CN115326657A - 非停炉高炉焦炭粒度降解在线监测及评价方法和系统 - Google Patents
非停炉高炉焦炭粒度降解在线监测及评价方法和系统 Download PDFInfo
- Publication number
- CN115326657A CN115326657A CN202211258177.2A CN202211258177A CN115326657A CN 115326657 A CN115326657 A CN 115326657A CN 202211258177 A CN202211258177 A CN 202211258177A CN 115326657 A CN115326657 A CN 115326657A
- Authority
- CN
- China
- Prior art keywords
- coke
- blast furnace
- particle size
- granularity
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000571 coke Substances 0.000 title claims abstract description 306
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 69
- 230000015556 catabolic process Effects 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 239000002245 particle Substances 0.000 claims abstract description 83
- 238000003723 Smelting Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000000611 regression analysis Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 239000003245 coal Substances 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 239000002817 coal dust Substances 0.000 claims description 2
- 238000007664 blowing Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 20
- 229910052742 iron Inorganic materials 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 229910000805 Pig iron Inorganic materials 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003326 Quality management system Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005087 graphitization Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003921 particle size analysis Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Dispersion Chemistry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明涉及高炉生产检测技术领域，提供了一种基于机器视觉的非停炉高炉炉内焦炭粒度降解在线智能监测及评价方法和系统。所述方法包括S1获取入炉前焦炭图像，识别焦炭的三维尺寸，得到第一粒径分布；S2获取高炉风口回旋区焦炭图像，识别焦炭的二维尺寸，得到第二粒径分布；S3回归分析确定冶炼参数与第一粒径分布、第二粒径分布之间的关联关系；S4评价不同类型的焦炭在不同高炉冶炼参数下粒度的降解等级。本发明能够实时综合分析高炉冶炼参数确定的冶炼周期、炉顶焦炭粒度、风口回旋区焦炭粒度之间的关联关系，实现对焦炭在高炉炉内一个冶炼周期内粒度降解的跟踪，并评价不同类型的焦炭在不同高炉冶炼参数下粒度的降解等级。
Description
技术领域
