用于转炉的炉衬厚度监测方法及炉衬厚度监测系统与流程

1.本发明涉及转炉冶炼技术，特别是涉及一种用于转炉的炉衬厚度监测方法及炉衬厚度监测系统。


背景技术：

2.转炉冶炼是国内主要的冶炼方法之一。盛铁水的转炉，通常用钢板做外壳，用耐火材料做内衬。转炉内的温度最高能达到1700摄氏度左右。在长时间工作中，转炉内部的耐火材料逐渐受到侵蚀、脱落，钢包直接暴露在高温环境中，软化甚至熔蚀，易造成炉壁烧穿引起安全事故。
3.目前对转炉内衬耐火材料的判断，一直依赖于作业人员的肉眼观察和经验判断，缺乏有效性和准确性。出于转炉使用安全的目的，现有技术中通常采用周期管理为主、动态管理为辅的模式，即大修周期包龄≤150次，小修周期包龄≤25次。这虽然对耐火材料的残厚进行了规定(例如包壁工作层砖≥60mm)，但由于无法准确判断耐火材料的厚度，只在钢包大修时进行事后测量，可能造成钢包提前下线而导致的耐火材料浪费，且仍然存在较大的安全隐患。
4.还有一些现有技术通过直接获取炉衬的具体厚度判断其是否存在脱落风险，然而，炉衬厚度的获取过程非常复杂，获取成本较高，且炉衬面积非常大，难以对炉衬的各个区域的厚度全面覆盖，因此这类现有技术实用性和可靠性都比较低，难以推广使用。


技术实现要素：

5.本发明第一方面的一个目的旨在克服现有技术的至少一个缺陷，提供一种能够精准地、及时地监测转炉的炉衬厚度状态的炉衬厚度监测方法。
6.本发明第一方面的一个进一步的目的是利用热像图和大数据结合的方法提高炉衬厚度监测效率。
7.本发明第二方面的目的是提供一种能够科学地、精准地监测转炉的炉衬厚度状态的炉衬厚度监测系统。
8.根据本发明的第一方面，本发明提供一种用于转炉的炉衬厚度监测方法，所述转炉的表面规则分布有多个监测点，所述炉衬厚度监测方法包括：
9.获取所述转炉表面预设区域内的每个所述监测点的实测温度；
10.基于以每个所述监测点的历史实测温度和该监测点周围的其他监测点的实测温度为输入层的bp神经网络对所述预设区域内的每个所述监测点进行温度预估，以获得每个所述监测点的预测温度；以及
11.根据每个所述监测点的实测温度和预测温度的温差、以及所述转炉在该监测点所处高度的平均表面温度确定所述转炉在该监测点处的炉衬厚度状态。
12.可选地，所述转炉为卧式转炉，所述预设区域为所述转炉的周向表面去除倾倒口之外的所有区域；或者
13.在获取所述转炉表面预设区域内的每个所述监测点的实测温度之前，所述炉衬厚度监测方法还包括：
14.获取所述转炉表面的热像图；以及
15.将所述热像图中出现的具有预设程度的热斑所覆盖的区域作为所述预设区域。
16.可选地，多个所述监测点的分布方式为：
17.在所述转炉的表面形成多个在竖直平面内延伸且分布均匀的测温经度线和多个在水平面内延伸且分布均匀的测温纬度线，多个所述测温经度线和多个所述测温纬度线相互交叉形成多个所述监测点；
18.优选地，所述转炉为卧式转炉，每个所述测温经度线均绕所述转炉的周向延伸，多个所述测温经度线相互平行；每个所述测温纬度线均沿所述转炉的横向延伸，且任意相邻的两个所述测温纬度线与所述转炉的轴心所形成的圆心角均相同。
19.可选地，基于以每个所述监测点的历史实测温度和该监测点周围的其他监测点的实测温度为输入层的bp神经网络对所述预设区域内的每个所述监测点进行温度预估以获得每个所述监测点的预测温度的步骤包括：
20.将每个所述监测点的近a个历史实测温度、与该监测点处于同一个测温纬度线上的其他监测点的实测温度、与该监测点处于同一个测温经度线上且邻近地位于该监测点上方的两个监测点的实测温度、与该监测点处于同一个测温经度线上且邻近地位于该监测点下方的两个监测点的实测温度、以及与该监测点对角相邻的四个监测点的实测温度输入所述bp神经网络；以及
21.对所述bp神经网络进行学习训练，以得到该监测点的预测温度；其中
22.a为整数。
23.可选地，所述bp神经网络的输出层采用正线性函数作为激活函数；且/或所述bp神经网络的中间层采用sigmoid函数作为激活函数；且/或
