專利名稱：回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及溫度檢測技術(shù)，尤其涉及一種回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法和系統(tǒng)。
背景技術(shù)：
氧化鋁生產(chǎn)工藝根據(jù)處理礦石的特點(diǎn)主要分為拜耳法、燒結(jié)法和拜耳、燒結(jié)聯(lián)合法。燒結(jié)法主要用于處理含硅高、鋁硅比低的鋁土礦。熟料燒結(jié)是使用燒結(jié)法進(jìn)行氧化鋁生產(chǎn)的關(guān)鍵工序，熟料燒結(jié)生產(chǎn)是以回轉(zhuǎn)窯為中心組織的。熟料燒結(jié)過程中，回轉(zhuǎn)窯內(nèi)冷卻帶的熟料溫度直接影響燒結(jié)質(zhì)量的好壞。現(xiàn)有技術(shù)中，對回轉(zhuǎn)窯內(nèi)冷卻帶的溫度檢測主要采用圖像識別的方法，使用攝像機(jī)采集回轉(zhuǎn)窯冷卻帶的熟料圖像，根據(jù)采集到的圖像得到圖像特征參數(shù)，再由人工根據(jù)圖像特征參數(shù)和經(jīng)驗值，得到冷卻帶熟料的溫度狀態(tài)。所述溫度狀態(tài)指的是，例如，設(shè)定冷卻帶熟料溫度的下限為700°C，上限為1300°C，其中每100°C分為一個溫度狀態(tài)，則共分為6個溫度狀態(tài)?，F(xiàn)有技術(shù)對回轉(zhuǎn)窯內(nèi)冷卻帶的溫度檢測方法，一方面，由于工業(yè)回轉(zhuǎn)窯窯內(nèi)環(huán)境復(fù)雜，煤粉和煙霧干擾較大，導(dǎo)致采集到的熟料圖像質(zhì)量缺乏穩(wěn)定性，對熟料的溫度狀態(tài)的檢測結(jié)果不準(zhǔn)確；另一方面，依靠人工經(jīng)驗值判斷溫度狀態(tài)，由于人工經(jīng)驗不同，也會導(dǎo)致對熟料的溫度狀態(tài)的檢測結(jié)果不準(zhǔn)確，因此，現(xiàn)有技術(shù)對回轉(zhuǎn)窯內(nèi)冷卻帶的溫度檢測方法并不可靠，不能滿足實(shí)際工業(yè)生產(chǎn)的需要。

發(fā)明內(nèi)容
本發(fā)明提供一種回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法和系統(tǒng)，以提高回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)檢測的準(zhǔn)確度和可靠性。本發(fā)明提供一種回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法，包括采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并根據(jù)所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)；根據(jù)所述冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)；將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得到冷卻帶熟料溫度狀態(tài)。所述根據(jù)采集到的回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像得到冷卻帶熟料圖像特征參數(shù)包括對所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像依次進(jìn)行圖像凍結(jié)、煙霧濾波、圖像灰度拉伸、圖像分割處理，得到所述冷卻帶熟料區(qū)域圖像；從所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料區(qū)域圖像中提取所述冷卻帶熟料圖像特征參數(shù)；所述根據(jù)所述冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)包括
將冷卻帶熟料溫度、窯頭溫度、窯尾溫度、主機(jī)電流、窯頭負(fù)壓作為所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)；將所述冷卻帶熟料圖像特征參數(shù)和所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到所述冷卻帶熟料特征參數(shù) 。所述將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行比較得到冷卻帶熟料溫度狀態(tài)之前，還包括根據(jù)與所述冷卻帶熟料特征參數(shù)對應(yīng)的冷卻帶熟料溫度狀態(tài)，得到所述冷卻帶熟料參數(shù)模型；所述冷卻帶熟料參數(shù)模型為隱馬爾科夫模型。所述將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，包括將所述冷卻帶熟料特征參數(shù)作為所述冷卻帶熟料參數(shù)模型的觀測序列；采用前向-后向算法計算所述觀測序列對應(yīng)每一所述冷卻帶熟料參數(shù)模型的概率；將計算出的概率最大的冷卻帶熟料參數(shù)模型對應(yīng)的冷卻帶熟料溫度狀態(tài)作為所述冷卻帶熟料溫度狀態(tài)。