本发明主要涉及高炉铁水温度检测技术领域，特指一种基于特殊红外光谱的高炉铁水测温方法及系统。
背景技术：
高炉炼铁技术是世界铁生产的主要手段。高炉生产时，炉顶装入矿石、焦炭等原料，炉子下部封口吹入预热空气，高温下各原料反应产生一氧化碳、氢气，此产物进而通过还原反应将铁还原出来，炼出的铁水由出铁口排出。铁水温度的高低，影响着炼铁产品生铁的质量，特别是对生铁含硫量有着重要影响，通常随铁水温度升高含硫量则下降。同时，由于高炉炉温无法直接由仪器测量得到，只能通过铁水温度来间接描述炉温的变化，铁水温度过低与过高都将对生产带来不利影响：铁水温度升高会降低生铁的产量同时升高焦比，会导致悬料事故的发生；铁水温度过低会导致高炉内热反应能量不足，从而会相继发生高炉事故。因而高炉铁水温度不仅是判断生铁等级的重要指标，还是判断炉温高炉是否稳定运行的重要依据。
然而，液态铁水温度峰值可达到1400-1500℃，这样的极高温可使接触的热电偶损坏。同时，常见的非接触式红外测温技术在出铁口也无法获得良好的工作状况，这是因为出铁常常带来大量烟尘，烟尘颗粒对红外光产生反射、散射以及带来辐射削弱作用，使得红外测温效果液不理想。迄今为止，尚无可实时连续地测量铁水温度的方法，长期以来炼铁厂的工人完全依赖手持热电偶对出铁口的铁水进行温度检测，测量一次热电偶就损失一个，同时人工操作危险因素多，操作负担大，且在铁水中插入热电偶将改变铁水原有的热量分布，兼之测量不可避免的呈间断性，无法满足实时性要求。因此，设计一种非接触式且能克服出铁口大量烟尘影响的实时连续测温方法，获取铁水的温度信息，对实时掌握炼铁工况、了解炼铁产物品质都具有重要意义。
专利申请公布号cn109443553发明专利是一种基于巡检机器人的红外测温方法，其原理是采用巡检机器人对待测温部件进行红外图像采集，随后将采集的红外图像与预先构建的设备标准图像进行比对，从而识别出待测温部件是何种设备部件，并将测得的温度打上标注。但是，该方法实质上仍是通用的红外测温方法，仅增加了识别功能，使之能对待测温设备自动贴上温度标签，但是该方法的实验环境良好，无粉尘干扰，难以应用于具有高粉尘环境的高炉出铁口。
专利申请公布号cn106636514发明专利是一种大型高炉铁水温度在线测量装置与方法，其主要是通过计算的方法确定测温的时机，来应对出铁口堵口、暂停出铁等生产状况，通过机械信息装置实现在合适时间自动对出铁口铁水测温。但其测温原理仍为普通热电偶测量，无法避免铁水损坏测温部件的问题，也无法达到对铁水实时连续测温的目的。
专利公布号cn107941357发明专利是一种铁水温度测量方法及其装置。其通过制造耐火体并将用于测量铁水温度的热电偶插入到耐火体中，在需测温时将内含热电偶的耐火体浸渍到待测铁水中，以连续测量铁水温度。该方法实质上是给热电偶套上保护层，以避免热电偶在铁水中受到损伤，然而由于耐火体的包覆隔绝作用，铁水与热电偶不直接接触，铁水的热量经由耐火体的传导至热电偶产生了较大的损耗，温度所测值准确度较低，同时也无法满足对铁水温度实时连续测量的要求。
技术实现要素：
本发明提供的基于特殊红外光谱的高炉铁水测温方法及装置，解决了现有高炉铁水温度测量精度低的技术问题。
为解决上述技术问题，本发明提出的基于特殊红外光谱的高炉铁水测温方法包括：
从高炉铁水辐射的红外光中分离出受粉尘影响小的第一红外波和第二红外波，第一红外波与第二红外波的波长不同；
将第一红外波的辐射能量转换为第一初始电信号，将第二红外波的辐射能量转换为第二初始电信号；
对第一初始电信号和第二初始电信号进行预处理，获得可用电信号；
将可用电信号转换为铁水灰度值；
基于铁水灰度值建立测温模型，并基于测温模型获得铁水测温值。
进一步地，将第一红外波的辐射能量转换为第一初始电信号包括：
采用三重透镜结构将第一红外波聚焦成像至第一探测器；
根据第一探测器采集的与第一红外波对应的辐射能量，获得第一初始电信号。
进一步地，三重透镜结构包括第一单体透镜、第二单体透镜以及第三单体透镜，其中：
第一单体透镜用于光焦度；
第二单体透镜以及第三单体透镜用于将第一单体透镜进行光焦度后的像放大成像到第一探测器，且第一单体透镜、第二单体透镜以及第三单体透镜由硫系玻璃制成。
进一步地，对第一初始电信号和第二初始电信号进行预处理，获得可用电信号包括：
采用集成运算放大电路将第一初始电信号和第二初始电信号进行放大；
