CN100535653C - 转炉炼钢造渣吹炼噪声特征检测方法 - Google Patents

Abstract

本发明公开了一种转炉炼钢造渣吹炼噪声特征检测方法。它解决了目前采用音频造渣法无法准确、及时进行检测的问题，具有检测准确度高，漏检、误检机率小，能提供较为准确的造渣状态等优点。其方法为在炼钢吹炼造渣过程中，通过对吹炼噪声进行采样，实时计算出反映造渣状态的数据，用以指导炼钢操作。它采用Blackman窗修正的Welch算法计算功率谱，找出各特征频带和其中的主特征频带，确定同向特征频带和反向特征频带，把各特征频带的强度进行线性组合，得到反映当前时刻造渣状态的数据，指导音频造渣处理判断喷溅和返干的趋势，结果更准确。

Description

转炉炼钢造渣吹炼噪声特征检测方法

技术领域

本发明涉及一种通过吹炼噪声来提取造渣状态的方法，尤其涉及一种转炉炼钢造渣吹炼噪声特征检测方法。

技术背景

造渣是转炉炼钢的关键操作之一，优化造渣是优化转炉炼钢的前提条件，只有在炼钢过程中形成良好的炉渣才能有效的去除钢水中的硫、磷等有害元素，才能提高钢质量。根据炉内渣液面的高度，可以判断出炉内造渣的好坏：渣液面过低，表明炉渣中固相物质比例增加，液相比例降低，有“返干”的可能，应提高枪位或减小氧气的流量；渣液面过高，有喷溅的可能，应降低枪位，提高底吹搅拌强度。

在转炉炼钢的吹炼造渣过程中，应该尽量避免喷溅和返干的发生，特别是严重的喷溅能够带来设备和人员的损失。因此需要根据造渣状态及时进行氧枪高度调整，防止喷溅和返干的发生。通常，对于炉渣的在线检测是通过熟练窑炉工通过转炉内发出的吹炼噪声进行判断，但是人的工作状态不稳定，无法实现自动炼钢。

采用计算机来模仿人判断造渣状态，在炉口处采集造渣过程产生的噪声，由计算机进行分析，叫做音频造渣法。以前的音频造渣法是分析采集到的炉口噪声的整体强度随时间的变化，与经验值比较来判断造渣进行状态，更进一步的有分析在一个特定频点或频带的噪声强度，一般取180-200Hz范围内的信号。

这些音频造渣法有其相对的合理性，可以在一定程度上反映出冶炼过程中的各种状态，但是，也存在一些问题，集中表现在状态检测的滞后性上，往往是返干或喷溅已发生或即将发生的边沿，才能感知这些状态，作为操作的调节无法及时或即时介入。另外，检测的准确度也不高，存在严重的漏检、误检现象。

原因在于这种处理方法过于简单，完全没有考虑到造渣反应的复杂性，认为吹炼噪声的来源主要是超音速氧气流冲击和造渣反应等激励源对炉体内金属熔体、渣液和空气系统激励所产生的。

发明内容

本发明的目的就是为了解决目前采用音频造渣法无法准确、及时进行检测的问题，提供一种具有检测准确度高，漏检、误检机率小，能提供较为准确的造渣状态等优点的转炉炼钢造渣吹炼噪声特征检测方法。

为实现上述目的，本发明采用了如下技术方案：

一种转炉炼钢造渣吹炼噪声特征检测方法，它的方法为，

(1)利用拾音器在转炉炉口实时采集造渣过程中的吹炼噪声，然后送入计算机；

(2)计算机进行系统的初始化，确定吹炼噪声的各特征频带分布范围；

(3)在吹炼开始后，由拾音器采集t＜1秒时间段的噪声信号；

(4)利用采集到的噪声信号数据由计算机利用软件计算出功率谱；

(5)然后计算机提取各特征频带范围内相应的功率谱，对每个特征频带内的功率谱进行累加，得到该特征频带的功率强度；

(6)计算机再把特征频带中的主特征频带和各同向特征频带的功率强度进行累加，减去各反向特征频带的功率强度，得到造渣状态参数，来判断造渣状态，完成一次采样的分析计算；

