CN103047165A - 一种熔炼炉除尘风机的控制方法及其控制系统 - Google Patents

Abstract

本发明公开了一种熔炼炉除尘风机的控制方法，其通过提取出烟雾图像中能量特征、纹理特征和运动特征并结合半监督的烟雾浓度分级模型，实时准确的检测了熔炼炉内的烟雾浓度，实现了除尘风机的高效控制，避免了炉内大量热量的释放，有利于节省熔炼炉的电能，缩短冶炼的时间，降低了除尘风机的能耗和提高了除尘风机的使用寿命；同时其通过给样本贴上烟雾浓度等级标签，使用半监督PSFCM算法建立确定的烟雾浓度分级模型，降低了烟雾浓度的误判率，避免因风机转速过低有毒烟雾溢出的情况。本发明还公开了一种实现上述方法的控制系统，其通过使用嵌入式DMSoC平台，实现了系统的模块化和低功耗工作，使得设备更方便使用和安装。

Description

一种熔炼炉除尘风机的控制方法及其控制系统

技术领域

本发明属于冶金技术领域，具体涉及一种熔炼炉除尘风机的控制方法及其控制系统。

背景技术

铜作为国民经济、国防军工发展的基础材料和重要战略物资，降低其冶炼过程中的能耗对于提高我国能源利用效率具有重大的战略意义。废杂铜作为不直接依赖新铜矿开发的原材料，其冶炼再生的工频熔炼技术近年来得到了极大的推广，精确控制废杂铜在工频熔炼过程中的能耗将会极大地提高铜资源的循环利用率和资源利用率，符合国家提高能源利用效率的发展规划。

废杂铜成分复杂，通过工频熔炼炉的高温熔炼，熔点低于铜的杂质会随着熔炼产生的高温剧烈燃烧，产生烟气颗粒从熔炼炉顶部的引风通道排出。比如废杂铜中夹杂的油污、锌、包裹铜线的绝缘橡胶或塑料等物质在熔炼炉内的高温中剧烈燃烧，产生浓烈的烟雾；熔点高于铜的杂质会在熔融的铜液里形成固态的浮渣，通过捞渣从铜液中分离，从而实现废杂铜提纯和再生利用。

目前在国内废杂铜的冶炼企业中，对于工频熔炼炉内烟雾的测量主要依靠操作工人的现场目测，不同的工人在经验不同、主观感知不同以及疲劳状况不同的条件下，同样的烟雾情况也有可能给出不同的描述，所以无法客观地量化炉内的烟雾浓度，更无法根据不同的烟雾情况自动地调整除尘风机的转速。

废杂铜在工频熔炼炉的熔炼属于间歇过程，每一炉的熔炼都需要多次上料、搅拌和捞渣等工序，其上料是通过运载工料的上料小车沿上料轨道到达熔炼炉，通过上料窗口向炉内倾倒工料实现的。熔炼炉的顶部是烟雾的引风通道，通过除尘风机形成的负压迅速排走炉内的烟雾，防止烟雾扩散。

虽然目前不少冶炼企业都为工频熔炼炉的除尘风机配备了变频调速器，期望工人使用变频调速器来调节除尘风机的速度，降低能耗。但是由于缺乏有效的检测工频熔炼炉烟雾浓度的仪表，对于除尘风机的变频调速还停留在依据工人对炉内烟雾的目测进行手动调速的阶段。由于工人忙于上料、搅拌、捞渣，无法及时而且准确的调整除尘风机的速度，同时因为调速增加了实际的工作强度，所以工人没有积极性去频繁地调节风机转速。于是在实际的生产中，除尘风机恒定高速运行，变频调速器就成了摆设，无法实现节能的目的。

除尘风机恒定高速运行虽能确保烟雾从引风通道迅速排出，但在烟雾浓度较小时，低速即可实现烟雾的迅速排出；在除尘风机无需高速运行的工况下，如果还保持恒定高速运行，不但除尘风机自身浪费大量的电能，而且会带走了大量用于熔炼加热的热量，延长冶炼的时间，造成工频加热电能的巨大浪费；同时，排烟通道的后半段处于恒定的高风压环境，将降低烟雾回收布袋的使用寿命。

公开号为CN 102322434A的中国专利公开了一种基于图像处理的熔炼炉除尘风机节能的控制方法，该方法对提取了烟雾图像中的火光亮度信息和背景清晰度信息，然后对火光亮度信息和背景清晰度信息进行了阈值划分，最后根据阈值划分的结果判断熔炼炉内的烟雾浓度等级实现除尘风机的控制。然而，该方法从烟雾图像提取的反映炉内烟雾浓度情况的特征值种类太少，无法从全局上描述熔炼炉的实际烟雾情况，例如在熔炼炉进行加料和搅拌工况时，炉内的火光亮度都达到最高并且炉内的清晰度信息都为0，但是加料时炉内的烟雾浓度要比搅拌高得多，因此仅亮度信息和背景清晰度信息是无法区分加料工况和搅拌工况的烟雾浓度的。同时该方法利用亮度信息和背景信息进行阈值划分的方法对烟雾浓度的误判率高，阈值划分从空间上描述的是矩形区域，而图像特征值的分布往往是不规则椭圆形的。

发明内容

针对现有技术所存在的上述技术缺陷，本发明提供了一种熔炼炉除尘风机的控制方法及其控制系统，能够有效检测熔炼炉内的烟雾浓度实现除尘风机的自动高效控制，实现工频熔炼的节能减排。

