CN105276988A - 一种烧结矿机尾断面FeO含量的控制方法 - Google Patents

Abstract

本发明涉及一种烧结矿机尾断面FeO含量的控制方法，该控制方法采用双CCD图像监测***采集烧结矿机尾断面的图像，所述双CCD图像监测***包括彩色CCD摄像机和红外CCD摄像机，彩色CCD摄像机采集可见光图像，红外CCD摄像机采集红外图像，通过处理计算机对采集的图像进行图像处理，最后通过数据测量与分析***对烧结矿FeO含量进行测量，所述数据测量与分析***包括模糊聚类***和神经网络***。解决了现有烧结矿Fe0含量测量方法由于需看火工依靠经验进行判断，劳动强度大以及烧结矿质量偏差大的问题。

Description

一种烧结矿机尾断面FeO含量的控制方法

技术领域

本发明涉及一种烧结矿机尾断面FeO含量的控制方法。

背景技术

目前国内烧结厂，烧结矿FeO含量的在线检测主要依靠人的经验，也就是由烧结看火工在烧结机尾对烧结机断面直观观察，然后凭经验对烧结矿FeO含量做出判断，虽然国内一些烧结厂已在烧结机尾观察点安装了工业电视***，看火工可以通过工业电视观察机尾断面，但仍需看火工依靠经验进行判断，也就是由烧结看火工持续观察机尾工业电视画面，然后凭经验对烧结矿FeO含量做出判断，给出FeO含量的范围，然后再进行一定的操作控制。

每个看火工由于经验积累不同，判断存在一定偏差，此外还有以下情形会产生烧结矿质量偏差：1.由于铁矿石资源变动较大，给工艺确定带来众多不利因素；2.烧结矿质量检测结果滞后(一般滞后2～3小时)，无法及时修正工艺操作；3.检测样品取样存在一定的局限性，不能完整反映烧结结果。取样只是在大量的产品中抽取极少量的样本进行化验，并不能完全反映整个批量产品的实际指标。

发明内容

本发明的目的是提供，一种烧结矿机尾断面FeO含量的控制方法，该控制方法可以快速在线检测烧结机生产过程中烧结矿Fe0含量的等级分类，能对生产过程中的异常烧结情况及时反馈，用以解决现有烧结矿Fe0含量测量方法由于需看火工依靠经验进行判断，劳动强度大以及烧结矿质量偏差大的问题。

为实现上述目的，本发明的方案是：一种烧结矿机尾断面FeO含量的控制方法，该控制方法采用双CCD图像监测***采集烧结矿机尾断面的图像，并通过处理计算机对采集的图像进行图像处理，最后通过数据测量与分析***对烧结矿FeO含量进行测量，所述双CCD图像监测***包括彩色CCD摄像机和红外CCD摄像机，所述数据测量与分析***包括模糊聚类***和神经网络***，所述的控制方法具体包括以下步骤：

(1)彩色CCD摄像机实时采集烧结矿机尾断面的可见光图像，红外CCD摄像机实时采集烧结矿机尾断面的红外图像，并将所述的可见光图像和红外图像发送给处理计算机；

(2)处理计算机对接收到的可见光图像和红外图像进行图像处理，并从可见光图像中提取烧结矿机尾断面中红火层的几何特征数据，从红外图像中提取烧结矿机尾断面中红火层的物理特征数据；

(3)将所述步骤(2)中提取的特征数据输入到模糊聚类***中进行FeO含量等级分类，并将等级分类结果以及步骤(2)中提取的特征数据输入到神经网络***，进行神经网络的训练；

(4)将彩色CCD摄像机和红外CCD摄像机采集的已进行FeO含量等级分类的实时可见光图像和红外图像输入到已训练的神经网络***，并进行仿真，获得实时图像的FeO含量等级；

(5)将所述步骤(4)中获得的FeO含量等级、实时同步可见光图像和红外图像以及步骤(2)中提取的特征数据发送到终端接口，调节烧结过程参数，控制烧结矿机尾断面FeO含量。

