梁 玲

(廣西現(xiàn)代職業(yè)技術(shù)學(xué)院, 廣西 河池 547000)

基于圖像的煙化爐冶煉還原終點(diǎn)判斷研究

梁 玲

(廣西現(xiàn)代職業(yè)技術(shù)學(xué)院, 廣西 河池 547000)

長期以來國內(nèi)外對(duì)煙化爐還原終點(diǎn)的判斷，主要是現(xiàn)場(chǎng)工人觀察，判斷的準(zhǔn)確性受主觀因素影響較大。本文研究了在MATLAB平臺(tái)上，借助于工具箱中的圖像處理函數(shù)，對(duì)三次風(fēng)口火焰圖像預(yù)處理，提取火焰特征量，進(jìn)行神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練，最后進(jìn)行仿真測(cè)試。實(shí)踐中運(yùn)用該方法，還原終點(diǎn)識(shí)別效果較好。

煙化爐； 還原終點(diǎn)； 圖像處理； 圖像特征； 神經(jīng)網(wǎng)絡(luò)； BP網(wǎng)絡(luò)

1 煙化爐冶煉過程及還原終點(diǎn)判斷現(xiàn)狀

廣西河池某冶煉有限公司是一家較早應(yīng)用火法工藝處理脆硫鉛銻礦的企業(yè)，2006年以前主要采用鼓風(fēng)爐還原熔煉—吹煉—電解精煉等工藝進(jìn)行生產(chǎn)。該工藝流程長，金屬回收率低，鉛的冶煉回收率僅為85%左右，銻的冶煉回收率僅為75%左右，并且僅Pb、Sb、Cu、Bi、Ag、Au得到回收，Zn、In、Sn、Ge等沒有回收利用。公司鼓風(fēng)爐還原熔煉工序產(chǎn)生的水淬渣是一種多金屬爐渣，含有較多的有價(jià)成分，極具回收價(jià)值，其中含Pb+Sb 6%～8%，Zn 8%～14%，In 180～200 g/t，，按每月產(chǎn)出鼓風(fēng)爐渣2 000 t計(jì)，每月從鼓風(fēng)爐渣中流失的有價(jià)金屬Pb+Sb 140 t、Zn 200 t，In 400 kg，造成了資源的巨大浪費(fèi)。簽于以往煙化爐處理鼓風(fēng)爐爐渣的成功經(jīng)驗(yàn)和兩種爐渣的一些共有特性，鉛銻鼓風(fēng)爐渣仍采用煙化爐煙化處理工藝。

煙化爐處理鉛銻鼓風(fēng)爐水淬渣的過程，其實(shí)質(zhì)就是還原氧化過程。煤粉(還原劑)鼓入煙化爐中，熔融狀態(tài)渣中鉛、銻、銦、鋅的化合物還原成氣態(tài)金屬揮發(fā)，氣相中的銦、鉛、銻、鋅隨爐氣上升到爐子的上部(三次風(fēng)口)空間，遇到CO和吸入的空氣再度氧化成In2O3、Sb2O3、PbO、ZnO，最后以金屬氧化物形態(tài)被捕集于收塵設(shè)備中。該過程包含三個(gè)反應(yīng)階段：燃燒反應(yīng)階段，金屬還原反應(yīng)階段，氧化反應(yīng)階段。

實(shí)際生產(chǎn)中，煙化過程反應(yīng)時(shí)間90～120 min為宜，超過120 min揮發(fā)率下降，爐渣黏度增大，流動(dòng)性變差，影響煙化爐正常作業(yè)，使煙化效果變差。溫度條件對(duì)爐渣中金屬的揮發(fā)速度有重要的影響：溫度越高，鉛、銻、鋅、銦等揮發(fā)速度越快。但溫度不能超過1 350 ℃，如果高于該溫度，會(huì)生成鐵或鐵合金，影響煙化進(jìn)行；而溫度過低，煙化速度慢，同時(shí)會(huì)產(chǎn)生死爐或結(jié)爐的現(xiàn)象。 生產(chǎn)中控制的作業(yè)溫度為1 250 ℃。

