监测高炉布料周期煤气流发展过程及预测煤气利用率方法

摘要

本发明公开了监测高炉布料周期煤气流发展过程及预测煤气利用率方法；该方法包括以下步骤：（1）数据的采集与处理；（2）红外图像处理；（3）图像特征提取；（4）建立布料周期煤气流分布的动态变化模型；（5）煤气流中心特征提取；（6）图像和料面的位置定标；（7）建立布料周期煤气流中心动态变化模型；（8）建立煤气利用率预测模型；该方法通过对采集的炉顶红外图像处理，利用聚类算法、统计方法、特征识别技术和模式识别技术，实现对布料周期煤气流分布状态和煤气流中心在料面落点分布的动态跟踪，并利用神经网络算法挖掘布料周期煤气流发展过程与煤气利用率之间的关系，实现对煤气流利用率的实时预测，为实现智能生产提供帮助。

说明书

技术领域

本发明涉及冶金工业智能生产与监控领域，特别涉及一种监测高炉布料周期煤气流发展过程及预测煤气利用率的方法。

背景技术

高炉炼铁是典型的“黑箱”生产，使操作者很难了解到煤气流的动态变化。每座高炉在一定原料条件下都有适合自己最佳的“布料周期”煤气流发展过程（包括煤气流分布的动态变化过程和煤气流中心的动态变化过程），合理的“布料周期”煤气流发展过程是保证高炉炉料顺行、物理化学反应正常进行以及提高煤气利用率的重要条件。目前，高炉操作者主要通过各种传感器和机械设备获取的高炉生产信息和长期积累的经验进行调控生产，这种调控模式受到操作者主观因素很大，而且很难实现智能生产。

近年来，学者们通过高炉监控系统产生的数据建立数学模型，有一部分学者利用部分数据分析料面温度场的分布以及温度场与炉况之间的关系，这种做法都不具有统计性，准确性和普遍性；还有一部分学者以小时为单位分析煤气流的分布情况与利用率之间的关系，这种做法不能反映煤气流的动态变化，不能很好的应用到实际高炉生产中。事实表明，大量的数据背后隐藏着非常重要的价值信息。本发明的核心技术就是对大量红外视频数据统计分析，利用统计方法和模式识别技术对布料周期煤气流分布的动态变化和煤气流中心的动态变化进行实时跟踪，并利用神经网络算法挖掘其与煤气利用率之间的价值信息，从而实现高炉炼铁的智能监控和预测。

发明内容

本发明的目的是为了解决“布料周期”煤气流发展过程难以跟踪识别以及煤气流发展过程与煤气利用率之间的关系难以确定的问题，提供了一种监测高炉布料周期煤气流发展过程及智能预测煤气利用率方法；该方法通过对采集的炉顶红外图像处理，利用聚类算法、统计方法、特征识别技术和模式识别技术，实现对布料周期煤气流分布状态和煤气流中心在料面落点分布的动态跟踪，并利用神经网络算法挖掘布料周期煤气流发展过程与煤气利用率之间的关系，实现对煤气流利用率的实时预测，为实现智能生产提供帮助；本发明能够实时检测煤气流发展过程以及预测煤气流利用率，使高炉布料操作实现在线监测、可视化控制以及智能预测。

本发明通过以下技术方案来实现：一种监测高炉布料周期煤气流发展过程及预测煤气利用率方法，包括以下步骤：

（1）数据的采集与处理：在某钢厂在线采集三个月的高炉炉顶红外视频生产数据、探尺测量数据以及每个布料周期的煤气利用率，通过软件将视频转成每秒24帧的灰度图像；

（2）红外图像处理：对步骤（1）中得到的图像进行批量叠加处理，得到每小时3600帧(1帧/秒)的煤气流的红外图像；将叠加后的图像通过梯度插值化处理，去除非料面信息；插值化处理得到的图像进行滤波处理，采用小波变换和均值滤波相结合的滤波方式，除去噪音和脉冲的干扰；得到比较清晰的红外图像；

（3）图像特征提取：求解每一帧图像对应的奇异值，提取奇异值的前15%构成向量来代表该图像，该向量称为图像特征向量；

（4）建立布料周期煤气流分布的动态变化模型：具体过程通过以下过程进行实现：

（4.1）引入“高炉布料周期”的概念：由布料开始到下一次布料开始的时间称为一个高炉布料周期；将高炉布料周期又划分为高炉布料期和高炉煤气流发展期；

（4.2）利用图像特征向量进行图像分类：提取3600×24×90帧图像特征向量，即三个月视频数据，利用bisectingk-means聚类方法进行聚类分析，得到不同的类别并求出各个类别的聚类中心向量；

