基于火焰圖像與關鍵過程數據融合的氧化鋁回轉窯成帶狀態(tài)識別

基于火焰圖像與關鍵過程數據融合的氧化鋁回轉窯成帶狀態(tài)識別

開采氧化回爐車間的溫度控制決定了最終熟材料的質量、產量和能耗，而燃燒帶的狀態(tài)是資產熱控制器的決策依據。因此，對燒煤帶的正確識別直接影響最終的產品質量。由于燒煤帶的狀態(tài)難以連續(xù)測量，因此長期依靠手動肉眼進行觀察，并根據觀察結果進行操作。這種人工火處理方法容易導致產品質量一致性差、資源消耗大的問題。因此，許多科學家采用計算數據處理技術模擬了人工火的經驗和過程，并對基于燃燒帶的溫度測量值進行了研究。為了控制回轉爐的過程，采用了基于燃燒火焰成像特征和基于燃燒帶溫度測量值的燃燒帶狀態(tài)方法。然而，由于回轉爐裝置的快速識別和影響以及復雜的物理和化學性質反應引起的噪聲，火焰圖像往往是黑暗和模糊的。同時，由于煤粉、濃縮物、熟料、火焰等的影響，目前的燒煤帶溫度測量方法難以有效，且瞬時值波動較大，測量值滯后，無法正確反映實際燃燒帶的溫度。因此，上述方法難以正確識別燃燒帶的狀態(tài)，不能保證基于燒煤帶狀態(tài)的控制器的控制性能，從而影響最終產品。1破碎、儲存、送至中碎如圖1所示,燒結法氧化鋁回轉窯過程可以簡單描述如下:由原料制備工序供給的生料漿,經回轉篩篩除雜物后進入料漿槽,再由油隔泵經噴槍噴入窯尾,在回轉窯內部依次經過烘干帶、預熱帶、分解帶、燒成帶、冷卻帶后進入冷卻機內冷卻,然后送至中碎系統(tǒng)進行破碎、儲存,最后送至溶出工序.圖1中,TT1表示燒成帶溫度傳感器;TT2表示窯頭溫度傳感器;TT3表示窯尾溫度傳感器;PT1表示窯頭壓力傳感器;PT2表示窯尾壓力傳感器;PT3表示鼓風機出口一次風壓力傳感器;PT4表示生料漿壓力傳感器;FT1表示鼓風機出口一次風流量傳感器;FT2表示生料漿流量傳感器;AT1表示煙氣殘氧量分析儀;AT2表示生料漿密度傳感器;K1表示一次風門;K2表示排煙機入口風門;M1表示給煤機;M2表示鼓風機;M3表示喂料泵電機.如果燒成帶溫度低于開始燒結溫度得到的熟料稱為“欠燒”熟料;高于表面熔化溫度的熟料稱為“過燒”熟料.“欠燒”和“過燒”狀態(tài)下的熟料溶出率都低于正燒結熟料的溶出率,屬于質量不合格的熟料產品.2在混合狀態(tài)下的混合智能識別方法2.1u3000合成參數的在線反饋如圖2所示,本文提出的燒成帶狀態(tài)混合智能識別方法主要由兩個模塊組成:基于支持向量機的前向識別模塊(1)與基于專家修正樣本的在線反饋學習模塊(2).前向識別模塊的功能是進行燒成帶的自動識別;在線反饋學習模塊的功能是對識別結果進行在線人工修正.圖2中,Mh表示物料高度;Fs表示火焰閃爍頻率;Rf表示火焰區(qū)R值;Rm表示物料區(qū)R值Gavr表示火焰圖像整體平均灰度;TBZ表示燒成帶溫度;TRH表示窯頭溫度;TRE表示窯尾溫度;Icm表示冷卻機電流;?Ci(t)表示t時刻懲罰系數在線增量;?δi(t)表示t時刻核函數參數在線增量;(Shy(t),Shrec(t))表示t時刻混合特征數據與人工辨識結果構成的專家在線反饋修正樣本.在前向識別模塊中,首先由圖像采集單元獲取當前時刻t之前T時間段內燒成帶火焰圖像序列Fbmpt-T,經過火焰圖像預處理、分割后,提取燒成帶火焰圖像特征序列SFt-T.與此同時,t時刻過程檢測數據序列P1(t)···Pn(t)進行在線濾波與關鍵過程數據選取后得到關鍵過程數據序列Sp(t).火焰圖像特征序列SFt-T、關鍵過程數據序列Sp(t)經過火焰圖像特征與關鍵過程數據融合單元后組成混合數據特征輸入基于支持向量機的燒成帶狀態(tài)分類模型,經過識別分類后得到t時刻自動識別結果Smrec(t).