目前，煙化過程各個(gè)階段的判斷國內(nèi)外大多采用人工方法，即各反應(yīng)時(shí)間段內(nèi)人工觀察三次風(fēng)口火焰進(jìn)行判斷，因?yàn)槿物L(fēng)口火焰溫度基本代表了爐溫。2005～2006年該公司自行設(shè)計(jì)建成了一座2.5 m2的煙化爐，煙化爐冶煉過程中各個(gè)階段的判斷控制也是人工觀察三次風(fēng)口火焰，憑經(jīng)驗(yàn)判斷溫度進(jìn)行操作，即 “人眼看火”。由于該方法多憑經(jīng)驗(yàn)操作，誤差較大。

本文以該公司煙化爐一個(gè)周期內(nèi)120 min(從加料到還原結(jié)束)的三次風(fēng)口圖像為對(duì)象，根據(jù)煙化爐冶煉過程中對(duì)各個(gè)階段的控制要求，特別是能夠準(zhǔn)確判斷還原終點(diǎn)的要求，結(jié)合MATLAB圖像處理技術(shù)進(jìn)行分析研究，對(duì)不同時(shí)間圖像特性參數(shù)值進(jìn)行研究，再建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真訓(xùn)練，以探索爐中有價(jià)金屬揮發(fā)是否已經(jīng)結(jié)束，以期較準(zhǔn)確地判斷還原終點(diǎn)。

2 煙化爐燃燒、還原反應(yīng)階段三次風(fēng)口圖像的特征

鉛、銻、銦、鋅的焰色反應(yīng)表明，鉛在空氣中燃燒會(huì)發(fā)出綠色光，銻在空氣中燃燒會(huì)發(fā)出淺綠色光，銦在空氣中燃燒會(huì)發(fā)出藍(lán)色光，鋅在空氣中燃燒會(huì)發(fā)出強(qiáng)烈的藍(lán)綠色光。綜合來看，煙化爐內(nèi)水淬渣金屬氧化還原反應(yīng)燃燒的顏色是藍(lán)綠色光，而碳在空氣中燃燒發(fā)出紅色光芒，這也是“人眼看火”、人工判斷煙化反應(yīng)各階段的依據(jù)之一。

煙化爐的燃燒反應(yīng)階段，也稱一次揮發(fā)，是指煙化爐在弱還原氣氛下(CO氣體)，第一次迅速將溫度提高到1 200～1 250 ℃，達(dá)到揮發(fā)溫度后進(jìn)行的揮發(fā)過程，在這期間，熔融爐渣中的鉛、銻、鋅等含量較高，碳較豐富，故還原揮發(fā)進(jìn)行得較穩(wěn)定，三次風(fēng)口火焰呈穩(wěn)定桔紅色。

煙化爐的還原反應(yīng)階段，也稱二次揮發(fā)，一次揮發(fā)后期溫度低于揮發(fā)溫度1200～1250℃時(shí)，減小粉煤的供給量，以生成大量的CO2提高爐溫，達(dá)到二次升溫溫度(1 200～1 250 ℃)，即進(jìn)入二次揮發(fā)期。此時(shí)大部分粉煤不完全燃燒，產(chǎn)生CO，還原氣氛較強(qiáng)，利于金屬揮發(fā)，且氣態(tài)鉛、銻、銦、鋅在三次風(fēng)口處被再次氧化，故三次風(fēng)口火焰呈漩渦噴發(fā)狀，是不穩(wěn)定的間歇性爆炸樣，火焰呈泛藍(lán)綠色光芒；爐渣熔體溫度下降至900 ℃左右時(shí)，爐內(nèi)火焰顏色開始轉(zhuǎn)紅，雖然熔體中鉛、銻、銦、鋅含量仍有起始含量的60%，但其揮發(fā)速度減小，這時(shí)通過調(diào)整空氣消耗系數(shù)提高熔體溫度，又能觀測(cè)到呈漩渦狀的藍(lán)綠色火焰，由于需要反復(fù)多次揮發(fā)操作，故三次風(fēng)口的圖像不穩(wěn)定，火焰呈間歇漩渦狀的藍(lán)綠色。還原終點(diǎn)時(shí)，三次風(fēng)口的火焰呈亮白色，無論怎樣調(diào)整空氣消耗系數(shù)都看不見這種藍(lán)綠色光芒，只看見C燃燒的紅色火焰，這是因?yàn)榇藭r(shí)揮發(fā)到爐子上部空間的鉛、銻、銦、鋅分壓減少甚至消失的緣故。