24.所述bp神经网络的中间层的节点个数按照如下公式计算：
25.其中
26.p表示所述bp神经网络的中间层的节点个数，m表示所述bp神经网络的输入层的节点个数，n表示所述bp神经网络的输出层的节点个数，α是常数。
27.可选地，炉衬厚度监测方法，还包括：
28.若与该监测点处于同一个所述测温经度线上且邻近地位于该监测点上方的两个监测点、与该监测点处于同一个测温经度线上且邻近地位于该监测点下方的两个监测点、以及与该监测点对角相邻的四个监测点中的任一个监测点的实测温度未获取到，则以该监测点的历史实测温度的平均值代替。
29.可选地，所述转炉在每个所述监测点所处高度的平均表面温度按照如下方式获得：
30.获取与该监测点处于同一测温纬度线上的所有监测点的实测温度；
31.将处于该同一测温纬度线上的所有监测点的实测温度的平均值作为所述转炉在该监测点所处高度的平均表面温度。
32.可选地，根据每个所述监测点的实测温度和预测温度的温差、以及所述转炉在该监测点所处高度的平均表面温度确定所述转炉在该监测点处的炉衬厚度状态的步骤包括：
33.查找温度状态对照表，以确定所述转炉在该监测点所处高度的平均表面温度所处的目标温度区间；其中，所述温度状态对照表具有多个不同的温度区间，每个所述温度区间均对应三个温差区间，三个所述温差区间分别对应表示所述炉衬厚度状态为正常、异常和危险；
34.在所述目标温度区间对应的三个温差区间中确定该监测点的实测温度和预测温度的温差所处的目标温差区间；以及
35.根据所述目标温差区间确定所述转炉的炉衬厚度状态。
36.可选地，根据每个所述监测点的实测温度和预测温度的温差、以及所述转炉在该监测点所处高度的平均表面温度确定所述转炉在该监测点处的炉衬厚度状态的步骤包括：
37.判断该所述监测点的实测温度和预测温度的温差是否处于所述转炉在该监测点所处高度的平均表面温度下所允许的温差范围；
38.若是，则判定所述转炉在该监测点处的炉衬厚度状态正常；
39.若否，则判断该所述监测点的实测温度和预测温度的温差是否处于所述转炉在该监测点所处高度的平均表面温度下所禁止的温差范围；
40.若是，则判定所述转炉在该监测点处的炉衬厚度状态危险；若否，则判定所述转炉在该监测点处的炉衬厚度状态异常。
41.可选地，所述炉衬厚度监测方法还包括：
42.当所述转炉在所述监测点处衬厚度状态确定为报警时，发出报警信号；
43.当所述转炉在所述监测点处的炉衬厚度状态确定为异常时，每隔第一预设时间间隔重新获取该监测点处的炉衬厚度状态；若连续预设次数获取到的该监测点处的炉衬厚度状态均为异常，则发出报警信号；
44.当所述转炉在所述监测点处的炉衬厚度状态确定为正常时，每隔第二预设时间间隔重新获取该监测点处的炉衬厚度状态。
45.根据本发明的第二方面，本发明还提供一种用于转炉的炉衬厚度监测系统，所述转炉的表面规则分布有多个监测点，所述炉衬厚度监测系统包括：
46.温度检测装置，配置成用于检测所述转炉表面在每个所述监测点处的实测温度；以及
47.控制装置，与所述温度获取装置相连，且包括处理器和存储器，所述存储器内存储有机器可执行程序，并且所述机器可执行程序被所述处理器执行时用于实现根据上述任一方案所述的炉衬厚度监测方法。
48.本发明通过获取每个监测点的实测温度和预测温度的温差，并根据该温差和转炉在该监测点所处高度的平均表面温度确定所述转炉在该监测点处的炉衬厚度状态。正常情况下，每个监测点的实测温度和预测温度的温差不应该超过转炉在该监测点所处高度的平均表面温度下所允许的温差范围，超出所允许的温差范围越多，炉衬厚度状态越危险，即炉衬厚度越薄或者脱落情况越严重。因此，本发明能够准确地判断出转炉炉衬的实际情况。本发明利用科学判断的方式取代传统的肉眼观察和经验判断，能够更加及时更加准确地监测转炉的温度状态，从而更加及时地检测出炉衬的损坏情况，便于工作人员及时检修，提高了生产安全性，降低了对人员、设备的损伤及事故抢修造成的人力物力消耗。
