CN113465658A - 基于磁导率的非接触式测温及物料成分检测装置与方法 - Google Patents

Abstract

本发明公开了一种基于磁导率的非接触式测温及物料成分检测装置与方法，实现非接触式测温和物料成分检测。基于磁导率的非接触式测温及物料成分检测装置包括交流电源、激励线圈、检测线圈、高通滤波模块、微弱信号检测模块和计算机。检测方法包括以下步骤：首先安装设备并设置电源参数，然后对物料磁导率与温度、物料成分的关系进行实验标定，建立相关曲线并推导出相关拟合函数，最后采用计算机输出检测数据，实现对物料温度和成分的测定，另一种方法区别在于在实验标定后还利用深度学习的方法构建数据库和深度学习模型。本发明提供的检测装置与方法能够在不受容器内部复杂环境的影响、不干扰物料本身特性的同时，实现非接触式测温和物料成分检测。

Description

基于磁导率的非接触式测温及物料成分检测装置与方法

技术领域

本发明属于测温领域和物料成分检测技术领域，尤其涉及一种基于磁导率的非接触式测温及物料成分检测装置与方法。

背景技术

传统的测温方法主要是接触式测温，例如热电偶、热电阻测温，经过多年的研究和发展，接触式测温方法已经发展得较为成熟，在工业上得到广泛应用。但是接触式测温直接与被测对象近距离接触，在高温的工作环境下，测量装置易发生老化、损坏等问题，导致测温结果不准确。

非接触式测温方法不需要与被测对象接触，不会干扰温度场，具有原理简单、动态响应特性好、安装便捷的特点，广泛应用于电站锅炉、回转窑、燃料电池等工业现场。因此，研究非接触式测温技术在工业中的应用具有重要意义。

磁学测温是非接触式测温方法中一种利用被测对象电磁特性与温度特性之间关系进行测温的技术。在直接还原用回转窑工况中，铁矿石磁导率随冶炼时间的变化而变化，铁矿中通常含有大量的Fe₂O₃，Fe₃O₄等，不同温度下被不同程度还原成铁，在这个过程中铁矿石成分的变化导致磁导率随之发生变化。当窑内的温度不接近材料的居里温度时，铁磁性材料的相对磁导率受温度影响较小，而物料成分改变对磁导率的影响较大，因此可以根据窑内物料磁导率的变化来判断回转窑对应点的温度，同时根据物料磁导率的实际值来判断该处铁矿的还原程度和含铁量，借此控制窑内温度和提高炼铁的效率。

目前常用于物料成分检测的方法主要是化学分析法、仪器分析法和铁磁性测量法，化学分析法利用化学方法分析物料成分含量，仪器分析法利用光学原理对所测射线的变化进行分析，但不能进行实时快速测量，且不能测量正处于工况中的物料。铁磁性测量法是物料检测方法中一种利用被测对象电磁特性与物料成分含量之间关系进行检测的技术，主要针对铁磁性材料，具有非接触、实时的特性，在不改变物料本身的同时能够进行快速准确的测量，具有较为广阔的应用前景。

目前针对直接还原用回转窑内物料磁导率检测的方法和仪器还没有相关的研究，磁导率的检测大多是对金属进行测定，距离较近，且装置较小，虽然精度很高，但利用磁导率进行非接触式测温和物料成分检测的研究还很少。

发明内容

为了达到上述目的，本发明实施例提供了一种基于磁导率的非接触式测温及物料成分检测装置，能够检测出物料在不同时刻、不同位置下的含铁量等成分变化；能够检测物料的磁导率变化；检测结果灵敏度高，测试过程简单，装置安装便捷，能够不受容器内部复杂环境的影响，不干扰物料本身特性，实现非接触式测温和物料成分检测。

