通过在烧结过程的排放端从横截面框架中提取特征来提醒异常操作模式的早期预警
Xinzhe Hao1, Sheng Du1,2,3, Xian Ma1,2,3
1School of Automation, China University of Geosciences, Wuhan 430074, China.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
这项研究引入了铁矿石烧结的早期预警系统,以防止生产问题. 这种新的方法使用图像分析和机器学习来检测异常操作,提高烧结质量和生产率.
科学领域:
- 金工程 金工程 金工程
- 过程控制 过程控制
- 人工智能的人工智能
背景情况:
- 铁矿石烧结中的异常操作模式降低了生产率和烧结质量.
- 这些模式的早期检测对于稳定的生产和一致的产品质量至关重要.
研究的目的:
- 开发铁矿石烧结过程中异常操作模式的早期预警系统.
- 将横截面图像特征与过程变量集成在一起,以提高检测准确度.
主要方法:
- 边缘检测用于在放电终端图像中的红火层分析.
- 随机森林特征对于选择关键过程变量具有重要意义.
- 贝叶斯神经网络在视觉和处理数据上训练,用于早期预警模型的构建.
主要成果:
- 开发的模型准确地检测出异常的操作模式.
- 在识别与正常操作的偏差时,获得了94.07%的准确性.
- 烧透点作为有效的分类标准.
结论:
- 提议的早期预警方法有效地识别了异常的烧结操作.
- 在提高烧结厂效率和产品质量方面显示出强大的工业应用潜力.