本发明涉及高炉生产检测技术领域，特别涉及一种非停炉高炉焦炭粒度降解在线监测及评价方法和系统。
背景技术
近年来，我国生铁产量为8亿吨左右，按照往年大高炉平均焦比（含小块焦炭焦比）360.80 kg/t计算，每年共需消耗2.91亿吨焦炭。如此大量的焦炭消耗对我国优质炼焦煤资源及环境承载能力造成了严峻的挑战，也增加了炼铁过程精细化控制的难度，炼铁界常用“七分原料、三分操作”来比喻原燃料对高炉冶炼的重要作用。焦炭作为高炉冶炼不可或缺的重要燃料，是软熔带以下区域唯一的固态原料，其质量直接关系到高炉的节能减排、稳定顺行和高效低耗等。
焦炭的粒度分布是料柱、焦炭床层渗透性及透气性的决定因素之一，高温下焦炭粒度对高炉透气透液性、铁水质量、炉缸工作状态、煤气流分布、渣铁排放、燃料比及稳定顺行有极大的影响。在高炉内高温-高压-强气流的多元复杂体系下，多种物相引起的机械磨损、溶损等反应导致高炉内焦炭粒度演变过程复杂，迄今尚不清楚焦炭粒度在整个冶炼周期内的降解机理及其对热态焦炭质量的影响机制。
解析焦炭在高炉内的裂化程度并对不同类型焦炭在不同冶炼条件下的粒度降解程度进行评价，不仅对调控焦炭劣化效应、高炉下部焦炭与灰分、熔渣和铁液的反应至关重要，还能以此为依据对高温焦炭质量及料柱透气性进行科学评价，一方面可指导合理优化配煤及选用高炉焦炭，为提高资源及环境要素承载能力、降低炼铁系统碳素消耗奠定理论和技术基础；另一方面可指导高炉上下部调剂操作，保证高炉稳定顺行，为炼铁行业节能降耗提供新思路，具有很强的现实意义。
目前国内外对焦炭粒度检测主要集中在入炉前的高炉炉顶主皮带入炉焦炭和风口区域风口焦炭两个位置。由于高炉入炉焦炭输送主皮带运动速度快、灰尘较多、光照不均匀等特点，高炉炉顶入炉焦炭粒度检测通常采用非接触的机器视觉测量方法。ZhangZhongping、李鸿儒、梁栋华等通过对获取的图像进行边缘检测及分割，获得球团矿、焦炭等原燃料的二维粒度分布。上述方法只能检测到焦炭二维尺寸，无法检测出三维高度，不能代表真实焦炭的粒径分布。焦炭在高炉主输送带上是堆积的，呈现在图像中为焦炭之间存在粘连现象，即各个颗粒之间存在重叠的区域，公开发表的文献中高炉焦炭粒度检测未考虑粘连现象对其的影响。
目前不论学术界还是产业界均未能较好的实现高炉非停炉状态下的焦炭粒度降解在线监测及评价。
发明内容
本发明的目的就是克服现有技术的不足，提供了一种非停炉高炉焦炭粒度降解在线监测及评价方法和系统。本发明将机器视觉、深度学习与线结构光法相结合，实现高炉炉内焦炭粒度降解在线智能监测及评价。
本发明采用如下技术方案：
一方面，本发明提供了一种非停炉高炉焦炭粒度降解在线监测及评价方法，包括：
S1、在非停炉状态下获取入炉前焦炭的二维和三维图像，识别焦炭的三维尺寸，得到入炉前焦炭的第一粒径分布；
S2、在非停炉状态下获取高炉风口回旋区焦炭的二维图像，根据焦炭的运行轨迹分离出来自于炉体上部的焦炭，并识别焦炭的二维尺寸，得到风口回旋区的来自于炉体上部的焦炭的第二粒径分布；
S3、根据步骤S1、S2得到的第一粒径分布、第二粒径分布，以及同一冶炼周期内的冶炼参数，回归分析确定所述冶炼参数与所述第一粒径分布、第二粒径分布之间的关联关系；
S4、根据步骤S3得到的所述关联关系，评价不同类型的焦炭在不同高炉冶炼参数下粒度的降解等级。
如上所述的任一可能的实现方式，进一步提供一种实现方式，步骤S1的具体方法包括：
S1.1 对入炉前位于高炉上料主皮带上的焦炭，采用多光谱面阵彩色相机及相应的光源采集入炉前焦炭图像；其中近红外（NIR）通道用于采集焦炭粒度二维检测，可见光通道红（R）、绿（G）和蓝（B）三个光源用于线结构光焦炭粒度三维检测；
S1.2 处理焦炭二维监测时，采用基于标记符控制的分水岭分割算法对粘连颗粒区域进行分割，在分割过程预处理中加入焦炭常见粒度范围的限定条件，限制局部小区域的产生，以解决噪声干扰造成的过分割问题，实现焦炭粘连颗粒的分割；采用基于深度学习的卷积神经网络（CNN）识别焦炭非粘连区域二维粒度边界，应用最小拟合椭圆法对焦炭长轴直径及短轴直径的二维尺寸进行表征；对焦炭根据二维尺寸进行分类及定位，得到不同类别焦炭的二维粒度分布及区域；
S1.3处理焦炭三维监测时，采用光条中心线提取算法提取三条结构光光条中心线，将非连续中心线采用图像拼接算法使之连续；并采用Delaunay三角剖分法实现焦炭粒度三维重建，进而得到焦炭的三维粒度分布；
S1.4 将步骤S1.2的焦炭二维粒度分布，与步骤S1.3的焦炭三维粒度分布进行匹配，得出所述第一粒径分布。
如上所述的任一可能的实现方式，进一步提供一种实现方式，步骤S1.1中，多光谱面阵彩色相机安装具有防尘功能的保护罩及氮气冷却装置。