本发明实施例还提供了两种基于磁导率的非接触式测温及物料成分检测方法。

为达到以上技术目的至少其中一个，本发明所采用的一个技术方案是，提供了一种基于磁导率的非接触式测温及物料成分检测装置，包括交流电源、激励线圈、U型磁轭、检测线圈、高通滤波模块、微弱信号检测模块和计算机；所述交流电源为工频大功率交流电源，交流电源正负极分别连接激励线圈两端的引出线；所述激励线圈与检测线圈分别位于U型磁轭两端并缠绕在U型磁轭上；所述高通滤波模块与检测线圈输出端连接，用于对检测信号进行高通滤波；所述微弱信号检测模块与高通滤波模块输出端相连，用以感应电压信号的幅值相位信息；所述计算机和微弱信号检测模块输出端相连，通过数据端口或无线传输接收微弱信号检测模块传递的数据。

进一步地，所述微弱信号检测模块基于锁相放大技术设计而成，由前置放大电路、信号调节电路、调谐放大电路、相敏检波电路、低通滤波电路和相位变换电路组成；所述前置放大电路输出端与调谐放大电路输入端相连；所述调谐放大电路、信号调节电路输出端均与相敏检波电路输入端相连；所述相敏检波电路输出端与低通滤波电路输入端相连；所述低通滤波电路输出端与相位变换电路输入端相连。

进一步地，所述基于磁导率的非接触式测温及物料成分检测装置还包括磁芯，所述磁芯为低频耐高温磁芯，安装于被测设备内部，位于检测装置与物料之间；所述磁芯的直径为50～60mm；所述磁芯的材料为硅钢。

进一步地，所述激励线圈和检测线圈的线圈选用漆包线，线圈线径为0.8～1.2mm；所述激励线圈匝数为4000～5000匝；所述检测线圈匝数为300～500匝；所述激励线圈和检测线圈线圈高度均为30～40mm；所述激励线圈的激励电流大小为1～2A；所述激励线圈的激励频率为20～50Hz。

优选的，所述激励线圈和检测线圈的线圈线径均为1.0mm；所述激励线圈匝数为4500匝；所述检测线圈匝数为400匝；所述激励线圈和检测线圈的线圈高度均为35mm；所述激励线圈的激励电流大小为1.5A，激励频率为35Hz。

本发明采用的另一个技术方案是，提供了一种基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，包括以下步骤：

步骤1：在被检测设备上安装所述基于磁导率的非接触式测温及物料成分检测装置，使待测物料处于U型磁轭上激励线圈和检测线圈所产生的磁场范围之内，然后设置交流电源的基本参数；

步骤2：对数据进行实验室标定：首先标定温度与物料磁导率变化关系：启动设备，投入物料使其处于正常工况中，利用接触式测温方法测量检测点处实际温度，之后停止设备，待物料冷却后取样并用磁导率检测仪测出物料磁导率，多次测量后对各个检测点进行参数标定，得到物料磁导率与温度的关系曲线，推导拟合函数；接下来对物料成分与磁导率进行标定：取样不同成分物料并用磁导率检测仪测出其磁导率，多次测量后对各个检测点进行参数标定，得到物料磁导率与成分之间的关系曲线，推导出拟合函数；

步骤3:实验室标定完成后，在计算机上构建检测平台：利用QT软件设计图形界面，包括磁导率变化曲线窗口、温度监控曲线窗口和物料成分曲线窗口，从输入数据的端口读取微弱信号检测模块的数据，调用之前得到的物料磁导率与温度的关系曲线和物料磁导率与成分之间的拟合函数与关系曲线，即可计算出被测对象温度和物料成分。

本发明采用的又一个技术方案是，提供了一种基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，包括以下步骤：

步骤一：在被检测设备上安装所述基于磁导率的非接触式测温及物料成分检测装置，使待测物料处于U型磁轭上激励线圈和检测线圈所产生的磁场范围之内，然后设置交流电源的基本参数。

步骤二：采用深度学习网络对检测信号进行处理：首先采集数据构建数据集：将标定方法中得到的物料磁导率、物料成分和温度组成的2D张量作为目标，把数据集的一部分作为训练数据，另一部分作为验证数据；然后搭建算法框架：构建网络时设置三个全连接层并将三个全连接层进行简单堆叠，前两个全连接层初始设置每层有64个单元，选择relu函数作为激活函数，最后一层全连接层设置一个单元，不进行激活；编译网络时，优化器选择rmsprop优化器，选择mse损失函数，即预测值与目标值之差的平方，用来评价模型的预测值和真实值的差异程度，衡量当前任务是否成功完成，然后以平均绝对误差(MAE)作为训练过程中的监控指标；编译完成后在训练集上训练模型并采用K折交叉验证评估模型：将数据划分为K个分区，实例化K个相同的模型，将每个模型在(K-1)个分区上训练，并在剩下的一个分区上进行评估，训练模型的验证分数等于K个实例化模型验证分数的平均值；根据验证结果对模型进行调参，包括轮数和隐藏层的大小，使用最佳参数在所有训练数据上训练最终的模型；对于不同被检测设备需构建不同的数据集，分别按照上述方法进行训练以扩展装置的适用性；

