(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110497744.9 (22)申请日 2021.05.08 (65)同一申请的已公布的文献号 申请公布号 CN 113283163 A (43)申请公布日 2021.08.20 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 杨冲　杨春节　王文海　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 林松海 (51)Int.Cl. G06F 30/27(2020.01) G06T 5/00(2006.01)G06T 7/00(2017.01) G06T 7/13(2017.01) G06F 119/08(2020.01) (56)对比文件 US 2006272447 A1,20 06.12.07 KR 101504280 B1,2015.0 3.19 CN 111128313 A,2020.0 5.08 CN 111862093 A,2020.10.3 0 宋宝宇 等.烧结机 尾断面图像的在线处 理 与分析方法研究. 《第八届 （201 1） 中国钢铁年会 论文集》 .201 1,第3912- 3917页. Heng Zhou 等.Hybrid- Model-Based Intelligent Optimizati on of Iro nmaking Process. 《IEEE Transacti ons on Industrial Electronics》 .2019,第2469-2479页. 审查员 佘洪新 (54)发明名称 RVM烧结矿FeO含量软测量模型的构建及应 用 (57)摘要 本发明公开了一种RVM烧结矿FeO含量软测 量模型的构建及应用， 结合烧结过程中的传感器 数据与烧结机尾断面图像数据共同完成模型的 构建， 使得数据信息更为丰富； 此外对数据进行 特征构建， 使其对烧结数据的非线性、 动态性具 备更强的解释能力； 在此基础上构建RVM模型， 使 其在复杂的烧结过程中对烧结矿FeO含量具备准 确的在线软测量能力。 通过该模 型与现有的模型 的软测量结果对比， 证明了模型为烧 结过程提供 了较为精确、 稳定的建模能力。 权利要求书2页 说明书9页 附图3页 CN 113283163 B 2022.04.19 CN 113283163 B 1.一种基于多源数据与特征构建的RVM烧结矿FeO含量软测量模型的构建方法， 其特征 在于， 所述多源数据的采集方式为： 基于成品烧结矿化验的采样时刻， 结合烧结机的构造与皮带运行速度， 得到与成品烧 结矿对应的关键过程变量与烧结机机尾时刻的采样时刻， 分别完成烧结过程中的传感器数 据与烧结机尾断面图像数据的采集： 通过烧结过程中附着的传感器收集过程变量数据， 并根据关键过程变量的采样时刻进 行筛选， 得到过程变量数据Xtrain‑1(n×m)， 样本数为 n， 变量数为m； 在烧结机机尾设置摄像机持续拍摄烧结矿断面， 根据烧结机机尾时刻筛选出该时刻前 后3分钟的视频画面， 采用图像的红色分量作为机尾断面图像的灰度图完成亮度l的计算， 采用机尾断面图像的红色分量在6 分钟内视频亮度的峰值选取视频的关键帧， 并求取均值， 每个关键帧图片的亮度L具体表示 为： 其中， h和w分别表示一张图片的高度和宽度， qij表示图像中第i行第j列的点对应的像 素值； 基于机尾断面RGB图像采用顶帽滤波法提取图像细节， 将图像细节转化为灰度图后， 查找图像细节的边缘并完成填充， 通过计算图像细节所占图像面积的比例， 并求得所有关 键帧的均值计算烧结断面的孔隙率k， 最 终， 机尾断面图像的亮度与孔隙率组成关于机尾断 面的变量数据Xtrain‑2(n×2)， 其中样本数为 n， 变量数为2； 所述烧结 过程中特 征构建的方式为： 将Xtrain‑1与Xtrain‑2组合为模型的输入数据Xtrain‑o， 成品烧结矿FeO含量的化验记为 ytrain， 首先， 将离群 值定义为与均值相差超出三倍 标准差的点， 并将其替 换为最近的非离群 点， 其次， 以Xtrain‑o与ytrain的相关性为基准， 对Xtrain‑o完成变量构建以增强模型对数据非线 性特征的解释能力， 具体包 含以下六种方式： vnew＝ev vnew＝vx vnew＝v1+v2 vnew＝v1×v2 其中， v表示原始变量， v1与v2表示原始的不同类变量， vnew表示所构造出的新变量； 另 外， 以Xtrain‑o与历史采样点 的自相关性为基准， 完成变量构建以增强模型对数据动态特征 的解释能力， 表示 为： vnew＝[vt vt‑1...vt‑x] 式中， t表示采样时间， x表示历史采样点个数， 完成变量构建后的输入数据记为Xtrain； 所述RVM烧结矿F eO含量软测量模型的构建方式为： 基于采集到的烧结数据完成数据的标准化， 构建Xtrain与ytrain的RVM模型， 其单样本间的权　利　要　求　书 1/2 页 2 CN 113283163 B 2映射关系表示 为： y＝f(xtrain， w)+ ε 其中， w＝[w0， w1， w2， ...， wn]T为权值向量， ε～N(0， σ2)表示高斯白噪声， f(x)表示 为： 式中， K(x)为核函数， Ψ(xtrain)＝[1， K(xtrain， x1)， K(xtrain， x2)， ...， K(xtrain， xn)]T， 基 于上述条件， 输出值y的条件概 率公式表示 为： p(y|xtrain)～N(f(xtrain， w)， σ2) 则在观测目标y相互独立的情况 下， 整体样本的似然函数表示 为： 其中， Ψ(Xtrain)＝[Ψ1(xtrain)， Ψ2(xtrain)， ...， Ψn(xtrain)]， 在此基础上为参数设置先 验概率分布避免过拟合问题， 表示 为： 基于贝叶斯定理， 得出权值w的后验分布， 并通过极大化边际似然 函数求得参数σ2和α 的 最优选择 和 αo， 进而求得权值向量 w的后验均值与协方差： 在参数训练过程中， 绝大部分αi值会趋于无穷大， 对应的权值wi则为0， 使得RVM模型具 备良好的稀疏性。 2.根据权利要求1所述的基于多源数据与特征构建的RVM烧结矿FeO含量软测量模型的 应用方法， 其特 征在于， 应用流 程为： 步骤2.1： 对于烧结过程中新的成品矿， 筛选与当前机尾时刻对应的烧结过程中的传感 器数据xtest‑1(1×m)与机尾断面变量数据xtest‑2(1×2)， xtest‑1(1×m)中样本数为1， 变量数 为m， xtest‑2(1×2)中样本数为1， 变量数为2； 步2.2： 处 理数据的离群点， 采取离线模型选择的变量构建方法得到构建变量xtest； 步骤2.3： 将xtest进行标准化处理， 根据参数 和 αo计算FeO的含量： 其中， Ψ(xtest)＝[1， K(xtest， x1)， K(xtrain， x2)， ...， K(xtrain， xn)]T。权　利　要　求　书 2/2 页 3 CN 113283163 B 3