具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

本公开实施例中“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

下面对本公开实施例涉及的概念进行介绍，测温方法分为接触测温法和非接触测温法。其中，接触测温法：测温敏感元件与被测物体直接接触的方法。非接触测温法，测温敏感元件不与被测物体直接接触的方法。

图1是本公开实施例提供的用于高炉炉温监测的装置的结构示意图。图2是本公开实施例提供的温度修订参数的生成模型（，，）结构示意图。如图1和图2所示，本公开实施例提供了用于高炉炉温监测的装置，该装置包括：第一炉温采集模块1，包括非接触测温仪器，通过非接触测温仪器实时采集炉温，得到非接触式温度数据；处理模块2，与第一炉温采集模块连接，处理模块2获取非接触式温度数据，根据第一温度修订参数、第二温度修订参数和非接触式温度数据，得到高炉炉温；温度修订模块3，与处理模块2连接，温度修订模块3用于获取第一温度修订参数W和第二温度修订参数B，温度修订模块3包括：热敏图像采集单元31，用于获取高炉炉内热敏图像；环境参数采集单元32，用于获取环境参数；工作参数采集单元33，用于获取工作参数，其中，热敏图像经过卷积神经网络运算得到热敏特征向量，热敏特征向量、环境参数和工作参数进行全连接计算，得到第一温度修订参数W和第二温度修订参数B。其中，非接触测温仪器可以采用目视光学高温计、光电高温计或者光谱高温计等。第一炉温采集模块1还包括，与非接触测温仪器相应的数据传输系统，数据传输系统用于第一炉温采集模块1和处理模块2之间的数据传输。

本公开实施例提供的用于高炉炉温监测的装置，可以实现以下技术效果：以非接触式温度测量采集得到的温度数据为基础，结合温度校订参数得到高炉炉温，可以满足对高炉炉温实时监控的需求，也可以满足实时监控的精度需求，受温度漂移影响小，使用寿命长。

温度修订模块包括摄像机和传感器，通过温度修订模块对高炉的炉内热敏图像、工作参数和环境参数进行采集和传输，用于对非接触式温度数据进行修订，可以提高监测精度，测温精度可以达到±2℃，在非接触测温仪器视场内全屏测温，一致性高。

如图2所示，在一些实施例中，可以将对应时刻的热敏图像输入到卷积神经网络中，经过三层卷积与池化过程，形成热敏特征向量后，热敏特征向量、环境参数和工作参数融合，进行全连接计算，得到第一温度修订参数W和第二温度修订参数B。其中，工作参数包括：模型收敛时间、加工材料、高炉状况和用于高炉炉温监测装置的工作时间等，其中高炉状况包括但不限于：铁水Si含量、铁水S含量或者铁水温度；环境参数包括：风温或者高炉炉温等。

在一些实施例中，处理模块通过以下公式计算得到第一温度修订参数W和第二温度修订参数B，

其中代表热敏图像的热敏特征向量，为环境参数，为工作参数，、为权重矩阵，为偏置量，在模型训练开始时，对权重矩阵进行高斯随机初始化，偏置量设为0，在模型训练过程中权重矩阵和偏置量不断迭代更新，模型参数稳定时，得到最合理的温度修订参数W和B。

在一些实施例中，处理模块通过以下公式计算得到所述高炉炉温：，其中，为时间为i时的高炉炉温，i=1,2，…，W为第一温度修订参数，B为第二温度修订参数，为时间i时的非接触式温度数据。这样，通过第一炉温采集模块实时采集非接触式温度数据，通过对非接触式温度数据进行修订，可以实时计算得到高炉炉温。

如图1所示，在一些实施例中，前述的用于高炉炉温监测的装置，还包括：第二炉温采集模块4，与处理模块2连接，第二炉温采集模块4包括：直接接触测温仪器，通过直接接触测温仪器按照预设采集频率采集炉温，得到接触式温度数据；处理模块2，还用于获取接触式温度数据，并计算接触式温度数据和高炉炉温的经验误差，根据经验误差反向训练第一温度修订参数和第二温度修订参数。其中，直接接触测温仪器可以采用电阻温度计或者是热电偶温度计等，电阻温度计用于测量烟气的温度，热电偶温度计用于测量炉膛内的温度。第二炉温采集模块4还包括，与直接接触测温仪器相应的数据传输系统，数据传输系统用于第二炉温采集模块4和处理模块2之间的数据传输。第一炉温采集模块1通过非接触方式，对高炉炉内温度进行实时采集，作为装置输出温度的主要依据；处理模块通过炉内热敏图像、工作参数和环境参数得到第一和第二温度修订参数后，使用第一温度修订参数和第二温度修订参数对非接触式温度数据进行修订；第二炉温采集模块4通过接触式温度测量方式，对高炉炉内温度按照预设采集频率进行炉温采集，通过使接触式温度数据和计算得到的高炉炉温之间的差值越来越小，直至趋于稳定，作为装置输出温度的校正标准。在非接触式温度数据采集的基础上，根据现场工作场景，修改温度修订参数，使非接触式温度数据监测结果逐渐接近接触式温度数据，可以提高测量精度。

