基于二叉树结构的支持向量机窑况识别模型

基于二叉树结构的支持向量机窑况识别模型

回转窑窑况识别研究开采氧化锌炉的过程属于典型的复杂工业过程，具有多变量、非线性、大延迟、强耦合等综合复杂性。长期以来，它一直是一种人工控制和半自动化生产的状态。传统的人工操作方式需要看火工24小时在窑前观察窑内烧成带火焰燃烧状态与物料烧结状态,通过调整相关工艺过程参数,来保持回转窑内部始终处于一种相对稳定的热工平衡状态。人工看火方式具有以下缺点:缺乏严格、统一的执行标准;操作容易受到看火工健康状态、工作经验、工作态度、情绪变化等主观因素的影响;现场环境恶劣,长期看火操作容易形成职业病。随着多媒体计算机软、硬件技术的飞速发展,特别是计算机图像处理理论与技术的不断完善成熟,越来越多的学者尝试使用计算机图像处理技术和模式识别方法来模拟人工看火经验,实现回转窑窑况的自动判别。模式识别的方法可以分为很多种,如统计模式识别、神经网络模式识别等。支持向量机基于统计学习理论和结构风险最小化准则,经实践验证是一种有效的机器学习方法,具有全局优化与良好的泛化能力,被广泛应用于分类问题与回归问题。目前,国内外公开发表的文献中尚未发现有关支持向量机在回转窑窑况识别研究方面的报道。基于上述背景,本文建立了基于准正态二叉树结构的多类分类支持向量机窑况识别模型,将火焰图像特征和关键过程数据构成的混合特征作为模型输入,进行回转窑窑况自动识别的仿真实验研究。1svm支持向量机参数1.1svm的最优超平面假定训练样本空间由序列{(x1,y1),(x2,y2),...,(xN,yN)}构成,其中xi∈Rn为输入向量,yi∈{+1,-1}为每一个样本对应的类别标签。SVM的训练过程就是在特征空间中寻找能将两类样本正确分开,且具有结构风险最小化的最优分界超平面。对于输入空间中的向量x,令z=Ф(x)表示其在特征空间中对应的特征向量,则最优超平面可以表示为:相应的决策方程为:在任何情况下,SVM并不要求显式的知道映射ϕ。引入核函数k(·),则特征空间中向量间的点积可以在输入空间中通过核函数表示:训练SVM等价于求解如下最优化问题:问题(4)是正定的二次规划问题,目标方程由拉格朗日乘子ai决定。一旦ai(i=1,2...M)已知,决策方程中的权重向量w和阈值b能够通过KKT(Karush-Kuhn-Tucker)条件容易的计算出来。KKT条件是二次规划问题(4)的充分必要条件。1.2支持向量机推导目前,针对支持向量机多类分类问题的研究方法可以分为两种:一是首先构造多个基本的SVM二值分类器,然后对它们进行相应的组合来实现多类分类。如One–Against-Rest,One-Against-One,二叉树方法等;二是从支持向量机推导的基本假设开始,将解多个凸二次规划问题转化为解一个最优化问题。这种思想从概念上清晰简洁,但问题求解过程繁琐复杂,难以获得实际应用。基于二叉树的多类SVM分类方法首先将多类分类问题逐层分解成一系列的凸二次优化问题,然后采用二值SVM方法进行二类分类,可以克服传统的One-Against-Rest,OneAgainst-One所遇到的不可分问题。2在氧化锌回转炉的燃烧带中，火焰图像的特征得到了提取2.1图像序列预处理图1所示为烧成带火焰图像处理与特征提取的总体框图。考虑煤粉的剧烈燃烧,回转窑的转动、以及二次风的返灰与窑内高温烟气等因素的影响,首先对采集到的图像序列进行频域滤波,缓解火焰的闪烁与漂移现象。然后,利用大津算法确定图像序列的平均阈值,对图像序列进行粗阈值分割,去除对窑况识别结果影响不大的背景区域。