如上所述的任一可能的实现方式，进一步提供一种实现方式，步骤S2的具体方法为：
S2.1采用高帧率彩色工业相机采集全焦风口回旋区焦炭图像；
S2.2 通过视频流分析及图像处理，分析某颗焦炭在相邻帧图像中的相对位置，以得出焦炭进入风口回旋区的途径及运动轨迹；以从风口上方进入回旋区的焦炭为作为粒度降解的焦炭，风口底部进入回旋区的焦炭则不计入焦炭粒度统计范围；
S2.3通过构建基于卷积神经网络的语义分割模型（FCN）进行正样本图像风口焦炭粒度识别，进而得到焦炭的所述第二粒径分布。
如上所述的任一可能的实现方式，进一步提供一种实现方式，步骤S1中的入炉前焦炭，与步骤S2中的风口回旋区的焦炭为同一批次焦炭，通过高炉MASS系统读取高炉布料参数和工艺参数，计算出焦炭从入炉到回旋区所用时间，所用时间即为冶炼周期，计算公式如下：
其中，t——高炉冶炼周期，h；VG——高炉的工作容积，即料面到风口中心线之间的容积，m3；P——高炉日产量，t；VL——冶炼1t生铁所用的炉料体积，m3；C——炉料在炉内的平均压缩率。
如上所述的任一可能的实现方式，进一步提供一种实现方式，步骤S2中，当获取高炉风口回旋区焦炭的二维图像时，关闭喷煤枪，使风口成为无煤粉云遮挡的采集风口。
如上所述的任一可能的实现方式，进一步提供一种实现方式，步骤S3中，所述冶炼参数包括风温、压差、风量和冶炼强度。
如上所述的任一可能的实现方式，进一步提供一种实现方式，步骤S3中，通过构建基于数据挖掘及卷积神经网络的数据驱动型焦炭粒度降解模型，分析不同风温、压差、风量、冶炼强度对焦炭粒度降解的影响，确定所述冶炼参数中的主要影响因素。该焦炭粒度降解模型的输入为焦炭粒度降解率及在该降解率产生的高炉冶炼周期内每小时风温平均值、压差平均值、分量平均值、冶炼强度平均值，通过数据分析，找出每小时时间段内变化量最大的工艺参数及该段时间内焦炭的平均降解率，对焦炭降解率的影响大小按照由大到小进行排序。以对炉内焦炭粒度降解率最大的冶炼参数作为该时间段的主要影响因素，最后输出不同时间段冶炼参数对焦炭降解率的影响程序的排序以及降解率的主要影响因素。
另一方面，本发明还提供了一种非停炉高炉焦炭粒度降解在线监测及评价系统，包括：
高炉上料主皮带焦炭粒度三维在线检测单元，用于采集入炉前的焦炭图像，并识别入炉前的焦炭表面三维尺寸；
风口回旋区焦炭粒度在线检测单元，用于采集高炉风口回旋区的焦炭粒度图像，并识别风口回旋区的焦炭粒度尺寸；
通信单元，用于将入炉前的焦炭粒度图像、风口回旋区焦炭粒度图像实时传输到主服务器；
主服务器，用于接收入炉前的焦炭图像及入炉前的焦炭表面三维尺寸、高炉风口回旋区的焦炭粒度图像及风口回旋区的焦炭粒度尺寸，回归分析确定其与冶炼参数之间关联关系；实现对焦炭在高炉炉内一个冶炼周期内粒度降解的跟踪，并评价不同类型的焦炭在不同高炉冶炼参数下粒度的降解等级。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述高炉上料主皮带焦炭粒度三维在线检测单元采用多光谱面阵彩色相机及相应的光源采集入炉焦炭图像；所述风口回旋区焦炭粒度在线检测单元采用高帧率彩色工业相机采集全焦风口回旋区焦炭图像。
需要说明的是：焦炭粒度图像的二维和/三维识别，可以在高炉上料主皮带焦炭粒度三维在线检测单元及高炉上料主皮带焦炭粒度三维在线检测单元完成，也可以在主处理器完成。无论在检测单元或主处理器完成识别，均不影响本申请的保护范围。
本发明的有益效果为：
1)本发明可实现高炉不停炉条件下的高炉焦炭粒度降解的实时在线检测，并对不同类型的焦炭及不同冶炼条件对其的影响进行综合评价，极大地降低了焦炭粒度降解监测的复杂性，为高炉冶炼选取焦炭类型及质量奠定了良好的基础，同时也有助于提高高炉冶炼效率、提高铁水质量、降低冶炼成本及低碳冶炼。
2)本发明所提出的高炉冶炼周期内炉顶焦炭及风口回旋区粒度的时刻匹配方法，即通过高炉MASS系统中读取高炉出铁量、鼓风量、布料参数等冶炼参数进行综合计算获取，由此可精准的匹配高炉炉顶焦炭在一个冶炼周期内下降到风口回旋区的时间，确保为同一时刻的焦炭。本方法可以适应不同级别高炉、不同类型的焦炭生产过程，具有广泛的应用场景。
3)本发明所提出的通过高炉炉顶及风口回旋区两个区域同时采集焦炭粒度的方法，系统可操作性强、集成度高、智能化程度高，具有重要的应用价值。
附图说明
图1为焦炭在高炉冶炼周期内降解过程示意图。
图2为实施例一种基于机器视觉的非停炉高炉炉内焦炭粒度降解在线智能监测及评价系统的结构示意图。
图3为实施例中高炉入炉焦炭粒度分析过程示意图。
