本發(fā)明的各個方面涉及轉(zhuǎn)爐煉鋼技術領域，尤其是轉(zhuǎn)爐煉鋼過程中鋼水碳含量的實時監(jiān)測，具體而言涉及基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測方法。

背景技術：

現(xiàn)今世界上的主流煉鋼技術就是轉(zhuǎn)爐煉鋼，其產(chǎn)量占鋼鐵總產(chǎn)量的70％以上。而在轉(zhuǎn)爐煉鋼過程中最重要的一環(huán)就是末期的終點控制，直接關系到最后鋼水的質(zhì)量。自從轉(zhuǎn)爐煉鋼方法出現(xiàn)以來，轉(zhuǎn)爐煉鋼的終點控制主要經(jīng)歷了人工經(jīng)驗控制、靜態(tài)模型控制、動態(tài)模型控制和光信息控制四個發(fā)展階段。

人工經(jīng)驗控制，即經(jīng)驗煉鋼，利用熱電偶測溫定碳和爐前取樣快速分析的手段，對正常吹煉條件下的轉(zhuǎn)爐終點進行人工經(jīng)驗判斷控制。碳氧反應速率是劃分三個階段的重要依據(jù)，而碳氧反應的劇烈程度及鋼水的溫度，都能夠被爐口火焰反映出來。煉鋼操作工人通過觀察爐口火焰、火花和供氧時間來綜合判斷煉鋼終點。然而，僅僅依靠操作工人的肉眼觀察，存在終點命中率低、工人勞動強度大等問題。

靜態(tài)模型控制就是根據(jù)統(tǒng)計學的原理，對以往轉(zhuǎn)爐吹煉的初始數(shù)據(jù)進行統(tǒng)計分析，計算出吹煉所需要的初始條件，以此條件來進行吹煉過程。一般來說，靜態(tài)模型控制相比人工經(jīng)驗控制能夠更加有效地利用吹煉過程的初始條件進行定量計算和控制。靜態(tài)模型控制能夠依據(jù)原料條件尋找最佳原料配比，并根據(jù)實際配料確定冶煉方案，克服經(jīng)驗控制上的隨機性和不一致性?，F(xiàn)有的靜態(tài)模型包括機理模型、統(tǒng)計模型和增量模型三種。而在實際應用中，常常以這三種模型相互結(jié)合來提高終點控制的精度。但是由于靜態(tài)模型控制不考慮吹煉過程中的動態(tài)信息，不能進行在線跟蹤和實時修正，因此準確性受到很大的限制。

動態(tài)模型控制主要是副槍動態(tài)控制方法，在靜態(tài)模型的基礎上利用副槍對轉(zhuǎn)爐內(nèi)的鋼水進行檢測，根據(jù)檢測得到的結(jié)果，對初始參數(shù)加以修正，來得到精確的終點。尤其是近年來，隨著人工神經(jīng)網(wǎng)絡的研究在動態(tài)模型控制方法上的應用，克服了傳統(tǒng)靜態(tài)模型控制忽視吹煉過程中動態(tài)信息的問題，進一步提高了檢測的準確性，使終點檢測結(jié)果的命中率得到了進一步的提升，同時使煉鋼的自動化程度得到了極大的提高。但是它成本比較高，需要對轉(zhuǎn)爐進行改造，故對一般的中小型轉(zhuǎn)爐不太適用。

傳統(tǒng)方法或?qū)K點判斷不準確，或成本高適應性受限，因此隨著煉鋼技術的發(fā)展和相關技術的進步，人們不斷嘗試在終點控制技術中應用更加有效和準確的方法。在20世紀80年 代，出現(xiàn)了利用轉(zhuǎn)爐爐口光學信息對轉(zhuǎn)爐煉鋼終點判斷的新型終點控制方法。諸如，利用紅外激光穿透爐氣時發(fā)生的變化情況來測量爐氣成分來判斷終點的光學探測器，該探測器通過檢測穿過爐氣激光發(fā)生的變化情況來判斷終點，其主要原理是檢測爐氣中的一氧化碳的含量，根據(jù)爐氣中的一氧化碳的成分變化來進行終點控制。在經(jīng)驗或者動態(tài)模型控制中，始終不可忽略的就是操作工人要從火焰的變化來獲取不同程度的信息，這些信息其實就是火焰的光圈、光譜分布和火焰的圖像信息。隨著光電器件的不斷發(fā)展，光學處理方法的不斷成熟，光學探測技術得到了極大的發(fā)展，光學控制方法也應用到了轉(zhuǎn)爐煉鋼的終點控制中。諸如張金進、石彥杰等人提出的鋼水輻射光譜信息探測法、美國伯利恒鋼鐵公司提出的爐口火焰光強信息探測法、衛(wèi)成業(yè)、嚴建華等人提出的火焰圖像信息探測法等。

雖然煉鋼終點控制理論的研究不斷深入，但這些方法所需的成本極高，探測和分析設備的造價都是極其昂貴的，而且安裝和維護十分不便，僅僅在一些實力強大的鋼鐵企業(yè)中應用。在大多數(shù)中小鋼鐵企業(yè)中，還是以單一的經(jīng)驗控制或者靜態(tài)模型控制為主。而最新的光信息控制方法雖然提供了一些有價值的思路和應用方向，但由于受到生產(chǎn)規(guī)模、生產(chǎn)條件的限制，尤其是復雜、惡劣的煉鋼生產(chǎn)環(huán)境，在光信息采集方面，抗干擾能力弱，不能迅速連續(xù)的提取所需要的參數(shù)信息，因而很難為一些中小鋼鐵企業(yè)所接受。

