艾萨炉耐火材料减薄的红外热力图与经验迁移预测方法与流程

本发明涉及有色冶炼炉窑运行状态监测与智能预测，尤其涉及艾萨炉耐火材料减薄的红外热力图与经验迁移预测方法。

背景技术：

1、艾萨炉广泛应用于铜、铅、镍等有色金属冶炼过程，其内部长期处于高温熔融物料、强氧化气氛以及高速喷吹冲刷环境中运行。炉体内衬耐火材料承担隔热、防护和维持炉体结构稳定的重要作用。随着炉役时间增加，耐火材料会受到熔体侵蚀、渣相腐蚀、机械冲刷以及热应力作用影响而逐渐发生减薄、剥落或局部失效现象。当耐火材料减薄至一定程度时，炉壳温度将出现异常升高，严重情况下可能引发炉壳发红、穿炉事故以及非计划停炉。因此，对艾萨炉耐火材料减薄状态进行持续监测并提前预测其发展趋势，对于保障生产安全、优化检修计划以及延长炉役寿命具有重要意义。目前，针对冶炼炉耐火材料状态评估的方法主要包括基于物理机理的反演分析方法和基于数据驱动的预测方法。基于物理机理的反演分析方法通常根据炉壳温度、炉内温度以及耐火材料热物性参数建立热传导模型、热平衡模型或者有限元模型，通过求解炉体内部热流分布反演耐火材料剩余厚度。该类方法具有一定的物理可解释性，但实际艾萨炉运行过程中存在熔池扰动、挂渣层动态变化、喷枪冲刷增强、冷却条件波动以及原料成分变化等复杂因素，导致模型边界条件难以准确确定。同时，不同炉役阶段耐火材料导热性能和炉体散热条件也会发生变化，使得反演结果容易出现偏差，进而影响预测准确性。

2、随着红外热成像技术和工业人工智能技术的发展，部分研究开始利用炉壳温度数据、红外热像数据以及工艺运行数据构建数据驱动模型，对耐火材料状态进行预测。该类方法能够直接利用历史运行数据建立温度特征与耐火材料损伤状态之间的映射关系，在特定工况下具有较好的预测效果。然而，艾萨炉耐火材料失效事件属于低频异常事件，实际生产中能够获得的减薄、剥落及失效样本数量有限。同时，不同炉型、不同炉役阶段以及不同生产制度之间存在明显差异，使得利用某一炉体历史数据训练得到的模型难以直接应用于其他炉体或新的炉役阶段，模型泛化能力受到限制。此外，现有技术通常将不同炉役、不同炉体产生的数据分别进行处理，缺少利用历史炉役经验辅助当前炉体预测的有效机制。当目标炉体缺少标注样本或者处于新的运行工况时，现有模型难以将历史炉役中的异常模式和经验知识迁移至当前预测任务中，从而降低了预测结果的稳定性和可靠性。

技术实现思路

1、为解决背景技术中存在的技术问题，本发明提出艾萨炉耐火材料减薄的红外热力图与经验迁移预测方法。

2、本发明提出的艾萨炉耐火材料减薄的红外热力图与经验迁移预测方法，包括以下步骤：

3、s1、获取艾萨炉炉壳外壁在多个连续采集时刻对应的红外热力图，并同步获取与各采集时刻对应的工艺参数数据；

4、s2、对所述红外热力图进行温度补偿、空间配准、噪声抑制及炉壁区域展开处理，得到以炉壁坐标为统一索引的标准化热力图序列；

5、s3、基于所述标准化热力图序列提取热力图特征，所述热力图特征包括高温异常区域特征、局部温度梯度变化特征、温度波动频率特征；

6、将所述热力图特征与对应时刻的工艺参数进行关联，得到工况特征样本；

7、s4、获取历史运行过程中记录的经验现象信息，根据所述经验现象信息确定经验现象类型、发生区域、持续时间、诱发工况以及失效后果，生成结构化经验标签；

8、s5、将所述结构化经验标签与对应时间范围内的工况特征样本以及对应的耐火材料状态结果进行关联，形成经验样本集合；

9、其中，所述耐火材料状态结果包括耐火材料厚度数据、耐火材料剥落数据、检修结果数据或失效原因数据中的至少一种；

10、s6、根据所述经验样本集合构建经验原型；

11、其中，每一经验原型用于表征同一经验现象类型对应的热力图演化规律、工艺变化规律以及耐火材料损伤规律；

12、s7、以历史炉役数据或相似炉体数据作为源域样本，以当前艾萨炉运行数据作为目标域样本，根据目标域样本与各经验原型之间的匹配关系确定迁移权重；其中，当目标域在线样本到某一经验原型向量的距离较近时，提高该类历史样本和对应专家标签对目标域预测的影响权重；当目标域样本与某一源域模式差异较大时，降低该源域样本的迁移权重，避免负迁移；并利用所述迁移权重对预测模型进行经验迁移训练；

