技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的炼铁高炉流嘴异常检测方法及系统。
背景技术
摆动流嘴是炼铁大中型高炉出铁场的专用设备，一般安装在出铁场下面，起作用是把经铁水沟流出的铁水注入到铁场平台下的任意一个铁水罐中。因摆动流嘴故障不能准确及时地把铁水注入到出铁场下方的铁水罐中，将造成跑铁水、烧铁水罐、烧轨道等等事故，迫使高炉出铁人员全压堵住铁口，危险因素很大。因此，保证摆动流嘴设备的正常使用成为高炉安全稳定运行的重要条件。
高炉出铁之前都先要检查摆动流嘴的状态，现有技术都是在摆动流嘴试运行过程中，通过人工检查摆动流嘴的摆动方向是否正常切换和限位是否正常，同时还要判断摆动流嘴边上附着的渣铁是否妨碍摆动流嘴的摆动。
发明人在实践中，发现上述现有技术存在以下缺陷：在摆动流嘴试运行过程中，通过人工检测摆动流嘴的摆动方向，会由于人工检测的主观性，使得摆动流嘴的试运行结果出现误差，进而会对高炉出铁过程造成影响。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的炼铁高炉流嘴异常检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供给了一种基于人工智能的炼铁高炉流嘴异常检测方法，该方法包括以下具体步骤：
利用语义分割网络得到包含铁水罐和摆动流嘴的第一图像；
获取所述第一图像中所述铁水罐和所述摆动流嘴的3D点云数据；
利用所述3D点云数据，计算在摆动的安全距离阈值内，所述摆动流嘴到所述铁水罐罐口的中心点的最大距离，以得到所述最大距离对应的合理摆动角范围；
根据所述3D点云数据，利用改进的光流法获得所述摆动流嘴在三维坐标下的运动速度；
根据预设时间内所述摆动流嘴的所述运动速度在三维坐标下Z方向的速度变化，利用在该方向上的运动速度、运动方向的变化次数及其运动时间预测震动程度；
当所述震动程度小于震动阈值时，根据所述预设时间内所述摆动流嘴在三维坐标下Y方向的速度变化，通过判断所述摆动流嘴的速度为0时对应的摆动角度是否在所述合理摆动角范围内以得到所述摆动流嘴的准确性指标，通过判断摆动时间是否在时间阈值内以得到所述摆动流嘴的及时性指标，通过摆动过程中速度突变量、摆动偏移角以及极限摆动角以得到所述摆动流嘴的稳定性指标；所述
摆动偏移角为所述摆动流嘴回程时刻的位置与所述Y方向的夹角；所述极限摆动角为所述摆动流嘴摆动的极限角度；
根据所述摆动流嘴的所述震动程度、所述准确性指标、所述及时性指标和所述稳定性指标得到摆动异常程度。
进一步地，所述改进的光流法的光流约束方程为：
其中，
进一步地，所述摆动流嘴到所述铁水罐罐口的中心点的最大距离是利用所述铁水罐罐口的半径减去所述摆动的安全距离阈值和所述摆动流嘴出铁口宽度的一半。
进一步地，当所述震动程度大于所述震动阈值时，确定所述摆动流嘴出现异常。
进一步地，所述摆动流嘴的稳定性指标的获取方法为：
其中，η为所述摆动流嘴的稳定性指标；Δv
进一步地，所述摆动异常程度的获取方法为：
其中，pro为所述摆动异常程度；γ为所述准确性指标；δ为所述及时性指标；η为所述稳定性指标；β为所述震动程度；A为所述震动阈值。
第二方面，本发明另一个实施例提供了一种基于人工智能的炼铁高炉流嘴异常检测系统，该系统包括：
神经网络单元，用于利用语义分割网络得到包含铁水罐和摆动流嘴的第一图像；
图像处理单元，用于获取所述第一图像中所述铁水罐和所述摆动流嘴的3D点云数据；
角度范围获取单元，用于利用所述3D点云数据，计算在摆动的安全距离阈值内，所述摆动流嘴到所述铁水罐罐口的中心点的最大距离，以得到所述最大距离对应的合理摆动角范围；
运动速度获取单元，用于根据所述3D点云数据，利用改进的光流法获得所述摆动流嘴在三维坐标下的运动速度；
震动程度检测单元，用于根据预设时间内所述摆动流嘴的所述运动速度在三维坐标下Z方向的速度变化，利用在该方向上的运动速度、运动方向的变化次数及其运动时间预测震动程度；