步骤三：算法设计完成后，利用QT软件搭建检测平台并调用此算法，投入物料进行测量，经微弱信号检测模块输出的检测信号输入计算机，调用已经训练好的模型，最终输出物料的磁导率、温度和物料成分信息。

进一步地，所述步骤二中标定方法包括标定温度与物料磁导率变化关系：启动设备，投入物料使其处于正常工况中，利用接触式测温方法测量检测点处实际温度，之后停止设备，待物料冷却后取样并用磁导率检测仪测出物料磁导率，多次测量后对各个检测点进行参数标定，得到物料磁导率与温度的关系曲线，推导拟合函数；接下来对物料成分与磁导率进行标定：取样不同成分物料并用磁导率检测仪测出其磁导率，多次测量后对各个检测点进行参数标定，得到物料磁导率与成分之间的关系曲线，推导出拟合函数。

优选的，所述步骤二中K折交叉验证为4折交叉验证：将数据划分为4个分区，实例化4个相同的模型，将每个模型在3个分区上训练，并在剩下的一个分区上进行评估，模型的验证分数等于4个验证分数的平均值。

本发明的有益效果是：

1、本发明所述装置检测结果灵敏度高，测试过程简单，装置安装便捷，能够不受容器内部复杂环境的影响，不干扰物料本身特性。

2、本发明所述方法通过对物料磁导率与温度、物料成分的关系标定，推导出相关拟合函数，采用计算机对检测数据反演分析，实现非接触式测温和物料成分检测。

3、本发明能有效避免接触式测温方法存在的装置易损、老化等问题，提高装置使用寿命，降低维修成本。

4、本发明采用铁磁性测量法测定物料成分及温度，具有非接触、实时、精准的特点。

5、本发明优化了装置线圈各项参数，提高了装置的检测灵敏度。

6、本发明采用微弱信号检测技术，减少了噪声干扰，提高了检测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例非接触式测温及物料成分检测装置的结构示意图；

图2是本发明实施例所述的微弱信号检测流程图；

图3是本发明实施例所述基于标定方法的程序流程图；

图4是本发明实施例所述基于深度学习的程序流程图；

图5是本发明实施例所述装置在回转窑上应用的截面示意图；

图6是本发明实施例回转窑运转时物料分布截面示意图；

图7是本发明实施例多个检测点在回转窑上安装的截面示意图；

图8是本发明实施例普通碳钢相对磁导率与温度、磁场强度关系曲线示意图。

图中：1、交流电源；2、激励线圈；3、U型磁轭；4、检测线圈；5、高通滤波模块；6、微弱信号检测模块；7、计算机；8、磁芯；9、回转窑外钢壁；10、耐火内衬；11、回转窑内壁；12、第一检测点；13、第二检测点；4、第三检测点；15、第四检测点；16、物料。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种基于磁导率的非接触式测温及物料成分检测装置，包括交流电源1、激励线圈2、U型磁轭3、检测线圈4、高通滤波模块5、微弱信号检测模块6和计算机7。该装置利用被测材料的磁导率与物料温度、成分的关系，对物料的温度和成分实现实时的非接触式测量，检测结果灵敏度高，测试过程简单，装置安装便捷，使用寿命长，能够不受容器内部复杂环境的影响，不干扰物料本身特性，适用于大多数使用铁磁性材料的设备，尤其适用于回转窑等密闭的对温度、物料检测要求严格的中大型设备。

