吳海濱 ¹ ，楊西男 ¹ ，張樂文 ¹ ，周江虹 ² ，陳新兵 ¹，趙明 ¹，楊業(yè) ² ，劉益勇 ²

( 1． 安徽大學(xué) 物理與材料科學(xué)學(xué)院，安徽 合肥 230601; 2． 馬鞍山鋼鐵股份有限公司，安徽 馬鞍山 243000)

摘 要: 本系統(tǒng)連接了燒結(jié)機(jī) PLC，在獲取了其燒結(jié)過程參數(shù)后，通過分析機(jī)尾斷面形態(tài)以及燒結(jié)過程參數(shù)與燒結(jié)礦質(zhì)量之間的關(guān)系，運(yùn)用加權(quán)支持向量機(jī)( W － SVM) ，可得出燒結(jié)礦質(zhì)量的判定結(jié)果。并可將得到的燒結(jié)礦質(zhì)量判定結(jié)果以及對應(yīng)斷面圖片存儲到數(shù)據(jù)庫中，利用遠(yuǎn)程訪問客戶端，實(shí)現(xiàn)遠(yuǎn)程訪問。該系統(tǒng)在國內(nèi)某大型鋼鐵廠運(yùn)行將近半年的時(shí)間內(nèi)，不僅表現(xiàn)出了較高的判定效率，而且提高了燒結(jié)礦質(zhì)量判斷的準(zhǔn)確性。

關(guān)鍵詞: 燒結(jié)礦; 燒結(jié)參數(shù); 機(jī)尾斷面圖像; 支持向量機(jī); 多參量; 質(zhì)量判定; 數(shù)據(jù)庫

1 前 言

燒結(jié)生產(chǎn)工藝過程的環(huán)境條件惡劣，給人工觀測帶來諸多健康隱患。整個(gè)生產(chǎn)工藝的機(jī)理也十分復(fù)雜，對燒結(jié)過程參量的調(diào)整稍有不慎就會(huì)影響燃料利用率、返礦率等，從而影響燒結(jié)的產(chǎn)量和質(zhì)量，燒結(jié)質(zhì)量又將直接影響高爐煉鐵及煉鋼^{［1 －2］}。通過多年的燒結(jié)實(shí)踐發(fā)現(xiàn)，在眾多燒結(jié)礦質(zhì)量影響的因素中，轉(zhuǎn)鼓強(qiáng)度以及 FeO 含量的穩(wěn)定性所起的作用最大。所以，隨著市場對大量廉價(jià)高質(zhì)量鐵礦的需求，以及高爐要想更加經(jīng)濟(jì)、高效、環(huán)保的煉鐵、煉鋼的需要，轉(zhuǎn)鼓強(qiáng)度和 FeO 含量穩(wěn)定性等指標(biāo)的監(jiān)控 以 及 對 燒 結(jié) 參 數(shù) 的 調(diào) 節(jié) 顯 得 越 來 越重要^{［3 －4］}。

雖然國內(nèi)外一直進(jìn)行著對影響轉(zhuǎn)鼓強(qiáng)度和FeO 含量穩(wěn)定性條件的探究，但是，一直沒有找到一種又準(zhǔn)確、又能實(shí)時(shí)有效地判斷燒結(jié)礦質(zhì)量的方法。通過對國內(nèi)某大型鋼鐵廠燒結(jié)生產(chǎn)工藝的調(diào)研和探究，研發(fā)出了基于機(jī)尾斷面形態(tài)及過程參數(shù)的燒結(jié)礦質(zhì)量判定系統(tǒng)。通過連接燒結(jié)機(jī) PLC 獲取燒結(jié)過程參數(shù)，及通過在機(jī)尾架設(shè)可見光和紅外相機(jī)獲得機(jī)尾斷面形態(tài)特征及溫度分布等信息。把機(jī)尾斷面信息與燒結(jié)過程參數(shù)相結(jié)合，更加全面、準(zhǔn)確地判斷燒結(jié)礦質(zhì)量。將得到的燒結(jié)礦質(zhì)量判定結(jié)果以及對應(yīng)斷面圖片存儲到數(shù)據(jù)庫中，利用遠(yuǎn)程訪問客戶端，實(shí)現(xiàn)遠(yuǎn)程訪問。

