一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统

技术领域

本发明主要涉及钢铁工业技术领域，特指一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统。

背景技术

钢铁行业是制造业的基石，为现代工业提供核心原材料，推动着国民经济的发展与国防工业的进步。高炉炼铁是钢铁生产中的关键工序，其产物为熔融铁水与炉渣。熔融铁水与炉渣经出铁口周期性地排出的过程被称为出铁，其能够稳定炉内液位，保证炼铁过程的平稳顺行。当高炉内部熔融铁水的液位下降到出铁口附近时，为防止炉内煤气随熔融铁水与炉渣从出铁口喷出，必须及时采用泥炮机堵住出铁口。如果堵铁口时间过早，炉内的熔融铁水与炉渣将不会完全被排出。反之，炉内煤气会大量喷出，造成安全隐患。因此，精确监测正确的堵铁口时间非常重要，是实现高炉现场一键智能堵铁口的信息基础，对于保障高炉稳定顺行、降低炼铁能耗及提高炼铁效率具有重要意义。

目前主要有五种堵铁口时间监测方法：基于人工观察铁水流图像、基于高炉运行状态数据、基于高炉炉缸液位、基于高炉电动势数据以及基于出铁过程铁水流图像数据的方法。大多数炼铁现场的堵铁口时间监测是通过人工观察铁水流形态后凭经验判断，造成堵铁口操作人为主观因素大、可靠性差，严重制约了炼铁过程的节能减排与智能化升级。现有基于高炉运行状态数据判断堵铁口时间的方法需要大量的高炉运行状态时间序列数据，难以保证数据质量，因此其适应性有待进一步检验。由于无法观察到高炉内部实际液位，基于高炉炉缸液位判断堵铁口时间的方法假设条件太多，会带来较大误差。基于高炉电动势数据的方法容易受到铁水温度等因素的干扰，且变化趋势分析依赖于人工经验，因此无法获得准确的堵铁口时间。由于出铁现场具有强光强粉尘干扰，采集的铁水流图像特征不明显，基于出铁过程铁水流图像数据的方法面临铁水流图像有效特征提取难的问题。

综合对比上述监测方法的优缺点，堵铁口时间监测问题仍是高炉炼铁过程中一个亟需解决的问题。高炉出铁现场具有强光强粉尘干扰，采集的铁水流图像特征不明显，从铁水流图像中精确提取与出铁进程相关的有效特征是一项极具挑战的任务。此外，不同出铁过程的持续时间差异较大且随机性强，难以利用以往出铁规律来精准监测当前堵铁口时间。

因此，本发明考虑到出铁相关数据的多态性，提出了一种基于两阶段分类和多模态数据融合的堵铁口时间监测新方法，第一阶段利用SE-ReNeXt网络对铁水流图像进行分类获得粗略的出铁进程，第二阶段利用本发明设计的多模态数据融合算法(SENeXt-Fusion-Decoder)融合铁水流图像和高炉运行状态数据的有效信息，并推理计算以获得精确的堵铁口时间。进一步，本发明利用AI边缘计算平台，搭建了高炉堵铁口时间在线监测系统，为智能堵铁口操作提供科学指导。

申请号为CN202010165654.5的发明专利公开了一种高炉出铁过程堵铁口时间智能确定方法及系统，该发明通过建立表征高炉炼铁过程的条件参数、操作参数与堵铁口时间的优良操作模式库来判断堵铁口时间，然而，高炉炼铁过程中不同出铁周期之间的相关性较少且随机性较大，模式匹配的方式会带来较大误差。

申请号为CN202010578474.X的发明专利公开了一种高炉出铁智能化堵铁口自动控制方法，该发明仅仅通过铁水流的喷溅状态信号和经验数据来监测堵铁口时间，这种做法和现场工人凭经验判断堵铁口时间没有本质区别，无法做到精准监测。

申请号为CN202210102523.1的发明专利公开了一种高炉出铁终点在线智能识别方法及系统，该发明通过采集铁水流图像，提取铁水流图像特征，融合铁水流图像特征和铁水流短时时序特征，建立出铁流程分类预测模型来预测堵铁口时间。然而，单纯从铁水流图像中获取的信息往往不足以反映精确的出铁时间，很难做到堵铁口时间的精细化监测。

