基于紅外成像技術(shù)的揮發(fā)窯窯體測溫系統(tǒng)

〔摘 要〕揮發(fā)窯現(xiàn)場環(huán)境中存在的動態(tài)水霧會使紅外測溫法測得窯體溫度出現(xiàn)偏差。針對揮發(fā)窯現(xiàn)場窯體表面動態(tài)水霧導致紅外測溫結(jié)果出現(xiàn)偏差的問題，提出了一種基于紅外圖像特征的揮發(fā)窯窯體測溫補償方法，完成了系統(tǒng)數(shù)據(jù)庫概要設(shè)計以及軟件功能設(shè)計。開發(fā)了氧化鋅揮發(fā)窯窯體測溫系統(tǒng)并投入運行，實現(xiàn)了揮發(fā)窯窯體溫度的準確測量。

〔關(guān)鍵詞〕揮發(fā)窯;測溫系統(tǒng);紅外圖像;測溫補償

中圖分類號：TH811;TP391.4 ? 文獻標志碼：B? 文章編號：1004-4345（2024）03-0034-04

A Temperature Measurement System for Volatile Kiln Body Based

on Infrared Imaging Technology

LIU Xiao

（Hunan Zhuzhou Smelter Nonferrous Metals Co.， Ltd.， Hengyang， Hunan 421001， China）

Abstract? The paper puts forward a temperature compensation method for volatile kiln body based on infrared image features to address the issue of deviation in infrared temperature measurement results caused by dynamic water mist on the kiln? surface in the on-site environment of volatile kiln. Furthermore， the paper introduces the principle of temperature compensation based on infrared image feature extraction algorithm and temperature compensation algorithm， completes the preliminary design of the system database and software function design， develops the temperature measurement system for the zinc oxide volatile kiln body and put it into operation. This system can accurately and easily measure the temperature of the volatile kiln in the field， effectively ensuring the stable operation of the volatile kiln for a long term.

Keywords? volatile kiln; temperature measurement system; infrared images; temperature compensation

收稿日期：2024-01-04

基金項目：國家自然科學基金（項目編號：61860206014）

作者簡介：劉驍（1983—），男，工程師，主要從事鋅冶煉過程的工藝與自動化技術(shù)研究。

濕法煉鋅是鋅的主要生產(chǎn)工藝，通過濕法工藝生產(chǎn)的鋅在世界范圍內(nèi)占鋅冶煉總量的80%以上[1]。濕法煉鋅工藝中，鋅焙砂中性浸出后會產(chǎn)生大量的鋅浸出渣，這些鋅浸出渣是濕法冶煉過程中產(chǎn)量最大、蘊藏金屬最豐富的固體廢物。處理鋅浸出渣的方法主要有回轉(zhuǎn)窯揮發(fā)法、熱酸浸出—沉鐵法、頂吹熔煉法及側(cè)吹熔煉法等[2]，其中回轉(zhuǎn)窯揮發(fā)法是當前濕法煉鋅工廠回收處理鋅浸出渣的主要工藝[3]。氧化鋅揮發(fā)窯是該工藝的核心設(shè)備，主要用于回收浸出渣中的有價金屬。

生產(chǎn)過程中，揮發(fā)窯高溫反應(yīng)帶內(nèi)部反應(yīng)氛圍決定了浸出渣中有價金屬回收率的高低[4]，但窯內(nèi)溫度過高，會燒壞耐火磚并損壞窯皮，縮短密體壽命。因此，掌握窯內(nèi)溫度是保障窯體平穩(wěn)運行的關(guān)鍵。然而，揮發(fā)窯內(nèi)部空間高度密閉且窯身旋轉(zhuǎn)，窯內(nèi)環(huán)境惡劣，目前難以實時監(jiān)測窯內(nèi)溫度[5]。根據(jù)傳熱學理論，當窯內(nèi)燃燒情況發(fā)生變化時，窯皮表面溫度也會相應(yīng)波動，即揮發(fā)窯窯皮表面溫度能夠在一定程度上反映窯內(nèi)的燃燒情況。根據(jù)窯皮的溫度，可對窯體進行相應(yīng)的噴水降溫，以適當降低窯襯溫度，防止窯體因熱膨脹損壞，保障窯體安全、平穩(wěn)運行，從而延長窯體壽命。由此可見，準確測量窯體表面溫度是保證揮發(fā)窯長周期安全生產(chǎn)的必要手段。

