王春梅            周東東 徐 科  程樹森                   張海寧

    (河北科技大學)            (北京科技大學)                  (河鋼集團石鋼公司)

摘 要  采用語義分割深度學習模型,開發了高爐風口焦炭粒度在線檢測裝置,可對所采集風口圖像中的焦炭進行識別。將該裝置應用于國內某鋼廠2500 m3高爐全焦冶煉時期的風口焦炭粒度研究,得到了風口焦炭粒度及粒徑分布,并在此基礎上,修正了適用于該檢測結果的風口回旋區焦炭帶長度的計算公式。認為該裝置為研究高爐內焦炭裂化機理及回旋區形成機理奠定了基礎,同時也為采用機器視覺及深度學習在線檢測復雜環境顆粒粒度提供了新思路。

關鍵詞  高爐 風口焦炭 粒度 在線檢測 深度學習

高爐風口焦炭粒度能反映高爐內焦炭裂化程度,是影響高爐下部料柱透氣性及透液性的重要因素,對改善焦炭性能及穩定爐況具有較好的參考作用。目前,高爐風口焦炭粒度檢測常用風口取焦的辦法,該方法需高爐停風期間實施,具有間歇性的特點且影響高爐生產,

本文首次采用機器視覺及深度學習在線檢測高爐風口焦炭粒度,開發了在線檢測裝置,將該裝置應用于國內某鋼廠2500m3高爐全焦冶煉時期的風口焦炭粒度檢測研究。

1  焦炭粒度計算模型

1.1  深度學習模型

卷積神經網絡是一種前饋式的神經網絡,特征提取采用前向傳播方式,權值修正采用反向傳播方式【1】。語義分割(FCN)是在卷積神經網絡的基礎上發展起來的,其目的是精確理解圖像并對其中的每個像素做分類[2]。具體思路為建立全卷積網絡,輸出任意尺寸,經過有效學習和推理輸出相應的尺寸,學習圖像每個區域乃至像素的語義類別[2].

語義分割用于風口焦炭識別及粒度檢測流程如圖1所示,首先識別風口圖像中的焦炭顆粒并進行標簽制作,采用訓練數據集進行離線訓練,得到風口焦炭的標簽。將要檢測的風口圖像輸入到語義分割深度學習模型中,通過分類及定位,最終在線識別焦炭顆粒。

1.2  風口焦炭粒度分析

高爐風口焦炭長徑及短徑如圖2所示,風口焦炭粒度可由下列公式計算[3]

D=√A*8  

  (1)式中D-焦炭粒度,mm;

A---焦炭長徑,mm;

B---焦炭短徑,mmo

高爐風口焦炭粒度在線檢測流程如圖3所示。

由于采集的風口圖像有時會出現失真現象,因此首先將輸入的風口圖像進行邊緣檢測,判斷風口是否變形,如果變形則跳至下一幅圖像。如果風口沒有變形,則進行焦炭識別,采用預先標記好的焦炭顆粒標簽離線訓練,輸入到FCN深度學習模型中進行在線識別焦炭顆粒。然后進行焦炭長徑及短徑計算,利用公式(1)計算得出焦炭的粒度,最終通過大量的焦炭粒度計算,得出焦炭的粒徑分布。

2  在線檢測結果與討論

2.1  2500m3高爐操作參數

2500m3高爐鐵口3個,風口30個,風口直徑為120mm。鐵水[Si] 0.35%,鐵水溫度為1504.31℃.

爐渣二元堿度為1.23

高爐的主要操作參數見表1,焦炭質量指標見表2。

2.2  風口焦炭圖像采集

高爐風口焦炭圖像采集裝置如圖4所示,包括耐高溫防塵套管、圖像采集系統、傳輸系統、圖像儲存及數據處理系統,圖像采集系統包括CCD工業相機及鏡頭。由于高爐實驗現場高溫及灰塵對圖像采集過程形成了干擾,本系統中集成了耐高溫防塵套管。將高爐風口焦炭粒度檢測裝置放度置于2500m3高爐的風口端,由于噴煤過程形成的煤粉云遮擋了圖像中的部分區域，因此本研究中采集了不噴煤即全焦冶煉過程的風口圖像。風口端輻射出的回旋區光線,經過直吹管和風口窺視孔,被采集系統的CCD工業相機所采集,CCD系統的圖像信號由傳輸系統傳輸至圖像儲存及數據處理系統。所采集的高爐風口焦炭圖像如圖5所示,右上側黑色棒狀區域為煤粉槍,顏色較深的近似圓形區域為焦炭顆粒。

2.3  風口焦炭粒度結果分析

為了檢驗用語義分割深度學習模型在線檢測得到的焦炭顆粒與人工識別結果是否相符,將圖5中的全焦冶煉風口圖像中的焦炭顆粒采用人工識別并標記,其焦炭顆粒如圖6(a)所示。用離線訓練數據集及深度學習模型在線檢測的焦炭顆粒結果如圖6(b)所示,人工標記的焦炭顆粒與采用深度學習模型在線識別的結果一致性較好。說明采用深度學習模型在線識別焦炭顆粒可行且結果準確。