49.进一步地，发明人认识到，如果转炉内部某处的耐火层被磨损，此处的热传导速度
比正常区域快，转炉表面对应的部位则温度高，表现在热像图上，会出现明显的热斑。为此，本发明的炉衬厚度监测方法利用上述原理，首先获取转炉表面的热像图，通过对转炉表面的热(温度)分布成像与分析，能够快速发现转炉的热缺陷(即热斑所覆盖的区域)，从而快速地锁定最需要及时监测的区域，确定为预设区域。然后，再针对性地对该预设区域内的每个监测点进行监测和分析，相比于对转炉表面的每个监测点进行监测和分析来说，本发明减少了逻辑运行程序，加快了监测结果输出的速度。可见，本发明利用热像图和大数据结合的方法提高了炉衬厚度监测效率。
50.根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
51.后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
52.图1是根据本发明一个实施例的转炉的示意性结构图；
53.图2是根据本发明一个实施例的炉衬厚度监测方法的示意性流程图；
54.图3是根据本发明另一个实施例的炉衬厚度监测方法的示意性流程图；
55.图4是根据本发明一个实施例的根据每个监测点的实测温度和预测温度的温差、以及转炉在该监测点所处高度的平均表面温度确定转炉在该监测点处的炉衬厚度状态的示意性流程图；
56.图5是根据本发明另一个实施例的根据每个监测点的实测温度和预测温度的温差、以及转炉在该监测点所处高度的平均表面温度确定转炉在该监测点处的炉衬厚度状态的示意性流程图；
57.图6是根据本发明一个实施例的炉衬厚度监测系统的示意性结构框图；
58.图7是根据本发明一个实施例的转炉和温度检测装置的示意性侧视图。
具体实施方式
59.本发明首先提供一种用于转炉的炉衬厚度监测方法，图1是根据本发明一个实施例的转炉的示意性结构图。转炉的表面规则分布有多个监测点p1、p2、p3、p4、p5、p6、p7、p8、p9、p10、p11、p12、p13、p14、p15、p16、p17、p18等等，以便于对转炉表面的温度和炉衬厚度进行全方位均衡地检测。可以理解的是，图1中仅标识出了转炉表面的部分监测点。为了便于理解，图1中还示出了红外热像仪11。
60.发明人认识到，如果转炉内部某处的耐火层被磨损，此处的热传导速度比正常区域快，转炉表面对应的部位则温度高。并且，转炉炉体的温度具有时间连续性和空间连续性，时间连续性表现在某一监测点的当前温度与其历史温度数据密切相关，空间连续性表现在某一监测点的当前温度与位于其周围的其他监测点的当前温度数据密切相关。
61.发明人进一步认识到，转炉在正常工作时，受其内容装的铁水量及受热情况的影响，转炉表面各区域的温度并不是均衡的，例如转炉倾倒口及邻近倾倒口的上部区域的温度比直接与铁水接触的下部区域的温度低，因此，整个转炉表面的平均温度并不能够准确
地反应某一监测点的温度情况。然而，发明人还认识到，转炉表面的处于同一高度的区域因在铁水量、受热情况或其他影响温度的因素方面并不明显差别，因此，转炉表面的处于同一高度处的平均表面温度能够准确地反应处在该高度上的任一监测点的温度情况。
62.在以上具有创造性认识的基础上，发明人设计了本发明的炉衬厚度监测方法。图2是根据本发明一个实施例的炉衬厚度监测方法的示意性流程图。参见图2，本发明的炉衬厚度监测方法包括：
63.步骤s20，获取转炉表面预设区域内的每个监测点的实测温度；
64.步骤s40，基于以每个监测点的历史实测温度和该监测点周围的其他监测点的实测温度为输入层的bp神经网络对预设区域内的每个监测点进行温度预估，以获得每个监测点的预测温度；以及
65.步骤s60，根据每个监测点的实测温度和预测温度的温差、以及转炉在该监测点所处高度的平均表面温度确定转炉在该监测点处的炉衬厚度状态。