采用glitch滤波器对放大后的第一初始电信号和第二初始电信号进行滤波，从而获得与第一初始电信号对应的第一滤波电信号以及与第二初始电信号对应的第二滤波电信号；
根据第一红外波和第二红外波的谱辐射强度比值，获得第一滤波电信号与第二滤波电信号的电信号比值；
基于电信号比值，获得可用电信号。
进一步地，根据第一红外波和第二红外波的谱辐射强度比值，获得第一滤波电信号与第二滤波电信号的电信号比值的具体公式为：
其中，i1和i2分别为第一滤波电信号和第二滤波电信号，λ1和λ2分别为第一红外波和第二红外波的波长，k1和k2分别为第一红外波光路系统的系数和第二红外波光路系统的系数，c2为第二辐射系数，ε(λ1,t)和ε(λ2,t)分别为与第一红外波和第二红外波对应的辐射率系数，t为待测对象真实温度。
进一步地，将可用电信号转换为铁水灰度值包括：
将可用电信号对应的模拟量转换为数字量，获得灰度数据；
建立异常值剔除模型；
根据异常值剔除模型剔除灰度数据中的灰度异常值，获得铁水灰度值。
进一步地，建立异常值剔除模型包括：
采用高温电阻丝为模拟被测对象，并在逐渐加热高温电阻丝的过程中采集高温电阻丝发出的波长不同的两束红外光对应的灰度数据和高温电阻丝的电阻值获得模拟训练数据；
根据模拟训练数据，采用随机选取固定中心的方式训练径向基神经网络；
根据径向基神经网络，建立异常值剔除模型。
进一步地，基于铁水灰度值建立测温模型，并基于测温模型获得铁水测温值包括：
基于铁水灰度值，以及与铁水灰度值对应的温度数据，采用bp神经网络拟合获得测温模型；
基于测温模型获得铁水测温值。
本发明提出的基于特殊红外光谱的高炉铁水测温系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明的基于特殊红外光谱的高炉铁水测温方法的步骤。
与现有技术相比，本发明的优点在于：
本发明提供的基于特殊红外光谱的高炉铁水测温方法及系统，通过从高炉铁水辐射的红外光中分离出受粉尘影响小的第一红外波和第二红外波，将第一红外波的辐射能量转换为第一初始电信号，将第二红外波的辐射能量转换为第二初始电信号，对第一初始电信号和第二初始电信号进行预处理，获得可用电信号，将可用电信号转换为铁水灰度值以及基于铁水灰度值建立测温模型，并基于测温模型获得铁水测温值，解决了现有高炉铁水温度测量精度低的技术问题，通过克服铁水测温过程中的粉尘干扰，不仅能提高铁水测温精度，而且避免了由于受粉尘干扰导致无法实时连续测温的现象，从而能实现对铁水的连续稳定测温。
附图说明
图1为本发明实施例一的基于特殊红外光谱的高炉铁水测温方法的流程图；
图2为本发明实施例二的基于特殊红外光谱的高炉铁水测温方法的流程图；
图3为本发明实施例二的glitch滤波器的滤波原理图；
图4为本发明实施例的基于特殊红外光谱的高炉铁水测温系统的结构框图。
附图标记说明：
10:存储器；20、处理器。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
参照图1，本发明实施例一提供的基于特殊红外光谱的高炉铁水测温方法，包括：
步骤s101，从高炉铁水辐射的红外光中分离出受粉尘影响小的第一红外波和第二红外波，第一红外波和第二红外波的波长不同；
步骤s102，将第一红外波的辐射能量转换为第一初始电信号，将第二红外波的辐射能量转换为第二初始电信号；
步骤s103，对第一初始电信号和第二初始电信号进行预处理，获得可用电信号；
步骤s104，将可用电信号转换为铁水灰度值；
步骤s105，基于铁水灰度值建立测温模型，并基于测温模型获得铁水测温值。
本发明实施例提供的基于特殊红外光谱的高炉铁水测温方法，通过从高炉铁水辐射的红外光中分离出受粉尘影响小的第一红外波和第二红外波，将第一红外波的辐射能量转换为第一初始电信号，将第二红外波的辐射能量转换为第二初始电信号，对第一初始电信号和第二初始电信号进行预处理，获得可用电信号，将可用电信号转换为铁水灰度值以及基于铁水灰度值建立测温模型，并基于测温模型获得铁水测温值，解决了现有高炉铁水温度测量精度低的技术问题，通过克服铁水测温过程中的粉尘干扰，不仅能提高铁水测温精度，而且避免了由于受粉尘干扰导致无法实时连续测温的现象，从而能实现对铁水的连续稳定测温。