因此，迫切需要研制一種精確的，適用于中小鋼鐵企業(yè)，中小轉(zhuǎn)爐的在線實時煉鋼終點控制方案。

技術實現(xiàn)要素：

本發(fā)明目的在于提供一種基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測方法，該方法基于支持向量機算法設計，具有碳含量檢測精度高、非接觸、抗干擾能力強、易于操作等優(yōu)點，從而解決了當前轉(zhuǎn)爐煉鋼碳含量在線動態(tài)檢測方面的問題。

本發(fā)明的上述目的通過獨立權利要求的技術特征實現(xiàn)，從屬權利要求以另選或有利的方式發(fā)展獨立權利要求的技術特征。

為達成上述目的，本發(fā)明提出一種基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測方法，該檢測方法的實現(xiàn)包括：

根據(jù)轉(zhuǎn)爐煉鋼環(huán)境調(diào)節(jié)望遠光學系統(tǒng)中的視場光欄，從而調(diào)節(jié)爐口火焰探測的視場使得爐口火焰的預設位置通過該望遠光學系統(tǒng)成像，再經(jīng)由一傳輸光纖將爐口火焰圖像信息傳輸至一光譜儀；

光譜儀接收到像之后，進行光譜分析獲取火焰光譜分布信息；

利用基于SVM終點控制方法根據(jù)火焰光譜分布信息進行轉(zhuǎn)爐煉鋼碳含量的實時檢測，其中碳含量通過SVM碳含量動態(tài)檢測模型來進行檢測。

進一步的例子中，所述視場光欄為可變視場光欄。

進一步的例子中，所述轉(zhuǎn)爐煉鋼碳含量的實時檢測通過運行存儲在計算機系統(tǒng)中的程序來實現(xiàn)，包括以下過程：

接收火焰光譜信息并構建表征爐內(nèi)碳含量變化的特征參量；

將表征爐內(nèi)碳含量變化的特征參量輸入一SVM碳含量動態(tài)檢測模型進行檢測；以及

輸出碳含量的檢測結(jié)果。

進一步的例子中，所述SVM碳含量動態(tài)檢測模型為預先訓練好的模型，其訓練過程如下：

以實際鋼水碳含量作為標準，通過反復訓練、優(yōu)化選擇，確定SVM學習算法所涉及的各個參量，其具體包括：

由火焰光譜信息構建能夠表征爐內(nèi)碳含量變化的特征參量；

選定SVM學習算法的核函數(shù)；

優(yōu)化控制參數(shù)核函數(shù)寬度δ和懲罰因子C；

選取模型訓練樣本，利用SVM學習算法對特征參量進行分類建模；

以測試樣本輸入所建立的模型，并分析誤差和泛化性是否滿足設計要求：如果滿足，則輸出模型，如果不滿足，則返回所述步驟重新進行核函數(shù)寬度δ和懲罰因子C的選擇以重新建模，直到滿足要求。

進一步的例子中，所述模型訓練過程中，按照下述方式構建特征參量：

波長600nm處光譜形狀為凸起的尖峰，特征參量a₁為此處的光強歸一化值；

光譜形狀在770nm處凸起的尖峰是雙峰，特征參量a₂為波長770nm和772nm處的光強歸一化均值；

所述兩個尖峰中間的連續(xù)光譜變化劇烈，將該段譜線平均分成三段，對每一段光強歸一化后取平均值得到三個特征參量a₃，a₄，a₅；以及

將光譜分布中光譜的峰值波長λ與所述光譜儀的探測范圍最大值T max的比值作為第六個參量：a₆。

進一步的例子中，所述模型訓練過程中，所述的SVM學習算法的核函數(shù)選自線性核函數(shù)，多項式核函數(shù)，RBF核函數(shù)以及S型核函數(shù)中的一種。

進一步的例子中，在碳含量的檢測過程中，在接收到在線實時采集的火焰光譜信息并構建特征參數(shù)后，首先通過所述SVM碳含量動態(tài)預測模型確定終點碳的類別，并基于終點碳的類別采用對應的終點擬合函數(shù)確定當前所采集火焰光譜信息對應的鋼水的碳含量。

進一步的例子中，所述終點擬合函數(shù)包括了不同終點碳的類別各自所屬的終點擬合函數(shù)，其中：

所述終點擬合函數(shù)表示為：

Y＝f(X)，

該公式表達了X與Y的映射關系，其中X是終點時刻火焰光譜中提取的特征變量，Y是終點碳值，該終點擬合函數(shù)使用MATLAB提供一個多項式擬合函數(shù)來對數(shù)據(jù)進行擬合，從而得到擬合函數(shù)。

應當理解，所述構思以及在下面更加詳細地描述的額外構思的所有組合只要在這樣的構思不相互矛盾的情況下都可以被視為本公開的發(fā)明主題的一部分。另外，所要求保護的主題的所有組合都被視為本公開的發(fā)明主題的一部分。

