论文部分内容阅读
水泥熟料的煅烧是水泥生产过程中最为重要的一道工序,它直接影响水泥的产量和质量。水泥熟料煅烧所使用的热工设备被称为回转窑,它的主要功能是将生料浆烧结成合格的熟料,其运转情况直接决定水泥熟料的质量。回转窑长达百米且处于不断旋转中,其结构的特殊性和工艺的复杂性使得回转窑烧结过程机理复杂,包括物料的物理化学反应,燃料燃烧,气体、物料、内衬间传热,气体、物料运动等多个耦合过程。由于回转窑烧结过程存在着熟料质量指标游离氧化钙(f-CaO)含量难以在线测量,与f-CaO含量密切相关的关键工艺参数烧成状态难以准确识别等难题,导致现有的回转窑烧结过程仍处于“人工看火”开环操作阶段,即看火操作人员通过观察窑内烧成带状况,辅以过程变量,识别当前烧成状态,继而调节控制变量使得与f-CaO含量密切相关的被控变量位于适宜的范围之内,以实现生料的充分燃烧获得合格的熟料。然而,人工烧成状态的识别结果受到操作人员的经验、责任心和关注度等主观因素的制约,易造成熟料质量指标不稳定、窑内衬使用寿命短、窑运转率低、产能低、能耗高、人工劳动强度大等问题。烧成带火焰图像中蕴含丰富的烧成带温度场信息和熟料烧结状况信息,连同过程数据信息是目前看火操作人员识别烧成状态的主要依据。适宜的烧成状态意味着合格的熟料,因此,熟料质量指标与烧成状态之间有着紧密的关联性。然而,受窑内煤粉烟尘的影响,烧成带火焰图像中感兴趣区域之间存在强烈耦合,边界模糊不清,加之过程数据包含大量复杂噪声,之前基于图像分割技术或基于过程变量的烧成状态识别技术和熟料质量指标软测量的方法精度不高。因而,融合烧成带火焰图像和过程数据信息,研究基于图像处理和机器学习理论的回转窑烧成状态识别和熟料质量指标软测量的新方法和新技术,具有重要意义。这项研究将机器学习技术应用于工程实践,真正实现“机器看火”取代“人工看火”,为实现水泥回转窑烧结过程的监控和熟料质量指标的闭环控制奠定基础。本文以水泥回转窑为研究对象,以提高烧成状态识别和熟料质量指标软测量精度为目标,重点研究了烧成带火焰图像和过程数据的处理与分析技术,开展了基于图像处理和机器学习的烧成状态识别和熟料质量指标软测量的研究,取得了以下成果:①针对之前基于图像分割技术识别烧成状态的缺陷,首先提出了一种压缩Gabor滤波器组设计方法对具有不同纹理特性的火焰图像感兴趣区域进行滤波预处理,增强其可区分性以有利于烧成状态的识别;然后提出了不采用图像分割技术直接对火焰图像进行特征提取和选取的方法,基于多变量图像分析(MIA)提取感兴趣区域的色彩特征,基于改进的主成份分析(PCA)提取感兴趣区域的全局形态特征,基于比例不变特征变换算子(SIFT)结合视觉字典本(BoVW)和改进的潜在语义分析(LSA)提取感兴趣区域的局部形态特征;将所提取的三种火焰图像特征分别送入概率神经网络(PNN)、BP神经网络(BPNN)、支持向量机(SVM)和超级学习机(ELM)四种模式分类器进行烧成状态的识别,以探究不同模式分类器对于特征空间的划分能力;最后给出了一种基于模糊积分的烧成状态融合方法,对三类火焰图像特征的烧成状态识别结果进行决策级融合,避免特征级融合可能带来的“维数灾”现象。实验结果表明,本文提出的压缩Gabor滤波器组设计方法可以有效的增强感兴趣区域之间的可区分程度;基于独立特征设计的模式分类器,三类火焰图像特征的最佳烧成状态识别结果分别为85.55%、88.57%及92.12%;当选取PNN时,三类火焰图像特征决策级融合的最佳烧成状态识别结果为95.37%,优于基于单一火焰图像特征、图像分割技术和其它融合方法的烧成状态识别结果。②针对识别烧成状态时过程数据作为火焰图像的重要补充信息,首先提出了一种改进的基于中值数的滤波器,消除过程数据的噪声干扰;然后提出了一种基于KPLS的最优压缩过程数据特征向量子集的提取方法,消除过程数据可能存在的共线性和非线性特性问题;将所提取的过程数据特征向量分别送入PNN、BPNN、SVM和ELM四种模式分类器进行烧成状态的识别;最后给出了一种基于模糊积分的烧成状态融合方法,对火焰图像烧成状态识别结果和过程数据烧成状态识别结果进行决策级融合。实验结果表明,所提出的改进的中值数滤波器较传统中值滤波器可以去除过程数据中由于突变性扰动或尖脉冲干扰导致的过失数据,并可以去除随机噪声;基于设计的最佳模式分类器,过程数据特征向量的最佳烧成状态识别结果为92.56%;火焰图像和过程数据决策级融合的最佳烧成状态识别结果在选取PNN时为96.67%,明显优于单独采用火焰图像和过程数据的烧成状态识别结果,真正实现了“机器看火”取代“人工看火”,为进一步实现回转窑烧结过程的监控提供了技术支持。③针对熟料质量指标f-CaO含量不能在线测量的难题,提出了一种基于火焰图像和过程数据的熟料质量指标f-CaO含量软测量方法,首先对火焰图像和过程数据进行滤波预处理,然后提取火焰图像感兴趣区域的色彩特征、全局形态特征和局部形态特征,结合滤波后的过程数据组成f-CaO含量软测量模型的输入向量,以f-CaO含量的化验值作为导师信号,利用KPLS提取潜在变量作为特征向量,送入ELM回归器和支持向量回归器(SVR)分别建立f-CaO含量的软测量模型。实验结果表明,当选取ELM回归器时,本文方法f-CaO含量软测量的RMES=0.0638,拟合优度为0.9987,优于基于SVR回归器方法的结果、基于PLS特征提取方法的结果和直接对特征进行软测量方法的结果,为实现回转窑烧结过程熟料质量指标的闭环控制奠定了坚实的基础。本文针对复杂工业过程建模问题,运用图像处理和机器学习技术,深入地研究了水泥回转窑烧成状态的识别方法和熟料质量指标的软测量方法。实验结果表明,基于不同特征的模式分类器融合技术具有较好的识别和预测结果;过程数据信息可以改进基于图像特征的模式分类器结果。本文的研究为实现回转窑烧结过程的智能化监控,进而有效地提高水泥的产量和质量奠定了基础。