导读:本文包含了烧结工况论文开题报告文献综述及选题提纲参考文献，主要关键词:回转窑,视频图像处理,半监督学习,独立成分分析
烧结工况论文文献综述
夏克江[1]（2016）在《基于半监督独立成分分析和隐马尔可夫模型的回转窑熟料烧结工况识别方法》一文中研究指出回转窑广泛应用于冶金、水泥和化工等领域,用于对物料进行物理或者化学处理。回转窑熟料烧结过程中窑体不停旋转,窑内要进行复杂的燃烧、烟气和物料的对流换热等过程,与熟料质量指标有关的关键工艺参数难以在线测量,导致目前回转窑熟料烧结工况识别仍然处于“人工看火”的阶段。而人工操作方式易受主观因素影响,会出现产品质量低、设备运转率差以及高能耗等问题。熟料烧成带火焰视频图像中包含大量的温度场信息和熟料烧结信息,这为研究基于烧成带火焰图像的回转窑熟料烧成状态识别提供了可能。但是受到窑体旋转和粉尘烟雾的干扰,得到的烧成带火焰图像质量不高,各区域存在较强耦合,基于静态图像方法难以获取具有区分性和鲁棒性的特征。烧成带火焰视频序列中包含了熟料烧结状态的更多信息,因此,综合利用图像处理和机器学习最新研究成果,研究基于熟料烧成带火焰视频图像的回转窑熟料烧结工况识别方法,具有重要意义。针对回转窑熟料烧结工况识别存在的问题,本文依托国家自然科学基金面上项目“基于图像与过程数据融合的回转窑产品质量参数预报建模”,以氧化铝回转窑为研究对象,开展了基于烧成带火焰视频图像处理与机器学习的熟料烧成状态识别的研究。主要工作如下:1.现有的基于图像的回转窑熟料烧结工况识别工作较多采用监督或无监督的图像特征提取方法。监督的图像特征提取方法要求输入数据都是有标签的,而对大量数据进行标记非常耗时耗力。无监督算法主要用来学习高维数据中的低维结构,挖掘低维特征,而学得的特征类区分性较低。针对这些问题,本文提出一种基于半监督独立成分分析(SS-RICA)的火焰视频图像特征提取方法,利用重构独立成分分析在感兴趣区域上提取具有统计独立性的特征,结合基于图嵌入框架的边界判别分析方法增强学得特征的可分性。分别在10%、30%、70%比例有标记样本集上与PCA、MFA、RICA特征提取算法进行对比实验,采用线性支持向量机分类器进行模型评估。实验结果表明,SS-RICA特征提取方法训练和测试样本集均取得了最高的识别精度。2.回转窑烧成带火焰视频包含了更多的熟料烧结信息,本文提出了一种基于烧成带火焰视频图像的连续隐马尔可夫模型(cHMM)回转窑熟料烧结工况识别方法。针对叁种烧结工况下的火焰视频图像数据,采用高斯混合模型(GMM)来估计观测序列,Baum-Welch算法学习出叁种工况下的HMM模型结构λ1,λ2,λ3,根据贝叶斯决策规则建立最终的模式分类器。在10%、30%、70%比例有标签样本集上采用HMM分类器和非线性SVM分类器进行了实验,在训练和测试样本集中HMM分类器均得到了较高的识别精度。3.为对本文提出的算法进行实验验证,以及探索将实验室研究成果向工业成果转化,本文设计和开发了回转窑熟料烧结工况识别实验系统。实验系统采用浏览器/服务器模式,前端浏览器界面以HTML、PHP和Javascript作为开发语言,后台算法采用MATLAB软件编译的可执行文件来实现。分别设计了系统介绍功能、模型离线训练功能和模型在线应用功能。其中,模型离线训练部分设计了训练数据选取和模型参数输入功能,实现了数据预处理、特征提取模型训练、分类器训练以及结果展示这四个主要功能模块。模型在线应用部分利用离线训练获得的模型来对输入数据实时识别烧结工况。实验系统的开发为将实验室环境下的研究成果向工业产品的转化提供一个思路。(本文来源于《东北大学》期刊2016-12-01）
