CN101011729A - 一种大包下渣检测自动控制方法及系统 - Google Patents

Abstract

本发明涉及冶金工业领域，旨在提供一种大包下渣检测自动控制方法及系统。该方法包括以下步骤：(1)将采集到的振动信号从时间上划分为无渣、混渣和全渣三个阶段，作为训练数据；(2)将信号的频率幅值进行矢量量化，使其达到要求；(3)组成模型库；(4)在钢水浇注过程中，将由振动信号处理得到观察值序列输入各模型，选择输出概率值最大的模型对应的工作状态作为识别的结果；该系统包括处理控制单元模块、电源管理单元模块、电器控制单元模块、系统警告单元模块和前端控制单元模块。本发明能够较好地解决钢水振动信号随机性强问题；造价低，封装，安装、拆卸、运输和维护方便；操作人员容易掌握；正确性和稳定性较高。

Description

一种大包下渣检测自动控制方法及系统

技术领域

本发明涉及冶金工业领域，更具体的说，是涉及面向钢水连铸设备的一种大包下渣检测自动控制方法及系统。

背景技术

在钢水的冶炼过程中，氧化剂和钢水中的杂质混合形成液体钢渣，其比重较轻，浮于钢水上部。在钢水浇铸后期，钢渣逐渐流入中间包，影响钢材品质，严重时甚至使钢水连铸无法进行。为了改善钢材品质，提高钢铁企业的经济效益，目前国内外研制了多种下渣检测方法，如：红外线技术检测、电磁感应法检测、超声波检测等。其中电磁检测方法已在国内外的一些大型冶金企业投入运行，并取得了一定的经济效益。但是，由于连铸过程的特殊性，再加上恶劣的浇铸环境，使得上述的检测方法在应用过程中主要存在以下问题：使用寿命较短、造价高、维护费用高、安装过程繁琐且需要对现有的生产设备进行改造。因此研制一种成本低、使用寿命长、可靠性高、对现有的设备改造小的钢渣检测系统很有必要。

发明内容

本发明的主要目的在于克服现有技术中的不足，提供了一种大包下渣检测自动控制方法及系统

为了解决上述技术问题，本发明是通过以下技术方案实现的。

一种大包下渣检测自动控制方法，采用基于隐性马尔可夫模型的数据识别方法，包括以下步骤：

(1)将振动信号传感器采集到的振动信号从时间上划分为无渣、混渣和全渣三个阶段，在对原始振动信号进行滤波后，提取若干典型频率的幅值组成观测值矢量，作为基于隐性马尔可夫模型的数据识别方法的训练数据；

(2)将信号的频率幅值进行矢量量化，使其达到基于隐性马尔可夫模型的数据识别方法的建模要求；

(3)将典型频谱分量量化值矢量组成的数据集利用优化的Baum-Welch算法训练出各浇注状态的基于隐性马尔可夫模型的数据识别方法的模型，由各种浇注状态的基于隐性马尔可夫模型的数据识别方法的模型组成模型库；

