基于铁样断面多模态形貌的高炉铁水硅含量预测方法及系统

本发明涉及一种基于铁样断面多模态形貌的高炉铁水硅含量预测方法及系统，属于钢铁冶炼。

背景技术：

1、高炉冶炼中，铁水硅含量是反映炉温稳定的关键指标。硅含量过高会使铁水粘度增加、渣铁分离困难，过低则表明炉温不足、燃料消耗上升。目前钢铁企业普遍采用人工取样后送化验室分析的方式检测硅含量，通过人工操作耐火材料模具在铁水沟取样，冷却成圆形铁饼，经气动管道送至检测中心，再用化学滴定法或x射线荧光光谱法分析。该方式存在以下问题：取样和制样依赖人工，操作人员需在高温、多尘环境作业，劳动强度大且存在安全风险；人工操作导致铁样成型时间、冷却速率因人而异，铁样一致性差，检测重复性不佳；检测周期长，数据严重滞后于炉况变化，无法用于实时调整送风温度、喷煤量等工艺参数。

2、现有自动化取样装置虽减少了人工介入，但缺乏统一的制样规范，铁样断面位置和检测区域难以保持一致。少数基于图像的检测方法需要先制作金相试样，即对铁样进行切割、镶嵌、研磨和抛光，这一过程耗时较长，无法满足快速检测的需求。此外，取样时间间隔和冷却速率的差异也会影响后续成像数据的真实性。

3、在数据建模方面，现有模型为单一的轻量化模型或大模型。轻量化模型在训练样本少时精度不足，大模型需要大量样本才能有效训练，低样本量阶段效果差。两类模型都无法在样本积累过程中同时兼顾检测速度和精度。上述问题导致现有检测技术难以适应高炉冶炼对硅含量实时反馈的需求，限制了冶炼过程的精细化控制与效率提升。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种基于铁样断面多模态形貌的高炉铁水硅含量预测方法及系统，解决现有高炉铁水硅含量检测方法周期长、一致性差的技术问题。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供一种基于铁样断面多模态形貌的高炉铁水硅含量预测方法，该方法包括：

4、铁水取样，对取得的铁样进行冷却后，在统一位置以压力作用方式进行断面制备，获得具有标准化断面的铁样；

5、对铁样的断面进行不同角度和不同放大倍数的光学图像采集，并进行三维形貌扫描，获得多尺度多模态的形貌数据集，所述形貌数据集包含二维特征信息及三维特征信息；

6、将形貌数据集中的多组特征数据分别输入深度学习模型，生成多个硅含量预测值及各自对应的置信度；其中，所述深度学习模型采用动态更新机制，当样本积累量达到预设阈值，或者深度学习模型的预测误差超出预设阈值时，启动模型更新训练，并在验证通过后自动切换为完成训练的新模型进行预测；

7、对多个硅含量预测值，根据各自对应的置信度进行加权融合，得到最优硅含量预测值。

8、结合第一方面，进一步的，所述冷却的条件为：将铁样先自然冷却至500℃，再通过水冷方式冷却至100℃以下。

9、进一步的，在统一位置以压力作用方式进行断面制备是通过液压压断，压断位置经视觉校准的偏差不超过±0.5mm。

10、进一步的，对铁样的断面进行不同角度和不同放大倍数的光学图像采集，并进行三维形貌扫描，包括：

11、以0.1～10倍的放大倍数进行低倍光学成像，多角度采集铁样断面的整体形貌和颜色梯度特征，所述多角度采集通过自动旋转方式实现；

12、以50～200倍的放大倍数进行高倍显微成像，采集铁样断面的微观孔隙和裂纹特征；以激光扫描方式获取铁样断面的三维形貌数据，获取孔隙深度和裂纹宽度信息。

13、进一步的，所述动态更新机制包括：

14、在样本数量低于1500个时，采用轻量化模型进行预测，所述轻量化模型通过减少网络层数，用于提取边界轮廓和孔隙特征；

15、当样本数量累积达到3000个，或轻量化模型连续预测误差超过0.05%时，启动大模型训练，训练完成并验证通过后切换为包含残差连接与注意力机制的大模型进行预测，所述大模型用于提取孔隙占比、裂纹分布和颜色梯度变化率特征。

16、进一步的，根据各自对应的置信度进行加权融合，包括：

17、对每个预测值分配与其置信度正相关的权重；

18、剔除置信度低于0.6的预测值，对保留的有效预测值进行加权融合，得到最优硅含量预测值。

19、进一步的，所述方法还包括：

20、将生产过程中新增的成像数据与实际硅含量数据补充至形貌数据集，并按预设周期对深度学习模型执行增量训练；

21、实时监测取样、成像、预测各环节的运行状态，当监测到取样中断、图像质量不满足预设指标或数据传输中断时，切换至备用预测模型。

22、第二方面，本发明提供一种基于铁样断面多模态形貌的高炉铁水硅含量预测系统，包括：

23、取样单元，用于进行铁水取样，对取得的铁样进行冷却后，在统一位置以压力作用方式进行断面制备，获得具有标准化断面的铁样；

24、成像单元，用于对铁样的断面进行不同角度和不同放大倍数的光学图像采集，并进行三维形貌扫描，获得多尺度多模态的形貌数据集；

25、预测单元，内置采用动态更新机制的深度学习模型，用于对所述形貌数据集进行硅含量预测，并根据样本积累量或预测误差启动模型更新训练与自动切换；

26、输出单元，用于对基于多组特征数据生成的多个硅含量预测值，根据各自对应的置信度进行加权融合，输出得到的最优硅含量预测值。

27、结合第二方面，进一步的，所述预测单元根据样本积累量或连续预测误差超过0.05% 启动模型更新训练与自动切换；

28、所述系统还包括自诊断单元与迭代单元，所述自诊断单元用于实时监测各单元运行状态，在发生异常时自动报警并切换至备用预测模型；所述迭代单元用于将生产过程新增的成像数据与硅含量标注数据补充至所述形貌数据集，并按预设周期对模型执行增量训练。

29、第三方面，本发明提供一种计算机设备，包括：

30、存储器，用于存储指令；

31、处理器，用于执行所述指令，使得所述设备执行实现第一方面任一项所述方法的操作。

32、与现有技术相比，本发明所达到的有益效果：

33、本发明提供的一种基于铁样断面多模态形貌的高炉铁水硅含量预测方法及系统，通过统一位置以压力作用进行断面制备并经过视觉校准，使所有铁样检测区域一致，提高检测效率；

34、采用多角度、多倍率光学图像与三维形貌扫描结合的多模态成像，获取断面二维纹理、颜色梯度及孔隙深度、裂纹宽度等空间特征，通过多尺度多模态特征融合与动态进化模型，提高预测准确率。

35、深度学习模型根据样本积累量或预测误差自动在轻量化模型与大模型之间切换并验证后更新，兼顾检测速度与精度，在样本不足时由轻量化模型保证预测速度，在样本充足时由大模型保证预测精度，以适配不同高炉工况。

36、通过对多个硅含量预测值按置信度进行加权融合并剔除置信度低于0.6的预测值，降低单次预测的随机误差。全程无需人工干预，避免高温粉尘环境对操作人员的伤害，标准化制样保证检测重复性。

37、通过将新增数据补充至数据集并按预设周期进行增量训练，使模型持续适配不同高炉工况；通过实时监测各环节运行状态并在异常时切换至备用预测模型，保障检测流程的连续性，提升冶炼效率与产品质量。