发明内容

本发明提供的基于两阶段分类的高炉堵铁口时间在线监测方法及系统，解决了现有高炉堵铁口时间预测精度低的技术问题。

为解决上述技术问题，本发明提出的基于两阶段分类的高炉堵铁口时间在线监测方法包括：

采集铁水流图像数据和高炉运行状态数据；

基于铁水流图像数据，建立铁水流图像分类模型，并根据铁水流图像分类模型进行粗分类，获得粗分类结果；

基于铁水流图像数据与高炉运行状态数据，建立融合模型；

根据融合模型，建立堵铁口时间分类模型，并根据堵铁口时间分类模型对粗分类结果进行细分类，获得精准堵铁口时间。

进一步地，基于铁水流图像数据与高炉运行状态数据，建立融合模型包括：

构建铁水流图像特征提取模块，并根据铁水流图像特征提取模块提取铁水流图像数据特征，其中铁水流图像特征提取模块的具体计算公式为：

其中I代表铁水流图像，I'表示输出特征图，I

基于铁水流图像数据特征和高炉运行状态数据，建立融合模型。

进一步地，Squeeze模块和Excitation模块的具体计算公式为：

其中，z

进一步地，基于铁水流图像数据特征和高炉运行状态数据，建立融合模型包括：

对高炉运行状态数据进行嵌入编码和位置编码；

根据嵌入编码和位置编码后的高炉运行状态数据和铁水流图像数据特征，建立融合模型，具体为：

其中Concat代表按通道拼接，Reshape(·)代表重构函数，u'代表融合模型的输出数据，

进一步地，根据融合模型，建立堵铁口时间分类模型包括：

串联预设阈值的多头注意力模块和多层感知机模块，获得解码器模块，解码器模块的具体计算公式为：

u'

其中u'代表融合模型的输出数据，u'

将铁水流图像特征提取模块、融合模型、解码器模块合并，并在解码器模块后面接上一个输出神经元数为预设分类阈值的全连接层用于输出分类结果，从而获得堵铁口时间分类模型，且堵铁口时间分类模型的计算公式为：

y'＝Decoder(Fusion(SENeXt(I),X))，

其中I代表铁水流图像数据，X代表高炉运行状态数据，y'代表堵铁口时间分类模型的输出数据，SENeXt代表铁水流图像特征提取模块，Fusion代表融合模型，Decoder代表解码器模块。

进一步地，根据堵铁口时间分类模型的分类结果，获得堵铁口时间的计算公式为：

其中，t

进一步地，采集铁水流图像数据和高炉运行状态数据之后，基于铁水流图像数据，建立铁水流图像分类模型之前还包括：

对铁水流图像数据和高炉运行状态数据进行预处理。

本发明提供的基于两阶段分类的高炉堵铁口时间在线监测系统包括：

存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明提供的基于两阶段分类的高炉堵铁口时间在线监测方法的步骤。

本发明提出了一种基于两阶段分类的高炉堵铁口时间在线监测方法，通过采集铁水流图像数据和高炉运行状态数据,基于铁水流图像数据，建立铁水流图像分类模型，并根据铁水流图像分类模型进行粗分类，获得粗分类结果,基于铁水流图像数据与高炉运行状态数据，建立融合模型以及根据融合模型，建立堵铁口时间分类模型，并根据堵铁口时间分类模型对粗分类结果进行细分类，获得精准堵铁口时间，解决了现有高炉堵铁口时间预测精度低的技术问题，通过将堵铁口时间的监测问题转化为两阶段分类问题，并将最终的分类结果转化为堵铁口时间，从而获得精确的堵铁口时间，能够实时高精度监测堵铁口时间，具有监测速度快、稳定性强、部署便捷等优点。

