CN102732660A - 一种基于多源信息融合的料面温度场检测方法 - Google Patents

Abstract

本发明公开了一种基于多源信息融合的高炉料面温度检测方法，针对高炉内部料面温度无法有效检测的问题，利用高炉已有的间接反映料面温度的多源检测信息，包括红外图像、料面温度、矿焦比、热风压力、热风温度、雷达料线多源检测信息。采用信息融合技术、图像处理技术、机理推导和数据驱动等建立料面温度场的分布模型，本发明方法能够全面准确的反映高炉内部的温度场分布，精度高、偏差小，实时性强、可视化好等特点；能有效用于检测炉内温度变化，并为高炉优化控制和炉况诊断等提供准确的操作指导，保证高炉安全平稳运行，实现高炉长寿、优质、高产、低耗具有很大的帮助，有良好的经济效益和社会效益。

Description

一种基于多源信息融合的料面温度场检测方法

技术领域

本发明涉及能源与动力工程技术领域，特别是涉及一种基于多源信息融合的料面温度场检测方法。

背景技术

钢铁工业在国民经济发展中一直占据着非常重要的位置，国民经济增长率和钢铁需求量之间存在着非常紧密的关系。据美国《世界钢铁动态》杂志社的研究，钢铁需求量受经济增长率的影响，如果经济年增长率为2％，则钢铁需求量没有多大变化；但是如果经济增长为7％，钢铁需求量就可能会上涨10％t21。国家统计局近年来发表的统计数据表明，我国每年的经济增长率都介于8～9％之间，由此预测我国对钢铁的需求旺盛，市场潜力巨大。国家统计局2006年主要工业产品产量的统计数据显示，我国粗钢突破4亿吨，达到42266万吨，同比增长19．7％，占全球产量的33％以上；生产生铁40417万吨，同比增长19．7％，占全球产量的46％以上。虽然我国的钢铁产量高，但是钢铁业呈粗放型发展的特点，钢铁工业吨钢综合能耗比世界先进水平高15％--20％，资源有效利用率比世界先进水平低20％--40％。

近些年来，随着冶金技术，人工智能和建模理论的不断发展，高炉生产实践的需要，节能减排和质量产量要求的不断提高，传统的高炉生产和检测方式已经很难满足现在的要求，因此采用先进的检测技术，结合机理和智能的方法建立高炉生产过程的局部甚至全炉模型，在一定程度上能够反映高炉的生产状态，优化高炉生产过程状态，指导高炉现场人员操作，对于提高高炉铁水产量和质量、降低企业生产成本、减少能源消耗和污染物排放水平，提高企业的经济效益，社会效益以及市场竞争能力具有十分重要的意义。

获得理想的高炉内部温度场分布是高炉操作的重要目标之一，温度场的分布是影响着高炉炉况，产品产量与质量，高炉寿命等根本因素。高炉料面温度与煤气流成正相关系，还可以有效地判断炉况，例如中心煤气流过重，会导致边缘料速缓慢易产生炉墙结瘤，焦比增大；中心煤气流过轻，容易引发高炉向量，炉料下行不顺，常会发生悬料等异常炉况；边缘气流过重，会导致炉墙腐蚀严重，煤气利用率低，料速减慢；边缘过轻，容易发生炉墙结瘤结厚等异常。

但是由于高炉内温度场的分布无法直接检测，现有的炉温检测手段主要有在线炉衬热电偶的温度、炉壁冷却软水温度，炉喉十字测温温度和上升管温度，无法直接反映高炉炉内料面温度；采用离线的检测手段主要通过检测铁水中硅含量，离线检测主要表现为滞后严重，准确性不高，难以实现在线监控，不能指导实时操作。因此炉温的监控主要是基于操作人员的经验来判断高炉内温度分布情况，进而估计高炉炉况，但限于操作人员的经验很难在短时间内对大量数据进行分析判断，因此得到的结论难免片面，而且人为差别大，工作效率低。检测高炉温度分布信息的缺失或者不准确，不仅造成高炉操作判断失误，形成高炉事故，也使得闭环自动控制十分困难。