3 MATLAB圖像處理和BP神經(jīng)網(wǎng)絡(luò)仿真

為了更準(zhǔn)確判斷煙化爐還原終點(diǎn)，在MATLAB平臺(tái)上，借助于MATLAB工具箱中的圖像處理函數(shù)，對(duì)三次風(fēng)口火焰圖像預(yù)處理，提取平均色度、火焰面積、白點(diǎn)數(shù)特征量，尋求圖像的特征參數(shù)并建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真訓(xùn)練，獲得較準(zhǔn)確的還原終點(diǎn)。

3.1 煙化爐三次風(fēng)口圖像的預(yù)處理

為了減少干擾，便于分析火焰特征，首先去除背景，截取原始火焰圖像中中心風(fēng)口的火焰，即預(yù)處理。預(yù)處理的MATLAB指令為(%部分為解釋，下同)：

〉〉i= imread(′圖像文件名.jpg′); %讀圖

〉〉a = imfill(i,[256 256 256]); %背景置黑

〉〉b=imcrop(a); %截取圖片

截取的風(fēng)口火焰圖像經(jīng)預(yù)處理后得到的圖像如圖1所示，圖中(a)、(b)分別為一、二次揮發(fā)階段預(yù)處理后的圖像，(c)為揮發(fā)末期預(yù)處理后的圖像。

圖1 三次風(fēng)口的預(yù)處理圖像

3.2 煙化爐三次風(fēng)口圖像HSV模型的平均色度

HSV模型通常用于選擇顏色，它是面向用戶的，是一種復(fù)合主觀感覺的色彩模型，比RGB模型更接近人們對(duì)顏色的感知。 由于在煙化爐還原的各階段三次風(fēng)口火焰的顏色各不相同，故可把其平均色度作為一特征量。根據(jù)三次風(fēng)口預(yù)處理圖像的真彩圖像，先由RGB模型轉(zhuǎn)換為HSV模型，再求H均值即為圖像的平均色度。相應(yīng)的MATLAB指令為：

〉〉i=imread(′圖像文件名.jpg′); %讀圖

〉〉a= rgb2hsv(i); %求圖各點(diǎn)H值

〉〉h= mean2(a); %求圖H均值

3.3 煙化爐三次風(fēng)口二值化圖像的火焰面積

對(duì)預(yù)處理后的火焰圖像進(jìn)行閾值二值化處理。圖像二值化從某種意義上來說，也是一種灰度圖像，就是將圖像處理為只有兩個(gè)灰度的圖像，圖像的像素值為1或者0。經(jīng)測(cè)試，取a=0.5時(shí)能有效地提取火焰的外輪廓，相應(yīng)的MATLAB指令為：

〉〉i=imread(′圖像文件名.jpg′); %讀圖

〉〉a=im2bw(i，0.5); %取a=0.5時(shí)轉(zhuǎn)為二值圖像

〉〉c=imshow(b); %輸出二值圖像圖像

〉〉total=bwarea(a) ; %求火焰面積

3.4 煙化爐三次風(fēng)口二值化圖像的白點(diǎn)數(shù)

