基于燃煤火焰圖像的回轉(zhuǎn)窯燒結(jié)工況魯棒檢測方法研究.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，運動中的物料混合物發(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、強非線性的復(fù)雜工業(yè)過程對象。窯內(nèi)煤粉燃燒過程的檢測是實現(xiàn)燃煤燒結(jié)過程穩(wěn)定性控制的難點和關(guān)鍵，其檢測的準確與否直接影響到自動控制水平的高低，對于傳統(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、高溫比色測溫儀等物理測溫方法受窯體自身結(jié)構(gòu)和現(xiàn)場環(huán)境的限制，不能準確測量燒結(jié)帶溫度。近年來，利用窯內(nèi)火焰圖像對燃煤燒結(jié)過程的溫度進行判定從而判定燒結(jié)工況的方法逐漸受到國內(nèi)外學(xué)術(shù)界的關(guān)注，已取得許多研究成果。但是，這些基于圖像檢測的方法多是針對清晰燃煤火焰圖像進行處理，忽略了窯前惡劣現(xiàn)場環(huán)境對火焰圖像質(zhì)量影響這一普遍存在的問題。本文針對受環(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和光照補償方法，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，針對不同質(zhì)量的圖像，分別提取火焰圖像各區(qū)域的動態(tài)與靜態(tài)特征用于燒結(jié)工況的識別；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)機實現(xiàn)基于各火焰區(qū)域的燒結(jié)工況穩(wěn)健檢測；最后基于視覺感知原理，構(gòu)建一個燒結(jié)工況分層感知框架，利用最小風(fēng)險貝葉斯融合各區(qū)域的檢測結(jié)果，實現(xiàn)基于低質(zhì)量火焰圖像的燒結(jié)工況的穩(wěn)健檢測。
　　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。針對燒結(jié)帶圖像光照不均和粉塵影響嚴重的特點，提出一種基于自適應(yīng)光照補償和模糊增強的煤粉射流混合區(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、長寬比和質(zhì)心坐標等形態(tài)特征，作為回轉(zhuǎn)窯燒結(jié)工況判別的一個重要依據(jù)。
　　(2)針對特殊工況條件下單幀亮度統(tǒng)計特征可能出現(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態(tài)時序特征來識別燒結(jié)工況的方法，利用圖像序列中RO

5、I（Region-Of-Interest）區(qū)域的時間序列特征的短時能量和樣本熵值，結(jié)合當前時刻的圖像靜態(tài)特征，對燒結(jié)帶溫度狀態(tài)進行判定。
　　(3)依據(jù)專家看火經(jīng)驗和窯內(nèi)物料流動機理，提出一種以物料區(qū)邊緣位置、帶高和質(zhì)心的擺動角等動態(tài)特征為依據(jù)的工況判定方法。對模糊火焰圖像進行光照補償和陰影校正等預(yù)處理后，用區(qū)域增長方法提取物料區(qū)，計算物料區(qū)的邊緣位置、帶高坐標以及物料區(qū)重心擺動角，結(jié)合物料區(qū)亮度統(tǒng)計特征，計算其短時能量和樣本熵值

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

7、算法。魯棒極限學(xué)習(xí)機可快速有效克服特征數(shù)據(jù)中的粗差干擾，對燒結(jié)帶溫度狀態(tài)進行穩(wěn)定檢測。
　　(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)險貝葉斯原理融合各區(qū)域的ELM檢測結(jié)果，形成一套基于燃煤圖像的窯內(nèi)工況魯棒檢測系統(tǒng)。最后，將本文檢測方法應(yīng)用于現(xiàn)有回轉(zhuǎn)窯專家控制平臺，在某氧化鋁廠的窯前進行現(xiàn)場控制實驗，取得了良好的現(xiàn)場應(yīng)用效果，表明本文方法可以在復(fù)雜現(xiàn)場工況條件下對窯內(nèi)燒結(jié)工況進行較準確的檢測，可較好滿足實際