根据本发明的烧结矿机尾断面FeO含量的控制方法，所述的步骤(2)中，所述图像处理包括图像平滑、顶帽变化、阈值分割、闭运算以及开运算。

根据本发明的烧结矿机尾断面FeO含量的控制方法，所述的步骤(2)中，所述几何特征数据包括红火层的位置、宽度以及面积，所述物理特征数据包括红火层气孔的平均灰度及温度。

根据本发明的烧结矿机尾断面FeO含量的控制方法，所述的步骤(3)中进行神经网络训练的方法为：将提取的特征数据作为神经网络的输入值，将对应的等级作为神经网络的输出值，选择合适的神经网络、隐含层和输出层个数、学习速率以及收敛算法训练神经网络。

本发明达到的有益效果：本发明可以快速地在线检测烧结机生产过程中烧结矿Fe0含量的等级分类，能对生产过程中异常烧结情况及时反馈，克服了以往判断过程滞后、劳动强度大、仅凭人员主观经验判断等不足，对烧结矿的质量控制有明显的作用，同时能减少固体燃料消耗。

附图说明

图1是本发明的***结构原理图；

图2是本发明的控制方法流程图；

图3是本发明断面可见光图像采取滤波平滑处理后的图像；

图4是图3对应的二值化图像；

图5是本发明等级分类结果图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

如图1所示，本发明的控制方法采用双CCD图像监测***1采集烧结矿机尾断面的图像，并通过处理计算机3对采集的图像进行图像处理，最后通过数据测量与分析***2对烧结矿FeO含量进行分析测量，所述双CCD图像监测***1包括彩色CCD摄像机和红外CCD摄像机，所述数据测量与分析***2包括模糊聚类***和神经网络***。

如图2所示，本发明的控制方法具体包括以下步骤：

(1)彩色CCD摄像机实时采集烧结矿机尾断面的可见光图像，红外CCD摄像机实时采集烧结矿机尾断面的红外图像，并将所述的可见光图像和红外图像发送给处理计算机；

(2)处理计算机对接收到的可见光图像和红外图像进行图像平滑、顶帽变化、阈值分割、闭运算以及开运算等图像处理，并从可见光图像中提取烧结矿机尾断面中红火层的位置、宽度及面积等几何特征数据，从红外图像中提取烧结矿机尾断面中红火层气孔的平均灰度及温度等物理特征数据；

(3)将所述步骤(2)中提取的特征数据输入到模糊聚类***中进行FeO含量等级分类，并将等级分类结果以及步骤(2)中提取的特征数据输入到神经网络***，将提取的特征数据作为神经网络的输入值，将对应的等级作为神经网络的输出值，选择合适的神经网络、隐含层和输出层个数、学习速率以及收敛算法进行神经网络的训练；

(4)将彩色CCD摄像机和红外CCD摄像机采集的FeO含量等级的实时可见光图像和红外图像，并输入到已训练的神经网络***进行仿真，获得实时图像的FeO含量等级；

(5)将所述步骤(4)中获得的FeO含量等级、实时同步可见光图像和红外图像以及步骤(2)中提取的特征数据发送到终端接口，调节烧结过程参数，以控制烧结矿机尾断面FeO含量。

下面以宝钢不锈炼铁厂1#烧结机为例，对本发明的具体实施过程进行详细说明：

(1)在生产现场，双CCD图像监测***通过彩色CCD摄像机和红外CCD摄像机分别实时采集烧结矿机尾断面的大量可见光图像和红外光图像，并传输给处理计算机。

(2)处理计算机对接收到的可见光图像和红外图像进行图像平滑、顶帽变化、阈值分割、闭运算以及开运算等图像处理，以便较为完整、清晰地观察和测量图像信息，如图3和图4所示。

(3)从图像处理后的可见光图像中提取红火层在断面中的位置、宽度及面积等几何特征，从图像处理后的红外图像中可以提取断面红火层气孔的平均灰度及温度等物理特征，并将提取的特征数据输入到模糊聚类***中进行FeO含量等级分类，具体过程如下：

