Методы, модели и алгоритмы управления технологическим процессом производства агломерата на основе оптико-электронного контроля его качества

В третьем разделе разработан метод контроля качества агломерата, основанный на автоматическом распознавании макроструктуры излома спекаемого слоя и гранулометрического состава агломерата и обеспечивающий необходимые временные параметры технологического цикла. Установлена взаимосвязь структурных характеристик агломерационного спека и параметров макроструктуры в изломе. Предложены методы параметрического, текстурного и пространственно-спектрального анализа макроструктуры агломерата, пригодные для построения высокопроизводительных алгоритмов обработки видеоинформации. Назначением параметрического анализа является получение исходных данных для последующей количественной оценки макроструктуры агломерата. Предлагается использовать три основные характеристики межблочной пористости, а именно: объёмную долю пор (Vп) в общей поверхности излома, удельную поверхность (Fуд.п) и средний диаметр пор (dп.ср), по которым определяются максимальный выход годных фракций, прочность, разрушаемость и истираемость. Для оценки макроструктуры излома аглоспека методами текстурного анализа предлагается пространственная автокорреляционная функция, вычисляемая в локальной области размером (2w+1)х(2w+1) для каждой точки изображения (x,y) с интенсивностью Z и при смещении ε,η = 0, ±1, ±2,..., ±t: При фиксированном сдвиге (ε,η) области крупнопористой текстуры будет соответствовать более высокое значение корреляционной функции (ширина), чем области мелкопористой текстуры. Таким образом, размер пор текстуры пропорционален ширине автокорреляционной функции. Одной из возможных мер ширины автокорреляции является второй момент: здесь по значению которого макроструктура классифицируется на три типа: мелкопористая, крупнопористая, монолитная. Методы пространственно-спектрального анализа изображений излома аглоспека для области крупнопористой текстуры дают спектр Фурье, энергия которого сосредоточена на низких пространственных частотах, а для области мелкопористой - спектр, концентрирующийся на высоких пространственных частотах. Количественная оценка макроструктуры осуществляется с помощью спектральных коэффициентов, вычисляемых в областях специфической формы: горизонтальная щель:; кольцо: ; вертикальная щель: ; сектор: , (9) где 2 = U2 + V2 и  = arctg (V/U), U,V - частотные координаты. Для исследования методов обработки изображений и тестирования алгоритмов разработана модель изображения излома агломерационного спека и насыпного слоя агломерата, в основу которой положено последовательное формирование двумерных массивов, ограниченных размером 1000х1000 элементов. При построении изображения выбрано 256 градаций серого. Анализ изображений насыпного слоя агломерата показал, что многочисленные помехи, такие как перекрытие одних кусков другими, раковины, канавки и неровности на самих кусках, отсутствие четкой границы между гранулами и тени ограничивают применение известных методов. В этой связи был предложен наиболее рациональный по соотношению «вычислительные затраты – качество сегментации» метод локального динамического порогового разделения, основанный на вычислении весовых коэффициентов точек локальных областей. Для каждой точки (x,y) квадратной локальной области (рис. 8) вычисляются расстояния r1, r2, r3, r4 до четырех угловых точек, соответственно, и весовые коэффициенты k1, k2, k3, k4, характеризующие местонахождение точки относительно каждой их четырех угловых точек. При этом расстояния вычисляются с использованием Евклидовой метрики, а весовые коэффициенты ki по формуле: где i = 14. Рис. 8. Положение точки (x,y) относительно угловых точек локальной области Для каждой точки (x,y) квадратной локальной области вычисляется пороговое значение Т(x,y) как сумма произведений интенсивностей угловых точек и соответствующих весовых коэффициентов где I1 ,I2, I3, I4 – интенсивности угловых точек. Точка (x,y) квадратной локальной области относится к объекту, если ее интенсивность больше порогового значения T(x,y), и к фону, если ее интенсивность меньше или равна T(x,y). Эффективность метода порогового разделения, применяемого в локальных областях, определяется соизмеримостью их размеров с величиной выделяемых на изображении объектов. При этом разбиение изображения на локальные области будет оптимальным, если максимальное количество локальных областей имеет бимодальные гистограммы со сбалансированными модами. Поскольку агломерат образует насыпной слой гранул различных классов крупности, предложен метод адаптивной настройки размера локальных областей для каждого текущего изображения, учитывающий величину гранул и позволяющий получить максимальное количество бимодальных гистограмм для улучшения качества сегментации (рис.9). а) б) в) Рис. 9. Разбиение текущего изображения на локальные