在生產邊界條件一定的情況下,由具有豐富看火經驗的操作員通過觀察T時間段內燒成帶火焰圖像與過程檢測數據在線評價當前t時刻的自動識別結果,并對結果進行人工修正.修正后的燒成帶狀態(tài)識別結果與相對應的混合特征序列構成了t時刻的專家修正樣本Smd(t),在線反饋增量學習單元根據專家修正樣本Smd(t)進行基于支持向量機增量學習的模型參數在線調整,燒成帶狀態(tài)分類模型根據學習單元的輸出(?Ci(t),?δi(t))進行在線的模型調整.誤差計算單元通過計算每個時間周期T內的自動識別結果Smrec(t)與人工判別Shrec(t)之間的誤差ετ形成判據規(guī)則,來控制狀態(tài)識別方式切換單元,實現人工看火與“機器識別”結果輸出的自動切換.令ετ=0,1,分別表示每個時間周期T內的識別結果Smrec(t)與Shrec(t)人工判別之間是否存在誤差,其中“0”表示沒有誤差;“1”表示存在誤差.采用啟發(fā)式規(guī)則描述ετ判據如下:根據現場過程數據的檢測周期與燒成帶火焰圖像采集頻率以及現場實際控制周期的需要,選擇燒成帶自動識別周期T=30s.人工識別與“機器識別”之間的切換周期也為T,即每隔30s判斷一次是否存在識別誤差ετ,然后根據ετ判據規(guī)則選擇看火方式.2.2u3000ga三大數量風速模型如圖3所示,根據亮度、灰度值和物理意義上的差異回轉窯火焰圖像可分為背景區(qū)、物料區(qū)、火焰區(qū)和輻射帶四部分,采用圖像分割技術對四個區(qū)域進行劃分,具體算法如下:1)火焰圖像分割首先利用Ostu法計算最佳閾值Tbest對火焰灰度圖像進行閾值分割,得到粗分割后的火焰灰度圖像GT(i,j)∈[Tbest+1,Lmax](i=0,1,···,MTj=0,1,···,NTt).GT(i,j)的灰度統(tǒng)計直方圖函數可以表示為其中,His(l)表示灰度級為l的像素個數,δ(x)定義如下:將模糊C-means(FuzzyC-means,FCM)算法中的GT(i,j)用His(l)代替得到新的聚類目標函數為最小化上述函數,得到新的快速FCM的隸屬度和聚類中心迭代函數為使用上述方法后得到模糊隸屬度矩陣UGT.本文根據火焰區(qū)與物料區(qū)在紋理上的差異,采用Gabor小波變換來表示火焰圖像的紋理粗糙度對UGT進行去模糊化的運算.Gabor小波核函數描述如下:其中,μ,ν分別是方向和尺度因子,z=(x,y)是行矢量,x,y為二維坐標,kμν由式(7)確定:根據窯的轉動方向、物料在燒成帶內的移動方向、火焰受噴煤管角度及一、二次風作用的偏移√方向等因素的影響,令,由下式可得小波紋理粗糙度特征:其中,ν∈{0,1,2,3},μ∈{0,1,2,3},ψμν(z)表示不同的參數μ,ν對應的Gabor小波基,Oμν(i,j)表示得到的Gabor小波紋理粗糙度特征.利用Oμν(i,j)對UGT進行去模糊化運算,得到精確分割后的火焰區(qū)與物料區(qū).經過基于灰度值的FCM分割方法,得到火焰與物料的混合區(qū)域如圖4(a)所示;利用Gabor小波紋理粗糙度去模糊化,最終分割后的火焰區(qū)與物料區(qū)如圖4(b)和圖4(c)所示.2)火焰圖像特征提取a)物料高度特征提取:物料隨回轉窯的旋轉,被窯壁帶起的高度,反映了物料的燒結情況,其提取算法如下:步驟1.計算灰度差分值.令g(x,y)表示圖像中坐標為(x,y)點處的灰度值,則位于x=x0的灰度后向差分為取相鄰2n個點的差分平均值作為這一點像素的等效差分值:步驟2.