基于希爾伯特黃變換的轉爐火焰光譜特征分析及應用

張彩軍¹  韓志杰²  楊愛民¹  潘宇航¹  常錦才¹  韓  陽¹

（1. 華北理工大學冶金與工程學院，河北 唐山 063009

2. 唐山鋼鐵集團有限責任公司總工辦，河北 唐山 063016）

摘  要：鋼鐵大數據的深度挖掘有助于數據的科學利用，可以有效的為鋼鐵生產提供指導。轉爐煉鋼過程中，運用光電探測器對爐內火焰進行光譜數據采集，平均每爐可以得到1800*2048個數據，針對這些數據的科學分析、特征提取與合理應用，有助于挖掘爐內氣氛、鐵水中碳元素含量和鐵水溫度等重要參數。本文應用希爾伯特-黃變換算法，對光譜數據原始信號進行微分經驗模態分解，得到代表光譜有效信息的固有模態函數，然后對占據信號大部分能量的固有模態函數-5進行時頻分析，得到轉爐煉鋼過程中的特征點，初步解決了通過光譜信息得知碳含量變化的問題，為轉爐煉鋼終點碳含量的控制提供了指導。

關鍵詞：轉爐煉鋼；光譜特征；希爾伯特-黃變換；微分經驗模態分解

1 引  言

轉爐煉鋼主要依據鋼水中雜質在高溫狀態下與氧氣發生的化學反應，通過化學反應將固態雜質以氣態的形式排除，最終實現鋼水提純。實際的轉爐吹煉過程，借助高壓氧槍從轉爐爐頂吹入氧氣，通過調節氧氣的吹入的瞬時流量與累計流量來控制鋼水的溫度與鋼水內碳元素含量，最終產出質量合格的鋼水。目前，中小型轉爐多采用人工經驗煉鋼等的方法來判斷終點碳含量即溫度，人工經驗判定的依據是爐口火焰的顏色變化[1]，人眼在宏觀上具有很強的辨識能力，但在細微之處產生的誤差比較大，這也是導致人工經驗誤差大的原因，若能通過計算機智能識別這些光譜數據，通過科學的數據挖掘方法，將會提高終點判斷的準確性。

為了實現有效的控制，相關學者對光譜數據或光譜圖像進行了大量的分析，以期從繁雜、大量的數據中提取標志性特征[2-3]，目前從爐口火焰圖像中可提取控制的信息主要有圖像紋理特征、區域邊沿特征、圖像中不同區域的光譜強度等特征等。在圖像紋理特征方面：劉輝[4]等提出了基于灰度差分統計的火焰紋粗糙度提取方法，通過對原始火焰圖像做去噪、分割、灰度轉換的預處理，并計算灰度差分直方圖，對比得出各種特征表述粗糙度的效果;尤佳[5]等提出了一種通過對轉爐爐口火焰紋理特征的分析，判斷氧氣頂吹轉爐吹煉終點的方法和檢測識別系統技術方案。在區域邊沿特征方面：張進華,莊健等[6]根據燃燒過程中火焰的物理特性,結合火焰的靜態和動態特征,設計了一種多特征融合的火識別算法,對火災進行快速判別。針對不同區域的光譜強度等特征方面：許凌飛[7]基于支持向量機學習算法,選用能夠描述光譜分布變化規律的若干個波長處的光譜光強作為模型的輸入參量,引入鋼水狀態值的量作為模型的輸出參量,建立了在線實時控制模型。

對于火焰圖像特征的提取應盡可能地利用不同波段的圖像提取多種能夠反映鋼水的特征，目前應用最為廣泛的是多變量圖像分析方法，MIA 方法的核心是利用主元變換把三維的圖像數據轉換為二維[8]，利用直方圖提取窗口內總亮度、平均亮度、總的顏色、平均顏色等特征[9]。不過此方法在轉換時也存在一定的誤差，本文據煉鋼過程光譜信息短時、瞬變、非周期、非線性、非平穩特點，提出了一種基于HHT的光譜分析方法，并用其分析煉鋼過程光譜的信號特征，通過DEMD分解[10]和時頻分析[11]，尋找煉鋼過程光譜的特征點，為煉鋼終點預測的提供支持。

