外文翻译转炉炼钢过程中喷溅预警的基本模型.docx

转炉炼钢过程中喷溅预警的基本模型信息技术部门，乌普萨拉大学，337信箱，751 05 乌普萨拉，瑞典摘要：碱性氧气炼钢工艺（BOS）是最流行的炼钢工艺。当熔融金属表面产生的那层泡沫渣的高度超过炉膛并且溢出时，就出引起一系列问题，如造成金属损失，工艺过程中断和环境污染。这种现象通常称为喷溅。本文中描述了一种自动检测喷溅的方法，即在转炉中用位于烟罩里的一个传声器发出的声音信号去估计炉渣的水平面高度，以用于描述气体流速，压力和炉渣水平面估值之间关系的模型，从而可以及时不断更新数据。在这个系统中，输出错误传递给一个带有三级警报的预警系统的可变检测器，持续显示喷溅情况。用来测试该系统的数据的来自在SSAB Oxelösund 钢铁厂转炉正常生产状态下100炉次的试验，本系统能够正确检测出吹炼过程中80的喷溅。关键词：模型；自适应过滤器；软传感器；金属工业；钢1. 前言碱性氧气炼钢工艺（BOS）是最常见的炼钢方法，其产量占钢铁生产总量的60以上 1 。一个碱性的氧气炉，也被称为林茨-多纳维茨（LD）的转炉，通常是由操作者在控制室里监控其吹炼过程。操作者通常将大多数现有的控制变量（氧流量，氧枪高度，底部气体流量等）列表，根据预先确定的程序，以便处理突发性过程的偏差和干扰。由于基本物理化学反应的复杂性，自动控制转炉过程是困难的。此外，质量的关键参数，如碳含量和钢水温度不能在线测量，完全使反馈控制设计非常困难。文献 2,3 给出了在线熔融金属初步分析评估问题。在文献 4 中提出一项研究，目的是模拟转炉过程闭环控制的。制定自动控制系统是为了保证成本效益的高质量产品，又尽量减少对环境的影响。熔融金属表面产生的泡沫渣在整个吹炼过程中是非常有必要的，而且还构成的风险失控溢出，所谓喷溅。预防，预测和减少喷溅是一个炼钢技术中长期存在的问题，经过长期处理都尚未在实践中解决 5 。一方面，普遍认同喷溅是一个复杂的、甚至不可预测的过程。另一方面，在转炉过程中存在一个普遍存在的问题就是缺乏可靠的、相关的在线测量手段。相应的有很多研究专门用于喷溅预测，这项工作表明喷溅预警方法依赖于利用常规廉价的仪器处理几个级别不同的高级信号。首先，声学发射信号在炉子里用一个以前在转炉水模型中验证的基本模型工具进行处理 6,7 。其次，这一做法涉及不同类型信息进程的融合，以实现安全可靠，功能强大的喷溅检测，十年前在文献 4 中最初提出这个建议。第三，关于是否能预警喷溅的发生警告是由一个自适应过滤系统发出的 8 。本文内容如下：首先，转炉过程的描述和喷溅检测问题的提出，喷溅预警系统的利用，然后总结并详细分析了来自100炉生产试验中预警系统性能的数据。2. 工艺介绍转炉的基本组成是金属熔池和一个水冷氧枪见图1 。向转炉中充填材料被称为装料，在转炉中加入五分之一的废钢后再添加高炉铁水直到满足正确的热平衡。造渣剂，如生石灰或白云石，加入转炉中形成可以吸收钢水中杂质的渣。纯氧是通过氧枪以超音速的速度从上面冲击金属熔池，使钢水的温度上升到1700。废钢和合金元素比如：铁（Fe），硅（Si），锰（Mn）和碳（C）在吹炼过程中被氧化，从而降低碳含量和消除化学元素污染。炉中的金属形成一种乳浊液乳剂与生成的渣在上升过程中形成泡沫。由于在泡沫渣中化学元素之间的接触面积大，这就更有利于精炼过程，并且提高转炉中的热力学条件。操作者控制成渣过程是通过化学添加剂，改变枪的位置，以及操纵通过喷嘴氧气流量和底部气体流量。遗憾的是，操作者对转炉中渣的形成条件不能直观察觉，就难以使其充分反应迅速形成泡沫。吹炼1020分钟后，钢水中碳的含量预计达到目标值。测温、取样分析钢水化学成份，如果分析获得批准，出钢并在后续钢铁生产工艺链中进一步精炼。2.1测量吹炼过程中关键变量都被实时存储、记录。另外，当过程出现问题时记录的数据可用来查出可能发生的故障。图1中提到部分基本数据信息。不同的传感器是用来测量提供的不同信号 ，因此，由于通信延迟资料库的项目并不是完全同步的。在表1列出一些现有的测量结果。基本数据所体现的是关于过程中丰富多样的信息，但没有一个测量结果是直接相关的工艺参数。2.2喷溅问题在转炉过程中需要造大量的渣才能使转炉过程高效。然而，渣量被炉容有限的尺寸所限制。如果渣面太高， 就会发生喷溅，造成粉尘排放量加大和金属的产量减少。有时，必须停止生产去清除炉子下面的区域和炉口。该喷溅现象是活泼的、复杂的，并取决在很多过程变量。影响因素清单已在文献 5 中列出，其中包括：l 炉渣粘度；l 钢渣的表面张力；l 渣密度；l 脱碳过程中产生的气泡大小；l 炉衬砌高度，体积和形状；l 熔池上氧枪高度；l 通过氧枪的氧气流量；l 喷孔磨损；l 和废钢化学成分铁水；l 脱碳速度；仅从上述清单的长度就可以达成一个共识，即该喷溅现象是混乱的、不可预测的。