2 燒結(jié)礦質(zhì)量判定系統(tǒng)

2. 1 系統(tǒng)整體架構(gòu)

燒結(jié)礦質(zhì)量判定系統(tǒng)整體架構(gòu)如圖 1 所示。可見，系統(tǒng)通過連接燒結(jié)機(jī) PLC 獲取燒結(jié)參數(shù)、通過中繼箱連接安裝在機(jī)頭的可見光攝像機(jī)及通過電器柜連接機(jī)尾紅外和可見光攝像機(jī)，實(shí)時(shí)獲取三路攝像機(jī)畫面。數(shù)據(jù)庫建立在戴爾工作站中，廠區(qū)辦公室中安裝遠(yuǎn)程訪問客戶端軟件的 PC 機(jī) ( 工廠外部網(wǎng)絡(luò)是待功能擴(kuò)充區(qū)域)就能連接局域網(wǎng)實(shí)現(xiàn)對燒結(jié)礦質(zhì)量檢測結(jié)果的訪問。

2. 2 燒結(jié)礦質(zhì)量判定系統(tǒng)主程序

本系統(tǒng)主程序功能模塊安裝在控制室，其燒結(jié)礦質(zhì)量判定主程序界面如圖 2 所示。本系統(tǒng)可以實(shí)現(xiàn)圖 2 所標(biāo)示的功能。

2. 2. 1 間暈補(bǔ)償

本系統(tǒng)采用 CCD 攝像機(jī)采集機(jī)尾斷面圖像，由于 CCD 具有畸變小、系統(tǒng)噪聲低及壽命長等優(yōu)點(diǎn)，在冶金、化學(xué)化工、區(qū)域監(jiān)控以及交通監(jiān)控等領(lǐng)域得到了廣泛的應(yīng)用。但是，每臺攝像機(jī)的均勻性不一樣，比如瑕點(diǎn)、光電響應(yīng)的非均勻性等。本系統(tǒng)自帶瑕點(diǎn)修復(fù)工具，原理一般是采用自適應(yīng)鄰域灰度值的方法計(jì)算修復(fù)。因此，系統(tǒng)主要對攝像機(jī)光響應(yīng)所造成的非均勻性進(jìn)行修正，也就是間暈補(bǔ)償。

對相機(jī)的間暈補(bǔ)償采用積分球。積分球是光通過采樣口照射到內(nèi)壁材料上，經(jīng)過多次反射后很均勻地散射在積分球內(nèi)部^［5］。積分球內(nèi)部平整均勻，攝像機(jī)采集的圖片的灰度值呈現(xiàn)出中間高邊緣暗的現(xiàn)象。

取圖片中間 625 個(gè)像素點(diǎn)灰度取平均，用這個(gè)平均值分別除以每個(gè)像素點(diǎn)的灰度值，從而計(jì)算出每個(gè)像素點(diǎn)的補(bǔ)償系數(shù)，相機(jī)采集的灰度值在顯示前乘以對應(yīng)的補(bǔ)償系數(shù)，以實(shí)現(xiàn)對攝像機(jī)的間暈補(bǔ)償。

2. 2. 2 判斷燒結(jié)礦過、欠燒狀態(tài)

燒結(jié)過程中風(fēng)箱往下抽風(fēng)，由于燒結(jié)礦燃燒，沿傳送臺車移動(dòng)的方向各風(fēng)箱廢氣的溫度呈上升趨勢，形成一個(gè)拋物線。燒結(jié)終點(diǎn)就是物料充分燃燒時(shí)，廢氣溫度拋物線的峰值，這時(shí)的紅火層出現(xiàn)在物料的底層。由于生產(chǎn)工藝、原料配比等會(huì)隨著生產(chǎn)的需要而頻繁變化，燒結(jié)終點(diǎn)的前移、后移現(xiàn)象時(shí)有發(fā)生。燒結(jié)終點(diǎn)與過、欠燒狀態(tài)如圖 3 所示。

