基于多傳感器信息融合AOD爐噴濺預(yù)報

郭鳳濤， 徐 亮， 尤 文

（長春工業(yè)大學(xué)電氣與電子工程學(xué)院，吉林長春 130012）

0 引 言

綜觀AOD爐噴濺研究現(xiàn)狀，目前對噴濺的認(rèn)識水平僅局限在定性層面，如金屬性噴濺、泡沫性噴濺，工程上也用大噴、中噴和小噴來描述，對噴濺還沒有一個定量的描述和分析方法；噴濺的研究熱點也僅局限于對外噴的關(guān)注，對內(nèi)噴的研究幾乎是零，這忽視并割裂了外噴是由內(nèi)噴發(fā)展而來的客觀事實，使外噴的研究成果失去了堅實基礎(chǔ)，甚至連一個能夠包含內(nèi)噴和外噴概念的公認(rèn)的噴濺定義尚未建立；目前國內(nèi)外也沒有一種噴濺分析儀器問世，這給外噴的預(yù)防帶來巨大困難，更不具備對外噴進(jìn)行提前有效預(yù)報能力；也更談不上對外噴進(jìn)行自動控制。因而，有必要在轉(zhuǎn)爐煉鋼和氬氧精煉鐵合金生產(chǎn)過程中尋找一種能夠間接表征噴濺即將發(fā)生的特征信號，而該信號又能夠?qū)崿F(xiàn)在線檢測，進(jìn)而利用該信號來對噴濺進(jìn)行計量，對外噴進(jìn)行預(yù)報，并為實現(xiàn)自動控制提供基礎(chǔ)，避免噴濺發(fā)生。文中采用多傳感器融合技術(shù)已達(dá)到對噴濺產(chǎn)生時的物理現(xiàn)象進(jìn)行檢測融合，給出融合以后噴濺發(fā)生的信息，為控制冶煉過程的噴濺提供支持。

傳統(tǒng)的AOD爐在線檢測設(shè)備復(fù)雜，投資高，維修難度大。近幾年開發(fā)的各種聲學(xué)或光學(xué)檢測設(shè)備不僅設(shè)備簡單、投資小，而且容易維護(hù)、檢測成本低。由于全自動AOD爐要求對整個吹煉過程進(jìn)行計算機閉環(huán)控制，因此，對爐內(nèi)信息的檢測必須要求連續(xù)、準(zhǔn)確、響應(yīng)快。為適應(yīng)這一要求，近幾年開發(fā)的各種光學(xué)、聲學(xué)或力學(xué)的檢測設(shè)備均采用連續(xù)檢測技術(shù)，不斷向計算機提供各種爐內(nèi)信息。煉鋼反應(yīng)是在高溫下進(jìn)行的，直接測量有很多困難。采用間接測量技術(shù)，通過對噴濺外在爐體現(xiàn)象的噴濺特征，或是對爐口火焰強度的測定以及對爐內(nèi)聲、光、電等現(xiàn)象的檢測，可推斷預(yù)報爐內(nèi)狀況。通過較精確的數(shù)學(xué)模型還可進(jìn)一步校正檢測和計算誤差。

冶煉過程可以使用多傳感器進(jìn)行檢驗，綜合利用來自多傳感器的信息，按照一定的規(guī)則最優(yōu)化結(jié)合為目標(biāo)特征參數(shù)的單一表示或估計，即通過融合處理的方法，把這種融合的特性參數(shù)作為控制的反饋信號，以減少單個或全體傳感器檢測信息的損失、不確定性和誤差，達(dá)到更精確進(jìn)行控制的目的。對于大型的冶煉，由于其干擾的信號很復(fù)雜，單一類型傳感器的局限性和誤差很大。因此，在復(fù)雜大型的工業(yè)生產(chǎn)的控制系統(tǒng)應(yīng)用數(shù)據(jù)融合技術(shù)，可以達(dá)到互補的目的及優(yōu)越的控制性能。

在工業(yè)冶煉中通常都是利用傳感器對冶煉過程進(jìn)行檢測和控制，這種控制不能很好地對其進(jìn)行在線控制，因此，文中提出利用多傳感器、多信息融合技術(shù)對冶煉過程進(jìn)行更好的檢測，更好地預(yù)報在冶煉過程中出現(xiàn)的噴濺現(xiàn)象。

