基于火焰圖像與關(guān)鍵過程數(shù)據(jù)融合的氧化鋁回轉(zhuǎn)窯成帶狀態(tài)識別

基于火焰圖像與關(guān)鍵過程數(shù)據(jù)融合的氧化鋁回轉(zhuǎn)窯成帶狀態(tài)識別

開采氧化回爐車間的溫度控制決定了最終熟材料的質(zhì)量、產(chǎn)量和能耗，而燃燒帶的狀態(tài)是資產(chǎn)熱控制器的決策依據(jù)。因此，對燒煤帶的正確識別直接影響最終的產(chǎn)品質(zhì)量。由于燒煤帶的狀態(tài)難以連續(xù)測量，因此長期依靠手動(dòng)肉眼進(jìn)行觀察，并根據(jù)觀察結(jié)果進(jìn)行操作。這種人工火處理方法容易導(dǎo)致產(chǎn)品質(zhì)量一致性差、資源消耗大的問題。因此，許多科學(xué)家采用計(jì)算數(shù)據(jù)處理技術(shù)模擬了人工火的經(jīng)驗(yàn)和過程，并對基于燃燒帶的溫度測量值進(jìn)行了研究。為了控制回轉(zhuǎn)爐的過程，采用了基于燃燒火焰成像特征和基于燃燒帶溫度測量值的燃燒帶狀態(tài)方法。然而，由于回轉(zhuǎn)爐裝置的快速識別和影響以及復(fù)雜的物理和化學(xué)性質(zhì)反應(yīng)引起的噪聲，火焰圖像往往是黑暗和模糊的。同時(shí)，由于煤粉、濃縮物、熟料、火焰等的影響，目前的燒煤帶溫度測量方法難以有效，且瞬時(shí)值波動(dòng)較大，測量值滯后，無法正確反映實(shí)際燃燒帶的溫度。因此，上述方法難以正確識別燃燒帶的狀態(tài)，不能保證基于燒煤帶狀態(tài)的控制器的控制性能，從而影響最終產(chǎn)品。1破碎、儲存、送至中碎如圖1所示,燒結(jié)法氧化鋁回轉(zhuǎn)窯過程可以簡單描述如下:由原料制備工序供給的生料漿,經(jīng)回轉(zhuǎn)篩篩除雜物后進(jìn)入料漿槽,再由油隔泵經(jīng)噴槍噴入窯尾,在回轉(zhuǎn)窯內(nèi)部依次經(jīng)過烘干帶、預(yù)熱帶、分解帶、燒成帶、冷卻帶后進(jìn)入冷卻機(jī)內(nèi)冷卻,然后送至中碎系統(tǒng)進(jìn)行破碎、儲存,最后送至溶出工序.圖1中,TT1表示燒成帶溫度傳感器;TT2表示窯頭溫度傳感器;TT3表示窯尾溫度傳感器;PT1表示窯頭壓力傳感器;PT2表示窯尾壓力傳感器;PT3表示鼓風(fēng)機(jī)出口一次風(fēng)壓力傳感器;PT4表示生料漿壓力傳感器;FT1表示鼓風(fēng)機(jī)出口一次風(fēng)流量傳感器;FT2表示生料漿流量傳感器;AT1表示煙氣殘氧量分析儀;AT2表示生料漿密度傳感器;K1表示一次風(fēng)門;K2表示排煙機(jī)入口風(fēng)門;M1表示給煤機(jī);M2表示鼓風(fēng)機(jī);M3表示喂料泵電機(jī).如果燒成帶溫度低于開始燒結(jié)溫度得到的熟料稱為“欠燒”熟料;高于表面熔化溫度的熟料稱為“過燒”熟料.“欠燒”和“過燒”狀態(tài)下的熟料溶出率都低于正燒結(jié)熟料的溶出率,屬于質(zhì)量不合格的熟料產(chǎn)品.2在混合狀態(tài)下的混合智能識別方法2.1u3000合成參數(shù)的在線反饋如圖2所示,本文提出的燒成帶狀態(tài)混合智能識別方法主要由兩個(gè)模塊組成:基于支持向量機(jī)的前向識別模塊(1)與基于專家修正樣本的在線反饋學(xué)習(xí)模塊(2).前向識別模塊的功能是進(jìn)行燒成帶的自動(dòng)識別;在線反饋學(xué)習(xí)模塊的功能是對識別結(jié)果進(jìn)行在線人工修正.