一種aod爐噴濺預報分析儀信息融合方法
【技術領域】
[0001] 本發(fā)明涉及一種AOD爐噴濺預報分析儀信息融合方法。
【背景技術】
[0002] 氬氧精煉噴濺成因分析
[0003] AOD爐噴濺的主要原因是爐內(nèi)的化學及熱反應不平衡，導致大量氣體溢出并帶有 大量鐵水。再者可能因為操作失誤或生產(chǎn)工藝的改變，導致在大量氧氣及氮氣的猛烈沖刷 下，熔池爐內(nèi)部碳氧反應極其不均衡，瞬間大量的C0、CO 2爆發(fā)，進而導致噴濺的產(chǎn)生。
[0004] AOD爐冶過程中，爐體內(nèi)主要發(fā)生以下幾種化學反應，1 :碳與氧氣直接反應 C+0 - CO丨，2 :碳與氧化亞鐵間接反應C+FeO - C0+Fe 3 :各種必要的微量礦物質(zhì)元素反 應 Si+02- SiO 2,4P+502 - 2P 205, Mn+02- MnO 24 :鉻元素的氧化反應 2Cr+30 - Cr2O3, 5 :鉻 元素的還原反應3C+Cr203 - 2Cr+3C0丨。而保證較高的鉻鐵含量及較低的碳含量是冶煉 合格鉻鐵的基本要求，因此生產(chǎn)工藝中要求應同時達到這兩種目標，即脫碳保鉻。
[0005] 在轉(zhuǎn)爐煉鋼過程中，CO與FeO的反應速率與路體內(nèi)的C和CO含量、實際供氧量、 渣層內(nèi)的FeO含量以及冶煉溫度等密切相關。當冶煉過程中需要添加大量輔料進行造渣去 除有害元素。但是這樣爐內(nèi)鋼水溫度必將急速下降，如果不及時采取措施會導致如化學反 應式2和5所示的強烈反應，CO氣體將急劇增加，進而導致噴濺；根據(jù)資料表明，過量的FeO 會導致鋼水渣子表面的粘稠度大增，過量時會導致氣體難以順利逸出。而冶煉中期爐內(nèi)溫 度較高，化學反應加快，造渣速率也較快。當爐內(nèi)FeO含量累積百分之二十以上時，將導致 CO等氣體逸出困難，一定時間后氣體積累到足夠能量后，就會涌動較多的鐵水和熔爐渣子 從爐口噴出形成噴濺。
[0006] 相對于轉(zhuǎn)爐煉鋼AOD冶煉鐵合金發(fā)生噴濺的概率更大，其原因是不僅由于其渣層 易發(fā)生化學反應5而增加渣層厚度，而且其冶煉時的溫度更高、爐容比更小，因而其噴濺可 能性更大，因而對AOD噴濺預報的研宄意義更加重大。
[0007] 噴濺預報發(fā)展現(xiàn)狀與趨勢
[0008] 聲納預測法：聲納法是一種根據(jù)檢測爐口音強信號強度來預報噴濺的方法。該方 法首先提取爐口的音頻信號，并且實時顯示在工控機顯示屏上。通過分析音強與噴濺發(fā)生 對應的關系計算出"最佳造渣工作區(qū)"曲線。如果現(xiàn)場采集的音頻值超過該曲線范圍則進 行相應的自動調(diào)節(jié)。九十年代左右我國許多鋼廠對該方法進行過較多實驗研宄，其中本溪 鋼鐵廠研宄了一套音頻控渣系統(tǒng)，實時采集跟蹤音強信號，并采用數(shù)據(jù)線性回歸方法進行 數(shù)據(jù)處理，效果比較理想。但由于該方法對設備精度要求極高，冶煉現(xiàn)場噪聲又干擾較多， 并且該方法的移植性較差，因而直接導致預報準確度較低，無法適應實際生產(chǎn)。
[0009] 振動預測法：二十世紀九十年代日本川崎公司研嘗試研發(fā)通過測量氧槍振動來預 測噴濺的方法。其將兩個互成九十度的振動式加速度計安裝在氧槍上，從而取得水平方向 互相垂直的兩個的加速度值。并將這兩個值作為主要輸入值，建立一個預測數(shù)學模型。輸 入變量包括氧槍振動加速度、氧氣流量等，輸出為噴濺的預報情況，并根據(jù)計算結(jié)果調(diào)節(jié)槍 位及氧氣流量達到預報噴濺的目的。但是由于在氧槍內(nèi)部不僅有氧氣流股的噪聲影響，其 內(nèi)部還有循環(huán)冷卻水，因此噪聲足以淹沒所有的有用信號，使預報不準確。而且由于其模型 建立繁瑣，且很難將形成較為準確的模型結(jié)構(gòu)，因此預測精度不夠且不確定性較多。
[0010] 圖像預測法：日本新日鐵公司曾經(jīng)研宄利用攝像探頭觀測爐體內(nèi)的冶煉圖像，從 而預測噴濺。該方法將探頭安裝在AOD爐體的一面，因而能夠?qū)崟r觀測冶煉時爐體內(nèi)的渣 面圖像。并同時將圖像信息傳輸?shù)焦た貦C里，根據(jù)圖像數(shù)據(jù)分析化渣程度，渣層厚度以及 反應的激烈程度，進而結(jié)合這些數(shù)據(jù)及吹煉參數(shù)預測噴濺。但是由于該方法要求探頭具有 極高的耐溫強度，一般的材料難以達到，而且對數(shù)學模型依賴特別高，因而實現(xiàn)起來極其困 難。