具体地，由于高炉铁水刚出铁口的位置处常常受严重的烟尘或粉尘影响，系统基于受粉尘影响大的铁水测温，往往会因长时间检测无效温度数据出现数据丢失，从而达不到实时连续的测量温度数据的效果，甚至长时间无法得到准确的温度数据。而本实施例通过分离出受粉尘干扰小的两种红外波进行测温，能实时获得精准的测温数据，从而能实现对铁水的连续稳定测温。
需要说明的是，本实施例中两个红外波一般为相邻的红外波，且一般来说两个红外波的波长越接近，获得的铁水测温值误差越小，在实际的实施过程中，因铁水为高温对象，其辐射能量在红外光的峰值表现为向短波移动，且考虑红外辐射光在工业现场的透过率与灵敏度需要，故本实施例选取的两个红外光一般在0.75～1.75μ之间。
实施例二
参照图2，本发明实施例二提供的基于特殊红外光谱的高炉铁水测温系统包括：
步骤s201，从高炉铁水辐射的红外光中分离出受粉尘影响小的第一红外波和第二红外波，第一红外波和第二红外波的波长不同。
步骤s202，将第一红外波的辐射能量转换为第一初始电信号，将第二红外波的辐射能量转换为第二初始电信号。
具体地，本实施首先采用棱镜式分波器将红外光波段分离，其组成形式为：透镜#1—棱镜—透镜#2。且采用棱镜式分波器将红外光波段分离的方法如下：
(1)来自被测物体辐射出的红外光线,经透镜#1变成平行光线再射入棱镜。由此棱镜折射率决定其折射角度,而方向改变了的光线,通过透镜#2聚焦棱镜出射光线,而出射的λ1、λ2波长的光进入各自的红外探测器。设按波长复用的波长间隔为δλ,透镜的焦距为f,与波长间隔对应的红外光探测器的间隔可用下式表示。
其中，δδ为接收各自波段红外光的两个红外探测器之间的安装距离，确保对应红外光垂直进入探测器而不发生角度损耗，n是棱镜的折射率，
(2)根据透镜聚光原理，设计透射式聚光光学系统。
凸透镜由中央厚边缘薄的透光玻璃制成，当平行的一束光线从空气进入玻璃时，会因为两者介质不同而发生折射，且折射光线往中间偏折；当光线再从玻璃出来进入空气时，又发生一次折射，且折射仍往中间偏折。此时，入射的平行光线其上下两侧的光线经两次折射往中间汇聚，集中在透镜主光轴上的一点(透镜的焦点)，此即透镜的聚光原理。根据透镜的聚光原理，透射式聚光光学系统可分为单体透镜系统与复合透镜系统。
单体透镜系统简单，加工方便，但成像质量不高，只适宜于成像质量要求不高、通光口径较小的场合使用。因高炉出铁口平均每生产1吨铁产生2.5kg的烟尘，粉尘密度高，环境恶劣，故需设计高性能聚光光学系统才能满足热成像仪精确捕捉铁水对外辐射红外光能量的要求。
本实施例中被测物体辐射出的红外光经干涉滤光片波段分离，再由光学聚光系统聚光后，经喷射粉尘、水汽的削弱与大气衰减，由红外探测器把目标的红外辐射信号功率转换成便于直接处理的电信号，进一步经放大处理后，以数字或二维图像的形式显示出来。红外探测器在这个过程中起着重要的作用，它测定了红外辐射的数值，并将辐射值转变成其他形式的能量，本实施例中红外探测器将所测得的红外辐射大小转换成电流信号。
本实施例采用了热探测器作为红外探测器，来采集辐射能量。热探测器的基本原理是它吸收了红外光所辐射的能量后温度升高，伴随发生某些物理性能的变化，测量该物理性能的变化即可测量出它吸收的能量或功率。如热敏电阻，当接收到辐射能量后温度上升，其阻值发生变化，通常是温度上升阻值下降(负温度系数)。负温度系数的热敏电阻室温下阻值通常几欧至几兆欧，室温下的电阻温度系数约为-0.04ppm/℃，其阻值与绝对温度的关系为
式中，r(t0)为热敏电阻温度为t0时的电阻阻值，r(t)为热敏电阻温度为t时的电阻阻值，β为与热敏材料性质有关的系数。
由于本实施例需要采集两束不同波长的红外光能量，因此将两个探测器叠加在一起，采用pn形式结合，封装在一个探测壳体，由硅制成的探测器a置于由锗、铟稼砷或硅中的任何一种制成的探测器b的上面，探测器a和探测器b相应不同的红外辐射波段，且探测器a可透过探测器b相应的波段。由探测器a、b分别引出两条信号引线，该引线输出所得电信号方便后续处理。
具体地，本实施例采用三重透镜结构将第一红外波聚焦成像至第一探测器，根据第一探测器采集的与第一红外波对应的辐射能量，获得第一初始电信号。其中，三重透镜结构包括第一单体透镜、第二单体透镜以及第三单体透镜，其中：第一单体透镜用于光焦度；第二单体透镜以及第三单体透镜用于将第一单体透镜进行光焦度后的像放大成像到第一探测器，且第一单体透镜、第二单体透镜以及第三单体透镜由硫系玻璃制成。同样地，本发明实施例采用三重透镜结构将第二红外波聚焦成像至第二探测器，并根据第二探测器采集的与第二红外波对应的辐射能量，获得第二初始电信号。