所述交流电源1为工频大功率交流电源，交流电源1正负极分别连接激励线圈2引出线的两端；本发明对电源的选型有严格的要求，该方法为非接触式测量，与物料之间存在较大间隙，在大型设备的应用上，必须要使到达物料的磁场足够强。由于电磁场在铁磁性材料表面的趋肤效应，电源的频率选择20～50Hz，因为低频下被测材料表面产生的涡流场较小，可以减少涡流场的阻碍作用，增大趋肤深度，充分反映物料的电磁特性。电源的功率大小视实际应用选择，同时考虑激励线圈2的特性，应避免激励线圈过热影响测量结果。

所述检测线圈4与激励线圈2分别位于U型磁轭3两端并缠绕在U型磁轭3上；激励线圈2高度小，匝数多，呈扁平状，通入指定频率交流电，产生稳定的交变磁场，磁感线直接或经磁芯8导磁后通过物料到达检测线圈4，与U型磁轭3形成闭合磁路，在检测线圈4中产生感应电压信号。当物料温度升高导致物料成分发生变化，其自身磁导率也随之变化，到达检测线圈4的磁感应强度发生变化，使得输出的电压信号产生差异，通过对电压信号进行滤波放大等信号处理后能够反映出此时物料的温度和成分变化：

由磁路欧姆定律可知：

i＝ΦR_m＝Φ(R_内+R_外)

i——磁轭的电流线密度；

Φ——磁回路磁通量；

Rm——磁路的总磁阻；

R_内，R_外——磁路中磁轭的磁阻和磁路被测对象的磁阻；

根据麦克斯韦方程式可以得到感应输出信号u_out：

N₂——检测线圈匝数；

L——被测对象长度；

μ——被测对象磁导率；

S——被测对象平均等效截面积。检测线圈4感应电压变化与上式各参数有关，当被测对象磁导率发生变化时，感应电压信号也相应变化，当温度低于被测对象的居里温度时，根据被测对象在不同温度下磁导率的变化，通过检测磁导率的大小可以反演出某一位置的温度值和物料成分。

所述高通滤波模块5与检测线圈4输出端连接，用于对检测信号进行高通滤波；在实际中噪声都是高频信号，检测信号的频率为低频，选择合适的截止频率对检测信号滤波可以消除高频噪声的影响，提高测量的准确性。

所述微弱信号检测模块6与高通滤波模块5输出端相连，用以感应电压信号的幅值相位信息；由于产生的电压信号变化率不超过5％，容易受到各种噪声信号的干扰，难以用直接检测的方法得出结论，因此需要采用微弱信号检测技术。

所述计算机7是普通计算机，和微弱信号检测模块6输出端相连，通过数据端口或无线传输接收微弱信号检测模块6传递的数据；通过计算机的检测平台软件对传输数据进行处理，计算出被测对象磁导率，根据磁导率与温度、物料成分的关系推导的拟合函数，计算出被测对象温度和物料成分，同时记录磁导率的变化趋势，以便进行温度、物料成分控制和预警等功能设计。在回转窑应用装置中，还要考虑到区别回转窑钢壁与实际检测点位置信号的差别，准确获取检测点处的感应电压信号。

进一步地，如图2所示，所述微弱信号检测模块6基于锁相放大技术设计而成，由前置放大电路、信号调节电路、调谐放大电路、相敏检波电路、低通滤波电路和相位变换电路组成。其基本原理是利用输入的待测微弱检测信号与频率相同的参考信号在相敏检波电路中实现互相关，从而将有用信号从非相关噪声中检测出来；检测信号先经高通滤波模块5消去高频噪声的干扰，再经过微弱信号检测模块6的前置放大电路放大100～1000倍后输入到调谐放大电路中，只有与有用信号频率一致的信号才能经放大后输入到相敏检波电路中；参考信号输入到信号调节电路中，经过幅值调整和相位偏移调节后输入相敏检波电路，与处理后的被测信号进行互相关运算，经低通滤波电路后将所得到的同相输出、正交输出输入相位变换电路，最终得到用电压信号表示的被测信号幅值信息和相位信息。

