水泥回轉(zhuǎn)窯燒成狀態(tài)識別與熟料質(zhì)量指標(biāo)軟測量的研究.pdf

1、水泥熟料的煅燒是水泥生產(chǎn)過程中最為重要的一道工序，它直接影響水泥的產(chǎn)量和質(zhì)量。水泥熟料煅燒所使用的熱工設(shè)備被稱為回轉(zhuǎn)窯，它的主要功能是將生料漿燒結(jié)成合格的熟料，其運(yùn)轉(zhuǎn)情況直接決定水泥熟料的質(zhì)量。
　　回轉(zhuǎn)窯長達(dá)百米且處于不斷旋轉(zhuǎn)中，其結(jié)構(gòu)的特殊性和工藝的復(fù)雜性使得回轉(zhuǎn)窯燒結(jié)過程機(jī)理復(fù)雜，包括物料的物理化學(xué)反應(yīng)，燃料燃燒，氣體、物料、內(nèi)襯間傳熱，氣體、物料運(yùn)動等多個(gè)耦合過程。由于回轉(zhuǎn)窯燒結(jié)過程存在著熟料質(zhì)量指標(biāo)游離氧化鈣(f-CaO

2、)含量難以在線測量，與f-CaO含量密切相關(guān)的關(guān)鍵工藝參數(shù)燒成狀態(tài)難以準(zhǔn)確識別等難題，導(dǎo)致現(xiàn)有的回轉(zhuǎn)窯燒結(jié)過程仍處于“人工看火”開環(huán)操作階段，即看火操作人員通過觀察窯內(nèi)燒成帶狀況，輔以過程變量，識別當(dāng)前燒成狀態(tài)，繼而調(diào)節(jié)控制變量使得與f-CaO含量密切相關(guān)的被控變量位于適宜的范圍之內(nèi)，以實(shí)現(xiàn)生料的充分燃燒獲得合格的熟料。然而，人工燒成狀態(tài)的識別結(jié)果受到操作人員的經(jīng)驗(yàn)、責(zé)任心和關(guān)注度等主觀因素的制約，易造成熟料質(zhì)量指標(biāo)不穩(wěn)定、窯內(nèi)襯使用壽

3、命短、窯運(yùn)轉(zhuǎn)率低、產(chǎn)能低、能耗高、人工勞動強(qiáng)度大等問題。
　　燒成帶火焰圖像中蘊(yùn)含豐富的燒成帶溫度場信息和熟料燒結(jié)狀況信息，連同過程數(shù)據(jù)信息是目前看火操作人員識別燒成狀態(tài)的主要依據(jù)。適宜的燒成狀態(tài)意味著合格的熟料，因此，熟料質(zhì)量指標(biāo)與燒成狀態(tài)之間有著緊密的關(guān)聯(lián)性。然而，受窯內(nèi)煤粉煙塵的影響，燒成帶火焰圖像中感興趣區(qū)域之間存在強(qiáng)烈耦合，邊界模糊不清，加之過程數(shù)據(jù)包含大量復(fù)雜噪聲，之前基于圖像分割技術(shù)或基于過程變量的燒成狀態(tài)識別技術(shù)和

4、熟料質(zhì)量指標(biāo)軟測量的方法精度不高。因而，融合燒成帶火焰圖像和過程數(shù)據(jù)信息，研究基于圖像處理和機(jī)器學(xué)習(xí)理論的回轉(zhuǎn)窯燒成狀態(tài)識別和熟料質(zhì)量指標(biāo)軟測量的新方法和新技術(shù)，具有重要意義。這項(xiàng)研究將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于工程實(shí)踐，真正實(shí)現(xiàn)“機(jī)器看火”取代“人工看火”，為實(shí)現(xiàn)水泥回轉(zhuǎn)窯燒結(jié)過程的監(jiān)控和熟料質(zhì)量指標(biāo)的閉環(huán)控制奠定基礎(chǔ)。
　　本文以水泥回轉(zhuǎn)窯為研究對象，以提高燒成狀態(tài)識別和熟料質(zhì)量指標(biāo)軟測量精度為目標(biāo)，重點(diǎn)研究了燒成帶火焰圖像和過程數(shù)據(jù)

5、的處理與分析技術(shù)，開展了基于圖像處理和機(jī)器學(xué)習(xí)的燒成狀態(tài)識別和熟料質(zhì)量指標(biāo)軟測量的研究，取得了以下成果:
　?、籴槍χ盎趫D像分割技術(shù)識別燒成狀態(tài)的缺陷，首先提出了一種壓縮Gabor濾波器組設(shè)計(jì)方法對具有不同紋理特性的火焰圖像感興趣區(qū)域進(jìn)行濾波預(yù)處理，增強(qiáng)其可區(qū)分性以有利于燒成狀態(tài)的識別;然后提出了不采用圖像分割技術(shù)直接對火焰圖像進(jìn)行特征提取和選取的方法，基于多變量圖像分析(MIA)提取感興趣區(qū)域的色彩特征，基于改進(jìn)的主成份分析

