基于火焰图像与关键过程数据融合的氧化铝回转窑成带状态识别

基于火焰图像与关键过程数据融合的氧化铝回转窑成带状态识别

开采氧化回炉车间的温度控制决定了最终熟材料的质量、产量和能耗，而燃烧带的状态是资产热控制器的决策依据。因此，对烧煤带的正确识别直接影响最终的产品质量。由于烧煤带的状态难以连续测量，因此长期依靠手动肉眼进行观察，并根据观察结果进行操作。这种人工火处理方法容易导致产品质量一致性差、资源消耗大的问题。因此，许多科学家采用计算数据处理技术模拟了人工火的经验和过程，并对基于燃烧带的温度测量值进行了研究。为了控制回转炉的过程，采用了基于燃烧火焰成像特征和基于燃烧带温度测量值的燃烧带状态方法。然而，由于回转炉装置的快速识别和影响以及复杂的物理和化学性质反应引起的噪声，火焰图像往往是黑暗和模糊的。同时，由于煤粉、浓缩物、熟料、火焰等的影响，目前的烧煤带温度测量方法难以有效，且瞬时值波动较大，测量值滞后，无法正确反映实际燃烧带的温度。因此，上述方法难以正确识别燃烧带的状态，不能保证基于烧煤带状态的控制器的控制性能，从而影响最终产品。1破碎、储存、送至中碎如图1所示,烧结法氧化铝回转窑过程可以简单描述如下:由原料制备工序供给的生料浆,经回转筛筛除杂物后进入料浆槽,再由油隔泵经喷枪喷入窑尾,在回转窑内部依次经过烘干带、预热带、分解带、烧成带、冷却带后进入冷却机内冷却,然后送至中碎系统进行破碎、储存,最后送至溶出工序.图1中,TT1表示烧成带温度传感器;TT2表示窑头温度传感器;TT3表示窑尾温度传感器;PT1表示窑头压力传感器;PT2表示窑尾压力传感器;PT3表示鼓风机出口一次风压力传感器;PT4表示生料浆压力传感器;FT1表示鼓风机出口一次风流量传感器;FT2表示生料浆流量传感器;AT1表示烟气残氧量分析仪;AT2表示生料浆密度传感器;K1表示一次风门;K2表示排烟机入口风门;M1表示给煤机;M2表示鼓风机;M3表示喂料泵电机.如果烧成带温度低于开始烧结温度得到的熟料称为“欠烧”熟料;高于表面熔化温度的熟料称为“过烧”熟料.“欠烧”和“过烧”状态下的熟料溶出率都低于正烧结熟料的溶出率,属于质量不合格的熟料产品.2在混合状态下的混合智能识别方法2.1u3000合成参数的在线反馈如图2所示,本文提出的烧成带状态混合智能识别方法主要由两个模块组成:基于支持向量机的前向识别模块(1)与基于专家修正样本的在线反馈学习模块(2).前向识别模块的功能是进行烧成带的自动识别;在线反馈学习模块的功能是对识别结果进行在线人工修正.图2中,Mh表示物料高度;Fs表示火焰闪烁频率;Rf表示火焰区R值;Rm表示物料区R值Gavr表示火焰图像整体平均灰度;TBZ表示烧成带温度;TRH表示窑头温度;TRE表示窑尾温度;Icm表示冷却机电流;∆Ci(t)表示t时刻惩罚系数在线增量;∆δi(t)表示t时刻核函数参数在线增量;(Shy(t),Shrec(t))表示t时刻混合特征数据与人工辨识结果构成的专家在线反馈修正样本.在前向识别模块中,首先由图像采集单元获取当前时刻t之前T时间段内烧成带火焰图像序列Fbmpt-T,经过火焰图像预处理、分割后,提取烧成带火焰图像特征序列SFt-T.与此同时,t时刻过程检测数据序列P1(t)···Pn(t)进行在线滤波与关键过程数据选取后得到关键过程数据序列Sp(t).火焰图像特征序列SFt-T、关键过程数据序列Sp(t)经过火焰图像特征与关键过程数据融合单元后组成混合数据特征输入基于支持向量机的烧成带状态分类模型,经过识别分类后得到t时刻自动识别结果Smrec(t).在生产边界条件一定的情况下,由具有丰富看火经验的操作员通过观察T时间段内烧成带火焰图像与过程检测数据在线评价当前t时刻的自动识别结果,并对结果进行人工修正.修正后的烧成带状态识别结果与相对应的混合特征序列构成了t时刻的专家修正样本Smd(t),在线反馈增量学习单元根据专家修正样本Smd(t)进行基于支持向量机增量学习的模型参数在线调整,烧成带状态分类模型根据学习单元的输出(∆Ci(t),∆δi(t))进行在线的模型调整.误差计算单元通过计算每个时间周期T内的自动识别结果Smrec(t)与人工判别Shrec(t)之间的误差ετ形成判据规则,来控制状态识别方式切换单元,实现人工看火与“机器识别”结果输出的自动切换.