[0011] 數(shù)學模型預測法：美國IspaInland鋼鐵廠利用精確的模型來預報噴濺。該方法是 建立一個冶煉過程輸入量與輸出量相關的數(shù)學模型，根據(jù)嚴格的化學、質(zhì)量、熱量平衡等原 理構(gòu)建輸入與冶煉狀態(tài)的數(shù)學關系模型。然后根據(jù)計算結(jié)果推算出應該添加的冶煉輔料， 從而降低不良冶煉狀況的發(fā)生。我國各大鋼鐵學院也相繼對該方法做出了研宄與試驗，很 多學者利用人工智能設計預報模型，學術研宄方面比較理想，但是很難應用到實際的生產(chǎn) 過程中。因為該方法不能實時檢測，每次添加原料的成分比例都有出入不可能精確，而且實 際的爐體內(nèi)部的化學反應非常復雜不能精確估算出，因而很難達到準確的數(shù)學模型，直接 導致實際的預報精度不是很理想。
[0012] 爐氣分析預測法：利用爐氣分析技術預測噴濺的研宄起于二十世紀九十年代，美 國研發(fā)出的分析儀器利用激光來分析冶煉后的爐氣成分。該方法曾經(jīng)分別在韓國及日本測 試，并且其成功率達到百分之八十以上。該方法根據(jù)co、co 2、N2等成分的變化規(guī)律，脫碳氧 效率dC/dO及氧累積量模型對轉(zhuǎn)爐噴濺進行預報，并指導操作人員通過調(diào)整槍位來實施控 制。但由于該方法采樣方式及分析時間具有一定局限性，大大降低了實時預報的精度，因而 該方法多數(shù)僅用在事故發(fā)生后的研宄分析，難以實現(xiàn)實時控制。不僅如此，進行激光分析的 質(zhì)譜儀設備價格昂貴，如果爐體容量不到20噸，相對其產(chǎn)能效益一般廠家難以承受，因而 其在實際應用普及上遇到很大的資本預算問題。

【發(fā)明內(nèi)容】

[0013] 本發(fā)明的目的是提供一種AOD爐噴濺預報分析儀信息融合方法，該方法針對AOD 爐冶煉低碳鉻鐵生產(chǎn)過程，以冶煉過程中發(fā)生的噴濺為研宄對象，在深入分析冶煉過程噴 濺發(fā)生機理的基礎上，對現(xiàn)場采集的爐內(nèi)音頻信號、爐口火焰圖像及爐體振動信號進行特 征提取，采用基于特征層融合的BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合方法對其進行特征級信號融合，得出 最合理的判斷結(jié)果，此方法能夠較準確的預報AOD爐冶煉低碳鉻鐵生產(chǎn)過程噴濺的發(fā)生， 提高合金的收得率，并保證生產(chǎn)安全。
[0014] 本發(fā)明之方法包括以下步驟：
[0015] -、首先采用超指向麥克風、振動傳感器、紅外攝像頭分別采集爐內(nèi)音頻信號、爐 體振動信號和爐口火焰圖像信號，經(jīng)硬件預處理后經(jīng)過多功能采集卡傳送至工控機；然后 采用FFT頻譜與小波包相結(jié)合方法對信號進行特征提取，提取出對判斷噴濺發(fā)生有用的信 息；最后采用基于BP神經(jīng)網(wǎng)絡的數(shù)據(jù)融合方法對其進行特征級信號融合。
[0016] 二、針對一維聲音及振動信號，首先對比分析它們的FFT頻譜，比較出兩者的整體 頻率特征；然后進行時域小波包頻譜分析，觀察它們的時頻變化特性；根據(jù)分析結(jié)果，選擇 具有噴濺預報特征的頻譜，采用dbio小波包對其進行三、四層小波包分解，進一步對比分 析它們每個頻段的能量值、FFT的不同；最后根據(jù)分析結(jié)果確定一組可以完全區(qū)分噴濺信 號和正常信號的特征向量，根據(jù)大量實驗數(shù)據(jù)分析得出的每種信號的噴濺特征向量都不盡 相同，每路信號最終都得到一組噴濺特征值；對二維信號圖像的分析處理，采用圖像識別 技術比較噴濺前與正常冶煉是火焰圖像的區(qū)別，其火焰圖像特征信息有高溫區(qū)域的面積比 例、火焰信號的平均亮度變化、火焰高溫區(qū)域亮度值、火焰高溫所占面積率、火焰有效區(qū)域 所占面積、火焰質(zhì)心偏移值，通過比較噴濺發(fā)生前與正常冶煉時圖像的六種特征信號，確定 出可作為圖像預報的特征值。
