CN112981135A - 一种判断转炉炼铜造渣期终点的方法 - Google Patents

Abstract

本发明公开了一种判断转炉炼铜造渣期终点的方法，属于冶金领域，本发明利用火焰图像得到吹炼数据，使用RGB三基色颜色分量像素占比描述火焰图像信息，并构建适当的特征描述因子以及特征矩阵，准确表述转炉炼铜造渣期火焰特征值变化的特点。利用广义回归神经网络GRNN,将上述特征值作为特征向量模型输入智能控制系统，采集现场数据，PID控制算法监测及控制参数优化，实现回路控制，在造渣期终点时完成预报报警。

Description

一种判断转炉炼铜造渣期终点的方法

技术领域

本发明属于冶金领域，更具体的说涉及一种判断转炉炼铜造渣期终点的方法。

背景技术

铜硫转炉吹炼是一个涉及了传热、传质、流体流动和复杂化学反应的过程，在实际生产过程中具有多线程、多变量、强惯性、非定性和不确定性的特点。转炉炼铜造渣期物料成分变化大、多变量影响因素交叉，故一直难以实现较为精准的实时监测。

现阶段，国内外企业为提高综合炼铜生产率，积极探索转炉吹炼终点的判断方法和策略，并已取得诸多成果：分析SO2浓度变化趋势帮助企业操作工判断转炉炼铜造铜期重点。但是在工业实践中，对于转炉炼铜造渣期终点判断的操作仍考操作经验观察火焰颜色，取样检查熔体试样颜色和形状，化验分析组分存在情况来判断终点。这及其依赖个人经验，难以形成较为规范化、标准化的操作。随着计算机技术和数字图像处理技术的迅猛发展，提出在转炉炼铜造渣过程中，基于火焰图像识别，结合神经网络的方法对转炉炼铜造渣期终点数据提出预测手段。

发明内容

本发明是一种利用数字图像处理技术和神经网络智能控制系统来判断转炉炼铜造渣期终点方法评价。该方法利用火焰图像得到吹炼数据，使用RGB三基色颜色分量像素占比描述火焰图像信息，并构建适当的特征描述因子以及特征矩阵，准确表述转炉炼铜造渣期火焰特征值变化的特点。

为了实现上述目的，本发明是采用以下技术方案实现的：所述的方法采用以下步骤实现：步骤1利用高清摄像机和信号采集器采集转炉炼铜造渣期足够充分且连续的火焰实时图像信息；

步骤2.根据摄像机拍摄角度和拍摄范围，将获得到的造渣期火焰实时图像进行RGB三基色颜色通道分离，分别设定为红色通道、绿色通道和蓝色通道信号；

步骤3.运用颜色相似度度量方法中颜色相关系数ξ(μ,v)，分别对造渣期火焰图像分阶段初步判断差异性,当相关系数接近1表示火焰图像属于同一阶段，充分小于1即趋近于0则表示火焰图像状态弱相关或者无相关性；

步骤4.利用图像颜色矩ζ_i方法，采用图像颜色的一阶矩、二阶矩和三阶矩表达火焰图像颜色特征，将特征进行数值量化；

步骤5.将颜色矩ζ_i作为广义回归神经网络GRNN的输入层参数，并建立造渣期终点GRNN预测模型，选择样本作为训练集、测试集和验证集，并记录准确度；

步骤6.转炉炼铜造渣期终点判断智能控制系统监测，在终点时完成预报报警。

优选的，所述的步骤3中的颜色相关系数ξ(μ,v)，用于检验火焰图像相关性，判断火焰阶段性变化，将所属同一造渣阶段相关系数接近的火焰图像分为一类，根据结果将造渣过程分为造渣初期、造渣中期和造渣终点。

优选的，所述的步骤5详细方法为将颜色矩ζ_i作为广义回归神经网络(GRNN)的输入层特征值，选择样本数量为n的造渣期火焰图像设定为训练集，并设定对应响应造渣期阶段分别为造渣初期(1)、造渣中期(2)和造渣终点(3)，设定样本数量为m的造渣期火焰图像为测试集，检验造渣过程火焰图像所处阶段，利用神经网络的预测结果，判断当前火焰实时图像所处阶段，也可以对已判断造渣阶段进行辅助检验。

优选的，所述的步骤3关于颜色相关系数ξ(μ,v)：假设RGB颜色空间中两种不同的颜色矢量分别用μ和v表示为μ＝(μ₁,μ₂,μ₃)'和v＝(v₁,v₂,v₃)'，这两种颜色矢量之间的相关系数用ξ(μ,v)表示，则：