找到等效差分值ˉgy(x0,y)最大的像素點(x0,y0),即物料區(qū)上部與背景區(qū)的邊緣像素.在點(x0,y0)沿y坐標軸的L鄰域范圍內,計算分離帶高物料與背景的平均閾值:步驟3.利用閾值δf對圖像進行二值化,得到被帶高的物料分布范圍,通過對縱坐標y值起泡法排序找到L個高點的位置sk=(xk,yk+i),i=0,···,L,利用下式計算平均物料高度:b)火焰閃爍頻率特征提取:火焰的閃爍是由于火焰區(qū)內灰度不同的兩個區(qū)域的交替變化而形成,算法如下:步驟1.利用Ostu算法計算閾值的公式計算火焰燃燒區(qū)域的閾值δg.步驟2.根據n幀(n為一次特征計算周期Ts內的圖像幀數)歷史圖像數據序列確定面積閾值δa:Areai=count(i=1,2,···,n)表示每一幀燒結工況圖像燃燒區(qū)域的亮區(qū)面積,其中count為大于灰度閾值δg的像素個數.步驟3.判斷每一幀圖像的閃爍狀態(tài),將一次特征計算周期Ts(Ts=30s,采集速率5幀/s)內的火焰區(qū)域閃爍狀態(tài)變化次數和作為這段時間內的閃爍頻率.c)整體平均灰度、火焰顏色、物料顏色特征提取:整體平均灰度值與燒成帶溫度之間存在著較強的關聯性,因此整體平均灰度Gavr可以通過下式計算:根據人類視覺特點,選取火焰區(qū)平均R值Rf、物料區(qū)平均R值Rm來表征物料顏色與火焰顏色.計算火焰區(qū)彩色圖像Cfla平均R值Rf如下:計算物料區(qū)彩色圖像Cmat平均R值Rm如下:其中,NF和NM分別表示火焰區(qū)與物料區(qū)的像素數目,R(k)F和R(k)M表示火焰區(qū)與物料區(qū)第k個像素的R值.由上述燒結工況圖像特征提取算法,得到如下燒結工況圖像特征序列:Sf=(Mh,Fs,Gavr,Rf,Rm).2.3改進的基于中值數絕對偏差的實時決策濾波算法燒成帶溫度、窯頭溫度、窯尾溫度與冷卻機電流四個過程檢測數據可連續(xù)在線檢測,與燒成帶狀態(tài)變化具有強相關性,因此作為關鍵數據與火焰圖像特征數據進行數據融合.1)數據濾波基于中值數絕對偏差的濾波算法如下:步驟1.當前時刻t,建立移動數據窗口(寬度為m,通常設為奇數):其中,x(t)是t時刻的測量值.步驟2.用排序法計算出窗口序列的中值Z(t).步驟3.用中值Z(t)構造一個尺度序列即中值數絕對偏差序列:步驟4.用排序法計算出上述尺度序列的中值D(t).步驟5.按下式計算當前測量值x(t)的濾波值y(t).上式中的L為門限參數,MAD=1.4826×D.針對基于中值數絕對偏差的實時決策濾波算法應用于實際的數據濾波時,對由于過程檢測或特征提取過程中引入的“大尖峰”擾動濾波效果較差的問題,在原有基本算法基礎上增加了一個基于數據擾動特征的“大尖峰”濾波環(huán)節(jié),改進的基于中值數絕對偏差的實時決策濾波算法如下:步驟1～步驟5同基本的基于中值數絕對偏差的實時決策濾波算法.步驟6.按下式計算當前測量值x(t)的最終濾波值yf(t).其中,L1是閾值參數,根據實際測量數據序列給出.當存在“大尖峰”擾動時,MAD值也相應比較大,反映了測量數據大幅度跳變這一特征.當判斷存在“大尖峰”擾動時,當前時刻的濾波器輸出就保持為上一時刻濾波器的輸出值,否則,輸出經基本算法計算所得到的值.2)特征同步序列化由于回轉窯關鍵過程數據(TBZ,TRH,TRE,Icm)具有不同的檢測周期Tdi(i=1,2,3,4)和滯后時間τi(i=1,2,3,4).不同的火焰圖像特征(Gavr,Rf,Mh,Fs,Rm)的提取過程在時間上存在不一致的現象,這種時間上不一致的現象在關鍵過程數據和火焰圖像特征之間表現得更加明顯,需要進行同步運算.