一种熔炼炉除尘风机的控制方法，包括如下步骤：

(1)当熔炼炉进入上料工况前，开启除尘风机使其以最大转速运行；

(2)当熔炼炉进入上料工况后，实时采集熔炼炉内工料上方的烟雾图像；

(3)从所述的烟雾图像中选取内壁ROI(Region of Interest，感兴趣区域)和挡板ROI，对所述的ROI进行特征提取，得到内壁ROI的纹理特征值W_ET、运动特征值S_gmm和能量特征值E_e以及挡板ROI的纹理特征值W_ETB，从而建立由W_ET、W_ETB、S_gmm和E_e四个特征值组成的特征向量；

(4)使当前烟雾图像对应的特征向量与数据库内各烟雾浓度等级所对应的中心特征向量进行隶属度计算，取对应隶属度最大的烟雾浓度等级为当前熔炼炉内的烟雾浓度等级，每个烟雾浓度等级对应一个频率值；

(5)实时根据熔炼炉内每一时刻烟雾浓度等级对应的频率值通过变频调速器控制除尘风机的转速。

所述的步骤(1)中，当熔炼炉进入上料工况前开启除尘风机使其以最大转速运行的具体实现方法为：

a.在距离熔炼炉上料窗口若干米处的上料轨道上安装振动传感器，并通过振动传感器采集振动信号；

b.对所述的振动信号进行平滑去噪，并对去噪后的振动信号进行离散插值傅里叶变换得到其频谱；

c.计算所述的频谱在频率区间[f_min，f_max]上的幅值之和P，进而对P进行阈值判断，若P≥P_min，则立即开启除尘风机使其以最大转速运行；其中，f_min和f_max分别为给定的频率上下限，P_min为给定的阈值。

所述的步骤(4)中，根据以下公式使当前烟雾图像对应的特征向量与数据库内各烟雾浓度等级所对应的中心特征向量进行隶属度计算：

$u_i=\frac{1}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{d_i}{d_j}\right)}^{\frac{2}{m-1}}}$

$d_i=\sqrt{{(x-v_i)}^{T}A(x-v_i)}$

$d_j=\sqrt{{(x-v_j)}^{T}A(x-v_j)}$

其中：u_i为x与v_i的隶属度，x为当前烟雾图像对应的特征向量，v_i和v_j分别为第i烟雾浓度等级和第j烟雾浓度等级所对应的特征向量，A为给定的距离矩阵，m为给定的非线性系数，i和j均为自然数且1≤i≤n，1≤j≤n，n为烟雾浓度等级个数。

根据以下方法计算每个烟雾浓度等级所对应的中心特征向量：

首先，分别在上料、搅拌、除渣和出炉化验四种工况下，采集熔炼炉内工料上方的多张烟雾图像；

然后，根据经验将这些烟雾图像归类于各烟雾浓度等级，并根据步骤(3)建立得到每张烟雾图像的特征向量；

最后，对于任一烟雾浓度等级，对归属于该烟雾浓度等级的所有烟雾图像的特征向量求平均，得到的平均特征向量即为该烟雾浓度等级的中心特征向量。

一种熔炼炉除尘风机的控制系统，包括：

振动检测单元，用于采集上料轨道的振动信号；

图像采集单元，用于实时采集熔炼炉内工料上方的烟雾图像；

图像处理单元，用于在熔炼炉进入上料工况前对所述的振动信号进行调理及频谱分析后输出频率信号；并在熔炼炉进入上料工况后对所述的烟雾图像进行特征提取、计算及判断后输出频率信号；

变频调速单元，用于根据所述的频率信号控制除尘风机的转速。

所述的图像处理单元，包括：

信号处理模块，用于对所述的振动信号进行调理及频谱分析后输出频率信号；

ROI选取模块，用于从所述的烟雾图像中选取内壁ROI和挡板ROI；

特征提取模块，用于提取出内壁ROI的纹理特征值W_ET、运动特征值S_gmm和能量特征值E_e，提取出挡板ROI的纹理特征值W_ETB；

数据存储模块，用于存储各烟雾浓度等级所对应的中心特征向量和频率值；

浓度等级判断模块，用于为烟雾图像建立由W_ET、W_ETB、S_gmm和E_e四个特征值组成的特征向量；使当前烟雾图像对应的特征向量与数据存储模块中各烟雾浓度等级所对应的中心特征向量进行隶属度计算，取对应隶属度最大的烟雾浓度等级为当前熔炼炉内的烟雾浓度等级，进而根据该烟雾浓度等级对应的频率值输出对应的频率信号。

优选地，所述的图像处理单元连接有人机界面单元，所述的人机界面单元用于实时显示当前烟雾图像及其特征向量以及当前熔炼炉内的烟雾浓度等级及其对应的频率值，以实现了熔炼炉炉内情况的实时观测，便于提前预判熔炼炉冶炼可能发生的紧急事件。

优选地，所述的图像处理单元通过千兆以太网接口连接有服务器，能将炉内烟雾图像备份到远端的服务器上，实现了熔炼炉炉内情况的存档。

所述的图像采集单元采用工业摄像机；所述的图像处理单元采用DMSoC(数字媒体片上系统)；所述的变频调速单元为变频调速器。所述的DMSoC通过RS485通信模块与变频调速器连接。

本发明的有益技术效果为：

(1)本发明控制方法通过提取出烟雾图像中能量特征、纹理特征和运动特征并结合半监督的烟雾浓度分级模型，实时准确的检测了熔炼炉内的烟雾浓度，实现了除尘风机的高效控制，避免了除尘风机长时间处于高速运转状况，降低了除尘风机的能耗和提高了除尘风机的使用寿命。