其中，ξ(μ，v)∈[0，1]，ξ(μ，v)值越大，表示火焰图像的颜色相似程度越大，称这个相关系数为颜色相关系数，直接应用于转炉炼铜造渣期终点的预测数值分析计算中。

优选的，所述的步骤4所述的颜色矩ζ_i计算方法如下：

图像中任一颜色分布均可以用颜色的矩来表示，颜色矩直接在RGB空间计算，由于颜色的分布信息主要集中在低阶矩，因此，仅采用颜色的一阶矩、二阶矩和三阶矩就可以充分表达图像的颜色分布，其定义分别为：

其中，P_ij是第j个元素的第i个颜色分量；N是像素数量，一阶矩i定义的是每个颜色分量的平均强度，二阶矩和三阶矩分别定义了颜色分量的方差和偏斜度，分别计算三种颜色矩在在这阶段的不同数值平均值归一化特征。

优选的，所述的步骤5建立造渣期终点GRNN预测模型为：

其中、x为输入为向量，w为权值，c为扩展常数，GRNN收敛于样本量积聚较多的优化回归面，在样本数据较少时，预测效果好。

本发明有益效果：

本发明过程简单，易操作，容易推广，将火焰特征颜色矩ζ_i作为神经网络输入层参数研究转炉炼铜造渣期终点的方法可作为实际工程应用的重要替代手段，不仅具备较好的精度，也能减少在研究实验方向的成本支出，具有非常广阔的应用前景。

附图说明

图1造渣期全过程火焰图像RGB三基色通道颜色分布；

图2造渣期终点火焰图像提取各基色通道分量信息；

图3造渣期全过程火焰图像颜色矩计算；

图4广义回归神经网络结构图(GRNN)；

图5径向基神经网络模型。

具体实施方式

为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例进一步描述本发明的技术方案

在转炉炼铜造渣期终点预测过程中使用RGB颜色矢量相关系数ξ(μ,v)描述火焰图像信息。在RGB颜色空间中，颜色向量用三维矢量来表示，分别为红色通道量、绿色通道量和蓝色通道量。在造渣过程中ξ(μ,v)值越大，表示火焰相似程度越大。因此，将造渣过程根据火焰颜色相关系数可以分类成3个阶段，计算出准确的造渣期火焰图像颜色矩ζ_i，进而判断终点。

用火焰图像的颜色矢量相关系数ξ(μ，v)来反应造渣过程，使用颜色矩ζ_i描述颜色分布，最终将ζi作为训练集进行训练，判断终点。当转炉炼铜造渣期火焰图像序列ζ_i→0.5且持续稳定的一段时间表示当前正处于造渣初期；当转炉炼铜造渣期火焰图像序列ζ_i→1且为波峰持续稳定的一段时间表示当前正处于造渣中；当0.5＜ζ_i≤0.8持续稳定表示造渣过程达到终点，ζ_i值大小表示当前火焰颜色信息的明暗程度，颜色矩ζ_i综合表示了图像R、G、B三基色通道的特征信息。

转炉造渣终点完全由炉长个人经验通过看火焰或在恶劣条件下从风口取样来判定，工作量大，成本高，时效性差，容易导致喷炉、过吹、欠吹等操作事故，给下游阳极板生产带来不利影响。在高温、灰尘密度大、烟气浓度大的工作条件下，采用颜色矩、颜色相关系数以及神经网络，通过火焰颜色识别来判断转炉炼铜造渣期终点。相对于文献报道的BP神经网络算法、遗传Elman算法和PCA—遗传Elman算法，该方法判断造渣终点具有更高的精度。

在医学图像检索和病理图像检索中也常结合使用颜色矩和颜色相关系数，利用颜色矩和颜色相关系数进行图像全局特征描述，但是医学领域图像更多依赖的是图像细节纹理基元的规律性，而非全过程的规律性，细微特征的处理误差影响预测精度极大。目前，更多的是利用颜色矩和颜色相关系数对日常生活中常见的景物或其他目标识别问题进行研究，利用其图像特征进行识别、分类和预测。但是当进行目标特征研究的时候，常常受到目标样本数量的限制，没有办法获取到足够大的样本总体，只能对当前样本数量进行比例放大，这种情况下的预测是脱离实际的。在冶金领域内应用颜色矩和颜色相关系数进行转炉炼铜造渣期终点预测，能够产生足够多的样本总体，研究样本图像的特征规律。并且该专利更注重造渣期全过程火焰图像的特点，而非细节上的纹理规律，避免复杂繁琐的处理过程中产生的误差减小预测精度。