周晓杰,蔡元强,夏克江,富月[2]（2015）在《基于火焰图像显着区域特征学习与分类器融合的回转窑烧结工况识别》一文中研究指出烧成带状态的准确识别是回转窑烧结过程自动控制中最为关键的问题。本文给出了一种新颖的基于深度学习和单词包模型进行烧成带静态图像特征提取的烧结工况识别方法。针对现有方法难以提取具有区分性和鲁棒性形态特征的问题,并考虑到各显着区域图像数据具有不同的统计特性,首先采用基于深度学习、独立子空间分析的方法逐层学习复杂性递增的各显着区域局部形态特征,然后采用单词包模型学习各显着区域全局形态特征。最后,采用基于随机向量函数连接网络与模糊积分的集成分类器设计方法,对各显着区域采用随机向量函数连接网络建立子分类器,采用模糊积分方法决策融合各个子分类器的分类结果,得到最终的识别结果。实验结果表明了所提方法提高了工况识别精度。(本文来源于《第26届中国过程控制会议（CPCC2015）论文集》期刊2015-07-31）
蔡元强[3]（2015）在《基于卷积独立子空间分析的回转窑熟料烧结工况识别方法研究》一文中研究指出回转窑是一种广泛应用于水泥、氧化铝等工业原材料生产过程的核心热工设备。由于受到窑体的旋转以及窑内复杂的燃烧、烟气与物料的对流换热等因素的制约,现有的测量手段难以实现对回转窑内烧成带温度和熟料产品烧结质量指标等关键工艺参数的在线检测,导致难以实现回转窑过程的自动控制。回转窑熟料烧结过程长期依赖工业电视“人工看火”,通过观测烧成带图像,并结合过程数据判断烧成带温度和物料烧结工况进而人工调整操作变量,然而这种操作模式易受主观因素影响,容易出现产品质量低、设备运转率差、产量低和能耗高等问题。烧成带视频图像中蕴含丰富的温度场信息和熟料烧结信息,这为研究基于烧成带视频图像的回转窑熟料烧结工况识别技术奠定了基础。由于窑体的旋转和窑内粉尘烟雾的干扰,烧成带图像质量不高,边界不清,显着区域耦合性较强,现有的基于静态图像的方法难以提取具有区分性和鲁棒性的特征,导致烧结工况识别精度较低。烧成带视频相对于静态图像蕴含更多的信息,并且能够反映烧结工况的过渡过程,因此,采用图像处理技术、机器学习等领域的最新研究成果,研究基于烧成带视频图像的回转窑熟料烧结工况识别方法,是解决回转窑控制与优化中检测难题的有效手段,具有重要的理论意义和应用价值。针对上述回转窑烧结工况识别问题,本文以提高烧结工况识别精度为目的,依托国家自然科学基金面上项目“基于图像与过程数据融合的回转窑产品质量参数预报建模”,开展了基于烧成带视频图像的回转窑熟料烧结工况识别方法的研究,本文的主要工作如下:1.针对之前基于静态图像的回转窑熟料烧结工况识别方法的缺陷,对国内外过程工业中视频图像处理技术进行综述的基础上,将视皮层认知计算理论与深度学习方法应用于回转窑烧结工况识别问题,提出了基于烧成带视频图像的回转窑熟料烧结工况识别方法。该方法由视频图像预处理、基于多层卷积独立子空间分析网络(Hierarchical convolution independent subspace analysis network,HC-ISA)和单词包模型的时空特征提取方法和多显着区域集成分类器方法组成。2.视频图像预处理方法主要包括显着区域划分、视频块抽取和视频块降维去噪叁部分。根据烧成带视频中显着区域位置相对固定,各显着区域视频图像数据具有不同统计特性且分显着区域的学习方式更有效率地获得区分性特征的特点,将烧成带视频图像划分为叁个显着区域:黑把子区域(煤粉区域)、火焰区域和物料区域,对叁个显着区域视频分别独立学习建立特征提取模型和分类器模型并加以融合。首先对烧成带视频进行显着区域划分,基于视皮层信息处理的分层性和神经元局部感受野逐层相应扩大的机理,在叁个显着区域分别随机抽取递增尺寸的视频块,以利于后续分区域分层进行特征表达的学习;采用基于主成分分析的白化预处理方法降低视频块信息的相关性及冗余度。3.特征提取方法由HC-ISA和单词包模型组成。