2 轉爐煉鋼過程

2.1 獲取爐口火焰光譜數據

轉爐煉鋼過程的關鍵在于控制氧槍的噴氧壓力、氧槍位置和造渣制度[9]，當系統或操作人員估計的煉鋼終點到來時，將氧槍提出，同時將轉爐繞軸旋轉一定的角度，取出一部分樣品進行測量，由于測量的主要指標為鋼水中的碳含量，俗稱“一次拉碳”。如果鋼水成分和溫度沒有達到目標范圍，則需要重新將水冷氧槍插入轉爐，造渣吹煉，重復以上步驟，直至鋼水有達到目標范圍。

由于煉鋼過程是一個發光發熱的化學反應過程，操作人員通常采用經驗性觀察爐口火焰的通透性和亮度來判定“一次拉碳”點，統計結果表明經驗煉鋼終點判定的命中率可以達到45%以上，驗證了爐內火焰情況與煉鋼終點之間的必然聯系。為了獲取爐口火焰的光譜特征，在爐口安裝光電探測器，如圖1所示，該儀器可以實時的采集各波長（將可見測的波長按照固定的步長分割成了2048個點）對應的光強（即光的亮度），該組數據是一個2048維的行向量，每秒采集兩組數據，在整個吹煉過程中平均可以獲取368.64萬個數據。

2.2 轉爐煉鋼過程中光譜信息分析

在經驗控制或者動態控制中，工人要從火焰的變化來獲取不同程度的信息，這些信息包括火焰的光強、光譜分布及火焰圖像信息。為了尋找轉爐煉鋼的終點，首先對煉鋼過程中光譜信息數據進行可視化分析，如圖2所示：

在轉爐煉鋼前期，爐口火焰呈現暗紅色，亮度較低，并出現大量濃煙。轉爐煉鋼中期，火焰逐漸發白，亮度明顯提升，出現不規則抖動，以及伴有小范圍噴濺出現，到轉爐煉鋼后期，火焰呈現炙白色，亮度達到最高，火焰相對穩定，會有爆炸火花出現。由圖2中的四幅光譜數據三維可視化圖像可知，基于煉鋼前期、中期和后期的各波長下光強分布大致與理論相符，但是各吹煉過程呈現的特征并不穩定，且在后期存在著較大的差異。為了進一步挖掘轉爐煉鋼過程中的光譜的共性特征，需要借助數據挖掘算法和科學計算理論。本文采用希爾伯特-黃變換理論，對光譜數據進行分析。

3 基于希爾伯特-黃變換的數據分析算法設計

3.1 基本理論介紹

希爾伯特-黃變換(HHT)主要是針對傅里葉變換、小波變換等在處理非平穩、非線性信號上的局限性而提出的。由于該算法是后驗性的，因此適合處理非平穩、非線性信號。HHT的主要思想是先將信號經過經驗模式分解(EMD)成為一系列的固有模態函數(IMF)[6]，然后采用Hilbert-Huang變換進行處理，獲得各IMF分量的Hilbert譜和Hilbert邊際譜等對信號進行分析和處理。

經驗模式分解方法根據數據本身的特征進行分解，將信號分解成一組穩態的數據序列集，即IMF分量模式，每一個IMF分量必須滿足兩個條件：

(1) 整個信號序列中，極值點的數目和過零值的數目必須相等或至多相差一點；

(2) 在任意點，由局部極大值點構成的上包絡線和極小值點構成的下包絡線的平均值為零。EMD方法是通過原始特征時間尺度來獲得IMF分量篩分過程，將原始信號分解成個IMF分量和一個殘余分量，即：

HHT譜描述了信號的幅值在整個頻率段上隨時間和頻率的變換規律，是一種加權的聯合時間-頻率幅值分布。更進一步，通過對時間的積分可獲得信號的Hilbert邊際譜。

Hilbert邊際譜同Fourier[11]譜一樣反映了光譜信號信號的頻率-幅值分布，某個頻率值的存在意味著存在這一頻率成分的正弦或余弦波，而其發生的時刻，則在HHT譜中給出了精確的定位。具體算法設計如圖3所示：