結(jié)合附圖從下面的描述中可以更加全面地理解本發(fā)明教導的所述和其他方面、實施例和特征。本發(fā)明的其他附加方面例如示例性實施方式的特征和/或有益效果將在下面的描述中顯見，或通過根據(jù)本發(fā)明教導的具體實施方式的實踐中得知。

附圖說明

附圖不意在按比例繪制。在附圖中，在各個圖中示出的每個相同或近似相同的組成部分可以用相同的標號表示。為了清晰起見，在每個圖中，并非每個組成部分均被標記?，F(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個方面的實施例，其中：

圖1是本發(fā)明所提出的基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測系統(tǒng)的示意圖。

圖2是圖1的檢測方法中望遠光學系統(tǒng)的示意圖。

圖3是基于圖1所示檢測系統(tǒng)實現(xiàn)的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測方法的流程示意圖。

圖4是本發(fā)明提出的SVM分類建模的流程示意圖。

圖5是本發(fā)明提出的數(shù)據(jù)選取范圍示意圖。

圖6a-6b是懲罰因子C＝30和核函數(shù)寬度δ＝0.2時訓練樣本和測試樣本的分類命中結(jié)果示意圖。

圖7a-8b是懲罰因子C＝20和核函數(shù)寬度δ＝0.8時訓練樣本和測試樣本的分類命中結(jié)果示意圖。

圖8a-8b是懲罰因子C＝20和核函數(shù)寬度δ＝3時訓練樣本和測試樣本的分類命中結(jié)果示意圖。

圖9a-9b是懲罰因子C＝100和核函數(shù)寬度δ＝0.06時訓練樣本和測試樣本的分類命中結(jié)果 示意圖。

圖10是30個碳訓練的分類模型結(jié)果示意圖。

圖11是最終訓練的分類模型結(jié)果示意圖。

圖12是本發(fā)明所述圖1所示的檢測方法在實際啟動后的工作流程示意圖。

圖13是本發(fā)明提出的碳含量檢測流程示意圖。

具體實施方式

為了更了解本發(fā)明的技術內(nèi)容，特舉具體實施例并配合所附圖式說明如下。

在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實施例。本公開的實施例不必定意在包括本發(fā)明的所有方面。應當理解，上面介紹的多種構思和實施例，以及下面更加詳細地描述的那些構思和實施方式可以以很多方式中任意一種來實施，這是因為本發(fā)明所公開的構思和實施例并不限于任何實施方式。另外，本發(fā)明公開的一些方面可以單獨使用，或者與本發(fā)明公開的其他方面的任何適當組合來使用。

本發(fā)明所提出的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測方法，總體來說，是通過望遠系統(tǒng)來遠距離地獲取爐口火焰圖像信息，并利用光譜儀對其進行分析得到火焰光譜信息，據(jù)此，從中提取有用的即能夠表達碳含量的信息來構建特征參量，并對選取的訓練樣本進行SVM訓練得到檢測模型，最后利用檢測模型來檢測在線檢測得到的樣本數(shù)據(jù)，從而最終達到對爐內(nèi)鋼水碳含量的在線實時檢測。

由于現(xiàn)在轉(zhuǎn)爐煉鋼一般是根據(jù)所煉鋼種的不同來進行相應的轉(zhuǎn)爐吹煉操作，根據(jù)要求所吹煉的鋼種分為低碳鋼(鋼水中碳的含量低于1.5％)，中碳鋼(鋼水中碳的含量在1.5％～3.0％)和高碳鋼(鋼水中碳的含量大于3.0％)三種，在本發(fā)明公開的內(nèi)容中所提及的15個碳實際上是千分之15,即碳含量為1.5％，同樣30個碳也是如此表示，下文所描述的30碳模型就是在碳含量為3.0％的若干轉(zhuǎn)爐附近進行分類訓練所得到的模型。

結(jié)合圖1的基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測系統(tǒng)，包括望遠光學系統(tǒng)1、光譜儀2以及基于SVM的終點控制裝置3。

望遠光學系統(tǒng)1與光譜儀2之間通過光纖4連接。

望遠光學系統(tǒng)1，被配置用于實時采集煉鋼爐口的火焰圖像信息。

光譜儀2，被配置通過光纖4接收來自望遠光學系統(tǒng)1的火焰圖像信息，并獲取火焰圖像信息的火焰光譜信息。

光譜儀2，在本例中選用了光柵光譜儀，諸如海洋光學的USB4000-VIS-NIR的微型CCD光柵光譜儀，其體積小、故障率低，且安裝方便，與本例設計的望遠光學系統(tǒng)配合可穩(wěn)定獲得爐口火焰的穩(wěn)定光譜。

基于SVM的終點控制裝置3，該裝置具有一運算單元31和控制運算單元運行的中央控制單元32，該運算單元被設置用于根據(jù)所述實時獲取的火焰光譜信息通過SVM碳含量動態(tài)檢測模型進行煉鋼鋼水中碳含量的實時檢測。

本例中，基于SVM的終點控制裝置構造為一個電路板。電路板上集成有作為運算單元的FPGA芯片和作為中央處理單元的微處理器，當然，電路板上還包括用于提供穩(wěn)定電壓供應的電源模塊、串行接口、RS232接口等接口。