因此，研究高炉温度场分布的检测方法及其性能评估方法，能够提高判断炉况的准确性和效率，及早发现内部温度场分布的变化状况，为操作人员预先采取措施避免异常的发生提供了宝贵的时间，而且由于采用统一的检测信息评判标准，可以避免人工操作经验差异造成的炉况波动，减少炉况波动对高炉正常生产的影响，这对于高炉生产的稳定和安全具有重要意义。

发明内容

本发明的目的在于针对现有技术中的不足，提供一种基于多源信息融合的料面温度场检测方法；该方法利用检测到的多源信息，包括红外摄像图像、雷达料线、矿焦比、热风温度、热风压力和十字测温热电偶温度，利用支持向量机的数据驱动方法建立料面温度场分布模型，对高炉内部冶炼过程实现在线监控，实时指导高炉操作，保证高炉的安全平稳运行，实现高炉长寿，优质，高产，低耗。

本发明的目的是通过以下技术方案来实现的：一种基于多源信息融合的高炉料面温度检测方法，包括以下步骤：

（1）采集建立料面温度场所需的红外图像、雷达料线、热风温度、热风压力、十字测温热电偶数据，并对多源检测信息进行时间配准；

（2）建立基于十字测温的料面温度估计映射模型，计算与十字测温点对应的料面温度；建立的基于十字测温的料面温度估计映射模型如下：

$\begin{array}{cc}{\mathrm{\ϵ}}_{i}C{\left(\frac{T_i}{100}\right)}^4={\mathrm{\α}}_i{\mathrm{\β}}_{B-i}{X}_{B-A}{\mathrm{\ϵ}}_{B}C{\left(\frac{T_{\mathrm{Bi}}}{100}\right)}^4+\mathrm{\ξ}(T_{\mathrm{co}}-T_i)& 1\≤i\≤25;\end{array}$

式中：C=5.67，为黑体辐射系数；A表示十字测温平面,B表示料面；β_B-i表示十字测温平面中任意一点i接受辐射与料面平均对十字测温平面的辐射比值；X_B-A表示料面向十字测温平面辐射的角系数；ε_i，ε_B分别为i点、料面辐射发射率；α_i表示i点对辐射的吸收比；ξ为对流表面传热系数；T_i、T_Bi、T_co分别为十字测温i点的测量温度、对应的料面温度和煤气流温度。

（3）红外图像处理：该步骤通过以下子步骤来实现：

（3.1）采用基于时间尺度和空间尺度的滤波方法，消去步骤1采集的红外图像的椒盐噪声和脉冲干扰；

（3.2）采用k-means聚类算法对图像进行区域分割；

（3.3）死区和饱和区灰度重新标定：利用十字测温温度和灰度之间的相互对应关系，利用牛顿插值方法对十字测温热电偶温度值进行曲线拟合，利用拟合曲线重新对饱和区和死区灰度进行标定。

（4）利用布料模型，通过下式计算料面轴向矿焦比：

$\mathrm{OCR}(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\left(\mathrm{\Δ}{L}_O\right)}_i}{{\left(\mathrm{\Δ}{L}_O\right)}_i}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{[f_O^{\′}(x,y)-f_C(x,y)]}_i}{{[f_C^{\′}(x,y)-f_O(x,y)]}_i},1\≤i\≤N;$

其中：(x,y)表示径向料面某点坐标，下标i表示径向料面第i个点，N表示径向料面所取点的个数，ΔL_O和ΔL_C分别表示炉内料面分布中矿石层厚度和焦炭层厚度，f_C(x,y)和f_O(x,y)分别表示装料前的焦、矿料面曲线，f′_O(x,y)和F′_C(x,y)分别表示装料后新的矿、焦料面曲线，OCR(x,y)表示矿焦比。

（5）建立料面温度场的回归模型：

目标函数： $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*});$

约束条件： $\left\{\begin{array}{c}{y}_i-w{x}_i-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w{x}_i+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0\end{array}\right.;$