1?? 研究背景

紅外成像技術(shù)是測量窯體表面溫度的一種有效方法。然而，由于生產(chǎn)環(huán)境惡劣，特別是氧化鋅揮發(fā)窯周圍存在大量動態(tài)水霧，導致紅外熱像測溫的精度受到了極大影響。因此，為了實現(xiàn)對揮發(fā)窯運行狀態(tài)的實時監(jiān)測，有必要對測量結(jié)果進行補償，以獲得真實準確的溫度。目前，已有部分學者開展了針對水霧干擾的紅外測溫補償方法研究。劉玉英等[6-7]基于輻射換熱理論建立了水霧影響下輻射測溫問題的數(shù)學模型，研究了水霧對紅外熱像儀測溫的影響。劉凱迪等[8]提出了一種基于Mie散射理論的校正方法，通過建立水霧狀態(tài)模型分析紅外輻射的衰減情況，獲得校正因子對紅外測溫進行實時溫度校正。杜京義等[9]提出了一種基于修正系數(shù)和BP神經(jīng)網(wǎng)絡(luò)消除水霧對紅外測溫影響的方法，有效去除水霧對鑄坯表面測溫的影響。譚鍇等[10]通過實驗裝置測量水霧厚度、鑄坯實際溫度、水量等信息，得出了根據(jù)雙色輻射測溫值計算鑄坯表面實際溫度的模型。然而，由于窯體內(nèi)襯承受著化學腐蝕、熔渣浸蝕和物料磨損，不同位置的內(nèi)襯厚薄不一，這也導致窯皮表面溫度不一致。在這種情況下，給窯皮淋水降溫而產(chǎn)生的水霧也呈現(xiàn)動態(tài)特征，使溫度補償非常困難。上述研究從不同方面討論了消除水霧對紅外測溫影響的方法，但研究結(jié)果只能針對靜態(tài)水霧進行測溫補償或是對實驗裝置存在一定的要求，難以在揮發(fā)窯的運行狀態(tài)下進行應(yīng)用。

為此，本文結(jié)合揮發(fā)窯的實際運行情況和環(huán)境特點，搭建基于紅外熱像儀的氧化鋅揮發(fā)窯窯體測溫系統(tǒng)。該系統(tǒng)可以實時監(jiān)控揮發(fā)窯的工作情況，提出了基于紅外圖像特征的窯體測溫補償算法，通過紅外測溫補償算法實現(xiàn)對窯體溫度的準確測量，為現(xiàn)場工作人員提供可靠的窯體溫度參考信息。

2?? 基于紅外圖像特征的測溫補償方法

當紅外熱像儀成像光路中存在動態(tài)水霧時，水霧顆粒大小，也會對紅外圖像上的溫度分布產(chǎn)生影響?；诖?，本文提出了一種基于紅外圖像特征的窯體測溫補償方法，通過提取紅外熱像中的圖像信息，用定量的方式識別動態(tài)水霧對測溫結(jié)果的影響，從而進行恰當?shù)臏囟妊a償。

2.1? 紅外圖像特征提取算法

紅外圖像的顏色在不同水霧影響下存在較大的差異，溫度數(shù)據(jù)的變化也會導致圖像的紋理特征發(fā)生變化。因此，本文選擇提取紅外圖像的顏色特征和紋理特征進行分析，并將其應(yīng)用于測溫補償中。

