AOD炉喷溅计量预报分析仪信息融合方法研究

发布时间：2017-06-01 23:10

  本文关键词：AOD炉喷溅计量预报分析仪信息融合方法研究，，由笔耕文化传播整理发布。

【摘要】：喷溅是炼钢行业久治不愈的顽疾,威胁工人生命安全,破坏生产环境并造成严重经济损失。作为国家支柱行业,钢铁生产成本居高不下、产能过剩、高污染、高耗能已成为亟待整治的现实问题。而对喷溅预报分析技术的研究必然会对上述问题的缓解甚至根除发挥极大作用。本文基于AOD炉喷溅预报分析的多传感器信息融合方法研究,根据现场采集到的发生喷溅炉次的炉口音频信号、炉口火焰图像及炉体振动信号进行时频域分析总结,最后提出了一种基于特征层融合的BP神经网络融合方法。根据大量实验校正,证明该方法可以准确完成喷溅预报。最后设计了基于LabVIEW的喷溅预报界面,提供了一种对喷溅预报及分析研究的软件平台。首先确定了特征层数据融合的融合结构,然后提取有效的喷溅预报特征信号。针对一维声音及振动信号,本文将其分为正常冶炼信号及喷溅前信号。首先对比分析它们的FFT频谱,比较出两者的整体频率特征；然后进行时域小波包频谱分析,观察它们的时频变化特性；然后根据上面的分析结果,选择具有喷溅预报特征的频谱,采用db10小波包对其进行三、四层小波包分解,进一步对比分析它们每个频段的能量值、FFT的不同；最后根据分析结果确定一组可以完全区分喷溅信号和正常信号的特征向量,本文根据大量实验数据分析得出的每种信号的喷溅特征向量都不尽相同。每路信号最终都得到一组喷溅特征值和预报分析阈值,通过分析比较实时信号特征向量值与喷溅预报特征值的相似度及预报分析阈值的大小,便可以实现提前预报的效果。对二维信号图像的分析处理,采用图像识别技术,分析方法与一维信号类似。最终提取出可以完成准确预报的喷溅预报特征向量及阈值。然后根据提取的喷溅预报向量值进行融合算法研究,最终确定基于BP神经网络的融合算法,并将预报等级分为四个预报级别。首先将四种喷溅预报特征信号的相似度值作为输入信号,并根据实际发生喷溅情况的严重性分为三种,并且分别定义它们的输出为四级喷溅。最后根据一种BP网络进行网络训练,并根据训练后的网络实行实际值训练,结果表明该网络完全可以完成喷溅预报的任务。最后本文设计了一种基于LabVIEW软件编程的喷溅预报软件界面设计,并介绍了该预报平台的主要功能,包括数据采集、存储、波形回放以及实时预报等功能。并且实现了喷溅强度等级的划分及计量,达到了论文研究的目的,提供了一种对喷溅预报及分析研究的软件平台。
【关键词】：AOD炉 多传感器融合 喷溅 小波 LabVIEW
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TF748;TP202
【目录】：