优选的，由于测量装置与物料之间隔着被检测设备的外壁，需要在测量装置与物料之间安装低频耐高温的磁芯8进行导磁，减少空气漏磁。由于测量现场温度较高，电源信号为低频，因此磁芯8必须具有较强的耐温性能和低频工作能力。在实际工况中，耐火内衬10仍会有100～200℃高温，所以磁芯8必须具有耐高温特性；必要时可对磁芯8添加屏蔽外壳，减少激励线圈2产生的磁场对检测线圈4的直接作用。

优选的，所述激励线圈2和检测线圈4的线圈选用漆包线，线圈线径为0.8～1.2mm，能够承受5～10A交流电流，不易发热；激励线圈2匝数在4000～5000匝之间，增大产生的磁场，同时避免整体阻抗过大削弱磁场；检测线圈4匝数在300～500匝之间，信号灵敏度更高；所述激励线圈2和检测线圈4线圈高度为30～40mm，磁场聚集性好；所述激励线圈2的激励电流大小为1～2A，确保线圈能产生足够强磁场，提高检测精度；所述激励线圈2的激励频率为20～50Hz，渗透深度大，能充分反映物料整体磁导率变化，减小涡流效应影响同时不影响检测实时性；所述磁芯8的直径在50～60mm，可以增大与物料、空气接触面积，减小磁阻；所述磁芯8的材料为硅钢，硅钢具有良好的导磁性能，内阻大可减小涡流效应，降低磁芯温度，在700℃仍能保持自身特性。

优选的，激励线圈2和检测线圈4的线圈线径为1.0mm，激励线圈2匝数为4500匝，检测线圈4匝数为400匝，线圈高度均为35mm，磁芯8直径为55mm，激励电流大小为1.5A，激励频率为35Hz。

如图3所示，本发明还提供了一种基于标定方法的采用基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，首先在设备上安装本发明所述装置，使待测物料处于U型磁轭3所产生的磁场范围之内，然后设置交流电源1的基本参数，在进行检测时预先对数据进行实验室标定，包括标定温度与物料磁导率变化关系：启动设备，投入物料使其处于正常工况中，可利用接触式测温方法测量检测点处实际温度，之后停止设备，待物料冷却后取样并用磁导率检测仪测出物料磁导率，多次测量后对各个检测点进行参数标定，得到理想工况下物料磁导率与温度的关系曲线，推导拟合函数；接下来对物料成分与磁导率进行标定：取样不同成分物料并测出其磁导率，进行标定后推导出拟合函数，得到物料磁导率与成分之间的关系曲线；实验室标定完成后，在计算机上构建检测平台：利用QT软件设计图形界面，包括磁导率变化曲线窗口、温度监控曲线窗口和物料成分曲线窗口，从输入数据的端口读取数据，调用之前得到的物料磁导率与温度的关系曲线和物料磁导率与成分之间的拟合函数与关系曲线，计算出被测对象温度和物料成分，即可对设备进行物料成分、温度检测。对于不同设备中的应用，所使用的标定数据不同，可对常用设备进行数据采集、参数标定、构建数据库，通过检测平台的设置调用不同设备的参数以实现测量，从而提高本发明所述装置的普适性。

如图4所示，本发明还提供了一种基于深度学习的采用基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，先在设备上安装本发明所述装置，使待测物料处于U型磁轭3所产生的磁场范围之内，然后设置交流电源1的基本参数，并采用深度学习网络对检测信号进行处理：由于没有通用数据集，所以首先要采集数据构建数据集，数据的特征只有一个，即检测信号，数据的类型为2D张量，因此在训练前不需进行数据标准化，将标定方法中得到的物料磁导率、物料成分和温度组成的2D张量作为目标，把数据集的一部分作为训练数据，另一部分作为验证数据；然后搭建算法框架，由于训练数据较少，易导致过拟合严重，且数据处理类型简单，因此网络构建时只需设置三个全连接层并将三个全连接层进行简单堆叠，前两个全连接层初始设置每层有64个单元，选择relu函数作为激活函数，最后一个全连接层只有一个单元，不需要进行激活；编译网络时，优化器选择rmsprop优化器，选择mse损失函数，即预测值与目标值之差的平方，用来评价模型的预测值和真实值的差异程度，衡量当前任务是否成功完成，然后以平均绝对误差(MAE)作为训练过程中的监控指标；编译完成后在训练集上训练模型并在验证集上验证评估模型，由于验证集数据较少，可以采用K折交叉验证训练模型的可靠性，在此使用4折交叉验证(K＝4)，将数据划分为4个分区，实例化4个相同的模型，将每个模型在(4-1)个分区上训练，并在剩下的一个分区上进行评估，训练模型的验证分数等于4个实例化模型验证分数的平均值；根据验证结果对模型进行调参，包括轮数和隐藏层的大小，使用最佳参数在所有训练数据上训练最终的模型；对于不同设备需构建不同的数据集，分别按照上述方法进行训练以扩展装置的适用性；算法设计完成后，利用QT软件搭建检测平台并调用此算法，投入物料进行测量，经微弱信号检测模块6输出的检测信号输入平台，调用已经训练好的模型，最终输出物料的磁导率、温度和物料成分信息。该方法灵活性好、实时性强、测量精度更高，具有较强的实用性，更符合现代工业生产的需求。