为了获得有效的时空形态特征表达,并降低学习复杂度、提高学习效率,采用HC-ISA无监督学习方法在各显着区域递增尺寸的视频块样本集上逐层学习具有一定选择性和不变形的局部形态特征,并实现了局部特征的形态复杂性的逐层递增;进一步采用单词包模型学习具有全局性的形态特征表达,而且进一步降低了特征维数以利于分类器的学习。4.为了进一步获得有区分性的特征表达、提高识别精度,提出了在叁个显着区域视频分别独立学习建立特征提取模型和分类器模型,并加以融合的识别方法,避免特征级融合出现“维数灾”现象。提出多显着区域集成分类器方法由各个显着区域子模式分类器和模糊积分决策融合机制组成,采用随机向量函数连接网络设计各个显着区域子模式分类器,分别对各个显着区域的特征样本集进行分类;采用模糊积分的方法对各个显着区域子模式分类器的分类结果进行决策融合。5.利用某氧化铝厂的熟料烧结回转窑视频数据开展了上述方法的实验研究。实验结果表明,本文采用的预处理方法能够有效地降低视频块信息的相关性及冗余度;基于卷积独立子空间分析网络与单词包模型的特征提取方法能够提取出各显着区域的有效特征;叁个显着区域烧结工况识别子分类器识别精度分别为94.31%、93.59%、92.28%;集成分类器的识别精度为95.12%。(本文来源于《东北大学》期刊2015-06-01）
吴小勋[4]（2014）在《基于烧成带图像的回转窑熟料烧结工况识别方法研究》一文中研究指出回转窑是一种大型的、生产水泥、氧化铝等工业原材料的核心热工设备。由于受到窑体旋转以及窑内复杂的燃料燃烧、物料烟气对流换热等因素的制约,现有的测量手段难以实现对回转窑关键工艺参数烧成带温度和熟料产品烧结质量的在线检测,导致难以实现回转窑过程的自动控制。回转窑过程长期依赖工业电视“人工看火”方式,通过观测烧成带图像,并结合过程数据判断烧成带温度状态与物料烧结状况,进而人工调整操作变量以确保产品质量。然而这种操作模式易受主观因素的影响,导致产品质量低、设备运转率差、产量低、能耗高等问题。由于烧成带图像中蕴含了丰富的温度场和熟料烧结信息,这为研究开发基于图像的回转窑烧结工况识别提供了良好的基础。但由于受到窑体旋转和窑内烟雾粉尘的干扰,烧成带图像噪声较大,显着区域耦合较强、分界不清,现有的基于图像分割的方法和基于尺度不变特征转换方法难以提取有效的特征,导致烧结工况识别精度较低。因此,采用图像处理、机器学习等领域的最新研究成果,研究基于烧成带图像的回转窑熟料烧结工况识别方法,是解决回转窑控制与优化中检测难题的有效手段,具有重要的理论意义和应用价值。针对上述回转窑烧结工况识别问题,本文以提高烧结工况识别精度为目的,依托国家自然科学基金面上项目“基于图像与过程数据融合的回转窑产品质量参数预报建模”,开展了基于烧成带图像的回转窑熟料烧结工况识别方法的研究,本文的主要工作如下：1.在对国内外现有的过程工业中图像处理方法与技术进行综述分析和对回转窑烧结工况识别方面的研究难点进行分析基础上,首次将视皮层认知计算理论与方法应用于回转窑烧结工况识别问题,提出了基于深度学习和独立子空间分析提取图像特征、基于极限学习机与模糊积分设计集成分类器的回转窑烧结工况识别方法。该方法由图像预处理方法、特征提取方法和分类器设计方法叁部分组成。2.图像预处理主要包括显着区域划分、图像块抽取和图像块降维去噪叁部分。根据摄像机安装位置固定,烧成带图像显着区域位置相对固定不变这一特点,并参照优秀看火员在判别回转窑烧结工况时的经验方法,直接将烧成带图像划分为叁个显着区域：黑把子区域(煤粉区域)、火焰区域和物料区域。基于视皮层信息处理的分层性和神经元局部感受野逐层相应扩大的机理,在叁个显着区域分别随机抽取递增尺寸的图像块,以利于后续分区域分层进行特征表达的学习,并采用基于主成分分析的白化预处理方法降低图像块信息的相关性及冗余度。3.