在实际的实施过程中，本实施例采用三片单体透镜组成三重透镜。系统由2组6片透镜组成。前组为2片透镜，承担主要的光焦度，后组为4片透镜，用于将一次像面的像放大成像到探测器靶面上，并起到平衡系统剩余像差和保证不同温度时像面齐焦的作用。为达到更好的校正像差作用，后组透镜必须选取合适的放大倍率，其放大倍率的选取和前组透镜的光焦度相关。
此外，随着温度的变化，红外热成像探测系统的曲率半径、元件厚度、元件间隔、非球面系数、光学材料折射率都会发生相应的改变，同时红外探测器的光敏面也随温度的变化而漂移，导致红外热成像探测系统的像面离焦，系统无法正常工作，因此设计聚光系统时应考虑到热设计。采用光学被动式消热差是当前的主流热设计/热补偿方法，其核心是具有低折射率的温度系数的红外玻璃。因硫系玻璃具有折射率温度系数小、成本低的优点，此次设计使用的单个透镜采用硫系玻璃制成，以此有效减小红外热成像探测系统的热离焦量，降低消热差难度。
步骤s203，采用集成运算放大电路将第一初始电信号和第二初始电信号进行放大。
由于红外探测器接收到经过调制聚光的红外辐射能量后，将其转变为交变的脉冲电信号。这种电信号是十分微弱的，通常只有几毫伏。这种能量过于微弱的电信号，既无法直接显示，一般也很难做进一步的分析处理。若要将信号转化处理为数字信号，则必须将信号放大到数伏量级才能被一般的模数转换器所接受。
当前运算放大电路技术十分成熟，本实施例直接采用由意法半导体生产的性能优越的op07集成运算放大器。
步骤s204，采用glitch滤波器对放大后的第一初始电信号和第二初始电信号进行滤波，从而获得与第一初始电信号对应的第一滤波电信号以及与第二初始电信号对应的第二滤波电信号。
由于经过放大的电流不可避免的带有各种噪声，一方面是电路内部各组件的相互干扰带来共振噪声，另一方面是干涉滤光片的分光作用并不能完完全全地得到目标中的红外波段，因此打在红外探测器上的杂波必然会给电流信号带来影响，其在电流信号上的反映即电流信号波形附有频率约为2hz的粗糙毛刺及尖峰。
为此，本实施例在红外探测器将红外辐射转换成电流信号后，采用电流注入型有源驱动电路，在探测器将测温辐射转换成电流信号瞬间，向信号输出端抽取电流，达到抑制辐射能转换为电流瞬间产生的尖峰电流的目的。
引入glitch滤波器(毛刺滤波器)，滤除脉冲宽度为不大于d1 d4的粗糙正毛刺电流以及宽度不大于d1的负毛刺电流，同时尽量减小对有用信号的影响。其原理如图3所述。
具体地：
i.如果in出现正的毛刺，如果gwidth<d1,那么在d1时间内，a1保持为低电平，送入与非门后输出b保持不变，因此in的正毛刺被屏蔽。
如果gwidth>d1:
(1)假设gwidth<dl d2,那么正毛刺将传送到c,宽度为gwidth-d1；反相后送到d。如果该毛刺宽度(gwidth-d1)小于d4。那么输出out保持为零，即能滤除的最大正毛刺宽度为d1 d4。
(2)假设gwidth>d1 d2,那么在c点的正毛刺将为gwidth d2-d1≈gwidth,在d点展宽为gwidth d3最后送到out的正毛刺宽度约为gwidth,无法滤除该毛刺。
ii.负毛刺，假定gwidth<d1,在延迟时间(d1)内，nand2的延迟输入端a1保持为高电平，毛刺直接到达b点(正毛刺),由于d2＝d1,b1保持为0,因此毛刺将被滤除。
假定gwidth>d1,毛刺首先到b点，展宽为gwidth dl；经过延迟d2后到c点，毛刺宽度还原为约gwidth:由于gwidth>d3,正毛刺送到d.宽度为gwidth-d3；经过d4延迟后，送入e的负毛刺会展宽为gwidth,因此输入端的负毛刺不能被滤除。
可见，可滤除的最大正毛刺宽度为d1 d4:负毛刺宽度为d1,该结构对于正毛刺的屏蔽作用强于负毛刺。
步骤s205，根据第一红外波和第二红外波的谱辐射强度比值，获得第一滤波电信号与第二滤波电信号的电信号比值，基于电信号比值，获得可用电信号。
具体地，本实施例引入模拟除法器，将步骤s204所得的双波长的两组电信号进行除法运算，取其比值。
