吴海滨 ¹ ，杨西男 ¹ ，张乐文 ¹ ，周江虹 ² ，陈新兵 ¹，赵明 ¹，杨业 ² ，刘益勇 ²

( 1． 安徽大学 物理与材料科学学院，安徽 合肥 230601; 2． 马鞍山钢铁股份有限公司，安徽 马鞍山 243000)

摘 要: 本系统连接了烧结机 PLC，在获取了其烧结过程参数后，通过分析机尾断面形态以及烧结过程参数与烧结矿质量之间的关系，运用加权支持向量机( W － SVM) ，可得出烧结矿质量的判定结果。并可将得到的烧结矿质量判定结果以及对应断面图片存储到数据库中，利用远程访问客户端，实现远程访问。该系统在国内某大型钢铁厂运行将近半年的时间内，不仅表现出了较高的判定效率，而且提高了烧结矿质量判断的准确性。

关键词: 烧结矿; 烧结参数; 机尾断面图像; 支持向量机; 多参量; 质量判定; 数据库

1 前 言

烧结生产工艺过程的环境条件恶劣，给人工观测带来诸多健康隐患。整个生产工艺的机理也十分复杂，对烧结过程参量的调整稍有不慎就会影响燃料利用率、返矿率等，从而影响烧结的产量和质量，烧结质量又将直接影响高炉炼铁及炼钢^{［1 －2］}。通过多年的烧结实践发现，在众多烧结矿质量影响的因素中，转鼓强度以及 FeO 含量的稳定性所起的作用最大。所以，随着市场对大量廉价高质量铁矿的需求，以及高炉要想更加经济、高效、环保的炼铁、炼钢的需要，转鼓强度和 FeO 含量稳定性等指标的监控 以 及 对 烧 结 参 数 的 调 节 显 得 越 来 越重要^{［3 －4］}。

虽然国内外一直进行着对影响转鼓强度和FeO 含量稳定性条件的探究，但是，一直没有找到一种又准确、又能实时有效地判断烧结矿质量的方法。通过对国内某大型钢铁厂烧结生产工艺的调研和探究，研发出了基于机尾断面形态及过程参数的烧结矿质量判定系统。通过连接烧结机 PLC 获取烧结过程参数，及通过在机尾架设可见光和红外相机获得机尾断面形态特征及温度分布等信息。把机尾断面信息与烧结过程参数相结合，更加全面、准确地判断烧结矿质量。将得到的烧结矿质量判定结果以及对应断面图片存储到数据库中，利用远程访问客户端，实现远程访问。

2 烧结矿质量判定系统

2. 1 系统整体架构

烧结矿质量判定系统整体架构如图 1 所示。可见，系统通过连接烧结机 PLC 获取烧结参数、通过中继箱连接安装在机头的可见光摄像机及通过电器柜连接机尾红外和可见光摄像机，实时获取三路摄像机画面。数据库建立在戴尔工作站中，厂区办公室中安装远程访问客户端软件的 PC 机 ( 工厂外部网络是待功能扩充区域)就能连接局域网实现对烧结矿质量检测结果的访问。

2. 2 烧结矿质量判定系统主程序

本系统主程序功能模块安装在控制室，其烧结矿质量判定主程序界面如图 2 所示。本系统可以实现图 2 所标示的功能。

2. 2. 1 间晕补偿

本系统采用 CCD 摄像机采集机尾断面图像，由于 CCD 具有畸变小、系统噪声低及寿命长等优点，在冶金、化学化工、区域监控以及交通监控等领域得到了广泛的应用。但是，每台摄像机的均匀性不一样，比如瑕点、光电响应的非均匀性等。本系统自带瑕点修复工具，原理一般是采用自适应邻域灰度值的方法计算修复。因此，系统主要对摄像机光响应所造成的非均匀性进行修正，也就是间晕补偿。

对相机的间晕补偿采用积分球。积分球是光通过采样口照射到内壁材料上，经过多次反射后很均匀地散射在积分球内部^［5］。积分球内部平整均匀，摄像机采集的图片的灰度值呈现出中间高边缘暗的现象。

取图片中间 625 个像素点灰度取平均，用这个平均值分别除以每个像素点的灰度值，从而计算出每个像素点的补偿系数，相机采集的灰度值在显示前乘以对应的补偿系数，以实现对摄像机的间晕补偿。

