第1期 苗亮亮等：基于雷达的高炉料线形状融合测量与补偿算法 ·87· 3.3比较 本文克服传统高炉料面数据加知识的传统估算 T0.52001.46601.93302.58403.24003.92101 法，采用新的贝叶斯融合测量法，使料面平台加漏斗 1.55832.32532.89922.97953.03452.9758J 的料面形状更加精确.经过某钢铁公司开炉数据激 第三步：最后通过式(19)和(20)对最佳融合值 光校准，本文提出的新的基于贝叶斯融合测量法在 采用三次Hermite插值法拟合料线，最终采用MAT- 成像分辨率、成像速度和精度方面，其与传统料型估 LAB拟合出的料线形状如图4所示 计法对比如表1.其中开炉后通过激光法验证成像 误差为=（三1m1-/ 75 15 75 Iml,其 。最佳融合值 一贝叶斯恤合法拟合料面 中k为取75点测量绝对值差与激光测量值比的平 均误差（在此假设激光基准没有测量误差，只比较 两种成像效果与激光的对比，不牵涉雷达误差、探尺 误差等).激光为1mm精度逐点扫描，高炉炉喉半 径4.1m,面积约53m2,激光沿0,0.25π，0.5π， 2 1012 0.75π，T,1.25π，1.5π，1.75π这八个弧度方向均匀 径向距离，m 扫瞄75点，每点约1.5m2,其中每个方向扫描9个 图4 MATLAB拟合出的料线形状 点，并且每个方向上扫描位置相同，中心处扫描 Fig.4 Burden shape fitting with MATLAB 3次. 表1贝叶斯数据融合法拟合料面、一般料形估算法与激光扫描料面数据的对比 Table 1 Contrast of furnace surface fitted by Bayes data fusion method,furnace surface estimated by general method and fumace surface data scanned by laser 测量方法 料型估算法 贝叶斯融合法 数据模型 3点机械探尺，17点十字测温 3个机械探尺，17点十字测温，6个雷达（均匀扫描6点，精度3mm) 知识模型 开炉时料面数据 开炉时料面数据 机理模型 炉料堆积原理 数据处理方法 测量数据+知识 测量数据+知识+机理 成像误差/% 10.2 5.4 成像分辨率 20点/75m2=2.67点m2 26点75m2=3.47点m2 成像速度/s <1 2~3 将激光数据三维扫描方式得到的数据通过加权 平均法统一成二维数据，则可得出贝叶斯数据融合 。最佳融合值 一贝叶斯融合法拟合料而 法拟合料面、一般料形估算法与激光料面数据结果 +激光料面数据 一般料形估算 对比如图5所示. 贝叶斯数据融合法增加了炉料堆积原理（机理 2 模型)+6点雷达（增加了测量点密度），提高了整体 料面的平均测量精度，尤其是6点雷达均布置在关 键位置，大幅增加了网格覆盖面的整体测量精度，因 101 径向距离.R/m 此与一般料形估算法相比其成像精度有较大提高， 图5贝叶斯数据融合法拟合料面、一般料形估算法与激光扫描 体现在雷达对料面中心有良好的修正，中心误差控 料面数据对比结果 制较好；一般料形估算法也能凭借中心煤气流温度 Fig.5 Comparing result of furnace surface fitted by Bayes data fusion 间接推算料面高度，但测试该方法为间接推算，精度 method,fumnace surface estimated by general method and fumace sur- 较雷达低. face data scanned by laser 由于贝叶斯数据融合法点数增多，数据量有所 数据都是实时采集，成像速度差别只体现在后期融 提高，从而分辨率相对估算法有所提高.由于雷达 合处理上，按照某钢铁公司75各点的数据，融合法第 1 期 苗亮亮等: 基于雷达的高炉料线形状融合测量与补偿算法 xbest y [ ] best = 0. 5200 1. 4660 1. 9330 2. 5840 3. 2400 3. 9210 [ ] 1. 5583 2. 3253 2. 8992 2. 9795 3. 0345 2. 9758 ． 第三步: 最后通过式( 19) 和( 20) 对最佳融合值 采用三次 Hermite 插值法拟合料线，最终采用 MAT￾LAB 拟合出的料线形状如图 4 所示． 图 4 MATLAB 拟合出的料线形状 Fig． 4 Burden shape fitting with MATLAB 3. 3 比较 本文克服传统高炉料面数据加知识的传统估算 法，采用新的贝叶斯融合测量法，使料面平台加漏斗 的料面形状更加精确． 经过某钢铁公司开炉数据激 光校准，本文提出的新的基于贝叶斯融合测量法在 成像分辨率、成像速度和精度方面，其与传统料型估 计法对比如表 1． 其中开炉后通过激光法验证成像 误差为 k = ( ∑ 75 i = 1 | mi | － ∑ 75 j = 1 | mj ) | ∑ 75 j = 1 | mj |，其 中 k 为取 75 点测量绝对值差与激光测量值比的平 均误差( 在此假设激光基准没有测量误差，只比较 两种成像效果与激光的对比，不牵涉雷达误差、探尺 误差等) ． 激光为 1 mm 精度逐点扫描，高炉炉喉半 径 4. 1 m，面 积 约 53 m2 ，激 光 沿 0，0. 25π，0. 5π， 0. 75π，π，1. 25π，1. 5π，1. 75π 这八个弧度方向均匀 扫瞄 75 点，每点约 1. 5 m － 2 ，其中每个方向扫描 9 个 点，并且每个方向上扫描位置相同，中 心 处 扫 描 3 次． 表 1 贝叶斯数据融合法拟合料面、一般料形估算法与激光扫描料面数据的对比 Table 1 Contrast of furnace surface fitted by Bayes data fusion method，furnace surface estimated by general method and furnace surface data scanned by laser 测量方法 料型估算法 贝叶斯融合法 数据模型 3 点机械探尺，17 点十字测温 3 个机械探尺，17 点十字测温，6 个雷达( 均匀扫描 6 点，精度 3 mm) 知识模型 开炉时料面数据 开炉时料面数据 机理模型 — 炉料堆积原理 数据处理方法 测量数据 + 知识 测量数据 + 知识 + 机理 成像误差/% 10. 2 5. 4 成像分辨率 20 点/75 m2 = 2. 67 点·m － 2 26 点/75 m2 = 3. 47 点·m － 2 成像速度/s ＜ 1 2 ～ 3 将激光数据三维扫描方式得到的数据通过加权 平均法统一成二维数据，则可得出贝叶斯数据融合 法拟合料面、一般料形估算法与激光料面数据结果 对比如图 5 所示． 贝叶斯数据融合法增加了炉料堆积原理( 机理 模型) + 6 点雷达( 增加了测量点密度) ，提高了整体 料面的平均测量精度，尤其是 6 点雷达均布置在关 键位置，大幅增加了网格覆盖面的整体测量精度，因 此与一般料形估算法相比其成像精度有较大提高， 体现在雷达对料面中心有良好的修正，中心误差控 制较好; 一般料形估算法也能凭借中心煤气流温度 间接推算料面高度，但测试该方法为间接推算，精度 较雷达低． 由于贝叶斯数据融合法点数增多，数据量有所 提高，从而分辨率相对估算法有所提高． 由于雷达 图 5 贝叶斯数据融合法拟合料面、一般料形估算法与激光扫描 料面数据对比结果 Fig． 5 Comparing result of furnace surface fitted by Bayes data fusion method，furnace surface estimated by general method and furnace sur￾face data scanned by laser 数据都是实时采集，成像速度差别只体现在后期融 合处理上，按照某钢铁公司 75 各点的数据，融合法 ·87·