在一种具体实施方式中，如图5所示，当所述基于磁导率的非接触式测温及物料成分检测装置应用在回转窑测温及物料成分检测时，首先将装置安装固定在回转窑底部外，在回转窑外钢壁9上开孔，可以减少通过钢壁形成磁回路的磁感线和钢壁涡流效应干扰，提高装置检测灵敏度；再在耐火内衬10打孔，以不打穿内衬保留3～5cm厚度为准；然后在内衬孔洞中嵌入硅钢片材质的磁芯8导磁，可以增强到达物料的磁场，磁芯8与检测线圈4磁芯不接触；接下来设定交流电源1的功率、频率，通过交流电源1产生的交流电流驱动激励线圈2产生交变电磁场，回转窑在转动过程中，当磁芯8与线圈磁芯正对时，产生的电磁场通过磁芯8到达物料表面，磁感线通过物料、磁芯8、U型磁轭3形成闭合磁回路，并在检测线圈4上产生感应电压，当各个参数确定时，感应电压变化仅与物料磁导率大小有关，通过滤波、微弱信号检测后将感应电压幅值相位信息传输到计算机7，计算出物料的磁导率，再根据温度-磁导率、物料成分-磁导率特性曲线反演出该时刻温度和物料成分，或者利用深度学习网络输出物料温度及成分信息。其中激励线圈2和检测线圈4的线圈线径为1.0mm，激励线圈2匝数为4500匝，检测线圈4匝数为400匝，线圈高度均为35mm，磁芯8直径为55mm，激励电流大小为1.5A，激励频率为35Hz。

由于回转窑内壁11为物料堆放区，回转窑运转缓慢，物料16在不停的翻滚并向前移动一段距离，在翻滚的过程中，粒度大、形状规则的物料形成外层，粒度小的物料构成内心(参见图6、图7)，因此将装置安装在回转窑底部，物料总是处在装置正上方。

由于回转窑旋转缓慢，转一圈所需时长为1～2min，每转一圈检测点只测量一次，为确保测量的准确性，因此需要在回转窑壁上多开设几个检测点(参见图7)，如第一检测点12，第二检测点13，第三检测点14，第四检测点15，采集多组数据，减小偶然因素影响。此外检测平台还必须区分回转窑检测点处信号与经过回转窑钢壁的信号，准确对检测点数据分析，在检测过程中，经过窑壁的区域要远大于检测点区域，检测装置在窑壁区域产生的信号基本保持不变，当经过检测点时检测信号发生跳变，回转窑一圈周期中会产生与检测点数量相同的跳变信号，以此作为检测点与窑壁信号的区分。

如果温度控制不当，容易造成回转窑的结圈问题，一旦结圈，窑内的物料运动、气流运动、热工制度、还原过程和各种反应均遭破坏，严重时将被迫停窑。本发明所述方法和装置能够有效检测窑内结圈现象，及时预防结圈。炉衬上的粘结物主要是煤灰与还原过程铁氧化物粉末生成低熔点化合物引起，当检测点处出现结圈时，会影响检测信号的改变，当测量计算得到检测点处的磁导率处于某一个非正常值，且持久不变，可以判断此处发生了结圈线圈，需要对温度进行适当调节。

