关键词:
转运车辆
控制系统
视频异常检测
多示例学习
摘要:
钢铁产业是国家基础性行业,钢铁产业的发展对推动社会经济发展具有重大意义。美国早已成功实现了钢铁产业的电气化转型,而国内仍处于钢铁产业成长阶段,许多工序仍然采用人工手动控制。随着国家高新技术产业不断发展,这样的生产方式已经无法满足国内对钢铁生产的需求。其中炼钢厂转运车辆的控制是一个炼钢厂生产过程中的一个痛点,传统转运车辆的运动由人工控制,存在定位难、效率低、危险系数大、车辆状态无法获取等问题,为此本文以炼钢厂中转运车辆为研究对象,采用自动机理论对转运车辆控制系统进行建模设计并分析。
本文根据转运车辆的工序情况利用自动机理论对其分析建模。首先,对炼钢厂转运控制车辆的工序流程和现场空间布局进行了解,由此进行控制系统的设备区域分布和电气布线设计。再根据转运车辆控制系统的输入输出以及其工序流程,对转运车辆控制系统由输入不同而产生的状态变换进行分析,并设计各个状态的自动机模型包括手动模式自动机、远程自动自动机、远程点动自动机、本地(钢包车)控制自动机,整合系统各个状态的自动机模型得到系统整体的自动机模型;其次,给系统各个模式分配状态得到状态矩阵,推算出各个触发器的输入表达式以及系统的输出表达式。根据输入和输出逻辑表达式可完成转运车辆控制系统逻辑程序的编写。根据设计的控制程序对转运车辆进行整体实验测试,表明了设计的转运车辆控制系统具有一定的可行性,有效提高了钢水转运的生产效率,改善了现场工作人员的工作环境。
为了保障转运车辆的工作过程顺利进行,以及防止出现重大事故,本文对转运车辆控制系统的安全性进行了研究,提出了基于长短时记忆的TMMIL(Time Memory Multiple Instance Learning)炼钢厂转运车辆区域视频异常检测算法,针对场景中的烟雾、火光导致识别精度下降的问题,采用限制对比度自适应直方图均衡增加对比度,提高了场景的可识别度并丰富场景的色彩表示。TMMIL算法在多示例学习框架下融合I3D(Two-Stream Inflated 3D Conv Nets)与LSTM(Long Short-Term Memory)网络进行增强外观和空间记忆力。该算法通过I3D网络提取视频光流和RGB融合特征,采用LSTM长短时记忆网络提取历史外观和空间记忆在当前阶段的表征,提高视频特征的准确性;在异常检测时,提出多示例排序与均方差的融合损失,其中多示例排序损失可提高异常和正常事件区别度,均方差损失可降低正常事件的差异程度,通过结合两种误差能够提高正常和异常事件可分离性,以此提高模型的异常检测辨识度。该算法在自制的转运车辆“吊包位东”监控区域数据集上进行实验取得了99.37%的AUC性能,并且在Shanghai Tech数据集上进行实验,与其他算法对比也能有很好的性能。
最后搭建了转运车辆区域监控报警平台,包含现场摄像头组、服务器和PLC控制器。摄像头组将现场图像发送到服务器进行视频异常识别,服务器部署了TMMIL算法对现场摄像头进行异常识别并通过可视化交互软件进行结果展示。产生的报警信息传递给控制器PLC,用于指导PLC对现场转运车辆的控制。经过实验验证,该平台能够很好的对现场发生事件进行有效判别,有效提高了钢水转运工序生产的安全性。