一种aod炉喷溅预报分析仪信息融合方法
【技术领域】
[0001] 本发明涉及一种AOD炉喷溅预报分析仪信息融合方法。
【背景技术】
[0002] 氩氧精炼喷溅成因分析
[0003] AOD炉喷溅的主要原因是炉内的化学及热反应不平衡，导致大量气体溢出并带有 大量铁水。再者可能因为操作失误或生产工艺的改变，导致在大量氧气及氮气的猛烈冲刷 下，熔池炉内部碳氧反应极其不均衡，瞬间大量的C0、CO 2爆发，进而导致喷溅的产生。
[0004] AOD炉冶过程中，炉体内主要发生以下几种化学反应，1 :碳与氧气直接反应 C+0 - CO丨，2 :碳与氧化亚铁间接反应C+FeO - C0+Fe 3 :各种必要的微量矿物质元素反 应 Si+02- SiO 2,4P+502 - 2P 205, Mn+02- MnO 24 :铬元素的氧化反应 2Cr+30 - Cr2O3, 5 :铬 元素的还原反应3C+Cr203 - 2Cr+3C0丨。而保证较高的铬铁含量及较低的碳含量是冶炼 合格铬铁的基本要求，因此生产工艺中要求应同时达到这两种目标，即脱碳保铬。
[0005] 在转炉炼钢过程中，CO与FeO的反应速率与路体内的C和CO含量、实际供氧量、 渣层内的FeO含量以及冶炼温度等密切相关。当冶炼过程中需要添加大量辅料进行造渣去 除有害元素。但是这样炉内钢水温度必将急速下降，如果不及时采取措施会导致如化学反 应式2和5所示的强烈反应，CO气体将急剧增加，进而导致喷溅；根据资料表明，过量的FeO 会导致钢水渣子表面的粘稠度大增，过量时会导致气体难以顺利逸出。而冶炼中期炉内温 度较高，化学反应加快，造渣速率也较快。当炉内FeO含量累积百分之二十以上时，将导致 CO等气体逸出困难，一定时间后气体积累到足够能量后，就会涌动较多的铁水和熔炉渣子 从炉口喷出形成喷溅。
[0006] 相对于转炉炼钢AOD冶炼铁合金发生喷溅的概率更大，其原因是不仅由于其渣层 易发生化学反应5而增加渣层厚度，而且其冶炼时的温度更高、炉容比更小，因而其喷溅可 能性更大，因而对AOD喷溅预报的研宄意义更加重大。
[0007] 喷溅预报发展现状与趋势
[0008] 声纳预测法：声纳法是一种根据检测炉口音强信号强度来预报喷溅的方法。该方 法首先提取炉口的音频信号，并且实时显示在工控机显示屏上。通过分析音强与喷溅发生 对应的关系计算出"最佳造渣工作区"曲线。如果现场采集的音频值超过该曲线范围则进 行相应的自动调节。九十年代左右我国许多钢厂对该方法进行过较多实验研宄，其中本溪 钢铁厂研宄了一套音频控渣系统，实时采集跟踪音强信号，并采用数据线性回归方法进行 数据处理，效果比较理想。但由于该方法对设备精度要求极高，冶炼现场噪声又干扰较多， 并且该方法的移植性较差，因而直接导致预报准确度较低，无法适应实际生产。
[0009] 振动预测法：二十世纪九十年代日本川崎公司研尝试研发通过测量氧枪振动来预 测喷溅的方法。其将两个互成九十度的振动式加速度计安装在氧枪上，从而取得水平方向 互相垂直的两个的加速度值。并将这两个值作为主要输入值，建立一个预测数学模型。输 入变量包括氧枪振动加速度、氧气流量等，输出为喷溅的预报情况，并根据计算结果调节枪 位及氧气流量达到预报喷溅的目的。但是由于在氧枪内部不仅有氧气流股的噪声影响，其 内部还有循环冷却水，因此噪声足以淹没所有的有用信号，使预报不准确。而且由于其模型 建立繁琐，且很难将形成较为准确的模型结构，因此预测精度不够且不确定性较多。
[0010] 图像预测法：日本新日铁公司曾经研宄利用摄像探头观测炉体内的冶炼图像，从 而预测喷溅。该方法将探头安装在AOD炉体的一面，因而能够实时观测冶炼时炉体内的渣 面图像。并同时将图像信息传输到工控机里，根据图像数据分析化渣程度，渣层厚度以及 反应的激烈程度，进而结合这些数据及吹炼参数预测喷溅。但是由于该方法要求探头具有 极高的耐温强度，一般的材料难以达到，而且对数学模型依赖特别高，因而实现起来极其困 难。
[0011] 数学模型预测法：美国IspaInland钢铁厂利用精确的模型来预报喷溅。该方法是 建立一个冶炼过程输入量与输出量相关的数学模型，根据严格的化学、质量、热量平衡等原 理构建输入与冶炼状态的数学关系模型。然后根据计算结果推算出应该添加的冶炼辅料， 从而降低不良冶炼状况的发生。我国各大钢铁学院也相继对该方法做出了研宄与试验，很 多学者利用人工智能设计预报模型，学术研宄方面比较理想，但是很难应用到实际的生产 过程中。因为该方法不能实时检测，每次添加原料的成分比例都有出入不可能精确，而且实 际的炉体内部的化学反应非常复杂不能精确估算出，因而很难达到准确的数学模型，直接 导致实际的预报精度不是很理想。
[0012] 炉气分析预测法：利用炉气分析技术预测喷溅的研宄起于二十世纪九十年代，美 国研发出的分析仪器利用激光来分析冶炼后的炉气成分。该方法曾经分别在韩国及日本测 试，并且其成功率达到百分之八十以上。该方法根据co、co 2、N2等成分的变化规律，脱碳氧 效率dC/dO及氧累积量模型对转炉喷溅进行预报，并指导操作人员通过调整枪位来实施控 制。但由于该方法采样方式及分析时间具有一定局限性，大大降低了实时预报的精度，因而 该方法多数仅用在事故发生后的研宄分析，难以实现实时控制。不仅如此，进行激光分析的 质谱仪设备价格昂贵，如果炉体容量不到20吨，相对其产能效益一般厂家难以承受，因而 其在实际应用普及上遇到很大的资本预算问题。