将提取的特征数据形成样本空间X＝{x₁,x₂,...,x_i,...,x_n},并输入到模糊聚类***中，采用模糊C均值方法(FCM算法)，将特征数据分成c个类别，c为大于1的整数，定义样本点x_i属于第j(1≤j≤c)类的程度。

样本空间X的模糊聚类用模糊矩阵W＝(w_ij)描述(0≤w_ij≤1)，元素w_ij是矩阵W的第i行第j列元素，代表第i个样本点隶属于第j类的隶属度。W具有以下性质：

w_ij∈[0,1]； $\begin{array}{cc}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}=1;& 0<\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}<n.\end{array}$

为了计算各个样本点相对于聚类中心的隶属度，定义目标函数：

$J_m(W,Z)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2(x_i,z_j),$ Z＝(z₁,z₂,...,z_c)

其中m(m>1)是模糊指数，z_j表示第j类的聚类中心，是样本点x_i到聚类中心z_j的欧氏距离。

FCM算法通过对目标函数的迭代优化来取得对样本集的模糊分类。迭代过程如下：

1)随机地初始化W⁽⁰⁾，初始化Z⁽⁰⁾，并计算W⁽⁰⁾。令迭代次数为k＝1，选择类别数c，如c＝3，表示将样本分成三个类别，并选择模糊指数m(m>1)。

2)计算W^(k)，对某一样本点i和聚类中心r，如果d_ir(k)>0，则若存在i和r，使得d_ir(k)＝0，则w_ir(k)＝1，且对j≠r，w_ij(k)＝0，k表示迭代次数。d_ir(k)表示第k次迭代后样本点i到聚类中心r的欧式距离，w_ij(k)表示第k次迭代后模糊矩阵的值。

3)计算Z^(k+1)。 $Z_j(k+1)=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^m{x}_i}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^m};$

4)如果||W^(k)-W^(k+1)||<ε，说明模糊矩阵已变化甚小，则停止迭代；否则令k＝k+1，转步骤2)，其中ε是预先给定的正数，按实际情况取值。例如：如果第一次迭代结束后W₁＝0.35，第二次迭代后W₂＝0.34，若设定ε＝0.02，则迭代结束；若设定ε＝0.01，迭代继续。

(4)将等级分类结果以及提取的红外光图像和可见光图像的特征数据输入到神经网络***，将提取的特征数据作为神经网络的输入值，将对应的等级作为神经网络的输出值，选择合适的神经网络、隐含层和输出层个数、学习速率以及收敛算法等参数训练神经网络，获得较为正确的各权值阈值。

本实施例选用BP神经网络，对于BP神经网络的收敛算法有梯度下降法、有动量的梯度下降法、有自适应lr的梯度下降法、有动量加自适应lr的梯度下降法、弹性梯度下降法、共轭梯度法、量化共轭梯度法等算法。本实施例对神经网络进行训练的具体过程如下：

1)确定参数：样本X＝[x₁,x₂,...,x_n]^T定义为神经网络输入向量，其中每个元素代表一个特征数据，即此次图像包含了n个特征。将图像的类别O＝[o₁,o₂,...,o_q]^T定义为希望输出向量，其中每个元素代表图像所属类别中的一个参考量，神经网络实际输出向量为Y＝[y₁,y₂,...,y_q]^T，q为输出层单元数。隐含层输出向量为B＝[b₁,b₂,...,b_p]^T，p为隐含层单元数。初始化输入层至隐含层的连接权值W_j＝[w_j1,w_j2,...,w_jt,...,w_jn]^T，j＝1,2,...p。始化隐含层至输出层的连接权值V_k＝[v_k1,v_k2,...,v_kj,...,v_kp]^T，k＝1,2,...q。

2)输入模式传播：计算隐含层各神经元的激活值θ_j为隐含层单元的阈值，激活函数采用S型函数，即计算隐含层j单元的输出值计算输出层第k个单元的激活值计算输出层第k个单元的实际输出值y_k＝f(s_k)(k＝1,2,...,q)，θ_k为输出层单元阈值。

