一种烧结矿机尾断面FeO含量的控制方法
【技术领域】
[0001] 本发明涉及一种烧结矿机尾断面FeO含量的控制方法。
【背景技术】
[0002] 目前国内烧结厂，烧结矿FeO含量的在线检测主要依靠人的经验，也就是由烧结 看火工在烧结机尾对烧结机断面直观观察，然后凭经验对烧结矿FeO含量做出判断，虽然 国内一些烧结厂已在烧结机尾观察点安装了工业电视系统，看火工可以通过工业电视观察 机尾断面，但仍需看火工依靠经验进行判断，也就是由烧结看火工持续观察机尾工业电视 画面，然后凭经验对烧结矿FeO含量做出判断，给出FeO含量的范围，然后再进行一定的操 作控制。
[0003] 每个看火工由于经验积累不同，判断存在一定偏差，此外还有以下情形会产生烧 结矿质量偏差：1.由于铁矿石资源变动较大，给工艺确定带来众多不利因素；2.烧结矿质 量检测结果滞后（一般滞后2~3小时），无法及时修正工艺操作；3.检测样品取样存在一 定的局限性，不能完整反映烧结结果。取样只是在大量的产品中抽取极少量的样本进行化 验，并不能完全反映整个批量产品的实际指标。
【发明内容】
[0004] 本发明的目的是提供，一种烧结矿机尾断面FeO含量的控制方法，该控制方法可 以快速在线检测烧结机生产过程中烧结矿FeO含量的等级分类，能对生产过程中的异常 烧结情况及时反馈，用以解决现有烧结矿FeO含量测量方法由于需看火工依靠经验进行判 断，劳动强度大以及烧结矿质量偏差大的问题。
[0005] 为实现上述目的，本发明的方案是：一种烧结矿机尾断面FeO含量的控制方法，该 控制方法采用双CCD图像监测系统采集烧结矿机尾断面的图像，并通过处理计算机对采集 的图像进行图像处理，最后通过数据测量与分析系统对烧结矿FeO含量进行测量，所述双 C⑶图像监测系统包括彩色(XD摄像机和红外(XD摄像机，所述数据测量与分析系统包括模 糊聚类系统和神经网络系统，所述的控制方法具体包括以下步骤：
[0006] (1)彩色C⑶摄像机实时采集烧结矿机尾断面的可见光图像，红外C⑶摄像机实时 采集烧结矿机尾断面的红外图像，并将所述的可见光图像和红外图像发送给处理计算机；
[0007] (2)处理计算机对接收到的可见光图像和红外图像进行图像处理，并从可见光图 像中提取烧结矿机尾断面中红火层的几何特征数据，从红外图像中提取烧结矿机尾断面中 红火层的物理特征数据；
[0008] (3)将所述步骤⑵中提取的特征数据输入到模糊聚类系统中进行FeO含量等级 分类，并将等级分类结果以及步骤（2)中提取的特征数据输入到神经网络系统，进行神经 网络的训练；
[0009] (4)将彩色(XD摄像机和红外(XD摄像机采集的已进行FeO含量等级分类的实时 可见光图像和红外图像输入到已训练的神经网络系统，并进行仿真，获得实时图像的FeO 含量等级；
[0010] (5)将所述步骤（4)中获得的FeO含量等级、实时同步可见光图像和红外图像以及 步骤（2)中提取的特征数据发送到终端接口，调节烧结过程参数，控制烧结矿机尾断面FeO 含量。
[0011] 根据本发明的烧结矿机尾断面FeO含量的控制方法，所述的步骤（2)中，所述图像 处理包括图像平滑、顶帽变化、阈值分割、闭运算以及开运算。
[0012] 根据本发明的烧结矿机尾断面FeO含量的控制方法，所述的步骤（2)中，所述几何 特征数据包括红火层的位置、宽度以及面积，所述物理特征数据包括红火层气孔的平均灰 度及温度。
[0013] 根据本发明的烧结矿机尾断面FeO含量的控制方法，所述的步骤（3)中进行神经 网络训练的方法为：将提取的特征数据作为神经网络的输入值，将对应的等级作为神经网 络的输出值，选择合适的神经网络、隐含层和输出层个数、学习速率以及收敛算法训练神经 网络。