所述的SVM碳含量動態(tài)檢測模型燒錄在所述FPGA芯片中，并且在接收到火焰光譜信息后自動進行碳含量的檢測。

當然，在另選的實施方式中，所述的運算單元還可以通過CPLD芯片來實現(xiàn)。

結(jié)合圖2，所述望遠光學系統(tǒng)1包括共光軸的物鏡、目鏡以及獨立于物鏡和目鏡的視場光欄，該視場光欄配置在所述物鏡、目鏡所形成的光學成像通路中，用于調(diào)節(jié)爐口火焰探測的視場。

如圖2所示，優(yōu)選地，視場光欄設置在物鏡于目鏡之間，諸如位于所述物鏡的焦平面上。

在另外的例子中，所述視場光欄位于所述目鏡后方并貼近所述光纖。

作為可選的例子，所述物鏡為雙分離透鏡，由一塊正透鏡和一塊負透鏡共光軸的分布而構成。

所述目鏡為凱涅爾目鏡，由一塊單透鏡和一塊雙膠合透鏡共光軸的分布而構成。

優(yōu)選地，所述視場光欄為可變視場光欄。

如圖2所示，標號l表示物鏡、目鏡的光軸，f′₁表示物鏡的焦距，f′₂表示目鏡的焦距。

如前所述，所述基于SVM的終點控制裝置3，其中的運算單元31通過FPGA、CPLD中的一種實現(xiàn)，SVM碳含量動態(tài)檢測模型燒錄在FPGA或CPLD中，并且在接收到火焰光譜信息后由中央控制單元32控制自動進行碳含量的檢測。

本例中，所述SVM碳含量動態(tài)檢測模型中包括：

用于根據(jù)輸入的火焰光譜信息中構建表征爐內(nèi)碳含量變化的特征參量的參量構建模塊；

用于基于所述構建的特征參量進行碳含量檢測的碳含量動態(tài)檢測模塊；以及

用于檢測結(jié)果輸出的輸出模塊。

結(jié)合圖1、圖2以及圖3所示的流程圖，根據(jù)本發(fā)明提出一種基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實時動態(tài)檢測方法，該檢測方法的實現(xiàn)包括：

根據(jù)轉(zhuǎn)爐煉鋼環(huán)境調(diào)節(jié)望遠光學系統(tǒng)1中的視場光欄，從而調(diào)節(jié)爐口火焰探測的視場使得爐口火焰的預設位置通過該望遠光學系統(tǒng)1成像，再經(jīng)由傳輸光纖將爐口火焰圖像信息傳 輸至一光譜儀2；

光譜儀2接收到像之后，進行光譜分析獲取火焰光譜分布信息

利用基于SVM終點控制方法根據(jù)火焰光譜信息進行轉(zhuǎn)爐煉鋼碳含量的實時檢測，其中碳含量通過SVM碳含量動態(tài)檢測模型來進行檢測。

優(yōu)選地，前述用于調(diào)節(jié)爐口火焰探測的視場光欄為可變視場光欄。

本例中，結(jié)合圖3所示，轉(zhuǎn)爐煉鋼碳含量的實時檢測通過運行存儲在計算機中的程序來實現(xiàn)，包括以下過程：

接收火焰光譜信息并構建表征爐內(nèi)碳含量變化的特征參量；

將表征爐內(nèi)碳含量變化的特征參量輸入一SVM碳含量動態(tài)檢測模型進行檢測；以及

輸出碳含量的檢測結(jié)果。

SVM碳含量動態(tài)檢測模型為預先訓練好的模型，其訓練過程如下：

以實際鋼水碳含量作為標準，通過反復訓練、優(yōu)化選擇，確定SVM學習算法所涉及的各個參量，其具體包括：

由火焰光譜信息構建能夠表征爐內(nèi)碳含量變化的特征參量；

選定SVM學習算法的核函數(shù)；

優(yōu)化控制參數(shù)核函數(shù)寬度δ和懲罰因子C；

選取模型訓練樣本，利用SVM學習算法對特征參量進行分類建模；

以測試樣本輸入所建立的模型，并分析誤差和泛化性是否滿足設計要求：如果滿足，則輸出模型，如果不滿足，則返回所述步驟重新進行核函數(shù)寬度δ和懲罰因子C的選擇以重新建模，直到滿足要求。

而在模型訓練過程中，按照下述方式構建特征參量：

波長600nm處光譜形狀為凸起的尖峰，特征參量a₁為此處的光強歸一化值；

光譜形狀在770nm處凸起的尖峰是雙峰，特征參量a₂為波長770nm和772nm處的光強歸一化均值；

所述兩個尖峰中間的連續(xù)光譜變化劇烈，將該段譜線平均分成三段，對每一段光強歸一化后取平均值得到三個特征參量a₃，a₄，a₅；以及

將光譜分布中光譜的峰值波長λ與所述光譜儀的探測范圍最大值Tmax的比值作為第六個參量：a₆。

所述的SVM學習算法的核函數(shù)選自線性核函數(shù)，多項式核函數(shù)，RBF核函數(shù)以及S型核函數(shù)中的一種。

在實際的模型生成時，通過將待測試訓練分成三類，使得數(shù)據(jù)的碳值跨度范圍縮小。

如前所述，在進行模型訓練和建立時，即采用分類建模的方式進行。

本例中，結(jié)合圖4所示，分類建模具體實現(xiàn)包括：

1)訓練和測試樣本的選取

從鋼廠采集得到轉(zhuǎn)爐爐口火焰的100個火焰光譜數(shù)據(jù)，對這100個光譜數(shù)據(jù)進行分類，將其分成碳含量C<15，15≤C<30，C≥30三大類，從SVM分類算法得知，對于多分類問題，可以將其轉(zhuǎn)化成幾個二分類問題，這樣做簡化了算法的難度，同時降低了多分類的時間復雜度。對本發(fā)明來說，很明顯是多分類問題，因此可以用兩個二分類模型來解決，在訓練時只需在30個碳和15個碳附近訓練兩個模型即可達到將數(shù)據(jù)分成三類的目的。