所述將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行比較，得到冷卻帶熟料溫度狀態(tài)之后，還包括將所述冷卻帶熟料溫度狀態(tài)與窯內(nèi)穩(wěn)定時檢測的熟料溫度進(jìn)行對比，更新所述冷卻帶熟料參數(shù)模型。本發(fā)明還提供一種回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)，包括圖像采集裝置和工業(yè)計算機(jī)；所述圖像采集裝置，用于采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并將所述冷卻帶熟料圖像傳送給工業(yè)計算機(jī)；所述工業(yè)計算機(jī)，用于根據(jù)采集到的回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)；根據(jù)所述冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)；將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得到冷卻帶熟料溫度狀態(tài)。所述工業(yè)計算機(jī)包括圖像處理單元，用于對所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像依次進(jìn)行圖像凍結(jié)、煙霧濾波、圖像灰度拉伸、圖像分割處理，得到所述冷卻帶熟料圖像；特征提取單元，用于從所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像中提取所述冷卻帶熟料圖像特征參數(shù)；將冷卻帶熟料溫度、窯頭溫度、窯尾溫度、主機(jī)電流、窯頭負(fù)壓作為所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)；數(shù)據(jù)融合單元，用于將所述冷卻帶熟料圖像特征參數(shù)和所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到所述冷卻帶熟料特征參數(shù)。所述工業(yè)計算機(jī)還包括特征模型單元，根據(jù)與所述冷卻帶熟料特征參數(shù)對應(yīng)的冷卻帶熟料溫度狀態(tài)，得到所述冷卻帶熟料參數(shù)模型；所述冷卻帶熟料參數(shù)模型為隱馬爾科夫模型。
所述工業(yè)計算機(jī)還包括狀態(tài)檢測單元，用于將所述冷卻帶熟料特征參數(shù)作為所述冷卻帶熟料參數(shù)模型的觀測序列；采用前向-后向算法計算所述觀測序列對應(yīng)每一所述冷卻帶熟料參數(shù)模型的概率；將計算出的概率最大的冷卻帶熟料參數(shù)模型對應(yīng)的冷卻帶熟料溫度狀態(tài)作為所述冷卻帶熟料溫度狀態(tài)。所述工業(yè)計算機(jī)還包括
狀態(tài)更新單元，用于將所述冷卻帶熟料溫度狀態(tài)與窯內(nèi)穩(wěn)定時檢測的熟料溫度進(jìn)行對比，更新所述冷卻帶熟料參數(shù)模型。本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法和系統(tǒng)，通過回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)和冷卻帶圖像特征參數(shù)的融合，降低了由于回轉(zhuǎn)窯內(nèi)環(huán)境復(fù)雜，煤粉和煙霧干擾對圖像質(zhì)量影響，提高了對回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)的檢測準(zhǔn)確度；通過將冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，避免了人工帶來的誤差，提高了對回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)檢測的可靠性。


圖I為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法實(shí)施例一的流程圖；圖2為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法實(shí)施例二的流程圖；圖3為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)實(shí)施例一的結(jié)構(gòu)示意圖；圖4為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)實(shí)施例二的結(jié)構(gòu)示意圖。
