[發(fā)明專利]監(jiān)測高爐布料周期煤氣流發(fā)展過程及預測煤氣利用率方法

有效

• 申請?zhí)枺?/td>: 201910147686.X
• 申請日: 2019-02-27
• 公開（公告）號: CN109852748B
• 公開（公告）日: 2020-05-08
• 發(fā)明（設計）人: 石琳;張生海;丁根遠;于濤;崔桂梅;袁冬芳
• 申請（專利權）人: 內蒙古科技大學
• 主分類號: C21B5/00
• 分類號: C21B5/00
• 代理公司: 北京挺立專利事務所(普通合伙) 11265
• 代理人: 賈楠楠

本發(fā)明公開了監(jiān)測高爐布料周期煤氣流發(fā)展過程及預測煤氣利用率方法；該方法包括以下步驟：（1）數(shù)據(jù)的采集與處理；（2）紅外圖像處理；（3）圖像特征提取；（4）建立布料周期煤氣流分布的動態(tài)變化模型；（5）煤氣流中心特征提取；（6）圖像和料面的位置定標；（7）建立布料周期煤氣流中心動態(tài)變化模型；（8）建立煤氣利用率預測模型；該方法通過對采集的爐頂紅外圖像處理，利用聚類算法、統(tǒng)計方法、特征識別技術和模式識別技術，實現(xiàn)對布料周期煤氣流分布狀態(tài)和煤氣流中心在料面落點分布的動態(tài)跟蹤，并利用神經網絡算法挖掘布料周期煤氣流發(fā)展過程與煤氣利用率之間的關系，實現(xiàn)對煤氣流利用率的實時預測，為實現(xiàn)智能生產提供幫助。

技術領域

本發(fā)明涉及冶金工業(yè)智能生產與監(jiān)控領域，特別涉及一種監(jiān)測高爐布料周期煤氣流發(fā)展過程及預測煤氣利用率的方法。

背景技術

高爐煉鐵是典型的“黑箱”生產，使操作者很難了解到煤氣流的動態(tài)變化。每座高爐在一定原料條件下都有適合自己最佳的“布料周期”煤氣流發(fā)展過程（包括煤氣流分布的動態(tài)變化過程和煤氣流中心的動態(tài)變化過程），合理的“布料周期”煤氣流發(fā)展過程是保證高爐爐料順行、物理化學反應正常進行以及提高煤氣利用率的重要條件。目前，高爐操作者主要通過各種傳感器和機械設備獲取的高爐生產信息和長期積累的經驗進行調控生產，這種調控模式受到操作者主觀因素很大，而且很難實現(xiàn)智能生產。

近年來，學者們通過高爐監(jiān)控系統(tǒng)產生的數(shù)據(jù)建立數(shù)學模型，有一部分學者利用部分數(shù)據(jù)分析料面溫度場的分布以及溫度場與爐況之間的關系，這種做法都不具有統(tǒng)計性，準確性和普遍性；還有一部分學者以小時為單位分析煤氣流的分布情況與利用率之間的關系，這種做法不能反映煤氣流的動態(tài)變化，不能很好的應用到實際高爐生產中。事實表明，大量的數(shù)據(jù)背后隱藏著非常重要的價值信息。本發(fā)明的核心技術就是對大量紅外視頻數(shù)據(jù)統(tǒng)計分析，利用統(tǒng)計方法和模式識別技術對布料周期煤氣流分布的動態(tài)變化和煤氣流中心的動態(tài)變化進行實時跟蹤，并利用神經網絡算法挖掘其與煤氣利用率之間的價值信息，從而實現(xiàn)高爐煉鐵的智能監(jiān)控和預測。

發(fā)明內容

本發(fā)明的目的是為了解決“布料周期”煤氣流發(fā)展過程難以跟蹤識別以及煤氣流發(fā)展過程與煤氣利用率之間的關系難以確定的問題，提供了一種監(jiān)測高爐布料周期煤氣流發(fā)展過程及智能預測煤氣利用率方法；該方法通過對采集的爐頂紅外圖像處理，利用聚類算法、統(tǒng)計方法、特征識別技術和模式識別技術，實現(xiàn)對布料周期煤氣流分布狀態(tài)和煤氣流中心在料面落點分布的動態(tài)跟蹤，并利用神經網絡算法挖掘布料周期煤氣流發(fā)展過程與煤氣利用率之間的關系，實現(xiàn)對煤氣流利用率的實時預測，為實現(xiàn)智能生產提供幫助；本發(fā)明能夠實時檢測煤氣流發(fā)展過程以及預測煤氣流利用率，使高爐布料操作實現(xiàn)在線監(jiān)測、可視化控制以及智能預測。

本發(fā)明通過以下技術方案來實現(xiàn)：一種監(jiān)測高爐布料周期煤氣流發(fā)展過程及預測煤氣利用率方法，包括以下步驟：

（1）數(shù)據(jù)的采集與處理：在某鋼廠在線采集三個月的高爐爐頂紅外視頻生產數(shù)據(jù)、探尺測量數(shù)據(jù)以及每個布料周期的煤氣利用率，通過軟件將視頻轉成每秒24幀的灰度圖像；

（2）紅外圖像處理：對步驟（1）中得到的圖像進行批量疊加處理，得到每小時3600幀的煤氣流的紅外圖像；將疊加后的圖像通過梯度插值化處理，去除非料面信息；插值化處理得到的圖像進行濾波處理，采用小波變換和均值濾波相結合的濾波方式，除去噪音和脈沖的干擾；得到比較清晰的紅外圖像；

（3）圖像特征提取：求解每一幀圖像對應的奇異值，提取奇異值的前15%構成向量來代表該圖像，該向量稱為圖像特征向量；

（4）建立布料周期煤氣流分布的動態(tài)變化模型：具體過程通過以下過程進行實現(xiàn)：

（4.1）引入“高爐布料周期”的概念：由布料開始到下一次布料開始的時間稱為一個高爐布料周期；將高爐布料周期又劃分為高爐布料期和高爐煤氣流發(fā)展期；