CN105841822A - 一种斯太尔摩控制冷却线散卷轧件温度在线监测方法 - Google Patents

Abstract

一种斯太尔摩控制冷却线散卷轧件温度在线监测方法，其包括以下步骤：通过两台红外面阵探测器分别获取散卷轧件在两个不同波长下的红外热图像以数字信号的形式传送至一红外图像分析与处理单元；红外图像分析与处理单元将接收到的信号后获得散卷轧件的物理特征信息；比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值，再通过测温模型计算出对应散卷轧件各部位的温度并显示。本发明提供的轧件温度在线监测系统通过精确划分红外探测器采集红外热图像，经过模糊C均值聚类和阈值分割等算法对有效的轧件目标进行提取和灰度值测量，由温度T测量模型计算轧件温度及分布。

Description

一种斯太尔摩控制冷却线散卷轧件温度在线监测方法

技术领域

本发明涉及冶金行业钢材控制冷却相关领域，特别是一种斯太尔摩控制冷却线散卷轧件温度在线监测方法。

背景技术

提高线材质量的重点在于对其冷却阶段的控制，斯太尔摩控制冷却线是现在运用最广泛、最高效的线材冷却方法，它通过控制线材冷却过程中的温降来保证线材内部的金相变化的稳定性，对线材成品的内部组织、力学性能及二次氧化均有重要的影响。但是对于整个冷却过程中的温度变化一直都使用的是经验判断方法，由散卷重叠、冷却风风量分布不均所造成的散卷温度分布差异信息无法获取，没有成熟完善的设备进行精确的温度监控，很难保证线材内部各处的金相变化的一致性。

由于线斯太尔摩线上散卷一直是在不断地行进中，接触式测温无法实现，只能采用非接触式测温。台湾某钢铁公司曾采用红外热像仪对线斯太尔摩线散卷温度变化进行检测，能够定性地反映出各段温度的变化趋势，但由于热像仪非制冷焦平面器件的特性限制，不能实现定量检测且分辨率较低，也就不能为散卷冷却的精确控制提供有效实用数据。

近红外比色测温技术，是一种集数字成像技术、光电传感技术、以及信号处理技术于一体的在线监测式测温技术。该技术也是目前国内发展最为迅速的测温技术之一，在很多行业都得到了广泛应用。其基本流程是：红外探测器通过接收物体表面发出的红外辐射形成热图像，并以数字信号的形式传输到计算机处理系统，经过模糊C均值聚类将轧件与冷床等背景区分出来，从而获得图像中轧件部分的灰度，再由反演算法计算出轧件温度，因此具有稳定性、可靠性、实时性和连续性等优点。

本发明在此基础上提出了研发一种基于红外图像信息及光谱分析原理，同时完成散卷轧件运行监视及其温度实时检测的特种监测产品。通过红外热像技术测量全视场范围内散卷轧件温度，从而获得散卷轧件垂直运行方向上的温度分布数据，判定佳灵配风调整的效能，同时，也可获得散卷轧件沿运行方向上的温度变化数据，并实现温度分布的可视化，直观监视金相相变点对控制冷却工艺效能进行验证，有利于对现有的系统进一步地改进、优化，对于提高轧件的质量水平有重要的意义。

发明内容

为解决上述技术问题，本发明提供了一种斯太尔摩控制冷却线散卷轧件温度在线监测方法，其包括以下步骤：

(1)通过两台红外面阵探测器分别获取散卷轧件在两个不同波长λ₁和λ₂下的红外热图像，以数字信号的形式传送至一红外图像分析与处理单元；

(2)所述红外图像分析与处理单元将接收到的信号传输至其中的图像预处理模块，预处理后获得散卷轧件包括几何特征和辐射能量的物理特征信息；

(3)所述红外图像分析与处理单元通过其比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值R₁和R₂，再通过测温模型计算出对应散卷轧件各部位的温度；