圖2中,Mh表示物料高度;Fs表示火焰閃爍頻率;Rf表示火焰區(qū)R值;Rm表示物料區(qū)R值Gavr表示火焰圖像整體平均灰度;TBZ表示燒成帶溫度;TRH表示窯頭溫度;TRE表示窯尾溫度;Icm表示冷卻機(jī)電流;?Ci(t)表示t時(shí)刻懲罰系數(shù)在線增量;?δi(t)表示t時(shí)刻核函數(shù)參數(shù)在線增量;(Shy(t),Shrec(t))表示t時(shí)刻混合特征數(shù)據(jù)與人工辨識結(jié)果構(gòu)成的專家在線反饋修正樣本.在前向識別模塊中,首先由圖像采集單元獲取當(dāng)前時(shí)刻t之前T時(shí)間段內(nèi)燒成帶火焰圖像序列Fbmpt-T,經(jīng)過火焰圖像預(yù)處理、分割后,提取燒成帶火焰圖像特征序列SFt-T.與此同時(shí),t時(shí)刻過程檢測數(shù)據(jù)序列P1(t)···Pn(t)進(jìn)行在線濾波與關(guān)鍵過程數(shù)據(jù)選取后得到關(guān)鍵過程數(shù)據(jù)序列Sp(t).火焰圖像特征序列SFt-T、關(guān)鍵過程數(shù)據(jù)序列Sp(t)經(jīng)過火焰圖像特征與關(guān)鍵過程數(shù)據(jù)融合單元后組成混合數(shù)據(jù)特征輸入基于支持向量機(jī)的燒成帶狀態(tài)分類模型,經(jīng)過識別分類后得到t時(shí)刻自動(dòng)識別結(jié)果Smrec(t).在生產(chǎn)邊界條件一定的情況下,由具有豐富看火經(jīng)驗(yàn)的操作員通過觀察T時(shí)間段內(nèi)燒成帶火焰圖像與過程檢測數(shù)據(jù)在線評價(jià)當(dāng)前t時(shí)刻的自動(dòng)識別結(jié)果,并對結(jié)果進(jìn)行人工修正.修正后的燒成帶狀態(tài)識別結(jié)果與相對應(yīng)的混合特征序列構(gòu)成了t時(shí)刻的專家修正樣本Smd(t),在線反饋增量學(xué)習(xí)單元根據(jù)專家修正樣本Smd(t)進(jìn)行基于支持向量機(jī)增量學(xué)習(xí)的模型參數(shù)在線調(diào)整,燒成帶狀態(tài)分類模型根據(jù)學(xué)習(xí)單元的輸出(?Ci(t),?δi(t))進(jìn)行在線的模型調(diào)整.誤差計(jì)算單元通過計(jì)算每個(gè)時(shí)間周期T內(nèi)的自動(dòng)識別結(jié)果Smrec(t)與人工判別Shrec(t)之間的誤差ετ形成判據(jù)規(guī)則,來控制狀態(tài)識別方式切換單元,實(shí)現(xiàn)人工看火與“機(jī)器識別”結(jié)果輸出的自動(dòng)切換.令ετ=0,1,分別表示每個(gè)時(shí)間周期T內(nèi)的識別結(jié)果Smrec(t)與Shrec(t)人工判別之間是否存在誤差,其中“0”表示沒有誤差;“1”表示存在誤差.采用啟發(fā)式規(guī)則描述ετ判據(jù)如下:根據(jù)現(xiàn)場過程數(shù)據(jù)的檢測周期與燒成帶火焰圖像采集頻率以及現(xiàn)場實(shí)際控制周期的需要,選擇燒成帶自動(dòng)識別周期T=30s.