数据分析单元，用于当所述震动程度小于震动阈值时，根据所述预设时间内所述摆动流嘴的所述运动速度在三维坐标下Y方向的速度变化，通过判断所述摆动流嘴的速度为0时对应的摆动角度是否在所述合理摆动角范围内以得到所述摆动流嘴的准确性指标，通过判断摆动时间是否在时间阈值内以得到所述摆动流嘴的及时性指标，通过摆动过程中速度突变量、摆动偏移角以及极限摆动角以得到所述摆动流嘴的稳定性指标；所述摆动偏移角为所述摆动流嘴回程时刻的位置与所述Y方向的夹角；所述极限摆动角为所述摆动流嘴摆动的极限角度；以及
异常程度检测单元，用于根据所述摆动流嘴的所述震动程度、所述准确性指标、所述及时性指标和所述稳定性指标得到摆动异常程度。
进一步地，所述角度范围获取单元中所述摆动流嘴到所述铁水罐罐口的中心点的最大距离是利用所述铁水罐罐口的半径减去所述摆动的安全距离阈值和所述摆动流嘴出铁口宽度的一半。
进一步地，所述数据分析单元中所述摆动流嘴的稳定性指标的获取方法为：
其中，η为所述摆动流嘴的稳定性指标；Δv
进一步地，所述异常程度检测单元中所述摆动异常程度的获取方法为：
其中，pro为所述摆动异常程度；r为所述准确性指标；δ为所述及时性指标；η为所述稳定性指标；β为所述震动程度；A为所述震动阈值。
本发明实施例至少存在以下有益效果：结合摆动流嘴的震动程度、准确性指标、及时性性指标和稳定性指标来判断摆动流嘴在试运行期间的稳定性，进一步能够准确检测出摆动流嘴的异常摆动现象，减少检测误差，一方面减少了人工资源，另一方面降低了摆动流嘴对高炉出铁过程中的安全隐患。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于人工智能的炼铁高炉流嘴异常检测方法的流程图；
图2为本发明一个实施例所提供的基于人工智能的炼铁高炉流嘴异常检测方法的步骤流程图；
图3为本发明实施例所提供的关于摆动流嘴的摆动角度的示例图；
图4为本发明实施例所提供的关于摆动流嘴的示例图；
图5为本发明实施例所提供的关于第一速度变化趋势图的示例图；
图6为本发明实施例所提供的关于第二速度变化趋势图的示例图；
图7为本发明另一个实施例所提供的基于人工智能的炼铁高炉流嘴异常检测系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的炼铁高炉流嘴异常检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的炼铁高炉流嘴异常检测方法及系统的具体方案。
参照附图1和附图2，本发明实施例提供了一种基于人工智能的炼铁高炉流嘴异常检测方法，该方法具体包括以下步骤：
步骤S001，利用语义分割网络得到只包含铁水罐和摆动流嘴的第一图像。
步骤S002，获取第一图像中铁水罐和摆动流嘴的3D点云数据。
步骤S003，利用3D点云数据，计算在摆动的安全距离阈值内，摆动流嘴到铁水罐罐口的中心点的最大距离，以得到最大距离对应的合理摆动角范围。
步骤S004，根据3D点云数据，利用改进的光流法获得摆动流嘴在三维坐标下的运动速度。
步骤S005，根据预设时间内摆动流嘴的运动速度在三维坐标下Z方向的速度变化，利用在该方向上
的运动速度、运动方向的变化次数及其运动时间预测震动程度；
步骤S006，当震动程度小于震动阈值时，根据预设时间内摆动流嘴的运动速度在三维坐标下Y方向的速度变化，通过判断摆动流嘴的速度为0时对应的摆动角度是否在合理摆动角范围内以得到摆动流嘴的准确性指标、通过判断摆动时间是否在时间阈值内以得到摆动流嘴的及时性指标、通过摆动过程中速度变化量、摆动偏移角以及极限摆动角以得到摆动流嘴的稳定性指标。
步骤S007，根据摆动流嘴的震动程度、准确性指标、及时性指标和稳定性指标得到摆动异常程度。进一步地，部署RGBD相机，采集高炉出铁场的RGB图像和深度图像。
