中国炼铁网移动版

铁口深度测量模型考虑了对多种异常情况的处理,例如:开口机在钻通铁口后,为避免铁口卡焦等现象的发生,仍然会向铁口内继续深人钻杆,进而导致铁口深度数据出现较大偏差。为此,该模型以大量数据为基础,设计了深度数据筛选算法,将开口过程结束前的无效数据过滤后,得到实际开口深度。

武钢5号高炉开口机钻杆行进距离的变化如图3所示。由图3可以看出,从开口机开始工作直至开口完成,开口机钻杆行进距离及最终识别出的开口深度，

2.2 出铁出渣时间自动识别

出铁出渣时间模型采用图像分类算法，对炉前出铁出渣状态进行识别，该算法通过引人残差连接，可以深度训练神经网络,避免梯度消失问题,从而提高模型的表达能力和感知性能。采用残差连接能够保留原始特征,使得神经网络学习更加顺畅和稳定，从而进一步提高模型的精度及泛化能力,减少参数量和计算量,降低模型复杂度。

该模型在图像分类、目标检测和语义分割等任务中能够取得很好的效果,武钢5号高炉出铁出渣时间自动识别模型感知画面见图4。在识别过程中,程序通过接口获取摄像头数据,并调用模型进行识别,识别结果包括出铁出渣状态、出铁出渣开始时间、出铁出渣结束时间。系统将识别后的结果存储到数据库,并在视频上写入结果信息,以方便后续调用查看。此外,为了提高识别精度,通过在程序中设置滑动窗口,减少各种异常状况对识别结果的影响。2.3铁流状态实时监测

高炉铁水排放过程中,铁流形态与炉内冶炼状态、铁口状况等息息相关。目前,生产现场对于铁流状态的判断，主要依赖于操作经验,且缺乏相关数据的记录。因此,科学采集及分析铁流状态信息,对于操作的精细化调控，蕴藏着优化空间。

铁流状态实时监测模型引入深度学习,结合神经网络和图像处理,能够快速、稳定、准确地通过图像获取铁流状态、铁流劲射距离、铁流轮廓等信息，实现铁流状态的自动识别和实时表征。并且,通过可视化平台分析铁流状态的历史数据,可以清晰地观察出铁状态的变化，为操作调整提供重要的数据支持。武钢5号高炉铁流状态实时监测模型的感知画面见图5。对于单一铁口,铁流状态监测数据，主要是铁流状态、铁流劲射距离、铁流最高点上轮廓位置和铁流最高点下轮廓位置等(如图6所示)。

渣出铁模型互相验证,可以进行更精确的判断。铁流劲射距离代表铁流最高点与铁口之间的距离，一般变化规律为:随着出铁的进行，铁流劲射距离逐渐增大,至出铁末期开始减小。当出铁过程中发生异常情况,如卡铁口时，铁流劲射距离会变短，由此可判断铁口是否卡焦。

铁流最高点上轮廓位置与下轮廓位置的差值代表铁流劲射宽度变化，一般变化规律为:随着出铁的进行,铁口泥套逐渐被磨损，铁流劲射宽度逐渐变大,最高点上轮廓位置向上发展,最高点下轮廓位置向下发展;在出铁后期,虽然铁水液位下降,铁流喷射动力减弱，但如果发生喷溅,铁流劲射宽度会突然加大。由于不同铁口的状态不同,铁流轮廓发展的趋势会有所差异。

2.4 泥炮打泥量信息提取

铁口堵口打泥是高炉生产中的一项关键操作。在出铁末期,用泥炮将炮泥推进铁口,此过程持续时间较短,从启动泥炮到打泥结束同样采用计算机目标检测技术,通过对泥炮关键部件的目标检测,结合实时打泥压力等数据拟合曲线,实现打泥量信息的数字化提取。武钢5号高炉泥炮打泥量模型感知画面见图7,泥炮打泥量的变化如图8所示。