示例性地，假設碳的范圍為0～50之間，具體訓練數(shù)據(jù)的選取如圖5所示。

因此，對于30個碳分類模型的訓練，它的兩個類的范圍分別是：0～30個碳之間和30個碳以上(測得的最大值在50個碳附近)。確定好兩個類之后，再確定用于訓練和測試的樣本，訓練樣本和測試樣本的個數(shù)一般按照2:1或者3:1的比例選擇，最好不要個數(shù)持平，那樣不利于模型的泛化性，訓練樣本的個數(shù)最好大于測試樣本的個數(shù)。

同樣對于15個碳模型的訓練，它的兩個類分別為：15～30個碳之間和15個碳以下，選擇訓練和測試樣本的個數(shù)與30個碳模型選擇規(guī)則是一樣的。

在這里樣本確定好之后，并不是一成不變的，有可能選擇的樣本在分類模型訓練時，無論怎么做都達不到要求。這時就需要更改一下樣本，將測試樣本中沒有命中的爐次放到訓練樣本中重新訓練，這里需要說明一點，如果在此時刻改變了訓練樣本，那么下一時刻的模型訓練，樣本也跟著改變，也就是說不同時刻的訓練樣本是一致的。

2)特征變量的構建

爐口光強可以表征火焰的亮度，而爐口火焰的光譜信息可以表征轉(zhuǎn)爐內(nèi)的狀態(tài)。在轉(zhuǎn)爐煉鋼過程中，爐內(nèi)鋼水的狀態(tài)總是從一個狀態(tài)向下一個狀態(tài)變化，因此可以用一個量化的值來代表它，即可以用Yd來表示轉(zhuǎn)爐內(nèi)的狀態(tài)信息，這個值包含了爐內(nèi)的溫度和成分信息。在這里Yd可以是離散的，也可以是連續(xù)的。在觀察火焰光譜的變化趨勢時，并沒有發(fā)現(xiàn)光譜的異常突變，但是發(fā)現(xiàn)了光譜在某些波段上會發(fā)生輕微的變化，這種變化在吹煉末期會比較明顯，可能會成為終點判斷的標志。

因此，本例中利用M(λ)表示爐口火焰的光譜分布，并且認為Yd是一個連續(xù)變化的值，則可以用一個映射來將自變量(即M(λ)的值)轉(zhuǎn)化為因變量(即Yd值)，得到如下函數(shù)關系式：f(M(λ))＝Y(jié)d。

鋼水在吹煉過程中的狀態(tài)與爐口火焰的光譜有關，即可以通過光譜的分布來檢測爐內(nèi)鋼水的狀態(tài)。因此要對光譜分布做預處理，忽略光譜強度的絕對值影響，僅僅考慮光譜分布的變化對鋼水狀態(tài)的影響。

對某一時刻的光譜數(shù)據(jù)而言，可以用如下公式處理：

$M^{\&prime;}\left({\mathrm{\&lambda;}}_i\right)=\frac{M\left({\mathrm{\&lambda;}}_i\right)}{{\max }_{350\&le;{\mathrm{\&lambda;}}_j\&le;1000}\left(M\left({\mathrm{\&lambda;}}_j\right)\right)}$

在上式中，M(λ_i)代表在波長λ_i處光譜光強的絕對值，其作用是對光譜光強進行歸一化處理，經(jīng)過處理以后光譜分布的形狀沒有改變，但是在轉(zhuǎn)爐整個吹煉過程中它的值在0～1之間。

其中波長λ_i的取值范圍取決于光譜儀2的探測范圍，本例中，所采用的光譜儀的探測范圍是[350,1000]。

在研究過程中，火焰光譜分布中具有明顯的兩個凸起的尖峰，在多次研究中它們在整個吹煉過程中變化最有規(guī)律，尤其是在吹煉末期靠近終點時，它們的形狀會在一定程度上代表爐內(nèi)鋼水的狀態(tài)。其對應的波長分別為600nm和770nm、772nm，因此在在本發(fā)明中把這兩處的光譜歸一化值作為特征變量a₁，a₂。即a₁＝M'(600)，由于在700nm處的尖峰是雙峰，所以對其取平均值，即計算770nm和772nm處的光強歸一化均值：

在多次研究的過程中還發(fā)現(xiàn)，兩個尖峰中間的連續(xù)光譜變化也比較劇烈，這其中可以反映火焰亮度的變化，為了得到能夠表征這一段譜線的特征變量，我們在本例中將這一段譜線平均分成三段，對每一段光強歸一化值的取平均值，從而可以得到三個特征參量：a₃，a₄，a₅。