具體實(shí)施例方式圖I為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法實(shí)施例一的流程圖，如圖I所示，本實(shí)施例的方法可以包括步驟S101，采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并根據(jù)回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)。具體地，本實(shí)施例為了檢測回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度，首先使用圖像采集裝置采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，例如可以使用回轉(zhuǎn)窯內(nèi)窺式看火攝像機(jī)拍攝回轉(zhuǎn)窯內(nèi)冷卻帶的圖像。然后將拍攝到的圖像中的某一幀作為該時刻回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，采用圖像處理技術(shù)對該幀圖像進(jìn)行處理，得到所需的冷卻帶熟料圖像特征參數(shù)。所述冷卻帶熟料圖像特征參數(shù)可以包括熟料亮度、顆粒形狀、物料高度、黑影面積等參數(shù)信息。步驟S102，根據(jù)冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)。具體地，本實(shí)施例為了檢測回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度，還需要獲取回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，并使用回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)和步驟SlOl中獲取的冷卻帶熟料圖像特征參數(shù)，共同得到表征回轉(zhuǎn)窯內(nèi)冷卻帶熟料全部特性的冷卻帶熟料特征參數(shù)。由于回轉(zhuǎn)窯內(nèi)環(huán)境復(fù)雜，煤粉和煙霧的干擾較大，因此只使用冷卻帶熟料圖像特征參數(shù)或回轉(zhuǎn)窯能熱工數(shù)據(jù)可能不能準(zhǔn)確地得到回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度，因此將回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)和冷卻帶熟料圖像特征參數(shù)共同作為冷卻帶熟料特征參數(shù)來對冷卻帶熟料溫度狀態(tài)進(jìn)行判斷，從而可以更加準(zhǔn)確地對冷卻帶熟料溫度進(jìn)行判斷。
需要說明的是，本實(shí)施例中對上述獲取冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)的步驟執(zhí)行順序不做限定，上述兩個步驟還可以是同步執(zhí)行的，但獲取的冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)需要為同一時刻的。步驟S103，將冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得到冷卻帶熟料溫度狀態(tài)。具體地，得到冷卻帶熟料特征參數(shù)后，將該特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得出與該特征參數(shù)相似性最高的冷卻帶熟料參數(shù)模型，該模型所對應(yīng)的冷卻帶熟料溫度狀態(tài)即為該時刻回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度狀態(tài)。本實(shí)施例中，所述冷卻帶熟料溫度狀態(tài)可以為設(shè)回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度最高為700°C，最高為1300°C，每100°C分為一個狀態(tài)，如700°C 800°C第一狀態(tài)，801°C 900°C為第二狀態(tài)，依次類推共6個狀態(tài)。上述步驟S103中獲得回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度狀態(tài)后，可以將該狀態(tài)輸出給回轉(zhuǎn)窯自動控制系統(tǒng)或操作人員。實(shí)際工業(yè)應(yīng)用中，由于礦石狀態(tài)的差異或者由于對最終產(chǎn)品需求的不 同，可能需要使回轉(zhuǎn)窯內(nèi)冷卻帶的溫度處于不同的溫度狀態(tài)。因此，獲得回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度狀態(tài)后，若溫度狀態(tài)不是所需狀態(tài)，回轉(zhuǎn)窯自動控制系統(tǒng)或操作人員可以根據(jù)實(shí)際需求，對回轉(zhuǎn)窯工作狀態(tài)進(jìn)行改變，使回轉(zhuǎn)窯冷卻帶溫度處于所需溫度狀態(tài)，完成閉環(huán)的控制過程，從而使燒結(jié)出的氧化鋁產(chǎn)品滿足實(shí)際需求。