喷溅问题经常出现，在许多钢铁厂已开始寻找办法去保持一个合适的泡沫渣量的同时防止喷溅的发生。遗憾的是，在已经过去几十年证明，这是一个相当具有挑战性的任务。制定一个预警和减缓喷溅的系统可以分为三步：（1）建立喷溅及其可能发生的模型。 （2）检测喷溅开始的渣面测量设备设计。 （3）进行实时缓解措施，以防止喷溅事件的发生。文献 9 的结果是第一步的一个例子， 其中根据原始铁水的成分预测一个最佳的吹炼过程。在文献10 中详细阐述了一个类似的系统用于每炉喷溅可能性的预测。系统根据喷溅可能性（喷溅因素）顺利执行稳定的生产条件的变化，低质量的原材料和产品组合。在文献11中利用微波测量仪来测量渣水平面相与炉口的关系。在文献12 中用无线电波测量渣厚度。这种做法遇到的主要困难是熔池在顶吹的强烈搅拌下其准确性和可靠性低。在文献13 和5 中使用的检测系统包括氧枪振动测量，在转炉中利用一个单独的在线第二信息来源获得炉渣水平面的估计值。众所周知在根据工艺条件的不同估值的准确性在很大程度上取决于选择测量的振动频率，这些都是第二步的例子。第三步是一个新的并且很有前途的研究方向，即结合在线测量装置的喷溅早期检测，并用它启动进程的干预，以缓解喷溅。彻底的研究炉渣形成这一目标已经完成。为了深入了解，过去有人在文献 14,15 中提出用不同类型的经验公式来描述泡沫渣高度的变化 。模型与实物原型源自于文献 16 中使用冷热模型试验的结果。炉渣发泡地区的动态模型进一步采取文献 17 中的结果。在此基础上的物理模型，动态发泡控制系统在文献 6 中详细阐述 。用一个转炉过程水模型来验证结果。该方法在文献 7 中进一步完善。在文献 4 中喷溅检测通过结合声波计量和气体分析进行。另一个系统利用的想法是结合了文献 8 中提出的几个原始测量结果，自适应滤波和变化检测系统用于建造一个在线警报系统给操作者提供警报。本文提出的这种喷溅警报系统基于变化检测原理和在SSAB Oxelösund实地测试执行情况的报告结果。评估是基于正常炉前生产的大量数据，也突出了一些有关最终系统和操作实践的问题。23喷溅量化相机用于评估目用客观的方式加以量化喷溅是可取的。文献 4 中一个人在吹炼过程中用秒表记录喷溅时间。文献 9 中，当企图利用红外摄像装置由于软件问题没有成功时，用VCR摄像机。为了后续实验的描述，实施照相机现场过程监测制度。该方案中的单色 CCD相机是640 /480像素和帧速率设置为 15赫兹，相机的位置如图1所示。当喷溅发生时，熔融金属将从转炉顶部流到炉壳下面的地上，相机的位置有可能捕捉到渣下降的图像见图3。一个直方图描绘的图像的像素值分布介于0和255之间如图2所示。选择亮度不变或阈值图像灰度级，由于渣和背景之间亮度差异的下降，因此图片可以很容易地分离成像素值高于阈值的零件和低于它亮度的零件，有效地从黑暗的背景中分离熔化金属，图3分离的结果如图4所示。图像像素中光明和黑暗之间的比率可表明喷溅的严重程度。这个比率的平均采样周期为2 s并实时存储在连同其他进程的数据资料库中。24喷溅声信号检测文献18 中提到：自70年代初，在许多钢铁厂采用声纳设备以间接监测渣面。其基本思路是：由于炉渣水平面的增高， 从炉底发出的声音在某个频带减弱，声音的主要来源是在氧枪喷嘴处氧气以超音速冲击到熔融金属的表面产生的。操作者通常采用声纳产生的信号来监测渣面的变化，在文献19-21 中它也被用来作为一个控制器投入。请注意，所有这些系统都不是真正的动态反馈控制系统，因为它们的控制信号采样利率非常低，以避免稳定生产的问题。作为替代品用声纳，其准确的信号处理系统是专有的，从声纳麦克风出来的原始信号可用于炉渣水平面的估计。 根据文献 6 中泡沫渣厚度 H、声音强度I、时间t和频率w是指数关系如下： （1）式中：I0表示没有渣时的声音强度。频变参数 由气泡尺寸和材料决定。通过方程（1）两边取对数得到下面的方程： （2）这意味着泡沫高度取决于在任何特定的频率声强的对数。在转炉生产中由于气泡的尺寸和材料不详的转换器，因此很难或者说不可能得到一种动态的泡沫模型。相反，从实验中估算出健全的衰减系数 并用于生产中炉渣水平面的估算。公式如下： （3）可以估算出在任何频率w的结果和在不同频率结合起来时的结果，以实现更高的精度。频率应该实在声音强度不衰减的情况下，以及噪音的频率应该被忽视。这意味着采用加权最小二乘法对炉渣水平面的估计值 ht ，零重量频率对泡沫渣厚度的变化敏感性低。这种做法在文献 7 中的水模型实验中估值显示出高的精度。 请注意那里的频率是经常变化的并取决于麦克风的位置，炉膛和喷嘴的几何形状，还有安装的每一个装置的个别性能。在这项研究中用于炉渣水平面的估计值通过重复比较从吹炼开始（无渣）到发生喷溅（炉渣溢出）的声音信号强度，直到渣的水平面达到最大值。