66.本发明的炉衬厚度监测方法基于以某个监测点的历史实测温度和该监测点周围的其他监测点的实测温度为输入的bp神经网络对该监测点的温度进行预估得到预测温度。这种基于大数据分析得到的预测温度能够准确地表征该监测点应该具有的温度。并且，本发明还通过获取每个监测点的实测温度和预测温度的温差，根据该温差和转炉在该监测点所处高度的平均表面温度确定所述转炉在该监测点处的炉衬厚度状态。正常情况下，每个监测点的实测温度和预测温度的温差不应该超过转炉在该监测点所处高度的平均表面温度下所允许的温差范围，超出所允许的温差范围越多，炉衬厚度状态越危险，即炉衬厚度越薄或者脱落情况越严重。因此，本发明能够准确地判断出转炉炉衬的实际情况。
67.本发明利用科学判断的方式取代传统的肉眼观察和经验判断，能够更加及时更加准确地检测转炉的温度状态，从而更加及时地检测出炉衬的损坏情况，便于工作人员及时检修，提高了生产安全性，降低了对人员、设备的损伤及事故抢修造成的人力物力消耗。并且，在硬件上，本发明只需要设置能够获取各监测点温度的温度检测装置即可，不需要复杂的检测设备，温度检测装置可以使用红外热像仪来实现，不需要成本较高的设备，简化了结构、降低了成本。在软件上，本发明通过多个监测点的温度检测以及bp神经网络的学习训练相结合，不需要复杂的程序处理，简化了控制逻辑。在效果上，红外热像仪可以同时获取多个监测点的温度，可以在转炉表面设置分布密集的多个监测点，从而更加精确地监测炉衬各个位置的厚度情况。可见，本发明的炉衬厚度监测方法不但简单，而且效果较好，实用性非常强，便于推广使用。
68.发明人利用选取的1200组检验样本数据对训练好的bp神经网络进行检验测试，由测试结果求得的绝对误差平均值为3℃，相对误差的平均值为1.82％。分析模型计算的数据与测量数据相比较，bp神经网络输出的预测温度和实际获取的实测温度之间吻合较好，整体误差在5％之内。这表明本发明所建立的基于炉衬厚度监测方法是可行的，具有较好的适应性，满足生产现场的要求。
69.在一些实施例中，转炉可以为卧式转炉，即转炉大致呈放倒的圆柱体，倾倒口形成在转炉的周向侧面。在这些实施例中，上述预设区域可以为转炉的周向表面去除倾倒口之外的所有区域。也就是说，可以对转炉周向表面上的所有监测点的温度进行检测、对比和分析，从而得到所有监测点对应位置处的炉衬厚度状态，更加全面。
70.图3是根据本发明另一个实施例的炉衬厚度监测方法的示意性流程图。参见图3，在另一些实施例中，在获取转炉表面预设区域内的每个监测点的实测温度之前，本发明的炉衬厚度监测方法还包括：
71.步骤s11，获取转炉表面的热像图；以及
72.步骤s12，将热像图中出现的具有预设程度的热斑所覆盖的区域作为预设区域。
73.发明人认识到，如果转炉内部某处的耐火层被磨损，此处的热传导速度比正常区域快，转炉表面对应的部位则温度高，表现在热像图上，会出现明显的热斑。为此，本发明进一步实施例的炉衬厚度监测方法利用上述原理，首先获取转炉表面的热像图，通过对转炉表面的热(温度)分布成像与分析，能够快速发现转炉的热缺陷(即热斑所覆盖的区域)，从而快速地锁定最需要及时监测的区域，确定为预设区域。然后，再针对性地对该预设区域内的每个监测点进行监测和分析，相比于对转炉表面的每个监测点进行监测和分析来说，本实施例减少了逻辑运行程序，加快了监测结果输出的速度。可见，本发明利用热像图和大数据结合的方法提高了炉衬厚度监测效率。
74.在一些实施例中，转炉上的多个监测点的分布方式可以为：
75.在转炉的表面形成多个在竖直平面内延伸且分布均匀的测温经度线x和多个在水平面内延伸且分布均匀的测温纬度线y，多个测温经度线x和多个测温纬度线y相互交叉形成多个监测点。
76.具体地，当转炉为卧式转炉时，参见图1，转炉表面形成的多个测温经度线x分别在多个相互平行的竖直平面内延伸，每个测温经度线x均为绕转炉的周向延伸的封闭环形线或半封闭环形线(对应于倾倒口位置为半封闭环形线)，且多个测温经度线x相互平行，任意相邻的两个测温经度线x之间的间距均相同。每个测温纬度线y均沿转炉的横向延伸，多个测温纬度线y相互平行，且任意相邻的两个测温纬度线y与转炉的轴心所形成的圆心角均相同。也就是说，任意相邻的两个测温纬度线y与转炉的同一个端面之间形成的两个交点与该端面的中心所成的圆心角均相同。换句话说，转炉大致呈圆柱体，当沿转炉的任一动线段将转炉展开后，任意相邻的两个测温纬度线y之间的垂直距离均相同。