(7)继续进行采样，再次进行第(4)、(5)和(6)步处理，得到相应时刻造渣状态参数；

如此循环，直到吹炼结束。

所述步骤(1)中，由于吹炼噪声的功率主要分布在2KHz以下，为了避免高频混叠，采样频率要高于4KHz，采样精度大于等于16位。

所述步骤(3)中，在造渣过程中，吹炼噪声受造渣状态的影响而发生变化，因此需要把造渣过程分为大量t＜1秒的时间段，认为在每个时间段内噪声的特性保持不变，因此由各时间段内采样数据计算出功率谱。

所述步骤(4)中，功率谱计算方法为，采用Blackman窗口函数与Welch算法进行结合，形成Blackman函数修正的Welch算法，其具体算法如下：

A、首先是把采样数为N的吹炼噪声采样值x(t)序列分成L段，每段有M个采样值，相邻段之间有Noverlap个重叠采样值，有

$L=\mathrm{fix}\left(\frac{N-\mathrm{Noverlap}}{M-\mathrm{Noverlap}}\right)$

其中fix函数的作用是向零方向取整，t是采样值按照时间排列的序列号。

第i段样本序列为

xⁱ(t)＝x(t+iM-M)，    1≤t≤M，    1≤i≤L

B、用Blackman窗函数修正Welch算法计算功率谱

Blackman窗函数为

$w\left(t\right)=0.42-0.5\cos \left(\frac{2\mathrm{\π}}{M}t\right)+0.08\cos \left(\frac{2\mathrm{\π}}{M}2t\right)$

得到每一段的功率谱

${\hat{P}}_{\mathrm{PER}}^i\left(f\right)=\frac{1}{\mathrm{MU}}{\left|\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{x}^i\left(t\right)w\left(t\right)\exp (-j2\mathrm{\πft}/M)\right|}^2$

其中 $U=\frac{1}{M}\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{w}^2\left(t\right)$ 为归一化因子；

则该时刻的功率谱是每段功率谱的累加

${\hat{P}}_{\mathrm{PER}}\left(f\right)=\frac{1}{\mathrm{MUL}}\underset{m=1}{\overset{L}{\mathrm{\Σ}}}{\left|\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{x}^i\left(t\right)w\left(t\right)\exp (-j2\mathrm{\πft}/M)\right|}^2,$

从计算得到的功率谱可以看出，吹炼噪声的能量主要集中在几个频带上，而且在整个造渣过程中这些频带的位置保持不变，称之为吹炼噪声的特征频带，并把其中一个强度最高的特征频带称之为主特征频带，其它时间演化趋势与主特征频带相似的特征频带为同向特征频带，与主特征频带呈相反趋势的为反向特征频带。

特征频带采用以下方法进行特征频带的分布范围：

A、计算整个吹炼过程的各时刻的功率谱

B、对整个吹炼过程中的功率谱在时间方向进行累加，得到P(f)

$P\left(f\right)=\underset{t}{\mathrm{\Σ}}{\hat{P}}_{\mathrm{PER}}(f,t)$

C、计算P(f)各峰值的半高宽可以得到相应的各特征频带的位置。

本发明在炼钢吹炼造渣过程中，通过对吹炼噪声进行采样，实时计算出反映造渣状态的数据，用以指导炼钢操作。它采用Blackman窗修正的Welch算法计算功率谱，找出各特征频带和其中的主特征频带，确定同向特征频带和反向特征频带，把各特征频带的强度进行线性组合，得到反映当前时刻造渣状态的数据，指导音频造渣处理判断喷溅和返干的趋势，结果更准确。

本发明的有益效果是：

1、计算结果能够更准确地反映转炉炼钢造渣状态，在此基础上指导炼钢操作，能够缩短炼钢周期，提高炼钢效率；

2、计算结果能够更准确地反映喷溅和返干，在喷溅或返干发生之前能够根据计算结果及时预报，提前采取调整氧枪高度等措施，降低喷溅发生率，从而显著减轻了喷溅造成的铁水、设备甚至是人员损失；