2.5喷溅时操作者的做法转炉生产过程中除了一些预定的生产依赖程序（如氧枪位置、氧气流量、燃气以及底部清除等的帮助下，还是由人工操作的。操作者在进程中断的情况下（如喷溅）这些程序操作者可以超越。操作者判断喷溅发生是通过1、2、3这几个数字，其中1代表没有喷溅；2代表喷溅；3严重喷溅。然而判断是主观的，并不能直接看见炉膛里的情况如常常依据的压力或者喷溅全面爆发前的活动。不同的运营商用不同的方法去预防喷溅和减轻喷溅，并在很大程度上取决于他/她以前的生产经验。因此，在这篇文章中所收集的数据不仅反映由喷溅引起的前期变化和过程变化，而且还开始改变通过操作者判断生产状况。当评估预警系统这必须牢记。3. 系统设计基本模型信号处理系统是选择一个主要工具能从现有的进程信息中提取喷溅信息。 由此产生的系统分为三个级别： 第1级：声音声信号处理，早在2.4节中考虑使用的有两个方法。一种是可以使用声波计信号或者是直接接收原始麦克风信号。对于后一种情况在文献 7 中提出基于方程式（3），使用加权最小二乘法去估算炉渣水平面。在第4节简单概述这两者之间实验比的较结果。第2级：自适应滤波器是用于融合声信号与其他传感器喷溅现象的信号。自适应滤波器有相当多结构模型下面两节中只描述出了两种以节省空间。其中一种已在以前的文献中提到，另一种将在这篇文章中详细介绍。在第3.2节中讨论到在自适应滤波种选择递归估算技术去设计自由度。第3级：正式评价喷溅征兆的残差自适应滤波器使用变化检测。3.1过程模型由于转炉过程的复杂性，一个关于从炉膛到过程化学反应的声音信号的解析模型是很难获得的。系统识别方法被用来作为一个安装模型去通过分配适当的数值作为它的参数以记录数据。过程模型的选择受现成的过程信号的质量影响很大。选择过程模型的两种方法已经被报道并在表2中简单描述。在文献 8 中有模型A对应的初步做法，在文献 4 中记录了过程模型的选择，如：烟气排放量uoff和烟气中一氧化碳的含量uCO。输出信号，男，是自然对数的声波米信号。作为第二的做法，建议在文献 22 ，声波米信号交换为估计矿渣水平转换的基础上，均衡器（3）。 由于困难的时间延迟产生的烟气分析的CO含量，输入信号，取而代之的是测量的压力upressure。由此产生的模型，命名为模型B。根据文献 4 中初步的结果，这种喷溅现象的捕获在很大程度上由一个四阶的动态模型，它带有两个ARX装置带有不同的输入和输出信号，这在文献 8 和 22 中详细描述。这两种模型可描述线性回归中的未知参数向量h (4 ) y()是输出测量的量在时间离散的情况下即t=0、1、2的回归变量包含以往输入和输出值。相应的回归变量以及输出信号在表2中详细说明。标量e(t)是不定的，这里假设为没有赋值的，目的是可变检测。这一假设的验证实验在第3.3节所所述。为了能使模型参数因改变工艺条件及时变化，参数估计的递归算法将在下一节中描述。3.2自适应滤波要将方程式（4）回归成一个自适应滤波器的模型，其参数向量并用递推辨识算法去估算。当过程数据面临区分困难的影响时，文献 23 中试图采用递归最小二乘算法估算的，模型的不确定性和在剩余序列中实际进程的变化，一个更常见的做法是使用卡尔曼滤波器。 假设e(t)没有赋值和参数矢量取决于零均值无噪声序列 w(t)驱动的随机游走模型。 （5）然后用最低限度的后验参数误差协方差矩阵进行优化，通过下式可估算出结果： （6） 卡尔曼增益： （7）式中P（t）是t=1、2、3.时Riccati方程的解。 （8）初始条件为P（0）=PT（0），P（0）0写出了原始假设（0）的协方差方程式（6）的估算结果是最理想的。只有当 （9）时才能保障（见文献 24 ）。由于上述参数很少事先知道，他们通常选择一些作为设计参数的估计算法，以实现性能理想的过滤器。一个常见的实际并发症发生在Riccati方程卡尔曼滤波器，当回归矢量（t）不属于ImQ（t），例如持续激励条件是不能实现的，这种现象通常称为作为协挥臂（或爆破）的一些特征和引起一些特征值在方程式（8）中随时间增长线性。在转炉生产过程中，在其正常运行期间收集数据，但不能保证持续正常运行。因此，试图利用强烈的反挥臂特性运用参数估计系统。大多数反挥臂计划卡尔曼滤波器估计参数具有临时性，而是被证明是发散的参看文献 25,26 。在文献 27 中所采取的做法，特别选择Q（t）是用来控制固定点Riccati方程： （10）在式中。因此，最优的卡尔曼过滤器是不存在的。 Riccati方程（8） ，选择自由终点根据方程式（10），被称为StenlundGustafsson（或SG）算法。那个矩阵Pd是一个固定值，该算法可以用来调整参数。