其中：为非线性映射，w为权系数变量，x为输入向量，b为偏置系数，

为松驰因子，(x_i,y_i)为样本向量，ξ为不敏感损失因子；

将由红外图像灰度、矿焦比、热风压力、热风温度、雷达料线组成的输入向量输入模型，即可获得料面温度

本发明具有的有益效果是：本发明利用高炉已有的多源检测信息，采用信息融合技术、图像处理技术、机理推导和数据驱动等建立料面温度场的分布模型，该方法能够全面准确的反映高炉内部的温度场分布，精度高、偏差小，实时性强、可视化好等特点。本发明能有效用于检测炉内温度变化，并为高炉优化控制和炉况诊断等提供准确的操作指导，保证高炉安全平稳运行，实现高炉长寿、优质、高产、低耗具有很大的帮助，有良好的经济效益和社会效益。

附图说明

图1是高炉结构示意图；

图2是高炉炉喉十字测温装置示意图；

图3是高炉红外图像图；

图4是红外图像处理流程图；

图5是十字测温插值曲线图；

图6是料面温度场分布建模流程图；

图7是SVM网络结构图。

图1中，1-布料滑槽，2-红外摄像仪，3-十字测温热电偶，4-雷达料位计；

图2中，1、2、……25为十字测温横梁上热电偶编号；

图3中，5-饱和区，6-死区，7-边缘环区。

具体实施方式

下面将结合附图对本发明作进一步的说明。

本发明建立高炉料面温度分布场的方法包括以下步骤：（1）数据采集及时间配准；（2）十字测温预处理及映射建模；（3）红外图像处理及特征提取；（4）基于布料模型的矿焦比计算；（5）基于多源信息的支持向量机建模。

各步骤具体阐述如下：

一、数据采集及时间配准：

本发明是主要是通过检测到的高炉多源温度相关信息，利用支持向量机的数据驱动方法建立料面温度场分布模型，首先进行数据采集，包括红外摄像图像、雷达料线、热风温度、热风压力、十字测温热电偶温度。

如图1所示是高炉设备示意图，炉顶装有布料滑槽、红外摄像仪、雷达料位计和十字测温热电偶，可以分别用来拍摄炉内红外图像、检测料面高度和测量炉喉处十字温度。

红外图像的采集是通过红外摄像仪把高炉的工况拍摄下来，变成黑白视频图像，通过视频电缆传输到高炉控制室的工控机系统，在工控机系统中，图像采集卡完成视频图像数字图像的转换；雷达料线的采集是通过安装在炉顶的雷达料面计来获得，热风温度和热风压力是通过采集安装在热风炉出口处热电偶和压力流量计来获得；十字测温温度的采集是通过安装在高炉炉喉处的十字测温热电偶的温度获得。

由于不同的检测信息采样频率不同，其中十字测温和雷达料线等采样周期是500ms，红外图像采样周期是5s，需要把多传感器检测的数据统一到采样周期最长的一个传感器数据上。通过采用最小二乘时间配准算法对十字测温和雷达料线等测量值进行融合，消除时间尺度的不一致，为有效融合多源信息提供基础和条件。

二、十字测温预处理及映射建模：

图2所示为高炉炉喉十字测温装置示意图，四根梁臂上安装了25个测温热电偶，用来测量炉喉处的煤气流温度。利用热力学理论，考虑十字测温与煤气流的对流换热，料面与十字测温的辐射换热，计算料面对应点的温度。

由传热学原理，当热电偶读数稳定即达到平衡状态时，十字测温平面上任意一点i向外辐射的能力和接受的能量相等，如公式：

E_i=α_iE_B-i+ξ(T_co-T_i)；

式中，E_i，E_B-i分别表示i点向外、料面对i点的辐射力强度；ξ为对流表面传热系数；T_co，T_i分别表示煤气流温度和第i个十字测温热电偶检测温度；α_i表示i点对辐射的吸收比。黑体的辐射力与热力学温度的关系由斯忒藩-玻尔兹曼定律公式有：