3、通过在炉口采集吹炼噪声，使降罩造渣成为可能，可以实现炉气回收，烟尘收集，能够带来巨大的经济效益和环境效益。

附图说明

图1为转炉造渣吹炼噪声的功率谱；

图2为功率谱-时间分布图；

图3为功率谱时间累加曲线；

图4Blackman窗修正的Welch算法计算结果；

图5特征频带功率谱强度时间演化曲线。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

由于吹炼噪声是非平稳的随机过程产生，导致频谱具有强烈的随机特性，特别是其中的相位是完全随机的，难以分析其趋势，因此本发明采用计算其功率谱的方式来分析噪声在不同频率上的强度分布及其演变特性。

在炼钢过程中，转炉是一个时变系统，因此必须把整个炼钢过程分为许多很短的时间间隔，可以认为在每个时间间隔内转炉系统的状态保持不变。在每个时间间隔内计算吹炼噪声的功率谱，以反映该时间段内的造渣特性，称之为功率谱，如图1所示。在500Hz以内，噪声的功率谱在频率方向上存在多个极大值(110，120，130，140，150)，说明吹炼噪声不是白噪声，各功率谱极大值应该反映了造渣过程的某些特性，为特征频率。但是由于其强烈的随机特性，特征频率会出现宽化现象，构成多个特征频带。

进一步计算整个造渣过程的功率谱，得到功率谱在时间上的分布图，如图2所示，可以明显看出吹炼噪声的多个特征频带(210，220，230，240，250，260)。特别是特征频带的功率谱强度随造渣过程的进展而改变，因此应该是反映了造渣状态的变化。

受随机特性影响，计算得到的各时间段的功率谱的极值及分布都有差别，直接从单个时间段的结果难于得到准确的特征频带的分布。因此把功率谱沿时间方向进行积分，消除其随机特性的影响，得到整个造渣过程的功率谱累加分布的平滑曲线，如图3所示，从而可以较准确地提取出各特征频带的中心频点(310，320，330，340)和分布范围(315，325，335，345)。其中强度最高的频带称之为主特征频带(325)。

确定特征频带后，应对各特征频带功率谱强度在时间上的演化规律进行分析。对随机信号的带功率谱计算结果的准确性和稳定性将决定演化规律分析的精度，而前面直接通过傅立叶变换获得的功率谱起伏很大，仍然带着很大的随机特性，难于进行后续的分析处理。因此采用Welch直接法估计功率谱，并提出在此基础上进一步应用Blackman窗函数进行修正，来计算功率谱。

在计算功率谱时，每个时间段的采样数为N，即计算窗口为N。为了提高特征频带在时间上的连续性，并且提高计算结果的及时性，相邻2次的计算窗口保持大部分重合，即窗口位移ΔN，ΔN＜N，一般情况ΔN为N的1/4、1/8或1/16。

在计算出较稳定的功率谱的估计值后，分析在造渣过程中功率谱的变化趋势。各特征频带在频率上保持不变，但不同特征频带的功率谱强度在时间上具有不同的变化趋势，如图5所示，基本上可以分为2类，其中部分特征频带的演变趋势与主特征频道相似，称之为同向特征频带(510)，另外的与主特征频带呈相反趋势，称之为反向特征频带(530，540)。把相同时刻的同向特征频带的功率强度相加，并减去各反向特征频带的功率强度，结果能够准确地反映出造渣状态。这是由于消除了趋势相反的特征频带之间的抵消因素，数据对造渣状态反映更灵敏，在此基础上应用原来的音频造渣处理方法来进行判断喷溅和返干的趋势，结果更准确。

本发明的具体步骤如下：

(1)在一炉铁水炼制成为钢水的过程中，对吹炼期间的噪声进行采样。由于特征频带的分布都在1KHz以下，特别是主要集中在500Hz以下，因此采样频率一般采用11.025KHz或22.05KHz，更高的采样频率并不能提高数据精度。采样精度不低于16位。

(2)当采样数达到N时，进行Blackman窗修正的Welch法进行计算，结果作为当前时刻的功率谱，最后在时间方向上对各时间段的功率谱进行积分，得到如图3的功率谱时间累加曲线。

