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 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: 本系統連接了燒結機 PLC，在獲取了其燒結過程參數后，通過分析機尾斷面形態以及燒結過程參數與燒結礦質量之間的關系，運用加權支持向量機( W － SVM) ，可得出燒結礦質量的判定結果。并可將得到的燒結礦質量判定結果以及對應斷面圖片存儲到數據庫中，利用遠程訪問客戶端，實現遠程訪問。該系統在國內某大型鋼鐵廠運行將近半年的時間內，不僅表現出了較高的判定效率，而且提高了燒結礦質量判斷的準確性。

關鍵詞: 燒結礦; 燒結參數; 機尾斷面圖像; 支持向量機; 多參量; 質量判定; 數據庫

1 前 言

燒結生產工藝過程的環境條件惡劣，給人工觀測帶來諸多健康隱患。整個生產工藝的機理也十分復雜，對燒結過程參量的調整稍有不慎就會影響燃料利用率、返礦率等，從而影響燒結的產量和質量，燒結質量又將直接影響高爐煉鐵及煉鋼^{［1 －2］}。通過多年的燒結實踐發現，在眾多燒結礦質量影響的因素中，轉鼓強度以及 FeO 含量的穩定性所起的作用最大。所以，隨著市場對大量廉價高質量鐵礦的需求，以及高爐要想更加經濟、高效、環保的煉鐵、煉鋼的需要，轉鼓強度和 FeO 含量穩定性等指標的監控 以 及 對 燒 結 參 數 的 調 節 顯 得 越 來 越重要^{［3 －4］}。

雖然國內外一直進行著對影響轉鼓強度和FeO 含量穩定性條件的探究，但是，一直沒有找到一種又準確、又能實時有效地判斷燒結礦質量的方法。通過對國內某大型鋼鐵廠燒結生產工藝的調研和探究，研發出了基于機尾斷面形態及過程參數的燒結礦質量判定系統。通過連接燒結機 PLC 獲取燒結過程參數，及通過在機尾架設可見光和紅外相機獲得機尾斷面形態特征及溫度分布等信息。把機尾斷面信息與燒結過程參數相結合，更加全面、準確地判斷燒結礦質量。將得到的燒結礦質量判定結果以及對應斷面圖片存儲到數據庫中，利用遠程訪問客戶端，實現遠程訪問。

2 燒結礦質量判定系統

2. 1 系統整體架構

燒結礦質量判定系統整體架構如圖 1 所示。可見，系統通過連接燒結機 PLC 獲取燒結參數、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。數據庫建立在戴爾工作站中，廠區辦公室中安裝遠程訪問客戶端軟件的 PC 機 ( 工廠外部網絡是待功能擴充區域)就能連接局域網實現對燒結礦質量檢測結果的訪問。

2. 2 燒結礦質量判定系統主程序

本系統主程序功能模塊安裝在控制室，其燒結礦質量判定主程序界面如圖 2 所示。本系統可以實現圖 2 所標示的功能。

2. 2. 1 間暈補償

本系統采用 CCD 攝像機采集機尾斷面圖像，由于 CCD 具有畸變小、系統噪聲低及壽命長等優點，在冶金、化學化工、區域監控以及交通監控等領域得到了廣泛的應用。但是，每臺攝像機的均勻性不一樣，比如瑕點、光電響應的非均勻性等。本系統自帶瑕點修復工具，原理一般是采用自適應鄰域灰度值的方法計算修復。因此，系統主要對攝像機光響應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壁材料上，經過多次反射后很均勻地散射在積分球內部^［5］。積分球內部平整均勻，攝像機采集的圖片的灰度值呈現出中間高邊緣暗的現象。

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，相機采集的灰度值在顯示前乘以對應的補償系數，以實現對攝像機的間暈補償。

2. 2. 2 判斷燒結礦過、欠燒狀態

燒結過程中風箱往下抽風，由于燒結礦燃燒，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，這時的紅火層出現在物料的底層。由于生產工藝、原料配比等會隨著生產的需要而頻繁變化，燒結終點的前移、后移現象時有發生。燒結終點與過、欠燒狀態如圖 3 所示。

由圖 3 可知，燒結終點的位置決定了過、欠燒的狀態。選取點火處和機尾附近部分可能出現溫度峰值的風箱溫度數據就能判斷出燒結礦的過、欠燒狀態。如果機尾斷面正常，南、北側風箱溫度峰值都在 18 # 風箱，則說明燒結正常; 如果峰值溫度出現在 18 # 風箱之后，燒結終點后移，則出現的是欠燒現象; 如果峰值溫度出現 在 18 # 風 箱 之 前，則 出 現 的 是 過 燒 現象^{［6 ～8］}。南、北側風箱的具體位置見表 1。

2. 2. 3 圖像的采集與分析

系統需要自動識別并保存燒結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。圖像數據在計算機中是連續有序的數字信息，研究中把這些有序排列的數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，但是一段時間內這些分布會因為燒結條件的一致性呈現出一定的規律。研究中取 20 張畫面，取其平均亮度作為紅火層亮度。