附图说明

图1为本发明实施例二的高炉堵铁口时间智能在线监测系统；

图2为本发明实施例二的基于两阶段分类的堵铁口时间在线监测方法；

图3为本发明实施例三的实际堵铁口时间与本发明实施例监测的堵铁口时间的比较结果图；

图4为本发明实施例三的监测方法的绝对误差和相对误差示意图；

图5为本发明实施例的基于两阶段分类的高炉堵铁口时间在线监测系统的结构框图。

附图标记：

1、高炉；2、出铁口；3、图像传感器；4、AI计算平台；5、UI终端界面；6、驱动板；7、泥炮机；10、存储器；20、处理器。

具体实施方式

为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例一

本发明实施例一提供的基于两阶段分类的高炉堵铁口时间在线监测方法，包括：

步骤S101，采集铁水流图像数据和高炉运行状态数据；

步骤S102，基于铁水流图像数据，建立铁水流图像分类模型，并根据铁水流图像分类模型进行粗分类，获得粗分类结果；

步骤S103，基于铁水流图像数据与高炉运行状态数据，建立融合模型；

步骤S104，根据融合模型，建立堵铁口时间分类模型，并根据堵铁口时间分类模型对粗分类结果进行细分类，获得精准堵铁口时间。

本发明实施例提供的基于两阶段分类的高炉堵铁口时间在线监测方法，通过采集铁水流图像数据和高炉运行状态数据,基于铁水流图像数据，建立铁水流图像分类模型，并根据铁水流图像分类模型进行粗分类，获得粗分类结果,基于铁水流图像数据与高炉运行状态数据，建立融合模型以及根据融合模型，建立堵铁口时间分类模型，并根据堵铁口时间分类模型对粗分类结果进行细分类，获得精准堵铁口时间，解决了现有高炉堵铁口时间预测精度低的技术问题，通过将堵铁口时间的监测问题转化为两阶段分类问题，并将最终的分类结果转化为堵铁口时间，从而获得精确的堵铁口时间，能够实时高精度监测堵铁口时间，具有监测速度快、稳定性强、部署便捷等优点。

本发明旨在提出一种高炉炼铁过程堵铁口时间在线监测方法及系统。本发明利用铁水流图像和高炉运行状态数据反映的不同出铁信息，由粗到细地计算堵铁口时间。为了克服现场固体热辐射和多粉尘的恶劣环境，本发明首先在出铁现场设计并安装了一个铁水流图像实时获取系统。然后，本发明对获取后的铁水流图像进行预处理以获得清晰的铁水流图像。接着，将整个出铁周期等份划分为不同出铁时段，通过使用分类神经网络算法对清晰的铁水流图像进行分类，获得当前出铁时段以反映当前的出铁进程。进一步，当监测到出铁过程进行到最后一个出铁时段时，将铁水流图像和实时采集的高炉运行状态数据融合，使用多模态数据融合的分类模型对最后一个出铁时段进行细分类，以获得精准的堵铁口时间。本发明提出的堵铁口时间在线监测方法及系统能够实时高精度监测堵铁口时间，具有监测速度快、稳定性强、部署便捷等优点。

实施例二

本发明实施例提出了一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统,图1是高炉堵铁口时间智能在线监测系统的示意图，包括高炉1、出铁口2、图像传感器3、AI计算平台4、UI终端界面5、驱动板6、泥炮机7。图2是基于两阶段分类的高炉堵铁口时间在线监测方法的流程图。本发明的具体实施步骤如下：

(1)将堵铁口时间的监测问题转化为两阶段分类问题，并将最终的分类结果转化为堵铁口时间；

(2)对铁水流图像数据和高炉运行状态数据进行预处理，以从不同模态的数据中获取丰富的堵铁口信息；

(3)提出第二阶段的铁水流图像数据与高炉运行状态数据的融合模型，实现细分类，获得精确的堵铁口时间；

(4)设计堵铁口时间智能在线监测系统，以提高出铁过程堵铁口操作智能化水平。

具体实现方案如下：

(1)将堵铁口时间的监测问题转化为两阶段分类问题：

本发明实施例提出了一种监测堵铁口相对时间的方法。相对时间是指当前出铁状态在整个出铁过程中所处的时间段，与整个出铁周期长度无关，因为每个出铁过程都会被划分为固定数量的时间段。然而，相对时间方法往往不够精确，为了提高堵铁口时间的监测精度，本发明提出了一种两阶段分类方法。第一阶段用于粗分类，第二阶段用于精细分类。第一阶段，将整个出铁过程分为n个时间段作为n个类别，通过粗分类能够大概知道出铁过程的进度。显然，粗分类中的最后一个类别最接近出铁终点。在第二阶段，将第一阶段粗分类的最后一个类别再细分为m个时间段作为m个子类，可以更精细地监测出铁终点的时间(即堵铁口的时间)。本发明将第二阶段分类结果连续N次为第m个子类别的时间作为最终的堵铁口提示时间。具体操作步骤如下：