人工識別與“機(jī)器識別”之間的切換周期也為T,即每隔30s判斷一次是否存在識別誤差ετ,然后根據(jù)ετ判據(jù)規(guī)則選擇看火方式.2.2u3000ga三大數(shù)量風(fēng)速模型如圖3所示,根據(jù)亮度、灰度值和物理意義上的差異回轉(zhuǎn)窯火焰圖像可分為背景區(qū)、物料區(qū)、火焰區(qū)和輻射帶四部分,采用圖像分割技術(shù)對四個(gè)區(qū)域進(jìn)行劃分,具體算法如下:1)火焰圖像分割首先利用Ostu法計(jì)算最佳閾值Tbest對火焰灰度圖像進(jìn)行閾值分割,得到粗分割后的火焰灰度圖像GT(i,j)∈[Tbest+1,Lmax](i=0,1,···,MTj=0,1,···,NTt).GT(i,j)的灰度統(tǒng)計(jì)直方圖函數(shù)可以表示為其中,His(l)表示灰度級為l的像素個(gè)數(shù),δ(x)定義如下:將模糊C-means(FuzzyC-means,FCM)算法中的GT(i,j)用His(l)代替得到新的聚類目標(biāo)函數(shù)為最小化上述函數(shù),得到新的快速FCM的隸屬度和聚類中心迭代函數(shù)為使用上述方法后得到模糊隸屬度矩陣UGT.本文根據(jù)火焰區(qū)與物料區(qū)在紋理上的差異,采用Gabor小波變換來表示火焰圖像的紋理粗糙度對UGT進(jìn)行去模糊化的運(yùn)算.Gabor小波核函數(shù)描述如下:其中,μ,ν分別是方向和尺度因子,z=(x,y)是行矢量,x,y為二維坐標(biāo),kμν由式(7)確定:根據(jù)窯的轉(zhuǎn)動(dòng)方向、物料在燒成帶內(nèi)的移動(dòng)方向、火焰受噴煤管角度及一、二次風(fēng)作用的偏移√方向等因素的影響,令,由下式可得小波紋理粗糙度特征:其中,ν∈{0,1,2,3},μ∈{0,1,2,3},ψμν(z)表示不同的參數(shù)μ,ν對應(yīng)的Gabor小波基,Oμν(i,j)表示得到的Gabor小波紋理粗糙度特征.利用Oμν(i,j)對UGT進(jìn)行去模糊化運(yùn)算,得到精確分割后的火焰區(qū)與物料區(qū).經(jīng)過基于灰度值的FCM分割方法,得到火焰與物料的混合區(qū)域如圖4(a)所示;利用Gabor小波紋理粗糙度去模糊化,最終分割后的火焰區(qū)與物料區(qū)如圖4(b)和圖4(c)所示.2)火焰圖像特征提取a)物料高度特征提取:物料隨回轉(zhuǎn)窯的旋轉(zhuǎn),被窯壁帶起的高度,反映了物料的燒結(jié)情況,其提取算法如下:步驟1.計(jì)算灰度差分值.令g(x,y)表示圖像中坐標(biāo)為(x,y)點(diǎn)處的灰度值,則位于x=x0的灰度后向差分為取相鄰2n個(gè)點(diǎn)的差分平均值作為這一點(diǎn)像素的等效差分值:步驟2.找到等效差分值ˉgy(x0,y)最大的像素點(diǎn)(x0,y0),即物料區(qū)上部與背景區(qū)的邊緣像素.在點(diǎn)(x0,y0)沿y坐標(biāo)軸的L鄰域范圍內(nèi),計(jì)算分離帶高物料與背景的平均閾值:步驟3.利用閾值δf對圖像進(jìn)行二值化,得到被帶高的物料分布范圍,通過對縱坐標(biāo)y值起泡法排序找到L個(gè)高點(diǎn)的位置sk=(xk,yk+i),i=0,···,L,利用下式計(jì)算平均物料高度:b)火焰閃爍頻率特征提取:火焰的閃爍是由于火焰區(qū)內(nèi)灰度不同的兩個(gè)區(qū)域的交替變化而形成,算法如下:步驟1.利用Ostu算法計(jì)算閾值的公式計(jì)算火焰燃燒區(qū)域的閾值δg.步驟2.根據(jù)n幀(n為一次特征計(jì)算周期Ts內(nèi)的圖像幀數(shù))歷史圖像數(shù)據(jù)序列確定面積閾值δa:Areai=count(i=1,2,···,n)表示每一幀燒結(jié)工況圖像燃燒區(qū)域的亮區(qū)面積,其中count為大于灰度閾值δg的像素個(gè)數(shù).