基于燒成帶圖像的回轉(zhuǎn)窯熟料燒結(jié)工況識別方法研究.pdf

1、回轉(zhuǎn)窯是一種大型的、生產(chǎn)水泥、氧化鋁等工業(yè)原材料的核心熱工設(shè)備。由于受到窯體旋轉(zhuǎn)以及窯內(nèi)復(fù)雜的燃料燃燒、物料煙氣對流換熱等因素的制約，現(xiàn)有的測量手段難以實現(xiàn)對回轉(zhuǎn)窯關(guān)鍵工藝參數(shù)燒成帶溫度和熟料產(chǎn)品燒結(jié)質(zhì)量的在線檢測，導(dǎo)致難以實現(xiàn)回轉(zhuǎn)窯過程的自動控制?；剞D(zhuǎn)窯過程長期依賴工業(yè)電視“人工看火”方式，通過觀測燒成帶圖像，并結(jié)合過程數(shù)據(jù)判斷燒成帶溫度狀態(tài)與物料燒結(jié)狀況，進而人工調(diào)整操作變量以確保產(chǎn)品質(zhì)量。然而這種操作模式易受主觀因素的影響，導(dǎo)致產(chǎn)

2、品質(zhì)量低、設(shè)備運轉(zhuǎn)率差、產(chǎn)量低、能耗高等問題。
　　由于燒成帶圖像中蘊含了豐富的溫度場和熟料燒結(jié)信息，這為研究開發(fā)基于圖像的回轉(zhuǎn)窯燒結(jié)工況識別提供了良好的基礎(chǔ)。但由于受到窯體旋轉(zhuǎn)和窯內(nèi)煙霧粉塵的干擾，燒成帶圖像噪聲較大，顯著區(qū)域耦合較強、分界不清，現(xiàn)有的基于圖像分割的方法和基于尺度不變特征轉(zhuǎn)換方法難以提取有效的特征，導(dǎo)致燒結(jié)工況識別精度較低。因此，采用圖像處理、機器學(xué)習(xí)等領(lǐng)域的最新研究成果，研究基于燒成帶圖像的回轉(zhuǎn)窯熟料燒結(jié)工況識

3、別方法，是解決回轉(zhuǎn)窯控制與優(yōu)化中檢測難題的有效手段，具有重要的理論意義和應(yīng)用價值。
　　針對上述回轉(zhuǎn)窯燒結(jié)工況識別問題，本文以提高燒結(jié)工況識別精度為目的，依托國家自然科學(xué)基金面上項目“基于圖像與過程數(shù)據(jù)融合的回轉(zhuǎn)窯產(chǎn)品質(zhì)量參數(shù)預(yù)報建?！?，開展了基于燒成帶圖像的回轉(zhuǎn)窯熟料燒結(jié)工況識別方法的研究，本文的主要工作如下:
　　1.在對國內(nèi)外現(xiàn)有的過程工業(yè)中圖像處理方法與技術(shù)進行綜述分析和對回轉(zhuǎn)窯燒結(jié)工況識別方面的研究難點進行分析基礎(chǔ)

4、上，首次將視皮層認(rèn)知計算理論與方法應(yīng)用于回轉(zhuǎn)窯燒結(jié)工況識別問題，提出了基于深度學(xué)習(xí)和獨立子空間分析提取圖像特征、基于極限學(xué)習(xí)機與模糊積分設(shè)計集成分類器的回轉(zhuǎn)窯燒結(jié)工況識別方法。該方法由圖像預(yù)處理方法、特征提取方法和分類器設(shè)計方法三部分組成。
　　2.圖像預(yù)處理主要包括顯著區(qū)域劃分、圖像塊抽取和圖像塊降維去噪三部分。根據(jù)攝像機安裝位置固定，燒成帶圖像顯著區(qū)域位置相對固定不變這一特點，并參照優(yōu)秀看火員在判別回轉(zhuǎn)窯燒結(jié)工況時的經(jīng)驗方法，

5、直接將燒成帶圖像劃分為三個顯著區(qū)域:黑把子區(qū)域（煤粉區(qū)域）、火焰區(qū)域和物料區(qū)域?；谝暺有畔⑻幚淼姆謱有院蜕窠?jīng)元局部感受野逐層相應(yīng)擴大的機理，在三個顯著區(qū)域分別隨機抽取遞增尺寸的圖像塊，以利于后續(xù)分區(qū)域分層進行特征表達(dá)的學(xué)習(xí)，并采用基于主成分分析的白化預(yù)處理方法降低圖像塊信息的相關(guān)性及冗余度。
　　3.提出了基于深度學(xué)習(xí)、獨立子空間分析與單詞包模型相結(jié)合的各顯著區(qū)域特征提取方法。由各顯著區(qū)域隨機抽取得到的圖像塊數(shù)據(jù)構(gòu)造出各顯著區(qū)

6、域局部特征表達(dá)學(xué)習(xí)的樣本集。采用深度學(xué)習(xí)與獨立子空間分析方法，基于遞增尺寸的圖像塊樣本集逐層學(xué)習(xí)具有一定選擇性和不變性的局部特征表達(dá)模型，并具有較低的學(xué)習(xí)計算復(fù)雜性。在各顯著區(qū)域圖像中通過滑窗方式應(yīng)用之前各區(qū)域?qū)W習(xí)到的局部特征表達(dá)模型以提取各顯著區(qū)域圖像特征，構(gòu)造各顯著區(qū)域特征樣本集，建立單詞包模型以進一步降低特征維數(shù)，學(xué)習(xí)有效特征表達(dá)。
　　4.提出了基于極限學(xué)習(xí)機與模糊積分的集成分類器設(shè)計方法。為了避免特征級融合時出現(xiàn)的“維數(shù)

7、災(zāi)”現(xiàn)象，將上述各顯著區(qū)域特征提取模型應(yīng)用于圖像各顯著區(qū)域，分別得到各顯著區(qū)域圖像特征，構(gòu)建各顯著區(qū)域分類器學(xué)習(xí)樣本集。采用極限學(xué)習(xí)機方法設(shè)計各顯著區(qū)域子分類器，采用模糊積分方法設(shè)計分類器決策級融合機制。
　　5.利用某氧化鋁廠的熟料燒結(jié)回轉(zhuǎn)窯圖像數(shù)據(jù)開展了上述方法的實驗研究。實驗結(jié)果表明，本文采用的預(yù)處理方法能夠有效地降低圖像塊信息的相關(guān)性及冗余度;基于深度學(xué)習(xí)、獨立子空間分析與單詞包模型的特征提取方法能夠提取出各顯著區(qū)域的有效