6、(PCA)提取感興趣區(qū)域的全局形態(tài)特征，基于比例不變特征變換算子(SIFT)結(jié)合視覺字典本(BoVW)和改進(jìn)的潛在語義分析(LSA)提取感興趣區(qū)域的局部形態(tài)特征;將所提取的三種火焰圖像特征分別送入概率神經(jīng)網(wǎng)絡(luò)(PNN)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)(SVM)和超級學(xué)習(xí)機(jī)(ELM)四種模式分類器進(jìn)行燒成狀態(tài)的識別，以探究不同模式分類器對于特征空間的劃分能力;最后給出了一種基于模糊積分的燒成狀態(tài)融合方法，對三類火焰圖像特征的燒成狀態(tài)

7、識別結(jié)果進(jìn)行決策級融合，避免特征級融合可能帶來的“維數(shù)災(zāi)”現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，本文提出的壓縮Gabor濾波器組設(shè)計(jì)方法可以有效的增強(qiáng)感興趣區(qū)域之間的可區(qū)分程度;基于獨(dú)立特征設(shè)計(jì)的模式分類器，三類火焰圖像特征的最佳燒成狀態(tài)識別結(jié)果分別為85.55％、88.57％及92.12％;當(dāng)選取PNN時(shí)，三類火焰圖像特征決策級融合的最佳燒成狀態(tài)識別結(jié)果為95.37％，優(yōu)于基于單一火焰圖像特征、圖像分割技術(shù)和其它融合方法的燒成狀態(tài)識別結(jié)果。
　　

8、②針對識別燒成狀態(tài)時(shí)過程數(shù)據(jù)作為火焰圖像的重要補(bǔ)充信息，首先提出了一種改進(jìn)的基于中值數(shù)的濾波器，消除過程數(shù)據(jù)的噪聲干擾;然后提出了一種基于KPLS的最優(yōu)壓縮過程數(shù)據(jù)特征向量子集的提取方法，消除過程數(shù)據(jù)可能存在的共線性和非線性特性問題;將所提取的過程數(shù)據(jù)特征向量分別送入PNN、BPNN、SVM和ELM四種模式分類器進(jìn)行燒成狀態(tài)的識別;最后給出了一種基于模糊積分的燒成狀態(tài)融合方法，對火焰圖像燒成狀態(tài)識別結(jié)果和過程數(shù)據(jù)燒成狀態(tài)識別結(jié)果進(jìn)行決策

9、級融合。實(shí)驗(yàn)結(jié)果表明，所提出的改進(jìn)的中值數(shù)濾波器較傳統(tǒng)中值濾波器可以去除過程數(shù)據(jù)中由于突變性擾動或尖脈沖干擾導(dǎo)致的過失數(shù)據(jù)，并可以去除隨機(jī)噪聲;基于設(shè)計(jì)的最佳模式分類器，過程數(shù)據(jù)特征向量的最佳燒成狀態(tài)識別結(jié)果為92.56％;火焰圖像和過程數(shù)據(jù)決策級融合的最佳燒成狀態(tài)識別結(jié)果在選取PNN時(shí)為96.67％，明顯優(yōu)于單獨(dú)采用火焰圖像和過程數(shù)據(jù)的燒成狀態(tài)識別結(jié)果，真正實(shí)現(xiàn)了“機(jī)器看火”取代“人工看火”，為進(jìn)一步實(shí)現(xiàn)回轉(zhuǎn)窯燒結(jié)過程的監(jiān)控提供了技術(shù)

10、支持。
　?、坩槍κ炝腺|(zhì)量指標(biāo)f-CaO含量不能在線測量的難題，提出了一種基于火焰圖像和過程數(shù)據(jù)的熟料質(zhì)量指標(biāo)f-CaO含量軟測量方法，首先對火焰圖像和過程數(shù)據(jù)進(jìn)行濾波預(yù)處理，然后提取火焰圖像感興趣區(qū)域的色彩特征、全局形態(tài)特征和局部形態(tài)特征，結(jié)合濾波后的過程數(shù)據(jù)組成f-CaO含量軟測量模型的輸入向量，以f-CaO含量的化驗(yàn)值作為導(dǎo)師信號，利用KPLS提取潛在變量作為特征向量，送入ELM回歸器和支持向量回歸器(SVR)分別建立f-C

11、aO含量的軟測量模型。實(shí)驗(yàn)結(jié)果表明，當(dāng)選取ELM回歸器時(shí)，本文方法f-CaO含量軟測量的RMES=0.0638，擬合優(yōu)度為0.9987，優(yōu)于基于SVR回歸器方法的結(jié)果、基于PLS特征提取方法的結(jié)果和直接對特征進(jìn)行軟測量方法的結(jié)果，為實(shí)現(xiàn)回轉(zhuǎn)窯燒結(jié)過程熟料質(zhì)量指標(biāo)的閉環(huán)控制奠定了堅(jiān)實(shí)的基礎(chǔ)。
　　本文針對復(fù)雜工業(yè)過程建模問題，運(yùn)用圖像處理和機(jī)器學(xué)習(xí)技術(shù)，深入地研究了水泥回轉(zhuǎn)窯燒成狀態(tài)的識別方法和熟料質(zhì)量指標(biāo)的軟測量方法。實(shí)驗(yàn)結(jié)果表明