进一步地，考虑到炼铁厂的生产环境复杂，对传统图像进行处理很难达到好的效果，所以在步骤S001中，将采集的RGB图像输入语义分割网络来获取只包含铁水罐和摆动流嘴的第一图像。
本发明实施例采用编码器-解码器结构的语义分割网络获取只包含铁水罐图像和摆动流嘴的第一图像，具体的语义分割网络的训练细节如下：
1)获取标签数据。将训练集中的RGB图像上铁水罐区域和摆动流嘴区域的像素值标注为1，其他区域的像素值标注为0。
2)将采集的RGB图像输入编码器不断进行下采样，输出特征图；将特征图输入解码器进行上采样操作，输出与采集到的RGB图像等大的语义分割图。
3)语义分割网络中的损失函数采用交叉熵损失函数。
进一步地，将由语义分割网络得到的语义分割图与采集到的RGB图像相乘，得到只包含铁水罐和摆动流嘴的第一图像。
进一步地，根据先验：摆动流嘴在铁水罐的上方，根据连通域中心点的y方向上的坐标即可分辨铁水罐和摆动流嘴的区域。本发明实施例对铁水罐区域进行霍夫圆拟合，在第一图像中得到铁水罐罐口的边缘信息，并将该边缘信息所包含的像素点标记为2，将第一图像中摆动流嘴区域的像素点标记为3。
进一步地，本发明实施例对标签为3的像素点集进行分析，根据该像素点集获得其外接矩形。根据先验知道铁水流动的方向在第一图像中为自上而下的，所以将外接矩形的上边缘中心点记为P
进一步地，考虑到二维平面中透视变换的影响，很难确定摆动流嘴的摆动角度，所以本发明实施例通过铁水罐和摆动流嘴的3D点云数据获取摆动流嘴的摆动角度。
进一步地，在步骤S002中，本发明实施例中将第一图像中铁水罐罐口和摆动流嘴的像素点转换成3D点云，进而获取3D点云数据，具体转换的过程为：利用深度图像和第一图像实现像素点对齐，得到对应像素点的深度信息，根据RGBD相机的内参数矩阵获得相机坐标系下3D点云数据，进一步借助RGBD相机的外参数矩阵，将3D点云的三维坐标系转换至铁水罐罐口的平面上，转换后的三维坐标系的X-O-Y平面在铁水罐罐口，X轴正向沿着摆动流嘴的方向即从中心点P
进一步地，参照附图3，为了获得摆动流嘴的摆动角度和合理摆动角度，本发明实施例中摆动流嘴的摆动角度θ为摆动流嘴的方向向量
需要说明的是，合理摆动角度是指能够保证从摆动流嘴流出的铁水可以完全进入铁水罐时对应的摆动角度。
进一步地，在步骤S003中，本发明实施例对标签为2的铁水罐罐口的像素点集进行分析，该像素点集在X-O-Y平面上呈圆形分布，利用该像素点集内所有像素点的横坐标，求得该像素点集的均值，即可得到铁水罐罐口的圆心位置信息；计算该像素点集中所有像素点到圆心的平均距离即可得到铁水罐罐口的半径R；过圆心作平行于Z轴的直线，得到铁水罐罐口的中心线l
进一步地，本发明实施例结合摆动流嘴出铁处的宽度和铁水罐罐口的中心线获取合理摆动角范围，具体的操作步骤如下：
1)延长方向向量
2)根据先验：由于每一个摆动流嘴都有固定的型号，所以能够预先知道摆动流嘴出铁出的宽度w，该宽度不但影响摆动流嘴流出的铁水宽度，还影响到摆动流嘴左右摆动的合理摆动角范围。参照附图4，本发明实施例列举了摆动流嘴的示例图，且示例图中摆动流嘴出铁处的宽度为800。
3)进一步地，本发明实施例构建了合理摆动角度的计算公式：
其中，R
4)摆动流嘴在摆动的过程中，以中心点P
需要说明的是，(1)摆动平面为摆动流嘴左右摆动所在的平面，利用摆动流嘴上不共线的三个点即可确定该摆动平面。
(2)本发明实施例结合几何知识求得中心线l
其中，
进一步地，利用上述三维空间中光流场的基本公式，得到摆动流嘴在三维坐标下的运动信息。
进一步地，根据先验：摆动流嘴在摆动过程中的平稳性是极其重要的，但是摆动流嘴经常会附着凹凸不平的铁瘤或渣铁，阻碍摆动流嘴的摆动，严重时会引起摆动流嘴的上下震动。在高炉出铁作业时，摆动流嘴的上下震动会引起铁水飞溅，非常危险。因此，在步骤S005中，本发明实施例通过分析Z方向的运动情况，判断摆动流嘴的震动情况。