(4)得到的温度分布数据通过软件界面进行显示，并将得到的温度分布数据通过反馈接口传输至冷床控制系统。

较佳地，所述比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值的过程为：

a)确定最佳分类数

采用混合F统计量与经验相结合的方法来完成，最佳分类数的正确性用模糊划分熵来检验；F统计的主要思想如下：

给定有限样本集U＝{u₁,u₂,…,u_n}，U中每个元素特征个数为m，可写为：

u_i＝{u_i1,u_i2,…,u_im},i＝1,2,…,n (2)

欲将数集U划分成C类，要求2≤C≤n，A₁,A₂,…,A_c表示划分所得的C个类别，聚类中心给定为：V＝{v₁,v₂,…,v_c}，另外，v_i＝(v_i1,v_i2,…,v_im)，

令：

$F\left(k\right)=\frac{\underset{i=1}{\overset{c}{\Σ}}{n}_i{(v_{ik}-\stackrel{\‾}{v_k})}^2(n-c)}{\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(u_{ijk}-\stackrel{\‾}{v_{ik}})}^2(c-1)},k=1,2,\mathrm{...},p---\left(3\right)$

其中n_i是第i类的样本个数；v_ik表示第i类样本的第k个变量聚类中心；表示第k个变量的聚类中心的平均值；u_ijk表示i类第j个样本的第k个变量值；从理论上来说，统计量F(k)是服从于自由度为(c-1,n-c)的F分布的；

然后再令：

$Mixed-F=\underset{k=1}{\overset{p}{\Σ}}\frac{1/F\left(k\right)}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}F\left(k\right)=\frac{p}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}---\left(4\right)$

同理，Mixed-F也是服从于自由度为(c-1,n-c)的F分布的；从上式可以看出，F(k)作为一个统计量，它的值与该类别(变量)的类内联系紧密度成正比，而与类间联系紧密度成反比；而Mixed-F综合反映了所有划分类别的类内紧密度和类间分散度；

令：

$H_{ij}(U,c)=\left|\frac{1}{n_i}\underset{k_i=1}{\overset{n_i}{\Σ}}(-u_i{k}_i{\log }_2{u}_i{k}_i-{\log }_2{u}_{{\mathrm{jk}}_i})\right|+\left|\frac{1}{n_j}\underset{k_j=1}{\overset{n_j}{\Σ}}(-u_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{jk}}_j}-u_{{\mathrm{ik}}_j}{\log }_2{u}_{{\mathrm{ik}}_j})\right|---\left(5\right)$

各类别之间的分散度越大，则类与类之间的相似性也越大，当H_ij(U,c)很大时，就可归为同一类别，由此确定最佳分类数；

b)边界条件的确定

考虑到使用的窄带滤波片的中心波长及红外探测器的曝光时间以后，红外热图像的灰度等级与目标红外辐射强度的对应关系就基本确定，即目标红外辐射强度越大，灰度等级大，而灰度等级与辐射率成正比，所以可以确定红外热图像灰度统计分布规律中轧件的灰度等级最大，其他则为需要剔除的空隙部分；

在红外热图像灰度统计中，设定某一点的灰度值为R₀为边界条件，R₀为某特定值时，当其它点的灰度值R_i>R₀且连续分布一定数量时，这些点的集合即为待测轧件区域。

较佳地，所述比色测温模块的测温模型建立具体过程包括：

a)、基于比色测温原理，对比色测温公式进行变形，将设备补偿因子拓展至与目标辐射相联系，建立红外光谱λ_i(i＝1,2)辐射强度R_i(i＝1,2)与温度T的对应关系，拟合lnR₁R₂与补偿因子lnK‘的函数关系，去除烟气瞬态扰动引起的误差，得到温度T测量模型如下：

$T=\frac{C_2(1/{\mathrm{\λ}}_1-1/{\mathrm{\λ}}_2)}{c{\left({\mathrm{lnR}}_1{R}_2\right)}^2+(b-1){\mathrm{lnR}}_1{R}_2+a+5ln({\mathrm{\λ}}_1/{\mathrm{\λ}}_2)}---\left(1\right)$