【发明内容】
[0013] 本发明的目的是提供一种AOD炉喷溅预报分析仪信息融合方法，该方法针对AOD 炉冶炼低碳铬铁生产过程，以冶炼过程中发生的喷溅为研宄对象，在深入分析冶炼过程喷 溅发生机理的基础上，对现场采集的炉内音频信号、炉口火焰图像及炉体振动信号进行特 征提取，采用基于特征层融合的BP神经网络数据融合方法对其进行特征级信号融合，得出 最合理的判断结果，此方法能够较准确的预报AOD炉冶炼低碳铬铁生产过程喷溅的发生， 提高合金的收得率，并保证生产安全。
[0014] 本发明之方法包括以下步骤：
[0015] -、首先采用超指向麦克风、振动传感器、红外摄像头分别采集炉内音频信号、炉 体振动信号和炉口火焰图像信号，经硬件预处理后经过多功能采集卡传送至工控机；然后 采用FFT频谱与小波包相结合方法对信号进行特征提取，提取出对判断喷溅发生有用的信 息；最后采用基于BP神经网络的数据融合方法对其进行特征级信号融合。
[0016] 二、针对一维声音及振动信号，首先对比分析它们的FFT频谱，比较出两者的整体 频率特征；然后进行时域小波包频谱分析，观察它们的时频变化特性；根据分析结果，选择 具有喷溅预报特征的频谱，采用dbio小波包对其进行三、四层小波包分解，进一步对比分 析它们每个频段的能量值、FFT的不同；最后根据分析结果确定一组可以完全区分喷溅信 号和正常信号的特征向量，根据大量实验数据分析得出的每种信号的喷溅特征向量都不尽 相同，每路信号最终都得到一组喷溅特征值；对二维信号图像的分析处理，采用图像识别 技术比较喷溅前与正常冶炼是火焰图像的区别，其火焰图像特征信息有高温区域的面积比 例、火焰信号的平均亮度变化、火焰高温区域亮度值、火焰高温所占面积率、火焰有效区域 所占面积、火焰质心偏移值，通过比较喷溅发生前与正常冶炼时图像的六种特征信号，确定 出可作为图像预报的特征值。
[0017] 三、采用基于特征层融合的BP神经网络数据融合方法对其进行特征级信号融合， 该层次中不同传感器检测到不同目标信息，超指向麦克风检测到炉内音频信号，红外摄像 头检测到炉口火焰图像信号，振动传感器检测到炉体振动信号，在关联之前首先对每路信 号进行特征向量提取，提取出对判断喷溅发生有用的信息，然后对不同类型的特征信息进 行关联，信息关联采用BP神经网络方法，BP神经网络采用三层结构，即输入层、隐含层和输 出层，BP神经网络的输入为一组三维特征向量，向量元素分别是音频预报特征值、振动预报 特征值和火焰图像预报特征值，隐含层的激发函数采用S函数，隐含层神经元数目设置为 9 (根据实验结果表明9个隐含层神经元足可以完成精确的预报），BP神经网络的输出为关 联后的特征矢量，即重构后的喷溅特征信号，进而完成喷溅特征信号的融合，根据融合结果 判断喷溅的发生。
[0018] 四、BP神经网络算法公式推导
[0019] 1)、前向传播：计算网络的输出。
[0020] 在隐含层中的神经元输入Xj大小是输入层神经元输入的加权之和：
[0022] Xj--隐含层中的神经元输入
[0023] Xi--输入层神经元输入
[0024] Wij--输入层神经元与隐含层神经元的权值
[0025] 每个隐含层的神经元输出使用s激发函数：
[0029] 输出层神经元的输出： L〇〇31j xk--牺出辰押迕兀的牺出
[0032] Wjl--隐含层神经元与输出层神经元的权值
[0033] 网络输出与理想输出误差为：
[0034] e (k) = y (k) -yn (k) (5)
[0035] e(k)--网络输出与理想输出误差
[0036] 误差性能指标函数为：
[0038] E 误差性能指标函数
[0039] 2)、反向传播：采用梯度下降法，进行各个层次之间的权值修改。
[0040] 由梯度下降法的原理得出，层与层之间权值的学习公式，其中η代表学习速率， 则连接输出层和隐含层的权值计算公式是：
[0042] η--学习速率
[0043] k+Ι时刻网络的权值为：
[0044] Wjl (t+1) = Wjl (t) + Δ Wjl (8)
[0045] 隐含层和输入层的权值计算公式如下：
[0049] k+Ι时刻网络的权值为：
[0050] Wij (k+1) = Wij (k) + Δ Wij (11)
[0051] 考虑两次权值变化对权值学习的改变，加入了动量因子α，则权值计算公式是：
[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--动量因子
[0056] i--输入层的神经元（本发明为3个）
[0057] j--隐含层的神经元（本发明为9个）
[0058] k--输出层的神经元（本发明为1个）
[0059] 本发明对BP神经网络权值修正方法进行了适当改进，应用附加动量法，即再增加 一个因子a e [0，1]，通过式（12)、式（13)可以看出，每次权值的修正都要依赖前次的修 正量，如果前次修正量过大，式中的第二项式子的正负号将与前次修正量的正负号相反，因 而减小目前修正量大小，达到了减小震荡