图8是普通碳钢的相对磁导率与温度和磁场强度的函数曲线图，其非线性关系表达式为：

其中：

式中μ0＝4π×10^－7为真空磁导率；μ_r0＝200为T＝0℃时的初始相对磁导率；J_s0＝2T，为T＝0℃时饱和磁通密度；T_C＝730℃为居里温度；α＝0.4为膝点调节系数，曲线中调节拐点位置和形状的参数；C₀＝50为温度常数，且COFE(T₁)＝0.1，T₁-T_C＝Cln0.9。

由此可知，交流电源为恒定电源，激励线圈产生的磁场强度基本稳定，在此条件下，物料温度低于曲线拐点温度时，其本身的相对磁导率受到温度的影响较小，改变磁导率的因素主要是物料成分的变化，在磁铁矿的回转窑还原工艺中，磁铁矿是铁磁性矿物，主要成分是Fe₃O₄，其相对磁导率约为5，铁元素含量约为72.4％。磁铁矿的还原是一个复杂的过程，在不同的温度下形成不同的中间产物，Fe₃O₄被氧化成Fe₂O₃，Fe₂O₃比Fe₃O₄更容易还原，同时还会产生FeO，最后才会还原成Fe，因此在还原过程中，物料的成分在有规律地发生变化，含铁量也越来越高，导致物料磁导率不断增大。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.基于磁导率的非接触式测温及物料成分检测装置，其特征在于，包括交流电源(1)、激励线圈(2)、U型磁轭(3)、检测线圈(4)、高通滤波模块(5)、微弱信号检测模块(6)和计算机(7)；所述交流电源(1)为工频大功率交流电源，交流电源(1)正负极分别连接激励线圈(2)两端的引出线；所述激励线圈(2)与检测线圈(4)分别位于U型磁轭(3)两端并缠绕在U型磁轭(3)上；所述高通滤波模块(5)与检测线圈(4)输出端连接，用于对检测信号进行高通滤波；所述微弱信号检测模块(6)与高通滤波模块(5)输出端相连，用以感应电压信号的幅值相位信息；所述计算机(7)和微弱信号检测模块(6)输出端相连，通过数据端口或无线传输接收微弱信号检测模块(6)传递的数据。

2.根据权利要求1所述的基于磁导率的非接触式测温及物料成分检测装置，其特征在于，所述微弱信号检测模块(6)基于锁相放大技术设计而成，由前置放大电路、信号调节电路、调谐放大电路、相敏检波电路、低通滤波电路和相位变换电路组成，所述前置放大电路输出端与调谐放大电路输入端相连；所述调谐放大电路、信号调节电路输出端均与相敏检波电路输入端相连；所述相敏检波电路输出端与低通滤波电路输入端相连；所述低通滤波电路输出端与相位变换电路输入端相连。

3.根据权利要求1所述的基于磁导率的非接触式测温及物料成分检测装置，其特征在于，所述基于磁导率的非接触式测温及物料成分检测装置还包括磁芯(8)，所述磁芯(8)为低频耐高温磁芯，安装于被测设备内部，位于检测装置与物料之间；所述磁芯(8)的直径为50～60mm；所述磁芯(8)的材料为硅钢。

4.根据权利要求1所述的基于磁导率的非接触式测温及物料成分检测装置，其特征在于，所述激励线圈(2)和检测线圈(4)的线圈选用漆包线，线圈线径为0.8～1.2mm；所述激励线圈(2)匝数为4000～5000匝；所述检测线圈(4)匝数为300～500匝；所述激励线圈(2)和检测线圈(4)线圈高度为30～40mm；所述激励线圈(2)的激励电流大小为1～2A；所述激励线圈(2)的激励频率为20～50Hz。

5.根据权利要求4所述的基于磁导率的非接触式测温及物料成分检测装置，其特征在于，所述激励线圈(2)和检测线圈(4)的线圈线径均为1.0mm；所述激励线圈(2)匝数为4500匝；所述检测线圈(4)匝数为400匝；所述激励线圈(2)和检测线圈(4)的线圈高度均为35mm；所述激励线圈(2)的激励电流大小为1.5A，激励频率为35Hz。

