引用本文

朱霁霖, 桂卫华, 蒋朝辉, 陈致蓬, 方怡静. 基于料面视频图像分析的高炉异常状态智能感知与识别. 自动化学报, 2024, 50(7): 1345−1362 doi: 10.16383/j.aas.c230674

Zhu Ji-Lin, Gui Wei-Hua, Jiang Zhao-Hui, Chen Zhi-Peng, Fang Yi-Jing. Intelligent perception and recognition of blast furnace anomalies via burden surface video image analysis. Acta Automatica Sinica, 2024, 50(7): 1345−1362 doi: 10.16383/j.aas.c230674

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230674

关键词

高炉，料面图像，高炉异常状态感知，高炉异常状态识别，多级残差通道注意力模块 

摘要

智能感知、精准识别高炉(Blast furnace, BF)异常状态对高炉调控优化和稳定运行至关重要, 但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态. 新型工业内窥镜可获取大量料面视频图像, 为直接观测炉内运行状态提供了全新的手段. 基于此, 提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法. 首先, 提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means, MST-FCM)聚类的高温煤气流区域提取方法, 准确获取煤气流图像, 并提取煤气流图像多元特征; 其次, 提出基于特征编码的高维特征降维方法, 结合自适应K-means++ 算法, 实现煤气流异常状态的粗粒度感知; 在此基础上, 通过改进雅可比−傅立叶矩(Jacobi-Fourier moments, JFM) 提取煤气流图像深层特征变化趋势, 进而提出细粒度煤气流异常状态感知方法; 最后, 基于煤气流异常状态感知结果, 结合料面视频图像, 提出多级残差通道注意力模块(Multi-level residual channel attention module, MRCAM), 建立高炉异常状态识别模型ResVGGNet, 实现高炉煤气流异常、塌料和悬料的精准在线识别. 实验结果表明, 所提方法能准确识别不同的高炉异常状态且识别速度快, 可为高炉平稳运行提供重要保障.

文章导读

高炉(Blast furnace, BF) 炼铁过程作为现代钢铁制造的核心前端工序, 其保持稳定、高效、健康的运行状态对于钢铁企业稳定、安全运营至关重要[1-2]. 高炉出现异常状态会导致原材料消耗增加、铁水质量不合格和停炉维护等问题, 进而带来巨大的资源浪费和经济损失, 甚至可能造成严重的生产事故和人员伤亡[3-4]. 因此, 实时在线识别高炉炼铁过程异常状态是实现对高炉冶炼过程全面监测和及时调控的前提, 也是保障高炉稳定运行的重要手段. 