令ετ=0,1,分别表示每个时间周期T内的识别结果Smrec(t)与Shrec(t)人工判别之间是否存在误差,其中“0”表示没有误差;“1”表示存在误差.采用启发式规则描述ετ判据如下:根据现场过程数据的检测周期与烧成带火焰图像采集频率以及现场实际控制周期的需要,选择烧成带自动识别周期T=30s.人工识别与“机器识别”之间的切换周期也为T,即每隔30s判断一次是否存在识别误差ετ,然后根据ετ判据规则选择看火方式.2.2u3000ga三大数量风速模型如图3所示,根据亮度、灰度值和物理意义上的差异回转窑火焰图像可分为背景区、物料区、火焰区和辐射带四部分,采用图像分割技术对四个区域进行划分,具体算法如下:1)火焰图像分割首先利用Ostu法计算最佳阈值Tbest对火焰灰度图像进行阈值分割,得到粗分割后的火焰灰度图像GT(i,j)∈[Tbest+1,Lmax](i=0,1,···,MTj=0,1,···,NTt).GT(i,j)的灰度统计直方图函数可以表示为其中,His(l)表示灰度级为l的像素个数,δ(x)定义如下:将模糊C-means(FuzzyC-means,FCM)算法中的GT(i,j)用His(l)代替得到新的聚类目标函数为最小化上述函数,得到新的快速FCM的隶属度和聚类中心迭代函数为使用上述方法后得到模糊隶属度矩阵UGT.本文根据火焰区与物料区在纹理上的差异,采用Gabor小波变换来表示火焰图像的纹理粗糙度对UGT进行去模糊化的运算.Gabor小波核函数描述如下:其中,µ,ν分别是方向和尺度因子,z=(x,y)是行矢量,x,y为二维坐标,kµν由式(7)确定:根据窑的转动方向、物料在烧成带内的移动方向、火焰受喷煤管角度及一、二次风作用的偏移√方向等因素的影响,令,由下式可得小波纹理粗糙度特征:其中,ν∈{0,1,2,3},µ∈{0,1,2,3},ψµν(z)表示不同的参数µ,ν对应的Gabor小波基,Oµν(i,j)表示得到的Gabor小波纹理粗糙度特征.利用Oµν(i,j)对UGT进行去模糊化运算,得到精确分割后的火焰区与物料区.经过基于灰度值的FCM分割方法,得到火焰与物料的混合区域如图4(a)所示;利用Gabor小波纹理粗糙度去模糊化,最终分割后的火焰区与物料区如图4(b)和图4(c)所示.2)火焰图像特征提取a)物料高度特征提取:物料随回转窑的旋转,被窑壁带起的高度,反映了物料的烧结情况,其提取算法如下:步骤1.计算灰度差分值.令g(x,y)表示图像中坐标为(x,y)点处的灰度值,则位于x=x0的灰度后向差分为取相邻2n个点的差分平均值作为这一点像素的等效差分值:步骤2.找到等效差分值¯gy(x0,y)最大的像素点(x0,y0),即物料区上部与背景区的边缘像素.在点(x0,y0)沿y坐标轴的L邻域范围内,计算分离带高物料与背景的平均阈值:步骤3.利用阈值δf对图像进行二值化,得到被带高的物料分布范围,通过对纵坐标y值起泡法排序找到L个高点的位置sk=(xk,yk+i),i=0,···,L,利用下式计算平均物料高度:b)火焰闪烁频率特征提取:火焰的闪烁是由于火焰区内灰度不同的两个区域的交替变化而形成,算法如下:步骤1.利用Ostu算法计算阈值的公式计算火焰燃烧区域的阈值δg.步骤2.根据n帧(n为一次特征计算周期Ts内的图像帧数)历史图像数据序列确定面积阈值δa:Areai=count(i=1,2,···,n)表示每一帧烧结工况图像燃烧区域的亮区面积,其中count为大于灰度阈值δg的像素个数.步骤3.判断每一帧图像的闪烁状态,将一次特征计算周期Ts(Ts=30s,采集速率5帧/s)内的火焰区域闪烁状态变化次数和作为这段时间内的闪烁频率.c)整体平均灰度、火焰颜色、物料颜色特征提取:整体平均灰度值与烧成带温度之间存在着较强的关联性,因此整体平均灰度Gavr可以通过下式计算:根据人类视觉特点,选取火焰区平均R值Rf、物料区平均R值Rm来表征物料颜色与火焰颜色.计算火焰区彩色图像Cfla平均R值Rf如下:计算物料区彩色图像Cmat平均R值Rm如下:其中,NF和NM分别表示火焰区与物料区的像素数目,R(k)F和R(k)M表示火焰区与物料区第k个像素的R值.