基于希尔伯特黄变换的转炉火焰光谱特征分析及应用

基于希尔伯特黄变换的转炉火焰光谱特征分析及应用

张彩军¹  韩志杰²  杨爱民¹  潘宇航¹  常锦才¹  韩  阳¹

（1. 华北理工大学冶金与工程学院，河北 唐山 063009

2. 唐山钢铁集团有限责任公司总工办，河北 唐山 063016）

摘  要：钢铁大数据的深度挖掘有助于数据的科学利用，可以有效的为钢铁生产提供指导。转炉炼钢过程中，运用光电探测器对炉内火焰进行光谱数据采集，平均每炉可以得到1800*2048个数据，针对这些数据的科学分析、特征提取与合理应用，有助于挖掘炉内气氛、铁水中碳元素含量和铁水温度等重要参数。本文应用希尔伯特-黄变换算法，对光谱数据原始信号进行微分经验模态分解，得到代表光谱有效信息的固有模态函数，然后对占据信号大部分能量的固有模态函数-5进行时频分析，得到转炉炼钢过程中的特征点，初步解决了通过光谱信息得知碳含量变化的问题，为转炉炼钢终点碳含量的控制提供了指导。

关键词：转炉炼钢；光谱特征；希尔伯特-黄变换；微分经验模态分解

1 引  言

转炉炼钢主要依据钢水中杂质在高温状态下与氧气发生的化学反应，通过化学反应将固态杂质以气态的形式排除，最终实现钢水提纯。实际的转炉吹炼过程，借助高压氧枪从转炉炉顶吹入氧气，通过调节氧气的吹入的瞬时流量与累计流量来控制钢水的温度与钢水内碳元素含量，最终产出质量合格的钢水。目前，中小型转炉多采用人工经验炼钢等的方法来判断终点碳含量即温度，人工经验判定的依据是炉口火焰的颜色变化[1]，人眼在宏观上具有很强的辨识能力，但在细微之处产生的误差比较大，这也是导致人工经验误差大的原因，若能通过计算机智能识别这些光谱数据，通过科学的数据挖掘方法，将会提高终点判断的准确性。

为了实现有效的控制，相关学者对光谱数据或光谱图像进行了大量的分析，以期从繁杂、大量的数据中提取标志性特征[2-3]，目前从炉口火焰图像中可提取控制的信息主要有图像纹理特征、区域边沿特征、图像中不同区域的光谱强度等特征等。在图像纹理特征方面：刘辉[4]等提出了基于灰度差分统计的火焰纹粗糙度提取方法，通过对原始火焰图像做去噪、分割、灰度转换的预处理，并计算灰度差分直方图，对比得出各种特征表述粗糙度的效果;尤佳[5]等提出了一种通过对转炉炉口火焰纹理特征的分析，判断氧气顶吹转炉吹炼终点的方法和检测识别系统技术方案。在区域边沿特征方面：张进华,庄健等[6]根据燃烧过程中火焰的物理特性,结合火焰的静态和动态特征,设计了一种多特征融合的火识别算法,对火灾进行快速判别。针对不同区域的光谱强度等特征方面：许凌飞[7]基于支持向量机学习算法,选用能够描述光谱分布变化规律的若干个波长处的光谱光强作为模型的输入参量,引入钢水状态值的量作为模型的输出参量,建立了在线实时控制模型。

对于火焰图像特征的提取应尽可能地利用不同波段的图像提取多种能够反映钢水的特征，目前应用最为广泛的是多变量图像分析方法，MIA 方法的核心是利用主元变换把三维的图像数据转换为二维[8]，利用直方图提取窗口内总亮度、平均亮度、总的颜色、平均颜色等特征[9]。不过此方法在转换时也存在一定的误差，本文据炼钢过程光谱信息短时、瞬变、非周期、非线性、非平稳特点，提出了一种基于HHT的光谱分析方法，并用其分析炼钢过程光谱的信号特征，通过DEMD分解[10]和时频分析[11]，寻找炼钢过程光谱的特征点，为炼钢终点预测的提供支持。

2 转炉炼钢过程

2.1 获取炉口火焰光谱数据

转炉炼钢过程的关键在于控制氧枪的喷氧压力、氧枪位置和造渣制度[9]，当系统或操作人员估计的炼钢终点到来时，将氧枪提出，同时将转炉绕轴旋转一定的角度，取出一部分样品进行测量，由于测量的主要指标为钢水中的碳含量，俗称“一次拉碳”。如果钢水成分和温度没有达到目标范围，则需要重新将水冷氧枪插入转炉，造渣吹炼，重复以上步骤，直至钢水有达到目标范围。