最后,采用基于灰度直方图的快速FCM(FuzzyC-Means)聚类算法,对图像中的火焰区与物料区像素进行聚类,并使用基于Gabor小波表示的图像纹理粗糙度对聚类隶属度矩阵进行去模糊化运算,实验研究表明,该方法对于大部分的火焰图像具有较好的分割效果。聚类分割结果如图2所示。2.2煤粉燃烧过程的计算根据专家看火经验,对分割后的火焰图像进行特征提取,具体的特征描述与提取算法如下:(1)物料高度:物料高度检测的关键是确定物料的边缘。由于物料区灰度值较背景要大,因此可以采用差分方法检测灰度上升沿,以确定物料的高度。物料高度提取算法描述如下:(1)计算灰度差分值。令g(x,y)表示图像中坐标为(x,y)点处的灰度值,则位于x=x0的灰度后向差分为:考虑到只取一点的差分值容易受到噪声的影响,因此取相邻2n个点的差分平均值作为这一点像素的等效差分值:(2)找到等效差分值最大的像素点(x0,y0),即物料区上部与背景区的边缘像素。在点(x0,y0)沿y坐标轴的L邻域范围内,计算分离带高物料与背景的平均阈值:(3)利用阈值δf对图像进行二值化,得到被带高的物料分布范围,通过对纵坐标y值起泡法排序找到L个高点的位置sk=(xk,yk+i),i=0,...,L,利用公式(10)计算平均物料高度:(2)闪烁频率:以灰度图像为例,闪烁是由于火焰区内灰度不同的区域的交替变化而形成,其中灰度值较大的区域为煤粉充分燃烧形成的高温区域、灰度值较低的区域为没有充分燃烧的煤粉。令gf表示Mf×Nf的燃烧区域,δa为面积阈值,则计算闪烁频率sF的算法过程,可以利用下面的matlab代码进行描述:上面代码为某一帧图像的闪烁状态检测,其中count为大于灰度阈值δg的像素个数,flash_stat为闪烁状态。对于实际闪烁检测而言,某一帧图像的闪烁状态没有意义,实际中采用一定时间间隔sT(本文中为50帧)内的闪烁状态变化次数和作为这段时间内的闪烁频率。闪烁频率fs反映了一段时间内煤粉燃烧的剧烈程度。(3)整体平均灰度、火焰颜色、物料颜色:通过对历史数据进行分析得知,整体平均灰度值与烧成带温度之间存在着较强的关联性,二者具有相似的变化趋势,而且灰度的变化要提前于温度的变化动作。设n为一幅彩色火焰图像的像素数目,(Ri,Gi,Bi)表示第i个像素的颜色,则一幅火焰图像的整体平均灰度Gavr可以表示如下:根据人类视觉特点,选取对颜色判断影响最大的火焰区平均R值Rf,物料区平均R值mR来表征物料颜色与火焰颜色。3基于bt-svm的反向窑结构的识别3.1b-svm的结构模型不同的看火操作工之间的看火经验不同,对窑况的判别通常会存在一些程度上的差异。这种程度上的差异可以总结为如下的N组窑况判别结果:{过烧、正烧、欠烧}、{二级过烧、一级过烧、正烧、一级欠烧、二级欠烧}…{N级过烧…一级过烧、正烧、一级欠烧…N级欠烧}。尝试利用渐进分层二叉树的支持向量机节点来识别上述窑况。考虑两种构成渐进分层二叉树分类模型(以后简称BT-SVM)的基本结构:(1)从根节点开始,每一个包含多个类别的节点上的分类器只能将一个类别与其它类别分开,这种二叉树称之为“偏态树”;(2)从根节点开始,每一个包含多个类别的节点上的分类器都将其中的类别分为两类,这种二叉树称之为“正态树”。假设每个类别的训练样本数相同,采取“偏态树”拓扑结构的BT-SVM中每个基本SVM节点的训练时间总和为:而采取“正态树”拓扑结构的BT-SVM中每个基本SVM节点的训练时间总和为:其中,η=log2k,k为标准“正态树”的终止节点数目,即BT-SVM的最终分类数目。