1 方案提出

基于多傳感器信息融合的噴濺檢測技術(shù)，針對噴濺特征信號爐內(nèi)振動、音頻、視頻特征信號來計量及檢測噴濺強度等級的方法，并分析預(yù)報噴濺發(fā)生的原因，計量及檢測比較分析爐內(nèi)音頻、振動、視頻信號，利用小波去噪提取方法→爐內(nèi)→音頻與振動視頻多傳感器信息融合方法→噴濺信號的重構(gòu)方法→爐體高壓冷卻水入口管路振動信號與噴濺導(dǎo)致的爐體振動信號差異性分析→定向拾音器位置對音頻信號的影響實驗分析→形成噴濺計量及檢測技術(shù)，進(jìn)而形成噴濺分析技術(shù)，為噴濺強度等級計量提供理論支持。

另外，還能夠在線監(jiān)測且能表征噴濺發(fā)生的信號。如聲波信號、振動信號、火焰圖像。在AOD爐吹煉過程中，不同階段爐內(nèi)聲音也有所不同，可以根據(jù)爐內(nèi)聲音的不同來判斷是否會發(fā)生噴濺。氧槍的振動情況也可以表征噴濺發(fā)生與否。在冶煉期間火焰圖像體現(xiàn)噴濺等級強度。對傳感器采集的信號進(jìn)行狀態(tài)估計，狀態(tài)估計分為動態(tài)估計和靜態(tài)估計，這里主要對動態(tài)估計進(jìn)行說明，動態(tài)估計中被估計的參數(shù)是隨時間變化的，其目的是對目標(biāo)過去的運動狀態(tài)進(jìn)行平滑，對目標(biāo)現(xiàn)在的運動狀態(tài)進(jìn)行濾波和對目標(biāo)未來的運動狀態(tài)進(jìn)行預(yù)測，文中通過Kalman濾波技術(shù)以達(dá)到對多個傳感器采集的信號進(jìn)行濾波、狀態(tài)估計。

基于多傳感器信息融合的噴濺計量及檢測技術(shù)，噴濺特征信號（爐內(nèi)音頻、振動，爐外火焰強度）計量及檢測方法比較分析→爐內(nèi)音頻和振動信號的小波去噪提取方法與爐外火焰圖像小波融合方法→爐內(nèi)音頻、振動與爐外火焰圖像信號的多傳感器信息融合方法→噴濺信號的重構(gòu)方法→爐體高壓冷卻水入口管路拾振信號與噴濺導(dǎo)致的爐體振動信號差異性分析→定向拾音器位置對音頻信號的影響實驗分析→形成噴濺計量及檢測技術(shù)→基于噴濺能量等級計量及檢測方法的外噴預(yù)報技術(shù)，由內(nèi)噴發(fā)展到外噴的臨界閾值計算方法→臨界閾值實驗校正方法→計算方法與實驗校正方法誤差分析→形成外噴預(yù)報技術(shù)。

2 系統(tǒng)構(gòu)成

2.1 信息融合的級別

按照數(shù)據(jù)抽象的3個層次，目標(biāo)識別的信息融合方法可以分為3級：數(shù)據(jù)級融合（也稱像素級融合）、特征級融合和決策級融合。文中采用特征及融合。

由于是對不同介質(zhì)的多傳感器信息進(jìn)行融合，所以必須在特征層或判定層融合。特征層融合時，首先從傳感器數(shù)據(jù)中提取特征數(shù)據(jù)組成特征向量，輸入到模式識別處理模塊中，如圖1所示。

圖1 特征及融合結(jié)構(gòu)

2.2 目標(biāo)估計融合

對3種傳感器信息融合，實現(xiàn)目標(biāo)估計融合時采用分布式融合結(jié)構(gòu)，首先在局部傳感器上對觀測信息進(jìn)行局部處理，后將局部信息處理結(jié)果傳送到數(shù)據(jù)融合中心形成最終的全局估計，如圖2所示。

圖2 分布式融合結(jié)構(gòu)模型

2.3 分布式濾波數(shù)據(jù)融合算法Kalman濾波融合算法

首先是兩個振動傳感器在檢測到的信號融合。為了討論方便，在此只討論過程與測量噪聲是相互獨立，系統(tǒng)中不含控制項，且各傳感器位于同一地理位置的情況［1］。

考慮一類多傳感器動態(tài)系統(tǒng)

