| 基于深度卷积网络的电熔镁炉欠烧工况在线识别 |
| |
| 引用本文： | 卢绍文,王克栋,吴志伟,李鹏琦,郭章.基于深度卷积网络的电熔镁炉欠烧工况在线识别[J].控制与决策,2019,34(7):1537-1544. |
| |
| 作者姓名： | 卢绍文 王克栋 吴志伟 李鹏琦 郭章 |
| |
| 作者单位： | 东北大学 流程工业综合自动化国家重点实验室,沈阳,110004;东北大学 流程工业综合自动化国家重点实验室,沈阳,110004;东北大学 流程工业综合自动化国家重点实验室,沈阳,110004;东北大学 流程工业综合自动化国家重点实验室,沈阳,110004;东北大学 流程工业综合自动化国家重点实验室,沈阳,110004 |
| |
| 基金项目： | 国家自然科学基金项目(61473071). |
| |
| 摘 要： | 欠烧是电熔镁炉熔炼过程中由于原料杂质不均匀导致炉壁局部过热的异常工况,若不及时发现和处理,可能导致炉体烧穿.目前,欠烧工况主要依靠有经验的巡检工人在电熔镁生产现场“看火”,劳动强度大且危险性高,容易漏检、误检.鉴于此,提出一种基于深度卷积网络的可见光RGB图像与红外热像相结合的电熔镁炉欠烧工况感知技术,并基于此开发原型系统.采用工业相机和红外热像仪获取电熔镁生产现场过程图像,利用深度学习技术并结合现场工人经验建立对欠烧工况视频图像的检测和识别模型,通过实时的图像分析,实现对欠烧工况的在线识别.将该技术在某氧化镁企业进行工业实验,验证了所提出技术的有效性.
|
| 关 键 词： | 电熔镁炉 深度学习 工况感知 图像检测 识别模型 生成对抗网络 |
Online detection of semi-molten of fused magnesium furnace based on deep convolutional neural network |
| |
| LU Shao-wen,WANG Ke-dong,WU Zhi-wei,LI Peng-qi and GUO Zhang.Online detection of semi-molten of fused magnesium furnace based on deep convolutional neural network[J].Control and Decision,2019,34(7):1537-1544. |
| |
| Authors: | LU Shao-wen WANG Ke-dong WU Zhi-wei LI Peng-qi and GUO Zhang |
| |
| Affiliation: | State Key Laboratory of Synthetical Automation for Process Industries,Northeastern University,Shenyang110004,China,State Key Laboratory of Synthetical Automation for Process Industries,Northeastern University,Shenyang110004,China,State Key Laboratory of Synthetical Automation for Process Industries,Northeastern University,Shenyang110004,China,State Key Laboratory of Synthetical Automation for Process Industries,Northeastern University,Shenyang110004,China and State Key Laboratory of Synthetical Automation for Process Industries,Northeastern University,Shenyang110004,China |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《控制与决策》浏览原始摘要信息 |
|
点击此处可从《控制与决策》下载全文 |
|