由圖 3 可知，燒結(jié)終點(diǎn)的位置決定了過、欠燒的狀態(tài)。選取點(diǎn)火處和機(jī)尾附近部分可能出現(xiàn)溫度峰值的風(fēng)箱溫度數(shù)據(jù)就能判斷出燒結(jié)礦的過、欠燒狀態(tài)。如果機(jī)尾斷面正常，南、北側(cè)風(fēng)箱溫度峰值都在 18 # 風(fēng)箱，則說明燒結(jié)正常; 如果峰值溫度出現(xiàn)在 18 # 風(fēng)箱之后，燒結(jié)終點(diǎn)后移，則出現(xiàn)的是欠燒現(xiàn)象; 如果峰值溫度出現(xiàn) 在 18 # 風(fēng) 箱 之 前，則 出 現(xiàn) 的 是 過 燒 現(xiàn)象^{［6 ～8］}。南、北側(cè)風(fēng)箱的具體位置見表 1。

2. 2. 3 圖像的采集與分析

系統(tǒng)需要自動(dòng)識別并保存燒結(jié)斷面斷裂過程中一幅最清晰的圖像，用以進(jìn)行之后的判斷處理。圖像數(shù)據(jù)在計(jì)算機(jī)中是連續(xù)有序的數(shù)字信息，研究中把這些有序排列的數(shù)字信息按照矩陣的形式排列:

式中: x 為圖像的橫向分辨率，像素; y 為圖像縱向分辨率，像素; S = M × N 為以像素點(diǎn)記錄的圖像大小; G ( x，y)為在圖像像素點(diǎn) ( x，y) 處的灰度值 ^［8］。

此外，系統(tǒng)中定義:

( 1) 紅火層亮度 L 的提取如式 ( 2) 所示:

每一張機(jī)尾斷面紅火層的分布都不同，但是一段時(shí)間內(nèi)這些分布會(huì)因?yàn)闊Y(jié)條件的一致性呈現(xiàn)出一定的規(guī)律。研究中取 20 張畫面，取其平均亮度作為紅火層亮度。

( 2) 紅火層的連續(xù)程度。研究中把紅火層橫向亮度分布面積的連續(xù)性叫做紅火層的連續(xù)程度。本系統(tǒng)攝像機(jī)為1 080 P，其像素點(diǎn)寬度為 1 920，如果橫向連續(xù)像素點(diǎn)個(gè)數(shù) C = 1 920，表明其連續(xù)程度最好，燒結(jié)礦物料在每個(gè)橫向上都有紅火層。

2. 2. 4 斷面的橫向均勻性

根據(jù)有經(jīng)驗(yàn)的操作工提供的信息，紅火層亮度分布的均勻性對判斷燒結(jié)礦質(zhì)量有指導(dǎo)意義^{［9 ～11］}。所以，引入了斷面橫向燒結(jié)均勻性的概念。斷面橫向燒結(jié)均勻性由紅火層區(qū)域亮度垂直投影分布的方差決定，橫向燒結(jié)均勻性越好，方差越小，反之方差越大。本系統(tǒng)燒結(jié)斷面的紅火層區(qū)域垂直投影分布如圖 4 所示。其中，圖片底部為 20 張斷面圖像紅火層區(qū)域亮度的 ( 兩條白線之間的區(qū)域) 垂直投影分布。

若紅火層各個(gè)縱向的重心分別表示為 p₁ ，p₂ ，p₃ ，…，p_N ，那么重心的方差:

式中: C 為紅火層的連續(xù)程度。

因此，方差 E 的值越小表明其橫向燒結(jié)均勻性越好。

2. 2. 5 FeO 含量和轉(zhuǎn)鼓指數(shù)判定

機(jī)器學(xué)習(xí)是一種使計(jì)算機(jī)像人類一樣，可以通過收集數(shù)據(jù)進(jìn)行歸納、綜合來完善和修正自己，不斷減小誤差的方法。但是單純的依靠機(jī)器學(xué)習(xí)對數(shù)據(jù)結(jié)果進(jìn)行收集、分析和判斷，勢必會(huì)帶來數(shù)據(jù)的冗余，影響以后的判斷。所以要引入加權(quán)支持向量機(jī) ( W － SVM) ，它可以控制置信范圍及經(jīng)驗(yàn)風(fēng)險(xiǎn)等，使機(jī)器學(xué)習(xí)能應(yīng)對新的數(shù)據(jù)注入，提高最終判斷的效率和精度。