功率谱计算的具体计算方法如下：

首先是把长度为N的吹炼噪声采样点序列分成L段，每段有M个样本，相邻段之间有Noverlap个重叠样本，有

$L=\mathrm{fix}\left(\frac{N-\mathrm{Noverlap}}{M-\mathrm{Noverlap}}\right)$

第i段样本序列为

xⁱ(t)＝x(t+iM-M)，  1≤t≤M，  1≤i≤L

采用Welch算法估计功率谱，并且引入Blackman窗函数

$w\left(t\right)=0.42-0.5\cos \left(\frac{2\mathrm{\π}}{M}t\right)+0.08\cos \left(\frac{2\mathrm{\π}}{M}2t\right)$

修正Welch算法，得到每一段的功率谱

${\hat{P}}_{\mathrm{PER}}^i\left(f\right)=\frac{1}{\mathrm{MU}}{\left|\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{x}^i\left(t\right)w\left(t\right)\exp (-j2\mathrm{\πft}/M)\right|}^2$

其中 $U=\frac{1}{M}\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{w}^2\left(t\right)$ 为归一化因子；

则该时刻的功率谱是每段功率谱的累加

${\hat{P}}_{\mathrm{PER}}\left(f\right)=\frac{1}{\mathrm{MUL}}\underset{m=1}{\overset{L}{\mathrm{\Σ}}}{\left|\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{x}^i\left(t\right)w\left(t\right)\exp (-j2\mathrm{\πft}/M)\right|}^2$

Blackman窗修正的Welch算法计算结果(400)的平滑性非常好，而且全部为非负值。

在此基础上，选择出强度最大的4个或者更多个极值点，作为各特征频带的中心频率。以极值点强度的半高宽作为该特征频带的分布范围。其中最大值对应了主特征频带(325)。

对于每个时刻的功率谱，把每个特征频带范围内各频率对应的功率谱强度值进行累加，作为对应特征频带在该时刻的强度。如图5，画出各特征频带的功率谱强度沿时间的演化曲线(500)，从中找出与主特征频带时间演化规律(520)大致相同的特征频带(510)，称为同向特征频带，剩余的演化规律与主特征频带大致相反，称之为反向特征频带(530，540)。初始化完成。(3)对各个特征频带内的数值进行累加，得道各对应特征频带的功率强度。把主特征频带和同向特征频带的功率强度进行累加，然后减去各反向特征频带的功率强度，作为反映造渣状态的参数。

(4)音频造渣系统根据这个计算结果来判断造渣状态是否正常。

(5)继续进行采样，得到相应时刻造渣状态参数；再次进行第(4)步处理；如此循环，直到吹炼结束。

在实际计算中，N取值的大小会影响计算结果的精度和准确性。取值大，计算得到的功率谱的稳定性会提高，并具备较高的频率分辨率，但是延时增大，降低了实时性；取值小，实时性能提高，但是受随机特性的影响很大，频率分辨率很低。因此根据噪声信号采样频率的不同，N一般取中间值，使延时在0.2s左右，如在采样率11.025KHz时，N一般取为2048，ΔN为128或256，最大延时小于0.2秒，采样率为22.05KHz时，N一般取为2048或4096，ΔN为256或512。

在长期炼钢过程中，随着转炉内部的侵蚀等原因，会导致转炉的特征频带会逐渐偏移，为了保持计算的准确性，需要对特征频带的分布位置进行修正：每一炉钢吹炼结束后，对吹炼过程各时刻的功率谱在时间上进行累加，得到如图3的功率谱时间累加曲线(300)，在此基础上重新确定各特征频带的分布范围。在转炉进行大修后，特性变化较大，需要重新进行初始化。

在炼钢吹炼造渣过程中，通过对吹炼噪声进行采样，实时计算出反映造渣状态的数据，用以指导炼钢操作。

由于不同转炉的容积、结构组成等各不相同，它们的特征频带的分布和演化规律也各有不同。因此在一个转炉上应用造渣噪声监测法时，首先要对该转炉的特征频带进行初始化。

Claims (4)

