基于雷达回波信号的料面测量方法、终端设备及存储介质与流程

1.本发明涉及高炉炼铁检测领域，尤其涉及一种基于雷达回波信号的料面测量方法、终端设备及存储介质。


背景技术：

2.对于高炉操作者来说，实时了解料面形状，来改善炉内气流分布、提高煤气的利用率，在实际控制高炉生产中具有重要意义。目前国内外已有各种对高炉料面测量的方法，其中有基于单点测量的物位测量仪表，如超声波雷达、激光雷达、毫米波雷达等，也有红外影像、相控阵雷达的部分设备用于料面多维成像。
3.其中单点测量的方法存在主要问题是测量范围小维度少或精度不高，结果需要通过曲线拟合方式处理。特别地，对于毫米波雷达而言，其本身发射波不可避免存在波束角，带来了较大的测量误差。而多维成像测量方式一般设备复杂，需要对原有的炉顶设备结构进行改造，在运行中应对高温高压强气流环境易出故障且难以维护，不利于实际高炉生产中实施。


技术实现要素：

4.为了解决上述问题，本发明提出了一种基于雷达回波信号的料面测量方法、终端设备及存储介质。
5.具体方案如下：
6.一种基于雷达回波信号的料面测量方法，包括以下步骤：
7.s1：通过安装于高炉炉顶的毫米波雷达，针对高炉内不同的料面，分别采集该料面一半径上各测量位置对应的回波曲线数据，并记录料面该半径上各测量位置距离雷达旋转中心所在水平面的高度；
8.s2：将每个料面对应的回波曲线数据拼接为二维矩阵数组，将每个料面对应的二维矩阵数组和记录的高度作为一组训练数据，将所有料面对应的训练数据组成训练集；
9.s3：构建基于densenet的卷积神经网络模型，通过训练集对卷积神经网络模型进行训练，设定模型的输入为二维矩阵数组，输出为记录的高度；
10.s4：根据毫米波雷达采集的待测料面对应的回波曲线数据，将其拼接为二维矩阵数组后，通过训练后的卷积神经网络模型输出得到待测料面。
11.进一步的，回波曲线为雷达差频信号经过处理后得到的频谱曲线，频谱曲线的横轴表示距离，纵轴表示回波强度。
12.进一步的，毫米波雷达能够绕轴线进行旋转，通过控制毫米波雷达每次以一小于雷达波束角的旋转角度旋转，以使毫米波雷达对料面一半径中各测量位置进行扫描，得到各测量位置的回波曲线数据。
13.进一步的，针对不同的料面时，设定的测量位置均相同。
14.进一步的，在拼接二维矩阵数组之前，还包括对回波曲线数据进行预处理，剔除其
内的无效数据。
15.进一步的，卷积神经网络模型的网络结构依次包括卷积层、第一个denseblock、过渡层、第二个denseblock和回归层；其中：
16.(1)卷积层使用32个3
×
3大小的卷积核；
17.(2)第一个denseblock和第二个denseblock均表示为：
18.x
i
＝h
i
([x0,x1,
…
,x
i
‑1])，i＝1,2,
…
,n
[0019]
其中，n表示预设的denseblock内特征图层数，i表示denseblock内特征图层数的序号；x0表示denseblock前一层的输出；[
…
]表示通道级联，即将x0到x
i
‑1层的所有特征输出按通道组合起来；h
i
(.)表示对级联后的特征图的非线性变换，依次包括4k个1
×
1卷积层和k个3
×
3卷积层，k为表示预设的h
i
(.)特征输出的通道数；
[0020]
(3)过渡层为一个卷积层加一个池化层，其中，卷积层采用40个1
×
1卷积核；池化层为2
×
2窗口的平均池化，采样间隔为2；
[0021]
(4)回归层采用全局平均池化将特征图转换为1维数据，其后为两层全连接层；
[0022]
(5)网络结构内所有卷积层的激活函数均采用线性整流单元，在线性整流单元之前执行归一化，将其输入规范化到均值为0、方差为1的标准正态分布；
[0023]
(6)模型的损失函数采用均方误差。
[0024]
进一步的，卷积神经网络模型中第一个denseblock配置为n＝3、k＝16；第二个denseblock配置为n＝6、k＝32。
[0025]
一种基于雷达回波信号的料面测量终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
[0026]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
[0027]
本发明采用如上技术方案，能够快速且准确的对料面进行测量，并且解决了单点雷达发射波束角带来的测量不准确性的问题。
附图说明
[0028]
图1所示为本发明实施例一的流程图。
[0029]
图2所示为该实施例中毫米波雷达的安装示意图。
