基于图像处理及模糊C均值聚类的烧结矿FeO含量实时检测系统的研究

摘要

随着我国经济的快速发展，客观上加剧铁矿石短缺的矛盾。天然优质富铁矿是不可再生资源，随着开采的进行，富矿储量会逐年降低。贫铁矿是品质比较低劣的矿石，它不能直接入炉炼铁，必须先将铁矿石炼成烧结矿；同时，随着高炉大型化和冶炼技术的提高，对精料提出更高的要求，现在用于入炉炼铁的铁矿石大部分都是烧结矿。可见，烧结矿的生产变得更加重要。
　　 获得烧结矿化学成分的方法很多，包括看火工师傅肉眼的判断、化学检验方法等。人工判断方法是看火工师傅直接观察机尾图像，对烧结矿中各参数定性分析，控制生产过程的进行。化学检验方法结果精确，但是从混合物料烧结到物料冷却、化验需要2-3个小时[1]。人工判断容易疲劳且智能化程度太低，化验结果具有滞后性，不能实时控制，它们都存在明显的不足和缺陷。
　　 近年来，人们对烧结矿性能的预报和烧结矿过程的优化控制进行大量的研究[2][3][4][5]。市面上也出现了利用传统建模方法构建的机理性烧结矿预测模型。这种方法的缺陷是参数多，求解时间过长，模拟精度难以满足工业生产过程的要求，不能实现实时、在线推断。因此开发出一套能自动实时在线检测烧结矿中FeO含量的系统是非常必要的。本文根据一组反映FeO含量的特征，利用模糊C均值聚类(FCM)和BP神经网络[6]相结合的方法来实时预报烧结矿FeO含量。首先，利用FCM算法对断面图像按一定的特征聚类，把聚类结果按有效特征分成3类，将各类输入到BP神经网络中进行训练，得到训练的神经网络。其次，利用训练完成的BP神经网络就可以对未分类烧结矿进行等级预测。此方法能及时调整生产过程中的工艺参数，实现烧结过程的优化控制。最后，对模塑训练和结果预报进行分析和讨论。实验表明，模型预测FeO含量和实验室化验的结果很好的吻合。