其中整數(shù)k≥0為離散時間變量，X（k）∈Rn×1為狀態(tài)向量，Φ（k）∈Rn×n是系統(tǒng)矩陣；系統(tǒng)過程噪聲w（k）∈Rn×1為高斯白噪聲序列，具有如下的統(tǒng)計特性：

式中：Q（k）——非負(fù)定矩陣。

兩傳感器以相同的采樣速率對目標(biāo)的特征進(jìn)行觀測，式（2）中zi（k）∈Rpi×n是第i個傳感器對目標(biāo)狀態(tài)X（k）的觀測值，Hi（k）∈Rpi×n是測量矩陣，測量噪聲vi（k）∈Rpi×n是高斯白噪聲序列，具有如下的統(tǒng)計特性

式中：Ri（k）——正定矩陣。

3 分布式數(shù)據(jù)融合算法

一個重要的問題便是如何利用已有的局部信息進(jìn)行組合。建立分布式系統(tǒng)的融合，其目的是為了利用各單一傳感器豐富的信息，提高信息的精度。利用Kalman濾波技術(shù)給出不同精度的局部信息準(zhǔn)確性［2－4］。

假設(shè)分布式多傳感器信息融合系統(tǒng)由兩個傳感器LP1和LP2組成的，（k｜k）和P1（k｜k）是傳感器LP1關(guān)于k時刻的目標(biāo)狀態(tài)最小均方誤差估計和誤差協(xié)方差矩陣，（k｜k）和P2（k｜k）是傳感器LP2關(guān)于時刻k的目標(biāo)狀態(tài)最小均方誤差估計和誤差協(xié)方差矩陣。則分布式融合的目的就是依據(jù)上述條件獲得優(yōu)化后的全局估計和狀態(tài)估計協(xié)方差。

分布式濾波數(shù)據(jù)融合算法的思想：在由多傳感器組成的分布式動態(tài)系統(tǒng)中，當(dāng)對目標(biāo)狀態(tài)的所有觀測值到來時，首先基于系統(tǒng)先前信息對該時刻目標(biāo)狀態(tài)進(jìn)行預(yù)測估計，利用Kalman濾波器和各局部觀測值依次對該時刻目標(biāo)狀態(tài)的估計值進(jìn)行更新，從而得到該時刻目標(biāo)狀態(tài)基于全局信息的融合估計值［7］。算法步驟如下：

2）用Z1（k＋1）（低精度傳感器的量測）對（k＋1｜k）進(jìn)行更新，得到狀態(tài)X（k＋1）基于和觀測信息Z1（k＋1）的估計值和相應(yīng)的估計誤差協(xié)方差陣

其中

3）用Z2（k＋1）（高精度傳感器對目標(biāo)的量測）對（k＋1｜k＋1）進(jìn)行更新，得到狀態(tài)X（k＋1）基于和觀測信息Z1（k＋1），Z2（k＋1）的估計值和相應(yīng)的估計誤差協(xié)方差陣

其中

采用兩傳感器融合時，得到的k＋1時刻的融合結(jié)果：

分步濾波過程如圖3所示。

圖3 分步濾波過程

上述分步式濾波過程由圖3（a）表示，其中虛線框內(nèi)的分步更新過程由圖3（b）給出。

確定噴濺時爐內(nèi)音頻信號和振動信號，視頻信號作為表征噴濺的特征信號，采用小波分析方法對其進(jìn)行提取，然后利用多傳感器信息融合技術(shù)對爐內(nèi)音頻信號、振動信號、視頻信號進(jìn)行融合處理，進(jìn)而重構(gòu)噴濺信號，形成基于多傳感器信息融合的噴濺計量及檢測技術(shù)。

根據(jù)融合功能的層次性和信息的流通方式及傳輸形式把信息融合過程分為5級，即檢測、位置、目標(biāo)識別融合及態(tài)勢和威脅估計。在結(jié)構(gòu)模型中的檢測級融合結(jié)構(gòu)利用帶反饋的并行結(jié)構(gòu)對噴濺現(xiàn)象采集的震動、音頻、圖像通過融合中心進(jìn)行融合，并反饋到個局部傳感器作為下一刻局部決策的輸入。