一个正式的事实证明，该算法是无法计算的， 甚至对事实缺乏依据，在文献 28 中给出。参考文献 29 中固定行为调查表，它显示如果P（t）已收敛于Pd，就会一直保留，即使在某些方面激发消失。这种SG算法在文献 30 中的进一步研究，声学回声抵消被用来比较其性能与一些众所周知的技术，如归最小二乘算法和卡尔曼滤波。3.3 喷溅预警可变探测器在转炉过程模型正常操作期间，方程式（4）假定使参数慢慢发生变化，那个时间的变化可以很好的解释通过在吹炼期间熔融金属温度不断的升高。当喷溅发生时，突然由于化学反应中的一个重要原因的改变引起模型参数变化的。自喷溅这种现象表现为严重偏离进程反复性的动态模式，在文献 31 中可变探测器用于残差模型可以识别喷溅事件的发生，转炉中的喷溅检测预警系统可以设计通过结合过程模拟、参数估计递推和可变探测器图所示5。该探测器在图.5 依靠在自适应滤波的剩余量。基于这个残余量测量距离s（t），被计算出来。 假定所有噪声高斯，真正的系统是恒定时间和属于线性回归模型集，结果 在方程和矩阵P（t）是方程式（8）的解。初次试验基于上一个自相关剩余序列中的研究项目没有喷溅发生，表明这是一个有效的假设。只有1.75 的自相关系数在落后1至400不在95 的置信区间。它还表明该应用模型适用于有足够选择和参数时，估值算法运行良好。适当选择测量的距离，使检测这两个参数的变化和差异，给出了归一平方剩余量，文献 31 。距离测量平均每炉得到检验统计数g(t)，即然后触发阈值报警时，当。该项测试统计的例子由片面的累计（ CUSUM ）探测器进行文献 31 ，它是由下式决定：其中H是报警阈值，是一个输入s（t）距离测量，M是漂移参数，以防止积极漂移g（t），最终得到假警报。阈值和漂移参数CUSUM可变探测器需要调整的数据来自的每一个负责人为了获得理想的检出率与合理数量的假警报。由于这是不可行的实时应用，阈值和不定参数在本研究中仔细挑选通过在钢厂来自50炉吹炼过程中系统运行的数据，精简参数，以实现可以接受的整体性能。这当然降低了预警系统的性能。一个更好的解决这一问题将是探测器的相关值，及进程运行条件和原材料性能等参数，从而实现自适应选择性的警报。这种想法在本文范围之外。喷溅事件的严重程度的划分通过追踪，有多少警告是由系统随后收集到的，一个警告导致绿色报警，两至黄色警报，如果在特定的时间内连续警告超过三次，警报设置为红色，表明喷溅持续了一段时间。着色警报器的主要是为了与经营者互动，在规定时间内应选择使所有发出的警告是可见的，面对在同一喷溅事件中。 3.4 声波计与炉渣水平面的位置 为了说明利用估计炉渣水平面的位置来检测喷溅，而不是声波计信号。这两个模型设备在过程中进行了比较在评估表2的数据来自同一炉次。与已知发生喷溅距离测量t（s），如图.6所示，对无论是哪种情况，说明使用中的变化检测的可行性。为了使阈值和不定参数选择更容易，过程偏差应清晰可见的在残渣过滤中。可以看出，估计渣面的警报系统的时间间隙是麦克风信号的两倍，在同一喷溅条件下。 这有利于选择CUSUM用户参数和显示 这高分辨率的麦克风信号是一种较好的选择为喷溅检测。因此，模型B通过。4. 系统分析该喷溅预警系统的运行是在SSAB Oxelösund钢铁厂的实地试验完成的。由操作者提供的有关资料为图形用户界面（GUI ）设计和喷溅警报器。GUI显示的布局如图7（见原文）所示。请注意，这是一个旨在评估模型和算法开发的研究版本的软件。预警系统的在线运行，依赖于来自计算机子系统数据通信的相关测量量，如图8（见原文）所示 。炉渣水平面估计基于声呐信号和摄像机的信号也通过子系统连接到该系统。全过程的数据存储在一个数据库中。评价的目的是传达警报回到数据库中并储存在那里。 收集的数据来自于2006年9月在瑞典于SSAB Oxelösund AB公司100炉次的生产过程中。由于运行过程成本高，数据来自正常生产的工厂。这意味着，喷溅一旦发生，操作者采取以减轻损害的行动，以及预防措施 防止它的发生。因此，在本研究中防止喷溅事件的发生作为错误警报。 影像中白色像素和黑色像素的分割比被用来验证预警系统的性能。三个炉次的实例结果显示如图9、图10和图11所示，分别表示：严重喷溅、中度喷溅和没有喷溅。具体的评价结果如下： 在吹炼过程中喷溅事件被正确检测的占80 ； 在吹炼过程中喷溅事件没有被预测的占8 ； 在吹炼过程中发出太多虚假警报的占12 ；从整个实验结果来看从一个黄色警报到相机上显示表明喷溅的平均时间为25s。警告25秒是事先进行比较的结果。文献 32 中在喷溅发生30-40s前，通过摄像头监测用肉眼观察转炉里面的情况来提供喷溅预测。 已取得的检测精度是可以接受的，但可以认真修改结合有关转炉炉型的现有资料，如氧枪喷头，吹炼工艺和铁水化学成分。