进一步地，参照附图5，绘制Z方向的第一速度变化趋势图，横坐标为时间，纵坐标为Z方向的速度。摆动流嘴在平稳运行时，摆动流嘴在Z方向的速度恒为0；当摆动流嘴出现震动时，在第一速度变化趋势图中出现过零点现象。
进一步地，过零点表示出现运动方向的变化，统计出一段时间t
其中，n为时间段t
进一步地，当震动程度β大于震动阈值A时，说明摆动流嘴的震动对高炉出铁作业带来了安全隐患，需要通知工作人员进行检修排除隐患；当震动程度β小于或者等于震动阈值A时，说明摆动流嘴不会影响高炉出铁作业，需要进一步检测摆动流嘴的其他影响因素，即准确性、及时性和稳定性。优选的，本发明实施例中震动阈值A的取值为5。
进一步地，在步骤S006中，在排除Z方向的震动情况对摆动流嘴的影响后，本发明实施例通过分析Y方向的速度变化情况，判断摆动流嘴在试运行过程中摆动的准确性、及时性和稳定性。
需要说明的是，摆动的准确性是指摆动流嘴停止摆动时所对应的摆动角是否在合理摆动角范围内；摆动的及时性是指摆动流嘴从当前铁水罐摆动到下一个铁水罐所摆动的合理摆动角所用的时间是否满足要求；摆动的稳定性是指摆动流嘴在摆动过程中是否平稳地转移到下一个合理角度。
进一步地，参照附图6，绘制Y方向的第二速度变化趋势图，横坐标为时间，纵坐标为Y方向的速度。摆动流嘴试运行过程中，相邻两次摆动流嘴的运动时间间隔为T。
进一步地，本发明实施例通过对第二速度变化趋势图进行零点检测、过零点检测和突变点检测，进而得到摆动流嘴的准确性指标、及时性指标和稳定性指标。具体的检测过程如下：
1)当检测到零点时，进而检测时间间隔T内的Y方向速度是否恒为0，如果Y方向速度恒为0，表示该零点时刻即为摆动流嘴停止摆动的时刻，进一步的，根据摆动流嘴的方向向量
2)摆动流嘴停止摆动时刻之前最近的零点时刻即为摆动流嘴开始摆动的时刻，计算这两个时刻的差值，即可得到摆动流嘴摆动到下一个铁水罐指定角度所需要的时间。将该时间与设定的最短时间相比较，若该时间小于最短时间，说明摆动流嘴的速度满足使用要求，则将摆动的及时性指标δ置为1，否则将摆动的及时性指标δ置为0。
3)在摆动过程中摆动流嘴摆动速度的突变会影响摆动的稳定性，进而通过检测突变点能够反映摆动的稳定性。突变点检测的方法为：以移动距离为1的方式沿着t轴自左向右遍历，当检测到当前时刻的Y方向速度与前一时刻的Y方向速度的差值大于1.5时，表示将要产生突变点，记录当前时刻的Y方向速度v
4)在摆动过程中由于控制系统的误差有时会出现越过合理摆动角范围后再次回程。返回到合理摆动角度范围内，出现摆动偏移角，且在第二速度变化趋势图中表现为过零点。当检测到过零点时，即摆动流嘴需要回程操作，进而检测回程过程中时间间隔T内的Y方向速度，若Y方向速度大于或者等于0，说明该过零点为摆动流嘴即将回程对应的过零点，记录过零点时刻摆动流嘴与Y方向形成的夹角即为摆动偏移角θ
5)结合速度突变量序列{Δv
其中，η越小表示摆动稳定性越差；Δv
进一步地，在步骤S007中，本发明实施例结合摆动流嘴的震动程度β、准确性指标γ、及时性指标δ和稳定性指标η构建异常摆动评价模型得到摆动流嘴的摆动异常程度pro，则异常摆动评价模型为：
进一步地，摆动异常程度pro的值越小，表示摆动流嘴的异常摆动程度越大，稳定性越差。为了保证高炉出铁作业的安全性和效率，当摆动异常程度pro小于异常程度阈值时，认为摆动流嘴的稳定性不满足高炉出铁作业的需求，应及时通知检修人员检修。
优选的，本发明实施例中异常程度阈值的取值为0.6。
综上所述，本发明实施例提供了一种基于人工智能的炼铁高炉流嘴异常检测方法，该方法利用语义分割网络提取出含有铁水罐和摆动流嘴的第一图像，并获取第一图像的3D点云数据，通过分析3D点云数据中摆动流嘴和铁水罐中心点的最大距离，以得到摆动流嘴的合理摆动角范围，进一步通过分析摆动流嘴在Z方向的速度变化，得到摆动流嘴的震动程度，当震动程度小于或等于震动阈值时，进一步分析摆动流嘴在Y方向的速度变化，得到摆动流嘴的准确性指标、及时性指标和稳定性指标，最终通过异常摆动模型得到摆动流嘴的摆动异常程度。结合摆动流嘴的震动程度、准确性指标、及时性性指标和稳定性指标来判断摆动流嘴在试运行期间的稳定性，进一步能够准确检测出摆动流嘴的异常摆动现象，减少检测误差，一方面减少了人工资源，另一方面降低了摆动流嘴对高炉出铁过程中的安全隐患。