由于炼钢过程是一个发光发热的化学反应过程，操作人员通常采用经验性观察炉口火焰的通透性和亮度来判定“一次拉碳”点，统计结果表明经验炼钢终点判定的命中率可以达到45%以上，验证了炉内火焰情况与炼钢终点之间的必然联系。为了获取炉口火焰的光谱特征，在炉口安装光电探测器，如图1所示，该仪器可以实时的采集各波长（将可见测的波长按照固定的步长分割成了2048个点）对应的光强（即光的亮度），该组数据是一个2048维的行向量，每秒采集两组数据，在整个吹炼过程中平均可以获取368.64万个数据。

2.2 转炉炼钢过程中光谱信息分析

在经验控制或者动态控制中，工人要从火焰的变化来获取不同程度的信息，这些信息包括火焰的光强、光谱分布及火焰图像信息。为了寻找转炉炼钢的终点，首先对炼钢过程中光谱信息数据进行可视化分析，如图2所示：

在转炉炼钢前期，炉口火焰呈现暗红色，亮度较低，并出现大量浓烟。转炉炼钢中期，火焰逐渐发白，亮度明显提升，出现不规则抖动，以及伴有小范围喷溅出现，到转炉炼钢后期，火焰呈现炙白色，亮度达到最高，火焰相对稳定，会有爆炸火花出现。由图2中的四幅光谱数据三维可视化图像可知，基于炼钢前期、中期和后期的各波长下光强分布大致与理论相符，但是各吹炼过程呈现的特征并不稳定，且在后期存在着较大的差异。为了进一步挖掘转炉炼钢过程中的光谱的共性特征，需要借助数据挖掘算法和科学计算理论。本文采用希尔伯特-黄变换理论，对光谱数据进行分析。

3 基于希尔伯特-黄变换的数据分析算法设计

3.1 基本理论介绍

希尔伯特-黄变换(HHT)主要是针对傅里叶变换、小波变换等在处理非平稳、非线性信号上的局限性而提出的。由于该算法是后验性的，因此适合处理非平稳、非线性信号。HHT的主要思想是先将信号经过经验模式分解(EMD)成为一系列的固有模态函数(IMF)[6]，然后采用Hilbert-Huang变换进行处理，获得各IMF分量的Hilbert谱和Hilbert边际谱等对信号进行分析和处理。

经验模式分解方法根据数据本身的特征进行分解，将信号分解成一组稳态的数据序列集，即IMF分量模式，每一个IMF分量必须满足两个条件：

(1) 整个信号序列中，极值点的数目和过零值的数目必须相等或至多相差一点；

(2) 在任意点，由局部极大值点构成的上包络线和极小值点构成的下包络线的平均值为零。EMD方法是通过原始特征时间尺度来获得IMF分量筛分过程，将原始信号分解成个IMF分量和一个残余分量，即：

HHT谱描述了信号的幅值在整个频率段上随时间和频率的变换规律，是一种加权的联合时间-频率幅值分布。更进一步，通过对时间的积分可获得信号的Hilbert边际谱。

Hilbert边际谱同Fourier[11]谱一样反映了光谱信号信号的频率-幅值分布，某个频率值的存在意味着存在这一频率成分的正弦或余弦波，而其发生的时刻，则在HHT谱中给出了精确的定位。具体算法设计如图3所示：

图2 HHT算法设计流程图

4 转炉终点碳含量预测

4.1 光谱特征分析

转炉炼钢的人工经验是通过火焰的判断，因此，在转炉炼钢过程中，火焰会按照一定的规律变化。通过测得光谱（波段—光强）的现场数据，得到火焰光谱分布变化如图3所示。可以看出，吹炼前期，火焰光谱光强逐渐增强，同时在波长750mm附近处，有一个明显的发射峰逐渐突出。在波长600mm处。有一个很小的发射峰正在逐渐突出。转炉炼钢口炉口前期火焰光谱图如图4所示：

在吹炼中期，焰收缩越来越小，并且愈趋明亮，此时，火焰会在某个短时间变得更明亮，这就说明了碳氧反应达到一个峰值。火焰上升的速度增加，比较浓厚。并且吹炼中期，火焰光谱的最大光强的波长逐渐由连续谱段的峰值波长编程右锋的波长。

