本發(fā)明的各個(gè)方面涉及轉(zhuǎn)爐煉鋼技術(shù)領(lǐng)域，尤其是轉(zhuǎn)爐煉鋼過(guò)程中鋼水碳含量的實(shí)時(shí)監(jiān)測(cè)，具體而言涉及基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實(shí)時(shí)動(dòng)態(tài)檢測(cè)系統(tǒng)。

背景技術(shù)：

現(xiàn)今世界上的主流煉鋼技術(shù)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(guò)程中最重要的一環(huán)就是末期的終點(diǎn)控制，直接關(guān)系到最后鋼水的質(zhì)量。自從轉(zhuǎn)爐煉鋼方法出現(xiàn)以來(lái)，轉(zhuǎn)爐煉鋼的終點(diǎn)控制主要經(jīng)歷了人工經(jīng)驗(yàn)控制、靜態(tài)模型控制、動(dòng)態(tài)模型控制和光信息控制四個(gè)發(fā)展階段。

人工經(jīng)驗(yàn)控制，即經(jīng)驗(yàn)煉鋼，利用熱電偶測(cè)溫定碳和爐前取樣快速分析的手段，對(duì)正常吹煉條件下的轉(zhuǎn)爐終點(diǎn)進(jìn)行人工經(jīng)驗(yàn)判斷控制。碳氧反應(yīng)速率是劃分三個(gè)階段的重要依據(jù)，而碳氧反應(yīng)的劇烈程度及鋼水的溫度，都能夠被爐口火焰反映出來(lái)。煉鋼操作工人通過(guò)觀察爐口火焰、火花和供氧時(shí)間來(lái)綜合判斷煉鋼終點(diǎn)。然而，僅僅依靠操作工人的肉眼觀察，存在終點(diǎn)命中率低、工人勞動(dòng)強(qiáng)度大等問(wèn)題。

靜態(tài)模型控制就是根據(jù)統(tǒng)計(jì)學(xué)的原理，對(duì)以往轉(zhuǎn)爐吹煉的初始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，計(jì)算出吹煉所需要的初始條件，以此條件來(lái)進(jìn)行吹煉過(guò)程。一般來(lái)說(shuō)，靜態(tài)模型控制相比人工經(jīng)驗(yàn)控制能夠更加有效地利用吹煉過(guò)程的初始條件進(jìn)行定量計(jì)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(shí)際配料確定冶煉方案，克服經(jīng)驗(yàn)控制上的隨機(jī)性和不一致性?，F(xiàn)有的靜態(tài)模型包括機(jī)理模型、統(tǒng)計(jì)模型和增量模型三種。而在實(shí)際應(yīng)用中，常常以這三種模型相互結(jié)合來(lái)提高終點(diǎn)控制的精度。但是由于靜態(tài)模型控制不考慮吹煉過(guò)程中的動(dòng)態(tài)信息，不能進(jìn)行在線跟蹤和實(shí)時(shí)修正，因此準(zhǔn)確性受到很大的限制。

動(dòng)態(tài)模型控制主要是副槍動(dòng)態(tài)控制方法，在靜態(tài)模型的基礎(chǔ)上利用副槍對(duì)轉(zhuǎn)爐內(nèi)的鋼水進(jìn)行檢測(cè)，根據(jù)檢測(cè)得到的結(jié)果，對(duì)初始參數(shù)加以修正，來(lái)得到精確的終點(diǎn)。尤其是近年來(lái)，隨著人工神經(jīng)網(wǎng)絡(luò)的研究在動(dòng)態(tài)模型控制方法上的應(yīng)用，克服了傳統(tǒng)靜態(tài)模型控制忽視吹煉過(guò)程中動(dòng)態(tài)信息的問(wèn)題，進(jìn)一步提高了預(yù)測(cè)的準(zhǔn)確性，使終點(diǎn)預(yù)測(cè)結(jié)果的命中率得到了進(jìn)一步的提升，同時(shí)使煉鋼的自動(dòng)化程度得到了極大的提高。但是它成本比較高，需要對(duì)轉(zhuǎn)爐進(jìn)行改造，故對(duì)一般的中小型轉(zhuǎn)爐不太適用。

傳統(tǒng)方法或?qū)K點(diǎn)判斷不準(zhǔn)確，或成本高適應(yīng)性受限，因此隨著煉鋼技術(shù)的發(fā)展和相關(guān)技術(shù)的進(jìn)步，人們不斷嘗試在終點(diǎn)控制技術(shù)中應(yīng)用更加有效和準(zhǔn)確的方法。在20世紀(jì)80年 代，出現(xiàn)了利用轉(zhuǎn)爐爐口光學(xué)信息對(duì)轉(zhuǎn)爐煉鋼終點(diǎn)判斷的新型終點(diǎn)控制方法。諸如，利用紅外激光穿透爐氣時(shí)發(fā)生的變化情況來(lái)測(cè)量爐氣成分來(lái)判斷終點(diǎn)的光學(xué)探測(cè)器，該探測(cè)器通過(guò)檢測(cè)穿過(guò)爐氣激光發(fā)生的變化情況來(lái)判斷終點(diǎn)，其主要原理是檢測(cè)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(lái)進(jìn)行終點(diǎn)控制。在經(jīng)驗(yàn)或者動(dòng)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(lái)獲取不同程度的信息，這些信息其實(shí)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(xué)處理方法的不斷成熟，光學(xué)探測(cè)技術(shù)得到了極大的發(fā)展，光學(xué)控制方法也應(yīng)用到了轉(zhuǎn)爐煉鋼的終點(diǎn)控制中。諸如張金進(jìn)、石彥杰等人提出的鋼水輻射光譜信息探測(cè)法、美國(guó)伯利恒鋼鐵公司提出的爐口火焰光強(qiáng)信息探測(cè)法、衛(wèi)成業(yè)、嚴(yán)建華等人提出的火焰圖像信息探測(cè)法等。