области разных размеров: а) размер локальных областей больше оптимального; б) оптимальный размер локальных областей; в) размер локальных областей меньше оптимального Наличие некоторого количества мелких включений на поверхности кусков агломерата требует обработки изображения методами фильтрации. Для восстановления разрывов контуров объектов и для окончательного приведения изображения к виду удобному для параметрического анализа применяются методы скелетизации и математической морфологии. В четвертом разделе выполнен статистический и параметрический анализ изображений поверхности спекаемого слоя за зажигательным горном и излома аглоспека в разгрузочной части для последующей оценки процесса спекания шихты по ширине агломерационной машины, рассмотрены варианты распределения высокотемпературной зоны по ширине спекаемого слоя для возможных отклонений от оптимального состояния, обусловленных изменением газопроницаемости шихты, которая определяется влагосодержанием, крупностью, условиями загрузки и воспламенения. Для каждого отклонения были рассчитаны значения коэффициентов в отдельных зонах и по всему излому. Определены эталонные наборы коэффициентов для классификации возникающих нарушений, разработаны алгоритмы формирования управляющего воздействия и классификации нарушений технологии производства агломерата, а также алгоритм поиска наиболее информативного и контрастного изображения из множества изображений излома аглоспека, обеспечивающий высокие показатели надежности при наличии световых эффектов, обусловленных бликами и поднимающейся пылью. Управление, основанное на анализе коэффициента высокотемпературной зоны поверхности и коэффициента высокотемпературной зоны излома – двух каналах поступления информации о ходе процесса спекания шихты, обеспечит более высокую обоснованность принятия решения о формировании управляющего воздействия. Управление происходит при однонаправленном изменении и (рис. 7). С учетом вышеизложенного подхода, управление спеканием шихты осуществляется по следующему алгоритму: 1. Задать начальные параметры: длину контролируемого участка–L(м), скорость агломашины–V(м/мин). 2. Рассчитать шаг по времени Δu по формуле Δu=L/V. 3. Вычислить значение интенсивности Tп для порогового разделения (по модели). 4. Установить счетчик числа рабочих отсчетов в исходное состояние: i=1. 5. Считать изображение Fi поверхности спекаемого слоя. 6. Вычислить гистограмму интенсивностей. 7. Определить гистограммные признаки m-математическое ожидание, σ-среднеквадратичное отклонение, ZS-энергия. 8. Сформировать бинарное изображение поверхности спекаемого слоя Еi. 9. Вычислить коэффициенты высокотемпературной зоны поверхности: , , , , , и коэффициенты высокотемпературной зоны излома , , , , , . 10. Выявить нарушения процесса спекания. 11. Проверить коэффициенты на допустимость. Если значения коэффициентов укладываются в допустимые пределы – продолжить работу в установленном режиме и перейти к п.16, в противном случае – сигнализировать о нарушении и перейти к п.12. 12. При обнаружении нарушений фиксировать номера зон, где они произошли n=1,2,…,5. Выдать соответствующее сообщение. 13. Получить результаты обработки с разгрузочной части агломашины. 14. Сформировать управляющее воздействие согласно закона регулирования 15. При продолжении работы системы увеличить счетчик числа отсчетов: i=i+1 и перейти к п.5. В противном случае – останов. Данный алгоритм не требует значительных вычислительных ресурсов и имеет возможность корректировки порогового значения Тп. Надежность управления определяется точностью вычисления коэффициентов и . Алгоритм классификации идентифицирует возможные нарушения хода процесса спекания и основывается на методе кратчайшего расстояния в пространстве параметров. Координаты эталонных векторов соответствуют коэффициентам высокотемпературной зоны, классы ситуаций определяются вариантами нарушений технологии. В пятом разделе для оценки качества агломерата разработано алгоритмическое обеспечение, включающее последовательность алгоритмов на основе анализа макроструктуры излома агломерационного спека и его гранулометрического состава, реализующее процедуры и методы, предложенные в разделе 3. Для количественной и качественной оценки макроструктуры агломерата целесообразно использовать комплексный подход (рис.10), включающий в себя методы параметрического, текстурного и пространственно-спектрального анализа. Алгоритм, реализующий метод локального динамического порогового разделения (рис. 11), работает совместно с алгоритмом адаптивной настройки размера локальной области и состоит из следующих этапов: 1) на исходное изображение (рис. 12,а) последовательно накладываются решетки с квадратными ячейками, размеры которых меняются. Минимальный размер квадратной ячейки (локальной области) соизмерим с величиной мелких кусков агломерата (5 мм), максимальный – с величиной крупных (40 мм); 10. Комплексный подход к определению характеристик макроструктуры аглоспека 2) для каждого i-го разбиения вычисляются коэффициенты заполнения локальных областей (Lij), отражающие отношение площади объекта в j-ой области (Soбъектаij ) к ее общей площади (Si ) ; i = 1 ÷ n; j = 1 ÷ m, где n – количество вариантов разбиений, m – количество локальных областей i-го разбиения; Рис. 11. Обобщенный алгоритм локального динамического порогового разделения 3) вычисляется средний коэффициент заполнения (Li) всех локальных областей для i-го разбиения; 4) вычисляется средний коэффициент заполнения (Lср) всех n разбиений; 5) определяется отклонение коэффициента Li каждого i-го разбиения от коэффициента Lср; 6) определяется оптимальный размер локальных областей, при котором отклонение Li от Lср минимально. Результатом работы алгоритмов является бинарное изображение (рис. 12,б), на котором светлые точки образуют гранулы, а темные – промежутки между ними. После применения к изображению (рис.12,б) алгоритмов бинарной рекурсивной фильтрации (рис.12,в), скелетизации и математической морфологии (рис.12,г), изображение может быть обработано алгоритмом параметрического анализа. а) б) в) г) Рис. 12. Этапы обработки изображения насыпного слоя агломерата: а) исходное изображение; б) бинарное изображение; в) результат бинарной рекурсивной фильтрации; г) результат скелетизации и морфологической обработки На этапе параметрического анализа определяются технологические характеристики гранул агломерата и осуществляется количественное распределение гранул по классам крупности (рис.13). Для снижения уровня внешних воздействий из-за наличия ряда факторов, таких как высокая температура, пар, пыль, вибрация работающих механизмов разработан алгоритм компенсации неоднородностей видеосигнала. Локальные изменения сигнала увеличиваются за счет умножения коэффициента усиления на отклонение текущего значения видеосигнала от локального среднего значения. Поскольку величина коэффициента усиления обратно пропорциональна локальному среднему отклонению, участки с незначительным изменением интенсивности, т.е. с низкой контрастностью, имеют большее усиление, а участки с большим изменением интенсивности – меньшее усиление. Это позволя­ет компенсировать неоднородности видеосигнала при наличии факто­ров, вызывающих изменения уровня фонового сигнала различной сте­пени. Рис. 13. Распределение гранул по классам крупности Специфика процесса спекания шихты на агломерационной машине требует хранения больших объёмов экспериментальных данных с множеством влияющих на процесс параметров. При этом важным является прогнозирование содержания доли оптимального класса крупности δ (5÷40 мм) по окончании процесса агломерации с целью снижения расхода кокса и увеличения производительности доменных печей. В этой связи разработан алгоритм аппроксимации экспериментальных данных фрактальными распределениями, позволяющий сжимать информацию натурных рядов данных без существенных потерь в точности.

Похожие:

	Информатика, вычислительная техника и инженерное образование 2011,... Решение оптимизационной задачи компоновки зависит от выбираемой формальной математической модели коммутационной схемы. В работе рассматривается...		Место выполнения работ, оказания услуг Автоматизированная система управления технологическим процессом нпс "Клин-2". Куйбышевское ру. Техническое перевооружение
	Определить степень влияния управления на развитие учебно-воспитательного... Для осуществления управленческих действий, направленных на повышение качества образования, совершенствовались формы и методы внутришкольного...		Правила организации производства и контроля качества лекарственных средств Общие положения Правила организации производства и контроля качества лекарственных средств (далее – Правила) устанавливают требования к организации...
	Локальный акт №35 положение о порядке организации питания на льготной... Санкт Петербургское государственное бюджетное профессиональное образовательное учреждение «Оптико-механический лицей»		Ао «Транснефть ёc верхняя Волга» Место выполнения работ, оказания услугСроки выполнения работ, оказания услуг1«Автоматизированная система управления технологическим...
	V международная научно-практическая конференция «Статистика в современном... Приглашаем Вас принять участие в работе V международной научно-практической конференции «Статистика в современном мире: методы, модели,...		1. Отсутствие единых правил производства и контроля качества лекарственных средств Неконкурентоспособностью на мировом рынке отечественных производителей, не соблюдающих международные правила производства лекарственных...
	Отчет гпоу «сик» ...		Проведения внутреннего контроля качества и безопасности медицинской... Внутренний контроль качества осуществляется работниками, назначенными приказами главного врача ответственными за проведение Внутреннего...