• 摘要2-3
• Abstract3-7
• 第一章 绪论7-12
• 1.1 课题研究来源及意义7-8
• 1.1.1 课题来源7
• 1.1.2 论文研究意义7-8
• 1.2 AOD炉喷溅的机理分析8-9
• 1.3 喷溅预报发展现状与趋势9-10
• 1.4 论文主要内容10-12
• 第二章 AOD炉喷溅预报系统总体设计12-18
• 2.1 总体设计原理12
• 2.2 检测系统设计12-16
• 2.2.1 音频信号检测系统12-14
• 2.2.2 振动信号检测系统14-15
• 2.2.3 火焰图像采集系统15
• 2.2.4 研华数据采集卡(PCI-1716)15-16
• 2.3 上位机信号采集显示界面16-17
• 2.4 本章小结17-18
• 第三章 喷溅预报特征信息识别及算法研究18-38
• 3.1 小波包分析理论18-20
• 3.2 炉口音频信号喷溅特征信息提取20-28
• 3.2.1 对小波包重构信号FFT分析时实际的频率值得选取21-23
• 3.2.2 音频信号各小波包能量比例计算23-27
• 3.2.3 小波包滤波法对现场干扰信号的滤波效果27
• 3.2.4 喷溅预报特征提取及验证27-28
• 3.3 炉体振动信号的喷溅特征信息提取28-34
• 3.3.1 垂直振动信号的喷溅特征提取29-33
• 3.3.2 水平振动信号的喷溅特征提取33-34
• 3.4 炉口火焰图像喷溅特征信息提取34-36
• 3.4.1 图像特征参数介绍及计算公式35-36
• 3.4.2 火焰图像的喷溅特征值选取36
• 3.5 本章小结36-38
• 第四章 基于喷溅特征信息的特征层数据融合算法研究38-47
• 4.1 多传感器数据融合技术简介38-41
• 4.1.1 数据融合结构的基本原理38-39
• 4.1.2 数据融合的基本结构选择39-40
• 4.1.3 多传感器融合方法40
• 4.1.4 多传感器融合时间同步问题40-41
• 4.2 BP神经网络算法41-44
• 4.2.1 BP神经网络简介41-42
• 4.2.2 BP网络算法公式推导42-43
• 4.2.3 BP网络的改进43-44
• 4.3 基于特征层融合与BP网络结合算法的训练及仿真44-46
• 4.3.1 BP神经网络训练44-45
• 4.3.2 BP神经网络测试45-46
• 4.4 本章小结46-47
• 第五章 喷溅预报软件界面设计47-53
• 5.1 LabVIEW中调用MATLAB47-48
• 5.2 喷溅预报软件界面48-52
• 5.3 本章小结52-53
• 第六章 总结与展望53-55
• 致谢55-56
• 参考文献56-59
• 作者简介59
• 攻读硕士学位期间研究成果59-60

【参考文献】

中国期刊全文数据库 前10条

1 蒋晓放,刘春华,谢良德;宝钢300t转炉音平控渣技术的开发与应用[J];宝钢技术;2000年02期

2 王刚;张志禹;;多传感器数据融合的研究现状[J];电测与仪表;2006年02期

3 汪明清;朱卫东;;小波包分析在超高频检测变压器局部放电中的应用[J];电工技术;2007年07期

4 李明月;曹玺;姜艳华;;AOD炉溅渣护炉喷枪枪位自动控制专家系统[J];仪器仪表用户;2008年06期

5 胡志刚,刘浏,何平,谭明祥;150t转炉利用炉气分析进行喷溅预报及控制[J];钢铁;2004年02期

6 张坤;刘玉晶;王鸿飞;;浅析转炉喷溅的形成原因[J];黑龙江科技信息;2009年28期

7 王三忠;李文山;吕亚;;转炉炼钢喷溅的控制及预防措施[J];河南冶金;2009年04期

8 陈嘉颖;转炉造渣过程检测的声学原理及应用[J];钢铁研究学报;1999年03期

9 刘华;于向军;吕震中;武广富;;全炉膛火焰图像特征参数提取算法[J];江苏电机工程;2007年03期

10 马平;吕锋;杜海莲;王瑞;牛成林;;多传感器信息融合基本原理及应用[J];控制工程;2006年01期

中国硕士学位论文全文数据库 前8条

1 李安新;BP神经网络研究与硬件实现[D];山东科技大学;2010年

2 葛泉波;多传感器数据融合及其在过程监控中的应用[D];河南大学;2005年

3 杜晶晶;热喷涂涂层厚度的超声无损检测方法研究[D];北京工业大学;2008年

4 高晓清;基于多传感器信息融合的柴油发动机故障诊断研究[D];中北大学;2008年

5 沈如防;神经网络规则提取及其在转子故障诊断中的应用研究[D];南京航空航天大学;2008年

6 吴涛;基于小波分析的齿轮箱故障的无损检测[D];西安科技大学;2012年

7 郭凤涛;基于多传感器融合的AOD炉喷溅计量方法及预报技术研究[D];长春工业大学;2013年

8 王祥;基于BP神经网络提高霍尔电流传感器测量精度的研究[D];东华大学;2014年

  本文关键词：AOD炉喷溅计量预报分析仪信息融合方法研究，由笔耕文化传播整理发布。

本文编号：413700