首先验证引入除法器获取比值的可行性：
红外测温依据的是黑体辐射定律，即对应一给定温度，黑体将辐射出确定的光谱，其谱分布强度由普朗克公式给出：
普通红外测温计正是基于e(λ,t)在同一波长处随温度升高这一事实而建立的，它利用测量辐射谱在某一特定波长处的单色亮度与另一标准辐射源在该波长的单色亮度相比较，来给出辐射体温度。但是，这种方法不能避免被测辐射体与测量装置之间的烟尘、水汽等吸收体对测量结果的影响，测量精度不高。对于出铁口这种烟尘量巨大的场景，其精度愈发降低，无法满足该场景的工业应用。
由普朗克定律确定的黑体辐射强度谱分布可知，随着辐射体温度的升高，辐射谱强度的峰值向短波方向移动。依据此规律，辐射谱两个波长处的辐射强度之比也将随温度的变化而变化。而相邻的红外窄光谱辐射速率以及受粉尘的吸收影响辐射削弱作用可近似认为是相同的，因此取两者的辐射强度之比显然可消除环境气氛以及辐射源变化造成的对测量结果的干扰。
建立双波长比值与温度之间的相关性模型。两个波长的谱辐射强度比率k(λ,t)的定义式为：
式中，e(λ,t)的定义如上述公式所示，λ1和δλ1以及λ2和δλ2分别为两个测量点处的波长和带宽。由该式可知，温度t与其它几个参数之间存在复杂的函数关系。为简化求解，我们假定λ2＝λ1 δλ，δλ1＝δλ2＝δλ。λ1表示第一个波段的红外光的波长，δλ为两个测量点处的波长带宽。
为计算式k(λ,t)中的积分，采用梯形面积近似公式进行计算。根据计算结果可知，当δλ＝0.1μm、δλ＝0.01μm时，λ1在0.4～1.0μm范围时，k值和t值具备良好的单值关系。
优选地，本实施例选取的第一红外波和第二红外波对应的红外光为相邻的红外波段，正是基于这种相邻的特殊红外光谱的辐射速率以及受粉尘的吸收影响辐射削弱作用可近似认为是相同的，故而对其所得的电信号数据采用除法处理取得值与温度t值具备良好的映射关系。本实施例引入模拟除法器来获取红外光谱辐射强度转换而来的电信号的比值。
假设上述两路波长λ1和λ2辐射经探测器转换后的光电流分别为i1和i2，且可表示为：
式中m是单色辐射出度。由维恩近似公式可得到：
由此可得：
其中，i1和i2分别为第一滤波电信号和第二滤波电信号，λ1和λ2分别为第一红外波和第二红外波的波长，k1和k2分别为第一红外波光路系统的系数和第二红外波光路系统的系数，ε(λ1,t)和ε(λ2,t)分别为与第一红外波和第二红外波对应的辐射率系数，t为待测对象真实温度，c2＝1.44cm·k称为第二辐射系数，c1＝3.74×10-12w·cm2成为第一辐射系数。
由式(9)易知，取比值之后的数值可十分方便地进行异常值剔除。当温度逐渐升高时，若比值的数值突然显著升高(波长λ1所测辐射度的电信号值异常拔高/波长λ2所测辐射度的电信号值异常拉低)或显著降低(波长λ1所测辐射度的电信号值异常拉低/波长λ2所测辐射度的电信号值异常拔高)，在趋势曲线上的表现是明显，可运用数学工具方便的剔除。
一般来说，λ1和λ2越接近，(7)(8)(9)式中的ε(λ1,t)、ε(λ2,t)之间相差越小，测量误差也就越小，在实际的实施过程中，因铁水为高温对象，其辐射能量在红外光的峰值表现为向短波移动，且考虑红外辐射光在工业现场的透过率与灵敏度需要，故本实施例选取的两个红外光一般在0.75～1.75μ之间。
步骤s206，将可用电信号转换为铁水灰度值。
具体地，本实施例根据步骤s205获得的可用电信号后，首先将可用电信号对应的模拟量转换为数字量，获得灰度数据，然后建立异常值剔除模型，并根据异常值剔除模型剔除灰度数据中的灰度异常值，获得铁水灰度值。也即本实施例将可用电信号进行模数转换，得到可用数字量，进一步引入rbfnn(radialbasisfunctionneuralnetwork,径向基神经网络)剔除异常值，将保留数字量转换为辐射能量映射的灰度值。具体地：
1)采用模数转换器将电信号模拟量转换为灰度值数字量
经过放大、整形、滤波处理以及取比值后的电信号数据，其数值大小已足够用来进行模数转换获得数字量，进而由终端进行显示、测量控制和计算机运算等。
由于高炉铁水的温度可在短时间内急剧升高，温度变化率大，因而选取测量精度高、采样率高、转换速率高的模数转换器十分必要。所谓a/d转换速率，即每秒转换次数；而转换精度是指在一个转换器中，任何数码所对应的实际模拟电压与其理想电压之差的最大值。