本實(shí)施例的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法，通過回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)和冷卻帶圖像特征參數(shù)的融合，降低了由于回轉(zhuǎn)窯內(nèi)環(huán)境復(fù)雜，煤粉和煙霧干擾對圖像質(zhì)量影響，提高了對回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)的檢測準(zhǔn)確度；通過將冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，避免了人工帶來的誤差，提高了對回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)檢測的可靠性。進(jìn)一步地，上述步驟SlOl中，根據(jù)回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)具體可以包括對回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像依次進(jìn)行圖像凍結(jié)、煙霧濾波、圖像灰度拉伸、圖像分割處理，得到冷卻帶熟料區(qū)域圖像；從回轉(zhuǎn)窯內(nèi)冷卻帶熟料區(qū)域圖像中提取冷卻帶熟料圖像特征參數(shù)。具體地，對回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像進(jìn)行的處理過程為圖像采集裝置采集到的熟料圖像信號經(jīng)信號放大器放大后，通過預(yù)處理，對其進(jìn)行(I)圖像凍結(jié)，即利用圖像采集卡中驅(qū)動程序提供的函數(shù)，連續(xù)采集氧化鋁火焰視頻中的某幀圖像；(2)煙霧濾波，采用中值濾波器對熟料圖像信號進(jìn)行預(yù)處理，消除現(xiàn)場煙霧對圖像的影響，具體操作中可以采用5個點(diǎn)的滑動窗口，將窗口中各灰度值的中值來代替窗口的中心點(diǎn)灰度值；(3)圖像灰度拉伸，對煙霧濾波處理后的熟料圖像進(jìn)行線性灰度拉伸，突出熟料輪廓，提高熟料圖像的對比度；(4)圖像分割,采用FCM (Fuzzy C_means,模糊C均值)圖像分割方法,在計算機(jī)內(nèi)將RGB (Red Green Blue，紅綠藍(lán)三色信號)數(shù)據(jù)分割成4個區(qū)域(黑把子區(qū)域，火圈區(qū)域，熟料區(qū)域，窯壁區(qū)域)，分割出冷卻帶熟料區(qū)域圖像。從冷卻帶熟料區(qū)域圖像中提取冷卻帶熟料特征參數(shù)。采用上述方法對獲取的冷卻帶熟料圖像進(jìn)行處理，得到冷卻帶熟料區(qū)域圖像，并從冷卻帶熟料區(qū)域圖像中提取冷卻帶熟料特征參數(shù)，可以提高提取的冷卻帶熟料特征參數(shù)的準(zhǔn)確性。進(jìn)一步地，上述步驟S102中，根據(jù)冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)可以包括將冷卻帶熟料溫度、窯頭溫度、窯尾溫度、主機(jī)電流、窯頭負(fù)壓作為回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)；將冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到冷卻帶熟料特征參數(shù)。具體地，回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)可以包括窯頭溫度、窯尾溫度、主機(jī)電流、窯頭負(fù)壓、冷卻帶熟料溫度等參數(shù)。其中窯頭溫度、窯尾溫度、冷卻帶熟料溫度可以通過安裝在窯內(nèi)的光纖比色測溫儀檢測得到，主機(jī)電流可以在回轉(zhuǎn)窯主機(jī)的電流表讀取，窯頭負(fù)壓可以通過安裝在窯頭的壓力傳感器檢測得到。由于窯內(nèi)環(huán)境復(fù)雜，因此通過光纖比色測溫儀測得的冷卻帶熟料溫度不準(zhǔn)確，因此將上述熱工數(shù)據(jù)與冷卻帶熟料圖像特征參數(shù)進(jìn)行數(shù)據(jù)融合，共同作為冷卻帶熟料特征參數(shù)來對冷卻帶熟料溫度進(jìn)行判斷，從而可以更加準(zhǔn)確地對冷卻帶熟料溫度進(jìn)行判斷。圖2為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法實(shí)施例二的流程圖，如圖2所示，本實(shí)施例的方法可以包括