火焰图像分析方法

转炉吹炼是一个间歇作业过程，每一批铜硫加入，送风数分钟升温后加入熔剂，炉渣造好后倒出再加入铜硫，这样的操作循环数次，期间将富铜硫中的残余铁除去以不可避免将生成大量的Fe3O4，在接近吹炼终点时，烟气中的SO2浓度会突然降低。上述造渣过程伴随着元素含量的变化，火焰颜色有肉眼可见的变化，呈现红、白、蓝的状态，具备显著的特征。通过火焰颜色进行终点判断，辅助操作人员更加明确造渣终点，避免人员经验差异或者操作失误影响铜含量生产。根据造渣期火焰燃烧状况对整体火焰图像的灰度分布的影响，也说明了各基色通量颜色之间色度差异极大。基于此，可以根据色彩相似度度量方法对火焰彩色图像进行数据分析处理。

本发明从造渣期火焰颜色图像出发，基于图像光谱成分中特征的差异性，将火焰各基色通道表现型分离出来，转炉在造渣过程中，随着炉内化学元素、熔池温度和其他因素的影响，火焰呈现不同的色度变化，提取相关火焰色度特征信息，研究火焰图像颜色的三阶矩特征，结合广义回归神经网络GRNN进行特征值的优化和分类判断，预测转炉炼铜造渣期终点判断。

颜色相关系数ξ(μ,v)

在RGB颜色空间中，颜色向量是用三维矢量来表示的。对于三维空间内的一个矢量，可以由两个参量决定，即向量的方向和幅值。判断两个矢量之间的相似性，也由这两个参量决定。两个矢量之间的方向相似性度量可由相关系数的计算得到。

假设RGB颜色空间中两种不同的颜色矢量分别用μ和v表示为μ＝(μ₁,μ₂,μ₃)'和v＝(v₁,v₂,v₃)'，这两种颜色矢量之间的相关系数用ξ(μ，v)表示，则：

其中，ξ(μ,v)∈[0,1]，ξ(μ,v)值越大，表示火焰图像的颜色相似程度越大。称这个相关系数为颜色相关系数，直接应用于转炉炼铜造渣期终点的预测数值分析计算中。

火焰图像颜色矩ζ_i

颜色特征是在图像检索中应用较为广泛的视觉特征，主要原因在于颜色往往和图像中所包含的物体或者场景紧密相关。此外，与其他的视觉特征相比，颜色特征对于图像本身的尺寸、方向和视角的依赖性较小，从而具有极高的鲁棒性。这种全局特征详细描述了物体图像区域所对应的物体表象特征。这种颜色特征基于像素点特征，所有属于图像或图像局部区域像素各自具有贡献。同时结合颜色对于图像或者区域方向、大小等因素变化不敏感的特点，使用颜色矩的特征提取方法与造渣期各阶段进行匹配。

颜色矩是一种基于数学方法计算颜色的矩来描述图像颜色分布的方法。图像中任一颜色分布均可以用颜色的矩来表示。颜色矩直接在RGB空间计算，由于颜色的分布信息主要集中在低阶矩，因此，仅采用颜色的一阶矩、二阶矩和三阶矩就可以充分表达图像的颜色分布。其定义分别为：

其中，P_ij是第j个元素的第i个颜色分量；N是像素数量。一阶矩i定义的是每个颜色分量的平均强度，二阶矩和三阶矩分别定义了颜色分量的方差和偏斜度。分别计算三种颜色矩在在这阶段的不同数值平均值归一化特征。

转炉炼铜造渣期火焰图像特征根据图像的特征属性提取进行评价，对于转炉炼铜数据而言，仍需要神经网络进行优化和分类，利用广义神经网络建立火焰颜色特征与转炉炼铜造渣的数据之间的预测模型。

造渣期终点GRNN预测模型

广义回归神经网络包含径向基神经元和线性神经元，GRNN在结构上由四层构成，分别为输入层、模式层、求和层和输出层。输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。结构如图4所示，该网络结构隐含层为径向基层，输出层为线性层。在该神经网络中，R表示输入元素数量，隐含层有S1个径向基神经元，输出层有S2个线性神经元。其中，径向基神经元的结构如图5所示，径向基神经元输入为向量x和权值w之间的距离乘以阈值b：

径向基神经元的输出位：

径向基隐含层的单元数等于训练样本数s¹，其权值函数为欧几里得距离度量函数：

上式的作用是计算网络输出矢量P与第一层的权值值矢量W1之间的距离，b1为隐含层阈值。权值函数的输出结果与阈值b1的乘积形成净输入n1，并将其传送到隐层的传递函数。隐层传递函数为径向基函数，常采用高斯函数：