本实施例选用美国国家半导体公司生产的adc0809模数转换器，其具有8路模拟的选通开关以及相应的通道抵制锁存用译码电路，可进行8路模拟信号的分时采集，转换效率高。且该型号转换器抗干扰能力强，自稳零，价格低廉，对于本方法测量温度的要求已足够满足。
经过模数转换器获得的数字量信号，已可方便地用数学工具对其进行处理。
2)采用rbfnn滤除灰度数据中的异常值
即使经过glitch滤波处理，数据的干净程度已相对较高。但是，探测器所测的数据不可避免的会存在异常值，这在后续灰度图上的表现为其值与周边点的相差较大，其灰度相对周围点阵过高或过低，过渡不平滑，这显然与铁水的表面温度分布不符合。因此，剔除异常数据对提高本实施例的数据干净度、校正本实施例的测量精度都有现实意义。
对于温度逐渐上升的被测目标，其温度值与所测的灰度值显然不可能急剧跃迁。基于温度与灰度值的延滞特性，本实施例采用径向基函数(rbf)优秀的预估和拟合逼近能力，通过对已知的温度下的灰度值进行网络训练和学习，可以很好的预测下一时刻的值及其变化趋势。根据是否落入由训练误差所确定的置信区间，判定异常值并进行异常值的滤除。
由于大量的连续铁水温度不方便测得，因此先使用高温电阻丝为模拟被测对象，来得到判定异常值的模型，用该模型来对铁水测温数据进行异常值剔除操作。方法具体步骤如下：
i.逐渐加热电阻丝，直至温度k，在温度k时选取前n个灰度值数据(由本方法的探测器测得)、温度数据(可有电阻值直接转换而来)作为训练集，利用其中n个值dt(dt-n，dt-n 1，…，dt-1)作为训练输入，选择dt为目标输出训练神经网络。
ii.训练结束后，对下一时刻dt 1值做出预估得出预估值pdt 1。
iii.将dt 1与pdt 1进行数据比对，如果dt 1落入了以pdt 1为中心的置信区间，则认为数据为正常值。置信区间的选择由高斯概率函数确认，如果没有落入置信区间，则认为数据异常，并剔除异常数据。
iv.如果数据正常，代入实测值dt 1，生成新的dt 1(dt-n 2，dt-n 3，…，dt 1)；如果数据异常则以pdt 1代替dt 1；进行下一步pdt 2的预估，并重复以上步骤(i)～(iii)。
本实施例采用matlab神经网络工具箱中的newrb函数自动构建的神经网络。取温度k前的128个历史值作为输入，故存在128个输入。以newrb网络默认构建25个隐含层节点。
预估计输出yc(y1c,y2c,y3c,…,ymc),其值为：
隐含层基函数为高斯函数：
其中，为欧几里德距离，且：
式中，w为rbfnn的权重，σ为标准差(
根据径向基函数中心确定方法的不同，在此处采用随机选取固定中心的方式进行网络训练。这种方式能防止径向基函数出现太平或太尖的情况；并且基函数的中心和标准差都是固定的，唯一需要训练的参数就是隐含层与输出层之间的权值。
神经网络训练结束后，另取60组未经优化处理的原始数据用来求取残差值，即由预估值和真实值误差确定置信区间。误差服从均值为零的正态分布。假设新近测量值落入预报区间的概率p＝100(1－α)，则区间的上下界的表达式为
其中，
经实验检验，95％的置信区间完全能满足剔除异常数据、保留正常数据的功能。
步骤s207，基于铁水灰度值建立测温模型，并基于测温模型获得铁水测温值。
具体地，本实施例首先建立基于bp神经网络的测温模型，然后通过matlab神经网络工具箱读入步骤s206所得的灰度数据进行拟合，获得灰度—温度模型，最后并基于该灰度—温度模型获得铁水测温值。
通常的温度定标方法主要由两点标定法、多点标定法、统计平均法和人工神经网络法，前三种属于线性校正技术，后一种属于非线性校正技术。
线性校正技术通常假设温度的定标的响应特性为：
y＝ax b(14)
式中，x为输入的灰度值，y为温度值输出。如果能求出增益因子a和偏移因子，就能求出灰度和温度的对应关系。对于这种线性特性，用两点标定法求解因子a、b是很简单的，设ga为灰度值最低的值,此时对应的温度为ta,gb为灰度最高值,其对应的温度为tb,代入线性方程得:
a＝(tb-ta)/(gb-ga)(15)
b＝(gbta-tbga)/(gb-ga)(16)
然而两点法使用的前提即是假定响应特性在所感兴趣的温度范围内是线性的，但实际情况往往不是这样，因此使用非线性校正技术就显得十分必要。
