CN113467437A

CN113467437A - 一种kr自动扒渣智能路径的优化方法

Info

Publication number: CN113467437A
Application number: CN202010241698.1A
Authority: CN
Inventors: 张宇军; 于艳; 孙兴洪; 蒋晓放; 赵晓波; 程建辉
Original assignee: Baoshan Iron and Steel Co Ltd
Current assignee: Baoshan Iron and Steel Co Ltd
Priority date: 2020-03-31
Filing date: 2020-03-31
Publication date: 2021-10-01
Anticipated expiration: 2040-03-31
Also published as: CN113467437B

Abstract

本发明公开了一种KR自动扒渣智能路径的优化方法，首先对彩色图像灰度处理，然后根据动态阈值方法对图像二值化并计算所有可能路径上扒渣面积尽可能大且扒渣时间尽可能小时的路径为最优路径；或者是根据图像灰度信息表征渣量，直接求取所有可能路径上扒除渣量尽可能大且扒渣时间尽可能小时的路径为最优路径。本发明在实际扒渣作业中具有可操作性、有效性和实用性，可以到达降本增效的目的。

Description

一种KR自动扒渣智能路径的优化方法

技术领域

本发明涉及炼钢中铁水预处理技术领域，更具体地说，涉及一种KR自动扒渣智能路径的优化方法。

背景技术

冶金行业中，高炉铁水一般要经过铁水预处理进行脱硫等工序后，才能进入转炉进行炼钢。一般铁水包脱硫方式有两种，即KR机械搅拌法和镁系复合喷吹法，其中，KR机械搅拌法以逐渐成为首选工艺技术。

KR机械搅拌法产生的含硫渣通过扒渣方式去除，原先的扒渣系统是由人工在机旁操作机械臂完成，由于现场工作环境恶劣，操作工人身心危险性极大。进而启动了KR改造，目前已完成远程扒渣改造，实现了操作人员在远端控制室执行远程扒渣作业。为了进一步降本增效，随后又提出了KR自动扒渣技术的开发需求。

对于开发KR自动扒渣系统的进一步改进，将有助于提高生产效率，降低生产成本，保障现场操作人员的身心健康。

发明内容

针对现有技术中存在的上述缺陷，本发明的目的是提供一种KR自动扒渣智能路径的优化方法，以解决现有技术中的不足。

为实现上述目的，本发明采用如下技术方案：

一种KR自动扒渣智能路径的优化方法，包括以下步骤：

S1、通过扒渣区域边界智能识别模块读取摄像头获取的实时图像，获得铁水包包壁、铁水和渣之间的边界图像；

S2、通过渣量识别计算模块对图像进行处理和识别，根据图像处理和识别结果通过路径规划模块在扒渣策略约束下获得扒渣路径；

S3、通过寻优算法获得满足条件的扒渣路径，将该扒渣路径转化为扒渣臂上扒渣头的坐标数据传送至PLC，通过PLC对扒渣头进行实时控制；

S4、最后当渣量小于阀值时，停止扒渣；

所述步骤S2中，渣量识别计算模块对图像进行处理和识别，包括：

所述图像处理，即为对彩色图像进行灰度处理，再按照设定策略对图像进行扫描；

所述图像识别，即为对铁水包包壁与铁水界面的自动识别、安全区域划分及渣量自动计算，并存储识别结果；

所述步骤S3中，路径规划模块的寻优算法，即为根据输入条件，和所述图像处理和识别结果，采用如下步骤进行路径规划：

1)更新已获得的图像信息；

2)根据图像信息变换扒渣头的坐标；

3)对扒渣区域进行网格划分、区域划分；

4)图像扫描计算扒渣区域内所有可行扒渣路径下的渣量和扒渣头的操作时间；

5)遍历比较各个计算值；

6)选出最优扒渣路径，并将最优扒渣路径转化为扒渣参数，通过PLC对扒渣头进行实时控制。

所述渣量识别计算模块采用基于数字图像处理的图像识别方法，或基于机器学习的图像识别方法对图像进行处理和识别。

所述输入条件，包括已识别渣的位置、形状和灰度，以及扒渣臂与扒渣头的初始位置。

所述图像扫描为每隔一个步长进行扫描，遍历计算每个像素下，扒渣区域内扒渣量和扒渣头的操作时间之比。

所述步长由5～20像素组成。

所述扒渣区域内扒渣量和扒渣头的操作时间之比为最大时的路径即为最优扒渣路径。

所述扒渣量和单次扒渣时间之比为最大时的扒渣头伸出长度值和扒渣臂摆动角的角度值，此点为最优扒渣路径的最远端点。

还包括将最优扒渣路径在可视化设备上显示出，即按照扒渣头伸出长度值和扒渣臂摆动角的角度值两个参数绘制扒渣路径。

扒渣路径为斜线、弧线或不规则曲线。

在上述的技术方案中，本发明所提供的一种KR自动扒渣智能路径的优化方法，在实际扒渣作业中具有可操作性、有效性和实用性，可以到达降本增效的目的。还具有以下几点有益效果：

1)采用一种水平递增扫描自动寻优技术获得所有备选扒渣路径方案；

2)采用自动路径优化与图像智能识别技术相结合的方法实现KR自动扒渣，其中，图像智能识别采用机器视觉技术进行图像分析，既包括传统数字图像识别处理技术，也包括以深度学习为代表的图像识别技术；

3)采用特殊寻优算法(残渣去除量与扒渣时间比的优化方法)来进行备选路径方案的比较，从而获得最优的路径规划结果，现有技术未考虑时间因素。

附图说明

图1是本发明优化方法实施例的流程示意图；

图2是图1中路径规划实施例的流程示意图；

图3是图2中路径算法实施例的示意图。

具体实施方式

下面结合附图和实施例进一步说明本发明的技术方案。

如图1所示，本发明所提供的一种KR自动扒渣智能路径的优化方法，包括以下步骤：

S1、将铁水倾倒入铁水包结束后，通过扒渣区域边界智能识别模块读取摄像头获取的实时图像，获得铁水包包壁、铁水和渣之间的边界图像；

S2、通过渣量识别计算模块对彩色图像进行灰度处理，然后对扒渣图像按照特定策略进行扫描识别，根据图像处理和识别结果通过路径规划模块在扒渣策略约束下；

S3、通过寻优算法获得扒渣量最大、扒渣时间少且满足扒渣头与铁水包避碰约束条件的扒渣路径，并将该扒渣路径转化为扒渣臂上扒渣头的坐标数据传送至PLC，通过PLC对扒渣头进行实时控制；

S4、最后当渣量小于设定阀值时，停止扒渣，铁水罐归位。

在步骤S2中，渣量识别计算模块对图像进行处理和识别，主要包括：

图像处理，即为对彩色图像灰度处理，再对图像按照设定策略进行扫描；

图像识别为对扒渣区域边界图像智能识别和残渣量识别，即针对实时采集的图像，采用基于数字图像处理技术的图像识别方法(腐蚀、膨胀、开闭运算、Canny、Sobel、Scharr、Laplace等)，或基于机器学习的图像识别方法，或多种算法组合来进行铁水包包壁与铁水界面的自动识别、安全区域划分及渣量自动计算，并存储识别结果(边界数据表和安全区域数据表)。

如图2所示，在步骤S3中，路径规划模块的寻优算法，即为根据输入条件(已识别渣的位置、形状和灰度，以及扒渣臂与扒渣头的初始位置等)，和图像处理和识别结果，采用如下步骤进行路径规划：

S3.1、更新已获得的图像信息；

S3.2、根据图像信息变换扒渣头的坐标；

S3.3、对扒渣区域进行网格划分、区域划分；

S3.4、图像扫描计算扒渣区域内所有可行扒渣路径下的渣量和扒渣头的操作时间；

S3.5、遍历比较各个计算值；

S3.6、选出最优扒渣路径，并将最优扒渣路径转化为扒渣参数，通过PLC对扒渣头进行实时控制。

图2中L1是自动化专业术语，指基础自动化，即通过PLC程序控制设备，是最底层的自动控制。

如图3所示，根据输入条件，包括已识别渣的位置、形状和灰度，以及扒渣臂与扒渣头的初始位置等，采用如下算法进行路径规划：

第一步，计算扒渣路径线与识别椭圆边界交点：

1)以图3中O”点为起始点，向上增加一个Delta值，在图像坐标系下即可转化为椭圆坐标系内安全区边界Y值；

2)根据椭圆方程即可求取交点坐标(X，Y)，比如Delta值最大时的D点D(X，Y)；

3)根据扒渣头形状获得扒渣区域，比如Delta值最大时的ABCD平行四边形区域即为扒渣区域；

4)针对每一个Delta值，计算水平扫描线与椭圆交点坐标，存入备选路径数据表；

5)由于图像沿O”O线对称，因此，计算另一侧的交点坐标，也存入备选路径数据表。

第二步，计算最优路径：

1)每隔5～20像素(即为一个步长，如图3中的Delta)进行图像扫描，遍历计算每一个步长下，扒渣区域(ABCD平行四边形区域)内的残渣量和扒渣机操作时间之比；

2)选取残渣量与单次扒渣时间之比为最大时的扒渣头伸长长度值和扒渣臂摆动角角度值，此点即为最优扒渣路径的最远端点；

3)可视化显示：将以上步骤获得的优选路径在图像上绘制出来，即按照扒渣头伸长长度值和扭转角度值这两个参数绘制扒渣路径。

本发明优化方法中的扒渣路径可为斜线、弧线或不规则曲线等多种形式。

本发明优化方法中的渣量识别计算模块是基于图像识别和机器视觉的方法，包括且不限于二值化、动态阈值、梯度锐化、神经网络系列算法和其它派生算法等。

本发明优化方法中的路径扫描可采用如下方法：

1)计算路径直线与安全区边界(椭圆)交点，即从扒渣头抬起位开始图像区域扫描，每次扫描向扒渣远端增加一个Delta值(Delta可调)，在图像坐标系下转化为椭圆坐标系安全区边界的图像纵坐标(Y)，带入安全区边界数据表直接求取水平扫描线与安全边界的交点坐标，即为扒渣头中心点坐标(X，Y)；

2)根据(X，Y)坐标和扒渣头形状就可获得扒渣区域最远端，在扒渣最远端和包口位之间设置若干个中间点，形成多个备选渣量计算域；

3)计算所有这些计算域内的残渣去除总量和一次扒渣作业时间之比；

4)比较所有备选路径中去除残渣总量与作业时间之比为最大时的路径即为最优路径；

5)根据最优路径轨迹，生成路径中的中间点的扒渣机控制参数坐标，包括扒渣臂摆动角、扒渣头伸长量、扒渣臂整体上下位移量、扒渣臂倾角和安全区域标识。

单次扒渣路径除了起止点外，包含0～10个中间点，中间点数太少则路径简单粗糙，有些角落不易扒除，而路径点太多则搜索空间激增、计算机处理时间增加，从而造成扒渣时间增加，不利于降本增效，因此，扒渣中间点个数的选择最优值为1～3个。

上述算法的公式描述如下：(以纯白亮色为0，黑色为255)

上述公式(1)、(2)中，Max表示求取极大值，Slag(ABCD)是ABCD区域中(图3所示)的渣量或渣面积，N是区域ABCD四边形内渣的像素总和，Si是有渣区域单个像素的面积，GrayI是确定像素下的灰度值，t是单次扒渣时间，Gamma参数用于调节渣面积与时间的相对比例(归一化参数)，可取为最小单次扒渣时间，(Gamma≤t)。

实施例1

当扒渣头回到包口位时，触发图像采集指令，系统截取当前扒渣图像，进行图像边界和残渣量识别；

图像上最外层椭圆为铁水包包壁和铁水界面，内层椭圆是扒渣头运行安全区。

在内层椭圆界面内，通过灰度比累加法计算扒渣路径区域内的相对残渣量，同时计算该次扒渣时间，再以二者相除结果为目标进行优化，即求取二者比值为最大时的扒渣区域路径为下一次扒渣的最优路径。

最优路径灰度比累加和结果为855/255(相对值)，该次扒渣时间为9秒，优化目标最大值为855/255/9(约为0.373)，此时，扒渣位远端扒渣头伸长长度为4.4米，扒渣臂摆动角度为3℃；中间点个数为1个，且中间点处扒渣头伸长长度为3.1米，扒渣臂摆动角度为8℃。

最终按照计算完成的最优路径操纵扒渣头执行自动扒渣，当扒渣后终点判定程序计算渣量(18％)，未达到终点目标渣量(10％)，系统继续扒渣。

实施例2

最优路径灰度比累加和结果为632/255(相对值)，该次扒渣时间为7秒，优化目标最大值为632/255/7(约为0.354)，此时，扒渣位远端扒渣头伸长长度为3.3米，扒渣臂摆动角度为-6℃；中间点个数为0个。

最终按照计算完成的最优路径操纵扒渣头执行自动扒渣，当扒渣后终点判定程序计算渣量(8％)小于终点目标渣量(15％)时，系统停止扒渣。

实施例3

最优路径灰度比累加和结果为705/255(相对值)，该次扒渣时间为8秒，优化目标最大值为705/255/8(约为0.373)，此时，扒渣位远端扒渣头伸长长度为3.4米，扒渣臂摆动角度为-6℃；中间点个数为1个，且中间点处扒渣头伸长长度为2.8米，扒渣臂摆动角度为-9℃。

最终按照计算完成的最优路径操纵扒渣头执行自动扒渣，当扒渣后终点判定程序计算渣量(27％)，未达到终点目标渣量(20％)时，系统继续扒渣。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims

1.一种KR自动扒渣智能路径的优化方法，其特征在于，包括以下步骤：

S4、最后当渣量小于阀值时，停止扒渣；

1)更新已获得的图像信息；

2)根据图像信息变换扒渣头的坐标；

3)对扒渣区域进行网格划分、区域划分；

5)遍历比较各个计算值；

2.如权利要求1所述的KR自动扒渣智能路径的优化方法，其特征在于：所述渣量识别计算模块采用基于数字图像处理的图像识别方法，或基于机器学习的图像识别方法对图像进行处理和识别。

3.如权利要求1所述的KR自动扒渣智能路径的优化方法，其特征在于：所述输入条件，包括已识别渣的位置、形状和灰度，以及扒渣臂与扒渣头的初始位置。

4.如权利要求1所述的KR自动扒渣智能路径的优化方法，其特征在于：所述图像扫描为每隔一个步长进行扫描，遍历计算每个像素下，扒渣区域内扒渣量和扒渣头的操作时间之比。

5.如权利要求4所述的KR自动扒渣智能路径的优化方法，其特征在于：所述步长由5～20像素组成。

6.如权利要求4所述的KR自动扒渣智能路径的优化方法，其特征在于：所述扒渣区域内扒渣量和扒渣头的操作时间之比为最大时的路径即为最优扒渣路径。

7.如权利要求6所述的KR自动扒渣智能路径的优化方法，其特征在于：所述扒渣量和单次扒渣时间之比为最大时的扒渣头伸出长度值和扒渣臂摆动角的角度值，此点为最优扒渣路径的最远端点。

8.如权利要求7所述的KR自动扒渣智能路径的优化方法，其特征在于：还包括将最优扒渣路径在可视化设备上显示出，即按照扒渣头伸出长度值和扒渣臂摆动角的角度值两个参数绘制扒渣路径。

9.如权利要求8所述的KR自动扒渣智能路径的优化方法，其特征在于：扒渣路径为斜线、弧线或不规则曲线。