[发明专利]一种基于视频的电熔镁炉异常工况自动识别系统

说明书

技术领域

本发明涉及一种模式识别与人工智能技术领域中的设备工况识别系统，具体为一种基于视频的电熔镁炉异常工况自动识别系统。

背景技术

电熔镁砂具有熔点高、结构致密、抗氧化性强、耐压强度高、耐腐蚀性强、化学性能稳定等特性，是重要的战略性原材料。

在我国，高品位的电熔镁砂的制备主要是通过电弧炉熔炼再结晶来完成。原料氧化镁砂在炉中熔炼的过程可人为地分为：启炉、加料、正常冶炼、欠烧和排气异常等工况。其中，欠烧和排气异常工况属于异常工况。欠烧工况是由于在某段时间部分生料燃烧不充分而没有完全达到熔融状态，致使熔池内电阻低于正常值，使得熔池内电流过高，产生的电弧过于强烈，进而导致炉体温度局部过高引起。倘若未能及时处理，将导致炉壁烧穿，造成巨大经济损失，高温熔液泄露还可能危及现场工人的安全；排气异常工况是由于某段时间部分生料熔融后在熔池内形成巨大的气泡，在炉体进行排气的时候，气泡在炉口破裂，会导致熔融的电熔镁飞溅而出，高温的火星会危及现场工人的安全。

目前，电熔镁炉异常工况的预警主要依靠现场工人的不间断巡检。工人通过观察生产过程中炉口火焰的形态、亮度、火星，以及炉壁是否有烧红区域等特征，根据经验来预先判断可能发生的异常工况。人工巡检的主要问题是：1)判断的准确性与操作人员的经验和状态的相关，容易漏检、误检；2)现场生产环境恶劣(强光、高温、灰尘、蒸汽等)，劳动强度大，危险性高，不适于工人长时间现场巡检。因此，企业急需智能的异常工况判别技术，能够稳定、准确地在异常工况刚发生的时候预警，把人从这项工作中解放出来。

以前的自动识别技术是通过实时采集的电极电流、电压来判断，但是准确性较低，可视化程度弱，尚无法代替人工观察。这是因为现场工况的可视化特征仍是判断异常工况最快捷和可靠的依据，电流电压的波动只能辅助判断。

发明内容

针对现有技术中电熔镁炉异常工况的预警主要依靠现场工人的不间断巡检实现，具有漏检、误检以及危险性高等不足，本发明要解决的问题是提供一种可提高电熔镁生产品质、可视化程度高、降低工人劳动强度的基于视频的电熔镁炉异常工况自动识别系统。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种基于视频的电熔镁炉异常工况自动识别系统，通过图像信息采集模块采集电熔镁砂生产现场工况信息，传输至样本生成模块；

样本生成模块对训练样本进行生成，通过label-image软件对图像做标签处理和人工分类标签处理，将处理后的视频、图像信息传输到检测分类模块；

检测分类模块通过相应算法对视频、图像信息进行特征提取及处理，得到工况识别系统的智能检测、分类模型；

显示单元运用检测分类模块处理完毕的智能检测、分类模型，将新的测试视频、图像信息通过可视化方式显示出来。

样本生成模块用于在异常工况训练样本较少时，通过深度卷积对抗网络(DCGAN)+TensorFlow深度学习框架对异常工况较少的图像做样本生成，增加异常工况图像，再重新放回到训练样本中进行训练和智能建模，得到完整、平衡的训练样本。

样本生成模块通过深度卷积对抗网络生成样本，深度卷积对抗网络是在生成式对抗网络的基础上增加卷积的环节，通过生成图片的生成式网络接收随机的噪声z，并将这个噪声生成图片，记做G(z)；通过判别网络，判别一张图片是不是“真实的”，通过生成式网络生成的图片去欺骗判别网络，判别网络则将生成式网络生成的图片和真实的输入图片进行区分，通过以下公式计算最终期望值来生成图片：

其中，G为生成图片的网络，D为判别网络，z为输入G网络的噪声数据，符合p_z(z)分布，G(z)为G网络生成的图片；x代表真实数据，符合p_data(x)分布，data表示数据，p表示概率，p_data(x)为判别数据是否为真实数据的概率，为真实数据的期望，为是生成数据的期望；V(D，G)为判别网络和生成图片的网络的博弈结果输出值。

检测分类模块接收label-image软件对图像做标签处理后得到的带有火焰区域、欠烧区域、火星区域的位置信息与工况类别信息的xml文件；通过Darknet框架+YOLO算法把做过标签处理的镁炉原始RGB图像、位置和工况类别信息做训练，得到火焰区域、欠烧区域、火星区域的位置信息和工况类别信息的智能模型，以及体现模型准确率的置信度以及召回率，最后利用训练得到的智能模型实现在线视频中电熔镁炉的工况识别结果。