77.例如，图1所示实施例中，任意相邻的两个测温纬度线y与转炉的轴心所形成的圆心角β均为30
°
。
78.当转炉为立式转炉时，倾倒口形成在转炉的端面。转炉表面形成的多个测温经度线x分别在多个相互交叉的竖直平面内延伸，该多个竖直平面均经过立式转炉的中心，且多个测温经度线x之间形成的夹角均相同。多个测温纬度线y分别在多个相互平行的水平面内延伸，多个测温纬度线y相互平行，且间隔相同
79.在一些实施例中，基于以每个监测点的历史实测温度和该监测点周围的其他监测点的实测温度为输入层的bp神经网络对预设区域内的每个监测点进行温度预估以获得每个监测点的预测温度的步骤s40具体可包括：
80.将每个监测点的近a个历史实测温度、与该监测点处于同一个测温纬度线上的其他监测点的实测温度、与该监测点处于同一个测温经度线上且邻近地位于该监测点上方的两个监测点的实测温度、与该监测点处于同一个测温经度线上且邻近地位于该监测点下方的两个监测点的实测温度、以及与该监测点对角相邻的四个监测点的实测温度输入bp神经网络；以及
81.对bp神经网络进行学习训练，以得到该监测点的预测温度；其中，a为整数。
82.具体地，a可以取大于10且小于30的整数。
83.也就是说，步骤s40中每个监测点的历史实测温度可以为该监测点的近a个历史实测温度，步骤s40中每个监测点周围的其他监测点可以包括与该监测点处于同一个测温纬度线上的其他监测点、与该监测点处于同一个测温经度线上且邻近地位于该监测点上方的两个监测点、与该监测点处于同一个测温经度线上且邻近地位于该监测点下方的两个监测点、以及与该监测点对角相邻的四个监测点。由此，可以全面地覆盖每个监测点周围的区域，从而使得每个监测点的温度预估更加准确。
84.具体地，以监测点p5为例，与监测点p5处于同一个测温纬度线y上的其他监测点包括监测点p1、p2、p3、p4、p6、p7、p8、p9和p10；与监测点p5处于同一个测温经度线上且邻近地位于该监测点上方的两个监测点为监测点p11和p12，与监测点p5处于同一个测温经度线上且邻近地位于该监测点下方的两个监测点为监测点p13和p14，与监测点p5对角相邻的四个监测点分别为p15、p16、p17和p18。
85.可以理解的是，由于倾倒口以及端面边缘的存在，某些监测点周围的某一个监测点可能并不存在，例如，对于监测点p11来说，并不存在和其处于同一个测温经度线上且邻近地位于其上方的两个监测点以及与其对角的其中两个监测点。为此，本发明的炉衬厚度监测方法还包括：
86.若与该监测点处于同一个测温经度线上且邻近地位于该监测点上方的两个监测点、与该监测点处于同一个测温经度线上且邻近地位于该监测点下方的两个监测点、以及与该监测点对角相邻的四个监测点中的任一个监测点的实测温度未获取到，则以该监测点的历史实测温度的平均值代替，以确保bp神经网络的输入层节点稳定。
87.在一些实施例中，bp神经网络的输出层可采用正线性函数作为激活函数。
88.在一些实施例中，bp神经网络的中间层可采用sigmoid函数作为激活函数。
89.在一些实施例中，bp神经网络的中间层的节点个数按照如下公式计算：
90.其中
91.p表示bp神经网络的中间层的节点个数，m表示bp神经网络的输入层的节点个数，n表示bp神经网络的输出层的节点个数，α是常数。
92.具体地，bp神经网络的输出为监测点的预测温度，因此，n的取值为1。α的取值可以为范围在1～10之间的任一整数。
93.在一些实施例中，bp神经网络的学习训练过程具体可以包括：
94.用随机数对每一层的权值和偏差初始化，设定期望误差最小值、最大循环次数和修正权值的学习速率；其中，随机数宜小不宜大，以保证bp神经网络不被人为的加权输入饱和；
95.计算网络各层输出矢量以及误差：
96.计算各层反向传播的误差变化，并计算各层权值的修正值及新的权值；