其中，λ_i为中心波长，T为待测轧件表面温度，C₁＝3.741832×10^-12wcm²为第一辐射常数，C₂＝1.438786×10⁴μmK为第二辐射常数；K为系统器件校准因子，K‘＝R₂ ²K，R_i(i＝1,2)为红外热图像的辐射强度；a、b、c为常数。

本发明具有以下有益效果：

本发明提供的轧件温度在线监测系统通过精确划分红外探测器采集红外热图像，经过模糊C均值聚类和阈值分割等算法对有效的轧件目标进行提取和灰度值测量，由温度T测量模型计算轧件温度及分布，从而对实际生产的温度控制给出相应的指导，提高轧件的质量。本发明适用性强，可以在自动模式和人工模式下工作，方便与人工经验作比对。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

具体实施方式

下面将结合本发明实施例本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供了一种斯太尔摩控制冷却线散卷轧件温度在线监测方法，其包括以下步骤：

(1)通过两台红外面阵探测器分别获取散卷轧件在两个不同波长λ₁和λ₂下的红外热图像，以数字信号的形式传送至一红外图像分析与处理单元；

(2)所述红外图像分析与处理单元将接收到的信号传输至其中的图像预处理模块，预处理后获得散卷轧件包括几何特征和辐射能量的物理特征信息；

(3)所述红外图像分析与处理单元通过其比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值R₁和R₂，再通过测温模型计算出对应散卷轧件各部位的温度；

(4)得到的温度分布数据通过软件界面进行显示，并将得到的温度分布数据通过反馈接口传输至冷床控制系统。

其中所述比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值的过程为：

a)确定最佳分类数

采用混合F统计量与经验相结合的方法来完成，最佳分类数的正确性用模糊划分熵来检验；F统计的主要思想如下：

给定有限样本集U＝{u₁,u₂,…,u_n}，U中每个元素特征个数为m，可写为：

u_i＝{u_i1,u_i2,…,u_im},i＝1,2,…,n (2)

欲将数集U划分成C类，要求2≤C≤n，A₁,A₂,…,A_c表示划分所得的C个类别，聚类中心给定为：V＝{v₁,v₂,…,v_c}，另外，v_i＝(v_i1,v_i2,…,v_im)，

令：

$F\left(k\right)=\frac{\underset{i=1}{\overset{c}{\Σ}}{n}_i{(v_{ik}-\stackrel{\‾}{v_k})}^2(n-c)}{\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(u_{ijk}-\stackrel{\‾}{v_{ik}})}^2(c-1)},k=1,2,\mathrm{...},p---\left(3\right)$

其中n_i是第i类的样本个数；v_ik表示第i类样本的第k个变量聚类中心；表示第k个变量的聚类中心的平均值；u_ijk表示i类第j个样本的第k个变量值；从理论上来说，统计量F(k)是服从于自由度为(c-1,n-c)的F分布的；

然后再令：

$Mixed-F=\underset{k=1}{\overset{p}{\Σ}}\frac{1/F\left(k\right)}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}F\left(k\right)=\frac{p}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}---\left(4\right)$

同理，Mixed-F也是服从于自由度为(c-1,n-c)的F分布的；从上式可以看出，F(k)作为一个统计量，它的值与该类别(变量)的类内联系紧密度成正比，而与类间联系紧密度成反比；而Mixed-F综合反映了所有划分类别的类内紧密度和类间分散度；

令：

$H_{ij}(U,c)=\left|\frac{1}{n_i}\underset{k_i=1}{\overset{n_i}{\Σ}}(-u_i{k}_i{\log }_2{u}_i{k}_i-{\log }_2{u}_{{\mathrm{jk}}_i})\right|+\left|\frac{1}{n_j}\underset{k_j=1}{\overset{n_j}{\Σ}}(-u_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{jk}}_j}-u_{{\mathrm{ik}}_j}{\log }_2{u}_{{\mathrm{ik}}_j})\right|---\left(5\right)$