3)输出误差的逆传播：网络的实际输出值与希望的输出值不一样时或者说误差大于所限定的数值时，就要对网络进行校正，这里的校正是从后向前进行的，所以叫做误差逆传播。

输出层的校正误差为d_k＝(o_k-y_k)y_k(1-y_k),隐含层各单元的校正误差为对于输出层至隐含层连接权的校正量为△v_kj＝α·d_k·b_j，b_j∈B，输出层阈值的校正量为△θ_k＝α·d_k，其中α为学习系数，α>0，隐含层至输入层连接权的校正量为△w_ji＝β·e_j·x_i，x_i∈X，隐含层阈值的校正量为△θ_j＝β·e_j，其中β为学习系数，0<β<1。通常学习系数在0.1-0.8之间。

(5)将实时获得的FeO含量等级的可见光图像和红外光图像输入到已训练好的神经网络中，得到FeO含量等级结果，如图5所示，其中纵坐标1.1、1、0.9分别代表A、B、C三个等级，中间的波浪形曲线为拟合图，便于观察等级的变化趋势。

(6)最后将分析好的结果连同图像的信息一起反馈到终端接口，便可以实现实时预测和控制生产参数的作用，实现对烧结矿机尾断面FeO含量的控制。

本发明是在烧结机机尾安装一套基于双CCD的烧结矿机尾断面FeO含量等级分析测量装置，可以快速地在线检测烧结机生产过程中烧结矿Fe0含量的等级分类，能对生产过程中异常烧结情况及时反馈，克服了以往判断过程滞后、劳动强度大、仅凭人员主观经验判断等不足，对烧结矿的质量控制有明显的作用，同时能减少固体燃料消耗。

Claims (4)

1.一种烧结矿机尾断面FeO含量的控制方法，其特征在于：该控制方法采用双CCD图像监测***采集烧结矿机尾断面的图像，并通过处理计算机对采集的图像进行图像处理，最后通过数据测量与分析***对烧结矿FeO含量进行测量，所述双CCD图像监测***包括彩色CCD摄像机和红外CCD摄像机，所述数据测量与分析***包括模糊聚类***和神经网络***，所述的控制方法具体包括以下步骤：

(1)彩色CCD摄像机实时采集烧结矿机尾断面的可见光图像，红外CCD摄像机实时采集烧结矿机尾断面的红外图像，并将所述的可见光图像和红外图像发送给处理计算机；

(2)处理计算机对接收到的可见光图像和红外图像进行图像处理，并从可见光图像中提取烧结矿机尾断面中红火层的几何特征数据，从红外图像中提取烧结矿机尾断面中红火层的物理特征数据；

(3)将所述步骤(2)中提取的特征数据输入到模糊聚类***中进行FeO含量等级分类，并将等级分类结果以及步骤(2)中提取的特征数据输入到神经网络***，进行神经网络的训练；

(4)将彩色CCD摄像机和红外CCD摄像机采集的已进行FeO含量等级分类的实时可见光图像和红外图像输入到已训练的神经网络***，并进行仿真，获得实时图像的FeO含量等级；

(5)将所述步骤(4)中获得的FeO含量等级、实时同步可见光图像和红外图像以及步骤(2)中提取的特征数据发送到终端接口，调节烧结过程参数，控制烧结矿机尾断面FeO含量。

2.根据权利要求1所述的烧结矿机尾断面FeO含量的控制方法，其特征在于所述的步骤(2)中，所述图像处理包括图像平滑、顶帽变化、阈值分割、闭运算以及开运算。

3.根据权利要求1所述的烧结矿机尾断面FeO含量的控制方法，其特征在于所述的步骤(2)中，所述几何特征数据包括红火层的位置、宽度以及面积，所述物理特征数据包括红火层气孔的平均灰度及温度。

4.根据权利要求1所述的烧结矿机尾断面FeO含量的控制方法，其特征在于所述的步骤(3)中进行神经网络训练的方法为：将提取的特征数据作为神经网络的输入值，将对应的等级作为神经网络的输出值，选择合适的神经网络、隐含层和输出层个数、学习速率以及收敛算法训练神经网络。