6.一种如权利要求1-5任一项所述基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，其特征在于，包括以下步骤：

步骤1：在被检测设备上安装所述基于磁导率的非接触式测温及物料成分检测装置，使待测物料处于U型磁轭(3)上激励线圈(2)和检测线圈(4)所产生的磁场范围之内，然后设置交流电源(1)的基本参数；

步骤2：在进行检测时预先对数据进行实验室标定，包括标定温度与物料磁导率变化关系：启动设备，投入物料使其处于正常工况中，利用接触式测温方法测量检测点处实际温度，之后停止设备，待物料冷却后取样并用磁导率检测仪测出物料磁导率，多次测量后对各个检测点进行参数标定，得到物料磁导率与温度的关系曲线，推导拟合函数；接下来对物料成分与磁导率进行标定：取样不同成分物料并测出其磁导率，进行标定后推导出拟合函数，得到物料磁导率与成分之间的关系曲线；

步骤3：实验室标定完成后，在计算机上构建检测平台：利用QT软件设计图形界面，包括磁导率变化曲线窗口、温度监控曲线窗口和物料成分曲线窗口，从输入数据的端口读取微弱信号检测模块(6)输出的数据，调用之前得到的物料磁导率与温度的关系曲线和物料磁导率与成分之间的拟合函数与关系曲线，即可计算出被测对象温度和物料成分。

7.一种如权利要求1-5任一项所述基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，其特征在于，包括以下步骤：

步骤一：在被检测设备上安装所述基于磁导率的非接触式测温及物料成分检测装置，使待测物料处于U型磁轭(3)上激励线圈(2)和检测线圈(4)所产生的磁场范围之内，然后设置交流电源(1)的基本参数；

步骤二：采用深度学习网络对检测信号进行处理：

首先采集数据构建数据集：将标定方法中得到的物料磁导率、物料成分和温度组成的2D张量作为目标，把数据集的一部分作为训练数据，另一部分作为验证数据；

然后搭建算法框架：构建网络时设置三个全连接层并将三个全连接层进行简单堆叠，前两个全连接层初始设置每层有64个单元，选择relu函数作为激活函数，最后一层全连接层设置一个单元，不进行激活；编译网络时，优化器选择rmsprop优化器，选择mse损失函数，即预测值与目标值之差的平方，评价模型的预测值和真实值的差异程度，衡量当前任务是否成功完成，以平均绝对误差作为训练过程中的监控指标；

编译完成后在训练集上训练模型并采用K折交叉验证评估模型：将数据划分为K个分区，实例化K个相同的模型，将每个模型在K-1个分区上训练，并在剩下的一个分区上进行评估，训练模型的验证分数等于K个实例化模型验证分数的平均值；根据验证结果对模型进行调参，包括轮数和隐藏层的大小，使用最佳参数在所有训练数据上训练最终的模型；对于不同被检测设备构建不同的数据集，分别进行训练以扩展装置的适用性；

步骤三：算法设计完成后，利用QT软件搭建检测平台并调用此算法，投入物料进行测量，经微弱信号检测模块(6)输出的检测信号输入计算机(7)，调用已经训练好的模型，最终输出物料的磁导率、温度和物料成分信息。

8.根据权利要求7所述的基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，其特征在于，所述步骤二中K折交叉验证为4折交叉验证：将数据划分为4个分区，实例化4个相同的模型，将每个模型在3个分区上训练，并在剩下的一个分区上进行评估，模型的验证分数等于4个验证分数的平均值。

9.根据权利要求7所述的基于磁导率的非接触式测温及物料成分检测装置的非接触式测温和物料成分检测方法，其特征在于，所述步骤二中标定方法包括标定温度与物料磁导率变化关系：启动设备，投入物料使其处于正常工况中，利用接触式测温方法测量检测点处实际温度，之后停止设备，待物料冷却后取样并用磁导率检测仪测出物料磁导率，多次测量后对各个检测点进行参数标定，得到物料磁导率与温度的关系曲线，推导拟合函数；接下来对物料成分与磁导率进行标定：取样不同成分物料并测出其磁导率，进行标定后推导出拟合函数，得到物料磁导率与成分之间的关系曲线。

Images