正如众所周知的，所有这些工艺参数对喷溅的潜在影响，并应考虑到喷溅时评估报警阈值。 通过实地试验期间在转炉生产过程中面临一些典型的情况，表明评价预警系统的数据是困难的。 4.1 操作者注意 有经验的操作者有时使用他/她的知识，当在这炉中发生喷溅时通常采取预防措施从而避免炉渣溢出，这是图.12（见原文）的情况。在图中谨慎的操作者降低了氧气流量，降低氧枪的位置和通过增加氩气体流量增加底部搅拌。操作者还报告喷溅等级为2级。考虑到炉壳下方的摄像头下没有记录上操作者意识到的喷溅下落炉渣的问题。预警系统并没有发出任何警告在这个特定情况下源于相机上的信号被认为是正确的。 4.2 过度变化氧枪位置 转炉生产过程中的常规操作是控制氧气流量和氧枪的位置，根据吹炼过程中某些预先设定的程序来确定。这些操作当然可以被超越，每当工艺条件要求时见图.13（见原文）在吹炼末期氧枪的位置不断变化，并触发多个警报。如果这些警报是虚假的或不考虑对这个特定的炉子？该系统明确地反应了过程中的异常变化。在这种情况下，不是由喷溅造成的。请注意，氧枪高度不能送入该检测算法中。因此该炉中的系统警报被认为是假警报。 4.3 可疑喷溅分析 喷溅活动，被操作者分为3个级别如图14所示（见原文）。可以看出，操作者降低了氧气流量和氧枪高度同时承认喷溅已经发生了一段时间。在这种情况下，预警系统发出了一系列警报，它可以看出，有些由摄像头拍摄的下落的炉渣。为什么此事件被操作者列为严重喷溅还并不清楚。大约吹炼了800s，操作者记录下另一个严重喷溅事件。在这种情况下相机也认同了。操作者或相机被认为是值得信赖的预警系统吗？此时，氧气流量减少和降低氧枪的位置，发出警告，表示当过程变化时预警系统的灵敏度。5. 结 论 在正常作业期间对钢铁工业的工艺进行了研究。有关工艺参数，如氧枪的位置，烟气流速和氧气流量都储存在一个在线资料库中。相机安装在转炉的下面，记录下落的金属和炉渣。在烟气通道的声呐提供音频数据到炉渣水平面估算系统。模型带有烟气流速和压力测量作为输入信号，而炉渣水平面的估值作为输出信号。使用过程收集的数据去判断，辨别循环进行在线采用卡尔曼滤波器的基本方法。可变探测器的设计和应用的残差的自适应滤波在喷溅发生前给予警告。过程数据是2006年9月在SSAB Oxelösund钢铁厂转炉生产过程中100炉期间收集的数据。数据用来评价喷溅预警系统的性能。在80的吹炼过程中该系统能够预正确测到喷溅，更高性能的系统是很有希望制作出来。由于操作者操作过程的的变化引起的虚假警报是不可知的，还有在参数的检测系统中应该注重热项目和原材料的属性。参考文献 1 Steel Industry Technology Roadmap, June 2007, <>.2 A.Johansson, A.Medvedev, An observer for systems with nonlinear output map, Automatica 39 (5) (2003) 909918.3 A.Medvedev,A.Johansson, W. Birk,D.Widlund, R. Johansson,Model-based estimation of molten metal analysis in the LD converter:experimental results,in: Proceedings of IFAC World Congress,Barcelona,Spain,2002(available on CD).4 D. Widlund,A.Medvedev,R.Gyllenram,Towards model-based closed-loop control of the basic oxygen steelmaking process,in:Proceedings of the Ninth IFAC Symposium on Automation in Mining, Mineral and Metal Processing,Cologne, Germany, 1998.5 D.I.Walker,F.L.Kemeny,J.A.T.Jones, Vessel slopping detection,in: Association for Iron and Steel Technology Conference Proceedings,Charlotte,North Carolina, USA, 2005,pp.711720.6 W.Birk,I.Arvanitidis,P.Jonsson, A.Medvedev,Physical modeling and control of dynamic foaming in an LD-converter process,IEEE