显然,采用“正态树”拓扑结构的BT-SVM的训练时间短于“偏态树”,而具有其它拓扑结构的BT-SVM的训练时间则处于两者之间。为了使模型尽量满足“正态树”的要求,首先将待识别的样本空间分成两类,即{过烧+正烧}和{正烧+欠烧},得到如图4所示的基于渐进分层准正态二叉树结构的多类支持向量机窑况识别模型。如图4所示,Tij为每一层节点对应的样本空间,表示各级窑况识别结果,这些识别结果共同构成了输出空间。其中,i=1,2…N,j=1,…Mi,Mi为每一层节点数。Tij分别对应各级窑况识别结果:模型的层数N综合考虑现场看火工人的操作经验与历史数据确定,每层的节点对应一个基本的二类SVM分类器。每一层需要训练Nt个基本的二类支持向量机:通过对人工看火经验的总结以及历史数据的分析认为烧成带温度Tbz、窑头温度Tkh、窑尾温度Tke、冷却机电流Icm对回转窑窑况识别具有比较重要的影响。将火焰图像特征序列Sf与过程数据序列Sp={Tbz,Tkh,Tke,Icm}融合在一起构成了BT-SVM分类模型的输入空间I,I=,Si为混合特征序列。3.2bt-svm模型分层结构优化图5所示为基于火焰图像特征与BT-SVM的窑况识别方法结构框图,其中(1)为图像处理模块,(2)为窑况识别模块基于BT-SVM模型的窑况识别方法描述如下,首先采集回转窑烧成带火焰图像Iin1,输入图像处理模块(1),输出Iout1为火焰图像特征序列Sf。BT-SVM模型的输入为Iin4与Iout1共同组成的火焰图像特征与关键过程数据混合序列iS,Iout2为模式识别模块(2)的输出,即窑况分级分类结果,被送入过程控制系统,指导控制系统完成对回转窑生产过程的控制。Iin2与Iin3分别表示现场过程监测数据与烧成带火焰图像,作为反馈信号通过数据挖掘单元与专家经验被引入模式识别模块,实现对BT-SVM模型分层结构的调整。调整策略如下:设某回转窑看火操作工总数为Nm,每一名看火操作工都具有一个决策权Di,i=1,2,...Nm。根据BT-SVM模型在不同层次结构条件下所表现出来的窑况识别能力,由每一名看火操作工结合操作经验与生产实际需要,提出一个最适合当前窑况的BT-SVM模型分层层数N。数据挖掘方法首先利用模糊C-MEAMS聚类方法从历史数据中提取混合特征序列Si与风、煤等控制量的变化量,组成描述构成不同聚类的数据对{特征变量+控制动作},然后,采取模糊专家规则推理方法提取{特征变量+控制动作}中的操作规则,根据操作规则中的风、煤调节量的变化区间确定合适的BT-SVM分层层数N。同样,数据挖掘单元也拥有一个决策权mD。最后,对专家经验单元与数据挖掘单元的模型层数决策结果{Di,i=1,2,...Nm;mD},采取投票法决定BT-SVM模型的最终层数。4bt-svm2模型本文全部实验数据来自国内某大型氧化铝厂,实验软件平台由Matlab7.0,Libsvm2.83,Python2.5共同组成,所有软件运行在WindowsXP操作系统下,主要硬件配置如下:IntelPentium4CPU3.00GHz,512M内存。本文采用具有二层结构的模型BT-SVM2,识别结果为{T11T21,T22}——{过烧、正烧、欠烧}三种情况。二层结构的BT-SVM窑况识别模型共包括三个基本支持向量机分类节点{S11,S21,S22}。模型参数选择如下:核函数采用RBF(径向基函数),具体参数如下:总的样本数据为7934组,每一个支持向量机节点的训练数据500组,测试数据为全部数据。利用同样的数据样本对三层BP神