王春梅            周东东 徐 科  程树森                   张海宁

    (河北科技大学)            (北京科技大学)                  (河钢集团石钢公司)

摘 要  采用语义分割深度学习模型,开发了高炉风口焦炭粒度在线检测装置,可对所采集风口图像中的焦炭进行识别。将该装置应用于国内某钢厂2500 m3高炉全焦冶炼时期的风口焦炭粒度研究,得到了风口焦炭粒度及粒径分布,并在此基础上,修正了适用于该检测结果的风口回旋区焦炭带长度的计算公式。认为该装置为研究高炉内焦炭裂化机理及回旋区形成机理奠定了基础,同时也为采用机器视觉及深度学习在线检测复杂环境颗粒粒度提供了新思路。

关键词  高炉 风口焦炭 粒度 在线检测 深度学习

高炉风口焦炭粒度能反映高炉内焦炭裂化程度,是影响高炉下部料柱透气性及透液性的重要因素,对改善焦炭性能及稳定炉况具有较好的参考作用。目前,高炉风口焦炭粒度检测常用风口取焦的办法,该方法需高炉停风期间实施,具有间歇性的特点且影响高炉生产,

本文首次采用机器视觉及深度学习在线检测高炉风口焦炭粒度,开发了在线检测装置,将该装置应用于国内某钢厂2500m3高炉全焦冶炼时期的风口焦炭粒度检测研究。

1  焦炭粒度计算模型

1.1  深度学习模型

卷积神经网络是一种前馈式的神经网络,特征提取采用前向传播方式,权值修正采用反向传播方式【1】。语义分割(FCN)是在卷积神经网络的基础上发展起来的,其目的是精确理解图像并对其中的每个像素做分类[2]。具体思路为建立全卷积网络,输出任意尺寸,经过有效学习和推理输出相应的尺寸,学习图像每个区域乃至像素的语义类别[2].

语义分割用于风口焦炭识别及粒度检测流程如图1所示,首先识别风口图像中的焦炭颗粒并进行标签制作,采用训练数据集进行离线训练,得到风口焦炭的标签。将要检测的风口图像输入到语义分割深度学习模型中,通过分类及定位,最终在线识别焦炭颗粒。

1.2  风口焦炭粒度分析

高炉风口焦炭长径及短径如图2所示,风口焦炭粒度可由下列公式计算[3]

D=√A*8  

  (1)式中D-焦炭粒度,mm;

A---焦炭长径,mm;

B---焦炭短径,mmo

高炉风口焦炭粒度在线检测流程如图3所示。

由于采集的风口图像有时会出现失真现象,因此首先将输入的风口图像进行边缘检测,判断风口是否变形,如果变形则跳至下一幅图像。如果风口没有变形,则进行焦炭识别,采用预先标记好的焦炭颗粒标签离线训练,输入到FCN深度学习模型中进行在线识别焦炭颗粒。然后进行焦炭长径及短径计算,利用公式(1)计算得出焦炭的粒度,最终通过大量的焦炭粒度计算,得出焦炭的粒径分布。

2  在线检测结果与讨论

2.1  2500m3高炉操作参数

2500m3高炉铁口3个,风口30个,风口直径为120mm。铁水[Si] 0.35%,铁水温度为1504.31℃.

炉渣二元碱度为1.23

高炉的主要操作参数见表1,焦炭质量指标见表2。

2.2  风口焦炭图像采集

高炉风口焦炭图像采集装置如图4所示,包括耐高温防尘套管、图像采集系统、传输系统、图像储存及数据处理系统,图像采集系统包括CCD工业相机及镜头。由于高炉实验现场高温及灰尘对图像采集过程形成了干扰,本系统中集成了耐高温防尘套管。将高炉风口焦炭粒度检测装置放度置于2500m3高炉的风口端,由于喷煤过程形成的煤粉云遮挡了图像中的部分区域，因此本研究中采集了不喷煤即全焦冶炼过程的风口图像。风口端辐射出的回旋区光线,经过直吹管和风口窥视孔,被采集系统的CCD工业相机所采集,CCD系统的图像信号由传输系统传输至图像储存及数据处理系统。所采集的高炉风口焦炭图像如图5所示,右上侧黑色棒状区域为煤粉枪,颜色较深的近似圆形区域为焦炭颗粒。

2.3  风口焦炭粒度结果分析

为了检验用语义分割深度学习模型在线检测得到的焦炭颗粒与人工识别结果是否相符,将图5中的全焦冶炼风口图像中的焦炭颗粒采用人工识别并标记,其焦炭颗粒如图6(a)所示。用离线训练数据集及深度学习模型在线检测的焦炭颗粒结果如图6(b)所示,人工标记的焦炭颗粒与采用深度学习模型在线识别的结果一致性较好。说明采用深度学习模型在线识别焦炭颗粒可行且结果准确。