2. 2. 2 判断烧结矿过、欠烧状态

烧结过程中风箱往下抽风，由于烧结矿燃烧，沿传送台车移动的方向各风箱废气的温度呈上升趋势，形成一个抛物线。烧结终点就是物料充分燃烧时，废气温度抛物线的峰值，这时的红火层出现在物料的底层。由于生产工艺、原料配比等会随着生产的需要而频繁变化，烧结终点的前移、后移现象时有发生。烧结终点与过、欠烧状态如图 3 所示。

由图 3 可知，烧结终点的位置决定了过、欠烧的状态。选取点火处和机尾附近部分可能出现温度峰值的风箱温度数据就能判断出烧结矿的过、欠烧状态。如果机尾断面正常，南、北侧风箱温度峰值都在 18 # 风箱，则说明烧结正常; 如果峰值温度出现在 18 # 风箱之后，烧结终点后移，则出现的是欠烧现象; 如果峰值温度出现 在 18 # 风 箱 之 前，则 出 现 的 是 过 烧 现象^{［6 ～8］}。南、北侧风箱的具体位置见表 1。

2. 2. 3 图像的采集与分析

系统需要自动识别并保存烧结断面断裂过程中一幅最清晰的图像，用以进行之后的判断处理。图像数据在计算机中是连续有序的数字信息，研究中把这些有序排列的数字信息按照矩阵的形式排列:

式中: x 为图像的横向分辨率，像素; y 为图像纵向分辨率，像素; S = M × N 为以像素点记录的图像大小; G ( x，y)为在图像像素点 ( x，y) 处的灰度值 ^［8］。

此外，系统中定义:

( 1) 红火层亮度 L 的提取如式 ( 2) 所示:

每一张机尾断面红火层的分布都不同，但是一段时间内这些分布会因为烧结条件的一致性呈现出一定的规律。研究中取 20 张画面，取其平均亮度作为红火层亮度。

( 2) 红火层的连续程度。研究中把红火层横向亮度分布面积的连续性叫做红火层的连续程度。本系统摄像机为1 080 P，其像素点宽度为 1 920，如果横向连续像素点个数 C = 1 920，表明其连续程度最好，烧结矿物料在每个横向上都有红火层。

2. 2. 4 断面的横向均匀性

根据有经验的操作工提供的信息，红火层亮度分布的均匀性对判断烧结矿质量有指导意义^{［9 ～11］}。所以，引入了断面横向烧结均匀性的概念。断面横向烧结均匀性由红火层区域亮度垂直投影分布的方差决定，横向烧结均匀性越好，方差越小，反之方差越大。本系统烧结断面的红火层区域垂直投影分布如图 4 所示。其中，图片底部为 20 张断面图像红火层区域亮度的 ( 两条白线之间的区域) 垂直投影分布。

若红火层各个纵向的重心分别表示为 p₁ ，p₂ ，p₃ ，…，p_N ，那么重心的方差:

式中: C 为红火层的连续程度。

因此，方差 E 的值越小表明其横向烧结均匀性越好。

2. 2. 5 FeO 含量和转鼓指数判定

机器学习是一种使计算机像人类一样，可以通过收集数据进行归纳、综合来完善和修正自己，不断减小误差的方法。但是单纯的依靠机器学习对数据结果进行收集、分析和判断，势必会带来数据的冗余，影响以后的判断。所以要引入加权支持向量机 ( W － SVM) ，它可以控制置信范围及经验风险等，使机器学习能应对新的数据注入，提高最终判断的效率和精度。

由于加权支持向量机的这些优点，其在近些年机器 学 习 中 得 到 了 越 来 越 多 的 关 注 和认可^{［12 ～14］}。

对于具体训练误差的要求，有些对早期数据的依赖性更强，如对股市或者期货的预测等。这些数据不需要很高的训练误差，可以运用加权支持向量机，对不同的样本使用不同的系数，系统中把这个系数叫做惩罚系数 C。

( 1) 对 惩 罚 系 数 C 加 权，其 最 优 化 问题为:

机尾断面横向均匀性、温度分布等特征参数和 PLC 得到的烧结过程中风箱温度、烟道负压等参数传递给支持向量机，就能进行机器的学习和训练 ( 图 5) 。

经过一定时间的数据积累，FeO 含量和转鼓指数的判定模型可形成。不同的带冷和机尾断面特征信息所对应的 FeO 含量不同，不同的大烟道负压、大烟道温度和风箱温度所对应的转鼓强度也不同。输入不同烧结过程参数和机尾断面特征信息，可得到对应的 FeO 含量和转鼓指数。按照 FeO 含量、转鼓指数的多少可分为好、中、差三个等级，分别见表 2 与表 3。