(2)本发明控制方法通过给样本贴上烟雾浓度等级标签，使用半监督PSFCM算法(基于Parzen窗的半监督模糊C-均值)建立确定的烟雾浓度分级模型，降低了烟雾浓度的误判率，避免因风机转速过低有毒烟雾溢出的情况。

(3)本发明控制方法通过提取出烟雾图像中能量特征、纹理特征和运动特征并结合半监督的烟雾浓度分级模型，实时准确的检测了熔炼炉内的烟雾浓度，实现了除尘风机的高效控制，避免了炉内大量热量的释放，有利于节省熔炼炉的电能，缩短冶炼的时间。

(4)本发明控制系统通过使用嵌入式DMSoC平台，实现了系统的模块化和低功耗工作，使得设备更方便使用和安装。

附图说明

图1为本发明控制方法的步骤流程示意图。

图2为熔炼炉在不同工况下内壁ROI纹理特征的对比曲线图。

图3为熔炼炉在DP和MP工况下挡板ROI纹理特征的对比曲线图。

图4为熔炼炉在SP和MFP工况下内壁ROI运动特征的对比曲线图。

图5为本发明控制系统的结构示意图。

图6为信号调理电路的结构示意图。

图7为RS485通信模块的结构示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

废杂铜的冶炼是是一个间歇过程，冶炼一炉铜料大概需要3个小时，由加料(Material Feeding Process，MFP)、中间熔化(Melting Process，MP)、搅拌(Stirring Process，SP)、除渣(Deslagging Process，DP)、化验出炉(TappingProcess，TP)等几个工况过程组成，冶炼过程工况是重复无序的。在加料时，废杂铜中有机废料等杂物剧烈燃烧，产生大量黑烟，火光亮度很高，此时的烟尘浓度最高，需要将风机的转速调节到最高；在中间溶化过程，随着废杂铜中的有机废料逐渐燃烧殆尽，铜料熔融，产生的烟气火光逐渐变淡，风机的转速可以逐渐降低.待炉内底层铜料熔融完毕，需要对铜料进行搅拌，翻滚上层未熔融的铜料；另外在加锌块、加回料(纯铜)和熔炼助剂时，也需要搅拌；在搅拌过程中，火焰会变旺，锌等熔点低金属与氧气剧烈反应产生白烟，此时需要风机转速较高.待所有铜料熔融完毕，需要通过捞渣除去熔点高的杂质，在除渣过程，几乎没有燃烧产生，亮度较低，但是翻滚铜液，与搅拌一样，熔点低的金属与氧气剧烈反应产生白烟，需要的风机转速较快.另外在搅拌和除渣的间隙，炉内基本没有明亮火光，产生烟尘极少，可以将风机速度调到最低；在化验与出炉过程，炉内没有火光和烟尘产生，可以将风机转速调到最低。

如图1所示，一种熔炼炉除尘风机的控制方法，包括如下步骤：

(1)当熔炼炉进入上料工况前，开启除尘风机使其以最大转速运行。

在加料时，熔炼炉内产生大量的烟雾，为了防止溢出，必需在熔炼炉加料前将除尘风机开启并将风机转速设置到最大。当装满废杂铜的的上料小车运行在轨道上时，会造成轨道较大的振动，本实施方式中，我们在距离上料窗口若干米处的上料轨道上安装振动传感器，并通过振动传感器采集振动信号预测熔炼炉是否将要进入上料工况。

然后，对振动信号进行平滑去噪，并对去噪后的振动信号进行离散插值傅里叶变换得到其频谱；

最后，计算频谱在频率区间[1Hz，60Hz]上的幅值之和P，进而对P进行阈值判断，若P≥21.5，则立即开启除尘风机使其以最大转速运行。

(2)当熔炼炉进入上料工况后，实时采集熔炼炉内铜料上方的烟雾图像(720×576)，从烟雾图像中选取内壁ROI和挡板ROI；由于烟雾图像的正中央400×240的炉内壁区域烟雾形态分布均匀，燃烧产生的火焰状态最为稳定，最能反映炉内的烟雾浓度状况，故选取该区域作为内壁ROI；此外，在烟雾图像的有一块挡板区域，在熔炼炉进入除渣工况后挡板会被抽掉，图像中对应该区域的纹理特征值将会变得最小，故本实施方式从该挡板区域选取大小为100×80来作为挡板ROI。

然后我们对ROI进行特征提取，得到内壁ROI的纹理特征值W_ET、运动特征值S_gmm和能量特征值E_e以及挡板ROI的纹理特征值W_ETB，从而为烟雾图像建立由W_ET、W_ETB、S_gmm和E_e四个特征值组成的特征向量。

烟雾主要是由有机废料燃烧产生的，燃烧越剧烈产生的烟尘浓度越高，火光越大，图像能量值越大.随着有机废料燃烧殆尽，图像能量值和产生的烟雾浓度逐渐变小.因此从烟雾图像求取灰度均方值得到的能量特征值E_e是评价炉内烟雾浓度的重要指标，其计算公式如下：

$E_e=\frac{\underset{x=1}{\overset{r}{\mathrm{\Σ}}}\underset{y=1}{\overset{l}{\mathrm{\Σ}}}{G}^2(x,y)}{r\·l}$