( 2) 紅火層的連續程度。研究中把紅火層橫向亮度分布面積的連續性叫做紅火層的連續程度。本系統攝像機為1 080 P，其像素點寬度為 1 920，如果橫向連續像素點個數 C = 1 920，表明其連續程度最好，燒結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

根據有經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礦質量有指導意義^{［9 ～11］}。所以，引入了斷面橫向燒結均勻性的概念。斷面橫向燒結均勻性由紅火層區域亮度垂直投影分布的方差決定，橫向燒結均勻性越好，方差越小，反之方差越大。本系統燒結斷面的紅火層區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域亮度的 ( 兩條白線之間的區域) 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 為紅火層的連續程度。

因此，方差 E 的值越小表明其橫向燒結均勻性越好。

2. 2. 5 FeO 含量和轉鼓指數判定

機器學習是一種使計算機像人類一樣，可以通過收集數據進行歸納、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據結果進行收集、分析和判斷，勢必會帶來數據的冗余，影響以后的判斷。所以要引入加權支持向量機 ( W － SVM) ，它可以控制置信范圍及經驗風險等，使機器學習能應對新的數據注入，提高最終判斷的效率和精度。

由于加權支持向量機的這些優點，其在近些年機器 學 習 中 得 到 了 越 來 越 多 的 關 注 和認可^{［12 ～14］}。

對于具體訓練誤差的要求，有些對早期數據的依賴性更強，如對股市或者期貨的預測等。這些數據不需要很高的訓練誤差，可以運用加權支持向量機，對不同的樣本使用不同的系數，系統中把這個系數叫做懲罰系數 C。

( 1) 對 懲 罰 系 數 C 加 權，其 最 優 化 問題為:

機尾斷面橫向均勻性、溫度分布等特征參數和 PLC 得到的燒結過程中風箱溫度、煙道負壓等參數傳遞給支持向量機，就能進行機器的學習和訓練 ( 圖 5) 。

經過一定時間的數據積累，FeO 含量和轉鼓指數的判定模型可形成。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的轉鼓強度也不同。輸入不同燒結過程參數和機尾斷面特征信息，可得到對應的 FeO 含量和轉鼓指數。按照 FeO 含量、轉鼓指數的多少可分為好、中、差三個等級，分別見表 2 與表 3。

2. 3 系統數據庫客戶端功能模塊

為了方便遠程訪問，系統設計了遠程訪問客戶端，其界面與功能如圖 6 所示。

3 燒結礦質量判定系統的應用效果

系統運用 OPC 通信和 SQL Server 技術，通過 VS2010 編程實現。在與國內某大型鋼鐵股份有限公司合作實踐運行的一段時間內，表現出了在判定效率和判定準確率方面的優勢。FeO含量、轉鼓強度化驗結果與本系統判定結果對比分別如圖 7、圖 8 所示。可見，FeO 含量90%的判定數據與化驗數據相符合; 轉鼓強度判斷有 91%與化驗數據相符合。綜合分析 FeO含量與轉鼓強度，本系統對燒結礦質量等級的判定結果 93%與化驗分析結果相符合。

4 結 論

( 1) 系統引入斷面形態特征，采用加權支持向量機 ( W － SVM) 使系統能夠實時、有效地判定 FeO 含量、轉鼓強度以及燒結等級。

( 2) 系統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現場的實時情況。

( 3) 系統采用 SQL Server 技術，建立了數據庫，開發了遠程訪問客戶端，實現了讓工程技術人員遠距離查看燒結生產的歷史數據，節省了大量的時間，促進了信息的共享，為調整燒結過程參數、優化燒結生產工藝提供了便利條件，有助于提高燒結礦質量。

參考文獻

［1］ 柳黎光． 冶金系統綜合節能減排新技術的研究及應用［J］． 通用機械． 2011( 11) : 17 ～18．

［2］ 龍金福，陳子林． 湘鋼 1 號 90 m 2 燒結機降低固體燃耗的實踐［J］． 燒結球團，2001，26( 6) : 39 ～40．

［3］ 石畑翚． 燒結礦 FeO 含量的研究［J］． 燒結球團，2004，29( 3) : 46 ～51．

［4］ I． R． 達什，王佐泉． 燒結過程的模擬［J］． 燒結球團，1980，( 6) : 82 ～89．

［5］ 杜傳耀，張春波． 利用積分球對 CCD 線性和面均勻性的標定［J］． 計測技術，2014，34( 6) : 54 ～56．

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

［7］ 廖環宇． 燒結過程燒結終點智能控制策略及工業應用［D］． 長沙: 中南大學，2010．

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

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

［10］ 劉征建，左海濱，國宏偉，等． 燒結機尾斷面監視系統的應用與發展( 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礦 FeO 含量在線檢測方法［J］． 燒結球團，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． 神經網絡與支持向量機相關問題研究［D］． 上海: 復旦大學，2005．

［14］ 金焱，褚政，張瑾． 改進加權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．