回转窑是一种广泛应用于水泥、氧化铝等工业原材料生产过程的核心热工设备。由于受到窑体的旋转以及窑内复杂的燃烧、烟气与物料的对流换热等因素的制约,现有的测量手段难以实现对回转窑内烧成带温度和熟料产品烧结质量指标等关键工艺参数的在线检测,导致难以实现回转窑过程的自动控制。回转窑熟料烧结过程长期依赖工业电视“人工看火”,通过观测烧成带图像,并结合过程数据判断烧成带温度和物料烧结工况进而人工调整操作变量,然而这种操作模式易受主观因素影响,容易出现产品质量低、设备运转率差、产量低和能耗高等问题。烧成带视频图像中蕴含丰富的温度场信息和熟料烧结信息,这为研究基于烧成带视频图像的回转窑熟料烧结工况识别技术奠定了基础。由于窑体的旋转和窑内粉尘烟雾的干扰,烧成带图像质量不高,边界不清,显著区域耦合性较强,现有的基于静态图像的方法难以提取具有区分性和鲁棒性的特征,导致烧结工况识别精度较低。烧成带视频相对于静态图像蕴含更多的信息,并且能够反映烧结工况的过渡过程,因此,采用图像处理技术、机器学习等领域的最新研究成果,研究基于烧成带视频图像的回转窑熟料烧结工况识别方法,是解决回转窑控制与优化中检测难题的有效手段,具有重要的理论意义和应用价值。针对上述回转窑烧结工况识别问题,本文以提高烧结工况识别精度为目的,依托国家自然科学基金面上项目“基于图像与过程数据融合的回转窑产品质量参数预报建模”,开展了基于烧成带视频图像的回转窑熟料烧结工况识别方法的研究,本文的主要工作如下:1.针对之前基于静态图像的回转窑熟料烧结工况识别方法的缺陷,对国内外过程工业中视频图像处理技术进行综述的基础上,将视皮层认知计算理论与深度学习方法应用于回转窑烧结工况识别问题,提出了基于烧成带视频图像的回转窑熟料烧结工况识别方法。该方法由视频图像预处理、基于多层卷积独立子空间分析网络(Hierarchical convolution independent subspace analysis network,HC-ISA)和单词包模型的时空特征提取方法和多显著区域集成分类器方法组成。2.视频图像预处理方法主要包括显著区域划分、视频块抽取和视频块降维去噪三部分。根据烧成带视频中显著区域位置相对固定,各显著区域视频图像数据具有不同统计特性且分显著区域的学习方式更有效率地获得区分性特征的特点,将烧成带视频图像划分为三个显著区域:黑把子区域(煤粉区域)、火焰区域和物料区域,对三个显著区域视频分别独立学习建立特征提取模型和分类器模型并加以融合。首先对烧成带视频进行显著区域划分,基于视皮层信息处理的分层性和神经元局部感受野逐层相应扩大的机理,在三个显著区域分别随机抽取递增尺寸的视频块,以利于后续分区域分层进行特征表达的学习;采用基于主成分分析的白化预处理方法降低视频块信息的相关性及冗余度。3.特征提取方法由HC-ISA和单词包模型组成。为了获得有效的时空形态特征表达,并降低学习复杂度、提高学习效率,采用HC-ISA无监督学习方法在各显著区域递增尺寸的视频块样本集上逐层学习具有一定选择性和不变形的局部形态特征,并实现了局部特征的形态复杂性的逐层递增;进一步采用单词包模型学习具有全局性的形态特征表达,而且进一步降低了特征维数以利于分类器的学习。4.为了进一步获得有区分性的特征表达、提高识别精度,提出了在三个显著区域视频分别独立学习建立特征提取模型和分类器模型,并加以融合的识别方法,避免特征级融合出现“维数灾”现象。提出多显著区域集成分类器方法由各个显著区域子模式分类器和模糊积分决策融合机制组成,采用随机向量函数连接网络设计各个显著区域子模式分类器,分别对各个显著区域的特征样本集进行分类;采用模糊积分的方法对各个显著区域子模式分类器的分类结果进行决策融合。5.利用某氧化铝厂的熟料烧结回转窑视频数据开展了上述方法的实验研究。实验结果表明,本文采用的预处理方法能够有效地降低视频块信息的相关性及冗余度;基于卷积独立子空间分析网络与单词包模型的特征提取方法能够提取出各显著区域的有效特征;三个显著区域烧结工况识别子分类器识别精度分别为94.31%、93.59%、92.28%;集成分类器的识别精度为95.12%。