提出了基于深度学习、独立子空间分析与单词包模型相结合的各显着区域特征提取方法。由各显着区域随机抽取得到的图像块数据构造出各显着区域局部特征表达学习的样本集。采用深度学习与独立子空间分析方法,基于递增尺寸的图像块样本集逐层学习具有一定选择性和不变性的局部特征表达模型,并具有较低的学习计算复杂性。在各显着区域图像中通过滑窗方式应用之前各区域学习到的局部特征表达模型以提取各显着区域图像特征,构造各显着区域特征样本集,建立单词包模型以进一步降低特征维数,学习有效特征表达。4.提出了基于极限学习机与模糊积分的集成分类器设计方法。为了避免特征级融合时出现的“维数灾”现象,将上述各显着区域特征提取模型应用于图像各显着区域,分别得到各显着区域图像特征,构建各显着区域分类器学习样本集。采用极限学习机方法设计各显着区域子分类器,采用模糊积分方法设计分类器决策级融合机制。5.利用某氧化铝厂的熟料烧结回转窑图像数据开展了上述方法的实验研究。实验结果表明,本文采用的预处理方法能够有效地降低图像块信息的相关性及冗余度；基于深度学习、独立子空间分析与单词包模型的特征提取方法能够提取出各显着区域的有效特征；叁个显着区域烧结工况识别子分类器识别精度分别为93.58%、92.35%、92.39%：集成分类器的识别精度为94.57%。(本文来源于《东北大学》期刊2014-06-01）
陈华[5]（2014）在《基于燃煤火焰图像的回转窑烧结工况鲁棒检测方法研究》一文中研究指出回转窑广泛应用于有色冶金、水泥、钢铁等基础工业领域,其窑内的烧结过程是一种在燃煤火焰形成的高温环境下运动物料发生复杂的物理化学反应过程。它是一类具有大滞后、强非线性的复杂工业过程对象,数学建模困难,难以有效控制。其中烧结温度是烧结过程控制的关键参数,其稳定性直接影响着物料的烧结质量、能耗、以及污染物排放水平,但受窑体自身结构和现场环境的限制,烧结温度检测困难,目前仍主要依赖于人工看火,这直接影响到窑前操作控制和高效生产。论文研究基于燃煤火焰图像的回转窑烧结工况鲁棒检测方法,对于实现燃煤烧结过程的准确检测和稳定控制具有重要理论意义,对于传统燃煤冶炼行业的节能减排具有重要应用价值。在传统热电偶、高温比色测温仪等物理测温方法不能有效测量烧结带温度的条件下,利用窑内燃煤火焰图像对烧结过程的温度进行判定从而判定烧结工况的方法逐渐受到国内外学术界的关注,已取得许多研究成果。但是,这些基于图像检测的方法多是针对清晰燃煤火焰图像进行处理,忽略了窑前恶劣现场环境对火焰图像质量影响这一普遍存在的问题。本文针对受环境粉尘和光照影响的低质量火焰图像,提出火焰图像模糊增强和光照补偿方法,解决火焰图像内反应区、物料区和混合区的有效分割问题;结合人工窑前看火经验,针对不同质量的图像,分别提取火焰图像各区域的动态与静态特征用于烧结工况的识别；为了克服图像特征数据的不稳定性,提出一类鲁棒极限学习机实现基于各火焰区域的烧结工况稳健检测；最后基于视觉感知原理,构建一个烧结工况分层感知框架,利用最小风险贝叶斯融合各区域的检测结果,实现基于低质量火焰图像的烧结工况的稳健检测。论文完成的主要工作和创新如下：(1)在物料区和火焰区难以分割的模糊烧结带图像中,研究煤粉射流混合区域(黑把子区域)的光照补偿和分割方法,提取煤粉区的形态特征,区分温度烧结工况。针对烧结带图像光照不均和粉尘影响严重的特点,提出一种基于自适应光照补偿和模糊增强的煤粉射流混合区域分割方法；在分割后的黑把子区域提取其矩形度、面积、长宽比和质心坐标等形态特征,作为回转窑烧结工况判别的一个重要依据。(2)针对特殊工况条件下单帧亮度统计特征可能出现误判的问题,提出一种结合火焰区静态光照特征和图像序列的动态时序特征来识别烧结工况的方法,利用图像序列中ROI (Region-Of-Interest)区域的时间序列短时能量和信息熵特征值,结合当前时刻的ROI区域静态特征,对烧结带温度工况状态进行判断。