$E_{\mathrm{\σ}}=\mathrm{\σ}{T}^4=C{\left(\frac{T}{100}\right)}^4;$

式中，σ＝5.67×10^-8，为黑体辐射常数；C＝5.67，为黑体辐射系数；T表示温度。

考虑实际物体的辐射发射率为ε，则实际物体的辐射率可表示为：

$E=\mathrm{\ϵ}{E}_{\mathrm{\σ}}=\mathrm{\ϵ\σ}{T}^4=\mathrm{\ϵC}{\left(\frac{T}{100}\right)}^4;$

引入辐射传热原理中的角系数进行描述（平面1与平面2的角系数定义为平面1向半球空间辐射的能量落在平面2上的百分数），十字测温平面接受料面的辐射为：

SE_B-A=SX_B-AE_B；

式中，A和B分别表示十字测温热电偶所在平面和料面,S表示A和B的面积，二者相等，X_B-A为整个料面向十字测温平面辐射的角系数，E_B为料面平均单位面积辐射力，E_B-A为十字测温平面单位面积接受料面的辐射强度，可推导得：

$\begin{array}{cc}{\mathrm{\ϵ}}_{i}C{\left(\frac{T_i}{100}\right)}^4={\mathrm{\α}}_i{\mathrm{\β}}_{B-i}{X}_{B-A}{\mathrm{\ϵ}}_{B}C{\left(\frac{T_{\mathrm{Bi}}}{100}\right)}^4+\mathrm{\ξ}(T_{\mathrm{co}}-T_i)& 1\≤i\≤25;\end{array}$

式中，C=5.67，为黑体辐射系数；A表示十字测温平面,B表示料面；β_B-i表示十字测温平面中任意一点i接受辐射与料面平均对十字测温平面的辐射比值；X_B-A表示料面向十字测温平面辐射的角系数；ε_i，ε_B分别为i点、料面辐射发射率；α_i表示i点对辐射的吸收比；ξ为对流表面传热系数；T_i，T_Bi，T_co分别为十字测温i点测量温度、对应的料面温度、煤气流温度。

通过上述映射模型，利用检测的25个十字测温热电偶温度值求得对应的25个料面温度值。

三、红外图像处理及特征提取：

图3所示为红外图像，红外图像的采集是通过红外摄像仪把高炉的工况拍摄下来，变成黑白视频图像，通过视频电缆传输到高炉控制室的工控机系统，在工控机系统中，图像采集卡完成视频图像数字图像的转换，以灰度的形式保证在计算机中，红外图像的灰度值和料面温度成正向关系，灰度值越大，温度越高；但是从图像特征可以红外图像由于红外摄像仪的测量范围限制，存在检测死区和饱和区，而且红外图像存在许多噪声，主要表现为椒盐噪声和脉冲干扰，需要对其进行预处理和特征提取，处理流程如图4所示，具体步骤如下：

<a>图像预处理

Step1基于时间尺度的均值滤波，存储到图像数组Q[i][j]；

$Q[i][j]=\frac{\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}P[k][i][j]}{n};$

式中：P[k][i][j]为采集的红外图像数组，k为帧号，i，j分别为行号和列号；

Step2基于空间尺度的均值滤波，存储到图像数组R[i][j]；

$R[i][j]=\frac{1}{9}\underset{m=i-1}{\overset{i+1}{\mathrm{\&Sigma;}}}\underset{n=j-1}{\overset{j+1}{\mathrm{\&Sigma;}}}Q[i][j];$

<b>图像分割

由于高炉炉况非常复杂，导致红外图像特征难以提取，需要进行大量的预处理工作。如何进行有效的图像分割，是进一步利用红外图像建立料面温度场的前提。目前广泛采用的是基于全局信息的单一静态分割阂值法对图像分割，没有充分利用高炉料面图像的特征、多源信息和生产经验。由于料面有些区域温度高，有些区域温度相对较低，不同区域的信息特征不同，例如高温度区域信息量大干扰信息多，容易产生光晕现象;低温度区域信息量小干扰信息较小。基于全局的阈值法没有考虑高炉料面温度分布特点，往往会使分割后的图像保留一些无用信息或者丢失一些重要的生产过程信息。

