基于小波包分析的AOD炉炉口音频信号预报喷溅的方法

摘要

本发明提供了一种基于小波包分析的AOD炉音频信号预报喷溅的方法，该方法利用小波包变换法分析了喷溅前AOD炉炉口音频信号的时频特性，确定了喷溅特征信号的特征频段，以及可以作为预报喷溅的特征向量，并且利用小波重构法有效的滤除了各种现场干扰。该方法提取出的特征信号不仅间接表征了炉内的渣层厚度的大小，而且反映了与喷溅直接相关的特征信息。本发明实现的步骤如下：数据采集及滤波；特征向量的提取；喷溅可能性预报，该方法大大降低了现有音平检测技术的误报率，提高了预报精度，从而为喷溅抑制裕留了宝贵时间。

说明书

技术领域

本发明涉及一种用AOD炉精炼中低碳铬铁合金的生产工艺过程，特别涉 及一种基于小波包分析的AOD炉炉口音频信号预报喷溅的方法。

背景技术

喷溅在转炉、AOD炉及电炉生产过程中时有发生，据有关文献统计喷溅 事故占冶金行业事故的60.7%，喷溅发生率在11.6%--20%之间，而铁合金生 产由于比炼钢温度高、炉容比小和原料中含大量杂质等原因，其喷溅发生率 更高，因而有效抑制喷溅发生，既是稳定氩氧精炼铁合金工艺的必然，也是 保证设备和人身安全的需要。

在AOD炉冶炼过程中，喷溅产生的内在原因是直接供氧或间接供氧量过 大，瞬时产生大量的CO气体，而外在原因是由于Cr₂O₃或FeO含量较高，渣液 张力较小、渣液泡沫化程度较高和渣层较厚，致使CO逸出困难。喷溅发生的 主要特征有：1.炉渣中Cr₂O₃或FeO含量积累过高；2.炉渣泡沫化程度较高，渣 层液面升高；3.炉内反应剧烈沸腾，伴随振动和音频噪声。有经验的工人常常 根据吹炼噪声来判断冶炼状况，因此冶炼噪声可以反映炉内冶炼状态并且可 以间接预报喷溅。

吹炼过程中与炉渣厚度有关的噪音主要是超音速氧气流股的动力学噪音 和该流股冲击熔池时发出的噪音。正常冶炼时，声源点（氧枪头）淹没在AOD 炉内，噪音主要经炉膛内壁的反复反射、吸收后传至取声点。由于泡沫渣的 吸声作用，渣层越厚，其声音强度值越低。实际上，不同的吨位、氧枪喷头、 设备及供氧条件其吹炼噪音的特征频带各不相同，因此适宜的特征频带选择 是喷溅特征信号提取以及排除环境干扰的关键因素。当枪位不变时，检测到 的吹炼噪音强度就反映了泡沫渣的厚度，并且随着渣层厚度的改变，必然改 变炉内声音信号的反射路程，从而造成音频信号的频率变化。近年来，音频 预报技术在国内得到广泛研究与发展，因为其资金投入小、安装简易、实时 在线等优势必将使其拥有广阔的应用空间，以下是具体的应用实例：

文献（张大勇，张彩军，徐志荣，音频化渣技术在150t复吹转炉上的开发 与应用，《中国冶金》，2007年）解释音频化渣的基本原理，是在转炉炉口 附近选择合适的能够获取特征频带的取声点，通过隔音、定向、滤波等处理 后，可在计算机屏幕上显示该噪声强度随吹炼时间的变化曲线，即音频走向。 通过音频走向可以在线的了解炉内泡沫渣的厚度及其变化趋势，从而为操作 人员提供转炉化渣状况的信息，以便采取措施及时避免可能发生的喷溅和返 干。但是由于该方法不确定喷溅信号的频段，检测频带完全依靠工人经验， 忽略了吨位、氧枪喷头等对特征频带范围的影响，造成大量干扰信号的干扰 使预报精度较低。

文献（邹韬等，关于转炉炼钢过程中喷溅现象的分析，《上海金属》，2004 年3月，Vol.26，No.2）利用音平检测技术对转炉喷溅进行了研究，并认为炉 内吹炼噪声强度间接反映了泡沫渣厚度，分析了氧枪平均枪位与音平强度最 小值之间的关系，进而利用音平化渣图像分析和指导造渣及枪位操作，来预 防喷溅的发生。但是该技术只是时域内分析，仅以音平强度作为特征值，不 仅无法揭示信号内部频域特性，而且预报容错性较低。况且，该方法在检测 到信号时喷溅已经轻微发生，给后续压喷带来实效方面的困难，更不能从根 本上控制喷溅发生。

文献（王三忠，转炉炼钢喷溅的控制及预防措施，《河南冶金》，2009年8 月，Vol.17，No.4）深入分析了泡沫性喷溅、爆发性喷溅和金属喷溅产生的原 因及危害，指出了FeO含量对渣液张力的影响，进而提出了通过调整枪位控制 渣中FeO含量来预防喷溅的措施。但由于渣中FeO含量无法在线测量，也无法 确定FeO含量与枪位的关系，使该方法难以实际应用。