(4)在钢水浇注过程中，将由振动信号处理得到观察值序列输入各基于隐性马尔可夫模型的数据识别方法的模型，选择输出概率值最大的模型对应的工作状态作为识别的结果。

作为一种改进，所述的振动信号传感器由压电探头、胶质填料、金属外壳以及整流电路组成。

一种用于实现大包下渣检测自动控制方法的系统，包括处理控制单元模块、电源管理单元模块、电器控制单元模块、系统警告单元模块和前端控制单元模块；

所述的处理控制单元模块主要完成对输入信号进行预处理、输出控制信号以及系统通讯等三项功能；

所述的电源管理单元模块为其他模块提供电源，并具有电源工作/异常显示功能；

所述的电器控制单元模块负责系统电气控制以及电缆连接，包括空气开关、电源保险、面板控制及电路接插件；

所述的系统警告单元模块收集系统告警信息并显示，告警信息包括电源状态、风扇工作状态和系统内部温度；

所述的前端控制单元模块是现场的主要控制部件，用于实现浇注计时、现场信号的前级处理、控制报警系统以及水口开关。

作为一种改进，还包括系统控制模块、现场显示模块、历史数据回访模块、系统参数设置模块、远程网络监视模块以及系统报警处理模块；

所述的系统控制模块用于负责系统的启动/停止、设备选择、通信方式设置以及实时数据采集；

所述的现场显示模块用于接受系统控制模块上传的实时数据，进行处理后显示；

所述的历史数据回放模块用于对历史数据进行重复显示、比较，来判断下渣状态；

所述的系统参数配置模块用于对系统运行参数如采样点数、采样频率、通道参数进行配置；

所述的远程网络监视模块用于为系统提供网络支持，通过LAN或者接口实现在远程监控端对现场的实时检测；

所述的系统报警处理模块用于通过对大量的数据进行计算、学习，实现对下渣状态的模式识别，在钢渣达到已经极限时进行报警，提示停止浇注。

与现有技术相比，本发明的有益效果是：

(1)采用基于隐性马尔可夫模型的数据识别方法进行信号处理，能够较好的解决钢水振动信号随机性强问题。

(2)造价低，不需要对现有生产设备进行改造。

(3)系统硬件系统按照统一模块化进行封装，安装、拆卸、运输和维护较为方便。

(4)构件化的软件控制系统，能够根据不同的用户需要进行优化组合，具备友好的人机接口，易于操作人员掌握。

(5)采样自主设计振动信号传感器，使在恶劣环境下的振动信号采集的正确性和稳定性得到保证。

附图说明

图1是大包下渣检测实现方案示意图。

图2是系统传感器构成简图。

图3是HMM算法处理流程图。

图4是矢量量化过程示意图。

图5是HMM迭代训练方法图。

图6是硬件系统组成结构与控制关系图。

图7是系统软件模块交互图。

图中，1金属外壳、2整流电路模块、3传感电缆、4胶质填料、5压电探头。

具体实施方式

结合附图，下面对本发明进行详细说明。

一种大包下渣检测自动控制方法，采用基于隐性马尔可夫模型的数据识别方法(HMM)对钢水振动信号进行处理。

一、该大包下渣检测自动控制方法的依据是：

1、在连铸生产中的钢水浇注末期，钢水夹带着部分钢渣旋流而下，此时对长水口的冲击作用无论是在冲击强度还是在冲击方向上都表现出较大的随机性与一定的不平稳性，采用传统的数据处理方法如傅立叶变换很难实现对下渣特征的识别。

2、HMM是一种具有较强的时间序列建模和模式识别能力的信号处理工具，适合于处理非平稳、重复再现性差的动态信号。近年来，HMM理论在语音信号处理方面取得了很大的成功，同时在设备故障诊断方面如对工具磨损状态进行实时监测，及对电厂事故进行监测等方面效果显著。在钢水下渣振动信号处理中，合理地构建钢渣振动信号的特征参数，通过对大量的实验数据进行处理，建立无渣、混渣、全渣这几种工作状态HMM模型，就能有效地识别出钢水浇铸的下渣时刻。

二、基于HMM的大包下渣检测自动控制方法：

针对钢水振动信号的特殊性，本发明采用HMM技术来进行信号处理以及特征提取。HMM是在马尔可夫链的基础上发展起来的。它是一个双随机过程，其一是马尔可夫链，描述状态的转移，由参数组π和A决定；另一个随机过程描述状态和观测值的统计对应关系，由参数组B决定。一个HMM可以用一个三元组参数λ＝{π，A，B}来描述。HMM在随机非平稳信号处理方面具备较大的优势，适于处理随机性较强的下渣振动信号，算法处理流程如附图3所示，具体描述如下：

1、将振动信号传感器采集到的振动信号从时间上划分为无渣、混渣和全渣三个阶段，在对原始振动信号进行滤波后，可以提取若干典型频率的幅值组成观测值矢量，作为HMM的训练数据。

2、将信号的频率幅值进行矢量量化，使其达到HMM的建模要求。矢量量化作为一种高效的数据压缩技术，在语音编码、语音识别与合成、图像数据压缩等方面得到了广泛应用。它的原理(见附图4)是，把一组数据组成一个矢量，然后一次进行量化，可以大大降低数码率。因为矢量量化有效地应用了矢量中各分量间的四种相关联的性质：线性依赖性、非线性依赖性、概率分布函数的形状及矢量维数，所以矢量量化总是优于标量量化。这里采用LBG算法对特征矢量序列进行量化。进行矢量量化之前，首先要训练一个码本，码本中的每个元素为一个N维向量，然后将要进行量化的数据分割成N维向量序列输入量化器，根据LBG算法进行匹配，用码本重构输入数据。

