异常监测响应速度，异常诊断准确率达93.40%，弥补了现有高炉风口监测方法的不足，极大降低了钢铁企业对风口异常诊断分析的成本，加强了对高炉炼铁过程的把控，确保其生产环节更加安全可靠。