其中，G(x，y)为内壁ROI中坐标为(x，y)的像素点灰度值，r和l为内壁ROI的长和宽。

熔炼炉的炉罩(内壁)是由大块钢板焊接而成，纹理较多，会有很多深浅不同的凹凸。对内壁图像进行频谱分析，每个凹凸的地方都是图像中频率较高的部分；而烟尘纹理较少，灰度分布均匀，所以低频成分多，高频成分少。当炉内有烟雾产生时，由于烟尘的遮挡，采集到的图像内壁纹理凹凸将变得模糊，图像中部分高频信息会被烟尘的低频信息所掩盖，烟雾越浓，高频信息被掩盖得越多，图像的纹理就越不明显。因此可以通过提取烟雾的的纹理特征来判断烟雾的浓度，灰度共生矩阵是计算图像纹理的常用方法.灰度共生矩阵模型W为：

$W_{\mathrm{ET}},W_{\mathrm{ETB}}=-\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\θ})\log P(i,j,d,\mathrm{\θ})$

P(i，j，d，θ)＝{(x，y)，(x+dx，y+dy)|f(x，y)＝i，f(x+dx，y+dy)＝j}

其中，P(i，j，d，θ)表示从图像上灰度等级为i的像素点(x，y)出发，统计与其距离为d、灰度等级为j的像素点(x+dx，y+dy)同时出现的频度；i，j＝1，2，…k为灰度等级；dx和dy为位置偏移量，d为灰度共生矩阵的生成步长；θ为W的生成方向；W_ET和W_ETB表征了图像的纹理复杂程度，复杂程度越高时值越大，反之则小。本实施例中k取为16，θ为0°、45°、90°、135°四个生长方向，本实施例中在DP过程，炉壁的左侧挡板会被拆掉，图像左侧区域内的纹理为0，提取挡板ROI的纹理特征W_ETB用来区分DP和其它工况过程。如图2为不同工况下的W_ET对比曲线，由曲线看纹理特征W_ET很好显示了各工况熔炼炉内烟雾浓度的变化情况。图3为W_ETB在DP和MP的对比曲线，由曲线看W_ETB很好的区分了DP和MP过程。

在上料和搅拌过程中，有机废料燃烧会产生火焰，燃烧剧烈产生的烟尘越多，同时火焰的面积也越大.因此通过获得图像中火焰面积的大小就可以判断烟尘浓度的多少。但是由于燃烧具有不稳定性，火焰处于跳跃状态，形状和大小不断变化。因此检测火焰面积的大小可以转化为求取图像中运动区域的面积。混合高斯模型是指对视频图像中的每个像素都用多个高斯分布函数来表示，使背景模型能够适应多种背景变化。混合高斯模型的表达式如下：

$P\left(X_t\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\σ}}_{i,t})$

其中，P(X_t)表示内壁ROI的某像素X_t观测值的概率，K为混合高斯模型中高斯分布的个数；X_t为t时刻该像素点的颜色值；η(X_t，μ_i，t，σ_i，t)表示第i个高斯分布的概率密度函数；ω_i，t为t时刻第i个高斯分布的权值；μ_i，t为t时刻第i个高斯分布的均值向量；σ_i，t为t时刻第i个高斯分布的标准差。本实施例中K取为3，X_t取为该像素点的灰度值。

混合高斯模型根据新采集到的烟雾图像内壁ROI进行模型更新和运动特征值S_gmm计算，其过程如下：

a.将t+1新采集到的烟雾图像内壁ROI的该像素观测值X_t+1与对应的混合高斯模型的K个高斯分布逐一进行匹配检测，匹配规则如下：如果满足|X_t+1+μ_i，t|≤Dσ_i，t，则表示X_t+1与第i个高斯分布匹配。本实施例中D为2.5。

b.根据步骤a，如果X_t+1与第i个高斯分布匹配，则第i根据下式进行更新：

ω_i，t+1＝(1-α)ω_i，t+α

μ_i，t+1＝(1-ρ_i，t+1)μ_i，t+ρ_i，t+1X_t+1

${{\mathrm{\σ}}_{i,t+1}}^2=(1-{\mathrm{\ρ}}_{i,t+1}){\mathrm{\σ}}_{i,t}^2+{\mathrm{\ρ}}_{i,t}{(X_{t+1}-{\mathrm{\μ}}_{i,t+1})}^2$

其中：α是用户定义的学习率，0＜α＜1；ρ为参数学习率，且ρ_i，t+1≈α/ω_i，t。如果没有高斯分布与X_t+1匹配，则权值最小的高斯分布被新高斯分布所取代，新分布的均值为X_t+1，初始化一个较大的标准差σ₀和较小的权值ω₀如下的高斯分布保持均值和方差不变，但权值会衰减，即ω_i，t+1＝(1-α)ω_i，t。

c.根据步骤a，对整个内壁ROI中每个像素建立混合高斯模型，统计内壁ROI所有不匹配的像素点个数得到运动特征值S_gmm。图4为S_gmm在SP和MFP的对比曲线，由曲线看S_gmm很好的区分了SP和MFP过程。

(3)根据以下公式使当前烟雾图像对应的特征向量与数据库内各烟雾浓度等级所对应的中心特征向量进行隶属度计算，取对应隶属度最大的烟雾浓度等级为当前熔炼炉内的烟雾浓度等级；

$u_i=\frac{1}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{d_i}{d_j}\right)}^{\frac{2}{m-1}}}$

$d_i=\sqrt{{(x-v_i)}^{T}A(x-v_i)}$

$d_j=\sqrt{{(x-v_j)}^{T}A(x-v_j)}$

其中：u_i为x与v_i的隶属度，x为当前烟雾图像对应的特征向量，v_i和v_j分别为第i烟雾浓度等级和第j烟雾浓度等级所对应的中心特征向量，A为给定的距离矩阵，m为给定的非线性系数，i和j均为自然数且1≤i≤n，1≤j≤n，n为烟雾浓度等级个数；本实施方式中，距离矩阵为4×4的单位矩阵，m＝2，n＝9。

