中国炼铁网移动版

人工智能技术蓬勃演进，引领工业领域不断向智能化跃升，传统高炉炼铁面临巨大的挑战与发展[-2]。计算机智能算法及视觉感知技术的进步，为高炉生产中的场景识别提供了重要手段[3],炉前出铁作业便是其中一个场景。炉前出铁不仅是把控高炉生产状态、衡量炉前管理水平的重点,同时也是确保炉况稳定的关键[45]。并且,随着高炉的大型化,炉前出铁对高炉顺行的影响愈加突出[6-7]。

目前,国内高炉炉前出铁状态识别存在的主要问题:一是,出铁开始时间、见渣时间、出铁结束时间等渣铁管理的重要信息，依赖现场工人观测记录,存在记录不及时、不准确问题;二是,铁口深度和泥炮打泥量也依赖现场工人观测记录,同样存在观测记录不及时、不准确问题,且由于炉前出铁环境恶劣，关键数据传感器极易发生故障[8;三是,高炉工长需观察铁流的射流形态,以评估炉缸状态,但铁流的射流形态信息难以用数字化表征

为了提高武钢高炉炉前出铁作业的智能化水平,以出铁过程视觉深度感知为着力点,基于出铁场监控视频,采用图像处理等技术,将炉前操作工艺过程与深度学习相结合，开发了立足生产应用的炉前视觉智能感知与智能诊断技术,并在武钢5号高炉(3200m2)投人应用。

[技术路线

武钢高炉炉前出铁状态智能感知技术路线如图1所示。通过数据采集、图像标记与处理、智能算法分析、数字化表征,实现对高炉铁流状态、开口深度、堵铁口打泥量,出铁开始时间、见渣时间及结束时间的智能感知。首先,通过摄像头等设备收集开铁口、堵铁口及出铁过程中铁流的图像和视频数据;其次，进行数据预处理,包括去噪、增强、标准化等,以保证数据质量;接着，运用目标检测算法或图像分类算法,识别、定位图像中的关键参数;然后,根据目标检测结果进行数据分析,建立相关计算模型;最后,将监控系统中的图像转化为数字信息，保存至数据库。在智能感知得到关键参数的基础上,进一步建立智能诊断模型。如结合开口时的铁口深度及堵口时的泥炮打泥量,来综合判断铁口质量的好坏。当打泥量正常时,铁口深度逐渐增加,则说明炉缸出现边沿堆积现象;相反,当打泥量正常,铁口深度逐渐减少时,则应注意炉缸出现环流、中心堆积现象。通过多个模型的数据整合分析,结合现场操作经验与炉况实时数据,实现炉前出铁状态的智能诊断。

2智能感知

2.1铁口深度测量武钢5号高炉铁口深度测量模型感知画面见图2。由图2可见,方框部分为识别到的开口机及其各部件,右上角显示数据为模型计算后的实时铁口深度。该模型采用目标检测算法,原理是基于对特定图像特征的提取及分析,根据开口机不同部分的位置关系及特征,计算铁口深度。因此,该算法能够准确识别开口机的关键部件,通过对这些部件的位置和特征进行分析,能够建立起与铁口深度之间的关系。铁口深度测量模型能够根据实时采集到的图像数据,快速计算出铁口深度,为高炉生产提供及时、准确的参数支持。