步驟S201，采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并根據(jù)回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)。步驟S202，根據(jù)冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)。步驟S203，根據(jù)與所述冷卻帶熟料特征參數(shù)對應(yīng)的冷卻帶熟料溫度狀態(tài)，得到所述冷卻帶熟料參數(shù)模型。具體地，在根據(jù)冷卻帶熟料特征參數(shù)和冷卻帶熟料參數(shù)模型對冷卻帶熟料溫度狀態(tài)進(jìn)行判斷之前，首先需要建立冷卻帶熟料參數(shù)模型，本實(shí)施例的熟料參數(shù)模型采用HMM(Hidden Markov models,隱馬爾科夫模型)。HMM的應(yīng)用分為兩個階段進(jìn)行，即學(xué)習(xí)階段和推理階段。學(xué)習(xí)階段是由觀測到的一組包含辨識結(jié)果的樣本出發(fā)，找到HMM的參數(shù)來確定具體模型結(jié)構(gòu)。推理階段是在給定一組觀測樣本和HMM的情況下，計算觀測樣本在各個HMM下的輸出概率，最高的即為辨識結(jié)果。本實(shí)施例中，建立冷卻帶熟料參數(shù)模型的過程即為HMM的學(xué)習(xí)階段，在窯內(nèi)狀態(tài)穩(wěn)定的情況下，通過安裝在窯內(nèi)的光纖比色測溫儀能得到較為準(zhǔn)確的冷卻帶熟料溫度數(shù)據(jù)，將其作為HMM的辨識結(jié)果，并獲取該時刻的冷卻帶熟料參數(shù)作為HMM的觀測樣本，進(jìn)行HMM的學(xué)習(xí)；或者可以由經(jīng)驗豐富的看火工人對冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)進(jìn)行判斷，得到溫度狀態(tài)判斷結(jié)果，將其作為HMM的辨識結(jié)果，并獲取該時刻的冷卻帶熟料參數(shù)作為HMM的觀測樣本，進(jìn)行HMM的學(xué)習(xí)。為了利用HMM進(jìn)行模式識別，首先將熟料溫度的下限值設(shè)定為700°C，上限值設(shè)定為1300°C，并將700°C 800°C劃分為狀態(tài)1，801°C 900°C劃分為狀態(tài)2，901°C 1000°C劃分為狀態(tài)3，1001 °C 1100°C劃分為狀態(tài)4，1101 °C 1200°C劃分為狀態(tài)5，1201 °C 1300°C劃分為狀態(tài)6。共計6個狀態(tài)。HMM可以用五元組λ=(Μ，Ν, π , A, B)來表示,或簡寫為λ=(π，Α，Β)。各個參數(shù)的意義如下N為狀態(tài)數(shù)目，本實(shí)施例中熟料溫度劃分的6個狀態(tài)，即Ν={1，2，3，4，5，6}。M為觀測值數(shù)，本實(shí)施例中提取特征后的觀測值，即Μ={1，2，3，4}。31為初始狀態(tài)的概率分布，本實(shí)施例中最開始時分布在6個狀態(tài)上的概率。A與時間無關(guān)的狀態(tài)轉(zhuǎn)移矩陣。即是從一個狀態(tài)轉(zhuǎn)移到另一個狀態(tài)的概率。
B為給定狀態(tài)下，觀測值概念矩陣。即是在某種狀態(tài)下，出現(xiàn)某個觀測值的概率。HMM的學(xué)習(xí)階段具體步驟可以為(I)通過光纖比色測溫儀或經(jīng)驗豐富的看火工人得到準(zhǔn)確的溫度狀態(tài)判斷結(jié)果，并對該時刻的回轉(zhuǎn)窯內(nèi)冷卻帶圖像進(jìn)行處理。(2)提取冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料參數(shù)模型，作為HMM的觀測序列。(3)利用前向-后向算法計算觀測值序列的概率P (O I λ )。(4)利用Baum — Welch算法中的評估公式來對參數(shù)π、A、B進(jìn)行評估。(5)重新利用前向一后向算法計算此時的觀測值序列的概率八如果
Ρ(0 1)-Ρ(0μ><Δ, Δ為一個給定的較小值，學(xué)習(xí)結(jié)束，否則轉(zhuǎn)到第(4)步。在進(jìn)行HMM學(xué)習(xí)的時候會遇到算術(shù)下溢和零概率問題。為了解決算術(shù)下溢問題在計算中采用對數(shù)計算將乘法運(yùn)算變?yōu)榧臃ㄟ\(yùn)算。為了解決零概率問題可以采用閾值限定的方法。閾值限定是指當(dāng)重估出來的某個參數(shù)小于事先約定的閾值時，則將其強(qiáng)制設(shè)定為該閾值，并對所有相關(guān)的參數(shù)進(jìn)行比例調(diào)節(jié)，以滿足約束條件。最后學(xué)習(xí)得到6個狀態(tài)對應(yīng)的6 個 ΗΜΜ。步驟S204，將冷卻帶熟料特征參數(shù)作為冷卻帶熟料參數(shù)模型的觀測序列。具體地，得到冷卻帶參數(shù)模型后，就可以對冷卻帶熟料溫度進(jìn)行檢測，即進(jìn)行HMM的推理階段。也就是將冷卻帶熟料特征參數(shù)作為冷卻帶熟料參數(shù)模型的觀測序列，來檢測出回轉(zhuǎn)窯冷卻帶的熟料溫度狀態(tài)。首先提取冷卻帶熟料特征參數(shù)并將其作為冷卻帶熟料參數(shù)模型的觀測序列，然后讀取訓(xùn)練好的6個ΗΜΜ。步驟S205，采用前向-后向算法計算所述觀測序列對應(yīng)每一冷卻帶熟料參數(shù)模型的概率。具體地，采用前向-后向算法計算上述觀測序列對應(yīng)6個HMM中每一 HMM的概率。