各类别之间的分散度越大，则类与类之间的相似性也越大，当H_ij(U,c)很大时，就可归为同一类别，由此确定最佳分类数；

b)边界条件的确定

考虑到使用的窄带滤波片的中心波长及红外探测器的曝光时间以后，红外热图像的灰度等级与目标红外辐射强度的对应关系就基本确定，即目标红外辐射强度越大，灰度等级大，而灰度等级与辐射率成正比，所以可以确定红外热图像灰度统计分布规律中轧件的灰度等级最大，其他则为需要剔除的空隙部分；

在红外热图像灰度统计中，设定某一点的灰度值为R₀为边界条件，R₀为某特定值时，当其它点的灰度值R_i>R₀且连续分布一定数量时，这些点的集合即为待测轧件区域。

在本实施例中，所述比色测温模块的测温模型建立具体过程包括：

a)、基于比色测温原理，对比色测温公式进行变形，将设备补偿因子拓展至与目标辐射相联系，建立红外光谱λ_i(i＝1,2)辐射强度R_i(i＝1,2)与温度T的对应关系，拟合lnR₁R₂与补偿因子lnK‘的函数关系，去除烟气瞬态扰动引起的误差，得到温度T测量模型如下：

$T=\frac{C_2(1/{\mathrm{\λ}}_1-1/{\mathrm{\λ}}_2)}{c{\left({\mathrm{lnR}}_1{R}_2\right)}^2+(b-1){\mathrm{lnR}}_1{R}_2+a+5ln({\mathrm{\λ}}_1/{\mathrm{\λ}}_2)}---\left(1\right)$

其中，λ_i为中心波长，T为待测轧件表面温度，C₁＝3.741832×10^-12wcm²为第一辐射常数，C₂＝1.438786×10⁴μmK为第二辐射常数；K为系统器件校准因子，K‘＝R₂ ²K，R_i(i＝1,2)为红外热图像的辐射强度；a、b、c为常数。

本发明具有以下有益效果：

本发明提供的轧件温度在线监测系统通过精确划分红外探测器采集红外热图像，经过模糊C均值聚类和阈值分割等算法对有效的轧件目标进行提取和灰度值测量，由温度T测量模型计算轧件温度及分布，从而对实际生产的温度控制给出相应的指导，提高轧件的质量。本发明适用性强，可以在自动模式和人工模式下工作，方便与人工经验作比对。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (3)

1.一种斯太尔摩控制冷却线散卷轧件温度在线监测方法，其特征在于，包括以下步骤：

1)通过两台红外面阵探测器分别获取散卷轧件在两个不同波长λ₁和λ₂下的红外热图像，以数字信号的形式传送至一红外图像分析与处理单元；

2)所述红外图像分析与处理单元将接收到的信号传输至其中的图像预处理模块，预处理后获得散卷轧件包括几何特征和辐射能量的物理特征信息；

3)所述红外图像分析与处理单元通过其比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值R₁和R₂，再通过测温模型计算出对应散卷轧件各部位的温度；

4)得到的温度分布数据通过软件界面进行显示，并将得到的温度分布数据通过反馈接口传输至冷床控制系统。

2.如权利要求1所述的斯太尔摩控制冷却线散卷轧件温度在线监测方法，其特征在于，所述比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值的过程为：

a)确定最佳分类数

采用混合F统计量与经验相结合的方法来完成，最佳分类数的正确性用模糊划分熵来检验；F统计的主要思想如下：

给定有限样本集U＝{u₁,u₂,…,u_n}，U中每个元素特征个数为m，可写为：

u_i＝{u_i1,u_i2,…,u_im},i＝1,2,…,n (2)