步驟3.判斷每一幀圖像的閃爍狀態(tài),將一次特征計(jì)算周期Ts(Ts=30s,采集速率5幀/s)內(nèi)的火焰區(qū)域閃爍狀態(tài)變化次數(shù)和作為這段時(shí)間內(nèi)的閃爍頻率.c)整體平均灰度、火焰顏色、物料顏色特征提取:整體平均灰度值與燒成帶溫度之間存在著較強(qiáng)的關(guān)聯(lián)性,因此整體平均灰度Gavr可以通過下式計(jì)算:根據(jù)人類視覺特點(diǎn),選取火焰區(qū)平均R值Rf、物料區(qū)平均R值Rm來表征物料顏色與火焰顏色.計(jì)算火焰區(qū)彩色圖像Cfla平均R值Rf如下:計(jì)算物料區(qū)彩色圖像Cmat平均R值Rm如下:其中,NF和NM分別表示火焰區(qū)與物料區(qū)的像素?cái)?shù)目,R(k)F和R(k)M表示火焰區(qū)與物料區(qū)第k個(gè)像素的R值.由上述燒結(jié)工況圖像特征提取算法,得到如下燒結(jié)工況圖像特征序列:Sf=(Mh,Fs,Gavr,Rf,Rm).2.3改進(jìn)的基于中值數(shù)絕對偏差的實(shí)時(shí)決策濾波算法燒成帶溫度、窯頭溫度、窯尾溫度與冷卻機(jī)電流四個(gè)過程檢測數(shù)據(jù)可連續(xù)在線檢測,與燒成帶狀態(tài)變化具有強(qiáng)相關(guān)性,因此作為關(guān)鍵數(shù)據(jù)與火焰圖像特征數(shù)據(jù)進(jìn)行數(shù)據(jù)融合.1)數(shù)據(jù)濾波基于中值數(shù)絕對偏差的濾波算法如下:步驟1.當(dāng)前時(shí)刻t,建立移動(dòng)數(shù)據(jù)窗口(寬度為m,通常設(shè)為奇數(shù)):其中,x(t)是t時(shí)刻的測量值.步驟2.用排序法計(jì)算出窗口序列的中值Z(t).步驟3.用中值Z(t)構(gòu)造一個(gè)尺度序列即中值數(shù)絕對偏差序列:步驟4.用排序法計(jì)算出上述尺度序列的中值D(t).步驟5.按下式計(jì)算當(dāng)前測量值x(t)的濾波值y(t).上式中的L為門限參數(shù),MAD=1.4826×D.針對基于中值數(shù)絕對偏差的實(shí)時(shí)決策濾波算法應(yīng)用于實(shí)際的數(shù)據(jù)濾波時(shí),對由于過程檢測或特征提取過程中引入的“大尖峰”擾動(dòng)濾波效果較差的問題,在原有基本算法基礎(chǔ)上增加了一個(gè)基于數(shù)據(jù)擾動(dòng)特征的“大尖峰”濾波環(huán)節(jié),改進(jìn)的基于中值數(shù)絕對偏差的實(shí)時(shí)決策濾波算法如下:步驟1～步驟5同基本的基于中值數(shù)絕對偏差的實(shí)時(shí)決策濾波算法.步驟6.按下式計(jì)算當(dāng)前測量值x(t)的最終濾波值yf(t).其中,L1是閾值參數(shù),根據(jù)實(shí)際測量數(shù)據(jù)序列給出.當(dāng)存在“大尖峰”擾動(dòng)時(shí),MAD值也相應(yīng)比較大,反映了測量數(shù)據(jù)大幅度跳變這一特征.當(dāng)判斷存在“大尖峰”擾動(dòng)時(shí),當(dāng)前時(shí)刻的濾波器輸出就保持為上一時(shí)刻濾波器的輸出值,否則,輸出經(jīng)基本算法計(jì)算所得到的值.2)特征同步序列化由于回轉(zhuǎn)窯關(guān)鍵過程數(shù)據(jù)(TBZ,TRH,TRE,Icm)具有不同的檢測周期Tdi(i=1,2,3,4)和滯后時(shí)間τi(i=1,2,3,4).