圖2 HHT算法設計流程圖

4 轉爐終點碳含量預測

4.1 光譜特征分析

轉爐煉鋼的人工經驗是通過火焰的判斷，因此，在轉爐煉鋼過程中，火焰會按照一定的規律變化。通過測得光譜（波段—光強）的現場數據，得到火焰光譜分布變化如圖3所示。可以看出，吹煉前期，火焰光譜光強逐漸增強，同時在波長750mm附近處，有一個明顯的發射峰逐漸突出。在波長600mm處。有一個很小的發射峰正在逐漸突出。轉爐煉鋼口爐口前期火焰光譜圖如圖4所示：

在吹煉中期，焰收縮越來越小，并且愈趨明亮，此時，火焰會在某個短時間變得更明亮，這就說明了碳氧反應達到一個峰值。火焰上升的速度增加，比較濃厚。并且吹煉中期，火焰光譜的最大光強的波長逐漸由連續譜段的峰值波長編程右鋒的波長。

在吹煉后期，火焰持續收縮，并且逐漸變軟，變輕，變薄。吹煉后期，爐口火焰光譜中的連續譜逐漸被“壓扁”，火焰光譜光強總體變暗，而特征與原子的發射譜線處的光強完全突出，而連續譜在波長600mm和750mm左右的地方，兩個峰已經特別明顯。轉爐煉鋼爐口后期火焰光譜圖如圖5所示。      

在增碳法的操作情況下，爐口火焰光譜分布形狀變化有如下的規律：爐口火焰光譜的左鋒和右鋒逐漸變大，峰值越來越突出，從淹沒在連續譜中抑制到光強值遠遠大于連續譜的峰值波長，右鋒的波長變化明顯，在終點時刻，右鋒的光強值會遠遠高于左鋒的光強值：連續譜逐漸被壓扁，在左右峰值之間的連續光譜光強由弱變強。本文通過對多爐數據進行分析，發現在累計氧氣的85%道吹氧結束，一直存在兩個峰值，且所在波長相近，如圖5所示，所以本文采用兩個峰值的強度之比（即相對強度）作為信號源進行分析。

4.2 光譜特征對應數據處理

由于煉鋼終點是對爐內鐵水溫度和含碳量進行實際測量的有效值，但是吹煉過程中，這些數據是不可能實時得到的。為了研究吹煉過程，依據本次數據處理需求自主研發了一個小軟件，即SM軟件。該軟件可以應用終點含碳量、終點溫度、原料特征和物理化學參數等計算出每個含碳量下對應的累計耗氧量、鐵水溫度等參數，如表1。

基于此，通過調試SM軟件，并用該軟件推得含碳量以0.01為步長推得到煉鋼過程85%時的累計吹氧量的值及鐵水溫度的值，最后將SM推得的數據對應到原始數據表中,然后利用分段線性插值求出各對應氧氣累計流量的碳含量。

4.3 煉鋼終點碳含量預測

利用HHT分析出相對強度信號的各個本征模態函數[12]，以碳含量為x軸，頻率為y周，得出各個爐的IMF圖形，如圖6所示。

經DEND分解與Hilbert變換后，該信號被分解為的8個IMF如圖6，軸表示含碳量， 軸表示相對強度信號，本文分析的階段是整個吹煉85%以后的過程，接著對圖6中經DEMD分解出來的IMF分量進行逐個分析：

（1）IMF 1是原始信號中分解出的頻率最高、波長最短的波動[13]，這代表煉鋼過程的噪聲或信號的高頻成分。

（2）隨著分解的進行，所得的IMF分量頻率逐漸降低，波長越來越長，直到分解出頻率已經很低的IMF8，各IMF分量包含了不同含碳量尺度，可以不同的分辨率現實信號特征，并且這種分辨率是自適應的，相對小波的多分辨率分析，DEMD方法在分解信號時更加簡單。