1、一种转炉炼钢造渣吹炼噪声特征检测方法，其特征在于，包括以下步骤：

(1)利用拾音器在转炉炉口实时采集造渣过程中的吹炼噪声，然后送入计算机；

(2)计算机进行系统初始化，确定吹炼噪声的各特征频带分布范围；

(3)在吹炼开始后，由拾音器采集t＜1秒时间段的噪声信号；

(4)利用采集到的噪声信号数据由计算机利用软件计算出功率谱；

(5)然后计算机提取各特征频带范围内相应的功率谱，对每个特征频带内的功率谱进行累加，得到该特征频带的功率强度；

(6)将特征频带中的主特征频带和各同向特征频带的功率强度进行累加，减去各反向特征频带的功率强度，得到造渣状态参数，来判断造渣状态，完成一次采样的分析计算；

(7)继续进行采样，再次进行第(4)、(5)和(6)步处理，得到相应时刻造渣状态参数；如此循环，直到吹炼结束。

2、根据权利要求1所述的转炉炼钢造渣吹炼噪声特征检测方法，其特征在于，所述步骤(1)中采样频率为大于4KHz，采样精度大于等于16位。

3、根据权利要求1所述的转炉炼钢造渣吹炼噪声特征检测方法，其特征在于，所述步骤(2)中系统初始化是对整个吹炼过程的功率谱在时间上进行累加，根据各功率峰值作为各特征频带的中心频率，由各峰值的半高宽确定特征频带的宽度，并确定主出特征频带、同向特征频带和反向特征频带，具体方法如下：

a、计算整个吹炼过程的各时刻的功率谱

b、对整个吹炼过程中的功率谱在时间方向进行累加，得到P(f)， $P\left(f\right)=\underset{t}{\mathrm{\Σ}}{\hat{P}}_{\mathrm{PER}}(f,t),$ 并得到平滑功率谱曲线；

c、把上一步得到曲线的各功率峰的极值点频率作为特征频带的中心频点；

d、计算P(f)各峰值的半高宽可以得到相应的各特征频带的位置，各功率峰的半高宽对应的频率范围作为各特征频带的分布范围；

e、选择步骤b得到的曲线中最大值对应的特征频带作为主特征频带；

f、得出各特征频带的功率强度；

g、在造渣过程中功率强度曲线与主特征频带趋势相近的特征频带为同向特征频带，其余为反向特征频带；

炼钢转炉使用过程中炉况会逐渐变化，特征频带会发生移动，因此在每个吹炼过程都按照上述过程重新计算各特征频带的分布。

4、根据权利要求1所述的转炉炼钢造渣吹炼噪声特征检测方法，其特征在于，所述步骤(4)中功率谱计算为，采用Blackman窗口函数与Welch算法进行结合，形成Blackman函数修正的Welch算法，其具体算法如下：

A、首先是把采样数为N的吹炼噪声采样值x(t)序列分成L段，每段有M个采样值，相邻段之间有Noverlap个重叠采样值，有

$L=\mathrm{fix}\left(\frac{N-\mathrm{Noverlap}}{M-\mathrm{Noverlap}}\right)$

其中fix函数的作用是向零方向取整，t是采样值按照时间排列的序列号。

第i段样本序列为

xⁱ(t)＝x(t+iM-M)，1≤t≤M，1≤i≤L

B、用Blackman窗函数修正Welch算法计算功率谱

Blackman窗函数为

$w\left(t\right)=0.42-0.5\cos \left(\frac{2\mathrm{\π}}{M}t\right)+0.08\cos \left(\frac{2\mathrm{\π}}{M}2t\right)$

得到每一段的功率谱

${\hat{P}}_{\mathrm{PER}}^i\left(f\right)=\frac{1}{\mathrm{MU}}{\left|\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{x}^i\left(t\right)w\left(t\right)\exp (-j2\mathrm{\πft}/M)\right|}^2$

其中 $U=\frac{1}{M}\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{w}^2\left(t\right)$ 为归一化因子；

则该时刻的功率谱是每段功率谱的累加

${\hat{P}}_{\mathrm{PER}}\left(f\right)=\frac{1}{\mathrm{MUL}}\underset{m=1}{\overset{L}{\mathrm{\Σ}}}{\left|\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{x}^i\left(t\right)w\left(t\right)\exp (-j2\mathrm{\πft}/M)\right|}^2,$

其中演变趋势与主特征频带相似的特征频带为同向特征频带，与主特征频带呈相反趋势的为反向特征频带。

Images