不同的火焰圖像特征(Gavr,Rf,Mh,Fs,Rm)的提取過程在時(shí)間上存在不一致的現(xiàn)象,這種時(shí)間上不一致的現(xiàn)象在關(guān)鍵過程數(shù)據(jù)和火焰圖像特征之間表現(xiàn)得更加明顯,需要進(jìn)行同步運(yùn)算.設(shè)火焰圖像特征提取時(shí)間為Tej(j=1,2,3,4,5),根據(jù)下式設(shè)定同步周期Ts:在一個(gè)同步周期Ts內(nèi),存在兩種類型的特征信號周期.對于第一類周期Ts1,存在如下關(guān)系式:選擇距離下一個(gè)同步時(shí)鐘信號最近的特征數(shù)據(jù)作為同步后的混合特征序列中對應(yīng)的特征數(shù)據(jù)值,其中i=1,2,···,9.對于第二類特征信號周期Ts2,存在如下關(guān)系式:同步后的混合特征序列中第i個(gè)特征數(shù)據(jù)值等于兩個(gè)同步時(shí)鐘信號之間的k個(gè)檢測周期或計(jì)算周期中特征數(shù)據(jù)值的均值.3)歸一化采用下式對數(shù)據(jù)進(jìn)行歸一化處理:上式中表示對第n個(gè)以Ts為同步周期的混合特征序列進(jìn)行歸一化后的結(jié)果,n∈N為單調(diào)遞增的自然數(shù).2.4不同節(jié)點(diǎn)區(qū)燒前狀態(tài)不同的看火操作工之間看火經(jīng)驗(yàn)不同,判別結(jié)果通常會存在一些程度上的差異,可以總結(jié)為N組窯況判別結(jié)果:{過燒、正燒、欠燒}、{二級過燒、一級過燒、正燒、一級欠燒、二級欠燒}···{N級過燒···一級過燒、正燒、一級欠燒···N級欠燒}.本文采用基于層次二叉樹結(jié)構(gòu)的支持向量機(jī)(Binarytreesupportvectormachine,BT-SVM)多類分類器模型的輸出空間來匹配上述的燒成帶狀態(tài)判別空間.為了使模型的拓?fù)浣Y(jié)構(gòu)滿足“正態(tài)樹”的要求,首先將待識別的樣本空間分成兩類,即{過燒+正燒}和{正燒+欠燒},得到如圖5所示的具有準(zhǔn)正態(tài)二叉樹結(jié)構(gòu)的多類支持向量機(jī)窯況識別模型.該模型由若干葉子節(jié)點(diǎn)Sij構(gòu)成,Tij為準(zhǔn)正態(tài)二叉樹每一層葉子節(jié)點(diǎn)Sij對應(yīng)的樣本類別空間,即上一級支持向量機(jī)節(jié)點(diǎn)的分類輸出,表示燒成帶狀態(tài)的分類識別結(jié)果,這些識別結(jié)果共同構(gòu)成了輸出空間.其中i=1,2,···,N,j=1,2,···,Mi,Mi為每一層節(jié)點(diǎn)數(shù),定義如下:Tij對應(yīng)的各級燒成帶狀態(tài)識別結(jié)果如下所示:{T11}:{待識別樣本空間};{T21,T22}:{過燒+正燒,正燒+欠燒};{T31,T32,T33}:{過燒,正燒,欠燒};{TN1,···,TNM}:{2N-2級過燒,···,一級過燒,正燒,一級欠燒,···,2N-2級欠燒}.