基于与上述方法相同的发明构思，本发明实施例还提供了一种基于人工智能的炼铁高炉流嘴异常检测系统。
参照附图7，本发明实施例还提出了一种基于人工智能的炼铁高炉流嘴异常检测系统，该系统包括神经网络单元10、图像处理单元20、角度范围获取单元30、运动速度获取单元40、震动程度检测单元50、数据分析单元60以及异常程度检测单元70。
神经网络单元10用于利用语义分割网络得到包含铁水罐和摆动流嘴的第一图像；图像处理单元20用于获取第一图像中铁水罐和摆动流嘴的3D点云数据；角度范围获取单元30用于利用3D点云数据，计算在摆动的安全距离阈值内，摆动流嘴到铁水罐罐口的中心点的最大距离，以得到最大距离对应的合理摆动角范围；运动速度获取单元40用于根据3D点云数据，利用改进的光流法获得摆动流嘴在三维坐标下的运动速度；震动程度检测单元50用于根据预设时间内摆动流嘴的运动速度在三维坐标下Z方向的速度变化，利用在该方向上的运动速度、运动方向的变化次数及其运动时间预测震动程度；数据分析单元60用于当震动程度小于震动阈值时，根据预设时间内摆动流嘴的运动速度在三维坐标下Y方向的速度变化，通过判断摆动流嘴的速度为0时对应的摆动角度是否在合理摆动角范围内以得到摆动流嘴的准确性指标，通过判断摆动时间是否在时间阈值内以得到摆动流嘴的及时性指标，通过摆动过程中速度突变量、摆动偏移角以及极限摆动角以得到摆动流嘴的稳定性指标；摆动偏移角为摆动流嘴回程时刻的位置与Y方向的夹角；极限摆动角为摆动流嘴摆动的极限角度；以及异常程度检测单元70用于根据摆动流嘴的震动程度、准确性指标、及时性指标和稳定性指标得到摆动异常程度。
进一步地，运动速度获取单元40中改进的光流法的光流约束方程为：
其中，
进一步地，角度范围获取单元30中摆动流嘴到铁水罐罐口的中心点的最大距离是利用铁水罐罐口的半径减去摆动的安全距离阈值和摆动流嘴出铁口宽度的一半。
进一步地，数据分析单元60中摆动流嘴的稳定性指标的获取方法为：
其中，η为摆动流嘴的稳定性指标；Δv
进一步地，异常程度检测单元70中摆动异常程度的获取方法为：
其中，pro为摆动异常程度；y为准确性指标；δ为及时性指标；η为稳定性指标；β为震动程度；A为震动阈值。
综上所述，本发明实施例提供了一种基于人工智能的炼铁高炉流嘴异常检测系统，该系统通过神经网络单元10提取含有铁水罐和摆动流嘴的第一图像；通过图像处理单元20获取第一图像的3D点云数据；利用3D点云数据在角度范围获取单元30获得摆动流嘴的合理摆动角范围；利用3D点云数据在运动速度获取单元40获得摆动流嘴在三维坐标下的运动速度；根据三维坐标下的运动速度中Z方向的速度通过震动程度检测单元50预测摆动流嘴的震动程度；在震动程度效益震动阈值时，根据三维坐标下的运动速度中Y方向的速度通过数据分析单元60获得摆动流嘴的准确性指标、及时性指标和稳定性指标；进而通过异常程度检测单元70获得摆动流嘴的摆动异常程度。结合摆动流嘴的震动程度、准确性指标、及时性性指标和稳定性指标来判断摆动流嘴在试运行期间的稳定性，进一步能够准确检测出摆动流嘴的异常摆动现象，减少检测误差，一方面减少了人工资源，另一方面降低了摆动流嘴对高炉出铁过程中的安全隐患。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
机译： 基于人工智能技术的异常症状使用大数据和系统的目标检测方法
机译： 基于人工智能技术的异常症状使用大数据和系统的目标检测方法
机译： 基于人工智能技术的异常症状使用大数据和系统的目标检测方法