综上可见，目前预防喷溅方面的研究主要集中在转炉炼钢生产过程中， 目前尚无文献和发明专利研究防止氩氧精炼铁合金生产过程中发生喷溅的方 法，尽管文献提出依据FeO含量调节枪位的方法，由于目前没有相关技术在线 检测炉渣中FeO含量（冶炼铬铁合金时，Cr₂O₃也无法在线测量），使该方法 现阶段不能用于在线实时控制；而至于音平控渣分析方法其预报精度较低， 原因之一是该技术的检测频带完全依靠工人经验，忽略了吨位、氧枪喷头等 对特征频带范围的影响，且不能滤除部分干扰信号，当添加辅料时常常引起 误报。再者，该技术只是时域内分析，仅以音平强度作为特征值，不仅无法 揭示信号内部频域特性，而且预报容错性较低。况且，该方法在检测到信号 时喷溅已经轻微发生，给后续压喷带来实效方面的困难，更不能从根本上控 制喷溅发生。因而，有必要在转炉炼钢和氩氧精炼铁合金生产过程中，寻找 一种能够间接表征喷溅即将发生的特征信号，而该信号又能够实现在线检测， 进而利用该信号来实现自动控制，避免喷溅发生。

发明内容

本发明的目的是克服现有音频控渣技术的抗干扰性差、容错性较低、预 报性不强的问题，而提供一种基于小波包分析的AOD炉炉口音频信号预报喷 溅的方法，该方法通过对喷溅前信号的时频域分析可准确提取出喷溅预报的 特征信号。该方法可以在线提取出预报喷溅的特征信号，并通过一定算法完 成喷溅预报，进而实现在线实时监测，有效的避免喷溅发生。

由于氩氧精炼铁合金过程中铁水Si、P含量较高，渣中SiO₂、P₂O₅含量也 高，渣量较大，随着熔渣中Cr₂O₃含量升高，熔渣过分发泡，渣层因膨胀增厚， 其表面张力降低，阻碍着CO气体从炉内铁水中经渣层通畅排出。且由于O₂与 C反映产生的大量热量无法及时排除，炉内发生剧烈的还原反应，使渣层进一 步加厚阻碍能量急剧上升。当渣层较高接近炉口，憋在渣层下面的CO气体积 累到一定程度，就会产生一个较大的推力，迫使熔渣从炉口喷出，形成泡沫 性喷溅，严重的话，熔渣会夹带金属液也随之而出，形成爆发性喷溅。这也 是泡沫性喷溅往往伴随有爆发性喷溅的原因。显然，渣量大和炉容比小时， 比较容易产生喷溅，这也是氩氧精炼铁合金比炼钢更容易产生喷溅的原因。 通过所述分析，可以得出：渣层过厚是发生泡沫性及爆炸性喷溅的主要原因， 只要控制好渣层厚度，便可以有效的预防喷溅的发生。

吹炼过程中与炉渣厚度有关的噪音主要是超音速氧气流股的动力学噪音 和该流股冲击熔池时发出的噪音。正常冶炼时，声源点（氧枪头）淹没在AOD 炉内，噪音主要经炉膛内壁的反复反射、吸收后传至取声点。由于泡沫渣的 吸声作用，渣层越厚，其声音强度值越低。实际上，不同的吨位、氧枪喷头、 设备及供氧条件其吹炼噪音的特征频带各不相同，因此适宜的特征频带选择 是喷溅特征信号提取以及排除环境干扰的关键因素。当枪位不变时，检测到 的吹炼噪音强度就反映了泡沫渣的厚度，并且随着渣层厚度的改变，必然改 变炉内声音信号的反射路程，从而造成音频信号的频率变化，因此通过对喷 溅前信号的时频域分析可准确提取出喷溅预报的特征信号。

本发明包括四个步骤：

1、确定喷溅预报特征向量

2、数据采集及滤波

3、特征向量的提取

4、喷溅可能性预报。

确定喷溅预报特征向量：采用db10小波对喷溅发生前的特征信号进行4层 小波包分解，结合快速傅里叶变换法及小波尺度谱进行时频特征分析，并研 究了其各频带内分解信号的能量比例特点。结果表明，发生喷溅的炉次在发 生喷溅前40s的音频信号主频值较正常信号有明显降低，0～312Hz与312～625Hz 频段信号能量值比例变化显著。冶炼现场工况没有变化，由上述变化特性我 们可以得知，喷溅前信号的频域特性有明显变化，该特性的频域范围是 0-625Hz，因此确定该频段为喷溅信号的特征频段；根据大量实验及资料查找， 本发明选择0～312Hz与312～625Hz频段主频值、能量值百分比、最大奇异值、 标准方差共8个特征向量作为喷溅预报特征向量，该特征向量可以很好的表征 喷溅前信号的时频特性。最后选取向量[0.2 1.828 0.4743 0.1605 1.6538 0.5597  202.531 68.5371]作为喷溅预报特征值β。