設火焰圖像特征提取時間為Tej(j=1,2,3,4,5),根據下式設定同步周期Ts:在一個同步周期Ts內,存在兩種類型的特征信號周期.對于第一類周期Ts1,存在如下關系式:選擇距離下一個同步時鐘信號最近的特征數據作為同步后的混合特征序列中對應的特征數據值,其中i=1,2,···,9.對于第二類特征信號周期Ts2,存在如下關系式:同步后的混合特征序列中第i個特征數據值等于兩個同步時鐘信號之間的k個檢測周期或計算周期中特征數據值的均值.3)歸一化采用下式對數據進行歸一化處理:上式中表示對第n個以Ts為同步周期的混合特征序列進行歸一化后的結果,n∈N為單調遞增的自然數.2.4不同節(jié)點區(qū)燒前狀態(tài)不同的看火操作工之間看火經驗不同,判別結果通常會存在一些程度上的差異,可以總結為N組窯況判別結果:{過燒、正燒、欠燒}、{二級過燒、一級過燒、正燒、一級欠燒、二級欠燒}···{N級過燒···一級過燒、正燒、一級欠燒···N級欠燒}.本文采用基于層次二叉樹結構的支持向量機(Binarytreesupportvectormachine,BT-SVM)多類分類器模型的輸出空間來匹配上述的燒成帶狀態(tài)判別空間.為了使模型的拓撲結構滿足“正態(tài)樹”的要求,首先將待識別的樣本空間分成兩類,即{過燒+正燒}和{正燒+欠燒},得到如圖5所示的具有準正態(tài)二叉樹結構的多類支持向量機窯況識別模型.該模型由若干葉子節(jié)點Sij構成,Tij為準正態(tài)二叉樹每一層葉子節(jié)點Sij對應的樣本類別空間,即上一級支持向量機節(jié)點的分類輸出,表示燒成帶狀態(tài)的分類識別結果,這些識別結果共同構成了輸出空間.其中i=1,2,···,N,j=1,2,···,Mi,Mi為每一層節(jié)點數,定義如下:Tij對應的各級燒成帶狀態(tài)識別結果如下所示:{T11}:{待識別樣本空間};{T21,T22}:{過燒+正燒,正燒+欠燒};{T31,T32,T33}:{過燒,正燒,欠燒};{TN1,···,TNM}:{2N-2級過燒,···,一級過燒,正燒,一級欠燒,···,2N-2級欠燒}.對于一個n類狀態(tài)分類問題n=2i+1(i=0,1,2,···),構建一個如圖5所示的N層結構的BT-SVM模型,則模型的層數N與分類類別數n之間存在如下關系式:N層結構的BT-SVM共包含dN個內部節(jié)點和n個葉子節(jié)點,每個內部節(jié)點都是一個二類分類器,利用式(27)計算dN:對于一個混合特征數據樣本從根節(jié)點開始根據每一個內部節(jié)點(包括根節(jié)點)所對應的二類支持向量機分類器的輸出值決定下一步的路徑,依次經過若干內部節(jié)點后到達葉子節(jié)點,實現最終的燒成帶狀態(tài)類別劃分.每一個內部節(jié)點所對應的向量機分類過程如圖6所示,每一個內部節(jié)點對應的二類支持向量機分類器的輸入為9維混合特征矢量表示每一個內部節(jié)點的支持向量.與支持向量xi進行基于RBF核函數的核運算,即:圖6中,yi∈{+1,-1}表示每一個支持向量xi的決策函數值,αi≥0表示每一個支持向量xi對應的Lagrange乘子.每一個內部節(jié)點Sj對應的支持向量機的決策函數如下式所示:式中,kj表示每一個內部節(jié)點Sj的支持向量數目,bj(j=1,2,···,dN)表示每一個內部節(jié)點對應的分類超平面的參數,yj(j=1,2,···,dN)表示混合特征矢量樣本經過每一個內部節(jié)點Sj(j=1,2,···,dN)后的分類值,決定了其在BT-SVM中下一步的路徑選擇.