基于SVR回转窑烧成带温度软测量方法研究.docVIP

基于SVR回转窑烧成带温度软测量方法研究 　　摘 要：本文介绍了SVR支持向量机原理，以及基于SVR的回转窑烧成带温度软测量方法并进行了实际验证，充分说明SVR方法的优势，以供同行参考。 　　关键词：SVR；回转窑；烧成带；温度软测量；方法 　　中图分类号：TQ172 文献标识码：A 　　熟料烧结回转窑主要是由窑头、冷却带、烧成带、预热分解带、烘干带、窑尾六个部分组成的，各个组成部分的温度对整个回转窑的生产都会产生很大的影响的，在六个组成部分中烧成带的温度对整个的回转窑生产的砖成品有影响是最为明显的。鉴于整个回转窑不断处于运行生产的状态中，而且烧成带这部分的温度是非常高的，测量温度是非常困难的。现在都是人工根据自身的经验来对烧成带的温度进行估测但是这种方法对人性的依赖太大，并且估测数据不准确。因此将SVR方法应用于回转窑烧成带温度软测量中代替人工经验测量测得的烧成带温度将更加精准。 　　1 SVR支持向量机原理 　　SVR支持向量机是在SVM的基础上进行演变过来的，在很多学者认为这是一个有效的回归方法主要是解决非线性的问题。SVR模型主要是解决二次规划的问题，其主要的数学原理如下： 　　a =（a1，a2，a3，......ai） 　　根据此拉格朗日公式，得出相应的参变量方程为 　　Q（a）=ai aj yiyj 　　此函数为拉格朗日对偶函数，次函数的约束公式为： 　　ai yi = 0，ai=0，i=1，2，，3......j 　　支持向量对应的数据点用来决定决策函数，一般来讲，ε值越大，支持向量的数量就越少，结果就表现的越是稀疏。但是要注意的是，随着ε的增大训练数据的逼近精度则随之降低。因此合理选取ε值，决定了平衡数据结果的稀疏性和数据的精确度。约束条件公式为SVR的输入空间构建了决策平面；除了约束条件公式外，核函数对SVR支持向量的选择同样至关重要。核参数决定了高维特征空间的结构以及最后结果的复杂度，因此要慎重的选择正确的核参数。 　　SVR的泛化性能，不仅在理论研究过程中，在实际的工业应用中也表现出优越的性能。SVR可以解决很多非线性问题；其结果值取最优且唯一，不可能产生局部极值。在各行业中已经广泛采用支持向量的方法，并且基于此方法延伸出来适合各行业的各种技术，基于SVR的回转窑烧成带温度软测量方法便是一种新的测量方法。 　　2 基于SVR的回转窑烧成带温度软测量方法 　　根据上述SVR的测量原理，在回转窑烧成带温度测量过程中将这种方法应用到温度的测量中进行实践，证实此方法是可行有效的。利用SVR方法进行温度软测量的主要途径是通过图像采集现场实时画面，然后对现场画面进行后台图像分割和特征提取，依据提取的不同温度图谱特征，确定对应的温度值。 　　2.1 图像的采集 　　图像采集主要是分为以下几个步骤来进行开展的： 　　①首先主要是使用CCD摄像机进行拍摄整个烧结的过程，CCD摄像机是安装在回转窑的窑头看火位置，这样能够全方位的拍摄整个烧结砖形成的过程。 　　②CCD摄像机拍摄的视频传动到相关视频分配器上的媒介是同轴电缆。 　　③视频分配器接受到视频信息后进行整理然后发送到计算机图像采集卡处。 　　④计算机图像采集卡将视频进行处理和转化，使用计算机进行处理后就能够对回转窑烧成带的温度进行估计。 　　2.2 图像分割与特征提取 　　图像分割与特征提取主要包括以下几个步骤： 　　①首先是对采集的图像进行处理，要使用灰度图像进项研究。 　　②利用 Roberts 边缘检测、二值化、膨胀方法检测图像噪声，并根据均值滤波、中值滤波、直方图均衡化方法进行平滑化处理。 　　③对处理过的灰度图像进行分割，主要是采用双快读行进的方法，主要是将火焰区和物料去分割出来。 　　④将分割结果对应到原始彩色图像，提取图像总体平均灰度、物料区域 R 分量平均值，火焰区域 R 分量与 G 分量的平均值特征。 　　⑤由④提取的特征和由比色测温仪测得的该图像对应的烧成带温度组成实验数据集。 　　⑥定义灰度不在[0，255]间与温度为 0 的数据为灰色数据，除去、灰色数据。 　　⑦将所有的数据进行进行分类，主要是分为训练集、测试集、预测集。 　　⑧为了避免较大数量范围数据支配较小数量范围数据，进行标准化处理。 　　2.3特征分析及数据处理 　　通过获取的图像特征，来计算变量值和均值之间的差值。通过标准化值与0的比较来进行来判断此差值的处于的间隔中，如果是等于0表示此差值和均值是相等的，如果是大于0则表示此差值大于均值，小于0则反之。然后根据图像特征与预估温度之间的对应关系获取温度值。 　　3 结果验证 　　利用上述的方法对回转窑的烧成带的温度进行测量计算，将温度实际测量的结果与利用SVR方