光譜分布的峰值也可以反映一定的信息，但是峰值的光強歸一化值已經(jīng)在參量a₄中得以反映，在選取參量時，首先要保證的是參量之間是相互獨立的，不能存在其中兩個參量可以反映另一參量，或者參量之間相互反映的情況，所以不需要重復選取。

對于這種情況，本例中，將光譜分布中光譜的峰值波長與所述光譜儀的探測范圍最大值的比值作為第六個參量：a₆。

因此，在本實施例中，所述參量構建模塊被設置成按照下述方式構建特征參量：

波長600nm處光譜形狀為凸起的尖峰，特征參量a₁為此處的光強歸一化值；

光譜形狀在770nm處凸起的尖峰是雙峰，特征參量a₂為波長770nm和772nm處的光強歸一化均值；

所述兩個尖峰中間的連續(xù)光譜變化劇烈，將該段譜線平均分成三段，對每一段光強歸一化后取平均值得到三個特征參量a₃，a₄，a₅；

將光譜分布中光譜的峰值波長與所述光譜儀的探測范圍最大值的比值作為第六個參量：a₆。

通過上面的分析介紹，6個參量的值范圍都在[0,1]之間，這樣做是為了保持算法的穩(wěn)健性。到這里光譜參量就已經(jīng)選取完畢，參量都可以通過光譜計算而得到，對于N個訓練樣本，每一個訓練樣本都包含許多數(shù)據(jù)點x_i＝(a₁,a₂,a₃,a₄,a₅,a₆),i＝1,...,N，每個數(shù)據(jù)點都含有6個參量，然后接下來就是導入樣本參量，利用SVM進行分類模型的訓練。

3)訓練參數(shù)的選取

在這里對樣本進行分類訓練時，選取樣本要遵循一個條件：樣本是獨立同分布的。經(jīng)分析得，每一時刻光譜的信息是反映爐內(nèi)的狀態(tài)的，對于轉(zhuǎn)爐吹煉過程來說，每一個狀態(tài)是相互獨立的，也就是說每一時刻火焰光譜信息也是相互獨立的，它們之間是一種對應的關系，進而可得到每一個樣本點之間是獨立的。又因為每一時刻的光譜分布都是由同一介質(zhì)燃燒得來，必定滿足相同的物理特性，所以它們符合同一概率分布的。綜上所述，可以認為選取的訓練樣本是獨立同分布的。

SVM訓練時不同的核函數(shù)對應不同的網(wǎng)格結(jié)構，本例中SVM學習算法的核函數(shù)選自線性核函數(shù)，多項式核函數(shù)，RBF核函數(shù)以及S型核函數(shù)中的一種。

線性核函數(shù)：K(x,x')＝<x,x'>；

多相式核函數(shù)：K(x,x')＝(<x,x'>+1)^d其中d為正實數(shù)；

S型(sigmoid)核函數(shù):K(x,x')＝thanh(v<x,x'>+r)其中v和r為正常數(shù)。

高斯(徑向基函數(shù)，RBF)核函數(shù)：K(x,x')＝exp(-||x-x'||²/2σ²)其中σ為核寬，且為正整數(shù)。(參考：A Practical Guide to Support Vector Classi fication第2頁，Hsu C W,Chang C C,Lin C J.A practical guide to support vector classification[J].2003.)

在實際應用中，通常要根據(jù)問題的具體情況選擇合適的核函數(shù)和參數(shù)。為找到不同轉(zhuǎn)爐對應的最合適的SVM模型核函數(shù)，可以分別對不同轉(zhuǎn)爐的樣本光譜數(shù)據(jù)采用以上4種核函數(shù)訓練，然后選擇訓練結(jié)果最好的核函數(shù)作為該轉(zhuǎn)爐SVM模型核函數(shù)

SVM分類就是在選定核函數(shù)之后，在核函數(shù)空間中尋找擁有最大間隔的超平面。

本例中，利用的是LS_SVM算法進行分類模型的訓練，得到原問題的優(yōu)化定義為：

$\mathrm{Minimize}:\&lang;\mathrm{\&omega;}\&CenterDot;\mathrm{\&omega;}\&rang;+C{\mathrm{\&Sigma;}}_{i=1}^l{\mathrm{\&xi;}}^2$

Subject to:y_i(<ω·x_i>+b)≥1-ξ_i,i＝1,...,l[備注：支持向量機導論第91頁]

上式中，C是需要給定的值，它是樣本誤差的懲罰因子。

接下來的工作就是訓練模型，具體的步驟是：按時間順序?qū)胗柧殬颖镜墓庾V信息，也就是每一爐的光譜參量。在這里所選的訓練規(guī)則是從終點往前訓練，即選取末尾100幀訓練一個模型，然后繼續(xù)往前推100幀再訓練一個模型。

首先對一段時間內(nèi)的爐次進行訓練，比如對訓練樣本選取它們倒數(shù)200幀至300幀之間的100幀數(shù)據(jù)訓練模型，這里100幀數(shù)據(jù)的提取對所有訓練樣本是一致的。