高炉是具有复杂物理化学反应的大型黑箱系统, 为保证高炉的稳定安全运行, 现有高炉异常状态监测方法主要分为四类: 机理模型法、专家系统法、基于运行过程数据的高炉异常状态识别方法(数据驱动法) 和基于图像的高炉异常状态监测方法(图像法). 机理模型法利用高炉动力学、传热学等学科知识建立描述高炉冶炼过程的理论模型, 如建立高炉整体炉热模型[5]、高炉出铁口铁水出流模型[6]、软融带模型[7]等, 进而对高炉炉温向凉或向热进行定性判断. 这些模型极大地促进了研究者和操作人员对高炉内部运行情况的了解, 但高炉炼铁过程是一个极其复杂的分布式系统, 具有多变量耦合和非线性特性, 机理模型的建立往往涉及大量假设及简化, 难以准确反映高炉实际运行状态. 专家系统法通常根据高炉炼铁过程的工艺知识、高炉运行过程知识和高炉专家经验建立一系列规则, 通过模糊数学、模糊推理和决策方法进行高炉异常状态诊断[8]. 但国内的高炉专家系统起步晚, 经验积累不足且高炉炉况受多种因素影响, 化验数据实时获取困难且检测数据存在噪声, 导致专家系统推断得到的信息可靠性较低. 其次, 建立有效的专家系统规则库需要高质量的铁矿石原料, 许多高炉难以满足该条件, 严重影响专家系统的应用有效性. 因此, 专家系统具有一定程度的缺陷. 数据驱动法通过利用与高炉异常状态标签相匹配的运行过程数据, 采用多元统计方法或机器学习、深度学习方法分析处理, 进而实现高炉异常状态监测. 多元统计方法主要利用偏最小二乘(Partial least squares, PLS)[3]、主成分分析(Principal component analysis, PCA)[9]、独立成分分析(Independent component analysis, ICA)[10]、典型相关分析(Canonical correlation analysis, CCA)[11]和子空间分解[12]等不同的数学工具, 通过考虑运行过程数据的高斯性、动态性、非平稳性等不同特性, 得到更准确的控制限以达到对高炉异常状态检测的目的. 控制限来源于异常检测中的统计量, 以T² (Hotelling＇s T-squared)和SPE (Squared prediction error)为主, 多元统计分析法通过计算相关统计量是否超过一定置信水平下的阈值判断高炉运行状态是否异常. 机器学习或深度学习方法利用BP神经网络[13]、支持向量机[14]、AdaBoost[15]、T-S模糊神经网络[16]等机器学习工具或堆叠自编码器[4]、深度置信网络[17]、深度核网络[18]、图神经网络[19]等深度学习手段, 对一段时间内大量运行过程数据与其对应的悬料、管道、正常高炉状态等标签进行端到端的学习. 但由于现场难以直接观察料面的情况, 悬料、管道等异常状态标签是由现场操作人员基于经验和对高炉运行过程数据的分析得到的. 塌料异常状态由于缺乏高炉专家的标签, 目前鲜有研究利用运行过程数据对其进行监测. 由于悬料、管道等高炉异常状态发生后, 对过程数据的影响有不同程度的滞后效应, 因此, 这些标签对应的高炉运行过程数据一般都是以时间段计算和分析的[20-21]. 实际情况下, 塌料、煤气流异常等高炉异常状态是实时发生的, 依赖长时间运行过程数据的异常监测可能存在准确性低和时效性差的问题; 其次, 由于高炉运行过程数据变量存在动态时变性, 随着时间的推移, 运行过程数据的分布可能发生变化, 这可能导致在训练和测试阶段有效的数据驱动方法在实际应用中失效; 另外, 运行过程数据存在大量的缺失值、异常值, 数据驱动方法对数据预处理的依赖性强, 导致其对实时采集的高炉运行数据的泛化性能不佳. 基于图像的高炉异常状态监测方法研究较少, 主要集中于利用高炉炉顶红外图像监测高炉料面煤气流分布状态[22], 或在高炉出铁口利用红外成像仪获取铁水流多元信息(如铁水温度[23]、流速[24]或流量[25]) 间接判断高炉运行状态, 以及利用高炉风口回旋区图像对炉缸的活跃状态进行识别[26]. 然而, 炉顶红外图像虽然可以获得炉顶煤气流的温度信息, 进而获得煤气流的分布状态, 但难以识别塌料、悬料等高炉异常状态; 而在出铁口和风口回旋区获得的图像, 可在一定程度上获取长期的高炉运行状态, 如高炉炉温向热、向凉和炉缸活跃状态等, 但难以获得炉顶发生的悬料、塌料、煤气流异常状态等高炉异常状态. 综上, 现有的高炉异常状态监测方法存在不同程度的缺陷. 

为弥补现有方法存在的不足, 本文利用安装于高炉炉顶的新型工业内窥镜获取大量高炉料面图像, 对高炉煤气流异常、塌料和悬料进行实时在线监测. 但煤气流异常状态难以直接判断, 同时确保不同异常状态识别的准确性和实时性也极具挑战. 针对上述问题, 本文通过对高炉料面图像进行分析与处理, 提出煤气流异常状态智能感知方法, 同时通过设计多级残差通道注意力模块(Multi-level residual channel attention module, MRCAM), 提出高炉异常状态识别模型ResVGGNet, 对异常煤气流、塌料和悬料进行准确实时识别. 本文的创新点总结如下: 

1) 为准确获取高温煤气流区域, 本文将高炉料面图像的多尺度纹理信息与模糊C均值(Fuzzy C-means, FCM)方法结合, 提出多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means, MST-FCM)方法, 能以无监督方式精确获得高温煤气流图像. 

2) 为精确感知煤气流异常状态, 提出基于特征编码的高维特征降维方法. 结合自适应K-means++算法, 实现煤气流异常状态的粗粒度感知. 基于此, 进一步提出基于改进雅可比–傅立叶矩 (Jacobi-Fourier moments, JFM) 的煤气流异常状态细粒度感知方法, 实现煤气流异常状态精细化感知. 