本方法使用人工神经网络法，假设温度和辐射能量所转换的灰度值的关系式可描述为非线性函数：
t＝f(g)(17)
f(g)为待定的非线性函数，t为通过高精度热电偶在现场所测的绝对温度，g为灰度值。针对此非线性的关系，本方法利用bp神经网络可以任意精度逼近任何非线性函数的特点，对此函数进行建模。
bp网络的输入量g，输出量t，隐层向量为y，期望输出向量为d，输入层到隐层之间的权值矩阵v，隐层到输出层之间的权值矩阵w。
bp网络输出层权值的更新方程为
隐层的数值更新方程变成与输出层相似，
隐层神经元个数的确定是bp神经网络设计的关键，经过理论分析与实验测试，隐层神经元个数取为10最优。当隐层神经元个数取值为15时逼近程度并未提高，但运算量增加；当隐层神经元个数为5时，运算量降低，但逼近精度较低。
用设计好的bp神经网络对绝对温度与灰度值进行建模，即学习非线性函数t＝f(g)。建模需要导入大量测试样本数据，为此需要收集大量不同温度下的测温仪灰度数据与绝对温度数据。
本实施例采用的数据处理与建模拟合工具为matlab神经网工具箱。经过大量数据的训练，最终拟合的模型其误差小于1％，具有很高的精度。且基于该模型可进行智能化的自适应标定，具备自适应性，同时相对传统的线性校正方法，基于神经网络的方法大大减少了标定的工作量。
下面对本发明的具体实施方案做进一步说明，本实施例是在某钢厂2650m3高炉的出铁口进行的测试。铁水流从高炉炉缸的出铁口流出，测温装置安装在出铁口的操作台旁边，离出铁口68m，且测温装置安装在万向云台上，测温装置在获取到高炉出铁口铁水流的红外热图像后，通过光纤将该图像信息传输到计算机。
其实施步骤如下：
首先通过设计的光学波段分离装置，将铁水口向红外光探测器辐射的红外光进行波段剥离，使辐射出的红外光剥离为两个特定的波段，波段1和波段2。然后将剥离出的波段1和波段2红外光分别穿过光学聚光系统1与聚光系统2，聚光改善光路分布后，进入红外光探测器1与探测器2，经红外光探测器将辐射的红外光能量转换为电信号1和电信号2。
之后，经过信号放大、glitch滤波除去杂波带来的信号干扰和整形后，将两束红外光的电信号取比值，将该电信号比值经模数转换用作灰度数据。
然后通过预先的实验，取温度0-1400℃的温度值与对应的灰度值数据，设置25个隐含层点和95％的置信区间，通过rbfnn对其进行训练，得到异常值剔除模型。
随后，利用异常值剔除模型将所获得的灰度值数据清洗，并以matlab的神经网络工具箱将其与对应的温度数据送入bp神经网络，设置10个隐层神经元，建立温度-灰度值非线性映射模型。
最后，当有一个新的铁水温度测量需求时，将获得的新的比值灰度数据送入温度-灰度映射模型，即可获得该次测量的铁水温度值。
本发明实施例的关键点具体如下：
(1)本发明从考虑粉尘对红外光辐射的削弱作用，将受粉尘影响小的两种不同波长的红外分离，单用该两种波段红外光的辐射能量作为测温输入量。
(2)本发明采用复合式三重透镜的光学聚光系统，重新改善光束的分布，更有效利用光能；并采用硫系玻璃，减小红外热成像探测系统的热离焦量，降低消热差难度。
(3)本发明采用glitch滤波器，将红外探测器转换、放大、整形所得的电信号中的毛刺干扰信号滤除，得到可用的电信号。本发明引入模拟除法器，取双波长所测的温度数据之比值，消除粉尘、水汽、大气等对不同红外光的影响。
(4)本发明引入rbf神经网络建立异常值剔除模型，将模数转换后的数字量中的异常值滤除，获得干净的统计数据值。
(5)本发明从考虑温度—灰度之间的非线性关系出发，引入bp神经网络通过matlab神经网络工具箱对大量的温度数据、灰度数据进行拟合，获得温度—灰度之间的非线性映射模型。
参照图4，本发明提供的基于特殊红外光谱的高炉铁水测温系统包括存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序，处理器20执行本发明的基于特殊红外光谱的高炉铁水测温方法的步骤。
本发明实施例提供的基于特殊红外光谱的高炉铁水测温方法，通过从高炉铁水辐射的红外光中分离出受粉尘影响小的第一红外波和第二红外波，将第一红外波的辐射能量转换为第一初始电信号，将第二红外波的辐射能量转换为第二初始电信号，对第一初始电信号和第二初始电信号进行预处理，获得可用电信号，将可用电信号转换为铁水灰度值以及基于铁水灰度值建立测温模型，并基于测温模型获得铁水测温值，解决了现有高炉铁水温度测量精度低的技术问题，通过克服铁水测温过程中的粉尘干扰，不仅能提高铁水测温精度，而且避免了由于受粉尘干扰导致无法实时连续测温的现象，从而能实现对铁水的连续稳定测温。