選擇規(guī)則如下:上面的規(guī)則描述中,SLj表示內部節(jié)點Sj的左側子節(jié)點,∧SRj表示內部節(jié)點Sj的右側子節(jié)點.混合特征矢量樣本經過dN個支持向量機節(jié)點之后實現最終的分類.在實際應用中,BT-SVM的層數根據歷史數據與專家經驗確定.本文選擇具有二層結構的燒成帶狀態(tài)分類模型BT-SVM2進行實驗研究,利用LibSVM與歷史數據對BT-SVM2進行離線訓練、測試,得到模型的主要參數如表1所示.利用離線訓練得到的模型參數Coj,δoj,j=1,2,3),根據貫序最小優(yōu)化算法(Sequentialminimizationoptimization,SMO)計算,并代入式(29)中,得到BT-SVM2三個內部節(jié)點{S11,S21,S22}最終的決策函數:式中,kj∈{12,81,20},xij(i=1,2,···,kj)為BT-SVM2第j個內部節(jié)點的第i個支持向量機,yij為xij對應的目標值,為每一個支持向量機xij所對應的系數,為定義分割超平面的參數.人工在線修正單元對燒成帶狀態(tài)分類模型BT-SVM2的自動識別結果Smrec經過人工在線修正后,得到專家修正樣本,其中,Shrec是對Smrec的人工在線修正結果.增量學習部分采用文獻提出的方法.3過程識別結果為了驗證本文提出的方法,利用VisualC++開發(fā)了如圖7(a)所示的燒成帶工況識別軟件應用于國內某鋁廠回轉窯.圖7(b)所示為現場自動化系統(tǒng)的實際運行曲線.并在如表2所示生產邊界條件下,進行了工業(yè)對比實驗研究.采用本文提出的燒結工況圖像特征提取算法得到燒結工況圖像特征序列如表3所示,其中Mh為物料高度,Fs為火焰閃爍頻率,Gavr為燒結工況圖像整體平均灰度,Rf為火焰區(qū)R值,Rm為物料區(qū)R值.圖8為根據本文方法研制開發(fā)的燒成帶工況識別系統(tǒng)在現場連續(xù)運行28小時的識別結果與另外兩種方法比較得到的統(tǒng)計曲線,其中曲線(1)、(2)分別為采用單純基于燒成帶溫度和本文方法進行(過燒+正燒)、(欠燒)兩種狀態(tài)識別的結果曲線;曲線(3)、(4)分別為采用本文方法和單純基于火焰圖像特征的進行(過燒)、(正燒)、(欠燒)三種狀態(tài)識別的結果.在T1和T3時間內,燒成帶溫度偏低且容重合格率為不合格,在該時間段內窯內燒成帶處于明顯的欠燒狀態(tài),而曲線(1)、(4)在該時間段內的判斷結果頻繁變化(橢圓處),曲線(2)、(3)的識別結果較為穩(wěn)定;在T2時間段內,燒成帶溫度測量值大部分時間處于1200?C～1300?C之間,且該時間段內的熟料產品主要為容重合格的正燒熟料,說明該時間段內回轉窯過程主要處于正燒結狀態(tài),偶爾出現過燒結狀態(tài),曲線(1)和(2)在該時間段內對燒成帶狀態(tài)的判斷基本一致,只是曲線(1)中t1、t2和t3三個時刻判別結果為欠燒,屬于誤判.在T2時間段的后半段,曲線(3)和(4)也存在誤判.在T4時間段內,曲線(1)的判斷結果又一次出現頻繁波動.從上述結果可以看出,由于采用單純基于燒成帶溫度的窯內燒結狀態(tài)識別方法,對燒成帶溫度較為敏感,鑒于目前采用的比色測溫方法存在有效檢測范圍窄,瞬時值波動大等問題,檢測數據易受到窯內復雜惡劣環(huán)境的影響而導致溫度檢測值的異常波動,從而造成識別結果出現頻繁波動.根據該識別結果實施控制策略會導致控制動作切換頻繁,生產設備頻繁啟停造成生產控制不穩(wěn)定等情況的發(fā)生;采用單純基于燒成帶火焰圖像