[0030]
图3所示为该实施例中回波曲线示意图。
[0031]
图4所示为该实施例中卷积神经网络模型的网络结构示意图。
[0032]
图5所示为该实施例中denseblock结构示意图。
具体实施方式
[0033]
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
[0034]
现结合附图和具体实施方式对本发明进一步说明。
[0035]
实施例一：
[0036]
本发明实施例提供了一种基于雷达回波信号的料面测量方法，如图1所示，所述方法包括以下步骤：
[0037]
s1：通过安装于高炉炉顶的毫米波雷达，针对高炉内不同的料面，分别采集该料面一半径上各测量位置对应的回波曲线数据，并记录料面该半径上各测量位置距离雷达旋转中心所在水平面的高度。
[0038]
该实施例中不同的料面采用多种矿焦料面。
[0039]
安装于高炉炉顶的毫米波雷达的测量范围应能覆盖料面的某一半径范围，如图2所示，该实施例中安装的毫米波雷达为r，该毫米波雷达带有运动机构，可以绕某一轴线旋转，因此可以根据旋转角度的不同对一条直线上的不同位置进行扫描，此处设定扫描的直线为料面的一半径(旋转角度范围为θ)，具体操作方式可以为：控制雷达每次以一较小的角度(小于雷达波束角)从当前测量位置旋转到下一测量位置，并记录每个测量位置测量得到的回波曲线数据和该测量位置对应的雷达指向与水平面的夹角。
[0040]
进一步的，由于料面测量位置的不同会对后续模型的训练结果准确度有影响，为了提高模型输出结果的准确度，优选设定针对高炉内不同的料面，回波曲线数据采集时对应的所有测量位置均相同。在该实施例中，设定雷达扫描过程中开始扫描、结束扫描时的雷达指向以及每次旋转的角度都保持不变。
[0041]
如图3所示，回波曲线为雷达差频信号经快速傅里叶变换(fft)等信号处理后得到的频谱曲线，其横轴为量程范围内的距离，纵轴为回波强度db。
[0042]
雷达发射天线具有一定发射角，因此其回波曲线的波峰段表征了发射信号波束照射在被测目标上的斑点内的反射信号频谱强度。在雷达扫描过程中，由于照射角度和测量距离的不同，不同角度的测量将得到不同的回波曲线信号。
[0043]
s2：将每个料面对应的回波曲线数据拼接为二维矩阵数组，将每个料面对应的二维矩阵数组和记录的高度作为一组训练数据，将所有料面对应的训练数据组成训练集。
[0044]
优选的，在拼接二维矩阵数组之前，还包括对回波曲线数据进行预处理，剔除其内的无效数据，以减少噪声带来的干扰。该实施例中考虑到雷达距离料面的距离一般在几米至十米的范围，因此设定一个截取范围，剔除回波曲线数据截取范围之外的数据。
[0045]
二维矩阵数组的拼接为将料面不同测量位置对应的回波曲线数据依次进行拼接。
[0046]
s3：构建基于densenet的卷积神经网络模型，通过训练集对卷积神经网络模型进行训练，设定模型的输入为二维矩阵数组，输出为记录的高度。
[0047]
当雷达每次以较小角度旋转测量下一测量位置时，前后两次被测面有大部分重复，即前后两次测量得到的大部分回波曲线数据相同，而一部分不同被测面使得回波曲线数据发生变化。因此，可以找到一个合适的模型(函数)，在可接受误差内，通过输入这些带有微小变化的回波曲线数据，模型能通过大量数据提取变化特征，最终输出料面(该实施例中为炉喉半径上料面)上各测量位置的位置分布数据(该实施例中为一维高度数据)。
[0048]
基于上述的原理，该实施例中采用卷积神经网络模型，其为基于densenet网络设计的简化网络结构，其特点是通过建立前面所有层与后面层的密集连接，实现了特征在通道维度上的复用，不但减缓了梯度消失的现象，也使其可以在参数与计算量更少的情况下实现比一般深度网络更优的性能。网络结构如图4所示，其中不同层的参数配置细节如表1所示，假设输入的二维数组尺寸为256
×
60。卷积神经网络模型包括卷积层、过渡层、回归层
和两个denseblock结构。下面简要介绍各个部分和相关细节：
[0049]
(1)模型输入为二维矩阵数组，处理输入的第一个卷积层使用32个3
×
3大小的卷积核。
[0050]
(2)denseblock是模型中主要的特征学习结构。如图5所示，denseblock内部第i层的输入不仅与i
‑
1层的输出相关，还与所有之前层的输出有关，即：
[0051]
x
i
＝h
i
([x0,x1,
…
,x
i
‑1])，i＝1,2,
…
,n
[0052]