图中：1-高炉上料主皮带焦炭粒度三维在线检测单元，2-风口回旋区焦炭粒度在线系统的成像单元，3，6，10为通信系统，4-主服务器，5-PLC控制器，7-喷煤枪控制设备，8-高炉风口窥视孔；9-高炉质量管理系统(高炉MASS系统)。
具体实施方式
下文将结合具体附图详细描述本发明具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。
如图1所示，首先综合分析一个冶炼周期内焦炭在高炉炉内的降解过程。高炉内焦炭粒度降解主要分为四个阶段，第一阶段为温度小于850℃的块状带，焦炭存在机械磨损；第二阶段为850℃到1100℃的块状带，焦炭处于溶损反应初始阶段；第三阶段为焦炭进入软熔带后，溶损反应激烈且受到煤气流和渣铁液的冲刷；第四阶段为部分焦炭进入风口回旋区，剧烈燃烧且受气流的剧烈冲刷。焦炭的粒度由入炉焦炭粒度20-85mm左右变化到风口回旋区5-40 mm，尺度变化比较明显。由于实验条件、技术手段所限，传统焦炭粒度降解评价模型无法模拟高炉下部复杂多变的高温、高压及强气流耦合的实际使用环境，偏离了高炉炉内热态焦炭的实际降解过程，导致焦炭粒度降解在高温条件下的石墨化行为、焦炭与液态铁/渣反应、焦炭中矿物质变化等难以得到有效度量和预测。
本发明实施例一种基于机器视觉的非停炉高炉炉内焦炭粒度降解在线智能监测及评价方法，包括：
S1、在非停炉状态下获取入炉前焦炭的二维和三维图像，识别焦炭的三维尺寸，得到入炉前焦炭的第一粒径分布；
S2、在非停炉状态下获取高炉风口回旋区焦炭的二维图像，根据焦炭的运行轨迹分离出来自于炉体上部的焦炭，并识别焦炭的二维尺寸，得到风口回旋区的来自于炉体上部的焦炭的第二粒径分布；
S3、根据步骤S1、S2得到的第一粒径分布、第二粒径分布，以及同一冶炼周期内的冶炼参数，回归分析确定所述冶炼参数与所述第一粒径分布、第二粒径分布之间的关联关系；
S4、根据步骤S3得到的所述关联关系，评价不同类型的焦炭在不同高炉冶炼参数下粒度的降解等级。
步骤S1中的入炉前焦炭，与步骤S2中的风口回旋区的焦炭为同一批次焦炭，通过高炉MASS系统读取高炉布料参数和工艺参数，计算出焦炭从入炉到回旋区所用时间，所用时间即为冶炼周期，计算公式如下：
其中，t——高炉冶炼周期，h；VG——高炉的工作容积，即料面到风口中心线之间的容积，m3；P——高炉日产量，t；VL——冶炼1t生铁所用的炉料体积，m3；C——炉料在炉内的平均压缩率。
如图2所示，本发明实施例一种基于机器视觉的非停炉高炉炉内焦炭粒度降解在线智能监测及评价系统，包括：高炉上料主皮带焦炭粒度三维在线检测单元、风口回旋区焦炭粒度在线检测单元、通信单元和主服务器。
高炉上料主皮带焦炭粒度三维在线检测单元，用于采集入炉前的焦炭图像，并识别入炉前的焦炭表面三维尺寸；针对高炉输送带光照不均匀及高粉尘的特点，采用基于机器视觉及结构光法的焦炭三维粒度、孔隙率和分形维数检测方法。采用多光谱面阵彩色相机及相应的光源采集入炉焦炭图像，其中近红外（NIR）通道用于焦炭粒度二维检测，可见光通道红（R）、绿（G）和蓝（B）三个光源用于线结构光焦炭粒度三维检测，上述二维与三维相结合的检测方式可有效避免检测区域环境亮度变化对检测结果的影响。同时针对粉尘问题，通过安装具有防尘功能的保护罩及氮气冷却装置以减少粉尘对图像质量的影响。
图3为高炉入炉焦炭粒度分析过程示意图。焦炭相互遮挡表现在图像上为颗粒间存在粘连区域，本申请采用基于标记符控制的分水岭分割算法对粘连颗粒区域进行分割，在分割过程预处理步骤中加入焦炭常见粒度范围的限定条件，从而限制局部小区域的产生，以解决噪声干扰等造成的过分割问题，实现焦炭粘连颗粒的自动分割。
在一个具体实施例中，通过筛分设备及游标卡尺等设备实验标定不同粒度级别的焦炭，每隔5mm分为一组，从5mm到100mm共分为20组不同焦炭粒度的样本，每组焦炭样本的数量为25个。将上述500个焦炭样本作为标准样本，采用卷积神经网络模型对入炉焦炭及风口焦炭进行训练及标定，为提高入炉焦炭及风口焦炭粒度识别准确率奠定良好基础。
采用基于深度学习的卷积神经网络（CNN）识别焦炭非粘连区域二维粒度边界，应用最小拟合椭圆法对其长轴直径及短轴直径的二维尺寸进行表征。CNN网络模型框架包括1个输入层、3个卷积层、2个池化层及1个全连接层。采用CNN检测焦炭图像非粘连区域二维粒度分为离线训练和在线检测两部分，对已收集的焦炭样本进行离线训练，再将训练好的CNN作为在线检测模型，对焦炭进行分类及定位，最终得到不同类别二维颗粒的位置和区域。
针对焦炭多孔洞非连续的特点，采用光条中心线提取算法提取三条结构光光条中心线，将非连续中心线采用图像拼接算法使之连续。并采用Delaunay三角剖分法实现焦炭粒度三维重建。最终通过图像处理技术，分析出入炉焦炭平均粒度。