（3）從分解結果可以看出IMF4—IMF5已占據了信號的大部分能量[14]，為光譜信號的優勢頻率段，體現了光譜信號最顯著的信息，接著我們對IMF5進行時頻分析，得到IMF5的時頻圖如圖8所示：

（1）通過對唐鋼提供的24爐光譜數據進行譜分析，其中有13爐的IMF5在碳含量在0.3（左右波動十個碳，即0.2-0.4），會出現峰值，占總爐數的54.1%。

（2）通過對24爐的IMF5進行時頻分析，發現其中15爐的時頻圖在40s(左右波動10s)時會出現峰值，占總爐數的62.5%。

5 結論

將HHT算法適合處理非平穩、非線性信號的優點應用到煉鋼光譜分析中，提出了一種轉爐終點預測的新方法：對光譜信息的原始信號進行DEMD分解，得到代表光譜有效信息的IMF，然后對占據信號大部分能量的IMF5進行時頻分析，得到具有相同規律爐數的比例達到62.5%，若能實現現場的實時控制，便可以實現對光譜信息的特征的準確預測。如果要達到更精確的預測，可以引入更多的爐次數或加入元素更多的光譜信息來預測模型，以適應轉爐煉鋼在線控制的要求。

參考文獻

[1] Kubat C, H Taskin，Artir R,et al.Bofy-fuzzy logic control for the basic oxygen furnace(BOF)[J].Robotics and Autonomous Systems,2004,49(3/4):193-205

[2] Coxa I J,Lewis R W,Ransing R S,et al.Application of neural computing in basic oxygen sheelmaking[J].J of Materials Processing Technology,2002,120(1-3):310-315.

[3] Yun S Y，Chang K S.Dynamic Predication Using Neural Network for Automation of BOF Process in Steel Industry[J].I&SM,1996(8):37-42.

[4] 王中杰,柴天佑,邵誠. 基于RBF神經網絡的加熱爐鋼溫預報模型[J]. 系統仿真學報,1999(03):39-42+51.

[5] Yu L, Wang S, Lai K K. Forecasting crude oil price with an EMD-based neural network ensemble learning paradigm[J]. Energy Economics, 2008, 30(5):2623-2635.

[6] Sues H D, Arbour V M, Currie P J. OPEC cuts production; gasoline prices remain low. (Top of the News).(Organization of Petroleum Exporting Countries)(Brief Article)[J]. Inorganica Chimica Acta, 1977, 21(00):L9–L11.

[7]孟宗,季艷. 基于DEMD和對稱差分能量算子解調的滾動軸承故障診斷[J]. 中國機械工程,2015,12:1658-1664.

[8] Huang N E, Wu Zhaohua.A review on Hilbert-Huang transform:Method and its applications to geophysical studies[J].Review of Geophysics,2008,46(6):1029-1039

[9] Mitchell J, Pitcher D B, Alnefelt T,et al. Identifying common metalloprotease inhibitors by protein fold types using Fourier Transform Mass Spectrometry.[J]. Bioorganic & Medicinal Chemistry Letters, 2007, 17(23):6521-6524.

[10] 許凌飛. 基于爐口火焰光譜信息的轉爐煉鋼終點在線碳含量測量方法研究[D].南京理工大學,2011.

[11] Lacout A, Marcy P Y, Hajjam M E, et al. Metformin as possible therapy of pulmonary arterio venous malformation in HHT patients[J]. Medical Hypotheses, 2015, 85(3):245-8.

[12] Idrus S N S, Zaini N S, Mohamad I S, et al. Comparison of thermal conductivity for HHT-24-CNF-based nanofluid using deionized water and ethylene glycol[J]. Chemical & Pharmaceutical Bulletin, 2015, 77(21):996-1007.

[13] Kopsinis Y, Mclaughlin S. Development of EMD-Based Denoising Methods Inspired by Wavelet Thresholding[J]. IEEE Transactions on Signal Processing, 2009, 57(4):1351-1362.

[14] Takashi Taga , Suzuki A, Gonzalez-Gomez I, et al. α v -Integrin antagonist EMD 121974 induces apoptosis in brain tumor cells growing on vitronectin and tenascin[J]. International Journal of Cancer, 2002, 98(5):690–697.