其中，每个烟雾浓度等级所对应的中心特征向量是通过以下过程建立得到的：首先，在上料、搅拌、除渣和出炉化验四种工况下，采集熔炼炉内工料上方的多张烟雾图像；然后，根据经验将这些烟雾图像归类于各烟雾浓度等级，并根据步骤(3)建立得到每张烟雾图像的特征向量；最后，对于任一烟雾浓度等级，对归属于该烟雾浓度等级的所有烟雾图像的特征向量求平均，得到的平均特征向量即为该烟雾浓度等级的中心特征向量。本实施方式利用PSFCM算法离线对209382幅炉内烟雾图像的特征值W_ET、W_ETB、S_gmm和E_e建模，得到烟雾浓度的分级模型和烟雾浓度级别所对应的变频器频率值。

模糊聚类FCM是依据客观事物间的特征、亲疏程度和相似性，通过建立模糊聚类相似关系对客观事物进行分类的方法。L.A.Zadeh在1965年创立了模糊集合论，随后Bellman和Kalabaff.Zadeh提出了用模糊集来处理聚类问题。在1969年，著名的学者E.H.Ruspin又引入了模糊划分的概念进行模糊聚类分析，第一个系统地表述并研究了模糊聚类FCM。模糊聚类运用于天气预报、气象分析、图像分割、模式识别、生物、医学诊断和化学分析等领域均取得了满意的效果和客观的效益。

FCM的方法是：先将n个点分成c类，定义每一个类有一个聚类中心，然后根据点与聚类中心的距离，形成一些具有相同性质的模糊子集，每一个点与聚类中心有一个隶属度。一个类也就是一系列点组成的模糊子集，每个点对于不同的聚类中心有不同隶属度，由此，可以形成在一定隶属度条件下的分类。

经典模糊聚类FCM的模型为：

$J(X;V)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^m{d}_{\mathrm{ik}}^2+\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\λ}(\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}-1)$

u_ij∈[0，1]，1≤j≤N，1≤i≤c

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}=\mathrm{1,1}\≤j\≤N$

其中，J(X；V)为FCM的目标函数；X＝{x₁，x₂，...x_N}为N维特征值样本集合，其中每个样本点x_k＝(x_k1，x_k2，...，x_kn)以一定的隶属度u_ik分属于第i个类别，i＝1，2，...，c.隶属度刻画了样本属于某个类别的可能性程度；U＝[u_ik]为隶属度矩阵；V＝(v₁，v₂，...，v_c)表示各个类别的聚类中心；

d_ik描述样本x_k到第i个聚类中心的距离；A为4×4的距离矩阵；λ为拉格朗日乘子系数，m为非线性系数。

J(X；V)对u_ij和λ求导数，可以得到使目标函数J(X；V)达到最小的迭代关系式：

$v_i=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ik}}^m{x}_k}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ik}}^m}$

$u_{\mathrm{ik}}=\frac{1}{{\mathrm{\Σ}}_{j=1}^c{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}}$

迭代终止的条件为v_i(i＝1...c)的值不再发生变化。

本实施方式在经典FCM的基础上，通过对部分典型图像样本进行了标记，推导出半监督模糊聚类PSFCM模型算法。PSFCM算法模型为：

$J(X;U,V,\mathrm{\λ})=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^m{d}_{\mathrm{ik}}^2+\mathrm{\α}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(u_{\mathrm{ik}}-f_{\mathrm{ik}}{b}_k)}^p{d}_{\mathrm{ik}}^2+\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\λ}(\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}-1)$

u_ij∈[0，1]，1≤j≤N，1≤i≤c

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}=\mathrm{1,1}\≤j\≤N$

其中，J(X；U，V，λ)为PSFCM的目标函数；X＝{x₁，x₂，...x_N}为N维特征值样本集合，每个样本x_k为特征值W_ET、W_ETB、S_gmm和E_e构成的四维向量；U＝[u_ik]为隶属度矩阵，隶属度刻画了样本属于某个类别的可能性程度；x_k以一定的隶属度u_ik分属于烟雾浓度等级(共c个级别)第i个类别，i＝1，2，...，c；{x_k}中的某些样本已经被标记(u_ik通过先验赋值)；V＝(v₁，v₂，...，v_c)表示各个类别的聚类中心；

d_ik描述样本x_k到第i个聚类中心的距离；A为4×4的距离矩阵；F＝[f_ik]_c×N为根据先验知识标记的标记隶属度矩阵，标签b＝[b₁，b₂，...b_N]^T，若x_k分类情况未知，则f_ik＝0，b_k＝0，如果x_k被标记，f_ik为标记的隶属度值，b_k＝1；α为学习的权重，m、p为非线性系数。本实施例中A为4×4单位矩阵，c＝9。

J(X；U，V，λ)对u_ij和λ求导数，可以得到使目标函数J(X；U，V，λ)达到最小的迭代关系式：

$v_i=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left({\mathrm{\ψ}}_{\mathrm{ik}}\right)}^m{x}_k}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left({\mathrm{\ψ}}_{\mathrm{ik}}\right)}^m}$

$u_{\mathrm{ik}}=\frac{1}{1+\mathrm{\α}}(\frac{1+\mathrm{\α}(1-b_k\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{f}_{\mathrm{jk}})}{{\mathrm{\Σ}}_{j=1}^c{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}}+\mathrm{\α}{f}_{\mathrm{ik}}{b}_k)$

