基于时序图像深度学习的电熔镁炉异常工况诊断

• 作者: 刘强 吴高昌 柴天佑 秦泗钊
• 来源期刊: 自动化学报
• 关键词: 电熔镁炉 时空特征提取 异常工况诊断 卷积神经网络 循环神经网络
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 论文与报告
• 页码范围: 1475-1485
• 页数: 11页
• 字数: 8546字
• 语种: 中文
• DOI: 10.16383/j.aas.c180453

摘要

超高温电熔镁炉(Fused magnesium furnace,FMF)生产炉况监测困难,易发生欠烧异常工况,不仅造成产品质量下降,也直接危害生产安全与人员安全.现有的人工巡检方式实时性差,容易发生漏报和误报,甚至导致铁制炉壳烧透、烧漏.针对该问题,本文采用视频信号,利用电熔镁炉欠烧工况的时空特征,即在炉壳表面出现的局部不规则高亮区域的空间特征,以及该高亮区域随时间呈现出亮度增强、面积变大的时序特征,提出一种基于卷积循环神经网络(Convolutional recurrent neural network,CRNN)的电熔镁炉异常工况诊断新方法.该方法包括图像序列一致性变换和时序残差图像提取预处理、基于卷积神经网络(Convolutional neural network,CNN)的空间特征提取、基于循环神经网络(Recurrent neural network,RNN)的时序特征提取、基于加权中值滤波的工况自动标记.最后采用实际的电熔镁炉炉壳的视频信号,进行了所提方法与现有的两种深度学习网络模型的实验比较研究,结果说明了所提方法的优越性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	柴天佑	东北大学流程工业综合自动化国家重点实验室	382	9006	43.0	78.0
3	刘强	东北大学流程工业综合自动化国家重点实验室	21	345	9.0	18.0
7	吴高昌	东北大学流程工业综合自动化国家重点实验室	4	15	2.0	3.0