Transactions on IndustryApplications 37 (4) (2001) 10671073.7 W.Birk,I.Arvanitidis,P.Jonsson,A.Medvedev,Foam level control in a water model of the LD converter process,Control Engineering Practice 11(2003)4956.8 M. Evestedt, A.Medvedev, Model-based slopping monitoring by change detection, in: Proceedings of IEEE Conference on Control Applications,Munich, Germany, 2006.9 B.O.Chukwulebe,S.R.Balajee,K.J.Robertson,J.G.Grattan,M.J.Green,Computer optimization of oxygen blowing practices to control BOF slopping,in: Association for Iron and Steel Technology Conference Proceedings,Nashville,Tennessee,2004.10 M.Shakirov,A.Boutchenkov,G.Galperine,B.Schrader,Prediction and prevention of slopping in a BOF,Iron and Steel Technology(2004)3844.11 J.Doe,Prediction and control of slag slopping in BOF using microwave gauge,Transactions of ISIJ 24(6)(1984) 502.12 L.B.Baath,Radio wave interferometer measurements of slag depth,in:Iron and Steel Society International Technology Conference and Exposition,Indianapolis, Indiana, USA, 2003.13 J.J.Pak,D.J.Min,B.D.You,Slag foaming phenomena and its suppression techniques in BOF steelmaking process,in:Iron-making Conference Proceedings, Pittsburgh, Pennsylvania,USA,1996.14 K.Ito,R.J.Fruehan,Study on the foaming of CaOSiO2FeO slags. Part I:Foaming parameters and experimental results,Metallurgy Transactions B 20B(1989) 509.15 K.Ito,R.J.Fruehan, Study on the foaming of CaOSiO2FeO slags.Part II:Dimensional analysis and foaming in iron and steelmaking processes,Metallurgy Transactions B 20B (1989) 515.16 Y.Ogawa,D.Huin,H.Gaye,N.Tokumitsu,Physical model of slag foaming,ISIJInternational 33 (1) (1993) 224232.17 P.Misra,B.Deo,R.P.Chhabra,Dynamic model of slag foaming in oxygen steelmaking converters, ISIJ International 38 (11)(1998)12251232.18 P.E. Nilles, R.A. Holper, Converter noise and off-gas temperature measurements, tools for better BOF control,in: Proceedings of the 55th National Open Hearth and Basic Oxygen Steel Conference, Chicago,Illinois,USA,1972.19 