【技术实现步骤摘要】
一种基于卷积-循环神经网络的回转窑序列工况识别方法
本专利技术涉及图像分类与模式识别
,尤其涉及一种基于卷积-循环神经网络的回转窑序列工况识别方法。
技术介绍
回转窑长达百米且处于不断旋转中,其结构的特殊性和工艺的复杂性使得回转窑烧结过程机理复杂,包括物料的物理化学反应,燃料燃烧,气体、物料、内衬间传热,气体、物料运动等多个耦合过程。由于回转窑烧结过程存在着熟料质量指标难以在线测量,与熟料质量密切相关的关键工艺参数烧成状态难以准确识别等难题,导致现有的回转窑烧结过程仍处于“人工看火”开环操作阶段。根据熟料煅烧温度的要求,烧成状态通常可以分为以下三种:当前温度高于所需温度区间时,烧成状态为“过烧结”;当前温度低于所需温度区间时,烧成状态为“欠烧结”,其余为“正烧结”。烧成状态反映了回转窑内烧成带温度场分布信息和熟料烧结状况信息,直接决定了熟料质量指标。看火操作人员通过观察窑内烧成带状况,辅以过程变量,识别当前烧成状态,继而调节控制变量使得被控变量位于适宜的范围之内,以实现生料的充分燃烧获得合格的熟料。然而,人工烧成状态的识别结果受到操作人员的经验、责任心和关注度等主观因素的制约,易造成熟料质量指标不稳定、窑内衬使用寿命短、窑运转率低、产能低、能耗高、人工劳动强度大等问题。如何模仿优秀操作人员的看火经验,利用机器学习与图像处理技术的研究成果,以“机器看火”取代“人工看火”,消除人为因素,众多的学者做了大量深入的研究。基于图像处理的方法对回转窑熟料烧结工况进行识别,是近几年的一个研究热点。回转窑火焰图像颜色和纹理等特征和熟料烧成状态有直接的关系,很多学者做 ...
【技术保护点】
1.一种基于卷积‑循环神经网络的回转窑序列工况识别方法,其特征在于:包括以下步骤:步骤1:采集回转窑的视频图像序列并进行图像数据预处理;步骤2:采用主成分分析法(Principal Component Analysis,即PCA)对步骤1的图像视频序列进行去相关性的白化处理,同时实现对图像数据进行维数约减,实现特征的初步降维,以减少后续的特征规模;步骤3:构建深度卷积‑循环神经网络模型,利用经过PCA处理后的图像数据训练该深度卷积‑循环神经网络;回转窑图像序列经过图像预处理和PCA初步特征提取后,每一帧图像转化成一维向量,连续的图像序列按时间展开则形成一个二维矩阵;用深度卷积‑循环神经网络进一步学习图像空间维和时间维的特征表达;然后,输出层对所得到的特征进行全连接,通过softmax方法实现各种工况的概率统计,并选择出概率最大的工况输出,从而实现工况识别;步骤4:采用随机搜索超参数优化方法选择深度卷积‑循环神经网络的最优超参数,获得最优的神经网络模型;步骤5:实时获取回转窑火焰图像,通过最优的深度卷积‑循环神经网络模型对回转窑的实时工况进行识别。
【技术特征摘要】
1.一种基于卷积-循环神经网络的回转窑序列工况识别方法,其特征在于:包括以下步骤:步骤1:采集回转窑的视频图像序列并进行图像数据预处理;步骤2:采用主成分分析法(PrincipalComponentAnalysis,即PCA)对步骤1的图像视频序列进行去相关性的白化处理,同时实现对图像数据进行维数约减,实现特征的初步降维,以减少后续的特征规模;步骤3:构建深度卷积-循环神经网络模型,利用经过PCA处理后的图像数据训练该深度卷积-循环神经网络;回转窑图像序列经过图像预处理和PCA初步特征提取后,每一帧图像转化成一维向量,连续的图像序列按时间展开则形成一个二维矩阵;用深度卷积-循环神经网络进一步学习图像空间维和时间维的特征表达;然后,输出层对所得到的特征进行全连接,通过softmax方法实现各种工况的概率统计,并选择出概率最大的工况输出,从而实现工况识别;步骤4:采用随机搜索超参数优化方法选择深度卷积-循环神经网络的最优超参数,获得最优的神经网络模型;步骤5:实时获取回转窑火焰图像,通过最优的深度卷积-循环神经网络模型对回转窑的实时工况进行识别。2.根据权利要求1所述的一种基于卷积-循环神经网络的回转窑序列工况识别方法,其特征在于:所述步骤1的具体方法为:使用摄像机在回转窑窑头的看火孔前对回转窑火焰录制视频,以采集不同工况下连续时间的回转窑烧成带视频序列,并对采集的回转窑图像进行图像数据预处理;所述回转窑图像数据预处理包括感兴趣区域提取、图像灰度化、向量化和标准化;所述感兴趣区域提取是指:回转窑烧成带的视频图像中的烧成状态信息主要集中在三个主要的显著区域,即火焰区域、物料区域和黑把子区域;因摄像机安装在窑头的位置固定,所以显著区域在视频图像中的位置也相对固定,因此首先需要对视频图像进行显著区域划分,去除窑壁区域无关的信息,使用显著区域的视频数据作为输入数据;采用更具有代表性的黑把子区域作为识别数据。3.根据权利要求1所述的一种基于卷积-循环神经网络的回转窑序列工况识别方法,其特征在于:步骤3所述深度卷积-循环神经网络模型包括卷积层,循环层和输出层三部分;所述卷积层的输入数据为一个实时识别周期TP内的回转窑图像序列,经图像数据预处理后转换为一个二维矩阵;卷积层采用三层卷积结构,每层卷积操作的目的在于进一步学习图像的特征表达,在每层卷积操作的具体实现过程...
【专利技术属性】
技术研发人员:周晓杰,马文科,张茜,丁进良,柴天佑,
申请(专利权)人:东北大学,
类型:发明
国别省市:辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。