由于加權(quán)支持向量機(jī)的這些優(yōu)點(diǎn)，其在近些年機(jī)器 學(xué) 習(xí) 中 得 到 了 越 來 越 多 的 關(guān) 注 和認(rèn)可^{［12 ～14］}。

對于具體訓(xùn)練誤差的要求，有些對早期數(shù)據(jù)的依賴性更強(qiáng)，如對股市或者期貨的預(yù)測等。這些數(shù)據(jù)不需要很高的訓(xùn)練誤差，可以運(yùn)用加權(quán)支持向量機(jī)，對不同的樣本使用不同的系數(shù)，系統(tǒng)中把這個(gè)系數(shù)叫做懲罰系數(shù) C。

( 1) 對 懲 罰 系 數(shù) C 加 權(quán)，其 最 優(yōu) 化 問題為:

機(jī)尾斷面橫向均勻性、溫度分布等特征參數(shù)和 PLC 得到的燒結(jié)過程中風(fēng)箱溫度、煙道負(fù)壓等參數(shù)傳遞給支持向量機(jī)，就能進(jìn)行機(jī)器的學(xué)習(xí)和訓(xùn)練 ( 圖 5) 。

經(jīng)過一定時(shí)間的數(shù)據(jù)積累，F(xiàn)eO 含量和轉(zhuǎn)鼓指數(shù)的判定模型可形成。不同的帶冷和機(jī)尾斷面特征信息所對應(yīng)的 FeO 含量不同，不同的大煙道負(fù)壓、大煙道溫度和風(fēng)箱溫度所對應(yīng)的轉(zhuǎn)鼓強(qiáng)度也不同。輸入不同燒結(jié)過程參數(shù)和機(jī)尾斷面特征信息，可得到對應(yīng)的 FeO 含量和轉(zhuǎn)鼓指數(shù)。按照 FeO 含量、轉(zhuǎn)鼓指數(shù)的多少可分為好、中、差三個(gè)等級，分別見表 2 與表 3。

2. 3 系統(tǒng)數(shù)據(jù)庫客戶端功能模塊

為了方便遠(yuǎn)程訪問，系統(tǒng)設(shè)計(jì)了遠(yuǎn)程訪問客戶端，其界面與功能如圖 6 所示。

3 燒結(jié)礦質(zhì)量判定系統(tǒng)的應(yīng)用效果

系統(tǒng)運(yùn)用 OPC 通信和 SQL Server 技術(shù)，通過 VS2010 編程實(shí)現(xiàn)。在與國內(nèi)某大型鋼鐵股份有限公司合作實(shí)踐運(yùn)行的一段時(shí)間內(nèi)，表現(xiàn)出了在判定效率和判定準(zhǔn)確率方面的優(yōu)勢。FeO含量、轉(zhuǎn)鼓強(qiáng)度化驗(yàn)結(jié)果與本系統(tǒng)判定結(jié)果對比分別如圖 7、圖 8 所示。可見，F(xiàn)eO 含量90%的判定數(shù)據(jù)與化驗(yàn)數(shù)據(jù)相符合; 轉(zhuǎn)鼓強(qiáng)度判斷有 91%與化驗(yàn)數(shù)據(jù)相符合。綜合分析 FeO含量與轉(zhuǎn)鼓強(qiáng)度，本系統(tǒng)對燒結(jié)礦質(zhì)量等級的判定結(jié)果 93%與化驗(yàn)分析結(jié)果相符合。

4 結(jié) 論

( 1) 系統(tǒng)引入斷面形態(tài)特征，采用加權(quán)支持向量機(jī) ( W － SVM) 使系統(tǒng)能夠?qū)崟r(shí)、有效地判定 FeO 含量、轉(zhuǎn)鼓強(qiáng)度以及燒結(jié)等級。

( 2) 系統(tǒng)可提供機(jī)頭出料口及機(jī)尾的實(shí)時(shí)畫面，操作工人足不出戶就能通過攝像機(jī)提供的畫面掌握燒結(jié)現(xiàn)場的實(shí)時(shí)情況。