本发明的基于特殊红外光谱的高炉铁水测温系统的工作原理和过程具体可参考本发明的基于特殊红外光谱的高炉铁水测温方法的工作原理和过程。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于特殊红外光谱的高炉铁水测温方法，其特征在于，所述方法包括：
从高炉铁水辐射的红外光中分离出受粉尘影响小的第一红外波和第二红外波，所述第一红外波与所述第二红外波的波长不同；
将所述第一红外波的辐射能量转换为第一初始电信号，将所述第二红外波的辐射能量转换为第二初始电信号；
对所述第一初始电信号和所述第二初始电信号进行预处理，获得可用电信号；
将所述可用电信号转换为铁水灰度值；
基于所述铁水灰度值建立测温模型，并基于所述测温模型获得铁水测温值。
2.根据权利要求1所述的基于特殊红外光谱的高炉铁水测温方法，其特征在于，将所述第一红外波的辐射能量转换为第一初始电信号包括：
采用三重透镜结构将所述第一红外波聚焦成像至第一探测器；
根据所述第一探测器采集的与所述第一红外波对应的辐射能量，获得第一初始电信号。
3.根据权利要求2所述的基于特殊红外光谱的高炉铁水测温方法，其特征在于，
所述三重透镜结构包括第一单体透镜、第二单体透镜以及第三单体透镜，其中：
所述第一单体透镜用于光焦度；
所述第二单体透镜以及第三单体透镜用于将所述第一单体透镜进行光焦度后的像放大成像到所述第一探测器，且所述第一单体透镜、第二单体透镜以及第三单体透镜由硫系玻璃制成。
4.根据权利要求1-3任一所述的基于特殊红外光谱的高炉铁水测温方法，其特征在于，对所述第一初始电信号和所述第二初始电信号进行预处理，获得可用电信号包括：
采用集成运算放大电路将所述第一初始电信号和所述第二初始电信号进行放大；
采用glitch滤波器对放大后的第一初始电信号和第二初始电信号进行滤波，从而获得与所述第一初始电信号对应的第一滤波电信号以及与所述第二初始电信号对应的第二滤波电信号；
根据所述第一红外波和所述第二红外波的谱辐射强度比值，获得所述第一滤波电信号与所述第二滤波电信号的电信号比值；
基于所述电信号比值，获得可用电信号。
5.根据权利要求4所述的基于特殊红外光谱的高炉铁水测温方法，其特征在于，根据所述第一红外波和所述第二红外波的谱辐射强度比值，获得所述第一滤波电信号与所述第二滤波电信号的电信号比值的具体公式为：
其中，i1和i2分别为所述第一滤波电信号和所述第二滤波电信号，λ1和λ2分别为所述第一红外波和所述第二红外波的波长，k1和k2分别为第一红外波光路系统的系数和第二红外波光路系统的系数，c2为第二辐射系数，ε(λ1,t)和ε(λ2,t)分别为与所述第一红外波和所述第二红外波对应的辐射率系数，t为待测对象真实温度。
6.根据权利要求5所述的基于特殊红外光谱的高炉铁水测温方法，其特征在于，将所述可用电信号转换为铁水灰度值包括：
将所述可用电信号对应的模拟量转换为数字量，获得灰度数据；
建立异常值剔除模型；
根据所述异常值剔除模型剔除所述灰度数据中的灰度异常值，获得铁水灰度值。
7.根据权利要求6所述的基于特殊红外光谱的高炉铁水测温方法，其特征在于，建立异常值剔除模型包括：
采用高温电阻丝为模拟被测对象，并在逐渐加热所述高温电阻丝的过程中采集所述高温电阻丝发出的波长不同的两束红外光对应的灰度数据和所述高温电阻丝的电阻值获得模拟训练数据；
根据所述模拟训练数据，采用随机选取固定中心的方式训练径向基神经网络；
根据所述径向基神经网络，建立异常值剔除模型。
8.根据权利要求7所述的基于特殊红外光谱的高炉铁水测温方法，其特征在于，基于所述铁水灰度值建立测温模型，并基于所述测温模型获得铁水测温值包括：
基于所述铁水灰度值，以及与所述铁水灰度值对应的温度数据，采用bp神经网络拟合获得测温模型；
基于所述测温模型获得铁水测温值。
9.一种基于特殊红外光谱的高炉铁水测温系统，其特征在于，所述系统包括：
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
技术总结