Step1：假设粗分类阶段的输入数据用I表示、粗分类模型用g(I)表示、细分类阶段的输入数据用I，细分类模型用h(K)表示。则基于两阶段分类的新型监测方法可以用以下公式表示。

其中-1代表不处理并继续获取分类数据，1代表进行堵铁口操作；

Step2：当连续N次判断当前出铁状态为第二阶段的第m类时，即式(1)中的结果连续N次为1时，提示进行堵铁口操作。

(2)对铁水流图像数据和高炉运行状态数据进行预处理

本发明实施例将铁水流图像数据作为第一阶段粗分类的输入数据。然而，铁水流图像数据只能粗略地反映出铁过程的进展情况，不能为堵铁口时间的监测提供精细信息。考虑到合理的堵铁口时间与高炉运行状态数据存在强相关性，尤其是在接近出铁终点时。因此，本发明提出在初步识别出铁状态的基础上，进一步融合铁水流图像数据和高炉运行状态数据，以实现堵铁口时间的准确监测。以国内某高炉为例，本发明从工厂数据库实时调取35个状态变量用于堵铁口时间的监测，其中包括一些关于气体含量的变量(如CO、CO

Step1：由于高炉出铁现场存在强粉尘干扰，导致铁水流图像模糊，图像质量较差，本发明首先使用颜色自动均衡算法对原始图像进行预处理。高炉运行状态数据和铁水流图像数据每10秒采集一次；

Step2：训练数据集的获取和划分如下：从炼铁厂获取了若干个完整出铁周期的铁水流图像数据，在第一阶段，一个完整的出铁周期被划分为n个等长度的时间段作为n个类别，每张铁水流图像所处的时间段对应的类别作为这张铁水流图像的分类标签。在每个时间段(或类别)的图像数据集中，将图像按7:3的比例随机分成训练集和测试集。在第二阶段，将第一阶段中第n个时间段再次细分为m个等长的时间段作为m个子类，每张铁水流图像所处的时间段对应的子类作为这张铁水流图像的细分类标签。然后，根据每个铁水流图像的采集时间，从工厂数据中心获得相应的高炉运行状态数据，将对应的铁水流图像数据和高炉运行状态数据合并为第二阶段细分类算法的输入数据，合并数据的标签与合并数据中图像的标签相同。最后，将每个子类别中的合并数据按7：3的比例划分为训练集和测试集；

Step3：高炉运行状态数据均为连续值，而Transformer网络的输入数据必须在预设的离散字典中。因此，本发明针对高炉运行状态的连续型数据设计了一种新的离散编码方法。首先，各变量的量纲不同，每个变量的数值大小差异很大。为了消除不同变量之间的量纲差异造成的影响，本发明对所有变量进行了Min-Max缩放，使得所有变量的值都在0到1之间。其次，为确保所有值离散化并保留足够的变化信息，本发明将所有0-1之间的数据乘以1000并四舍五入取整。此时，所有的值都是0-1000之间的整数。因此可将Transformer网络的输入数据字典设置为0-1000之间的整数，字典长度为1001。结合以上两步，传感器数据的预处理公式如下所示：

式中x

(3)构建第一阶段的铁水流图像分类模型

在第一阶段的粗分类中，需要一种能够对铁水流图像进行分类的算法。近年来，随着深度学习的发展，出现了很多优秀的图像分类神经网络算法，其中基于Transformer系列的图像分类算法和基于通道注意力机制的卷积神经网络算法取得了较优的效果。然而，基于Transformer系列的图像分类算法，如ViT、Swin Transformer等，在训练数据集不大且没有预训练数据集的任务中，很难达到理想的测试精度。相比之下，基于通道注意力机制的卷积神经网络算法在粗分类任务上给了本发明很大的启发。在不同类型的深度神经网络中，卷积神经网络的研究最为广泛，在图像分类中应用的时间也比较长，由于其具有强大的特征表示和分类器学习的能力，通常能够获得比其他方法更高的分类精度。通道注意力机制能够使卷积神经网络进行动态的通道特征重校准，进而提高了卷积神经网络的表征能力。因此，本发明采用SE-ResNeXt算法进行粗分类，该算法结合了群卷积神经网络和通道注意力机制，在第一阶段的粗分类中实现了较高的分类精度。算法的具体设置如下：