( 3) 系統(tǒng)采用 SQL Server 技術(shù)，建立了數(shù)據(jù)庫，開發(fā)了遠(yuǎn)程訪問客戶端，實(shí)現(xiàn)了讓工程技術(shù)人員遠(yuǎn)距離查看燒結(jié)生產(chǎn)的歷史數(shù)據(jù)，節(jié)省了大量的時(shí)間，促進(jìn)了信息的共享，為調(diào)整燒結(jié)過程參數(shù)、優(yōu)化燒結(jié)生產(chǎn)工藝提供了便利條件，有助于提高燒結(jié)礦質(zhì)量。

參考文獻(xiàn)

［1］ 柳黎光． 冶金系統(tǒng)綜合節(jié)能減排新技術(shù)的研究及應(yīng)用［J］． 通用機(jī)械． 2011( 11) : 17 ～18．

［2］ 龍金福，陳子林． 湘鋼 1 號 90 m 2 燒結(jié)機(jī)降低固體燃耗的實(shí)踐［J］． 燒結(jié)球團(tuán)，2001，26( 6) : 39 ～40．

［3］ 石畑翚． 燒結(jié)礦 FeO 含量的研究［J］． 燒結(jié)球團(tuán)，2004，29( 3) : 46 ～51．

［4］ I． R． 達(dá)什，王佐泉． 燒結(jié)過程的模擬［J］． 燒結(jié)球團(tuán)，1980，( 6) : 82 ～89．

［5］ 杜傳耀，張春波． 利用積分球?qū)?CCD 線性和面均勻性的標(biāo)定［J］． 計(jì)測技術(shù)，2014，34( 6) : 54 ～56．

［6］ 寇傳乾． 基于廢氣溫度上升點(diǎn)的燒結(jié)終點(diǎn)預(yù)報(bào)系統(tǒng)［J］．燒結(jié)球團(tuán)，2007，32( 5) : 27 ～31．

［7］ 廖環(huán)宇． 燒結(jié)過程燒結(jié)終點(diǎn)智能控制策略及工業(yè)應(yīng)用［D］． 長沙: 中南大學(xué)，2010．

［8］ 周洋． 燒結(jié)終點(diǎn)檢測與智能控制系統(tǒng)研究［D］． 沈陽: 東北大學(xué)，2013．

［9］ 徐正光． 燒結(jié)機(jī)尾紅外熱成像計(jì)算機(jī)視覺信息處理系統(tǒng)［J］． 冶金自動(dòng)化，2002，( 2) : 67 ～68．

［10］ 劉征建，左海濱，國宏偉，等． 燒結(jié)機(jī)尾斷面監(jiān)視系統(tǒng)的應(yīng)用與發(fā)展( 上) ［J］． 冶金自動(dòng)化，2007，( 02) : 11 ～ 13+23．

［11］ 王建軍，苑瑋琦，張宏勛，等． 一種基于計(jì)算機(jī)視覺的燒結(jié)礦 FeO 含量在線檢測方法［J］． 燒結(jié)球團(tuán)，1996，21( 6) : 1 ～3．

［12］ Yan Guohua，Zhu Yongsheng． Parameters selection method for support vector machine regression ［ J ］． Computer Engineering，2009，35( 13) : 218 －220．

［13］ 馬儒寧． 神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相關(guān)問題研究［D］． 上海: 復(fù)旦大學(xué)，2005．

［14］ 金焱，褚政，張瑾． 改進(jìn)加權(quán)支持向量機(jī)回歸方法器件易損性評估［J］． 強(qiáng)激光與粒子束，2014，26( 12) : 123201－1 ～123201 －6．

［15］ Lin C-F，Wang S-D． Fuzzy support vector machines［J］．IEEE Trans on Neural Networks，2002，13( 2) : 464 －471．

［16］ Tay F E H，Cao L J． Modified support vector machines in financial time series forecasting ［J］． Neurocomputing，2002，48: 847 －861．

［17］ Tay F E H，Cao L J． e-Descending support vector machines for financial time series forecasting［J］． Neural Processing Letters，2002，15( 2) : 179 －195．