（4.3）煤气流分布的状态模型：用（4.2）得到的各类聚类中心向量计算每一类图像具有的平均能量，按照各类平均能量的大小划分煤气流分布状态，能量最小的类别属于的第一状态，依次为第二、第三、第四、第五、第六状态；

（4.4）确定煤气流分布的动态变化特征向量：通过上述建立的煤气流分布状态模型计算出每个布料周期煤气流分布各状态所持续的时间构造向量，该向量称为煤气流分布的动态变化特征向量；

（5）煤气流中心特征提取：由于煤气流在不同分布状态下所对应红外图像灰度值的取值范围不一致，因此不同的煤气流分布状态采用不同的阈值对滤波图像进行全局分割，得到煤气流中心所在的亮带区域，将亮带区域的质心坐标定义为煤气流中心在图像上的坐标；

（6）图像和料面的位置定标：红外摄像仪在拍摄料面时，拍摄平面和成像平面之间有一个倾斜角度导致拍摄的红外图像有一定的倾斜变形，因此需要将图像的像素点和料面进行位置定标，得到煤气流中心在料面上的实际位置，并将其投影到炉喉平面上；

（7）建立布料周期煤气流中心动态变化模型：具体实现过程如下：

（7.1）根据上述得到的煤气流中心在炉喉平面上的位置，求出每一个布料周期煤气流分布各状态的煤气流中心的质心坐标；

（7.2）引入“煤气流中心偏移度和偏移方向”的概念，计算各个状态煤气流中心的偏移度和偏移方向，对煤气流中心进行量化处理:

其中R为高炉炉喉半径，为第t个布料周期下的第i状态在料面上的横（纵）坐标，为第t个周期下第i状态煤气流中心的偏移度，第t个布料周期下第i状态煤气流中心的偏移方向，利用向量表示第t个布料周期煤气流的中心动态变化特征；

(8)建立煤气利用率预测模型：每个布料周期煤气流分布动态变化特征向量和煤气流中心动态变化特征向量组成新的向量表示布料周期煤气流发展动态过程；利用径向基神经网络挖掘布料周期煤气流发展过程与对应煤气利用率之间关系，实现对煤气利用率的实时预测，为高炉智能布料提供帮助。

本发明的有益效果在于：（1）通过建立的布料周期煤气流分布的动态变化模型和布料周期煤气流中心动态变化模型，对煤气流分布状态和煤气流中心变化进行实时跟踪；（2）通过布料周期煤气流发展过程与煤气利用率之间的关系，实现布料周期煤气利用率的实时预测；也为高炉智能布料提供了一种优化算法；（3）本发明提供的方法可以使高炉提高生产效率，实现节能降耗。

附图说明

图1是本发明实施例步骤1得到的高炉红外图像（灰度图）。

图2是本发明实施例步骤2红外图像处理后得到的图像。

图3是本发明实施例步骤（4.3）得到的布料周期各个时刻煤气流分布状态图。

图4是本发明实施例步骤（4.4）某时间段煤气流分布状态跟踪图。

图5是本发明实施例中步骤（5.2）的图像位置图。

图6是本发明实施例中步骤（6.3）的红外摄像平面图。

图7是本发明实施例中步骤（6.3）实际拍摄料面与红外图像的对应关系图。

图8是本发明实施例中步骤（6.3）某一布料周期煤气流各发展状态的煤气流中心在炉喉平面上的位置分布图。

图9是本发明的流程示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合实施例对本发明作进一步的详细介绍，以下所述，仅用以说明本发明的技术方案而非限制。

本发明采集某钢厂高炉（2500m³）2013年10月至12月的生产数据进行研究；提供了一种监测高炉布料周期煤气流发展过程及智能预测煤气利用率的方法；包括以下步骤：（1）数据的采集与处理；（2）红外图像处理；（3）图像特征提取；（4）建立布料周期煤气流分布的动态变化模型；（5）煤气流中心特征提取；（6）图像和料面的位置定标；（7）建立布料周期煤气流中心动态变化模型；（8）建立煤气利用率预测模型。

1、数据的采集与处理

本发明采用数据主要有三个月内的高炉炉顶红外视频数据、红外摄像仪的安装参数和自身参数、各个布料周期内的平均煤气流利用率以及探尺测量数据；如图1所示是对在线采集到高炉红外视频通过软件处理得到的每秒24帧红外图像。