對于一個(gè)n類狀態(tài)分類問題n=2i+1(i=0,1,2,···),構(gòu)建一個(gè)如圖5所示的N層結(jié)構(gòu)的BT-SVM模型,則模型的層數(shù)N與分類類別數(shù)n之間存在如下關(guān)系式:N層結(jié)構(gòu)的BT-SVM共包含dN個(gè)內(nèi)部節(jié)點(diǎn)和n個(gè)葉子節(jié)點(diǎn),每個(gè)內(nèi)部節(jié)點(diǎn)都是一個(gè)二類分類器,利用式(27)計(jì)算dN:對于一個(gè)混合特征數(shù)據(jù)樣本從根節(jié)點(diǎn)開始根據(jù)每一個(gè)內(nèi)部節(jié)點(diǎn)(包括根節(jié)點(diǎn))所對應(yīng)的二類支持向量機(jī)分類器的輸出值決定下一步的路徑,依次經(jīng)過若干內(nèi)部節(jié)點(diǎn)后到達(dá)葉子節(jié)點(diǎn),實(shí)現(xiàn)最終的燒成帶狀態(tài)類別劃分.每一個(gè)內(nèi)部節(jié)點(diǎn)所對應(yīng)的向量機(jī)分類過程如圖6所示,每一個(gè)內(nèi)部節(jié)點(diǎn)對應(yīng)的二類支持向量機(jī)分類器的輸入為9維混合特征矢量表示每一個(gè)內(nèi)部節(jié)點(diǎn)的支持向量.與支持向量xi進(jìn)行基于RBF核函數(shù)的核運(yùn)算,即:圖6中,yi∈{+1,-1}表示每一個(gè)支持向量xi的決策函數(shù)值,αi≥0表示每一個(gè)支持向量xi對應(yīng)的Lagrange乘子.每一個(gè)內(nèi)部節(jié)點(diǎn)Sj對應(yīng)的支持向量機(jī)的決策函數(shù)如下式所示:式中,kj表示每一個(gè)內(nèi)部節(jié)點(diǎn)Sj的支持向量數(shù)目,bj(j=1,2,···,dN)表示每一個(gè)內(nèi)部節(jié)點(diǎn)對應(yīng)的分類超平面的參數(shù),yj(j=1,2,···,dN)表示混合特征矢量樣本經(jīng)過每一個(gè)內(nèi)部節(jié)點(diǎn)Sj(j=1,2,···,dN)后的分類值,決定了其在BT-SVM中下一步的路徑選擇.選擇規(guī)則如下:上面的規(guī)則描述中,SLj表示內(nèi)部節(jié)點(diǎn)Sj的左側(cè)子節(jié)點(diǎn),∧SRj表示內(nèi)部節(jié)點(diǎn)Sj的右側(cè)子節(jié)點(diǎn).混合特征矢量樣本經(jīng)過dN個(gè)支持向量機(jī)節(jié)點(diǎn)之后實(shí)現(xiàn)最終的分類.在實(shí)際應(yīng)用中,BT-SVM的層數(shù)根據(jù)歷史數(shù)據(jù)與專家經(jīng)驗(yàn)確定.本文選擇具有二層結(jié)構(gòu)的燒成帶狀態(tài)分類模型BT-SVM2進(jìn)行實(shí)驗(yàn)研究,利用LibSVM與歷史數(shù)據(jù)對BT-SVM2進(jìn)行離線訓(xùn)練、測試,得到模型的主要參數(shù)如表1所示.利用離線訓(xùn)練得到的模型參數(shù)Coj,δoj,j=1,2,3),根據(jù)貫序最小優(yōu)化算法(Sequentialminimizationoptimization,SMO)計(jì)算,并代入式(29)中,得到BT-SVM2三個(gè)內(nèi)部節(jié)點(diǎn){S11,S21,S22}最終的決策函數(shù):式中,kj∈{12,81,20},xij(i=1,2,···,kj)為BT-SVM2第j個(gè)內(nèi)部節(jié)點(diǎn)的第i個(gè)支持向量機(jī),yij為xij對應(yīng)的目標(biāo)值,為每一個(gè)支持向量機(jī)xij所對應(yīng)的系數(shù),為定義分割超平面的參數(shù).