在一些实施例中，处理模块通过模型的损失函数计算经验误差，损失函数，其中，代表模型（，，）结构的超参数，为时间i时的接触式温度数据。E为函数符号，也可以通过其它字母进行表示。通过使计算得到的高炉炉温和接触式温度数据的差值不断减小，来确定W和B的取值。超参数是在开始机器学习过程之前设置值的参数，超参数为根据经验确定的变量。为了评估模型拟合的好坏，通常用损失函数来度量拟合的程度，损失函数极小化，意味着拟合程度最好，对应得到最优的。

在一些实施例中，所述第二炉温采集模块按照预设的采集频率采集数据，采集频率需要初始设置，如初始设置为20秒/次，随着模型的不断迭代收敛，接触式温度数据采集频率逐渐降低，比如采集周期延长为1分钟/次，5分钟/次，10分钟/次，30分钟/次，1小时/次，直至采集周期趋近于无穷大，即采集频率趋近于零。通过均方值误差对模型的预测效果进行评估，机器学习算法在迭代过程中会逐渐趋于稳定，下降过程中的接触式温度数据采集频率不断降低。这样，随着装置运行时间的增加，机器学习训练模型数据的积累，机器学习算法会逐渐迭代至收敛，算法收敛后，修订后的非接触式温度数据准确性增加，直接接触测温仪器采集接触式温度数据减少直至接触式温度数据采集频率趋近为零，从而不再依赖直接接触测温仪器的测量数据，进而可以部分或者全部取消直接接触测温仪器，降低了直接接触测温仪器，如热电偶的损耗成本，降低测量成本。

处理模块获取到非接触式温度数据后，通过计算得到高炉炉温，处理模块获取到接触式温度数据后，通过计算经验误差，反向训练获得最优参数W和B。通过经验误差反向训练参数W和B，直至修订后的非接触式温度数据精度满足高炉炉温实时获取需求，修订后的非接触式温度数据作为用于高炉炉温监测装置的输出。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

本公开实施例还提供了一种用于高炉炉温监测的方法，该方法包括：步骤S1：采用非接触式测温方法，实时获取高炉炉内的非接触式温度数据；步骤S2：获取高炉炉内热敏图像、环境参数和工作参数，热敏图像经过卷积神经网络运算得到热敏特征向量，热敏特征向量、环境参数和工作参数进行全连接计算，得到第一温度修订参数和第二温度修订参数；步骤S3：根据第一温度修订参数、第二温度修订参数和非接触式温度数据，得到高炉炉温。这样，以非接触式温度测量采集得到的温度数据为基础，结合温度校订参数对非接触式温度数据进行修订得到高炉炉温，可以满足对高炉炉温实时监控的需求，也可以满足实时监控的精度需求，受温度漂移影响小，使用寿命长。

在一些实施例中，步骤S3中，通过以下公式计算得到高炉炉温：

其中，为时间为i时的高炉炉温，i=1,2，…，W为第一温度修订参数，B为第二温度修订参数，为时间i时的非接触式温度数据。

在一些实施例中，步骤S2中，第一温度修订参数W和第二温度修订参数B通过以下公式计算得到，

其中代表热敏图像的热敏特征向量，为环境参数，为工作参数，、为权重矩阵，为偏置量。

在一些实施例中，步骤S2进一步包括：步骤S21：采用接触式测温方法，按照预设采集频率获取高炉炉内的接触式温度数据，计算接触式温度数据和高炉炉温的经验误差，根据经验误差反向训练第一温度修订参数和第二温度修订参数。

在一些实施例中，通过模型的损失函数，计算经验误差，模型的损失函数，其中，为时间i时的接触式温度数据，为模型的超参数。

在一些实施例中，重复步骤S2和步骤S3，直至非接触式温度数据精度满足高炉炉温实时获取需求。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。