其中，ψ_ik＝u_ik+α(u_ik-f_ikb_k)^p，迭代的终止条件为v_i(i＝1...c)的值不再发生变化。

利用PSFCM建立烟雾浓度分级并模型过程为：

a.对n幅图像特征值构成样本集X进行标记烟雾等级和等级隶属度，标记的方法是对冶炼工艺中的上料(MFP)、搅拌(SP)、除渣(DP)、出炉化验(TP)四种工况各标记ml个典型样本，得到标记隶属度矩阵F和标签矩阵b，本实施例中ml取为200。

b.根据n幅图像特征值的样本集X、标记隶属度矩阵F和标签矩阵b，通过以下迭代方程迭代一次后，得到迭代后的隶属度矩阵和聚类中心：

$v_i=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left({\mathrm{\ψ}}_{\mathrm{ik}}\right)}^m{x}_k}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left({\mathrm{\ψ}}_{\mathrm{ik}}\right)}^m}$

$u_{\mathrm{ik}}=\frac{1}{1+\mathrm{\α}}(\frac{1+\mathrm{\α}(1-b_k\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{f}_{\mathrm{jk}})}{{\mathrm{\Σ}}_{j=1}^c{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{\frac{2}{m-1}}}+\mathrm{\α}{f}_{\mathrm{ik}}{b}_k)$

其中，

ψ_ik＝u_ik+α(u_ik-f_ikb_k)^p，本实施例中m＝2，p＝2。

c.根据步骤a，判断以下收敛条件是否成立：若是，输出烟雾浓度分级模型的最优聚类中心矩阵V；若否，返回步骤a；

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\left|\right|v_i^{\left(l\right)}-v_i^{(l-1)}\left|\right|\≤{10}^{-6}$

本实施例中共建立9个烟雾浓度等级，每个烟雾浓度等级对应一个频率值，烟雾浓度等级1～9与变频器输出频率关系以及对应的工况段如表1所示：

表1

烟雾浓度等级	变频调输出频率值	熔炼炉内工况
			1	50Hz	MFP
2	48Hz	SP前半阶段
			3	43Hz	SP后半阶段
4	30Hz	TP
			5	35Hz	DP后半阶段
6	40Hz	DP前半阶段

7	45Hz	MP前段
			8	37Hz	MP中段
9	33Hz	MP末段

最后，实时根据熔炼炉内每一时刻烟雾浓度等级对应的频率值通过变频调速器控制除尘风机的转速。

本实施方式通过以下控制系统来实现对除尘风机的控制；如图5所示，一种熔炼炉除尘风机的控制系统，包括：图像采集单元、DMSoC、振动检测单元、显示器、远端服务器和变频调速器；其中：

图像采集单元用于实时采集熔炼炉内工料上方的烟雾图像；其包括PAL制式工业模拟摄像机和模拟视频转换模块。PAL制式的工业模拟摄像机采集熔炼炉的图像，采集的模拟视频信号通过S-Video视频线与视频转换模块的输入口相连，模拟视频转换模块对模拟视频信号进行采样和A/D转换，输出并行的数字图像信号，数字图像信号通过DMSoC的VPSS视频处理子系统接口送入DMSoC处理；模拟视频转换模块的并行数字输出端与DMSoC的VPSS的并行输入接口相连。本实施例中，PAL制式工业模拟摄像机使用丹麦JAI公司生产的CV-S3200模拟摄像机。该工业模拟摄像机的分辨率为PAL制式720(H)X 576(V)，曝光时间为25us～8.3ms，每秒能输出25帧图像，接口为S-Video接口，耐高温、安装方便可靠。工业模拟摄像机安装在熔炼炉附近的金属横梁上，在熔炼炉顶部需要打开一个直径约为10cm见方的开口，工业摄像机镜头正对着熔炼炉顶部开口。工业摄像机由上往下，通过开口拍摄到熔炼炉内烟雾的图像。镜头与开口的垂直距离约50cm处。模拟视频转换模块采用美国TI公司的视频转换模块TVP5150，TVP5150模块支持PAL电视模拟视频信号(分辨率720*576)和NTSC电视模拟视频信号(分辨率720*480)的解码，能将将模拟视频信号转换为并行数字信号标准的BT.656码流格式(YUV4:2:2)。TVP5150工作频率在14.131818MHz，高效可靠。

DMSoC用于在熔炼炉进入上料工况前对振动信号进行调理及频谱分析后输出频率信号；并在熔炼炉进入上料工况后对烟雾图像进行特征提取、计算及判断后输出频率信号；其采用美国TI公司的DaVinCi系列的TMS320DM6446芯片，其包含工作主频为594MHz的高端DSP核C64X+和294MHz的ARM926EJ-S处理器。TMS320DM6446包括视频处理子系统VPSS接口、以太网接口、RS232接口、视频输出接口和12位的A/D采样接口，TMS320DM6446能完成复杂的视频图像处理和信号处理。本实施方式中，DMSoC中通过编程加载有信号处理模块、ROI选取模块、特征提取模块、数据存储模块和浓度等级判断模块；其中：

信号处理模块用于对振动信号进行调理及频谱分析后输出频率信号；

ROI选取模块用于从烟雾图像中选取内壁ROI和挡板ROI；

特征提取模块用于提取出内壁ROI的纹理特征值W_ET、运动特征值S_gmm和能量特征值E_e，提取出挡板ROI的纹理特征值W_ETB；

数据存储模块用于存储各烟雾浓度等级所对应的中心特征向量和频率值；

浓度等级判断模块用于为烟雾图像建立由W_ET、W_ETB、S_gmm和E_e四个特征值组成的特征向量；使当前烟雾图像对应的特征向量与数据存储模块中各烟雾浓度等级所对应的中心特征向量进行隶属度计算，取对应隶属度最大的烟雾浓度等级为当前熔炼炉内的烟雾浓度等级，进而根据该烟雾浓度等级对应的频率值输出对应的频率信号。