顏色矩是一種簡單有效的顏色特征表示方法，它通過對圖像中像素顏色值的統(tǒng)計分析，得到可以有效地表達圖像的顏色信息[11]。顏色矩通常包括3個一階矩、3個二階矩和3個三階矩，分別代表了圖像在RGB顏色空間中的平均值、方差和偏度。由于顏色信息主要分布于低階矩中，因此一階矩、二階矩和三階矩足以表達圖像的顏色分布。當圖像中顏色發(fā)生變化時，顏色矩變化如下：

式中：μi表示一階矩;σi表示二階矩;si表示三階矩;pi，j表示圖像第j個像素的第i個顏色分量;N表示圖像中的像素個數(shù)。

紋理特征則通過灰度共生矩陣（Gray-level Co-occurrence Matrix，以下簡稱“GLCM”）獲得。GLCM通過計算圖像中一定距離和一定方向的兩點灰度間的相關(guān)性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息[12]。GLCM可以計算出多種紋理特征，如對比度、相關(guān)性、能量、熵等。本文主要提取能量（ASM）、對比度（CON）、熵（ENT）、逆方差（IDM）和相關(guān)性（CORR）5個參數(shù)在4個方向上的均值用于建立測溫補償模型，其表達式如下所示：

式中：P（i，j）表示從灰度為i的像素點出發(fā)到另一像素點灰度為j的概率。

2.2? 測溫補償算法

本文選取訓練集數(shù)據(jù)中的測量溫度和提取到的共14個圖像特征作為自變量，測量溫度與真實溫度的溫差作為因變量，建立溫度誤差的梯度提升樹（Gradient Boosting Decision Tree，以下簡稱GBDT）[13]預(yù)測模型，對窯體溫度進行補償。GBDT是一種集成學習算法，它通過將多個決策樹集成起來，逐步提高模型的預(yù)測準確性， 通過不斷迭代來提高集成模型的總體性能。在GBDT中，每一棵決策樹都被看作是一個弱分類器，它們依次被訓練和集成。與其他Boosting算法不同的是，GBDT采用殘差學習的思想，即每一棵新樹的目標是糾正前面所有樹的誤差。

在現(xiàn)場，依靠人工使用手持式紅外熱像儀就近測量窯體的溫度，并相應(yīng)記錄紅外熱像儀的數(shù)據(jù)。所獲得的真實溫度和測量溫度組成數(shù)據(jù)集，按照7∶3的比例分為訓練集和測試集。先使用訓練集對GBDT預(yù)測模型進行訓練，通過累加生成最終的強學習器，完成揮發(fā)窯窯體測溫溫度誤差模型訓練。在訓練完成后，使用測試集，采用均方根誤差（RMSE）、平均百分比誤差（MAPE）以及決定系數(shù)（R2）對模型的補償性能進行評估。

經(jīng)過實驗驗證，窯體測量溫度與真實溫度相近，且它們的溫度變化趨勢基本相同，這驗證了模型的有效性。將模型輸出補償量與測量溫度相加，就可以獲得補償后的窯皮溫度。

3?? 系統(tǒng)軟件設(shè)計與實現(xiàn)

基于紅外圖像特征的窯體測溫補償方法能夠有效地克服高溫動態(tài)水霧對測溫精度的影響。在該方法基礎(chǔ)上，本文進行窯體測溫系統(tǒng)的設(shè)計。

3.1? 軟件架構(gòu)設(shè)計

目前，軟件架構(gòu)設(shè)計在向模塊化、平臺化和標準化方向發(fā)展。本次氧化鋅揮發(fā)窯窯體測溫系統(tǒng)的設(shè)計按照實現(xiàn)的不同功能，主要分為數(shù)據(jù)采集系統(tǒng)、數(shù)據(jù)處理系統(tǒng)、數(shù)據(jù)存儲系統(tǒng)以及數(shù)據(jù)顯示系統(tǒng)。軟件系統(tǒng)的整體架構(gòu)具體如圖 1 所示。