2、红外图像处理

对上述得到的红外图像进行一系列处理得到较为理想红外图像（如图2），具体过程如下：

（2.1）图像叠加处理

对同一秒内24帧图像进行叠加处理，获得1帧/秒（3600帧每小时）的红外图像；通过图像叠加处理，减少了后续处理的数据量，且不丢失图像有用信息；

（2.2）图像非料面信息的处理

将红外图像上采样时间“2013-12-1504:00:00”以及“通道三”等非料面信息通过梯度插值化处理，除去图像的干扰信息，使图像信息更加准确；

（2.3）图像滤波处理

高炉炼铁是一个高度复杂的物化反应过程，而红外图像又很容易受到拍摄环境影响，如噪音和脉冲干扰，故需要对红外图像进行滤波处理；红外图像主要产生的是高斯白噪音，用均值滤波处理具有很好的去噪效果，但是均值滤波存在固有的缺陷，在去噪的同时也破坏了图像的细节部分；为了解决这一问题，本发明将小波变换和均值滤波相结合，对图像进行滤波处理；这样既能降低噪声，又能保持图像的细节部分；具体步骤如下：

Step1：对含有噪声的图像进采用小波基bior1.5进行一层小波分解，得到3个高频细节子图像和1个低频细节子图像；

Step2：对3个高频细节子图像分别进行均值滤波，处理后存储图像；

Step3：将Step2得到3个高频细节子图像与低频细节子图像进行重构，得到去噪后图像。

3、图像特征提取

将上述滤波处理后得到的红外图像像素矩阵（）记为；该矩阵对应的奇异值隐藏着图像所有的信息，且信息重要性和奇异值大小呈现正相关；因此，像素矩阵可分解为：

式（1-2）中Σ为对角矩阵，其对角线元素为X的288个奇异值，按照顺序记为：

；

通过以往研究发现奇异值的前15%基本涵盖了原图像信息，因此，取向量来代表第t时刻的图像特征，称为图像特征向量。

4、建立布料周期煤气流分布的动态变化模型

（4.1）引入“高炉布料周期”的概念：由上次布料开始到下次布料开始称为一个高炉布料周期；高炉布料周期分为高炉煤气流发展期和高炉布料期（布料期约占煤气流发展期得5%，所以本发明只针对煤气流发展期进行研究）；

（4.2）利用图像特征向量进行图像分类：利用bisecting k-means聚类方法对进行聚类，得到不同的类别（本发明聚为6类）并求出各个类别的聚类中心向量，每一种类别代表一种煤气流分布状态；

（4.3）煤气流分布的状态模型：已知一帧红外图像对应一个像素矩阵X，矩阵X的能量E可以用矩阵Frobenius范数表示，即，则：

由式（1-3）可以看出，图像的能量可以用奇异值来表示；因此，上述得到的聚类中心向量可以代表第i类图像具有的平均能量特征；通过公式(1-3)得到各类的平均能量，利用的大小对煤气流分布状态进行划分，能量最小的类别属于的第一状态，依次为第二、第三、第四、第五、第六状态；利用该方法得到布料周期各个时刻煤气流分布状态，如图3所示；

（4.4）煤气流分布状态的动态跟踪：根据上述建立的模型对煤气流的分布状态进行动态跟踪，如图4所示某时间段煤气流分布状态跟踪图（2013/12/821：08：10—2013/12/821：08：10）；

表1是图4中连续七个布料周期各状态所处时间统计结果

单位：秒

（4.5）确定煤气流分布的动态变化特征向量：首先通过上述建立的煤气流分布的状态模型确定出各个时刻煤气流的分布状态，然后统计出每个布料周期煤气流分布各状态所处时间构成向量，如表1所示；利用向量来代表第t个布料周期煤气流分布的动态变化特征，该向量称为煤气流分布的动态变化特征向量。

5、煤气流中心特征提取

根据高炉的实际生产可知，煤气流的中心的动态变化能够反映高炉的运行状况以及煤气流的利用率；由高炉冶炼原理可知，煤气流越强的地方温度越高，即高温区域就是煤气流中心所在区域；由于煤气流在不同分布状态下红外图像的灰度值的取值范围不一致，故对滤波图像分状类进行全局阈值分割，得到煤气流中心所在的亮带区域，求出亮带的质心像素坐标作为煤气流中心在图像上的位置；具体步骤如下：

（5.1）对图像进行分类阈值分割：本发明采用不同阈值对煤气流分布各状态的红外图像分别进行全局阈值分割。设定各类图像分割阈值，得到二值图像，其中表示煤气流发展状态的个数；

式（5-1）中为第i发展状态下像素点的灰度值，为第i发展状态分割后的图像；

（5.2）煤气流中心特征提取：已知图像的大小为,以图像中心为原点建立直角坐标系（如图5），求（5.1）中得到的煤气流中心所在亮带区域的中心坐标作为煤气流中心在红外图像上的坐标。