在處理煙化爐圖像的過程中，揮發(fā)終點(diǎn)時(shí)期的圖像二值化后，白點(diǎn)像素?cái)?shù)應(yīng)該較少，這樣，通過白點(diǎn)像素的多少即可判斷圖像所處的階段。因此，對(duì)圖像進(jìn)行各閾值a的二值化處理(實(shí)驗(yàn)得a=0.5時(shí)最準(zhǔn)確)后，可以從圖像白色點(diǎn)數(shù)的多少將終點(diǎn)圖像分離出來。二值化后作灰度直方圖，統(tǒng)計(jì)白色點(diǎn)數(shù)，相應(yīng)的MATLAB指令為：

〉〉i=imread(′圖像文件名.jpg′); %讀圖

〉〉a=im2bw(i，0.5); %取a=0.5時(shí)轉(zhuǎn)為二值圖像

〉〉imhist(a)； %作灰度直方圖

〉〉b=sum(a); %統(tǒng)計(jì)白色點(diǎn)數(shù)

〉〉c= sum(b) ; %統(tǒng)計(jì)白色點(diǎn)數(shù)

3.5 煙化爐三次風(fēng)口圖像BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及仿真訓(xùn)練

某爐次上午8:15～10:20時(shí)段，對(duì)整個(gè)煙化爐燃燒、還原反應(yīng)階段抽取120張三次風(fēng)口火焰圖像，運(yùn)用MATLAB7.0對(duì)其進(jìn)行預(yù)處理后，提取平均色度、火焰面積、白點(diǎn)數(shù)特征量，建立相應(yīng)數(shù)據(jù)庫，并在其平臺(tái)上進(jìn)行仿真。

采用單隱層BP網(wǎng)絡(luò)進(jìn)行火焰圖像識(shí)別，輸入節(jié)點(diǎn)3個(gè)，輸入變量分別為三次風(fēng)口平均色度、火焰面積、二值圖像白點(diǎn)數(shù)。輸出節(jié)點(diǎn)3個(gè)，分別代表加熱期、揮發(fā)期和終點(diǎn)，識(shí)別結(jié)果應(yīng)使火焰所處時(shí)期對(duì)應(yīng)節(jié)點(diǎn)的輸出為1，其余為0。通過實(shí)驗(yàn)比較,確定隱層節(jié)點(diǎn)數(shù)為4。神經(jīng)元的傳遞函數(shù)均采用S函數(shù)，BP網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。

圖2 煙化爐三次風(fēng)口火焰圖像識(shí)別BP網(wǎng)絡(luò)結(jié)構(gòu)圖

在訓(xùn)練網(wǎng)絡(luò)之前，要對(duì)平均色度、火焰面積、白點(diǎn)數(shù)特征量數(shù)據(jù)庫的120組輸入量進(jìn)行預(yù)處理，即火焰面積除以100 000(=S/100 000)；二值圖像白點(diǎn)數(shù)除以100 000(=C/100 000)，使這些值均在0～1之間。 仿真程序?yàn)椋?/p>

%圖像輸入值P，輸出期望值T：

〉〉P=[0.385 9 0.189 55 0.189 23;…; 0.364 3 0.316 77 0.316 56]’;

〉〉T=[1 0 0;…; 0 0 1]’;

〉〉 P=logsig(P);

%運(yùn)用MATLAB工具箱建立BP神經(jīng)網(wǎng)絡(luò)，隱層‘logsig ’函數(shù)，輸出層‘logsig ’函數(shù)：

〉〉net=newff(minmax(P),[4,3],{′logsig ′,′logsig ′},′trainlm′);

%各訓(xùn)練參數(shù)設(shè)置：

〉〉 net.trainParam.goal=0.01;

〉〉 net.trainParam.show=50;

〉〉 net.trainParam.epochs=2 000;

%開始訓(xùn)練：

〉〉 net=train(net,P,T);

%訓(xùn)練結(jié)果：

TRAINLM-calcjx, Epoch 0/2 000, MSE 0.044 726 4/0.01, Gradient 0.006 643 36/1e-010

…

TRAINLM, Maximum epoch reached, performance goal was met.