风口回旋区焦炭粒度在线检测单元，用于采集高炉风口回旋区的焦炭粒度图像，并识别风口回旋区的焦炭粒度尺寸。图2中，3，6，10为通信系统，4-采集及推理服务器，5-PLC控制器，7-喷煤枪控制设备，8-高炉风口窥视孔；9-高炉MASS系统。通过5（PLC控制器）关闭喷煤枪，使风口成为无煤粉云遮挡的采集风口，以消除风口前煤粉云对焦炭成像的遮挡。通过2（风口回旋区焦炭粒度在线单元的成像子单元）采集风口回旋区的实时图像，针对采集区域温度高、风口焦炭运动速度快、进入方式不同、噪声多的特点，采用高帧率彩色工业相机采集全焦风口焦炭图像，设计耐高温防尘罩及气体冷却装置，以确保准确采集到风口焦炭图像。
通过视频流分析及图像处理技术，分析某颗焦炭在相邻帧图像中的相对位置，以得出焦炭进入风口回旋区的途径及运动轨迹。以从风口上方进入回旋区的焦炭为作为粒度降解的焦炭，风口底部进入回旋区的焦炭认为是高炉死料柱的焦炭则不计入该风口回旋区的焦炭粒度统计范围。
通过构建基于卷积神经网络的语义分割模型（FCN）进行正样本图像风口焦炭粒度识别。首先识别风口图像中的焦炭，并与之前实验制作的焦炭样本标签进行对比以确定焦炭的粒度级别，采用训练数据集对模型离线训练。然后将要检测的风口图像输入到FCN深度学习模型中，通过分类及定位，最终在线识别焦炭。
通过构建基于数据挖掘及卷积神经网络的数据驱动型焦炭粒度降解模型，分析不同风温、压差、风量、冶炼强度等对焦炭粒度降解模型的影响规律，明确高炉冶炼工艺参数对焦炭粒度降解模型的影响规律及主要影响因素。可实现高炉不停炉条件下的高炉焦炭粒度降解的实时在线检测，并对不同类型的焦炭及不同冶炼条件对焦炭粒度降解过程的影响进行综合评价。
本发明的高炉上料主皮带焦炭粒度三维在线检测单元能够自动识别出入炉前的焦炭表面三维尺寸。所述的风口回旋区焦炭粒度在线检测单元能够自动关停检测位置处的喷煤枪，并在无煤粉喷吹干扰条件下自动采集回旋区焦炭粒度图像并进行粒度尺寸识别。所述的通信单元能够将入炉前的焦炭粒度图像、风口回旋区焦炭粒度图像实时传输到采集及推理服务器进行图像识别。能够实时综合分析高炉冶炼工艺参数确定的冶炼周期、炉顶焦炭粒度、风口回旋区焦炭粒度之间的关联关系，实现对焦炭在高炉炉内一个冶炼周期内粒度降解的跟踪，并评价不同类型的焦炭在不同高炉冶炼工艺参数下粒度的降解等级。本发明方法可实现高炉不停炉条件下的高炉焦炭粒度降解的实时在线检测，并对不同类型的焦炭及不同冶炼条件对其的影响进行综合评价，极大地降低了焦炭粒度降解监测的复杂性，为高炉冶炼选取焦炭类型及质量奠定了良好的基础，同时也有助于提高高炉冶炼效率、提高铁水质量、降低冶炼成本及低碳冶炼。
本文虽然已经给出了本发明的几个实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。
Claims (10)
1.一种非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，所述方法包括：
S1、在非停炉状态下获取入炉前焦炭的二维和三维图像，识别焦炭的三维尺寸，得到入炉前焦炭的第一粒径分布；
S2、在非停炉状态下获取高炉风口回旋区焦炭的二维图像，根据焦炭的运行轨迹分离出来自于炉体上部的焦炭，并识别焦炭的二维尺寸，得到风口回旋区的来自于炉体上部的焦炭的第二粒径分布；
S3、根据步骤S1、S2得到的第一粒径分布、第二粒径分布，以及同一冶炼周期内的冶炼参数，回归分析确定所述冶炼参数与所述第一粒径分布、第二粒径分布之间的关联关系；
S4、根据步骤S3得到的所述关联关系，评价不同类型的焦炭在不同高炉冶炼参数下粒度的降解等级。
2.如权利要求1所述的非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，步骤S1的具体方法包括：
S1.1 对入炉前位于高炉上料主皮带上的焦炭，采用多光谱面阵彩色相机及相应的光源采集入炉前焦炭图像；其中近红外NIR通道用于焦炭粒度二维检测，可见光通道红、绿和蓝三个光源用于线结构光焦炭粒度三维检测；
S1.2 处理焦炭二维监测时，采用基于标记符控制的分水岭分割算法对粘连颗粒区域进行分割，在分割过程预处理中加入焦炭常见粒度范围的限定条件，限制局部小区域的产生，实现焦炭粘连颗粒的分割；采用基于深度学习的卷积神经网络CNN识别焦炭非粘连区域二维粒度边界，应用最小拟合椭圆法对焦炭长轴直径及短轴直径的二维尺寸进行表征；对焦炭根据二维尺寸进行分类及定位，得到不同类别焦炭的二维粒度分布及区域；
S1.3处理焦炭三维监测时，采用光条中心线提取算法提取三条结构光光条中心线，将非连续中心线采用图像拼接算法使之连续；并采用Delaunay三角剖分法实现焦炭粒度三维重建，进而得到焦炭的三维粒度分布；