数据采集及滤波：将定指向麦克指向AOD炉口采集实时冶炼信号，通过 适宜的放大模块和10M采样率的采集卡将信号采集到现场工作室的工控机里； 现场会有大量干扰信号，例如工频干扰，投料及工人敲击的簇信号干扰等等， 通过实验证明，对0～625Hz信号进行重构得到的重构信号可以极好的滤除多种 现场干扰。

特征向量的提取：采集的数据每10000个采样点作为一个数据点，利用 db10小波将信号进行4层小波包分解，取第四层中的db1、db2小波为特征信号。 并提取所述的8个特征向量值；

喷溅可能性预报：通过实验得出，特征向量值与喷溅前40s数据点的相识 度都大于0.9923，而与正常信号特征向量的相似度都低于0.95，说明喷溅前与 正常信号的特征向量有明显的差异，且该特征向量值可以准确区分出喷溅前 与正常信号。由此可以设置一个阈值0.95，求出冶炼时音频信号特征向量与喷 溅预报特征向量值的相似度，并与阈值比对，当其相似度接近或大于该阈值 时进行报警警告，从而实现喷溅预报。

附图说明

图1是本发明正常信号与喷溅前信号的小波包四层时频分析图。

图2是本发明正常信号与喷溅前信号各个小波包能量值比例图。

图3是本发明正常和喷溅信号的不同功率谱图。

图4是本发明受工频的信号及滤波后的信号。

图5是本发明流程图。

具体实施方式

请参阅图1、图2、图3、图4和图5所示，本发明包括以下步骤：

（一）、安装定指向音频采集器，并套有消音套管，避免炉口外信号的 干扰，并使其麦克采集口对准AOD炉炉口，实时采集正常冶炼的炉口音频信 号。

（二）、信号放大与滤波处理。将麦克采集的信号进行适当的放大与衰 减，使其音平值基本在电压采集阈值之内，并且在±10V范围内始终占有较大 比例；将每10000个采样点作为一个数据点，利用db10小波包分解算法将数据 点进行四层小波包分解；根据所述的分析特征信号频段，取第四层中的d41、 d42小波为特征信号，并利用小波重构算法得到重构信号D1，D2，完成滤波 与特征信号采集；

（三）、特征向量提取：根据信号所述的特征向量，分别提取信号D1， D2的主频值、小波能量值百分比、最大奇异值、标准方差共8个特征值，设为 向量α；

（四）、喷溅可能性判断：利用相似度函数计算α与β的相似度值θ。根据所 述的研究，当θ接近或大于0.95时，说明该信号与喷溅预报信号相似，因此进 行喷溅预警否则为正常冶炼状态；

所述步骤（二）中的小波包重构公式为：

$f\left(t\right)=\frac{1}{C_{\psi }}\frac{1}{a^2}{W}_f(a,b)\psi \left(\frac{t-b}{a}\right)\mathrm{db}$

步骤（二）所述的小波包分解公式为：

$W_f(a,b)=(f\left(t\right),{\psi }_{a,b}\left(t\right))={\left|a\right|}^{-1/2}\underset{R}{\int }f\left(t\right)\psi \left(\frac{t-b}{a}\right)\mathrm{dt}$

步骤（三）所述的小波包能量公式为：

$E={\int }_{-\infty }^{\infty }{\left|x\left(t\right)\right|}^2\mathrm{dt}=\frac{1}{C_{\psi }}{\int }_{-\infty }^{\infty }{a}^{-2}\mathrm{da}\int {\left|W_f(a,b;\psi )\right|}^2\mathrm{db}$

其中：

db10：其中的db小波母函数系列的一种；

信号D1：重构第四层小波包d41的重构信号；

信号D2：重构第四层小波包d42的重构信号；

向量α：是特征向量，由信号D1，D2提出的主频值、能量值百分比、最 大奇异值、标准方差共8个特征值，组成的8元向量；

喷溅预报特征值β：根据大量实验及资料查找，选择0～312Hz与312～625Hz 频段主频值、能量值百分比、最大奇异值、标准方差共8个特征向量作为喷 溅预报特征向量值，该特征向量可以很好的表征喷溅前信号的时频特性。选 取向量为[0.2 1.828 0.4743 0.1605 1.6538 0.5597 202.531 68.5371]；

θ：利用相似度函数计算α与β的相似度值；

a：为伸缩因子；

b：为平移因子；

ψ(t)：是小波母函数；

ψ_a,b(t)：是由小波母函数经伸缩和平移后得到的一组小波函数族；

W_f(a，b；ψ)：由母函数ψ分解得到的小波包分解权值；

C_ψ：是小波包分解系数；

x(t)：是时域信号大小；

E：为小波包能量；

W_f(a,b)：是小波包分解权值；

f(t):时域信号，其中t是时间单位；

表示时间t平移b个单位伸缩a个单位；

da：伸缩因子a的微分因子；

db：平移因子b的微分因子；

dt：时间t微分因子；

R：实域范围。