D0I:10.13374j.issnl00103x.1998.04.018 第20卷第4期 北京科技大学学报 VoL.20 No.4 1998年8月 Journal of University of Science and Technology Beijing Aug.1998 智能自动化的模式识别方法* 瞿寿德 北京科技大学信息工程学院，北京100083 摘要对于那些无法用数学方程式表述的复杂生产过程，提出一种基于模式识别原理的智能自 动化新方法，该方法的基本点在于：从信息的角度出发，采用特征变量来描述过程工况，再用时间 序列分析法建立预测模型，从而实现工艺最优化.还介绍了专门为此目的研制的红外线CCD热成 像装置，并给出了建立预测模型的神经网络算法， 关键词动态模式识别；计算机视觉检测系统：智能自动化：神经网络 分类号TP11 在冶金、建材行业有许多煅烧与熔炼生产过程，其机理十分复杂，即使用偏微分方程组也 难以描述.这类复杂生产过程不同于一般意义下的复杂系统们.现代控制理论对此显得无能 为力，通常的专家控制、模糊控制也由于缺乏获取工况信息和过程知识的能力而力不从心，模 式识别要想解决这些复杂生产过程自动化问题，就不能依赖数学模型，而必须另觅蹊径，乌克 兰科学院控制论研究所在80年代前曾运用模式识别原理研制转炉炼钢的仿人智能控制，由 于他们未能解决建立动态模型的问题，而且也不曾注意到采用计算机视觉检测和图像识别作 为获取当前工况有用信息的手段，所以这项研究未能获得成功的应用.此后多年，也没有这 方面的突破性进展见诸报道， 对于这类多输入变量、多质量指标的复杂生产过程，我们提出从信息科学的角度，凭借计 算机视觉检测系统提供的工况图像序列，对工艺过程实行特征变量描述，用模式识别和时间 序列分析相结合的方法，为实现智能自动化另辟一条新途径 1模式识别方法用于获取工况信息与过程知识 为了实现复杂生产过程的智能自动化，一是要充分获取有关生产过程的工况信息，二是 要掌握工况数据和产品质量指标之间的多元对应关系，就过程控制而言，前者显得更为重要， 技术难度也更大.由于生产过程极其复杂，仅仅依靠常规仪表不足以获取必要的工况数据，可 是有关工艺的合理性与产品质量的大量信息却能够由有经验的操作工人凭肉眼从看火孔观 察到.因此，在冶金行业和建材行业现在都普遍安装了工业电视.但是，工业电视只能提供定 性的观察结果，却不能给出确切的工况数据，也不能和计算机网络相联.工业电视最大的缺点 在于不能测温，而温度场的检测往往具有极大的重要性.因此，必须采用热成像技术，实行工 业电视红外化，再加上计算机图像处理与识别，组成计算机视觉检测系统.我们课题组研制成 功了红外CCD热成像装置，如图1所示.图中金属防护外壳1正前方的中央部分是一块石英 1997-10-05收稿程寿德男，岁，教授 ·国家自然科学基金资助课题(N0.69472023)
DOI: 10. 13374 /j . issn1001 -053x. 1998. 04. 018
·386. 北京科技大学学报 1998年第4期 保护玻璃2，其后下方有进水口11， 后上方有出水口12，保证空腔中有冷 却水流动；CCD摄像器件7用螺杆 10固定在防护外壳内部，红外滤光 镜3用框架通过螺纹联接在广角针孔 镜头的前端，该镜头的针孔4在6个 透镜组成的透镜组5的前面；这6个 透镜分为2组：前3个透镜完成成像， 后3个透镜进行调节聚焦，使高温观 测对象成像在CCD靶面6上；信号 10 的光电转换是由CCD摄像器件7完 图1红外CCD热成像装置 成的，它的视频接口8可与显示器或 1防护外壳，2防护玻璃，3红外滤光片，4针孔，5透镜组， 和计算机里的图像采集卡相联，它所 6靶面，7摄像仪器，8接口，9电源接口，10螺杆，11进水 需的直流电源则通过电源插口9提 口，12出水口 供.按照这个设计方案，我们制作的样机在天津市水泥厂二分厂五车间第2号转窑进行了1 年多的现场实验，经受住了恶劣环境条件的考验，图像清晰，比工业电视好，红外图像经计算 机处理的三维重构以后，可借助热像仪进行温度标定，从而得出熟料在烧成带的温度分布.我 们取烧成带熟料温度的最高值，最高温度所在位置与窑头之间距离，以及该处的温度梯度作 为表述熟料沿窑长方向温度分布的特征量.除了温度以外，熟料的粒度大小是影响水泥质量 的重要工艺数据.用基于熵的图像分割算法可以得到熟料粒度的统计度量3 计算机视觉检测系统提供的工况图像特征量，连同常规仪表检测结果，构成所能获得的 最充分的工况信息，但是它的维数太高，多数因素之间存在着相关性.