S1.4 将步骤S1.2的焦炭二维粒度分布，与步骤S1.3的焦炭三维粒度分布通过多光谱多通道图像的时序进行匹配，以该焦炭的平均当量直径得出所述第一粒径分布。
3.如权利要求2所述的非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，步骤S1.1中，多光谱面阵彩色相机安装具有防尘功能的保护罩及氮气冷却装置。
4.如权利要求1所述的非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，步骤S2的具体方法为：
S2.1采集不喷煤风口回旋区焦炭图像；
S2.2 通过视频流分析及图像处理，分析某颗焦炭在相邻帧图像中的相对位置，以得出焦炭进入风口回旋区的途径及运动轨迹；以从风口上方进入回旋区的焦炭为作为粒度降解的焦炭，风口底部进入回旋区的焦炭则不计入焦炭粒度统计范围；
S2.3通过构建基于卷积神经网络的语义分割模型FCN进行正样本图像风口焦炭粒度识别，进而得到焦炭的平均当量直径为所述第二粒径分布。
5.如权利要求1所述的非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，步骤S1中的入炉前焦炭，与步骤S2中的风口回旋区的焦炭为同一批次焦炭，读取高炉布料参数和工艺参数，计算得出每一批次焦炭从入炉到回旋区所用的实际时间。
6.如权利要求1所述的非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，步骤S2中，当获取高炉风口回旋区焦炭的二维图像时，关闭喷煤枪，使风口成为无煤粉云遮挡的采集风口。
7.如权利要求1所述的非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，步骤S3中，所述冶炼参数包括风温、压差、风量和冶炼强度。
8.如权利要求1所述的非停炉高炉焦炭粒度降解在线监测及评价方法，其特征在于，步骤S3中，通过构建基于数据挖掘及卷积神经网络的数据驱动型焦炭粒度降解模型，分析不同风温、压差、风量、冶炼强度对焦炭粒度降解的影响，确定所述冶炼参数中的主要影响因素。
9.一种非停炉高炉焦炭粒度降解在线监测及评价系统，其特征在于，所述系统包括：
高炉上料主皮带焦炭粒度三维在线检测单元，用于采集入炉前的焦炭图像，并识别入炉前的焦炭表面三维尺寸；
风口回旋区焦炭粒度在线检测单元，用于采集高炉风口回旋区的焦炭粒度图像，并识别风口回旋区的焦炭粒度尺寸；
通信单元，用于将入炉前的焦炭粒度图像、风口回旋区焦炭粒度图像实时传输到主服务器；
主服务器，用于接收入炉前的焦炭图像及入炉前的焦炭表面三维尺寸、高炉风口回旋区的焦炭粒度图像及风口回旋区的焦炭粒度尺寸，回归分析确定其与冶炼参数之间关联关系；实现对焦炭在高炉炉内一个冶炼周期内粒度降解的跟踪，并评价不同类型的焦炭在不同高炉冶炼参数下粒度的降解等级。
10.如权利要求9所述的非停炉高炉焦炭粒度降解在线监测及评价系统，其特征在于，所述高炉上料主皮带焦炭粒度三维在线检测单元采用多光谱面阵彩色相机及相应的光源采集入炉焦炭图像；所述风口回旋区焦炭粒度在线检测单元采用高帧率彩色工业相机采集全焦风口回旋区焦炭图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211258177.2A CN115326657B (zh) | 2022-10-14 | 2022-10-14 | 非停炉高炉焦炭粒度降解在线监测及评价方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211258177.2A CN115326657B (zh) | 2022-10-14 | 2022-10-14 | 非停炉高炉焦炭粒度降解在线监测及评价方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115326657A true CN115326657A (zh) | 2022-11-11 |
| CN115326657B CN115326657B (zh) | 2023-01-17 |
Family