步驟S206，將計算出的概率最大的冷卻帶熟料參數(shù)模型對應(yīng)的冷卻帶熟料溫度狀態(tài)作為本次冷卻帶熟料溫度狀態(tài)的檢測結(jié)果。具體地，計算出觀測序列對應(yīng)的6個HMM的概率后，概率最大的HMM對應(yīng)的溫度狀態(tài)即為本次檢測時回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度狀態(tài)的檢測結(jié)果。本實(shí)施例的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法，通過采用隱馬爾科夫模型建立回轉(zhuǎn)窯冷卻帶熟料溫度狀態(tài)模型，并根據(jù)冷卻帶熟料特征參數(shù)得到回轉(zhuǎn)窯冷卻帶熟料溫度狀態(tài)，提供了一種準(zhǔn)確、可靠的回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)檢測方法。進(jìn)一步地，上述方法實(shí)施例二中，步驟S206獲得冷卻帶熟料溫度狀態(tài)的檢測結(jié)果后，還可以將該冷卻帶熟料溫度狀態(tài)與窯內(nèi)穩(wěn)定時檢測的熟料溫度進(jìn)行對比，更新冷卻帶熟料參數(shù)模型。具體地，當(dāng)回轉(zhuǎn)窯內(nèi)狀態(tài)穩(wěn)定時，通過安裝在窯內(nèi)的光纖比色測溫儀能得到較為準(zhǔn)確的冷卻帶熟料溫度數(shù)據(jù)，因此，當(dāng)獲得冷卻帶熟料溫度狀態(tài)的檢測結(jié)果后，若與回轉(zhuǎn)窯內(nèi)狀態(tài)穩(wěn)定時，光纖比色測溫儀檢測到的冷卻帶熟料溫度數(shù)據(jù)對應(yīng)的狀態(tài)不同，則根據(jù)本次檢測的數(shù)據(jù)更新冷卻帶熟料參數(shù)模型。從而可以進(jìn)一步提高回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度狀態(tài)檢測的準(zhǔn)確度。
圖3為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)實(shí)施例一的結(jié)構(gòu)示意圖，如圖3所示，本實(shí)施例的系統(tǒng)可以包括圖像采集裝置31和工業(yè)計算機(jī)32。圖像采集裝置31，用于采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并將冷卻帶熟料圖像傳送給工業(yè)計算機(jī)32。具體地，圖像采集裝置31可以為回轉(zhuǎn)窯內(nèi)窺式看火鏡攝像機(jī)等用于拍攝回轉(zhuǎn)窯內(nèi)情況的工業(yè)攝像機(jī)，通過同軸電纜將拍攝到的圖像傳送至工業(yè)計算機(jī)32。進(jìn)一步地，本實(shí)施例的圖像采集裝置31還可以通過同軸電纜將另一路信號傳送至監(jiān)視器，供操作人員直接觀測回轉(zhuǎn)窯內(nèi)圖像。工業(yè)計算機(jī)32，用于根據(jù)采集到的回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)；根據(jù)冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)；將冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得到冷卻帶熟料溫度狀態(tài)。
具體地，工業(yè)計算機(jī)32用于執(zhí)行圖I所示的方法實(shí)施例的各步驟。本實(shí)施例的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)用于執(zhí)行圖I所示的方法實(shí)施例的技術(shù)方案，其實(shí)現(xiàn)原理和技術(shù)效果類似，此處不再贅述。圖4為本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)實(shí)施例二的結(jié)構(gòu)示意圖，如圖4所示，本實(shí)施例的系統(tǒng)在圖3所示系統(tǒng)的基礎(chǔ)上，工業(yè)計算機(jī)32可以包括圖像處理單元41，用于對回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像依次進(jìn)行圖像凍結(jié)、煙霧濾波、圖像灰度拉伸、圖像分割處理，得到冷卻帶熟料圖像。具體地，圖像處理單元41可以包括圖像采集卡以及安裝在工業(yè)計算機(jī)中的圖像處理軟件，通過圖像采集卡將圖像采集裝置31采集到的圖像轉(zhuǎn)換為數(shù)字信號，并用通過圖像處理軟件將圖像處理為所需的冷卻帶熟料圖像。特征提取單元42，用于從回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像中提取冷卻帶熟料圖像特征參數(shù)；將冷卻帶熟料溫度、窯頭溫度、窯尾溫度、主機(jī)電流、窯頭負(fù)壓作為回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)。