高炉风口焦炭粒度检测结果及粒径分布结果如图7所示,焦炭粒度范围为12.10mm到36.54 mm焦炭粒度分布随着时间的增加呈现出粒度先减小后增大的趋势,这可能与高炉回旋区坍塌周期有关。风口焦炭平均粒径为25. 68mm,平均粒径相对入炉时的下降率为46.43%。从图7 (b)可知,焦炭粒径分布最多的粒径范围为25 ~30mm,最少的粒径范围为10~15mm及35 ~40mm。以上检测结果与宝钢、首钢等采用风口焦炭取样粒径范围相符[5-7],再次验证了采用机器视觉及深度学习模型在线检测风口焦炭粒度的可行性及准确性。

2.4  焦炭粒度检测结果应用

首钢竺维春等提出了应用风口前焦炭粒径计算高炉风口回旋区焦炭带长度的经验公式[7],其焦粒度采用风口前焦炭取样结果。对于本文中风口前回旋区断面处计算的焦炭粒度,应对计算公式进修正,以指导高炉生产实践操作,为高炉提高喷煤量,以及进一步研究焦炭在高炉中的裂化机理奠基础。

研究表明,2000 m3到3000 m3高炉风口焦炭带长度为2.5m左右,因此以2.5m为基准,采用本研究得到的焦炭粒度对风口回旋区焦炭带长度进行修正,结果如下:Lc=-10.07740+01047xVb+0. 04996xDc+0. 104xM40 

(2)式中

L C---风口回旋区焦炭带长度,m;

Vb-实际风速,m/s;

Dc---风口焦炭粒度,mm;

M40--焦炭抗碎强度,%。

由公式(2)可知,风口回旋区焦炭带长度增加有利于活跃炉缸,在日常高炉操作中,应尽可能提高焦炭冷态强度及焦炭反应后强度CSR,这样才能增加风口焦炭粒度;同时提高高炉的实际风速也有助于增加风口回旋区焦炭带长度。

我国大高炉的焦炭抗碎强度M40稳定性不足,各个企业之间的差异较大[8],因此,高炉操作还要在提高焦炭质量方面下功夫,切实提高高炉焦炭的强度及粒径,以进一步降低焦炭在高炉内的裂化,提高风口前焦炭粒度。同时也间接地增加风口回旋区焦炭带长度。

3  结论

(1)采用语义分割深度学习模型开发了高炉风口焦炭粒度在线检测装置,并将该装置应用于国内某钢厂2500m3高炉全焦冶炼时期的风口焦炭粒度研究。结果表明:风口焦炭粒度范围为12.10~36.54 mm;焦炭粒度分布随着时间的增加呈现出粒度先减小后增大的趋势,风口焦炭平均粒径为25.68 mm ,相对入炉时的平均粒度下降率46.43%,焦炭分布最多的粒径范围为25 ~30mm。

在线检测结果与风口焦炭取样粒径范围相符,验证了在线检测结果的准确性。

(2)基于风口前焦炭在线检测结果,对风口回旋区焦炭带长度计算公式进行了修正,使之符合风口前回旋区断面处焦炭粒度与其焦炭带长度的关系。

(3)高炉风口焦炭粒度在线检测装置为研究高炉内焦炭裂化机理及回旋区形成机理奠定了基础,同时也为采用机器视觉及深度学习在线检测复杂环境颗粒粒度提供了新思路。

4  参考文献

[1] 贺 笛,徐 科、孙金胜、深度学习在中厚板表面缺陷识别中的应用[C]//中国金属学会,第十一届中国钢铁年会.北京:中国金属学会,2017:1-6.

[2]  计梦予,袭肖明,于治楼,基于深度学习的语义分割方法综述[J].信息技术与信息化,2017(10) : 137-140.

[3]寿祝群、用工业电视摄像机测定高炉风口焦炭粒度和下降量[J].炼铁,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 进,张 群,吴信慈,宝钢焦炭在高炉内粒度降解[J].宝钢技术,2003 (1):39-43.

[6] 张立国,刘德军,梁 磊,等.鞍钢高炉风口焦炭取样研究[J].炼铁,2008,27 (5) :47-49.

[7] 竺维春,张雪松,风口焦炭取样研究对高炉操作的指导[J].钢铁研究, 2009,37(2):13-16.

[8] 周东东,姜 曦,周 翔.2016年上半年中国大高炉生产指标浅析[J],中国冶金,2016,26 (12) :1-5.