13、s8、将当前时刻获取的标准化热力图序列输入经经验迁移训练后的预测模型，得到对应炉壁区域的耐火材料减薄量预测结果；

14、s9、根据所述耐火材料减薄量预测结果输出耐火材料减薄量、剥落风险以及剩余寿命。

15、优选地，所述步骤s2中的温度补偿包括：

16、根据炉壳表面发射率、红外热像仪观测角度、环境反射温度以及冷却构件影响参数，对红外热力图中的温度值进行修正；

17、所述空间配准包括：

18、将不同采集位置获取的红外热力图映射至统一炉壁坐标系，并根据所述统一炉壁坐标系生成炉壁展开图。

19、优选地，所述高温异常区域特征通过对标准化热力图中的异常温度区域进行识别获得；

20、所述高温异常区域特征包括：

21、异常区域面积、异常区域周长、最高温度、平均温度、区域几何中心位置、区域扩张速度、区域迁移速度以及区域持续时间中的至少一种。

22、优选地，所述局部温度梯度变化特征包括：

23、空间温度梯度、时间温度梯度、温度二阶变化量、相邻区域温差以及连续时间窗口温差中的至少一种；

24、当所述局部温度梯度变化特征满足预设异常条件时，对对应炉壁区域生成局部损伤候选标记。

25、优选地，所述温度波动频率特征通过对炉壁区域对应的温度时间序列进行频域分析获得；

26、所述频域分析包括：

27、傅里叶变换分析、小波变换分析、峰值间隔统计分析以及滑动窗口方差分析中的至少一种。

28、优选地，所述结构化经验标签包括：

29、经验现象类型字段、发生区域字段、诱发工况字段、持续时间字段、严重程度字段、标签置信度字段以及失效后果字段；

30、所述经验现象类型包括：

31、炉壳发红现象、挂渣脱落现象、喷枪冲刷过度现象、渣线侵蚀增强现象、局部冷却异常现象以及耐火材料剥落现象中的至少一种。

32、优选地，所述步骤s6中构建经验原型包括：

33、对具有相同经验现象类型的多个经验样本进行聚类处理；

34、根据聚类结果生成对应经验现象类型的原型特征向量；

35、将所述原型特征向量作为所述经验原型。

36、优选地，所述步骤s7中确定迁移权重包括：

37、计算目标域样本与各经验原型之间的特征距离；

38、根据所述特征距离确定经验相似度；

39、根据所述经验相似度确定对应源域样本的迁移权重；

40、其中，

41、经验相似度越高，对应迁移权重越大。

42、优选地，所述经验迁移训练过程中构建联合损失函数；

43、所述联合损失函数包括：预测误差损失项、经验标签一致性损失项、源域与目标域特征分布对齐损失项以及工艺规律约束损失项；

44、所述工艺规律约束损失项用于约束预测结果满足耐火材料损伤演化规律。

45、优选地，所述步骤s9之后还包括：

46、获取检修测厚结果、内窥检测结果、拆检结果或事故分析结果；

47、根据所获取结果修正对应结构化经验标签的标签置信度；

48、并利用修正后的结构化经验标签更新经验原型和预测模型。

49、本发明中，所提出的艾萨炉耐火材料减薄的红外热力图与经验迁移预测方法，具有如下有益的技术效果：

50、本发明通过构建从炉壁热力图序列、热力图特征向量、结构化专家经验标签、工况异常数据库、经验迁移学习到时空预测模型的预测链路，采用对艾萨炉炉壳外壁进行多视场红外热像采集获得炉壁热力图序列，并提取高温异常斑块特征、局部温度梯度剧变特征和温度波动频率特征，同时将炉壳发红、挂渣脱落、喷枪冲刷过度、渣线侵蚀增强、局部冷却异常和非计划停炉检查发现的耐火砖剥落等历史人工经验现象转化为结构化专家经验标签，与热力图特征向量、工艺参数向量及事后检测耐火材料厚度或失效状态关联建立工况异常数据库，再以历史炉役数据或相似艾萨炉数据作为源域数据、以当前艾萨炉在线数据作为目标域数据，利用结构化专家经验标签对时空预测模型进行经验迁移学习，使时空预测模型在学习热力图时序变化的同时受结构化专家经验标签约束，从而将长期积累的现场经验与红外热力图时空特征共同引入耐火材料减薄预测过程，缓解了现有纯物理模型因边界条件设置不准而计算复杂、易失真，以及现有纯数据模型缺乏物理工艺经验约束、异常样本不足和跨炉役泛化能力弱的技术问题，同时，本发明通过动态相似度导向的迁移权重分配，实现了正向老专家经验的高效激活与不相关历史工况的自适应抑制，有效规避了跨数据源迁移时的负迁移风险， 提高了复杂工况下耐火材料减薄量、剥落风险百分比以及剩余寿命预测的可靠性和可迁移性。提高了复杂工况下耐火材料减薄量、剥落风险百分比以及剩余寿命预测的可靠性和可迁移性。