雖然煉鋼終點(diǎn)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(cè)和分析設(shè)備的造價(jià)都是極其昂貴的，而且安裝和維護(hù)十分不便，僅僅在一些實(shí)力強(qiáng)大的鋼鐵企業(yè)中應(yīng)用。在大多數(shù)中小鋼鐵企業(yè)中，還是以單一的經(jīng)驗(yàn)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(jià)值的思路和應(yīng)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(fù)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(shí)時(shí)煉鋼終點(diǎn)控制方案。

技術(shù)實(shí)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(shí)時(shí)動(dòng)態(tài)檢測(cè)系統(tǒng)，該方法基于支持向量機(jī)算法設(shè)計(jì)，具有碳含量預(yù)測(cè)精度高、非接觸、抗干擾能力強(qiáng)、易于操作等優(yōu)點(diǎn)，從而解決了當(dāng)前轉(zhuǎn)爐煉鋼碳含量在線動(dòng)態(tài)檢測(cè)方面的問(wèn)題。

本發(fā)明的上述目的通過(guò)獨(dú)立權(quán)利要求的技術(shù)特征實(shí)現(xiàn)，從屬權(quán)利要求以另選或有利的方式發(fā)展獨(dú)立權(quán)利要求的技術(shù)特征。

為達(dá)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(shí)時(shí)動(dòng)態(tài)檢測(cè)系統(tǒng)，該檢測(cè)系統(tǒng)包括：

望遠(yuǎn)光學(xué)系統(tǒng)，被配置用于實(shí)時(shí)采集煉鋼爐口的火焰圖像信息；

光譜儀，被配置通過(guò)光纖接收來(lái)自所述望遠(yuǎn)光學(xué)系統(tǒng)的火焰圖像信息，并獲取火焰圖像信息的火焰光譜信息；

基于SVM的終點(diǎn)控制裝置，該裝置具有一運(yùn)算單元和控制運(yùn)算單元運(yùn)行的中央控制單元，該運(yùn)算單元被設(shè)置用于根據(jù)所述實(shí)時(shí)獲取的火焰光譜信息通過(guò)SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型進(jìn)行煉鋼鋼水中碳含量的實(shí)時(shí)檢測(cè)；

其特征在于：

所述望遠(yuǎn)光學(xué)系統(tǒng)包括共光軸的物鏡、目鏡以及獨(dú)立于物鏡和目鏡的視場(chǎng)光欄，該視場(chǎng)光欄配置在所述物鏡、目鏡所形成的光學(xué)成像通路中，用于調(diào)節(jié)爐口火焰探測(cè)的視場(chǎng)。

進(jìn)一步的實(shí)施例中，所述視場(chǎng)光欄位于所述物鏡的焦平面上，或者，所述視場(chǎng)光欄位于所述目鏡后方并貼近所述光纖。

進(jìn)一步的實(shí)施例中，所述視場(chǎng)光欄為可變視場(chǎng)光欄。

進(jìn)一步的實(shí)施例中，所述物鏡為雙分離透鏡，由一塊正透鏡和一塊負(fù)透鏡共光軸的分布而構(gòu)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(gòu)成。

進(jìn)一步的實(shí)施例中，所述基于SVM的終點(diǎn)控制裝置，其中的運(yùn)算單元通過(guò)FPGA、CPLD中的一種實(shí)現(xiàn)，所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型燒錄在所述FPGA或CPLD中，并且在接收到火焰光譜信息后自動(dòng)進(jìn)行碳含量的檢測(cè)。

進(jìn)一步的實(shí)施例中，所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型中包括：

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

用于基于所述構(gòu)建的特征參量進(jìn)行碳含量預(yù)測(cè)的碳含量動(dòng)態(tài)預(yù)測(cè)模塊；以及

用于預(yù)測(cè)結(jié)果輸出的輸出模塊；

其中，所述參量構(gòu)建模塊被設(shè)置成按照下述方式構(gòu)建特征參量：

波長(zhǎng)600nm處光譜形狀為凸起的尖峰，特征參量a₁為此處的光強(qiáng)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(zhǎng)770nm和772nm處的光強(qiáng)歸一化均值；

所述兩個(gè)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(duì)每一段光強(qiáng)歸一化后取平均值得到三個(gè)特征參量a₃，a₄，a₅；