2. 3 系统数据库客户端功能模块

为了方便远程访问，系统设计了远程访问客户端，其界面与功能如图 6 所示。

3 烧结矿质量判定系统的应用效果

系统运用 OPC 通信和 SQL Server 技术，通过 VS2010 编程实现。在与国内某大型钢铁股份有限公司合作实践运行的一段时间内，表现出了在判定效率和判定准确率方面的优势。FeO含量、转鼓强度化验结果与本系统判定结果对比分别如图 7、图 8 所示。可见，FeO 含量90%的判定数据与化验数据相符合; 转鼓强度判断有 91%与化验数据相符合。综合分析 FeO含量与转鼓强度，本系统对烧结矿质量等级的判定结果 93%与化验分析结果相符合。

4 结 论

( 1) 系统引入断面形态特征，采用加权支持向量机 ( W － SVM) 使系统能够实时、有效地判定 FeO 含量、转鼓强度以及烧结等级。

( 2) 系统可提供机头出料口及机尾的实时画面，操作工人足不出户就能通过摄像机提供的画面掌握烧结现场的实时情况。

( 3) 系统采用 SQL Server 技术，建立了数据库，开发了远程访问客户端，实现了让工程技术人员远距离查看烧结生产的历史数据，节省了大量的时间，促进了信息的共享，为调整烧结过程参数、优化烧结生产工艺提供了便利条件，有助于提高烧结矿质量。

参考文献

［1］ 柳黎光． 冶金系统综合节能减排新技术的研究及应用［J］． 通用机械． 2011( 11) : 17 ～18．

［2］ 龙金福，陈子林． 湘钢 1 号 90 m 2 烧结机降低固体燃耗的实践［J］． 烧结球团，2001，26( 6) : 39 ～40．

［3］ 石畑翚． 烧结矿 FeO 含量的研究［J］． 烧结球团，2004，29( 3) : 46 ～51．

［4］ I． R． 达什，王佐泉． 烧结过程的模拟［J］． 烧结球团，1980，( 6) : 82 ～89．

［5］ 杜传耀，张春波． 利用积分球对 CCD 线性和面均匀性的标定［J］． 计测技术，2014，34( 6) : 54 ～56．

［6］ 寇传乾． 基于废气温度上升点的烧结终点预报系统［J］．烧结球团，2007，32( 5) : 27 ～31．

［7］ 廖环宇． 烧结过程烧结终点智能控制策略及工业应用［D］． 长沙: 中南大学，2010．

［8］ 周洋． 烧结终点检测与智能控制系统研究［D］． 沈阳: 东北大学，2013．

［9］ 徐正光． 烧结机尾红外热成像计算机视觉信息处理系统［J］． 冶金自动化，2002，( 2) : 67 ～68．

［10］ 刘征建，左海滨，国宏伟，等． 烧结机尾断面监视系统的应用与发展( 上) ［J］． 冶金自动化，2007，( 02) : 11 ～ 13+23．

［11］ 王建军，苑玮琦，张宏勋，等． 一种基于计算机视觉的烧结矿 FeO 含量在线检测方法［J］． 烧结球团，1996，21( 6) : 1 ～3．

［12］ Yan Guohua，Zhu Yongsheng． Parameters selection method for support vector machine regression ［ J ］． Computer Engineering，2009，35( 13) : 218 －220．

［13］ 马儒宁． 神经网络与支持向量机相关问题研究［D］． 上海: 复旦大学，2005．

［14］ 金焱，褚政，张瑾． 改进加权支持向量机回归方法器件易损性评估［J］． 强激光与粒子束，2014，26( 12) : 123201－1 ～123201 －6．

［15］ Lin C-F，Wang S-D． Fuzzy support vector machines［J］．IEEE Trans on Neural Networks，2002，13( 2) : 464 －471．

［16］ Tay F E H，Cao L J． Modified support vector machines in financial time series forecasting ［J］． Neurocomputing，2002，48: 847 －861．

［17］ Tay F E H，Cao L J． e-Descending support vector machines for financial time series forecasting［J］． Neural Processing Letters，2002，15( 2) : 179 －195．