數(shù)據(jù)融合單元43，用于將所述冷卻帶熟料圖像特征參數(shù)和所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到所述冷卻帶熟料特征參數(shù)。特征模型單元44，用于根據(jù)冷卻帶熟料特征參數(shù)對應(yīng)的冷卻帶熟料溫度狀態(tài)，得到冷卻帶熟料參數(shù)模型；所述冷卻帶熟料參數(shù)模型為隱馬爾科夫模型。狀態(tài)檢測單元45，用于將冷卻帶熟料特征參數(shù)作為冷卻帶熟料參數(shù)模型的觀測序列；采用前向-后向算法計算觀測序列對應(yīng)每一所述冷卻帶熟料參數(shù)模型的概率；將計算出的概率最大的冷卻帶熟料參數(shù)模型對應(yīng)的冷卻帶熟料溫度狀態(tài)作為所述冷卻帶熟料溫度狀態(tài)。狀態(tài)更新單元46，用于將冷卻帶熟料溫度狀態(tài)與窯內(nèi)穩(wěn)定時檢測的熟料溫度進(jìn)行對比，更新冷卻帶熟料參數(shù)模型。本實(shí)施例的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)，通過回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)和冷卻帶圖像特征參數(shù)的融合，降低了由于回轉(zhuǎn)窯內(nèi)環(huán)境復(fù)雜，煤粉和煙霧干擾對圖像質(zhì)量影響，提高了對回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)的檢測準(zhǔn)確度；通過將冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，避免了人工帶來的誤差，同樣提高了對回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)檢測的可靠性。
最后應(yīng) 說明的是以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。
權(quán)利要求
1.一種回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法，其特征在于，包括 采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并根據(jù)所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)； 根據(jù)所述冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)； 將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得到冷卻帶熟料溫度狀態(tài)。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述根據(jù)采集到的回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像得到冷卻帶熟料圖像特征參數(shù)包括 對所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像依次進(jìn)行圖像凍結(jié)、煙霧濾波、圖像灰度拉伸、圖像分割處理，得到所述冷卻帶熟料區(qū)域圖像； 從所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料區(qū)域圖像中提取所述冷卻帶熟料圖像特征參數(shù)； 所述根據(jù)所述冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)包括 將冷卻帶熟料溫度、窯頭溫度、窯尾溫度、主機(jī)電流、窯頭負(fù)壓作為所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)； 將所述冷卻帶熟料圖像特征參數(shù)和所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到所述冷卻帶熟料特征參數(shù)。
3.根據(jù)權(quán)利要求I或2所述的方法，其特征在于，所述將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行比較得到冷卻帶熟料溫度狀態(tài)之前，還包括 根據(jù)與所述冷卻帶熟料特征參數(shù)對應(yīng)的冷卻帶熟料溫度狀態(tài)，得到所述冷卻帶熟料參數(shù)模型； 所述冷卻帶熟料參數(shù)模型為隱馬爾科夫模型。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，包括 將所述冷卻帶熟料特征參數(shù)作為所述冷卻帶熟料參數(shù)模型的觀測序列； 采用前向-后向算法計算所述觀測序列對應(yīng)每一所述冷卻帶熟料參數(shù)模型的概率； 將計算出的概率最大的冷卻帶熟料參數(shù)模型對應(yīng)的冷卻帶熟料溫度狀態(tài)作為所述冷卻帶熟料溫度狀態(tài)。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行比較，得到冷卻帶熟料溫度狀態(tài)之后，還包括 將所述冷卻帶熟料溫度狀態(tài)與窯內(nèi)穩(wěn)定時檢測的熟料溫度進(jìn)行對比，更新所述冷卻帶熟料參數(shù)模型。
