【技术实现步骤摘要】
本专利技术涉及工业数字图像处理，具体为一种铜冶金ps转炉吹炼造渣期进程预测方法。
技术介绍
1、在工业图像处理领域，数字图像处理的应用非常广泛，它提供了许多强大的工具和技术，用于处理、分析和解释工业图像数据，从而帮助工人做出更准确的决策。
2、在铜冶金生产过程中，p-s(peirce-smith)转炉吹炼是一项关键的步骤，它涉及将熔炼炉产生的铜矿物料进一步精炼成高纯度的铜。吹炼过程中的一个重要阶段是造渣期，即在吹炼过程中形成并去除杂质渣料。传统上，这一阶段依赖于操作人员的经验来调整吹炼参数，以优化铜的提取率和减少杂质。
3、传统的方法存在几个问题。首先，操作人员依靠直观判断和经验来控制吹炼过程，可能会导致操作的不一致性。其次，由于缺乏实时监控和预测手段，一旦出现异常情况，可能会导致产出质量下降或资源浪费。此外，传统方法难以应对复杂的熔炼动态变化，进而影响整个炼铜过程的效率和成本。
4、为了解决这些问题，近年来出现了利用现代传感器技术和数据分析方法来监控和控制吹炼过程。例如，通过安装热像仪或相机监控炉口火焰的变化，可以间接反映熔炼状态。然而，这些技术往往需要专业的图像处理和数据分析能力，而且在处理大量数据时，可能会遇到效率和准确性的挑战。
5、因此，发展一种新的预测方法，能够实时监测和预测ps转炉吹炼造渣期的进程，对于提高铜冶金生产效率和产品质量，降低能耗和成本具有重要意义。
技术实现思路
1、为实现以上目的，本专利技术通过以下技术方案
2、step1:使用至少一个专业工业相机对转炉口进行成像扫描，以采集火焰图像；
3、step2：对所述采集到的火焰图像进行预处理，以压缩图像并筛选出亮度符合预定标准的图像；
4、step3：对所述筛选后的图像根据时间戳进行排序，形成时间序列图像；
5、step4：对所述排序后的图像进行色彩空间转换，将rgb通道的图像转化为hsv色彩空间的图像；
6、step5：利用对比度有限自适应直方图均衡化(clahe)算法对所述hsv色彩空间的图像进行局部对比度增强处理；
7、step6：提取所述增强后图像的像素方差特征和傅里叶变换特征，并对所述特征进行归一化处理；
8、step7:将所述归一化处理后的特征数据按照时间戳转换成时间序列格式，并根据工人师傅记录的造渣开始时间进行分段；
9、step8：应用自回归积分滑动平均(arima)模型对所述分段后的时间序列数据进行分析，以预测吹炼造渣期的进程。
10、优选的，在采集图像后将分辨率压缩至2736x1824；
11、优选的，利用图片的明暗度将没有拍摄到或不合格火焰记录的图像删除；
12、按照基本格式为年-月-日-时-分-秒-毫秒的时间戳对筛选后的图像根据拍摄时间的先后顺序进行排序，利用获取的火焰图像与拍摄时间，建立转炉吹炼造渣期数据库。
13、优选的，clahe算法的处理步骤包括：
14、将火焰图像分成不重叠的16x16像素小块，称为局部块，并对每个局部块进行直方图均衡化处理，以增强局部对比度，对于每个局部块，计算直方图像素值i的出现频率h(i)，使用公式为：
15、
16、其中，l为对比度限制；
17、归一化为：
18、cdfnorm(i)＝cdf(i)/16
19、使用归一化的cdf来映射原始像素值到增强后的像素值；
20、将限制后的直方图进行归一化，以获得每个小块的累积分布函数cdf，公式为：
21、
22、其中h(j)为直方图像素值j的出现频率；
23、使用归一化的cdf来映射原始像素值到增强后的像素值，公式为：
24、t(x，y)＝round(cdfnorm(i(x，y))·(l-1))
25、其中t(x，y)是新的像素值，i(x，y)是原始像素值，将处理后的小块重新组合成完整图像，完成对比度增强。
26、优选的，对火焰图像的像素方差进行提取包括：将图像转换为灰度图像，计算图像的像素值方差；