首先，數(shù)據(jù)采集系統(tǒng)與紅外熱像儀進行連接，根據(jù)通信協(xié)議獲得紅外數(shù)據(jù)（如紅外視頻、紅外圖像等）并將其傳輸至計算機，保存在數(shù)據(jù)存儲系統(tǒng)。紅外熱圖則經(jīng)過測溫預(yù)處理、溫度補償算法等數(shù)據(jù)處理后獲得精準的溫度數(shù)據(jù)，分別輸送到數(shù)據(jù)顯示界面和數(shù)據(jù)存儲系統(tǒng)。

3.2 系統(tǒng)功能設(shè)計

系統(tǒng)軟件設(shè)計采用模塊化設(shè)計思想， 根據(jù)揮發(fā)窯的實際需求設(shè)計了揮發(fā)窯運行監(jiān)控主界面、資源管理、數(shù)據(jù)查看、錄像回放以及系統(tǒng)設(shè)置等模塊。每個模塊下又分設(shè)多個子模塊。通過這些子模塊可以實現(xiàn)揮發(fā)窯實時運行狀況查看、歷史數(shù)據(jù)查詢與分析、參數(shù)設(shè)置等功能。設(shè)計的系統(tǒng)功能結(jié)構(gòu)圖具體如圖2所示。

圖2? 系統(tǒng)功能結(jié)構(gòu)

1）揮發(fā)窯運行監(jiān)控主界面。系統(tǒng)主界面是整個系統(tǒng)的核心部分，主要負責顯示兩座揮發(fā)窯目前的運行狀況，包括揮發(fā)窯實時監(jiān)控、窯體溫度實時顯示、窯體關(guān)鍵區(qū)域溫度變化曲線、實時報警信息等。此外，主界面還會顯示當前系統(tǒng)的運行狀態(tài)。系統(tǒng)主界面如圖3所示。

2）系統(tǒng)設(shè)置界面。在此界面下主要實現(xiàn)各個參數(shù)的查詢、修改功能。操作人員可以對系統(tǒng)報警類型、數(shù)據(jù)保存、當前天氣信息、視頻保存間隔、數(shù)據(jù)存儲有效日期、數(shù)據(jù)存儲路徑等參數(shù)進行設(shè)置，從而實現(xiàn)系統(tǒng)功能的靈活操作性。

此外，系統(tǒng)還設(shè)置了資源管理、數(shù)據(jù)查看、錄像回放等界面。工藝管理人員可以進行窯皮溫度數(shù)據(jù)查詢和分析，及時了解揮發(fā)窯的運行情況，為揮發(fā)窯的工藝優(yōu)化決策提供支撐。

3.3? 系統(tǒng)現(xiàn)場應(yīng)用效果

基于上述溫度補償技術(shù)和軟件架構(gòu)設(shè)計，開發(fā)了揮發(fā)窯窯體測溫系統(tǒng)軟件，在生產(chǎn)現(xiàn)場投入運行，并在現(xiàn)場對測溫系統(tǒng)進行跟蹤測試。測試結(jié)果顯示，經(jīng)過補償后，淋水區(qū)窯體測量溫度與真實溫度相近，且它們的溫度變化趨勢基本相同。這表明本文所提出的補償方法可以有效地消除水霧對淋水區(qū)窯體測溫的影響。

該揮發(fā)窯體測溫系統(tǒng)軟件自投運以來，運行穩(wěn)定，應(yīng)用效果良好，具體表現(xiàn)在以下兩方面。

1）窯體測溫精度高。該系統(tǒng)可以精準地測量出窯體表面真實的溫度，而不受到窯體表面水霧的影響，且對于大雨、大霧等惡劣天氣有一定的抗干擾性。在現(xiàn)場應(yīng)用中，所測量的溫度與真實溫度之間的誤差基本小于±10 ℃，測溫精準性得到了驗證，滿足現(xiàn)場對窯體測溫的工藝要求。

2）操作簡便。該系統(tǒng)操作簡單明了，揮發(fā)窯的運行信息集中顯示在主界面上，工作人員僅需按照系統(tǒng)提示進行操作，即可實現(xiàn)歷史數(shù)據(jù)查看、錄像回放、數(shù)據(jù)統(tǒng)計分析、系統(tǒng)設(shè)置、實時溫度曲線查看等功能，減輕了操窯人員的勞動強度。