Step1：将SE-ResNeXt最后一层神经元的数量设置为n作为n个类别的输出。假如最后的输出向量为y＝(y

Step2：随机初始化SE-ResNeXt网络的权值，设置初始学习率为0.1，利用预处理过的铁水流图像训练集对SE-ResNeXt进行训练。训练过程中Batchsize设置为128，一共训练64000个iterations，当分别训练到32000和48000个iterations时将学习率除以10；

Step3：将训练好的SE-ResNeXt算法部署到堵铁口时间检测系统，对铁水流图像进行实时的分类，当粗分类为第n类时，进入第二阶段的细分类。

(4)提出第二阶段的铁水流图像特征与高炉运行状态数据的融合模型

多模态数据融合模型主要由三个网络模块组成：铁水流图像特征提取模块、铁水流图像特征与高炉运行状态数据的融合模块、利用融合数据实现细分类的分类模块。具体实施细节如下：

Step1：铁水流图像特征提取模块：在粗分类的描述中，提到了很多图像分类的算法，但直接将这些算法作为铁水流图像数据的特征提取模块会存在两个问题:(1)导致最终的多模态数据融合网络非常庞大；(2)这些现有图像分类算法提取的特征是高层特征，不适合与高炉运行状态数据融合。因此，有必要设计一个更轻量、特征更丰富的铁水流图像数据特征提取模块。受SE-ResNeXt算法的启发，本发明提出了一种更轻量的基于通道注意力机制的群卷积神经网络算法，用于提取铁水流图像数据的特征，命名为SENeXt。SENeXt模块只串联了三次基于群卷积网络的通道注意力模块，大大降低了模型的复杂度，提取的特征层次较低且丰富多样。假设第1，2，3个基于群卷积网络的通道注意力模块分别为M

I'＝M

其中ConvBlock(·)由一个尺寸为7的大卷积核、一个批量标准化(Batchnorm)操作和一个Relu激活函数串联而成，其公式如下：

ConvBlock(I)＝Relu(Batchnorm(Conv7(I))) (5)

M

M

其中，其中I

其中u

s＝σ(W

式中W

式中u代表输入SEBlock之前特征图，u＝[u

Step2：铁水流图像特征与高炉运行状态数据的融合模块：假设一个批量的高炉运行状态数据为张量X，X的尺寸为(Batchsize,num)，其中num代表状态变量数。为使高炉运行状态数据X能被后面的网络模块使用，需要对其进行嵌入编码和位置编码，嵌入编码的字典长度为1001，编码维度为d＝512，两者合并的公式如下。

X

其中E

E

其中pos代表编码位置，pos≤num，i代表编码维度的索引，d代表编码维度，i≤d。

经过嵌入编码和位置编码之后的高炉运行状态数据的尺寸为(Batchsize,num,512)。由于图像数据展平后不会丢失信息，本发明重构SENeXt模块输出的特征图，使特征图中各通道的二维图像展平为一维向量，便于与嵌入编码和位置编码后的高炉运行状态数据融合。假设SENeXt模块的输出特征图为张量

其中Concat代表按通道拼接，Reshape(·)代表重构函数，u'代表融合模型的输出数据，

Step3：利用融合数据实现细分类的分类模块：本发明需要设计一个能够利用融合数据并实现分类的模块。Transformer为我们提供了一个思路，该网络最早应用于自然语言处理领域，由于其强大的学习表示能力，被广泛应用于数据融合、分类等领域，并实现了非常好的表现。Transformer的核心模块是多头注意力,其并行融合多个线性变换和向量投影。线性变换的本质是将一个向量空间的特征映射到另一个向量空间，使新的向量空间中的特征更加有用和明显。由于线性变换具有较强的映射能力，并且向量投影可以融合两个向量的特征，因此多头注意模块具有较强的特征学习能力。考虑到这点，本发明利用一种集成了多头注意模块的解码器(Decoder)来融合的铁水流图像特征和高炉运行状态数据，此解码器模块串联了6个多头注意力模块和6个多层感知机模块，其中多头注意力模块与多层感知机模块是相间分布。假设第i个多头注意力模型用MultiHead

u'