(3)依据专家看火经验和窑内物料流动机理,提出一种以物料区边缘位置、带高和质心的摆动角等动态特征为依据的工况判定方法。对模糊火焰图像进行光照补偿和阴影校正等预处理后,用区域增长方法提取物料区,计算物料区的边缘位置、带高坐标以及物料区重心摆动角,结合物料区亮度统计特征,计算其时间序列的短时能量和样本熵值,对物料区形态特征进行分析,识别当前熟料烧结状态。(4)针对从回转窑烧结带模糊图像序列中提取的特征值存在离群点等噪声干扰的问题,将极限学习机与稳健估计理论相结合,提出一种基于Parzen窗估计的鲁棒极限学习机(Extreme learning machine, ELM)来进行烧结工况鲁棒分类。用Parzen窗非参数估计训练误差分布的概率密度函数,构造ELM权矩阵,对其输出层权值进行稳健最小二乘估计。鲁棒极限学习机可快速有效克服特征数据中的粗差干扰,对烧结带温度状态进行稳定检测。(5)基于视觉感知原理,构建一类烧结工况分层感知框架,利用最小风险贝叶斯原理融合各区域的ELM检测结果,形成一套基于燃煤火焰图像的窑内工况鲁棒检测系统。将本文检测方法应用于现有回转窑专家控制平台,在某氧化铝厂的窑前进行现场控制实验,取得了良好的现场应用效果,表明本文方法可以在复杂现场工况条件下对窑内烧结工况进行较准确的检测,可较好满足实际应用要求。(本文来源于《湖南大学》期刊2014-05-01）
姜慧研,景世磊,柴天佑,周晓杰[6]（2010）在《基于SVM和PSO的烧结工况预报方法》一文中研究指出利用滚球算法对在线采集的烧结工况图像进行去噪处理,然后利用大津方法和双快速行进法从去噪后的图像中分割出物料区、火焰区和充分燃烧区等关心区域,再从这些关心区域中提取特征.基于ReliefF-GA方法对特征进行约简,利用PSO优化SVM模型参数,建立烧结工况预报模型,基于该模型进行烧结工况预报.经过大量实验验证,该方法可以较大程度地提高烧结工况的预报率.(本文来源于《东北大学学报(自然科学版)》期刊2010年04期）
范广臣[7]（2009）在《基于完全二叉树SVM烧结工况多类识别的研究与实现》一文中研究指出在大型回转窑氧化铝生产过程中,回转窑内部烧结工况往往受到各种条件变化及不当操作等因素的影响而造成系统的不稳定,导致系统性能降低和氧化铝产品质量降低。在我国的大型回转窑氧化铝生产中,还是基于人工看火经验判断烧结工况。但是这个过程受到看火工主观因素的影响而缺乏客观性和合理性。随着近年来计算机技术的不断发展,人们已经对回转窑进行了自动化控制,但是,如何充分利用计算机技术辅助现场操作人员快速、准确地识别各类烧结工况并做出相应的诊断,实现回转窑烧结工况自动识别是目前亟待解决的问题。本文在参考了大量的国内外前沿研究成果的基础上,依托国家863高技术计划重点项目—“流程工业低成本智能化控制系统”的子课题“大型回转窑智能控制系统”,提出了一种基于完全二叉树支持向量机(SVM)的烧结工况多类识别方法。首先,对烧结图像进行灰度化、去噪与分割,提取图像各个部分的特征；然后,采用特征约简的组合优化方法(ReliefF-PCA方法)对特征集合进行约简,并对特征约简后的特征集合进行效果评价,以便获取最优特征集合；最后,通过建立的基于完全二叉树支持向量机的分类模型,对多类烧结工况进行识别。实验结果表明,利用本文方法识别烧结状态的准确率较高,证明该方法具有较好的健壮性。(本文来源于《东北大学》期刊2009-06-01）
