论文部分内容阅读
回转窑是一种大型的、生产水泥、氧化铝等工业原材料的核心热工设备。由于受到窑体旋转以及窑内复杂的燃料燃烧、物料烟气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关键工艺参数烧成带温度和熟料产品烧结质量的在线检测,导致难以实现回转窑过程的自动控制。回转窑过程长期依赖工业电视“人工看火”方式,通过观测烧成带图像,并结合过程数据判断烧成带温度状态与物料烧结状况,进而人工调整操作变量以确保产品质量。然而这种操作模式易受主观因素的影响,导致产品质量低、设备运转率差、产量低、能耗高等问题。由于烧成带图像中蕴含了丰富的温度场和熟料烧结信息,这为研究开发基于图像的回转窑烧结工况识别提供了良好的基础。但由于受到窑体旋转和窑内烟雾粉尘的干扰,烧成带图像噪声较大,显著区域耦合较强、分界不清,现有的基于图像分割的方法和基于尺度不变特征转换方法难以提取有效的特征,导致烧结工况识别精度较低。因此,采用图像处理、机器学习等领域的最新研究成果,研究基于烧成带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.在对国内外现有的过程工业中图像处理方法与技术进行综述分析和对回转窑烧结工况识别方面的研究难点进行分析基础上,首次将视皮层认知计算理论与方法应用于回转窑烧结工况识别问题,提出了基于深度学习和独立子空间分析提取图像特征、基于极限学习机与模糊积分设计集成分类器的回转窑烧结工况识别方法。该方法由图像预处理方法、特征提取方法和分类器设计方法三部分组成。2.图像预处理主要包括显著区域划分、图像块抽取和图像块降维去噪三部分。根据摄像机安装位置固定,烧成带图像显著区域位置相对固定不变这一特点,并参照优秀看火员在判别回转窑烧结工况时的经验方法,直接将烧成带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。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图像块,以利于后续分区域分层进行特征表达的学习,并采用基于主成分分析的白化预处理方法降低图像块信息的相关性及冗余度。3.提出了基于深度学习、独立子空间分析与单词包模型相结合的各显著区域特征提取方法。由各显著区域随机抽取得到的图像块数据构造出各显著区域局部特征表达学习的样本集。采用深度学习与独立子空间分析方法,基于递增尺寸的图像块样本集逐层学习具有一定选择性和不变性的局部特征表达模型,并具有较低的学习计算复杂性。在各显著区域图像中通过滑窗方式应用之前各区域学习到的局部特征表达模型以提取各显著区域图像特征,构造各显著区域特征样本集,建立单词包模型以进一步降低特征维数,学习有效特征表达。4.提出了基于极限学习机与模糊积分的集成分类器设计方法。为了避免特征级融合时出现的“维数灾”现象,将上述各显著区域特征提取模型应用于图像各显著区域,分别得到各显著区域图像特征,构建各显著区域分类器学习样本集。采用极限学习机方法设计各显著区域子分类器,采用模糊积分方法设计分类器决策级融合机制。5.利用某氧化铝厂的熟料烧结回转窑图像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图像块信息的相关性及冗余度;基于深度学习、独立子空间分析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93.58%、92.35%、92.39%:集成分类器的识别精度为94.57%。