[0017] 三、采用基于特征層融合的BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合方法對其進行特征級信號融合， 該層次中不同傳感器檢測到不同目標信息，超指向麥克風檢測到爐內(nèi)音頻信號，紅外攝像 頭檢測到爐口火焰圖像信號，振動傳感器檢測到爐體振動信號，在關聯(lián)之前首先對每路信 號進行特征向量提取，提取出對判斷噴濺發(fā)生有用的信息，然后對不同類型的特征信息進 行關聯(lián)，信息關聯(lián)采用BP神經(jīng)網(wǎng)絡方法，BP神經(jīng)網(wǎng)絡采用三層結(jié)構(gòu)，即輸入層、隱含層和輸 出層，BP神經(jīng)網(wǎng)絡的輸入為一組三維特征向量，向量元素分別是音頻預報特征值、振動預報 特征值和火焰圖像預報特征值，隱含層的激發(fā)函數(shù)采用S函數(shù)，隱含層神經(jīng)元數(shù)目設置為 9 (根據(jù)實驗結(jié)果表明9個隱含層神經(jīng)元足可以完成精確的預報），BP神經(jīng)網(wǎng)絡的輸出為關 聯(lián)后的特征矢量，即重構(gòu)后的噴濺特征信號，進而完成噴濺特征信號的融合，根據(jù)融合結(jié)果 判斷噴濺的發(fā)生。
[0018] 四、BP神經(jīng)網(wǎng)絡算法公式推導
[0019] 1)、前向傳播：計算網(wǎng)絡的輸出。
[0020] 在隱含層中的神經(jīng)元輸入Xj大小是輸入層神經(jīng)元輸入的加權(quán)之和：
[0022] Xj--隱含層中的神經(jīng)元輸入
[0023] Xi--輸入層神經(jīng)元輸入
[0024] Wij--輸入層神經(jīng)元與隱含層神經(jīng)元的權(quán)值
[0025] 每個隱含層的神經(jīng)元輸出使用s激發(fā)函數(shù)：
[0029] 輸出層神經(jīng)元的輸出： L〇〇31j xk--犧出辰押迕兀的犧出
[0032] Wjl--隱含層神經(jīng)元與輸出層神經(jīng)元的權(quán)值
[0033] 網(wǎng)絡輸出與理想輸出誤差為：
[0034] e (k) = y (k) -yn (k) (5)
[0035] e(k)--網(wǎng)絡輸出與理想輸出誤差
[0036] 誤差性能指標函數(shù)為：
[0038] E 誤差性能指標函數(shù)
[0039] 2)、反向傳播：采用梯度下降法，進行各個層次之間的權(quán)值修改。
[0040] 由梯度下降法的原理得出，層與層之間權(quán)值的學習公式，其中η代表學習速率， 則連接輸出層和隱含層的權(quán)值計算公式是：
[0042] η--學習速率
[0043] k+Ι時刻網(wǎng)絡的權(quán)值為：
[0044] Wjl (t+1) = Wjl (t) + Δ Wjl (8)
[0045] 隱含層和輸入層的權(quán)值計算公式如下：
[0049] k+Ι時刻網(wǎng)絡的權(quán)值為：
[0050] Wij (k+1) = Wij (k) + Δ Wij (11)
[0051] 考慮兩次權(quán)值變化對權(quán)值學習的改變，加入了動量因子α，則權(quán)值計算公式是：
[0052] Wj1 (k+1) = Wj1 (k) + Δ Wj1+a (Wj1 (k)-Wj1 (k_l)) (12)
[0053] Wij (k+1) = Wij (k) + Δ Wij+a (Wij (k)-Wij (k_l)) (13)
[0054] 其中 n e [0, 1]，α e [0, l]
[0055] α--動量因子
[0056] i--輸入層的神經(jīng)元（本發(fā)明為3個）
[0057] j--隱含層的神經(jīng)元（本發(fā)明為9個）
[0058] k--輸出層的神經(jīng)元（本發(fā)明為1個）
[0059] 本發(fā)明對BP神經(jīng)網(wǎng)絡權(quán)值修正方法進行了適當改進，應用附加動量法，即再增加 一個因子a e [0，1]，通過式（12)、式（13)可以看出，每次權(quán)值的修正都要依賴前次的修 正量，如果前次修正量過大，式中的第二項式子的正負號將與前次修正量的正負號相反，因 而減小目前修正量大小，達到了減小震蕩