精確度圖像見圖3。

圖3 精確度圖像(性能值為0.009 655 3，目標(biāo)值為0.01)

%進(jìn)行仿真：

〉〉 y=sim(net,P);

〉〉 plot(P,T,P,y,′o′)

仿真圖像見圖4。

圖4 仿真結(jié)果圖像

從仿真圖像可以看出，120組煙化爐圖像只有一組差距較大，故冶煉的各階識(shí)別準(zhǔn)確率很高，測(cè)試結(jié)果比較滿意。有誤差的原因是由于在一次揮發(fā)即將結(jié)束，火焰噴發(fā)間隔較大時(shí)，火焰也會(huì)呈現(xiàn)還原終點(diǎn)的特征。因此，當(dāng)訓(xùn)練輸出結(jié)果為終點(diǎn)時(shí)，不能立即確定煙化爐已到達(dá)還原終點(diǎn)，還應(yīng)考慮到煙化爐每爐吹煉周期約為110～120 min，若連續(xù)若干次輸出均為還原終點(diǎn)狀態(tài)，則認(rèn)為煙化爐已到達(dá)冶煉還原終點(diǎn)。另外，研究發(fā)現(xiàn)：達(dá)到還原終點(diǎn)狀態(tài)時(shí)三次風(fēng)口外圈有紅色圓圈，內(nèi)部呈亮白色，只有C燃燒的呈桔黃色狀態(tài)，色度比較均勻，而二次揮發(fā)時(shí)三次風(fēng)口沒有這些特怔。

4 結(jié)論

結(jié)合煙化爐還原周期約120 min、溫度1 250 ℃左右的工況，在MATLAB平臺(tái)上利用其數(shù)字圖像處理技術(shù)對(duì)煙化爐三次風(fēng)口火焰進(jìn)行特征提取，并用BP神經(jīng)網(wǎng)絡(luò)工具箱對(duì)這些特征參數(shù)進(jìn)行訓(xùn)練和仿真，可有效判別還原終點(diǎn)。2009年該公司投入約3萬元購買計(jì)算機(jī)等設(shè)備，將本研究方法用于生產(chǎn)，煙化爐還原終點(diǎn)判斷準(zhǔn)確率達(dá)96%，比人工判斷準(zhǔn)確率87%提高了9%。該方法對(duì)于煙化爐冶煉終點(diǎn)識(shí)別，提高生產(chǎn)率，保證產(chǎn)品質(zhì)量具有重大意義。

[1] 王愛玲，葉明生，鄧秋香.MatlabR2007圖像處理技術(shù)與應(yīng)用[M].北京：電子工業(yè)出版社，2008.

[2] 成業(yè)，嚴(yán)建華，商敏兒 等.基于爐內(nèi)火焰圖像的燃燒診斷[J].動(dòng)力工程，2003，23(3)：2420-2427.

Study on the judgement of reduction ending point of fuming furnace based on images

LIANG Ling

For a long time, the judgement of reduction ending point of fuming furnace both at home and abroad has been mainly depending on manual observation on-site, so the accuracy is influenced by subjective factors. Based on the MATLAB platform, by means of image processing function in the toolbox, this paper studies on the preprocessing of three times flame images at air outlet, extracts the flame features, carries out neural network design and training, and finally develops simulation test. It is concluded that this approach has better effect on the identification of reduction ending point in practice.

fuming furnace; reduction ending point; image processing; image features; neural network; BP network

梁 玲(1972—)，女，廣西北流人，控制工程碩士，廣西現(xiàn)代職業(yè)技術(shù)學(xué)院副教授，機(jī)電教師。

TF818

B