[0014] 本发明达到的有益效果：本发明可以快速地在线检测烧结机生产过程中烧结矿 FeO含量的等级分类，能对生产过程中异常烧结情况及时反馈，克服了以往判断过程滞后、 劳动强度大、仅凭人员主观经验判断等不足，对烧结矿的质量控制有明显的作用，同时能减 少固体燃料消耗。
【附图说明】
[0015] 图1是本发明的系统结构原理图；
[0016] 图2是本发明的控制方法流程图；
[0017] 图3是本发明断面可见光图像采取滤波平滑处理后的图像；
[0018] 图4是图3对应的二值化图像；
[0019] 图5是本发明等级分类结果图。
【具体实施方式】
[0020] 下面结合附图对本发明作进一步详细的说明。
[0021] 如图1所示，本发明的控制方法采用双CCD图像监测系统1采集烧结矿机尾断面 的图像，并通过处理计算机3对采集的图像进行图像处理，最后通过数据测量与分析系统2 对烧结矿FeO含量进行分析测量，所述双(XD图像监测系统1包括彩色CCD摄像机和红外 C⑶摄像机，所述数据测量与分析系统2包括模糊聚类系统和神经网络系统。
[0022] 如图2所示，本发明的控制方法具体包括以下步骤：
[0023] (1)彩色C⑶摄像机实时采集烧结矿机尾断面的可见光图像，红外C⑶摄像机实时 采集烧结矿机尾断面的红外图像，并将所述的可见光图像和红外图像发送给处理计算机；
[0024] (2)处理计算机对接收到的可见光图像和红外图像进行图像平滑、顶帽变化、阈值 分割、闭运算以及开运算等图像处理，并从可见光图像中提取烧结矿机尾断面中红火层的 位置、宽度及面积等几何特征数据，从红外图像中提取烧结矿机尾断面中红火层气孔的平 均灰度及温度等物理特征数据；
[0025] (3)将所述步骤（2)中提取的特征数据输入到模糊聚类系统中进行FeO含量等级 分类，并将等级分类结果以及步骤（2)中提取的特征数据输入到神经网络系统，将提取的 特征数据作为神经网络的输入值，将对应的等级作为神经网络的输出值，选择合适的神经 网络、隐含层和输出层个数、学习速率以及收敛算法进行神经网络的训练；
[0026] (4)将彩色(XD摄像机和红外(XD摄像机采集的FeO含量等级的实时可见光图像 和红外图像，并输入到已训练的神经网络系统进行仿真，获得实时图像的FeO含量等级；
[0027] (5)将所述步骤（4)中获得的FeO含量等级、实时同步可见光图像和红外图像以及 步骤（2)中提取的特征数据发送到终端接口，调节烧结过程参数，以控制烧结矿机尾断面 FeO含量。
[0028] 下面以宝钢不锈炼铁厂1#烧结机为例，对本发明的具体实施过程进行详细说明：
[0029] (1)在生产现场，双C⑶图像监测系统通过彩色(XD摄像机和红外C⑶摄像机分别 实时采集烧结矿机尾断面的大量可见光图像和红外光图像，并传输给处理计算机。
[0030] (2)处理计算机对接收到的可见光图像和红外图像进行图像平滑、顶帽变化、阈值 分割、闭运算以及开运算等图像处理，以便较为完整、清晰地观察和测量图像信息，如图3 和图4所示。
[0031] (3)从图像处理后的可见光图像中提取红火层在断面中的位置、宽度及面积等几 何特征，从图像处理后的红外图像中可以提取断面红火层气孔的平均灰度及温度等物理特 征，并将提取的特征数据输入到模糊聚类系统中进行FeO含量等级分类，具体过程如下：
[0032] 将提取的特征数据形成样本空间X = {Xl，x2, . . .，Xl，. . .，xn}，并输入到模糊聚类 系统中，采用模糊C均值方法（FCM算法），将特征数据分成c个类别，c为大于1的整数，定 义样本点Xl属于第j (1 < j < c)类的程度。
[0033] 样本空间X的模糊聚类用模糊矩阵W = (Wl j)描述（0彡Wl j彡1)，元素 Wl j是矩阵 W的第i行第j列元素