对图像特征区域分析可知，图像区域特征差异明显，中心区域整体灰度高，分布居中；边缘区域灰度居中，成环状均匀分布。采用k-means聚类进行图像分割，考虑料面边缘区域和炉壁亮度区域灰度特征一致，引入像素点到中心的距离特征变量，同时考虑灰度和距离两个特征聚类。

<c>死区和饱和区灰度重新标定

考虑到红外图像还存在一定的温度检测死区，＞800℃时，全白（灰度值为255）；＜150℃时，全黑（灰度值为0）；本发明利用十字测温温度和灰度之间的相互对应关系，对图3所示十字测温热电偶，根据十字测温热电偶检测值在径向分布的特点，本发明采用牛顿插值方法进行曲线拟合，十字测温插值曲线如图5所示，然后利用拟合曲线重新对饱和区和死区灰度进行标定，从而获得校正后的红外图像灰度值，作为建模的输入变量。

四、基于布料模型的矿焦比计算：

矿焦比是指高炉每冶炼一吨合格生铁所耗用焦炭的吨数，矿焦比与料面温度成正相关性，矿焦比越大，料面温度越高，反之，温度越低。本发明利用文献《基于料面温度场和布料模型的高炉煤气流分布在线检测方法及应用》中的布料模型来计算矿焦比。计算公式如下：

$\mathrm{OCR}(x,y)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{\left(\mathrm{\&Delta;}{L}_O\right)}_i}{{\left(\mathrm{\&Delta;}{L}_O\right)}_i}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{[f_O^{\&prime;}(x,y)-f_C(x,y)]}_i}{{[f_C^{\&prime;}(x,y)-f_O(x,y)]}_i},1\&le;i\&le;N;$

其中，(x,y)表示径向料面某点坐标，下标i表示径向料面第i个点，N表示径向料面所取点的个数，ΔL_O，ΔL_C分别炉内料面分布中矿石层厚度和焦炭层厚度，f_C(x,y)和f_O(x,y)分别表示装料前的焦、矿料面曲线，f′_O(x,y)，f′_C(x,y)分别表示装料后新的矿、焦料面曲线；OCR(x,y)表示矿焦比。

五、基于多源信息的支持向量机建模：建立料面温度场的回归模型，输入步骤1-4获得的红外图像、矿焦比、热风压力、热风温度和雷达料线，得到料面温度。

图6所示为料面温度场分布建模流程，利用上述中求得的红外图像、料面温度、矿焦比以及直接测得的数据热风压力、热风温度、雷达料线数据，完成了样本数据的处理，获得25个样本集数据，然后采用数据拟合的方法建立料面温度场的回归模型。

考虑到支持向量机在处理小样本非线性上的优势，本发明中采用最小二乘支持向量机建立料面的温度分布模型。其中支持向量机结构模型选择3层回归模型，第一层为输入层，第二层为映射层，第三层为输出层。其中输入变量为红外图像灰度、矿焦比、热风压力、热风温度、雷达料线；输出变量为料面温度。

算法步骤具体如下：

<a>产生训练集和测试集，25个样本集，均匀选取18个作为训练集，7个做为测试集。

<b>创建SVM回归模型，首先对数据进行归一化处理，核函数采用默认的RBF核函数,利用交叉验证方法寻找最佳的惩罚因子c和核函数方差g。

<c>进行仿真验证，既利用训练集和测试集进行仿真测试。

<d>性能评估，利用预测的均方误差E和决定系数R²对所建立的SVM回归模型进行性能评估。

图7所示为SVM网络结构图，输入变量为：红外图像灰度值，热风压力，热风温度，雷达料线，矿焦比；输入变量为料面温度。

建立的料面的温度分布模型为：

目标函数： $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*});$

约束条件： $\left\{\begin{array}{c}{y}_i-w{x}_i-b\&le;\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i\\ w{x}_i+b-y_i\&le;\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i^{*}\\ {\mathrm{\&xi;}}_i,{\mathrm{\&xi;}}_i^{*}\&GreaterEqual;0\end{array}\right.;$