27、variance＝sum((pixel_value-mean_value)^2)/(m*n)
28、其中，pixel_value是每个像素的灰度值，mean_value是图像的平均灰度值，m和n分别是图像的宽度和高度；
29、将图像转换为灰度图像，并将其转换为双精度类型，对双精度灰度图像进行二维傅里叶变换，得到频谱图像，并计算所述频谱图像的幅度谱平均值。频谱图像的幅度谱表示了图像中不同频率成分的强度，可以通过计算其绝对值来获取。接下来，计算中心化后的频谱图像的幅度谱的均值，即所有频率成分的平均强度。
30、优选的，通过特征提取得到的数据需要转换为时间序列的形式，以便于使用arima这类模型进行分析。构建时间序列的过程中，数据的分段、归一化和差分处理是关键步骤，这些处理可以帮助消除趋势和季节性，使得时间序列数据更加稳定，从而提高预测的准确性。
31、优选的，arima模型分析包含确定模型中自回归项、差分次数和移动平均项的最优阶数，arima模型主要由三部分构成，分别为自回归模型(ar)、差分过程(i)和移动平均模型(ma)。ar部分用于处理时间序列的自回归部分，它考虑了过去若干时期的观测值对当前值的影响。i部分用于使非平稳时间序列达到平稳，通过一阶等差分处理，消除了时间序列中的趋势和季节性因素。ma部分用于处理时间序列的移动平均部分，它考虑了过去的预测误差对当前值的影响。一个arima模型通常表示为arima(p,d,q)，其中：p是自回归(ar)项的阶数，表示当前值与其过去值之间的关系。d是差分的次数，用于使时间序列平稳。q是滑动平均(ma)项的阶数，表示随机误差项与其过去值之间的关系。
32、优选的，arima模型是预测造渣期进程的核心工具。在实际应用中，需要首先对时间序列数据进行平稳性检测，然后选择合适的模型参数(p,d,q)。模型的参数确定后，通过历史数据训练模型，然后进行未来值的预测。这一步骤需要统计学知识和机器学习技术的支持，以确保预测的准确性和可靠性。
33、本专利技术提供了一种铜冶金ps转炉吹炼造渣期进程预测方法。具备以下有益效果：
34、1、本专利技术通过采用专业工业相机对转炉口进行高清成像扫描，并运用筛选、排序、色彩空间转换和直方图均衡化等处理方法，提取出火焰图像的方差和傅里叶变换特征。这些特征信息能够更准确地描述和分析吹炼造渣的动态变化过程，为后续的预测建模提供了有力的数据支持，并使用arima模型来预测吹炼造渣期的过程，通过将特征数据转换为时间序列格式，并使用arima模型进行建模和预测，可以更准确地预测吹炼造渣期的进程，帮助本文档来自技高网...
【技术保护点】
1.一种铜冶金PS转炉吹炼造渣期进程预测方法，其特征在于：包括以下操作步骤：
2.根据权利要求1所述的一种铜冶金PS转炉吹炼造渣期进程预测方法，其特征在于：
3.根据权利要求1所述的一种铜冶金PS转炉吹炼造渣期进程预测方法，其特征在于：所述S5中CLAHE算法的处理步骤包括：
4.根据权利要求1所述的一种铜冶金PS转炉吹炼造渣期进程预测方法，其特征在于：所述S6具体包括：
5.根据权利要求1所述的一种铜冶金PS转炉吹炼造渣期进程预测方法，其特征在于：所述S8中ARIMA模型的分析步骤包含确定模型中自回归项、差分次数和移动平均项的最优阶数。
【技术特征摘要】
1.一种铜冶金ps转炉吹炼造渣期进程预测方法，其特征在于：包括以下操作步骤：
2.根据权利要求1所述的一种铜冶金ps转炉吹炼造渣期进程预测方法，其特征在于：
3.根据权利要求1所述的一种铜冶金ps转炉吹炼造渣期进程预测方法，其特征在于：所述s5中clahe算法的处理步骤包...
【专利技术属性】
技术研发人员：赵璧，徐建新，唐玉荣，郝海斌，段维飞，周允昕，吴朝罡，王洋洋，袁松，
申请(专利权)人：凉山矿业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。