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 物理與材料科學學院，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 PLC，在獲取了其燒結(jié)過程參數(shù)后，通過分析機尾斷面形態(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，運用加權(quán)支持向量機( 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，利用遠程訪問客戶端，實現(xiàn)遠程訪問。該系統(tǒng)在國內(nèi)某大型鋼鐵廠運行將近半年的時間內(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)量判斷的準確性。

關(guān)鍵詞: 燒結(jié)礦; 燒結(jié)參數(shù); 機尾斷面圖像; 支持向量機; 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。整個生產(chǎn)工藝的機理也十分復(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高質(zhì)量鐵礦的需求，以及高爐要想更加經(jīng)濟、高效、環(huán)保的煉鐵、煉鋼的需要，轉(zhuǎn)鼓強度和 FeO 含量穩(wěn)定性等指標的監(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)外一直進行著對影響轉(zhuǎn)鼓強度和FeO 含量穩(wěn)定性條件的探究，但是，一直沒有找到一種又準確、又能實時有效地判斷燒結(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 PLC 獲取燒結(jié)過程參數(shù)，及通過在機尾架設(shè)可見光和紅外相機獲得機尾斷面形態(tài)特征及溫度分布等信息。把機尾斷面信息與燒結(jié)過程參數(shù)相結(jié)合，更加全面、準確地判斷燒結(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，利用遠程訪問客戶端，實現(xiàn)遠程訪問。

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?？梢?，系統(tǒng)通過連接燒結(jié)機 PLC 獲取燒結(jié)參數(shù)、通過中繼箱連接安裝在機頭的可見光攝像機及通過電器柜連接機尾紅外和可見光攝像機，實時獲取三路攝像機畫面。數(shù)據(jù)庫建立在戴爾工作站中，廠區(qū)辦公室中安裝遠程訪問客戶端軟件的 PC 機 ( 工廠外部網(wǎng)絡(luò)是待功能擴充區(qū)域)就能連接局域網(wǎng)實現(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)可以實現(xiàn)圖 2 所標示的功能。

2. 2. 1 間暈補償

本系統(tǒng)采用 CCD 攝像機采集機尾斷面圖像，由于 CCD 具有畸變小、系統(tǒng)噪聲低及壽命長等優(yōu)點，在冶金、化學化工、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，每臺攝像機的均勻性不一樣，比如瑕點、光電響應(yīng)的非均勻性等。本系統(tǒng)自帶瑕點修復(fù)工具，原理一般是采用自適應(yīng)鄰域灰度值的方法計算修復(fù)。因此，系統(tǒng)主要對攝像機光響應(yīng)所造成的非均勻性進行修正，也就是間暈補償。

對相機的間暈補償采用積分球。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 個像素點灰度取平均，用這個平均值分別除以每個像素點的灰度值，從而計算出每個像素點的補償系數(shù)，相機采集的灰度值在顯示前乘以對應(yīng)的補償系數(shù)，以實現(xiàn)對攝像機的間暈補償。

2. 2. 2 判斷燒結(jié)礦過、欠燒狀態(tài)

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

由圖 3 可知，燒結(jié)終點的位置決定了過、欠燒的狀態(tài)。選取點火處和機尾附近部分可能出現(xiàn)溫度峰值的風箱溫度數(shù)據(jù)就能判斷出燒結(jié)礦的過、欠燒狀態(tài)。如果機尾斷面正常，南、北側(cè)風箱溫度峰值都在 18 # 風箱，則說明燒結(jié)正常; 如果峰值溫度出現(xiàn)在 18 # 風箱之后，燒結(jié)終點后移，則出現(xiàn)的是欠燒現(xiàn)象; 如果峰值溫度出現(xiàn) 在 18 # 風 箱 之 前，則 出 現(xiàn) 的 是 過 燒 現(xiàn)象^{［6 ～8］}。南、北側(cè)風箱的具體位置見表 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，用以進行之后的判斷處理。圖像數(shù)據(jù)在計算機中是連續(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 為以像素點記錄的圖像大小; G ( x，y)為在圖像像素點 ( 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:

每一張機尾斷面紅火層的分布都不同，但是一段時間內(nèi)這些分布會因為燒結(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)攝像機為1 080 P，其像素點寬度為 1 920，如果橫向連續(xù)像素點個數(shù) C = 1 920，表明其連續(xù)程度最好，燒結(jié)礦物料在每個橫向上都有紅火層。

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

機器學習是一種使計算機像人類一樣，可以通過收集數(shù)據(jù)進行歸納、綜合來完善和修正自己，不斷減小誤差的方法。但是單純的依靠機器學習對數(shù)據(jù)結(jié)果進行收集、分析和判斷，勢必會帶來數(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 ( W － SVM) ，它可以控制置信范圍及經(jīng)驗風險等，使機器學習能應(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)支持向量機的這些優(yōu)點，其在近些年機器 學 習 中 得 到 了 越 來 越 多 的 關(guān) 注 和認可^{［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，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，可以運用加權(quán)支持向量機，對不同的樣本使用不同的系數(shù)，系統(tǒng)中把這個系數(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)過程中風箱溫度、煙道負壓等參數(shù)傳遞給支持向量機，就能進行機器的學習和訓(xùn)練 ( 圖 5) 。

經(jīng)過一定時間的數(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。不同的帶冷和機尾斷面特征信息所對應(yīng)的 FeO 含量不同，不同的大煙道負壓、大煙道溫度和風箱溫度所對應(yīng)的轉(zhuǎn)鼓強度也不同。輸入不同燒結(jié)過程參數(shù)和機尾斷面特征信息，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

為了方便遠程訪問，系統(tǒng)設(shè)計了遠程訪問客戶端，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)運用 OPC 通信和 SQL Server 技術(shù)，通過 VS2010 編程實現(xiàn)。在與國內(nèi)某大型鋼鐵股份有限公司合作實踐運行的一段時間內(nèi)，表現(xiàn)出了在判定效率和判定準確率方面的優(yōu)勢。FeO含量、轉(zhuǎn)鼓強度化驗結(jié)果與本系統(tǒng)判定結(jié)果對比分別如圖 7、圖 8 所示?？梢?，F(xiàn)eO 含量90%的判定數(shù)據(jù)與化驗數(shù)據(jù)相符合; 轉(zhuǎn)鼓強度判斷有 91%與化驗數(shù)據(jù)相符合。綜合分析 FeO含量與轉(zhuǎn)鼓強度，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 ( W － SVM) 使系統(tǒng)能夠?qū)崟r、有效地判定 FeO 含量、轉(zhuǎn)鼓強度以及燒結(jié)等級。

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

( 3) 系統(tǒng)采用 SQL Server 技術(shù)，建立了數(shù)據(jù)庫，開發(fā)了遠程訪問客戶端，實現(xiàn)了讓工程技術(shù)人員遠距離查看燒結(jié)生產(chǎn)的歷史數(shù)據(jù)，節(jié)省了大量的時間，促進了信息的共享，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

［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］． 通用機械． 2011( 11) : 17 ～18．

［2］ 龍金福，陳子林． 湘鋼 1 號 90 m 2 燒結(jié)機降低固體燃耗的實踐［J］． 燒結(jié)球團，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，2004，29( 3) : 46 ～51．

［4］ I． R． 達什，王佐泉． 燒結(jié)過程的模擬［J］． 燒結(jié)球團，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定［J］． 計測技術(shù)，2014，34( 6) : 54 ～56．

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

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

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

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

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

［11］ 王建軍，苑瑋琦，張宏勛，等． 一種基于計算機視覺的燒結(jié)礦 FeO 含量在線檢測方法［J］． 燒結(jié)球團，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)與支持向量機相關(guān)問題研究［D］． 上海: 復(fù)旦大學，2005．

［14］ 金焱，褚政，張瑾． 改進加權(quán)支持向量機回歸方法器件易損性評估［J］． 強激光與粒子束，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．