高斯函数是一种局部分布对中心径向对称衰减的非负非线性函数，对输入信号在产生局部响应，并且当输入参数信号接近基函数的中央范围时，隐含层节点将产生极大输出，抑制输出单元的激活，使得网络具有局部逼近的能力。径向基函数的阈值b1一定程度上能够调节函数的灵敏度，结合扩展常数C，设定b1i＝0.8326/Ci。此时隐含层神经网络的输出为：

GRNN收敛于样本量积聚较多的优化回归面，并且在样本数据较少时，预测效果也较好。因此，GRNN在多个各个领域得到了较为广泛的应用。然而它在转炉炼铜造渣期终点预测领域的报道仍然较少，GRNN模型的优点是模型结构简单，需要调整的参数少，预测速度快，并且避免了繁琐、冗长的数学计算，有较好的应用前景。

转炉炼铜造渣期终点判断智能控制系统

在转炉炼铜造渣期终点判断过程中，采用PID控制算法，按偏差的比例(P)、积分(I)和微分(D)进行控制至今广泛应用。在测量出实际与控制对象发生变化后，按定额或标准来进行纠正，对系统的输出响应进行在线监测，采用闭环控制实时调整PID参数，通过这三个参数的组合控制算法可以有效纠正被控对象的偏差，以达到稳定的控制状态。

系统由上位机、单片机、高清摄像机和信号采集器组成转炉炼铜造渣期终点判断智能控制系统，智能控制系统完成图像的采集、图像的处理、神经网络评价转炉炼铜造渣期终点判断、控制系统PID参数调整，上位机利用神经网络完成造渣期终点的预报，控制系统为单输入、单输出，下位机单片机用于预报数据进入控制系统，采集现场数据，PID控制算法监测及控制参数优化，实现回路控制，在终点时完成预报报警。上位机和下位机单片机通过RS-232串口通信。

实施例一

以2#转炉为例进行分析，分别对人工经验造渣初期、造渣中期和造渣终点的火焰图像进行分析，图1和2中原图为彩色。

转炉炼铜造渣期火焰图像中，造渣燃烧的火焰主体与背景之间颜色存在较大的差异，从图1中可以看出，火焰的颜色主体接近白、黄、红，同时对各阶段火焰图像进行色彩灰度处理，区分RGB三基色灰度分布，在造渣初期，由于火焰燃烧不充分且不剧烈，主体相较造渣中后期表现为整体灰度值较低，颜色较暗，因此统计出来的三基色分量每个颜色灰度值都较低，最高表现为2.5*104；在造渣中期，灰度值高点数值升高到4.5*104，说明整体火焰表现增强，对应于造渣期燃烧充分且剧烈的情况；到了造渣终点，燃烧变得稳定，高灰度值表现部分的三基色通道开始降低，对应于图中高点灰度值回落，达到3.5*104，也对应于整体火焰面积的减小，使得颜色分布更为明确和清晰。

2#转炉的颜色相关系数ξ(μ，v)如表1所示：

表1 10组三阶段造渣过程火焰图像相关系数

根据人工收集到的不同阶段火焰图像计算相关性，各阶段之间的火焰图像相关系数ξ(μ，v)都近似于1，判断各阶段图像特征明显，图像灰度变化幅度较小，明暗分布较均匀性，任选两张不同阶段的火焰图像比对相关系数，如表2所示：

表2交叉比对不同阶段颜色相关系数

上表表示了在造渣各阶段中存在着火焰图像特征差异，并且差异明显，造渣初期与造渣终点相关系数较低，表现在火焰呈现出火焰红色通道信息占比升高，蓝色通道信息占比降低，图片之间的整体灰度图像前后差异明显。

火焰图像颜色矩ζ_i如图3：

其中数据表现为前10幅火焰图像为典型的造渣初期火焰图像，中间20幅为造渣中期燃烧剧烈且充分的火焰图像，最后10幅为造渣终点的火焰图像。可以看出，颜色矩的阶数级别越高，造渣的各阶段数值差异化表现更加明显，同时颜色三阶矩的极差最小，数据波动较小，标准差较低，更加稳定。结合上述特征，选择颜色三阶矩更加有利于后续神经网络数据特征优化和输入，因此确定颜色三阶矩作为火焰图像颜色识别的标准特征。