本实施方式中，DMSoC通过视频转换模块将烟雾图像进行转换后传送至显示器以显示，以实现熔炼炉炉内情况的实时观测，便于提前预判熔炼炉冶炼可能发生的紧急事件。视频转换模块的输出端与PAL制式显示器输入端相连，其输入端与DMSoC模拟视频输出端相连。视频转换模块将DMSoC输出的低电压烟雾图像PAL模拟视频信号转换成为标准制式的PAL模拟视频信号，然后通过S-Video视频传输线送往远端的显示器进行显示。本实施例中视频转换模块采用美国TI公司的OPA357模块。

振动检测单元用于采集上料轨道的振动信号；其包括振动传感器和信号调理电路。信号调理电路包括电源滤波电路、差分放大电路、信号陷波电路。振动传感器的输出端与信号调理电路的差分放大电路的差分输入端相连。振动传感器安装在上料车运行的轨道上，负责采集振动信号。由于熔炼炉工业现场非常复杂，各种干扰因素很多，必需选择抗干扰强的差分输出式振动传感器。振动检测单元将检测到的振动信号传送给DMSo处理。

本实施例中的振动传感器采用鑫华科技公司的RY-6电动式振动检测传感器，该振动检测传感器的灵敏度为20mv/mm，频率响应范围为1～1000Hz，使用环境温度为-40℃～100℃。该型传感器的温漂小，抗干扰能力强。在熔炼炉现场，有专供上料车运行金属导轨，将振动传感器固定在保护的金属盒内安装在金属导轨的背面。

信号调理电路包括电源滤波电路、差分放大电路、信号陷波电路；如图6所示，电源滤波电路的输入端与±12V电源电压相连，电源滤波电路的输出端与差分放大电路和信号陷波电路的电源端相连，振动检测传感器的差分输出端与差分放大电路的差分输入端相连，差分放大电路的输出端与信号陷波电路的输入端相连，信号陷波电路的输出端输出高电平振动电压信号。信号陷波器输出端与DMSoC的A/D输入端相连。

本实施例中的经过电源滤波电路后的电源电压的纹波的最大幅值为100mv；放大电路的放大倍数为100，放大电路的有效带宽为10KHz。本实施例中的信号陷波电路主要滤掉振动电压信号中的50Hz工频干扰，陷波频率精度为50±0.05Hz，带阻频率带为47.6Hz～52.4Hz，对50Hz工频干扰信号的衰减深度为-30dB。

变频调速器通过RS485通信模块与DMSoC连接；远端服务器通过千兆以太网接口与DMSoC连接，能将炉内烟雾图像备份到远端的服务器上，实现了熔炼炉炉内情况的存档。本实施例中的服务器采用联想公司的Think Station系列的E31型号工作站，其硬盘大小为2T，千兆网卡，内存为2G。

如图7所示，RS485通信模块包括光耦隔离电路和RS232/RS485转换电路；其中，DMSoC的RS232的信号RX端与第一路端光耦隔离电路的输入端相连，第一路端光耦隔离电路的输出端与RS232/RS485转换电路的第一输入端相连；DMSoC的RS232的信号TX端与第三路端光耦隔离电路的输入端相连，第三路光耦电路的输出端与RS232/RS485转换电路的第四输入端相连；DMSoC的GPI045与第二路光耦隔离电路的输入端相连，第二路光耦隔离电路的输出端与RS232/RS485转换电路的第二第三输入端相连；RS232/RS485转换电路的两路输出端输出差分RS458信号。RS485通信单元的差分输出端与变频器的RS485输入端相连。DMSoC ARM端的RS232将DMSoC的DSP计算出来的频率值传送给RS485单元，然后RS485通信单元将该频率值传输给变频器，实现除尘风机转速的调节。

变频调速器用于根据频率信号控制除尘风机的转速，其与熔炼炉顶端的除尘风机相连。风机转速与变频器频率的关系为n＝60f/p(1-s)，其中p为磁极对数，s为转差率。由于s很小且保持不变，可以看作除尘风机的转速与变频器的频率成正比。而除尘风机的功率与转速的三次方成正比，高效控制除尘风机转速可以节省大量电能。本实施例中的变频器采用浙江海利普电子有限公司生产的HLP-A型号的变频器。其可调频率范围为30Hz～50Hz，三相380V电压供电。

利用本实施方式连续对两个完整的冶炼过程的炉内图像进行测试，其烟雾浓度等级判断成功率如表2所示：

表2

烟雾浓度等级	烟雾浓度等级判断成功率％
		1	91.28
2	89.25
		3	92.34
4	90.57
		5	88.86
6	93.12
		7	90.91
8	95.60
		9	94.77

本实施方式通过工业模拟摄像机大量连续采集炉内烟雾图像，提取图像中的特征值并通过PSFCM算法建立烟雾浓度分级模型；然后实时采集熔炼炉内图像，通过变换后传送给DMSoC处理，DMSoC提取出图像中的特征值并根据烟雾分级模型确定炉内的烟雾浓度等级，最后通过变频器完成除尘风机转速的实时调节；在进入上料工况前通过检测上料车的振动信号，完成熔炼炉上料工况的预判。故本实施方式应用与工业现场后工作稳定，通过测试，本实施方式所带来冶炼效益与现有基于图像处理的熔炼炉除尘风机控制方法，对比结果如表3所示，由表中数据可以看出，本实施方式带来冶炼效益要比现有技术好得多。