4?? 結(jié)語

揮發(fā)窯窯體溫度是揮發(fā)窯操窯的一個重要依據(jù)，紅外測溫憑借其非接觸、高效、準確的特點成為冶金爐窯測溫的重要手段。本文針對揮發(fā)窯窯體紅外測溫時動態(tài)水霧引起的測溫誤差問題，提出了一種基于紅外圖像特征的溫度誤差梯度提升樹補償方法，開發(fā)了基于這種方法的氧化鋅揮發(fā)窯窯體測溫系統(tǒng)，并成功投入現(xiàn)場運行。該系統(tǒng)的應(yīng)用效果表明基于紅外圖像特征的揮發(fā)窯窯體測溫補償方法能實現(xiàn)對揮發(fā)窯窯體溫度的準確測量，系統(tǒng)軟件的設(shè)計操作簡便，提高了揮發(fā)窯現(xiàn)場工作效率和管理水平;同時，還能幫助工藝管理人員及時了解窯體損壞情況及耐火磚和燃料燒結(jié)的實際狀態(tài)，確保揮發(fā)窯長周期穩(wěn)定運行。

參考文獻

[1] 李吉寧.濕法煉鋅中浸出渣處理技術(shù)探究[J].世界有色金屬，2020（2）：10.

[2] MATTHES， J. WAIBEL， P. KELLER HB. A new infrared camera-based technology for the optimization of the waelz process for zinc recycling[J]. Minerals Engineering， 2011， 24（8）： 944-949.

[3] 易佞純，桂衛(wèi)華，梁驍俊，等.揮發(fā)窯鼓風管的關(guān)鍵點識別及其擺放位置監(jiān)測[J].控制理論與應(yīng)用，2024，41（1）：172-182.

[4] 張李敏， 王云燕， 劉衛(wèi)平， 等. 鋅浸渣和鋅焙砂銅粉還原浸出工藝研究[J]. 過程工程學報， 2024， 24（5）： 558-565.

[5] TANG Fengrun，F(xiàn)ENG Zhenxiang，LI Yonggang， et al. A constrained multi-objective deep reinforcement learning approach for temper-ature field optimization of zinc oxide rotary volatile kiln[J]. Advanced Engineering Informatics， 2023， 58：102197.

[6] 劉玉英， 張欣欣. 基于輻射換熱理論研究水霧對紅外輻射測溫儀的影響[J]. 紅外技術(shù)， 2008， 30（10）： 602-606.

[7] 劉玉英， 張欣欣， 黃志偉. 水霧遮蔽表面輻射測溫問題的實驗研究[J]. 工業(yè)加熱， 2008， 37（5）： 16-18.

[8] 劉凱迪， 吳海濱， 陳新兵， 等. 基于Mie 散射理論水霧介質(zhì)紅外輻射衰減的校正研究[J]. 大氣與環(huán)境光學學報， 2022， 17（4）： 476-484.

[9] 杜京義， 施衛(wèi)， 李琦， 等. 一種消除鑄坯表面水霧氣對紅外測溫影響的方法[J]. 重型機械， 1999 （2）： 6-8.

[10] 譚鍇， 趙晶軍， 龍木軍， 等. 水霧對高溫鑄坯表面輻射測溫影響的實驗研究[J]. 連鑄， 2019， 44 （1）： 35-39.

[11] LATIF A， RASHEED A， SAJID U， et al. Content-based image retrieval and feature extraction： a comprehensive review[J]. Mathematical Problems in Engineering， 2019， 2019（4）： 9658350.

[12] SOH L K， TSATSOULIS C. Texture analysis of sar sea ice imagery using gray level co-occurrence matrices[J].IEEE Trans-actions on Geoscience Remote Sensing， 1999， 37（2）： 780-795.

[13] FRIEDMAN J H. Stochastic gradient boosting[J]. Computational Statistics Data Analysis， 2002， 38（4）： 367-378.