針對氬氧精煉過程，通過對噴濺空氣動力學(xué)和化學(xué)反應(yīng)機理的研究，分析噴濺時爐內(nèi)音頻、振動、視頻、渣層溫差的變化曲線，形成基于空氣動力學(xué)和化學(xué)反應(yīng)機理的噴濺分析技術(shù)。

1）爐內(nèi)振動信號、音頻信號、視頻信號的提取及其融合方法，以及噴濺強度信號重構(gòu)技術(shù)；

2）基于空氣動力學(xué)和化學(xué)反應(yīng)機理的噴濺分析技術(shù)；

3）由內(nèi)噴發(fā)展到外噴的噴濺強度臨界閾值判定技術(shù)。

提出爐內(nèi)振動信號、音頻信號、視頻信號提取及其融合方法，開發(fā)噴濺強度信號重構(gòu)技術(shù)，實現(xiàn)了噴濺的定量表征，進(jìn)而將目前噴濺的定性分析提升到定量分析階段；提出基于噴濺強度檢測技術(shù)的外噴預(yù)報方法，研發(fā)由內(nèi)噴發(fā)展到外噴的噴濺強度臨界閾值判定技術(shù)，實現(xiàn)外噴的提前預(yù)報，為降低外噴發(fā)生率提供一種理想器具［8］。

依據(jù)線性最小方差信息融合準(zhǔn)則、非線性系統(tǒng)的狀態(tài)估計，推導(dǎo)出噪聲廣義系統(tǒng)按矩陣加權(quán)的多傳感器信息融合最優(yōu)濾波算法。除了在理論上對所有的算法進(jìn)行推導(dǎo)之外，文中還通過MATLAB仿真軟件進(jìn)行了大量仿真研究，仿真結(jié)果驗證了上述各算法的有效性。

4 結(jié) 語

針對鐵合金冶煉過程中的噴濺現(xiàn)象，利用多傳感器系統(tǒng)的數(shù)據(jù)融合方法進(jìn)行了深入研究，運用一種基于分步式濾波的多傳感器系統(tǒng)數(shù)據(jù)融合算法，并給出了算法的理論推導(dǎo)過程。在融合過程中，不同的融合算法所需的初值條件及對初值的依賴不同，尤其是分層融合算法，如果初值選擇不當(dāng)，濾波效果會很不理想，甚至?xí)l(fā)散，而在實際應(yīng)用中，在系統(tǒng)處理器的允許下，主要從精度考慮選擇不同的融合算法，從而達(dá)到實現(xiàn)在線檢測噴濺現(xiàn)象的產(chǎn)生，在線監(jiān)控為控制噴濺產(chǎn)生提供基礎(chǔ)條件，最終實現(xiàn)抑制噴濺產(chǎn)生。

［1］ 文成林，呂冰.一種基于分布式濾波的數(shù)據(jù)融合算法［J］.電子學(xué)報，2004，32（8）：1264-1267.

［2］ 童調(diào)生，歐陽紅林，李智勇.傳感器信息融合技術(shù)在過程控制中的運用研究［J］.計算技術(shù)與自動化，2003，22（3）：1-3.

［3］ 彭冬亮，文成林.多傳感器多源信息融合理論及應(yīng)用［M］.北京：科學(xué)出版社，2010：510.

［4］ Chen H，Bar-Shalom Y.Track fusion with legacy track sources［C］／／2006 9th International Conference on July.［S.l.］：Information Fusion，2006：1-8.

［5］ 陳延偉，施江天，吳艷茹.基于神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)在移動機器人中的應(yīng)用［J］.長春工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2009，30（5）：550-555.

［6］ 沈麗艷，馬春龍.基于數(shù)據(jù)融合的土壤電導(dǎo)率測量方法［J］.長春工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2012，33（2）：151-154.

［7］ 張銳，李文秀.多傳感器跟蹤型數(shù)據(jù)濾波融合算［J］.哈爾濱工程大學(xué)學(xué)報，2002，23（4）：106-109.

［8］ 于歡歡，許紅巖，張洋.模糊控制在AOD爐冶煉鉻鐵合金噴濺系統(tǒng)中的應(yīng)用［J］.長春工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2011，32（1）：1-6.