这时可以借助多元统计 分析的方法进行数据压缩和降维，最后得到的二次特征量，即对过程工况、也可能借此获得 定量描述. 下一步面临的问题是：如何根据过程工况的特征描述在线推断产品的质量指标.过去沿 用的统计模型和专家系统方法，不可能作出精确的估计， 现代控制理论则是在机理分析的基础上，通过建立和求解状态方程组来解决问题.影响 水泥质量（主要是其化学成分和机械强度）的主要因素是熟料在烧成带的温度和粒度，而料在 转窑里的煅烧主要是靠火焰与窑皮的辐射和炽热气流与窑壁的热交换来实现的，物料在稍微 倾斜且不断旋转的窑简里一边翻滚、一边缓缓向下滑行，其间还经过熔融与结粒阶段.这个动 态过程是如此复杂，即使用偏微分方程组也难表述.至于熟料的颗粒度更是多种因素共同的 结果，受统计规律支配，不可能用数学方程式估算出来.把这类无法通过数学方程式来表达的 动态系统叫做非牛顿力学系统，提出用模式识别的原理与方法来解决其智能自动化的问 题. 模式识别的优势在于它可以从大量统计数据揭示复杂系统的内在规律，特别是对于具有 非牛顿力学性质的复杂生产过程，更是一种获取过程知识的有效手段，只要记录下生产过程 的工况图像序列和有关的常规仪表数据序列，以及与之相对应的各项质量指标，积累了一定 数量的样本，就可以揭示出它们之间复杂的多元对应关系，从而实现产品质量的在线推断.文
Vol.20 No.4 盥寿德：智能自动化的模式识别方法 ·387· 献[7]给出了其神经网络算法， 2模式识别方法与时间序列分析相结合 前面论述了用模式识别方法来获取工况信息与过程知识的必要性、技术手段和基本算 法.需要强调说明的是：生产过程都是具有很大热惯性的动态系统，而模式识别方法却以静态 事物为研究对象.因此，为了实现智能自动化的需要必须研究动态模式识别问题，亦即模式序 列的描述；聚类与识别. 仅仅获取工况信息与在线推断产品质量是不够的，过程控制的最终目的在于作出合理的 控制决策以实现工艺最优化，为此有必要建立时间序列预测模型，进而运用预测控制算法，对 于多输人变量、多特征变量和多质量指标的复杂生产过程，预测模型表现为矩阵微分方程的 形式，用神经网络算法可以求解. 我们也可以直接用神经网络建立预测模型，而避开预测模型显式表达.一种可行的方案 是借助自适应延时神经网络ATNN(Adaptive time-delay Neural Network)来进行动态建 模.所谓自适应延时神经网络是指具有如下结构的神经网络，在它们的h一1层第i个节点和h 层第j个节点之间，除了有一般BP网络那样权值为W-的连接线以外，还增加了若干条具 有互相独立的时间延迟Tm-和权值Wm-(伯=1,2，…，N,kA-)的连接线，网络h层任一 节点的输入1m等于h一1层各节点的输出0A-(④(EL,-L-是h一1层的节点集合)不 经延迟和经过不同延迟的加权和.为了书写便利，我们约定：当n=0时，Tmk-1=0,用如下 关系式表达： N I(0=∑∑WamA-1·O-【-TmA-) (1) EL。,n=0 该节点的输出为： f) h≥2 0.0 (2) 0.o0 h=I 其中：f为Sigmoid函数，0.o()表示1时刻网络的第j个输出.图2表示一个3层ATNN,它有 3个输出节点，4个隐含节点和3个输出节点. 输入层 隐含层 输出层 延迟块 input]- 延迟块 outputl 延迟块 input2- 延迟块 →output2 延迟块 input3- 延迟块 output3 延迟块 图2ATNN网络结构图 网络的学习算法采用批处理方式，其误差函数定义为： E=艺Σd0-0 (3) 2ljE Lon
·388· 北京科技大学学报 1998年第4期 其中：M为序列长度，Lr表示输出层的节点集合，dm(④和Om(④分别为输出层第j个节点 在t时刻的期望输出量与实际输出量. 网络的权值修正和延时修正均采用自适应变步长梯度下降法.设网络参数的修正公式为 W(k+1)=WA(因+△W.(因 (④ Tn(k+I)=Tn6(因+△TmA( () 式中： △wn肉=-n-内'awn内 (6 DE △Tn（内=-Ya内·aT(内 (7) 其中，k为递归次数，取作用延时为[Tm(k+1】,[】为高斯符号，代表不大于该数的最大整 数. -含00-7- E (8) 当h为隐含层时， a0=2三W内0《-7- (9-1) 而当h为输出层时， a(0=-[d(0-OA(l·∫'(（④ (9-2) 7网=-总.0-kl内-0-7- O (10) 有关公式推导和仿真验算参阅文献[10].