ID=83913524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211258177.2A Active CN115326657B (zh) | 2022-10-14 | 2022-10-14 | 非停炉高炉焦炭粒度降解在线监测及评价方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115326657B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117470721A (zh) * | 2023-12-28 | 2024-01-30 | 山西建龙实业有限公司 | 冶金用焦炭高温劣化强度和粒度降解行为的测量评价方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1483087A (zh) * | 2000-12-28 | 2004-03-17 | 新日本制铁株式会社 | 用于监视高炉操作状态的方法、装置和程序 |
| CN107860680A (zh) * | 2017-12-19 | 2018-03-30 | 武汉钢铁有限公司 | 一种高炉风口焦粒度组成和渣滞留量的分析方法 |
| CN108399512A (zh) * | 2018-05-09 | 2018-08-14 | 包头钢铁（集团）有限责任公司 | 一种评价冶金焦炭的方法 |
| CN113574360A (zh) * | 2019-04-02 | 2021-10-29 | 杰富意钢铁株式会社 | 粒度分布监视装置、粒度分布监视方法、计算机程序、炉、高炉、炉的控制方法以及高炉操作方法 |
| CN114599802A (zh) * | 2019-10-31 | 2022-06-07 | 杰富意钢铁株式会社 | 高炉操作方法 |
| CN114757024A (zh) * | 2022-03-31 | 2022-07-15 | 鞍钢股份有限公司 | 一种利用炉缸取样手段分析风口回旋区体积的方法 |
| CN115130846A (zh) * | 2022-06-22 | 2022-09-30 | 青岛特殊钢铁有限公司 | 基于风口监控的高炉下部热制度最大影响因素分析方法 |
-
2022
- 2022-10-14 CN CN202211258177.2A patent/CN115326657B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1483087A (zh) * | 2000-12-28 | 2004-03-17 | 新日本制铁株式会社 | 用于监视高炉操作状态的方法、装置和程序 |
| CN107860680A (zh) * | 2017-12-19 | 2018-03-30 | 武汉钢铁有限公司 | 一种高炉风口焦粒度组成和渣滞留量的分析方法 |
| CN108399512A (zh) * | 2018-05-09 | 2018-08-14 | 包头钢铁（集团）有限责任公司 | 一种评价冶金焦炭的方法 |
| CN113574360A (zh) * | 2019-04-02 | 2021-10-29 | 杰富意钢铁株式会社 | 粒度分布监视装置、粒度分布监视方法、计算机程序、炉、高炉、炉的控制方法以及高炉操作方法 |
| CN114599802A (zh) * | 2019-10-31 | 2022-06-07 | 杰富意钢铁株式会社 | 高炉操作方法 |
| CN114757024A (zh) * | 2022-03-31 | 2022-07-15 | 鞍钢股份有限公司 | 一种利用炉缸取样手段分析风口回旋区体积的方法 |
| CN115130846A (zh) * | 2022-06-22 | 2022-09-30 | 青岛特殊钢铁有限公司 | 基于风口监控的高炉下部热制度最大影响因素分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 梁亮等: "焦炭粒级在线分析系统的工艺方案和应用", 《燃料与化工》 * |
| 王春梅等: "高炉风口焦炭粒度在线检测装置的开发", 《炼铁》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117470721A (zh) * | 2023-12-28 | 2024-01-30 | 山西建龙实业有限公司 | 冶金用焦炭高温劣化强度和粒度降解行为的测量评价方法 |
| CN117470721B (zh) * | 2023-12-28 | 2024-03-26 | 山西建龙实业有限公司 | 冶金用焦炭高温劣化强度和粒度降解行为的测量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115326657B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105002321B (zh) | 一种处理煤气流中心动态跟踪及煤气利用率监测方法 | |