景世磊[8]（2009）在《基于SVM和PSO的烧结工况预报方法的研究与实现》一文中研究指出在利用回转窑设备生产氧化铝的过程中,回转窑烧结工况的准确预报决定了氧化铝产品的质量和回转窑设备的安全。目前,回转窑烧结工况的预报方法主要是“人工看火”,但是,“人工看火”要求操作人员频繁地到窑头看火孔观察窑内烧结状况,烧结工况的预报结果容易受到操作人员的行为和素质等主观因素的影响,有时产生错误,导致氧化铝产品产量低、质量差,甚至出现安全事故。因此,回转窑烧结工况的预报对氧化铝制备过程的优化控制具有重要的研究意义和应用价值。在模式识别方法中,由于支持向量机(SVM)方法基本上不涉及概率测度的定义及大数定律,其最终决策函数只由少数的支持向量所确定,避免了“维数灾难”问题,“剔除”了大量冗余样本,建模所需的先验干预较少,因此基于SVM建立的模型具有较好的健壮性和推广能力。但是,该方法对烧结工况的预报率较低。针对上述问题,本文首先在线采集回转窑烧结工况图像,然后利用滚球算法对图像进行去噪处理,其次利用大津方法和快速行进法对物料区、火焰区、充分燃烧区和黑把子区等关心区域进行分割,再次对分割出来的区域进行特征提取与特征约简,最后利用支持向量机和粒子群(PSO)算法相结合的方法进行烧结工况的预报。并通过优化SVM的参数,进一步提高烧结工况的预报率。经过实验验证,本文方法可以较大程度地提高烧结工况预报的正确识别率。(本文来源于《东北大学》期刊2009-06-01）
孙鹏[9]（2008）在《基于图像处理的氧化铝回转窑烧结工况识别系统研究》一文中研究指出我国铝土矿资源丰富,但占储量80%的铝土矿的铝硅比较低,普遍采用烧结法生产氧化铝。回转窑是烧结法生产氧化铝的核心设备,其主要功能是将生料浆烧结成为容重合格的熟料。回转窑烧结工况综合反映了窑内火焰燃烧状态与物料烧结状况,与回转窑过程熟料产品的质量、产量、能耗以及设备安全等因素密切相关,它的自动识别对于实现回转窑过程的自动控制具有非常重要的意义。回转窑长达百米,由于其结构的特殊性以及烧结法工艺的复杂性导致了氧化铝回转窑过程具有质量指标熟料容重难以在线测量,关键工艺参数烧成带温度检测干扰严重,多变量强耦合、强非线性、大惯性以及不确定性干扰等综合复杂特性。受到回转窑窑体倾斜、旋转以及窑内各类复杂的高温固、液、气叁相物理化学反应产生的火焰闪烁、物料运动以及窑内各区域间的对流换热和辐射换热等因素的影响,回转窑过程还存在着窑内烧成带火焰区与物料区难于分辨,过程数据检测可靠性差等问题,难以采用常规仪表与监测技术实现对回转窑烧结工况的连续在线准确监测。工业现场长期依赖“人工看火”方式肉眼观测窑内烧成带火焰燃烧状态与物料烧结状况结合过程数据识别烧结工况后进行回转窑过程的控制。容易造成熟料的欠烧或者过烧,导致熟料容重合格率低、设备运转率差、窑内衬使用寿命短、产量低、能耗高、环境污染严重等问题。本文依托国家863高技术计划重点项目“中国铝业公司综合自动化系统总体设计方案及关键技术攻关”的子课题“大型回转窑过程优化控制技术”,以实现回转窑烧结工况的自动识别为主要目标,进行了基于图像处理的氧化铝回转窑烧结工况识别系统的研究与开发,取得了如下成果：1.将图像处理技术与数据融合技术相结合,在分析人工识别回转窑烧结工况的基础上,提出了由烧结工况图像预处理、图像分割、图像特征提取、数据融合与烧结工况识别模型组成的基于烧结工况图像特征与数据融合的烧结工况自动识别方法。具体研究内容归纳如下：针对氧化铝回转窑烧结工况图像频域噪声干扰的特点以及彩色图像处理算法复杂、实时性差的问题,提出了利用频域滤波技术与灰度变换技术相结合对烧结工况图像进行预处理的算法,实现了烧结工况图像的去噪与灰度变换。针对单纯的基于像素灰度值的图像分割方法难以精确分割火焰区与物料区的难题,分析了氧化铝回转窑烧结工况图像火焰区与物料区在纹理特征方面的差别,提出了利用Gabor小波纹理粗糙度对基于像素灰度值的FCM聚类结果进行去模糊化的烧结工况图像分割算法,实现了图像中火焰区与物料区的分割。根据“人工看火”经验描述了物料高度、闪烁频率、整体平均灰度、火焰颜色与物料颜色五个氧化铝回转窑烧结工况图像特征,提出了从整体图像及分割后的图像中提取上述特征的算法。