3、将典型频谱分量量化值矢量组成的数据集利用优化的Baum-Welch算法训练出各浇注状态的HMM模型，由各种浇注状态的HMM模型组成模型库。根据Baum-Welch算法训练HMM参数时，一个重要的问题就是选取初始模型。不同的初始模型会产生不同的训练结果，因为Baum-Welch算法的原理是使输出概率局部极大从而得到模型参数，选取合适的初始模型，使最后求出的局部最大与全局最大相接近才是有意义的。但如何选取初始模型至今没有成熟的方法。一般来说，π和A的选取对HMM的训练结果影响不大，可以采取随机数初始化HMM模型，然后逐步迭代的方缩小均方误差就可收到较好的效果，迭代过程见附图5。若相邻两次迭代得到的概率差值小于所设置的误差界限就认为模型参数的估计已达到预期要求。

用一次或少量几次实验数据来训练对应于各种工作状态的HMM，显然是不够的，需要对大量实验数据进行分析才能建立较准确的模型。为了有效地提取钢渣振动信号的特征参数，在实验过程中采集了大量的原始数据，要有效地利用这些数据，必须对Baum-Welch算法的重估公式进行修正，重新估算模型参数。设有L个观察值序列为O^(l)，l＝1，2，...L。其中 $O^{\left(l\right)}={O_1}^{\left(l\right)},{O_2}^{\left(l\right)}...{O_{T_l}}^{\left(l\right)},$ T_i为第l个序列的长度。假设各观察值序列独立，则 $P\left(O\right|\mathrm{\λ})=\underset{l=1}{\overset{L}{\mathrm{\Π}}}P\left(O\right|\mathrm{\λ}),$ 而重估公式是以不同事件的频率为基础的，因此，对L个训练序列，Baum-Welch的重估公式修正为：

$\stackrel{\‾}{{\mathrm{\π}}_i}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\α}}_1^{\left(l\right)}\left(i\right){\mathrm{\β}}_1^{\left(l\right)}\left(i\right)\mathrm{|P}\left(O^{\left(l\right)}\mathrm{|\λ}\right);1\≤i\≤N---\left(1\right)$

$\stackrel{\‾}{{\mathrm{\α}}_{\mathrm{ij}}}=\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_l-1}{\mathrm{\Σ}}}{{\mathrm{\α}}_t}^{\left(l\right)}{\mathrm{\α}}_{\mathrm{ij}}{b}_j\left({O_{t+1}}^{\left(l\right)}\right){{\mathrm{\β}}_{t+1}}^{\left(l\right)}\left(j\right)\mathrm{|P}\left(O^{\left(l\right)}\mathrm{|\λ}\right)}{\underset{t=1}{\overset{L}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_l-1}{\mathrm{\Σ}}}{{\mathrm{\α}}_t}^{\left(l\right)}\left(i\right){{\mathrm{\β}}_t}^{\left(l\right)}\left(i\right)\mathrm{|P}\left(O^{\left(l\right)}\mathrm{|\λ}\right)};1\≤i,j\≤N---\left(2\right)$

4、在钢水浇注过程中，将由振动信号处理得到观察值序列输入各HMM模型，选择输出概率值最大的模型对应的工作状态作为识别的结果。

三、一种用于实现大包下渣检测自动控制方法的系统：

该系统主要由处理控制单元、电源管理单元、电器控制单元、系统警告单元、前端控制单元组成。处理控制单元模块作为现场控制的核心部件，与现场的其他模块相连。来自现场的信号，如传感器信号、控制盒的动作、水口开关动作、大包重量信号等做前级处理后送到前端处理控制单元。前端处理控制单元模块在对现场传过来的信号进行二级处理后上传给工控机的数据采集卡，系统软件的振动信号分析算法对数据采集卡采集的数据进行分析运算后将结果反馈给处理控制单元模块，处理控制单元模块再通知前端控制单元，由处理控制单元控制水口阀的行为。