| CN115326657B (zh) | 非停炉高炉焦炭粒度降解在线监测及评价方法和系统 | |
| JP2014157119A (ja) | 光学式粒状物選別機 | |
| Maier et al. | Experimental evaluation of a novel sensor-based sorting approach featuring predictive real-time multiobject tracking | |
| CN110218824A (zh) | 一种基于图像识别的高炉渣离心粒化粒径检测系统及方法 | |
| CN104215334A (zh) | 一种rh精炼炉钢水温度实时在线监测方法 | |
| CN112837311B (zh) | 一种基于深度学习的聚乙烯颗粒缺陷检测识别系统及方法 | |
| Ding et al. | A real-time multilevel fusion recognition system for coal and gangue based on near-infrared sensing | |
| CN112521955B (zh) | 一种焦饼中心温度检测方法及系统 | |
| Zhang et al. | Detection method for pulverized coal injection and particles in the tuyere raceway using image processing | |
| CN113487570A (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
| Jiang et al. | Polymorphic measurement method of FeO content of sinter based on heterogeneous features of infrared thermal images | |
| CN116306232A (zh) | 一种基于工业大数据的高炉能耗与碳排放分析方法及系统 | |
| CN211927711U (zh) | 一种飞灰含碳量在线测量装置 | |
| Cheng et al. | Infrared thermographic fault detection using machine vision with convolutional neural network for blast furnace chute | |
| CN114968997A (zh) | 一种基于时空特征提取的烧结终点预报方法 | |
| CN113564348B (zh) | 一种基于机器视觉及数据驱动的烧结生产方法 | |
| Bai et al. | Rapid ash content determination method for coal particles through images captured under multiple ring light sources with various incident angles | |
| Zhang et al. | Online measurement method of FeO content in sinter based on infrared machine vision and convolutional neural network | |
| CN106918596A (zh) | 一种基于可见光或红外线的矿石机器视觉识别装置及其识别方法 | |
| Zhu et al. | A novel non-contact and real-time blast furnace stockline detection method based on burden surface video streams | |
| CN110954536B (zh) | 一种飞灰含碳量在线测量装置及方法 | |
| CN113420750A (zh) | 煤矸智能分选方法 | |
| CN115406808A (zh) | 一种基于视觉焦炭粒度直径与占比分析检测仪 | |
| CN103472787A (zh) | 一种烧结燃料配比在线判定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |