基于燃煤火焰圖像的回轉(zhuǎn)窯燒結(jié)工況魯棒檢測(cè)方法研究.pdf

1、回轉(zhuǎn)窯燒結(jié)廣泛應(yīng)用于有色冶金、水泥、鋼鐵等基礎(chǔ)工業(yè)領(lǐng)域，在窯內(nèi)燃煤火焰形成的高溫環(huán)境下，運(yùn)動(dòng)中的物料混合物發(fā)生復(fù)雜的物理化學(xué)反應(yīng)，窯內(nèi)燒結(jié)溫度的高低與穩(wěn)定性直接影響到物料的燒結(jié)質(zhì)量、能耗、以及污染物排放水平。燒結(jié)過程數(shù)學(xué)建模困難，它是一類具有大滯后、強(qiáng)非線性的復(fù)雜工業(yè)過程對(duì)象。窯內(nèi)煤粉燃燒過程的檢測(cè)是實(shí)現(xiàn)燃煤燒結(jié)過程穩(wěn)定性控制的難點(diǎn)和關(guān)鍵，其檢測(cè)的準(zhǔn)確與否直接影響到自動(dòng)控制水平的高低，對(duì)于傳統(tǒng)燃煤冶煉行業(yè)的節(jié)能減排具有重要意義。

2、　　傳統(tǒng)的熱電偶、高溫比色測(cè)溫儀等物理測(cè)溫方法受窯體自身結(jié)構(gòu)和現(xiàn)場(chǎng)環(huán)境的限制，不能準(zhǔn)確測(cè)量燒結(jié)帶溫度。近年來，利用窯內(nèi)火焰圖像對(duì)燃煤燒結(jié)過程的溫度進(jìn)行判定從而判定燒結(jié)工況的方法逐漸受到國(guó)內(nèi)外學(xué)術(shù)界的關(guān)注，已取得許多研究成果。但是，這些基于圖像檢測(cè)的方法多是針對(duì)清晰燃煤火焰圖像進(jìn)行處理，忽略了窯前惡劣現(xiàn)場(chǎng)環(huán)境對(duì)火焰圖像質(zhì)量影響這一普遍存在的問題。本文針對(duì)受環(huán)境粉塵和光照影響的低質(zhì)量火焰圖像，提出火焰圖像模糊增強(qiáng)和光照補(bǔ)償方法，解決火焰圖像

3、內(nèi)反應(yīng)區(qū)、物料區(qū)和混合區(qū)的有效分割問題；結(jié)合窯前看火經(jīng)驗(yàn)，針對(duì)不同質(zhì)量的圖像，分別提取火焰圖像各區(qū)域的動(dòng)態(tài)與靜態(tài)特征用于燒結(jié)工況的識(shí)別；為了克服圖像特征數(shù)據(jù)的不穩(wěn)定性，提出一類魯棒極限學(xué)習(xí)機(jī)實(shí)現(xiàn)基于各火焰區(qū)域的燒結(jié)工況穩(wěn)健檢測(cè)；最后基于視覺感知原理，構(gòu)建一個(gè)燒結(jié)工況分層感知框架，利用最小風(fēng)險(xiǎn)貝葉斯融合各區(qū)域的檢測(cè)結(jié)果，實(shí)現(xiàn)基于低質(zhì)量火焰圖像的燒結(jié)工況的穩(wěn)健檢測(cè)。
　　論文完成的主要工作和創(chuàng)新如下：
　　(1)在物料區(qū)和火焰區(qū)

4、難以分割的模糊燒結(jié)帶圖像中，研究煤粉射流混合區(qū)域的分割方法。針對(duì)燒結(jié)帶圖像光照不均和粉塵影響嚴(yán)重的特點(diǎn)，提出一種基于自適應(yīng)光照補(bǔ)償和模糊增強(qiáng)的煤粉射流混合區(qū)域分割方法。在分割后的黑把子區(qū)域提取其矩形度、面積、長(zhǎng)寬比和質(zhì)心坐標(biāo)等形態(tài)特征，作為回轉(zhuǎn)窯燒結(jié)工況判別的一個(gè)重要依據(jù)。
　　(2)針對(duì)特殊工況條件下單幀亮度統(tǒng)計(jì)特征可能出現(xiàn)誤判的問題，提出一種結(jié)合火焰區(qū)靜態(tài)光照特征和圖像序列的動(dòng)態(tài)時(shí)序特征來識(shí)別燒結(jié)工況的方法，利用圖像序列中RO

5、I（Region-Of-Interest）區(qū)域的時(shí)間序列特征的短時(shí)能量和樣本熵值，結(jié)合當(dāng)前時(shí)刻的圖像靜態(tài)特征，對(duì)燒結(jié)帶溫度狀態(tài)進(jìn)行判定。
　　(3)依據(jù)專家看火經(jīng)驗(yàn)和窯內(nèi)物料流動(dòng)機(jī)理，提出一種以物料區(qū)邊緣位置、帶高和質(zhì)心的擺動(dòng)角等動(dòng)態(tài)特征為依據(jù)的工況判定方法。對(duì)模糊火焰圖像進(jìn)行光照補(bǔ)償和陰影校正等預(yù)處理后，用區(qū)域增長(zhǎng)方法提取物料區(qū)，計(jì)算物料區(qū)的邊緣位置、帶高坐標(biāo)以及物料區(qū)重心擺動(dòng)角，結(jié)合物料區(qū)亮度統(tǒng)計(jì)特征，計(jì)算其短時(shí)能量和樣本熵值

6、，對(duì)物料區(qū)形態(tài)特征進(jìn)行分析，識(shí)別當(dāng)前熟料燒結(jié)狀態(tài)。
　　(4)針對(duì)從回轉(zhuǎn)窯燒結(jié)帶模糊圖像序列中提取的特征值存在離群點(diǎn)等噪聲干擾的問題，提出一種基于Parzen窗估計(jì)的魯棒極限學(xué)習(xí)機(jī)(Extreme learning machine,ELM)來進(jìn)行燒結(jié)工況魯棒分類。將極限學(xué)習(xí)機(jī)與穩(wěn)健估計(jì)理論相結(jié)合，用訓(xùn)練誤差分布的Parzen窗非參數(shù)估計(jì)構(gòu)造ELM權(quán)矩陣,對(duì)其輸出層權(quán)值進(jìn)行穩(wěn)健最小二乘估計(jì)，構(gòu)造一種基于Parzen窗的魯棒極限學(xué)習(xí)機(jī)

7、算法。魯棒極限學(xué)習(xí)機(jī)可快速有效克服特征數(shù)據(jù)中的粗差干擾，對(duì)燒結(jié)帶溫度狀態(tài)進(jìn)行穩(wěn)定檢測(cè)。
　　(5)基于視覺感知原理，構(gòu)建一類燒結(jié)工況分層感知框架，利用最小風(fēng)險(xiǎn)貝葉斯原理融合各區(qū)域的ELM檢測(cè)結(jié)果，形成一套基于燃煤圖像的窯內(nèi)工況魯棒檢測(cè)系統(tǒng)。最后，將本文檢測(cè)方法應(yīng)用于現(xiàn)有回轉(zhuǎn)窯專家控制平臺(tái)，在某氧化鋁廠的窯前進(jìn)行現(xiàn)場(chǎng)控制實(shí)驗(yàn)，取得了良好的現(xiàn)場(chǎng)應(yīng)用效果，表明本文方法可以在復(fù)雜現(xiàn)場(chǎng)工況條件下對(duì)窯內(nèi)燒結(jié)工況進(jìn)行較準(zhǔn)確的檢測(cè)，可較好滿足實(shí)際