97.再次计算权值修正后的误差平方和；
98.判断修正误差平方和是否小于期望误差最小值，若是则训练结束，否则继续。
99.在一些实施例中，转炉在每个监测点所处高度的平均表面温度按照如下方式获得：
100.获取与该监测点处于同一测温纬度线上的所有监测点的实测温度；以及
101.将处于该同一测温纬度线上的所有监测点的实测温度的平均值作为转炉在该监测点所处高度的平均表面温度。
102.转炉表面的处于同一高度的区域因在铁水量、受热情况或其他影响温度的因素方面并不明显差别，因此，转炉表面的处于同一高度处的平均表面温度能够准确地反应处在该高度上的任一监测点的温度范围。
103.图4是根据本发明一个实施例的根据每个监测点的实测温度和预测温度的温差、以及转炉在该监测点所处高度的平均表面温度确定转炉在该监测点处的炉衬厚度状态的示意性流程图。在一些实施例中，根据每个监测点的实测温度和预测温度的温差、以及转炉在该监测点所处高度的平均表面温度确定转炉在该监测点处的炉衬厚度状态的步骤s60具体可包括：
104.步骤s61，查找温度状态对照表，以确定转炉在该监测点所处高度的平均表面温度所处的目标温度区间；其中，温度状态对照表具有多个不同的温度区间，每个温度区间均对应三个温差区间，三个温差区间分别对应表示炉衬厚度状态为正常、异常和危险；
105.步骤s62，在目标温度区间对应的三个温差区间中确定该监测点的实测温度和预测温度的温差所处的目标温差区间；以及
106.步骤s63，根据目标温差区间确定转炉的炉衬厚度状态。
107.可以理解的是，转炉在不同高度位置的平均表面温度不同，所允许的处于该高度位置的监测点的实测温度和预测温度的温差范围也不同。转炉在监测点所处高度的平均表面温度越高，所允许的该检测的实测温度和预测温度的温差越大，即对应表示炉衬厚度状态为正常的温差区间端点值的绝对值越大。因此，需要将转炉不同高度的平均表面温度分成若干个温度区间，分别对比。
108.可以理解的是，同一温度区间对应的三个温差区间中，温差区间端点值的绝对值越大，炉衬厚度状态越差；温度区间端点值的绝对值越大，同一炉衬厚度状态对应的温差区间的值越大。
109.例如，当转炉的平均表面温度为200～250℃的区间时，其对应的三个温差区间分别为[-7，7]、[-10，-7)或(7，10]、以及(-∞，-10]或[10， ∞)。其中，温差区间[-7，7]对应表示炉衬厚度状态为正常，温差区间[-10，-7)或(7，10]对应表示炉衬厚度状态为异常，温差区间(-∞，-10]或[10， ∞)对应表示炉衬厚度状态为危险。再如，当转炉的平均表面温度为650～700℃的区间时，其对应的三个温差区间分别为[-25，25]、[-32，-25)或(25，32]、以及(-∞，-32]或[32， ∞)。其中，温差区间[-25，25]对应表示炉衬厚度状态为正常，温差区间[-32，-25)或(25，32]对应表示炉衬厚度状态为异常，温差区间(-∞，-32]或[32， ∞)对应表示炉衬厚度状态为危险。
[0110]
图5是根据本发明另一个实施例的根据每个监测点的实测温度和预测温度的温差、以及转炉在该监测点所处高度的平均表面温度确定转炉在该监测点处的炉衬厚度状态的示意性流程图。在另一个实施例中，根据每个监测点的实测温度和预测温度的温差、以及转炉在该监测点所处高度的平均表面温度确定转炉在该监测点处的炉衬厚度状态的步骤s60也可包括：
[0111]
步骤s61
′
，判断该监测点的实测温度和预测温度的温差是否处于转炉在该监测点
所处高度的平均表面温度下所允许的温差范围；若是，则转步骤s62
′
，若否，则转步骤s63
′
；
[0112]
转步骤s62
′
，判定转炉在该监测点处的炉衬厚度状态正常；
[0113]
步骤s63
′
，判断该监测点的实测温度和预测温度的温差是否处于转炉在该监测点所处高度的平均表面温度下所禁止的温差范围；若是，则转步骤s64
′
，若否，则转步骤s65
′
；
[0114]