由上述烧结工况图像特征提取算法,得到如下烧结工况图像特征序列:Sf=(Mh,Fs,Gavr,Rf,Rm).2.3改进的基于中值数绝对偏差的实时决策滤波算法烧成带温度、窑头温度、窑尾温度与冷却机电流四个过程检测数据可连续在线检测,与烧成带状态变化具有强相关性,因此作为关键数据与火焰图像特征数据进行数据融合.1)数据滤波基于中值数绝对偏差的滤波算法如下:步骤1.当前时刻t,建立移动数据窗口(宽度为m,通常设为奇数):其中,x(t)是t时刻的测量值.步骤2.用排序法计算出窗口序列的中值Z(t).步骤3.用中值Z(t)构造一个尺度序列即中值数绝对偏差序列:步骤4.用排序法计算出上述尺度序列的中值D(t).步骤5.按下式计算当前测量值x(t)的滤波值y(t).上式中的L为门限参数,MAD=1.4826×D.针对基于中值数绝对偏差的实时决策滤波算法应用于实际的数据滤波时,对由于过程检测或特征提取过程中引入的“大尖峰”扰动滤波效果较差的问题,在原有基本算法基础上增加了一个基于数据扰动特征的“大尖峰”滤波环节,改进的基于中值数绝对偏差的实时决策滤波算法如下:步骤1∼步骤5同基本的基于中值数绝对偏差的实时决策滤波算法.步骤6.按下式计算当前测量值x(t)的最终滤波值yf(t).其中,L1是阈值参数,根据实际测量数据序列给出.当存在“大尖峰”扰动时,MAD值也相应比较大,反映了测量数据大幅度跳变这一特征.当判断存在“大尖峰”扰动时,当前时刻的滤波器输出就保持为上一时刻滤波器的输出值,否则,输出经基本算法计算所得到的值.2)特征同步序列化由于回转窑关键过程数据(TBZ,TRH,TRE,Icm)具有不同的检测周期Tdi(i=1,2,3,4)和滞后时间τi(i=1,2,3,4).不同的火焰图像特征(Gavr,Rf,Mh,Fs,Rm)的提取过程在时间上存在不一致的现象,这种时间上不一致的现象在关键过程数据和火焰图像特征之间表现得更加明显,需要进行同步运算.设火焰图像特征提取时间为Tej(j=1,2,3,4,5),根据下式设定同步周期Ts:在一个同步周期Ts内,存在两种类型的特征信号周期.对于第一类周期Ts1,存在如下关系式:选择距离下一个同步时钟信号最近的特征数据作为同步后的混合特征序列中对应的特征数据值,其中i=1,2,···,9.对于第二类特征信号周期Ts2,存在如下关系式:同步后的混合特征序列中第i个特征数据值等于两个同步时钟信号之间的k个检测周期或计算周期中特征数据值的均值.3)归一化采用下式对数据进行归一化处理:上式中表示对第n个以Ts为同步周期的混合特征序列进行归一化后的结果,n∈N为单调递增的自然数.2.4不同节点区烧前状态不同的看火操作工之间看火经验不同,判别结果通常会存在一些程度上的差异,可以总结为N组窑况判别结果:{过烧、正烧、欠烧}、{二级过烧、一级过烧、正烧、一级欠烧、二级欠烧}···{N级过烧···一级过烧、正烧、一级欠烧···N级欠烧}.本文采用基于层次二叉树结构的支持向量机(Binarytreesupportvectormachine,BT-SVM)多类分类器模型的输出空间来匹配上述的烧成带状态判别空间.为了使模型的拓扑结构满足“正态树”的要求,首先将待识别的样本空间分成两类,即{过烧+正烧}和{正烧+欠烧},得到如图5所示的具有准正态二叉树结构的多类支持向量机窑况识别模型.该模型由若干叶子节点Sij构成,Tij为准正态二叉树每一层叶子节点Sij对应的样本类别空间,即上一级支持向量机节点的分类输出,表示烧成带状态的分类识别结果,这些识别结果共同构成了输出空间.其中i=1,2,···,N,j=1,2,···,Mi,Mi为每一层节点数,定义如下:Tij对应的各级烧成带状态识别结果如下所示:{T11}:{待识别样本空间};{T21,T22}:{过烧+正烧,正烧+欠烧};{T31,T32,T33}:{过烧,正烧,欠烧};{TN1,···,TNM}:{2N-2级过烧,···,一级过烧,正烧,一级欠烧,···,2N-2级欠烧}.对于一个n类状态分类问题n=2i+1(i=0,1,2,···),构建一个如图5所示的N层结构的BT-SVM模型,则模型的层数N与分类类别数n之间存在如下关系式:N层结构的BT-SVM共包含dN个内部节点和n个叶子节点,每个内部节点都是一个二类分类器,利用式(27)计算dN:对于一个混合特征数据样本从根节点开始根据每一个内部节点(包括根节点)所对应的二类支持向量机分类器的输出值决定下一步的路径,依次经过若干内部节点后到达叶子节点,实现最终的烧成带状态类别划分.