以30碳的分類模型為例，在確定了核函數(shù)后，接下來控制的參數(shù)主要是：核函數(shù)寬度δ和懲罰因子C。

調(diào)參方法主要包括：智能微粒群(PSO)算法(如Eberhart R C,Kennedy J.A new optimizer using particle swarm theory[C]//Proceedings of the sixth international symposium on micro machine and human science.1995,1:39-43.)、遺傳(GA)算法(如雷劍.基于SVM和遺傳算法的建模與全局尋優(yōu)方法[J].科技廣場,2008(5):120-122.)、網(wǎng)格搜索法(如王健峰,張磊,陳國興,等.基于改進的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].應用科技,2012,39(3):28-31.)等，可以分別用以上不同方法進行調(diào)參，結(jié)合樣本的命中率和模型的泛化性，選擇最優(yōu)的核函數(shù)寬度δ和懲罰因子C。

下面依然以30碳的分類模型為例簡單介紹調(diào)參過程：

首先，隨意選擇一對懲罰因子C＝30和核函數(shù)寬度δ＝0.2的參數(shù)，利用SVM訓練就可以得到一個分類器即超平面，它自身的訓練精度和測試樣本精度如圖6a、6b所示，星號表示的是實際的碳值，圓圈表示的未命中的爐次，也就是分類錯誤的爐次。

如圖6a、6b所示，對于訓練樣本和測試樣本的分類命中情況，圖6a、6b可以看出模型對訓練樣本的分類效果非常好，能夠全部分類正確，在這種參數(shù)下訓練樣本全部是支持向量的。但是對于測試樣本來說，有4個爐次的碳沒有正確分類，如果不考慮其它參數(shù)情況的話，認為這種情況是可以接受的，但是實際上需要嘗試大量的參數(shù)來尋找合適的模型。前面已經(jīng)說過在選擇模型時主要考慮的是樣本的命中率和模型的泛化性，泛化性則是由測試數(shù)據(jù)的分類情況看出。

接下來考慮在參數(shù)C＝20和δ＝0.8條件下的分類情況，訓練和測試樣本的命中率如圖7a、7b所示。

從圖6a、6b，圖7a、7b可以看出，在這兩組參數(shù)下，訓練樣本和測試樣本的命中率是一樣的，但是在參數(shù)C＝20和δ＝0.8的情況下，訓練樣本的分類精度降低，樣本支持向量的數(shù)目減少，模型的泛化性比前者要好，對新的測試數(shù)據(jù)準確性要優(yōu)于前者。所以在這種情況下， 相比而言選擇后面一對參數(shù)所訓練的模型較為合適。

前面已經(jīng)介紹過，最大間隔的超平面在N個隨機樣本S中的誤差是以概率1-δ不大于：

${\mathrm{err}}_D\left(f\right)\&le;\frac{1}{N-d}(d\ln \frac{\mathrm{eN}}{d}+\ln \frac{N}{\mathrm{\&delta;}})$

在上式中，d＝#sv就表示支持向量的個數(shù)，上面的公式表明支持向量的個數(shù)越少，其泛化能力就越強。通過分析得到，調(diào)整δ的值可以改變支持向量的數(shù)目，進而改變分類模型的泛化性，在一定情況下，δ的值越大，支持向量的數(shù)目越少，泛化性越好，這一點在SVM回歸擬合時，會表現(xiàn)的更為明顯。但是并不是δ越大越好，當δ增大到一定程度時，模型的泛化性并沒有得到改善，有可能還會變壞，甚至訓練樣本的命中率也有可能會變差，如圖8a、8b所示為參數(shù)C＝20，δ＝3時訓練樣本和測試樣本的分類命中結(jié)果。

由圖8a、8b可以看出，這時就需要調(diào)節(jié)一下懲罰因子C的值，C的值表示對超過目標的懲罰因子。雖然前面支持向量的數(shù)目是減少了，但是參數(shù)C的約束能力相對于訓練向量來說減小了，造成了不是支持向量的訓練結(jié)果超出了泛化誤差界一定范圍，因而影響了其命中率。所以這兩個參數(shù)都是需要調(diào)節(jié)的，并不是一個參數(shù)固定，只改變另一個參數(shù)來尋找合適的分類模型即可，而是兩個參數(shù)都要改變來選擇分類模型。通過嘗試大量的參數(shù)，最終選擇了C＝100和δ＝0.06的參數(shù)組合下的分類模型，它用來對樣本分類的命中率如圖9a、9b所示。

至此，對于30個碳的分類模型來說，在倒數(shù)100至200幀之間的分類模型就訓練完成，按照同樣的尋優(yōu)原則，可以找到直至倒數(shù)1500幀的15個分類模型，全部的模型訓練情況。當實際檢測火焰光譜數(shù)據(jù)時，從光譜儀采集到的爐口火焰光譜數(shù)據(jù)首先進入第15個模型，然后依次進入第14、13、...、2、1個分類模型，如圖10所示。到每一個分類模型時都會得出一個標簽值，這個結(jié)果值就表示模型的分類情況，即屬于哪一個類。

在這里需要明確的一點就是：吹煉前期采集的光譜數(shù)據(jù)進入模型后得到的檢測結(jié)果是不準確的，因為本發(fā)明的分類模型是根據(jù)吹煉后期的光譜數(shù)據(jù)來訓練的，只有轉(zhuǎn)爐吹煉進入后期以后，分類模型才開始真正發(fā)揮作用，這和鋼廠工人的經(jīng)驗控制是相一致的，工人也是在到吹煉末期時才開始真正的終點控制，前期和中期只是按照長期以來的經(jīng)驗在進行。