人工在線修正單元對燒成帶狀態(tài)分類模型BT-SVM2的自動(dòng)識別結(jié)果Smrec經(jīng)過人工在線修正后,得到專家修正樣本,其中,Shrec是對Smrec的人工在線修正結(jié)果.增量學(xué)習(xí)部分采用文獻(xiàn)提出的方法.3過程識別結(jié)果為了驗(yàn)證本文提出的方法,利用VisualC++開發(fā)了如圖7(a)所示的燒成帶工況識別軟件應(yīng)用于國內(nèi)某鋁廠回轉(zhuǎn)窯.圖7(b)所示為現(xiàn)場自動(dòng)化系統(tǒng)的實(shí)際運(yùn)行曲線.并在如表2所示生產(chǎn)邊界條件下,進(jìn)行了工業(yè)對比實(shí)驗(yàn)研究.采用本文提出的燒結(jié)工況圖像特征提取算法得到燒結(jié)工況圖像特征序列如表3所示,其中Mh為物料高度,Fs為火焰閃爍頻率,Gavr為燒結(jié)工況圖像整體平均灰度,Rf為火焰區(qū)R值,Rm為物料區(qū)R值.圖8為根據(jù)本文方法研制開發(fā)的燒成帶工況識別系統(tǒng)在現(xiàn)場連續(xù)運(yùn)行28小時(shí)的識別結(jié)果與另外兩種方法比較得到的統(tǒng)計(jì)曲線,其中曲線(1)、(2)分別為采用單純基于燒成帶溫度和本文方法進(jìn)行(過燒+正燒)、(欠燒)兩種狀態(tài)識別的結(jié)果曲線;曲線(3)、(4)分別為采用本文方法和單純基于火焰圖像特征的進(jìn)行(過燒)、(正燒)、(欠燒)三種狀態(tài)識別的結(jié)果.在T1和T3時(shí)間內(nèi),燒成帶溫度偏低且容重合格率為不合格,在該時(shí)間段內(nèi)窯內(nèi)燒成帶處于明顯的欠燒狀態(tài),而曲線(1)、(4)在該時(shí)間段內(nèi)的判斷結(jié)果頻繁變化(橢圓處),曲線(2)、(3)的識別結(jié)果較為穩(wěn)定;在T2時(shí)間段內(nèi),燒成帶溫度測量值大部分時(shí)間處于1200?C～1300?C之間,且該時(shí)間段內(nèi)的熟料產(chǎn)品主要為容重合格的正燒熟料,說明該時(shí)間段內(nèi)回轉(zhuǎn)窯過程主要處于正燒結(jié)狀態(tài),偶爾出現(xiàn)過燒結(jié)狀態(tài),曲線(1)和(2)在該時(shí)間段內(nèi)對燒成帶狀態(tài)的判斷基本一致,只是曲線(1)中t1、t2和t3三個(gè)時(shí)刻判別結(jié)果為欠燒,屬于誤判.在T2時(shí)間段的后半段,曲線(3)和(4)也存在誤判.在T4時(shí)間段內(nèi),曲線(1)的判斷結(jié)果又一次出現(xiàn)頻繁波動(dòng).從上述結(jié)果可以看出,由于采用單純基于燒成帶溫度的窯內(nèi)燒結(jié)狀態(tài)識別方法,對燒成帶溫度較為敏感,鑒于目前采用的比色測溫方法存在有效檢測范圍窄,瞬時(shí)值波動(dòng)大等問題,檢測數(shù)據(jù)易受到窯內(nèi)復(fù)雜惡劣環(huán)境的影響而導(dǎo)致溫度檢測值的異常波動(dòng),從而造成識別結(jié)果出現(xiàn)頻繁波動(dòng).根據(jù)該識別結(jié)果實(shí)施控制策略會導(dǎo)致控制動(dòng)作切換頻繁,生產(chǎn)設(shè)備頻繁啟停造成生產(chǎn)控制不穩(wěn)定等情況的發(fā)生;采用單純基于燒成帶火焰圖像