其中，n表示预设的denseblock内特征图层数，i表示denseblock内特征图层数的序号；x0表示denseblock前一层的输出；[
…
]表示通道级联(拼接)，即将x0到x
i
‑1层的所有特征输出按通道组合起来；h
i
(.)表示对级联后的特征图的非线性变换，依次包括4k个1
×
1卷积层和k个3
×
3卷积层，k为表示预设的h
i
(.)特征输出的通道数。具体的，该实施例中所采用的卷积神经网络结构中denseblock(1)配置为n＝3、k＝16，denseblock(2)配置为n＝6,k＝32。
[0053]
(3)过渡层为一个卷积层加一个池化层。其中卷积层采用40个1
×
1卷积核；池化层为2
×
2窗口的平均池化，采样间隔为2，使得输出尺寸缩小一倍。
[0054]
(4)回归层作为最后一层模型的输出，采用全局平均池化将特征图转换为1维数据，其后为两层全连接层。该实施例中最后输出向量为64维，表示将料面半径上均匀取64个点，输出向量中每个值即代表料面上相应点至雷达旋转中心所在水平面的高度(垂直距离)。
[0055]
(5)网络结构内所有卷积层的激活函数均采用线性整流单元，在线性整流单元之前执行归一化，将其输入规范化到均值为0、方差为1的标准正态分布。
[0056]
(6)由于模型是对料面形状的回归学习，因此所采用的网络的损失函数(目标函数)为均方误差：
[0057][0058]
式中，n为输出向量的维度，表示半径上均匀取n点；d
i
为实际值，为模型输出值，表示料面上的第i点至雷达旋转中心所在水平面的高度。
[0059]
表1
[0060][0061]
由于模型在使用前需要先进行训练，因此通过训练集来对对卷积神经网络模型进行训练。在训练过程中，当损失函数表征的回归误差小于预设阈值时，即认定当前参数的网络结构为最终的卷积神经网络模型。
[0062]
s4：根据毫米波雷达采集的待测料面对应的回波曲线数据，将其拼接为二维矩阵数组后，通过训练后的卷积神经网络模型输出得到待测料面。
[0063]
待测料面对应的回波曲线数据通过步骤s1中相同的方式进行采集。
[0064]
通过将回波曲线数据对应的二维矩阵数组输入训练后的卷积神经网络模型内，模型的输出即为料面一半径上各测量位置(该实施例中为料面半径上均匀取64个点)距离雷达旋转中心所在水平面的高度，以表征料面形状。
[0065]
本发明实施例不需要复杂的传感器布置，所需安装环境更加简单，且相对于一般单点雷达测量，具有更高精度及更全面的测量效果。
[0066]
实施例二：
[0067]
本发明还提供一种基于雷达回波信号的料面测量终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
[0068]
进一步地，作为一个可执行方案，所述基于雷达回波信号的料面测量终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于雷达回波信号的
料面测量终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述基于雷达回波信号的料面测量终端设备的组成结构仅仅是基于雷达回波信号的料面测量终端设备的示例，并不构成对基于雷达回波信号的料面测量终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于雷达回波信号的料面测量终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
[0069]
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于雷达回波信号的料面测量终端设备的控制中心，利用各种接口和线路连接整个基于雷达回波信号的料面测量终端设备的各个部分。
[0070]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于雷达回波信号的料面测量终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0071]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
[0072]
所述基于雷达回波信号的料面测量终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)以及软件分发介质等。
[0073]
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。