6、图像和料面的位置定标

红外摄像仪在拍摄料面时，拍摄平面和成像平面之间有一个倾斜角度导致拍摄得到的红外图像法有一定的倾斜变形，因此需要将图像各个像素点和实际料面进行位置定标，得到煤气流中心在料面上的实际位置；具体步骤如下：

（6.1）建立世界坐标系：为了确定红外摄像仪及动态变化的料面位置，本发明建立了统一的世界坐标系；设高炉炉喉平面中心为坐标原点（0，0，0），在高炉炉喉平面中平行于拍摄平面和成像平面交线为X轴，在高炉炉喉平面中垂直于料面和成像平面交线为Y轴，垂直高炉炉喉平面自上而下的方向为Z轴正方向；

（6.2）确定料面位置：探尺是测量高炉料面变化的装置，其初始位置在炉喉上方h处，测量值为H；高炉料面形状对红外图像影响较小，因此本发明建立的模型中假设料面为水平,这样料面上任一点Q,在上述建立的坐标中的位置为；

（6.3）图像和料面的位置定标：图6中O₁红外摄像仪拍摄位置，O₂摄像仪拍摄焦点（图像中心点在料面的位置），O₃为高炉炉喉料面中心，D为炉喉料面中心在图像上的位置，拍摄平面和成像平面夹角度为，摄像仪拍摄广角为，QH为炉喉料面，KH为料面距炉喉平面的距离，O₁L和O₁B为安装距离；结合摄像仪的成像参数经过投影计算，得到实际拍摄料面与红外图像的对应关系(如图7所示)；将（5.2）中得到的煤气流各分布状态下的煤气流中心坐标对应该关系，得到煤气流中心在料面上的实际位置坐标,并将该坐标投影到炉喉平面上；图8所示的是某一布料周期煤气流各发展状态的煤气流中心在炉喉平面上的位置。

7、建立布料周期煤气流中心动态变化模型

（7.1）根据（6）得到的煤气流中心在炉喉平面上的坐标，求出每个布料周期各分布状态下的煤气流中心的质心坐标；

（7.2）引入“煤气流中心整体偏移度和整体偏移方向”的概念，计算各个状态下煤气流中心整体的偏移度和偏移方向，对煤气流各分布状态的中心进行量化处理:

上式中，R为高炉炉喉半径，为第t布料周期的第i状态煤气流中心点的质心在炉喉平面上的横（纵）坐标，为第t布料周期的第i状态煤气流中心的整体偏移度，为第t个布料周期的第i状态煤气流中心的整体偏移方向；利用向量表示第t布料周期煤气流中心动态变化特征，该向量称为煤气流中心动态变化特征向量；表2为某一布料周期煤气流各分布状态下煤气流中心整体位置统计结果；

表2某一布料周期煤气流各分布状态下煤气流中心整体位置统计结果

（7.3）布料周期煤气流中心动态跟踪：利用表示第t布料周期的第i状态煤气流中心点的质心在炉喉平面上的位置坐标，根据该坐标对煤气流中心进行动态跟踪。

8、建立煤气利用率预测模型

在高炉的实际生产中，煤气利用率是反应高炉运行状态的重要标志，不同的布料周期煤气流发展动态变化对应不同的煤气利用率，因此挖掘布料周期煤气流发展过程与对应煤气利用率之间的关系，对预测煤气利用率实现智能炉料具有重要意义。

利用每个布料周期煤气流分布动态变化特征向量（）和煤气流中心动态变化特征向量（）组成新的向量表示第t个布料周期煤气流发展动态变化特征，其中m为布料周期的个数，称为布料周期煤气流发展动态变化特征向量。利用预测对应的平均煤气利用率，具体步骤如下：

Step1: 设样本集为,其中m为样本数量；将样本集的90%作为训练集，剩余的10%作为测试集；

Step2:利用公式（8-1）将所有数据进行归一化处理，将数据转到区间[0,1]上；

Step3：利用MATLAB自带的神经网络工具提供的函数快速创建一个径向基神经网络，通过训练集数据对径向基神经网络进行训练；

Step4:将测试集输入训练后的神经网络模型，如果模型预测精度未达到预定值，则增加训练数据，直到模型预测的精度达到预定值，保存网络结构，用于实际的高炉生产中，指导高炉布料。

说明：（1）本发明采用的数据样本越大，红外摄像监控越精确，对高炉炉况的判定和煤气流的预测也是越准确的；

（2）本发明可以对高炉煤气流的发展进行实时跟踪，给高炉操作者给出及时的高炉运行信息。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行和修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。