欲将数集U划分成C类，要求2≤C≤n，A₁,A₂,…,A_c表示划分所得的C个类别，聚类中心给定为：V＝{v₁,v₂,…,v_c}，另外，v_i＝(v_i1,v_i2,…,v_im)，

令：

$F\left(k\right)=\frac{\underset{i=1}{\overset{c}{\Σ}}{n}_i{(v_{ik}-\stackrel{\‾}{v_k})}^2(n-c)}{\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(u_{ijk}-\stackrel{\‾}{v_{ik}})}^2(c-1)},k=1,2,\mathrm{...},p---\left(3\right)$

其中n_i是第i类的样本个数；v_ik表示第i类样本的第k个变量聚类中心；表示第k个变量的聚类中心的平均值；u_ijk表示i类第j个样本的第k个变量值；从理论上来说，统计量F(k)是服从于自由度为(c-1,n-c)的F分布的；

然后再令：

$Mixed-F=\underset{k=1}{\overset{p}{\Σ}}\frac{1/F\left(k\right)}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}F\left(k\right)=\frac{p}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}---\left(4\right)$

同理，Mixed-F也是服从于自由度为(c-1,n-c)的F分布的；从上式可以看出，F(k)作为一个统计量，它的值与该类别(变量)的类内联系紧密度成正比，而与类间联系紧密度成反比；而Mixed-F综合反映了所有划分类别的类内紧密度和类间分散度；

令：

$H_{ij}(U,c)=\left|\frac{1}{n_i}\underset{k_i=1}{\overset{n_i}{\Σ}}(-u_i{k}_i{\log }_2{u}_i{k}_i-{\log }_2{u}_{{\mathrm{jk}}_i})\right|+\left|\frac{1}{n_j}\underset{k_j=1}{\overset{n_j}{\Σ}}(-u_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{jk}}_j}-u_{{\mathrm{ik}}_j}{\log }_2{u}_{{\mathrm{ik}}_j})\right|---\left(5\right)$

各类别之间的分散度越大，则类与类之间的相似性也越大，当H_ij(U,c)很大时，就可归为同一类别，由此确定最佳分类数；

b)边界条件的确定

考虑到使用的窄带滤波片的中心波长及红外探测器的曝光时间以后，红外热图像的灰度等级与目标红外辐射强度的对应关系就基本确定，即目标红外辐射强度越大，灰度等级大，而灰度等级与辐射率成正比，所以可以确定红外热图像灰度统计分布规律中轧件的灰度等级最大，其他则为需要剔除的空隙部分；

在红外热图像灰度统计中，设定某一点的灰度值为R₀为边界条件，R₀为某特定值时，当其它点的灰度值R_i>R₀且连续分布一定数量时，这些点的集合即为待测轧件区域。

3.如权利要求1所述的斯太尔摩控制冷却线散卷轧件温度在线监测方法，其特征在于，所述比色测温模块的测温模型建立具体过程包括：

a)、基于比色测温原理，对比色测温公式进行变形，将设备补偿因子拓展至与目标辐射相联系，建立红外光谱λ_i(i＝1,2)辐射强度R_i(i＝1,2)与温度T的对应关系，拟合lnR₁R₂与补偿因子lnK‘的函数关系，去除烟气瞬态扰动引起的误差，得到温度T测量模型如下：

$T=\frac{C_2(1/{\mathrm{\λ}}_1-1/{\mathrm{\λ}}_2)}{c{\left({\mathrm{lnR}}_1{R}_2\right)}^2+(b-1){\mathrm{lnR}}_1{R}_2+a+5ln({\mathrm{\λ}}_1/{\mathrm{\λ}}_2)}---\left(1\right)$

其中，λ_i为中心波长，T为待测轧件表面温度，C₁＝3.741832×10^-12wcm²为第一辐射常数，C₂＝1.438786×10⁴μmK为第二辐射常数；K为系统器件校准因子，K‘＝R₂ ²K，R_i(i＝1,2)为红外热图像的辐射强度；a、b、c为常数。