在吹炼后期，火焰持续收缩，并且逐渐变软，变轻，变薄。吹炼后期，炉口火焰光谱中的连续谱逐渐被“压扁”，火焰光谱光强总体变暗，而特征与原子的发射谱线处的光强完全突出，而连续谱在波长600mm和750mm左右的地方，两个峰已经特别明显。转炉炼钢炉口后期火焰光谱图如图5所示。      

在增碳法的操作情况下，炉口火焰光谱分布形状变化有如下的规律：炉口火焰光谱的左锋和右锋逐渐变大，峰值越来越突出，从淹没在连续谱中抑制到光强值远远大于连续谱的峰值波长，右锋的波长变化明显，在终点时刻，右锋的光强值会远远高于左锋的光强值：连续谱逐渐被压扁，在左右峰值之间的连续光谱光强由弱变强。本文通过对多炉数据进行分析，发现在累计氧气的85%道吹氧结束，一直存在两个峰值，且所在波长相近，如图5所示，所以本文采用两个峰值的强度之比（即相对强度）作为信号源进行分析。

4.2 光谱特征对应数据处理

由于炼钢终点是对炉内铁水温度和含碳量进行实际测量的有效值，但是吹炼过程中，这些数据是不可能实时得到的。为了研究吹炼过程，依据本次数据处理需求自主研发了一个小软件，即SM软件。该软件可以应用终点含碳量、终点温度、原料特征和物理化学参数等计算出每个含碳量下对应的累计耗氧量、铁水温度等参数，如表1。

基于此，通过调试SM软件，并用该软件推得含碳量以0.01为步长推得到炼钢过程85%时的累计吹氧量的值及铁水温度的值，最后将SM推得的数据对应到原始数据表中,然后利用分段线性插值求出各对应氧气累计流量的碳含量。

4.3 炼钢终点碳含量预测

利用HHT分析出相对强度信号的各个本征模态函数[12]，以碳含量为x轴，频率为y周，得出各个炉的IMF图形，如图6所示。

经DEND分解与Hilbert变换后，该信号被分解为的8个IMF如图6，轴表示含碳量， 轴表示相对强度信号，本文分析的阶段是整个吹炼85%以后的过程，接着对图6中经DEMD分解出来的IMF分量进行逐个分析：

（1）IMF 1是原始信号中分解出的频率最高、波长最短的波动[13]，这代表炼钢过程的噪声或信号的高频成分。

（2）随着分解的进行，所得的IMF分量频率逐渐降低，波长越来越长，直到分解出频率已经很低的IMF8，各IMF分量包含了不同含碳量尺度，可以不同的分辨率现实信号特征，并且这种分辨率是自适应的，相对小波的多分辨率分析，DEMD方法在分解信号时更加简单。

（3）从分解结果可以看出IMF4—IMF5已占据了信号的大部分能量[14]，为光谱信号的优势频率段，体现了光谱信号最显著的信息，接着我们对IMF5进行时频分析，得到IMF5的时频图如图8所示：

（1）通过对唐钢提供的24炉光谱数据进行谱分析，其中有13炉的IMF5在碳含量在0.3（左右波动十个碳，即0.2-0.4），会出现峰值，占总炉数的54.1%。

（2）通过对24炉的IMF5进行时频分析，发现其中15炉的时频图在40s(左右波动10s)时会出现峰值，占总炉数的62.5%。

5 结论

将HHT算法适合处理非平稳、非线性信号的优点应用到炼钢光谱分析中，提出了一种转炉终点预测的新方法：对光谱信息的原始信号进行DEMD分解，得到代表光谱有效信息的IMF，然后对占据信号大部分能量的IMF5进行时频分析，得到具有相同规律炉数的比例达到62.5%，若能实现现场的实时控制，便可以实现对光谱信息的特征的准确预测。如果要达到更精确的预测，可以引入更多的炉次数或加入元素更多的光谱信息来预测模型，以适应转炉炼钢在线控制的要求。

参考文献

[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,邵诚. 基于RBF神经网络的加热炉钢温预报模型[J]. 系统仿真学报,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,季艳. 基于DEMD和对称差分能量算子解调的滚动轴承故障诊断[J]. 中国机械工程,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] 许凌飞. 基于炉口火焰光谱信息的转炉炼钢终点在线碳含量测量方法研究[D].南京理工大学,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.