步骤s64
′
，判定转炉在该监测点处的炉衬厚度状态危险；
[0115]
步骤s65
′
，判定转炉在该监测点处的炉衬厚度状态异常。
[0116]
也就是说，在将转炉不同高度的平均表面温度分成若干个温度区间的基础上，可以为每个平均表面温度预设所允许的温差范围和所禁止的温差范围。
[0117]
具体地，当转炉的平均表面温度为200～250℃的区间时，所允许的温差范围为[-7，7]，所禁止的温差范围为(-∞，-10]或[10， ∞)。当监测点的实测温度和预测温度的温差处于所允许的温差范围为[-7，7]内时，判定转炉在该监测点处的炉衬厚度状态正常。当监测点的实测温度和预测温度的温差不处于所允许的温差范围为[-7，7]内时，接着判断监测点的实测温度和预测温度的温差是否处于所禁止的温差范围为(-∞，-10]或[10， ∞)内，若是，则判定转炉在该监测点处的炉衬厚度状态危险，若否，则判定转炉在该监测点处的炉衬厚度状态异常。
[0118]
可以理解的是，可以先将监测点的实测温度和预测温度的温差与某平均表面温度下所允许的温差范围相比较，然后再与该平均表面温度下所禁止的温差范围相比较；也可以先将监测点的实测温度和预测温度的温差与某平均表面温度下所禁止的温差范围相比较，然后再与该平均表面温度下所允许的温差范围相比较。
[0119]
当然，在又一些实施例中，也可以为每个平均表面温度预设所允许的温差范围和异常的温差范围。
[0120]
在一些实施例中，本发明的炉衬厚度监测方法还包括：
[0121]
当转炉在监测点处的炉衬厚度状态确定为危险时，发出报警信号；
[0122]
当转炉在监测点处的炉衬厚度状态确定为异常时，每隔第一预设时间间隔重新获取该监测点处的炉衬厚度状态；若连续预设次数获取到的该监测点处的炉衬厚度状态均为异常，则发出报警信号；
[0123]
当转炉在监测点处的炉衬厚度状态确定为正常时，每隔第二预设时间间隔重新获取该监测点处的炉衬厚度状态。
[0124]
由此，能够在炉衬可能存在较严重的脱离现象时，及时地用报警信号提醒工作人员，便于及时检修。并且还可以在炉衬厚度状态连续出现异常数次后也发出报警信号提示工作人员，提前检修，预防事故发生。
[0125]
本发明还提供一种用于转炉的炉衬厚度监测系统，转炉的表面规则分布有多个监测点。图6是根据本发明一个实施例的炉衬厚度监测系统的示意性结构框图。参见图6，本发明的炉衬厚度监测系统1包括温度检测装置10和控制装置20。
[0126]
温度检测装置10配置成用于检测转炉表面在每个所述监测点处的实测温度。
[0127]
具体地，参见图7所示的转炉和温度检测装置的示意性侧视图。温度检测装置10可包括多个红外热像仪11，参见图1和图7，多个红外热像仪11可分布在转炉的周向侧部和底部，以更加全面地检测到各个监测点的实测温度。由于转炉工作时的温度非常高，因此，可以选择温度范围较宽的红外热像仪。由于温度测量范围较大，因此可以选用场角为100.0
°
×
79
°
(水平视场角
×
垂直视场角)的角度可调的红外热像仪。
[0128]
控制装置20与温度获取装置10相连，且包括处理器21和存储器22，存储器21内存储有机器可执行程序23，并且机器可执行程序23被处理器21执行时用于实现上述任一实施例所描述的炉衬厚度监测方法。
[0129]
本发明的炉衬厚度检测系统能够更加科学地、更加及时、更加准确地检测转炉的温度状态，从而更加及时地检测出炉衬的损坏情况，便于工作人员及时检修，提高了生产安全性，降低了对人员、设备的损伤及事故抢修造成的人力物力消耗。并且，本发明不需要复杂的检测设备，简化了结构、降低了成本。在效果上，红外热像仪可以同时获取多个监测点的温度，可以在转炉表面设置分布密集的多个监测点，从而更加精确地监测炉衬各个位置的厚度情况。可见，本发明的炉衬厚度监测方法不但简单，而且效果较好，实用性非常强，便于推广使用。
[0130]
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。