根据“人工看火”过程的数据融合原理,针对烧结工况图像特征以及由烧成带温度、窑头温度、窑尾温度以及冷却机电流构成的关键过程数据的特点,提出了包括数据滤波、同步序列化与归一化处理的融合算法,得到了融合后的混合特征数据。将混合特征数据作为输入,欠烧结、正烧结和过烧结叁种基本烧结工况作为输出,建立了基于准正态二叉树支持向量机的烧结工况识别模型。提出了基于上述模型的烧结工况自动识别算法,并利用专家修正样本进行模型的反馈增量学习,提高了模型适应生产边界条件波动的能力。2.研究并开发了基于上述烧结工况识别算法的工况识别软件,该软件具有烧结工况视频监视功能、烧结工况识别功能、过程数据通讯功能和人机交互功能；研制了由前端图像采集设备、网络视频传输设备、图像采集卡、工业控制计算机、显示与存储设备构成的远程分布式系统硬件平台和计算机操作系统、应用程序接口(API)、组件对象模型(COM)、动态链接库(DLL)、软件二次开发包(SDK)、工况识别软件组成的基于图像处理的氧化铝回转窑烧结工况识别系统。3.将本文提出的基于图像特征与数据融合的烧结工况识别方法与基于烧成带温度测量值模式识别的烧结工况识别方法进行比较实验,实验结果表明,该方法克服了由于单一类型的监测数据不可靠而导致的烧结工况识别率低、识别性能不稳定的问题,实现了烧结工况的准确识别。将本文研制的烧结工况识别系统于山西铝厂3#回转窑熟料烧结过程进行了实验研究,实验结果表明,系统实现了上述设计功能,运行过程稳定可靠,能够实时的识别烧结工况,识别率达到93.5%。(本文来源于《东北大学》期刊2008-12-09）
烧结工况论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
烧成带状态的准确识别是回转窑烧结过程自动控制中最为关键的问题。本文给出了一种新颖的基于深度学习和单词包模型进行烧成带静态图像特征提取的烧结工况识别方法。针对现有方法难以提取具有区分性和鲁棒性形态特征的问题,并考虑到各显着区域图像数据具有不同的统计特性,首先采用基于深度学习、独立子空间分析的方法逐层学习复杂性递增的各显着区域局部形态特征,然后采用单词包模型学习各显着区域全局形态特征。最后,采用基于随机向量函数连接网络与模糊积分的集成分类器设计方法,对各显着区域采用随机向量函数连接网络建立子分类器,采用模糊积分方法决策融合各个子分类器的分类结果,得到最终的识别结果。实验结果表明了所提方法提高了工况识别精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
烧结工况论文参考文献
[1].夏克江.基于半监督独立成分分析和隐马尔可夫模型的回转窑熟料烧结工况识别方法[D].东北大学.2016
[2].周晓杰,蔡元强,夏克江,富月.基于火焰图像显着区域特征学习与分类器融合的回转窑烧结工况识别[C].第26届中国过程控制会议（CPCC2015）论文集.2015
[3].蔡元强.基于卷积独立子空间分析的回转窑熟料烧结工况识别方法研究[D].东北大学.2015
[4].吴小勋.基于烧成带图像的回转窑熟料烧结工况识别方法研究[D].东北大学.2014
[5].陈华.基于燃煤火焰图像的回转窑烧结工况鲁棒检测方法研究[D].湖南大学.2014
[6].姜慧研,景世磊,柴天佑,周晓杰.基于SVM和PSO的烧结工况预报方法[J].东北大学学报(自然科学版).2010
[7].范广臣.基于完全二叉树SVM烧结工况多类识别的研究与实现[D].东北大学.2009
[8].景世磊.基于SVM和PSO的烧结工况预报方法的研究与实现[D].东北大学.2009
[9].孙鹏.基于图像处理的氧化铝回转窑烧结工况识别系统研究[D].东北大学.2008