同樣，對于15個碳的分類模型也是如此，以100幀為準依次訓練，等30個碳分類模型和15個碳的分類模型全部訓練完成之后，實際光譜的模型檢測流程可以表示為圖11所示，在每一時刻段都會有兩個分類模型在工作，經(jīng)過模型檢測后會確切的知道碳含量是屬于高、中、低哪一個大類，進而利用已知的擬合曲線來檢測出實際的碳值。

結(jié)合圖12所示，本發(fā)明所提出的碳含量在線實時動態(tài)檢測方法在啟動后，進行現(xiàn)場測試時，訓練的分類模型也隨之開始進行分類，它會實時的給出一個分類結(jié)果，這個結(jié)果表明此 時的碳是屬于高、中、低中的哪一個類。顯然，在確定終點碳的類別之后，接下來的工作過程就是得出此時實際的碳值，所以就需要終點擬合曲線的幫助才可以實現(xiàn)。

如圖12所示，本發(fā)明所提出的檢測方法中，所述基于SVM的終點控制裝置3，諸如檢測板等，可通過數(shù)據(jù)線與一上位工控機連接，以接收和發(fā)送數(shù)據(jù)信息，實現(xiàn)對整個檢測方法的調(diào)試、控制以及數(shù)據(jù)的上傳、顯示、存儲和后續(xù)分析等，諸如將在線實時采集的光譜信息顯示在工控機的顯示屏上，和/或，將檢測出的碳含量結(jié)果實時地顯示或者以曲線表達的形式通過顯示屏表征給操作者。

在碳含量的檢測過程中，在接收到在線實時采集的火焰光譜信息并構建特征參數(shù)后，首先通過所述SVM碳含量動態(tài)預測模型確定終點碳的類別，并基于終點碳的類別采用對應的終點擬合函數(shù)確定當前所采集火焰光譜信息對應的鋼水的碳含量。

所述終點擬合函數(shù)包括了不同終點碳的類別(例如低碳鋼、中碳鋼、高碳鋼)各自所屬的終點擬合函數(shù)，其中：

所述終點擬合函數(shù)表示為：

Y＝f(X)，

該公式表達了X與Y的映射關系，其中X是終點時刻火焰光譜中提取的特征變量，Y是終點碳值，該終點擬合函數(shù)使用MATLAB提供一個多項式擬合函數(shù)來對數(shù)據(jù)進行擬合，從而得到擬合函數(shù)。

本例中，也就是說，結(jié)合圖1所示，運算單元在接收到在線實時采集的火焰光譜信息并構建特征參數(shù)后，首先通過所述SVM碳含量動態(tài)檢測模型確定碳的類別，即確定所吹煉的鋼種屬于低碳鋼、中碳鋼還是高碳鋼，并基于碳的類別采用對應的終點擬合函數(shù)確定當前所采集火焰光譜信息對應的鋼水的碳含量。

本例中，終點擬合函數(shù)包括了低碳鋼、中碳鋼、高碳鋼的各自分別所屬的終點擬合函數(shù)。也即，將爐次按照碳含量分成高、中、低三類，對每一個類的樣本分別進行擬合，得出一個擬合函數(shù)，也就是最終會得到高、中、低三條擬合曲線。

所述終點擬合函數(shù)Y＝f(X)，實際上是表達了X與Y的映射關系，其中X是終點時刻火焰光譜中提取的特征變量，Y是終點碳值。例如，使用MATLAB提供一個多項式擬合函數(shù)來對數(shù)據(jù)進行擬合，得到擬合函數(shù)。

下面給出一個以多項式擬合函數(shù)進行數(shù)據(jù)擬合的示例。

多項式擬合函數(shù)如下公式：

[p,s]＝polyfit(X,Y,N)

擬合的準則是最小二乘法，即尋找使得最小的f(x)。式中的N表示擬合的階數(shù)，p表示多項式的系數(shù)向量，s表示生成檢測值的誤差估計。

對于選取擬合函數(shù)的評價標準，主要是擬合的精度，即在誤差范圍之內(nèi)擬合值與實際值的差值。為了考慮擬合曲線在實際應用中的識別性和觀察性，還要考慮擬合曲線的下降趨勢情況。

在成功的訓練出所需要的分類模型和終點碳擬合函數(shù)后，正如以上所提出的，當轉(zhuǎn)爐煉鋼吹煉到末期時，分類模型開始發(fā)揮其真正的作用，對鋼水中的碳含量進行實時的分類檢測，如圖13所示，利用擬合函數(shù)得到確切的碳值，為煉鋼廠提供實時碳含量的調(diào)控依據(jù)。

經(jīng)過試驗，通過現(xiàn)場檢測40個轉(zhuǎn)爐的爐口火焰光譜數(shù)據(jù)，得到終點碳的檢測結(jié)果，分析其命中情況和誤差分布，得出本發(fā)明研究的終點碳分類檢測方法命中率可達85％以上，完全滿足鋼廠的實際需求。

雖然本發(fā)明已以較佳實施例揭露如上，然其并非用以限定本發(fā)明。本發(fā)明所屬技術領域中具有通常知識者，在不脫離本發(fā)明的精神和范圍內(nèi)，當可作各種的更動與潤飾。因此，本發(fā)明的保護范圍當視權利要求書所界定者為準。