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

Large-scale rotary kilns, which consume a lot of energy, have complex process mechanism and the product quality variables are difficult to measure online. Increased complexity of the process dynamics prevents one from building accurate first-principle models. The static modeling approach based on slow-rate inputs/outputs are mainly used to build the prediction models of the product quality variables. In this case, process dynamics may be lost because of the large sampling intervals and the model is not accurate. The static model is hard to meet the demands of real-time monitoring, automatic control and real-time optimization in rotary kiln processes...On the basis of the existing static models, the project will make full use of the dynamic information and multiple source information contained in rotary kiln flame images and process data by introducing multi-view learning mechanism. Moreover, the work will make use of the unlabeled data to improve the performance of the prediction model by applying semi-supervised learning mechanism. This work aims to develop a novel feature extraction and selection method for dynamic time series data from multiple sources and of high dimension and to develop a novel modeling approach for predicting product quality variables based on multi-view learning, semi-supervised learning and ensemble learning. The software for predicting product quality variables will be developed and the simulation experiments and the industrial application experiments will be carried out to validate the proposed methods. The work is very important for realizing real-time monitoring, inference control and real-time optimization of the rotary kiln processes. Thus the study has important theory significance and practical value.

高耗能设备大型回转窑工艺机理复杂，产品质量参数无法在线测量。由于难以建立精确机理模型，回转窑产品质量参数预报方法还主要是基于慢采样速率输入输出数据的静态模型方法，由于太大的采样间隔，导致过程动态信息丧失、模型预报精度较低，难以满足回转窑过程的实时监控、自动控制及实时操作优化调整的需求。.本项目在现有的静态模型研究基础上，引入多视图学习机制，充分利用回转窑火焰图像和过程数据中蕴含的与产品质量参数相关的丰富的动态信息和多源信息，并引入半监督学习机制，利用大量的未标记数据来改善学习性能，研究提出图像和过程变量动态时间序列多源高维特征提取与选择方法和基于多视图半监督集成学习的产品质量参数预报模型方法，进一步提高预报模型性能。以典型的回转窑为背景开展建模实验研究，并研发模型软件开展工业应用实验。本项目对于实现回转窑过程的实时监控、推理控制及实时操作优化至关重要，具有重要的理论研究意义和实际应用价值。

高耗能设备大型回转窑工艺机理复杂，产品质量参数无法在线测量。由于难以建立精确机理模型，回转窑产品质量参数预报方法还主要是基于慢采样速率输入输出数据的静态模型方法，由于太大的采样间隔，导致过程动态信息丧失、模型预报精度较低，难以满足回转窑过程的实时监控、自动控制及实时操作优化调整的需求。.本项目在现有的静态模型研究基础上，充分利用回转窑火焰图像和过程数据中蕴含的与产品质量参数相关的丰富的动态信息和多源信息，研究提出了基于烧成带图像色彩特征、局部形态特征、全局形态特征和过程数据特征的多源信息特征级融合机制和决策级融合机制，基于上述融合机制设计了产品质量参数预报模型的结构。.针对回转窑烧成带图像噪声干扰较大并且感兴趣区域之间存在很强的耦合，难以对图像进行有效分割、难以提取有效特征实现准确预报识别的问题，提出了基于多变量图像分析方法提取图像色彩特征，基于主成分分析提取图像的全局形态特征，基于尺度不变特征转换提取局部形态特征的基于多源特征的决策级融合预报方法。针对现有方法难以提取欠烧工况图像形态特征的问题，提出了基于深度卷积独立子空间分析的图像多显著区域特征提取与基于模糊积分设计分类器融合的预报方法。.针对图像和过程数据多源动态信息具有时间和空间双重关联性、高维和非线性的特点，提出了两种改进的粗糙度惩罚保局投影特征提取方法和一种基于张量慢特征分析的特征提取方法。通过引入半监督学习机制，将慢特征分析和独立成分分析算法与间隔Fisher分析算法相结合，分别提出了时空半监督慢特征分析和半监督独立成分分析方法，从而提取更具有类区分度的全局形态特征。.基于以上新的特征提取方法，提出了基于隐马尔可夫模型、基于半监督支持向量回归机、基于多源动态信息特征级融合和集成回归器的产品质量预报方法，进一步提高了模型的泛化性能。以典型的回转窑为背景开展建模实验研究，并研发模型软件开展工业实验研究。本项目对于实现回转窑过程的实时监控、推理控制及实时操作优化至关重要，具有重要的理论研究意义和实际应用价值。