高爐風口焦炭粒度檢測結果及粒徑分布結果如圖7所示,焦炭粒度范圍為12.10mm到36.54 mm焦炭粒度分布隨著時間的增加呈現出粒度先減小后增大的趨勢,這可能與高爐回旋區坍塌周期有關。風口焦炭平均粒徑為25. 68mm,平均粒徑相對入爐時的下降率為46.43%。從圖7 (b)可知,焦炭粒徑分布最多的粒徑范圍為25 ~30mm,最少的粒徑范圍為10~15mm及35 ~40mm。以上檢測結果與寶鋼、首鋼等采用風口焦炭取樣粒徑范圍相符[5-7],再次驗證了采用機器視覺及深度學習模型在線檢測風口焦炭粒度的可行性及準確性。

2.4  焦炭粒度檢測結果應用

首鋼竺維春等提出了應用風口前焦炭粒徑計算高爐風口回旋區焦炭帶長度的經驗公式[7],其焦粒度采用風口前焦炭取樣結果。對于本文中風口前回旋區斷面處計算的焦炭粒度,應對計算公式進修正,以指導高爐生產實踐操作,為高爐提高噴煤量,以及進一步研究焦炭在高爐中的裂化機理奠基礎。

研究表明,2000 m3到3000 m3高爐風口焦炭帶長度為2.5m左右,因此以2.5m為基準,采用本研究得到的焦炭粒度對風口回旋區焦炭帶長度進行修正,結果如下:Lc=-10.07740+01047xVb+0. 04996xDc+0. 104xM40 

(2)式中

L C---風口回旋區焦炭帶長度,m;

Vb-實際風速,m/s;

Dc---風口焦炭粒度,mm;

M40--焦炭抗碎強度,%。

由公式(2)可知,風口回旋區焦炭帶長度增加有利于活躍爐缸,在日常高爐操作中,應盡可能提高焦炭冷態強度及焦炭反應后強度CSR,這樣才能增加風口焦炭粒度;同時提高高爐的實際風速也有助于增加風口回旋區焦炭帶長度。

我國大高爐的焦炭抗碎強度M40穩定性不足,各個企業之間的差異較大[8],因此,高爐操作還要在提高焦炭質量方面下功夫,切實提高高爐焦炭的強度及粒徑,以進一步降低焦炭在高爐內的裂化,提高風口前焦炭粒度。同時也間接地增加風口回旋區焦炭帶長度。

3  結論

(1)采用語義分割深度學習模型開發了高爐風口焦炭粒度在線檢測裝置,并將該裝置應用于國內某鋼廠2500m3高爐全焦冶煉時期的風口焦炭粒度研究。結果表明:風口焦炭粒度范圍為12.10~36.54 mm;焦炭粒度分布隨著時間的增加呈現出粒度先減小后增大的趨勢,風口焦炭平均粒徑為25.68 mm ,相對入爐時的平均粒度下降率46.43%,焦炭分布最多的粒徑范圍為25 ~30mm。

在線檢測結果與風口焦炭取樣粒徑范圍相符,驗證了在線檢測結果的準確性。

(2)基于風口前焦炭在線檢測結果,對風口回旋區焦炭帶長度計算公式進行了修正,使之符合風口前回旋區斷面處焦炭粒度與其焦炭帶長度的關系。

(3)高爐風口焦炭粒度在線檢測裝置為研究高爐內焦炭裂化機理及回旋區形成機理奠定了基礎,同時也為采用機器視覺及深度學習在線檢測復雜環境顆粒粒度提供了新思路。

4  參考文獻

[1] 賀 笛,徐 科、孫金勝、深度學習在中厚板表面缺陷識別中的應用[C]//中國金屬學會,第十一屆中國鋼鐵年會.北京:中國金屬學會,2017:1-6.

[2]  計夢予,襲肖明,于治樓,基于深度學習的語義分割方法綜述[J].信息技術與信息化,2017(10) : 137-140.

[3]壽祝群、用工業電視攝像機測定高爐風口焦炭粒度和下降量[J].煉鐵,1984,3 (4) :73-77.

[4] Gupta S, Ye Z, Kanniala R，et al .Coke graphitization and degrada-tion across the tuyere regions in a blast furnace [J].Fuel ,2013 (113):77-85.

[5] 曹 進,張 群,吳信慈,寶鋼焦炭在高爐內粒度降解[J].寶鋼技術,2003 (1):39-43.

[6] 張立國,劉德軍,梁 磊,等.鞍鋼高爐風口焦炭取樣研究[J].煉鐵,2008,27 (5) :47-49.

[7] 竺維春,張雪松,風口焦炭取樣研究對高爐操作的指導[J].鋼鐵研究, 2009,37(2):13-16.

[8] 周東東,姜 曦,周 翔.2016年上半年中國大高爐生產指標淺析[J],中國冶金,2016,26 (12) :1-5.