3) 为同时确保高炉异常状态识别精度与速度, 通过设计多级残差通道注意力模块, 建立高炉异常状态识别模型ResVGGNet. 实验结果表明, 所提方法在保证高识别精度的情况下, 识别速度快. 

4) 本文首次利用高炉料面视频图像实现对高炉煤气流异常状态、塌料和悬料的实时在线监测, 为高炉不同异常状态识别提供新思路.

图 1  新型工业内窥镜安装示意图((a) 新型工业内窥镜实际安装位置; (b) 新型工业内窥镜成像区域示意图)

图 2  不同高炉运行状态下的高炉料面图像

图 3  不同炉况下不同方法获取高温煤气流图像对比结果 ((a) 稳定1; (b) 稳定2; (c) 煤气流状态异常; (d) 悬料1; (e) 悬料2; (f) 高料位)

本文提出一种全新的基于高炉料面视频图像分析的煤气流异常状态感知与不同高炉异常状态实时识别方法. 通过对高炉料面视频图像的分析, 发现了煤气流异常状态这一特殊的高炉异常状态. 通过将高炉料面图像不同尺度的纹理信息与FCM结合, 提出基于MST-FCM的高温煤气流区域获取方法, 可以在无标注样本的情况下, 准确提取煤气流图像. 在提取煤气流图像多元特征后, 提出基于特征编码的特征降维方法, 同时利用Bootstrapping方法探索了自适应初值的K-means++ 聚类方法, 其能自动给定聚类初值, 实现煤气流异常状态的粗粒度感知. 然后, 通过改进JFM, 并利用t统计量对HGJM变化趋势进行分析, 精准感知煤气流异常状态. 最后, 通过设计MRCAM, 提出高炉异常状态识别模型ResVGGNet, 实现高炉塌料、悬料和煤气流异常三种不同异常状态的精准快速在线识别. 与现有的图像分类网络相比, 本文所提方法在保证高检测率和低误报率的同时, 识别速度最快; 而与现有的高炉异常状态识别方法相比, 所提方法也具有明显优势. 本文为基于料面图像的高炉异常状态识别提供了初步的研究, 未来的研究将包括以下两个方面: 

1) 异常状态预测: 所提方法主要侧重对短期高炉异常状态的实时识别, 进而帮助高炉实时调控. 而在实际高炉现场也关心未来时刻高炉是否会出现异常状态, 进而做到提前调控. 在未来的工作中, 将继续研究把ResVGGNet拓展到高炉异常状态预测领域, 实现对不同高炉异常状态的提前预测. 

2) 长期炉况识别与监测: 高炉向热和向凉是高炉重要的长期炉况, 但针对长期炉况的监测方法较少. 而高炉视频图像存在明显的时间序列变化特性, 具有识别长期炉况的潜力, 未来将通过对大量连续的高炉视频图像进行分析与处理, 把所提方法进一步拓展到长期炉况的识别与监测领域. 

作者简介

朱霁霖

中南大学自动化学院博士研究生. 2017年获得南京理工大学学士学位, 2020年获得中南大学硕士学位. 主要研究方向为先进检测技术, 图像处理和工业过程建模与监测. E-mail: zhujilin@csu.edu.cn

桂卫华

中国工程院院士, 中南大学自动化学院教授. 1981年获得中南矿冶学院硕士学位. 主要研究方向为复杂工业过程建模, 优化与控制应用和故障诊断与分布式鲁棒控制. E-mail: gwh@csu.edu.cn

蒋朝辉

中南大学自动化学院教授. 2011年获中南大学博士学位. 主要研究方向为智能传感与检测技术, 图像处理与智能识别和人工智能与机器学习. 本文通信作者. E-mail: jzh0903@csu.edu.cn

陈致蓬

中南大学自动化学院副教授. 2018年获中南大学博士学位. 主要研究方向为图像处理, 仪器检测和冶金过程建模与控制. E-mail: ZP.Chen@csu.edu.cn

方怡静

中南大学自动化学院博士研究生. 2016年和2019年分别获得中南大学学士学位和硕士学位. 主要研究方向为数据驱动的工业过程建模与控制, 工业过程数据分析和机器学习. E-mail: yijingfang@csu.edu.cn