仿真的结果表明：ATNN网络具有良好的动态 性能，能够满足对复杂生产过程建立基于特征变量描述的预测模型的需要， 参加本项目研究的其他同志还有：李泽飞、周尚明、刘宁宁，符国益，在此表示感谢！ 参考文献 1黄琳，秦化淑.复杂控制系统理论：构想与前景.自动化学报，1993,19(2)129 2 BacwIbeB B M.HMHTanHoHHoe ynpaBneHHe CTanenpaBHnbHLIMM IIpoueccammc Mcnonb3oBaHmeM 3ne MeHTOB TeopHH pacno3HaBaHHA Obpa30B.ABTOMaTHKa,1982(1):60 3 Abutaleb A S.Automatic Thresholding of Gray-level Picture Using Two-dimensional Entropy.Compt Vision,Graphics Image Process,1989,47:22 4 Pal N K,Pal S K.Entropy:A New Definition and Its Application.IEEE Trans Syst Man Cybem, 1991,21:1260 5任若恩，王惠文.多元统计数据分析一理论·方法·实例，北京：国防工业出版社，1997 6瞿寿德.模式识别与智能自动化.见：1995年中国智能自动化学术会议暨智能自动化专业委员会成立 大会论文集.天津，1995.64 7周尚明，瞿寿德.一种基于模式识别的智能自动化新方法及其神经网络实现.见：1995年中国智能自动 化学术会议暨智能自动化专业委员会成立大会论文集.天津，1995.316 8李泽飞，翟寿德.复杂生产过程模型建立的新方法，见：1993年中国控制与决策学术年会论文集.沈阳： 东北大学出版社，363
Vol.20 No.4 翟寿德：智能自动化的模式识别方法 ·389· 9 Lin D T,Dayhoff J E.Leaming Spatiotemporal Topology Using Adaptive Time-delay Neural Network.In:World Congress on NN,1993.291 10符国益.基于模式识别的复杂生产过程智能自动化新方法：[学位论文].北京：北京科技大学，1997 Pattern Recognition Approach to Intelligent Automation for Complex Industrial Processes Ou Shoude Information Engineering School,UST Beijing.Beijing 100083,China ABSTRACT A new intelligent automation method on the basis of pattern recognition is proposed in situations that no mathematical equations are available to depict complex industrial processes.From information point of view the essence of this method is first to describe a process by use of feature vaeiables,and then establish prdiction model via time series analysis to provide useful information for process optimization.An infrared CCD thermovision system is introduced to fulfill the goal mentioned above and in order to establish the prediction model an algorithm based on neural network is provided as well. KEY WORDS dynamic pattern recognition;computer vision detection system;intelligent automation;neural network
