FM-AE: Frequency-masked Multimodal Autoencoder for Zinc Electrolysis Plate Contact Abnormality Detection

📄 arXiv: 2401.03806v1 📥 PDF

作者: Canzong Zhou, Can Zhou, Hongqiu Zhu, Tianhao Liu

分类: cs.CV

发布日期: 2024-01-08

备注: 2023 The 34th Chinese Process Control Conference (CPCC 2023)

💡 一句话要点

提出FM-AE以解决锌电解板接触异常检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 锌电解 接触状态检测 多模态自编码器 特征融合 在线监测 工业自动化 智能制造

📋 核心要点

  1. 锌电解过程中，阴极与阳极接触不良是影响生产效率和产品质量的主要问题，现有监测方法难以实时有效检测。
  2. 本文提出的FM-AE方法通过融合电池电压信号和红外图像信息，利用自编码器实现特征的自动编码和融合，进而预测接触状态。
  3. 实验结果显示，FM-AE方法在接触状态检测中取得了86.2%的高准确率，展现出良好的鲁棒性和泛化能力。

📝 摘要（中文）

锌电解是锌冶炼中的关键工艺，保持锌电解的稳定运行对于确保生产效率和产品质量至关重要。然而，锌电解阴极与阳极之间的接触不良是常见问题，导致生产效率下降和电解槽损坏。因此，在线监测电极板的接触状态对于确保生产质量和效率至关重要。为此，本文提出了一种端到端网络——频率掩蔽多模态自编码器（FM-AE）。该方法以电池电压信号和红外图像信息为输入，通过自动编码融合这两种特征，并通过级联检测器预测电极板的接触不良状态。实验结果表明，该方法在保持高准确率（86.2%）的同时，具有良好的鲁棒性和泛化能力，有效检测锌电解槽的接触不良状态，为生产实践提供了有力支持。

🔬 方法详解

问题定义：本文旨在解决锌电解过程中阴极与阳极接触不良的问题。现有的监测方法往往无法实时有效地检测接触状态，导致生产效率下降和设备损坏。

核心思路：FM-AE方法的核心思路是将电池电压信号和红外图像信息进行融合，通过自编码器实现特征的自动编码，从而提高接触状态的检测准确性。

技术框架：FM-AE的整体架构包括输入模块（电池电压信号和红外图像）、自编码器模块（特征融合）、级联检测器模块（状态预测）。该网络采用端到端的训练方式，简化了传统方法的复杂性。

关键创新：FM-AE的创新在于频率掩蔽机制的引入，使得网络能够更好地提取和融合多模态信息，显著提高了对接触不良状态的检测能力。与现有方法相比，FM-AE在特征融合和状态预测上具有更高的准确性和鲁棒性。

关键设计：在网络设计中，采用了适应性损失函数以平衡不同模态的影响，同时优化了网络结构以提高训练效率。关键参数设置包括学习率、批量大小等，这些都经过实验验证以确保最佳性能。

📊 实验亮点

实验结果表明，FM-AE方法在锌电解板接触状态检测中达到了86.2%的高准确率，相较于传统方法有显著提升，展现出良好的鲁棒性和泛化能力，为实际生产提供了强有力的技术支持。

🎯 应用场景

该研究的潜在应用领域包括锌冶炼行业的在线监测系统、智能制造和工业自动化等。通过实时监测电极板的接触状态，能够有效提高生产效率和产品质量，降低设备损坏风险，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Zinc electrolysis is one of the key processes in zinc smelting, and maintaining stable operation of zinc electrolysis is an important factor in ensuring production efficiency and product quality. However, poor contact between the zinc electrolysis cathode and the anode is a common problem that leads to reduced production efficiency and damage to the electrolysis cell. Therefore, online monitoring of the contact status of the plates is crucial for ensuring production quality and efficiency. To address this issue, we propose an end-to-end network, the Frequency-masked Multimodal Autoencoder (FM-AE). This method takes the cell voltage signal and infrared image information as input, and through automatic encoding, fuses the two features together and predicts the poor contact status of the plates through a cascaded detector. Experimental results show that the proposed method maintains high accuracy (86.2%) while having good robustness and generalization ability, effectively detecting poor contact status of the zinc electrolysis cell, providing strong support for production practice.