表3

Claims (9)

1.一种熔炼炉除尘风机的控制方法，包括如下步骤：

(1)当熔炼炉进入上料工况前，开启除尘风机使其以最大转速运行；

(2)当熔炼炉进入上料工况后，实时采集熔炼炉内工料上方的烟雾图像；

(3)从所述的烟雾图像中选取内壁ROI和挡板ROI，对所述的ROI进行特征提取，得到内壁ROI的纹理特征值W_ET、运动特征值S_gmm和能量特征值E_e以及挡板ROI的纹理特征值W_ETB，从而建立由W_ET、W_ETB、S_gmm和E_e四个特征值组成的特征向量；

(4)使当前烟雾图像对应的特征向量与数据库内各烟雾浓度等级所对应的中心特征向量进行隶属度计算，取对应隶属度最大的烟雾浓度等级为当前熔炼炉内的烟雾浓度等级，每个烟雾浓度等级对应一个频率值；

(5)实时根据熔炼炉内每一时刻烟雾浓度等级对应的频率值通过变频调速器控制除尘风机的转速。

2.根据权利要求1所述的控制方法，其特征在于：所述的步骤(1)中，当熔炼炉进入上料工况前开启除尘风机使其以最大转速运行的具体实现方法为：

a.在距离熔炼炉上料窗口若干米处的上料轨道上安装振动传感器，并通过振动传感器采集振动信号；

b.对所述的振动信号进行平滑去噪，并对去噪后的振动信号进行离散插值傅里叶变换得到其频谱；

c.计算所述的频谱在频率区间[f_min，f_max]上的幅值之和P，进而对P进行阈值判断，若P≥P_min，则立即开启除尘风机使其以最大转速运行；其中，f_min和f_max分别为给定的频率上下限，P_min为给定的阈值。

3.根据权利要求1所述的控制方法，其特征在于：所述的步骤(4)中，根据以下公式使当前烟雾图像对应的特征向量与数据库内各烟雾浓度等级所对应的中心特征向量进行隶属度计算：

$u_i=\frac{1}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{d_i}{d_j}\right)}^{\frac{2}{m-1}}}$

$d_i=\sqrt{{(x-v_i)}^{T}A(x-v_i)}$

$d_j=\sqrt{{(x-v_j)}^{T}A(x-v_j)}$

其中：u_i为x与v_i的隶属度，x为当前烟雾图像对应的特征向量，v_i和v_j分别为第i烟雾浓度等级和第j烟雾浓度等级所对应的中心特征向量，A为给定的距离矩阵，m为给定的非线性系数，i和j均为自然数且1≤i≤n，1≤j≤n，n为烟雾浓度等级个数。

4.根据权利要求3所述的控制方法，其特征在于：根据以下方法计算每个烟雾浓度等级所对应的中心特征向量：

首先，分别在上料、搅拌、除渣和出炉化验四种工况下，采集熔炼炉内工料上方的多张烟雾图像；

然后，根据经验将这些烟雾图像归类于各烟雾浓度等级，并根据步骤(3)建立得到每张烟雾图像的特征向量；

最后，对于任一烟雾浓度等级，对归属于该烟雾浓度等级的所有烟雾图像的特征向量求平均，得到的平均特征向量即为该烟雾浓度等级的中心特征向量。

5.一种熔炼炉除尘风机的控制系统，其特征在于，包括：

振动检测单元，用于采集上料轨道的振动信号；

图像采集单元，用于实时采集熔炼炉内工料上方的烟雾图像；

图像处理单元，用于在熔炼炉进入上料工况前对所述的振动信号进行调理及频谱分析后输出频率信号；并在熔炼炉进入上料工况后对所述的烟雾图像进行特征提取、计算及判断后输出频率信号；

变频调速单元，用于根据所述的频率信号控制除尘风机的转速。

6.根据权利要求5所述的控制系统，其特征在于：所述的图像处理单元包括：

信号处理模块，用于对所述的振动信号进行调理及频谱分析后输出频率信号；

ROI选取模块，用于从所述的烟雾图像中选取内壁ROI和挡板ROI；

特征提取模块，用于提取出内壁ROI的纹理特征值W_ET、运动特征值S_gmm和能量特征值E_e，提取出挡板ROI的纹理特征值W_ETB；

数据存储模块，用于存储各烟雾浓度等级所对应的中心特征向量和频率值；

浓度等级判断模块，用于为烟雾图像建立由W_ET、W_ETB、S_gmm和E_e四个特征值组成的特征向量；使当前烟雾图像对应的特征向量与数据存储模块中各烟雾浓度等级所对应的中心特征向量进行隶属度计算，取对应隶属度最大的烟雾浓度等级为当前熔炼炉内的烟雾浓度等级，进而根据该烟雾浓度等级对应的频率值输出对应的频率信号。

7.根据权利要求6所述的控制系统，其特征在于：所述的图像处理单元连接有人机界面单元，所述的人机界面单元用于实时显示当前烟雾图像及其特征向量以及当前熔炼炉内的烟雾浓度等级及其对应的频率值。

8.根据权利要求5所述的控制系统，其特征在于：所述的图像处理单元通过千兆以太网接口连接有服务器。

9.根据权利要求5～8任一权利要求所述的控制系统，其特征在于：所述的图像处理单元采用DMSoC。

Images