系统所有其他模块的供电都由电源管理单元提供和控制。每一路电源的工作状态都受系统警告单元的监控，当其中的某路电源出现故障，系统警告单元模块将发出告警。另外，系统警告单元模块还监测系统控制柜的环境状态，比如柜内温度、散热装置运行状态等。如果系统出现告警，系统警告单元模块前面板的指示灯会闪烁，并通知系统控制软件。硬件系统模块组成结构及其控制关系如附图7所示。

该系统还包括系统控制模块、现场显示模块、历史回放模块、系统设置模块、远程监控模块以及系统报警处理模块等部分，它们具备统一的接口，支持二次开发，可根据用户的要求进行配置、裁减、优化。为适应当前企业信息化需要，该系统远程实时在线监测。如附图7所示。

这些模块安装在用户中心控制室的服务器上，以便用户中心控制室监控现场钢包下渣状况。其主要功能是：注册/注销/修改最多16个炼钢厂128条连铸生产线的目标系统；实时显示当前目标系统的钢水流动状态图谱；显示目标系统运行状态，包括下渣告警状态、传感器状态、机柜内温度、风扇状态、系统供电状态等。

该系统还包括自主设计的振动信号传感器，传感器由压电探头、胶质填料、金属外壳以及整流电路组成，能够实现在恶劣环境下的振动信号采集。传感器安装在原理钢水的地方，可以大大提高传感器的使用寿命，其结构简图见附图2。

最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (4)

1、一种大包下渣检测自动控制方法，其特征在于，采用基于隐性马尔可夫模型的数据识别方法，包括以下步骤：

(1)将振动信号传感器采集到的振动信号从时间上划分为无渣、混渣和全渣三个阶段，在对原始振动信号进行滤波后，提取若干典型频率的幅值组成观测值矢量，作为基于隐性马尔可夫模型的数据识别方法的训练数据；

(2)将信号的频率幅值进行矢量量化，使其达到基于隐性马尔可夫模型的数据识别方法的建模要求；

(3)将典型频谱分量量化值矢量组成的数据集利用优化的Baum-Welch算法训练出各浇注状态的基于隐性马尔可夫模型的数据识别方法的模型，由各种浇注状态的基于隐性马尔可夫模型的数据识别方法的模型组成模型库；

(4)在钢水浇注过程中，将由振动信号处理得到观察值序列输入各基于隐性马尔可夫模型的数据识别方法的模型，选择输出概率值最大的模型对应的工作状态作为识别的结果。

2、根据权利要求1所述的一种大包下渣检测自动控制方法，其特征在于，所述的振动信号传感器由压电探头、胶质填料、金属外壳以及整流电路组成。

3、一种用于实现大包下渣检测自动控制方法的系统，其特征在于，包括处理控制单元模块、电源管理单元模块、电器控制单元模块、系统警告单元模块和前端控制单元模块；

所述的处理控制单元模块主要完成对输入信号进行预处理、输出控制信号以及系统通讯等三项功能；

所述的电源管理单元模块为其他模块提供电源，并具有电源工作/异常显示功能；

所述的电器控制单元模块负责系统电气控制以及电缆连接，包括空气开关、电源保险、面板控制及电路接插件；

所述的系统警告单元模块收集系统告警信息并显示，告警信息包括电源状态、风扇工作状态和系统内部温度；

所述的前端控制单元模块是现场的主要控制部件，用于实现浇注计时、现场信号的前级处理、控制报警系统以及水口开关。

4、根据权利要求3所述的一种用于实现大包下渣检测自动控制方法的系统，其特征在于，还包括系统控制模块、现场显示模块、历史数据回访模块、系统参数设置模块、远程网络监视模块以及系统报警处理模块；

所述的系统控制模块用于负责系统的启动/停止、设备选择、通信方式设置以及实时数据采集；

所述的现场显示模块用于接受系统控制模块上传的实时数据，进行处理后显示；

所述的历史数据回放模块用于对历史数据进行重复显示、比较，来判断下渣状态；

所述的系统参数配置模块用于对系统运行参数如采样点数、采样频率、通道参数进行配置；

所述的远程网络监视模块用于为系统提供网络支持，通过LAN或者接口实现在远程监控端对现场的实时检测；

所述的系统报警处理模块用于通过对大量的数据进行计算、学习，实现对下渣状态的模式识别，在钢渣达到已经极限时进行报警，提示停止浇注。

Images