C.Bencini,A.Poli,Automation for refining and slag control in LD process at AFP/Piombino steel shop,in:Steelmaking Conference Proceedings,Dallas,Texas,USA, 1993.20 A.Abbatangelo,M.D.Rena,M.Palchetti,L.Zampetti,Blowing pattern computerised control at Taranto steel shop,in:Steelmaking Conference Proceedings, Detroit, Michigan, USA, 1990.21 D.Anderson,C.M.Barnes,H.J.Whittaker,Fully dynamic process control of the BOS in British steel,in:Steelmaking Conference Proceedings,Washington,DC,USA, 1991.22 M. Evestedt,A. Medvedev,Model-based slopping monitoring by change detection with high resolution audio data,in:Proceedings of European Metallurgical Conference, Düsseldorf, Germany, 2007.23 T.Soderstrom,P.Stoica,System Identification,Prentice-Hall,1989.24 L.Ljung,S.Gunnarsson,Adaptation and tracking in system identificationasurvey,Automatica 26(1)(1990)721.25 T.Hagglund,New Estimation Techniques for Adaptive Control,Lund Instituteof Technology, Sweden,1983.26 S.Bittanti,P. Bolzern, M. Campi, Convergence and exponential convergence ofidentification algorithms with directional forgetting factor, Automatica 26 (5)(1990) 929932.27 B.Stenlund,F.Gustafsson,Avoiding windup in recursive parameter estimation,in: Preprints of Reglermote,Linkoping, Sweden,2002,pp.148153.28 A.Medvedev,Stability of a Riccati equation arising in recursive parameter estimation under lack of excitation,IEEE Transactions on Automatic Control 49(12) (2004) 22752280.29 M.Evestedt,A.Medvedev,Stationary behavior of an anti-windup scheme for recursive parameter estimation under lack of excitation,Automatica 42 (2006)151157.30 M. Evestedt,A.Medvedev,T.Wigren,Windup properties of recursive parameter estimation algorithms in acoustic echo cancellation,Control Engineering Practice 16(11)(2008)13721378.31 F.Gustafsson,Adaptive Filtering and Change Detection,John Wiley & Sons Ltd., 2001.32 H.Iso,K.Arima,M.Kanemoto,Y.Ueda,H.Yamane,Prediction and suppression of slopping in the converter,Transactions of ISIJ 28(5)(1988)382391.