表3造渣期三阶段火焰颜色矩

造渣期终点GRNN预测模型

根据GRNN神经网络的结构特征，确定网络的输入层和输出层神经元的数目分别为输入的特征向量维数和造渣阶段数，由于实验中包含造渣初期、造渣中期和造渣终点，因此待分类的样本种类为3，对应的输出层的节点数也相应确定为3。本文采用数字表示三类造渣阶段的仿真结果，令造渣初期的对应输出为1，造渣中期的对应输出为2，造渣终点的对应输出为3。并通过Matlab编程实现。GRNN神经网络分类结果如表4、表5：

表4分类结果

表5部分测试样本结果

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种判断转炉炼铜造渣期终点的方法，其特征在于：所述的方法采用以下步骤实现：步骤1利用高清摄像机和信号采集器采集转炉炼铜造渣期足够充分且连续的火焰实时图像信息；

步骤2.根据摄像机拍摄角度和拍摄范围，将获得到的造渣期火焰实时图像进行RGB三基色颜色通道分离，分别设定为红色通道、绿色通道和蓝色通道信号；

步骤3.运用颜色相似度度量方法中颜色相关系数ξ(μ，v)，分别对造渣期火焰图像分阶段初步判断差异性,当相关系数接近1表示火焰图像属于同一阶段，充分小于1即趋近于0则表示火焰图像状态弱相关或者无相关性；

步骤4.利用图像颜色矩ζ_i方法，采用图像颜色的一阶矩、二阶矩和三阶矩表达火焰图像颜色特征，将特征进行数值量化；

步骤5.将颜色矩ζ_i作为广义回归神经网络GRNN的输入层参数，并建立造渣期终点GRNN预测模型，选择样本作为训练集、测试集和验证集，并记录准确度；

步骤6.转炉炼铜造渣期终点判断智能控制系统监测，在终点时完成预报报警。

2.根据权利要求1所述的一种判断转炉炼铜造渣期终点的方法，其特征在于：所述的步骤3中的颜色相关系数ξ(μ，v)，用于检验火焰图像相关性，判断火焰阶段性变化，将所属同一造渣阶段相关系数接近的火焰图像分为一类，根据结果将造渣过程分为造渣初期、造渣中期和造渣终点。

3.根据权利要求1所述的一种判断转炉炼铜造渣期终点的方法，其特征在于：所述的步骤5详细方法为将颜色矩ζ_i作为广义回归神经网络(GRNN)的输入层特征值，选择样本数量为n的造渣期火焰图像设定为训练集，并设定对应响应造渣期阶段分别为造渣初期(1)、造渣中期(2)和造渣终点(3)，设定样本数量为m的造渣期火焰图像为测试集，检验造渣过程火焰图像所处阶段，利用神经网络的预测结果，判断当前火焰实时图像所处阶段，也可以对已判断造渣阶段进行辅助检验。

4.根据权利要求1或2所述的一种判断转炉炼铜造渣期终点的方法，其特征在于：所述的步骤3关于颜色相关系数ξ(μ,v)：假设RGB颜色空间中两种不同的颜色矢量分别用μ和v表示为μ＝(μ₁,μ₂,μ₃)'和v＝(v₁,v₂,v₃)'，这两种颜色矢量之间的相关系数用ξ(μ,v)表示，则：

其中，ξ(μ，v)∈[0,1]，ξ(μ,v)值越大，表示火焰图像的颜色相似程度越大，称这个相关系数为颜色相关系数，直接应用于转炉炼铜造渣期终点的预测数值分析计算中。

5.根据权利要求1或3所述的一种判断转炉炼铜造渣期终点的方法，其特征在于：所述的步骤4所述的颜色矩ζ_i计算方法如下：

图像中任一颜色分布均可以用颜色的矩来表示，颜色矩直接在RGB空间计算，由于颜色的分布信息主要集中在低阶矩，因此，仅采用颜色的一阶矩、二阶矩和三阶矩就可以充分表达图像的颜色分布，其定义分别为：

其中，P_ij是第j个元素的第i个颜色分量；N是像素数量，一阶矩i定义的是每个颜色分量的平均强度，二阶矩和三阶矩分别定义了颜色分量的方差和偏斜度，分别计算三种颜色矩在在这阶段的不同数值平均值归一化特征。

6.根据权利要求1所述的一种判断转炉炼铜造渣期终点的方法，其特征在于：所述的步骤5建立造渣期终点GRNN预测模型为：

其中、x为输入为向量，w为权值，c为扩展常数，GRNN收敛于样本量积聚较多的优化回归面，在样本数据较少时，预测效果好。

Images