其中：为非线性映射，w为权系数变量，x为输入向量，b为偏置系数，

为松驰因子，(x_i,y_i)为样本向量，ξ为不敏感损失因子。

Claims (1)

1.一种基于多源信息融合的高炉料面温度检测方法，其特征在于，包括以下步骤：

（1）采集建立料面温度场所需的红外图像、雷达料线、热风温度、热风压力、十字测温热电偶数据，并对多源检测信息进行时间配准；

（2）建立基于十字测温的料面温度估计映射模型，计算与十字测温点对应的料面温度；建立的基于十字测温的料面温度估计映射模型如下：

$\begin{array}{cc}{\mathrm{\&epsiv;}}_{i}C{\left(\frac{T_i}{100}\right)}^4={\mathrm{\&alpha;}}_i{\mathrm{\&beta;}}_{B-i}{X}_{B-A}{\mathrm{\&epsiv;}}_{B}C{\left(\frac{T_{\mathrm{Bi}}}{100}\right)}^4+\mathrm{\&xi;}(T_{\mathrm{co}}-T_i)& 1\&le;i\&le;25;\end{array}$

式中：C＝5.67，为黑体辐射系数；A表示十字测温平面,B表示料面；β_B-i表示十字测温平面中任意一点i接受辐射与料面平均对十字测温平面的辐射比值；X_B-A表示料面向十字测温平面辐射的角系数；ε_i，ε_B分别为i点、料面辐射发射率；α_i表示i点对辐射的吸收比；ξ为对流表面传热系数；T_i、T_Bi、T_co分别为十字测温i点的测量温度、对应的料面温度和煤气流温度；

（3）红外图像处理：该步骤通过以下子步骤来实现：

（3.1）采用基于时间尺度和空间尺度的滤波方法，消去步骤1采集的红外图像的椒盐噪声和脉冲干扰；

（3.2）采用k-means聚类算法对图像进行区域分割；

（3.3）死区和饱和区灰度重新标定：利用十字测温温度和灰度之间的相互对应关系，利用牛顿插值方法对十字测温热电偶温度值进行曲线拟合，利用拟合曲线重新对饱和区和死区灰度进行标定；

（4）利用布料模型，通过下式计算料面轴向矿焦比：

$\mathrm{OCR}(x,y)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{\left(\mathrm{\&Delta;}{L}_O\right)}_i}{{\left(\mathrm{\&Delta;}{L}_O\right)}_i}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{[f_O^{\&prime;}(x,y)-f_C(x,y)]}_i}{{[f_C^{\&prime;}(x,y)-f_O(x,y)]}_i},1\&le;i\&le;N;$

其中：(x,y)表示径向料面某点坐标，下标i表示径向料面第i个点，N表示径向料面所取点的个数，ΔL_O和ΔL_C分别表示炉内料面分布中矿石层厚度和焦炭层厚度，f_C(x,y)和F_O(x,y)分别表示装料前的焦、矿料面曲线，f′_O(x,y)和f′_C(x,y)分别表示装料后新的矿、焦料面曲线，OCR(x,y)表示矿焦比；

（5）建立料面温度场的回归模型：

目标函数： $\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*});$

约束条件： $\left\{\begin{array}{c}{y}_i-w{x}_i-b\&le;\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i\\ w{x}_i+b-y_i\&le;\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i^{*}\\ {\mathrm{\&xi;}}_i,{\mathrm{\&xi;}}_i^{*}\&GreaterEqual;0\end{array}\right.;$

其中：

为非线性映射，w为权系数变量，x为输入向量，b为偏置系数，

为松驰因子，(x_i,y_i)为样本向量，ξ为不敏感损失因子；

将由红外图像灰度、矿焦比、热风压力、热风温度、雷达料线组成的输入向量输入模型，即可获得料面温度

Images