每一个内部节点所对应的向量机分类过程如图6所示,每一个内部节点对应的二类支持向量机分类器的输入为9维混合特征矢量表示每一个内部节点的支持向量.与支持向量xi进行基于RBF核函数的核运算,即:图6中,yi∈{+1,-1}表示每一个支持向量xi的决策函数值,αi≥0表示每一个支持向量xi对应的Lagrange乘子.每一个内部节点Sj对应的支持向量机的决策函数如下式所示:式中,kj表示每一个内部节点Sj的支持向量数目,bj(j=1,2,···,dN)表示每一个内部节点对应的分类超平面的参数,yj(j=1,2,···,dN)表示混合特征矢量样本经过每一个内部节点Sj(j=1,2,···,dN)后的分类值,决定了其在BT-SVM中下一步的路径选择.选择规则如下:上面的规则描述中,SLj表示内部节点Sj的左侧子节点,∧SRj表示内部节点Sj的右侧子节点.混合特征矢量样本经过dN个支持向量机节点之后实现最终的分类.在实际应用中,BT-SVM的层数根据历史数据与专家经验确定.本文选择具有二层结构的烧成带状态分类模型BT-SVM2进行实验研究,利用LibSVM与历史数据对BT-SVM2进行离线训练、测试,得到模型的主要参数如表1所示.利用离线训练得到的模型参数Coj,δoj,j=1,2,3),根据贯序最小优化算法(Sequentialminimizationoptimization,SMO)计算,并代入式(29)中,得到BT-SVM2三个内部节点{S11,S21,S22}最终的决策函数:式中,kj∈{12,81,20},xij(i=1,2,···,kj)为BT-SVM2第j个内部节点的第i个支持向量机,yij为xij对应的目标值,为每一个支持向量机xij所对应的系数,为定义分割超平面的参数.人工在线修正单元对烧成带状态分类模型BT-SVM2的自动识别结果Smrec经过人工在线修正后,得到专家修正样本,其中,Shrec是对Smrec的人工在线修正结果.增量学习部分采用文献提出的方法.3过程识别结果为了验证本文提出的方法,利用VisualC++开发了如图7(a)所示的烧成带工况识别软件应用于国内某铝厂回转窑.图7(b)所示为现场自动化系统的实际运行曲线.并在如表2所示生产边界条件下,进行了工业对比实验研究.采用本文提出的烧结工况图像特征提取算法得到烧结工况图像特征序列如表3所示,其中Mh为物料高度,Fs为火焰闪烁频率,Gavr为烧结工况图像整体平均灰度,Rf为火焰区R值,Rm为物料区R值.图8为根据本文方法研制开发的烧成带工况识别系统在现场连续运行28小时的识别结果与另外两种方法比较得到的统计曲线,其中曲线(1)、(2)分别为采用单纯基于烧成带温度和本文方法进行(过烧+正烧)、(欠烧)两种状态识别的结果曲线;曲线(3)、(4)分别为采用本文方法和单纯基于火焰图像特征的进行(过烧)、(正烧)、(欠烧)三种状态识别的结果.在T1和T3时间内,烧成带温度偏低且容重合格率为不合格,在该时间段内窑内烧成带处于明显的欠烧状态,而曲线(1)、(4)在该时间段内的判断结果频繁变化(椭圆处),曲线(2)、(3)的识别结果较为稳定;在T2时间段内,烧成带温度测量值大部分时间处于1200◦C∼1300◦C之间,且该时间段内的熟料产品主要为容重合格的正烧熟料,说明该时间段内回转窑过程主要处于正烧结状态,偶尔出现过烧结状态,曲线(1)和(2)在该时间段内对烧成带状态的判断基本一致,只是曲线(1)中t1、t2和t3三个时刻判别结果为欠烧,属于误判.在T2时间段的后半段,曲线(3)和(4)也存在误判.在T4时间段内,曲线(1)的判断结果又一次出现频繁波动.从上述结果可以看出,由于采用单纯基于烧成带温度的窑内烧结状态识别方法,对烧成带温度较为敏感,鉴于目前采用的比色测温方法存在有效检测范围窄,瞬时值波动大等问题,检测数据易受到窑内复杂恶劣环境的影响而导致温度检测值的异常波动,从而造成识别结果出现频繁波动.根据该识别结果实施控制策略会导致控制动作切换频繁,生产设备频繁启停造成生产控制不稳定等情况的发生;采用单纯基于烧成带火焰图像