其中u'代表融合模块的输出数据，u'

Step4：将SENeXt模块、融合模块(FusionModule)、解码器模块(Decoder)合并之后的网络被称为SENeXt-Fusion-Decoder，合并公式如下。

y'＝Decoder(Fusion(SENeXt(I),X)) (14)

其中I代表铁水流图像数据，X代表高炉运行状态数据，y'代表堵铁口时间分类模型的输出数据，SENeXt代表铁水流图像特征提取模块，Fusion代表融合模块。

SENeXt-Fusion-Decoder最后一层网络为全连接层，其输出神经元的数量设置为m作为m个类别的输出。假如最后的输出向量为y'＝(y'

p'＝argmax{y'

Step5：随机初始化SENeXt-Fusion-Decoder网络的权值，设置初始学习率为0.1，利用融合数据的训练集对SENeXt-Fusion-Decoder进行训练。训练过程中Batchsize设置为128，一共训练64000个iterations，当分别训练到32000和48000个iterations时将学习率除以10；

Step6：将训练好的SENeXt-Fusion-Decoder算法部署到堵铁口时间检测系统，对融合数据进行实时的分类，当细分类结果连续N次为第m类时，进行堵铁口操作。假设粗分类阶段第i个时间段长度为

(5)设计堵铁口时间智能在线监测系统

本发明的堵铁口时间智能在线监测系统如图1所示，包含了高速图像传感器、AI计算平台、UI交互终端、驱动电路、泥炮机等，涵盖了高炉铁水流图像的实时采集、传输、AI计算、堵铁口决策、堵铁口驱动电路及执行机构、终端显示与数据存储等功能。针对工业现场的迫切需求与实际难题，搭建了完整的数据传输与反馈控制硬件闭环。

随着出铁过程的进行，高速图像传感器实时获取铁水流图像，并通过通信模块传入AI计算平台。同时，通过内网传输，AI计算平台从工厂数据库中心实时获取高炉运行状态数据。通过AI计算平台的数据融合与算法推理，得到实时的剩余堵铁口时间，并通过实时流媒体数据传输协议将剩余堵铁口时间传入堵铁口操作人员的UI交互终端界面。经工作人员确定并在UI终端界面点击堵铁口执行按钮，即可实现一键智能堵铁口。同时，实际堵铁口的时间与监测的堵铁口时间会被记录并传输至工厂数据库中心作为日志保留。

本发明实施例的关键点包括：

(1)本发明将连续的堵铁口时间监测问题转化为离散的出铁状态两阶段分类问题，并设计了具体的两阶段分类方案，第一阶段利用铁水流图像对出铁时段进行粗略分类以获得当前的出铁进程，第二阶段利用铁水流图像和高炉运行状态数据的融合数据对第一阶段中最后一个出铁时段进行精细分类，以获得准确的堵铁口时间。不同出铁周期的出铁时长波动大且随机性强，根据出铁过程中时间节点的数据来预测绝对的堵铁口时间，本质上是一个用稀疏离散数据回归复杂连续空间的问题，现有方法很难达到高精度监测且鲁棒性差。因此，本发明提出了一种监测堵铁口相对时间的方法(即两阶段分类)，将上述难点问题简化成了用离散数据训练分类任务的问题。随着出铁过程的进行，铁水流会越来越发散，当接近出铁终点时，炉缸液位降低，炉内气体会从出铁口溢出，铁水流发生飞溅，这些现象会清楚地反映在铁水流图像中。除此之外，实验表明高炉运行状态数据能够反映出铁进程的细节信息。因此，本发明设计了一种融合铁水流图像数据和高炉运行状态数据的两阶段分类方法；

(2)本发明首次提出了一种融合铁水流图像数据和高炉运行状态数据的出铁进程细分类方法，利用铁水流图像和高炉运行状态数据中隐含的关于出铁进程的不同细粒度信息，实现了堵铁口时间的高精度监测；