6.一種回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測系統(tǒng)，其特征在于，包括圖像采集裝置和工業(yè)計算機(jī)； 所述圖像采集裝置，用于采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并將所述冷卻帶熟料圖像傳送給工業(yè)計算機(jī)； 所述工業(yè)計算機(jī)，用于根據(jù)采集到的回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)；根據(jù)所述冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)；將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得到冷卻帶熟料溫度狀態(tài)。
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述工業(yè)計算機(jī)包括 圖像處理單元，用于對所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像依次進(jìn)行圖像凍結(jié)、煙霧濾波、圖像灰度拉伸、圖像分割處理，得到所述冷卻帶熟料圖像； 特征提取單元，用于從所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像中提取所述冷卻帶熟料圖像特征參數(shù)；將冷卻帶熟料溫度、窯頭溫度、窯尾溫度、主機(jī)電流、窯頭負(fù)壓作為所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)； 數(shù)據(jù)融合單元，用于將所述冷卻帶熟料圖像特征參數(shù)和所述回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到所述冷卻帶熟料特征參數(shù)。
8.根據(jù)權(quán)利要求6或7所述的系統(tǒng)，其特征在于，所述工業(yè)計算機(jī)還包括 特征模型單元，根據(jù)與所述冷卻帶熟料特征參數(shù)對應(yīng)的冷卻帶熟料溫度狀態(tài)，得到所述冷卻帶熟料參數(shù)模型； 所述冷卻帶熟料參數(shù)模型為隱馬爾科夫模型。
9.根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述工業(yè)計算機(jī)還包括 狀態(tài)檢測單元，用于將所述冷卻帶熟料特征參數(shù)作為所述冷卻帶熟料參數(shù)模型的觀測序列；采用前向-后向算法計算所述觀測序列對應(yīng)每一所述冷卻帶熟料參數(shù)模型的概率；將計算出的概率最大的冷卻帶熟料參數(shù)模型對應(yīng)的冷卻帶熟料溫度狀態(tài)作為所述冷卻帶熟料溫度狀態(tài)。
10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，所述工業(yè)計算機(jī)還包括 狀態(tài)更新單元，用于將所述冷卻帶熟料溫度狀態(tài)與窯內(nèi)穩(wěn)定時檢測的熟料溫度進(jìn)行對t匕，更新所述冷卻帶熟料參數(shù)模型。
全文摘要
本發(fā)明提供一種回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法和系統(tǒng)。一種方法包括采集回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，并根據(jù)所述回轉(zhuǎn)窯內(nèi)冷卻帶熟料圖像，得到冷卻帶熟料圖像特征參數(shù)；根據(jù)所述冷卻帶熟料圖像特征參數(shù)和回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)，得到冷卻帶熟料特征參數(shù)；將所述冷卻帶熟料特征參數(shù)與冷卻帶熟料參數(shù)模型進(jìn)行相似性對比，得到冷卻帶熟料溫度狀態(tài)。本發(fā)明提供的回轉(zhuǎn)窯內(nèi)冷卻帶熟料溫度檢測方法和系統(tǒng)，通過將回轉(zhuǎn)窯內(nèi)熱工數(shù)據(jù)和圖像特征參數(shù)進(jìn)行融合，并與冷卻帶熟料參數(shù)模型進(jìn)行比較，能夠提高回轉(zhuǎn)窯內(nèi)冷卻帶溫度狀態(tài)檢測的準(zhǔn)確度和可靠性。
文檔編號G01K13/00GK102928118SQ20121046249
公開日2013年2月13日 申請日期2012年11月16日 優(yōu)先權(quán)日2012年11月16日
發(fā)明者孫俊民, 王文儒, 劉鑫平, 張生, 李國勝, 韓黎明, 劉愛民, 陳華, 張小剛, 陳雞平 申請人:大唐國際發(fā)電股份有限公司, 湖南大學(xué)