(3)本发明提出了一种用于多模态数据融合的新型深度学习分类网络(SENeXt-Fusion-Decoder),可对铁水流图像数据与高炉运行状态数据进行融合，其中SENeXt用于提取铁水流图像的有效特征，Fusion模块用于融合铁水流图像特征与高炉运行状态数据，Decoder用于学习融合铁水流图像特征与高炉运行状态数据内隐含的知识并实现高精度分类，以精确获取堵铁口时间；

(4)本发明结合AI计算平台，设计了一个完整的高炉堵铁口时间智能在线监测系统，具备一键智能堵铁口的功能，对于提升高炉出铁现场操作的智能化水平具有重要价值；

(5)本发明首次提出了基于两阶段分类的高炉堵铁口时间在线监测方法及系统，实现了对高炉堵铁口时间的在线监测，为高炉智能堵铁口操作提供了科学的堵铁口时间指导。

本发明以高炉炼铁出铁过程的堵铁口时间为研究对象，提出了一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统。本发明利用铁水流图像和高炉运行状态数据反映的不同出铁信息，由粗到细地计算堵铁口时间。为了克服现场固体热辐射和多粉尘的恶劣环境，本发明首先在出铁现场设计并安装了一个铁水流图像实时采集系统。然后，本发明对获取后的铁水流图像进行预处理以获得清晰的铁水流图像。接着，将整个出铁周期等份划分为不同出铁时段，通过使用分类神经网络算法对清晰的铁水流图像进行分类，获得当前出铁时段以反映粗略的出铁进程。进一步，将铁水流图像和实时采集的高炉运行状态数据融合，对最后一个出铁时段进行更加精细的划分，并使用多模态数据融合的分类模型对融合后的数据进行分类，以获得精准的堵铁口时间。此外，本发明基于所提堵铁口时间在线监测方法，结合AI计算平台设计了具有一键智能堵铁口功能的高炉堵铁口时间智能在线监测系统，此系统具有监测速度快、稳定性强、部署便捷等优点，对提高高炉出铁过程智能化水平具有重要价值。

实施例三

本实施例以某炼铁厂1050m

对于第一阶段的粗分类，本发明利用SE-ResNeXt算法在测试集上达到了95.91的准确率(Accuracy)和92.41的平均精度(mAP)，相比于Vision Transformer算法准确率提高了3.64个百分点，相比于利用高炉运行状态数据进行第一阶段分类的Transformer算法准确率高了6.1个百分点，说明SE-ResNeXt算法更适用于第一阶段的出铁进程分类。对于第二阶段的细分类，本发明利用提出的SENeXt-Fusion-Decoder模型在融合数据的测试集上实现了86.57的准确率，85.79的平均精度(mAP)，相比于只利用铁水流图像的VisionTransformer算法准确率提高了22.63个百分点，说明融合数据确实提供了更多的出铁信息，有助于反映更精确的出铁时间。

将100出铁炉次中第二阶段分类结果为第10个子类别的时间作为最终的堵铁口时间，得到图3堵铁口时间监测的结果，可以看出，红线和蓝线十分接近，代表监测的堵铁口时间和实际堵铁口时间之间的误差很小，说明本发明的方案是有效的，具有较高的实用性。图4对100出铁炉次中本发明堵铁口时间监测的绝对误差和相对误差进行了单独绘制，其中有80％的绝对误差小于60秒，86％的相对误差小于0.8％，97％的绝对误差小于90秒，95％的相对误差小于0.8％。根据出铁现场堵铁口时间的精度要求，这些误差相当小，满足现场精度要求，进一步表明本发明能较好地监测堵铁口时间。

参照图5，本发明实施例提出的基于两阶段分类的高炉堵铁口时间在线监测系统，包括存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序，其中，处理器20执行计算机程序时实现本实施例提出的基于两阶段分类的高炉堵铁口时间在线监测方法的步骤。

本实施例的基于两阶段分类的高炉堵铁口时间在线监测系统的具体工作过程和工作原理可参照本实施例的基于两阶段分类的高炉堵铁口时间在线监测方法的工作过程和工作原理。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。