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

進(jìn)一步的實(shí)施例中，所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型中，所述用于基于所述構(gòu)建的特征參量進(jìn)行碳含量預(yù)測(cè)的碳含量動(dòng)態(tài)預(yù)測(cè)模塊，按照下述方式實(shí)現(xiàn)模型的建立：

以實(shí)際鋼水碳含量作為標(biāo)準(zhǔn)，通過(guò)反復(fù)訓(xùn)練、優(yōu)化選擇，確定SVM學(xué)習(xí)算法所涉及的各個(gè)參量，其具體包括：

由火焰光譜信息構(gòu)建能夠表征爐內(nèi)碳含量變化的特征參量；

選定SVM學(xué)習(xí)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(xùn)練樣本，利用SVM學(xué)習(xí)算法對(duì)特征參量進(jìn)行分類(lèi)建模；

以測(cè)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(shè)計(jì)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(jìn)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(jìn)一步的實(shí)施例中，所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型中，所述的SVM學(xué)習(xí)算法的核函數(shù)選自線性核函數(shù)，多項(xiàng)式核函數(shù)，RBF核函數(shù)以及S型核函數(shù)中的一種。

進(jìn)一步的實(shí)施例中，所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型中，所述的運(yùn)算單元在接收到在線實(shí)時(shí)采集的火焰光譜信息并構(gòu)建特征參數(shù)后，首先通過(guò)所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型確定終點(diǎn)碳的類(lèi)別，并基于碳的類(lèi)別采用對(duì)應(yīng)的終點(diǎn)擬合函數(shù)確定當(dāng)前所采集火焰光譜信息對(duì)應(yīng)的鋼水的碳含量。

進(jìn)一步的實(shí)施例中，所述終點(diǎn)擬合函數(shù)包括了不同終點(diǎn)碳的類(lèi)別各自所屬的終點(diǎn)擬合函數(shù)，其中：

所述終點(diǎn)擬合函數(shù)表示為：

Y＝f(X)，

該公式表達(dá)了X與Y的映射關(guān)系，其中X是終點(diǎn)時(shí)刻火焰光譜中提取的特征變量，Y是終點(diǎn)碳值，該終點(diǎn)擬合函數(shù)使用MATLAB提供一個(gè)多項(xiàng)式擬合函數(shù)來(lái)對(duì)數(shù)據(jù)進(jìn)行擬合，從而得到擬合函數(shù)。

應(yīng)當(dāng)理解，所述構(gòu)思以及在下面更加詳細(xì)地描述的額外構(gòu)思的所有組合只要在這樣的構(gòu)思不相互矛盾的情況下都可以被視為本公開(kāi)的發(fā)明主題的一部分。另外，所要求保護(hù)的主題的所有組合都被視為本公開(kāi)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(dǎo)的所述和其他方面、實(shí)施例和特征。本發(fā)明的其他附加方面例如示例性實(shí)施方式的特征和/或有益效果將在下面的描述中顯見(jiàn)，或通過(guò)根據(jù)本發(fā)明教導(dǎo)的具體實(shí)施方式的實(shí)踐中得知。

附圖說(shuō)明

附圖不意在按比例繪制。在附圖中，在各個(gè)圖中示出的每個(gè)相同或近似相同的組成部分可以用相同的標(biāo)號(hào)表示。為了清晰起見(jiàn)，在每個(gè)圖中，并非每個(gè)組成部分均被標(biāo)記?，F(xiàn)在，將通過(guò)例子并參考附圖來(lái)描述本發(fā)明的各個(gè)方面的實(shí)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(shí)時(shí)動(dòng)態(tài)檢測(cè)系統(tǒng)的示意圖。

圖2是圖1的檢測(cè)系統(tǒng)中基于SVM的終點(diǎn)控制裝置的示意圖。

圖3是圖1的檢測(cè)系統(tǒng)中望遠(yuǎn)光學(xué)系統(tǒng)的示意圖。

圖4是本發(fā)明提出的SVM分類(lèi)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(shí)訓(xùn)練樣本和測(cè)試樣本的分類(lèi)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(shí)訓(xùn)練樣本和測(cè)試樣本的分類(lèi)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(shí)訓(xùn)練樣本和測(cè)試樣本的分類(lèi)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(shí)訓(xùn)練樣本和測(cè)試樣本的分類(lèi)命中結(jié)果示意圖。

圖10是30個(gè)碳訓(xùn)練的分類(lèi)模型結(jié)果示意圖。

圖11是最終訓(xùn)練的分類(lèi)模型結(jié)果示意圖。

圖12是本發(fā)明所述圖1所示的檢測(cè)系統(tǒng)在實(shí)際啟動(dòng)后的工作流程示意圖。

圖13是本發(fā)明提出的碳含量檢測(cè)流程示意圖。

具體實(shí)施方式

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

在本公開(kāi)中參照附圖來(lái)描述本發(fā)明的各方面，附圖中示出了許多說(shuō)明的實(shí)施例。本公開(kāi)的實(shí)施例不必定意在包括本發(fā)明的所有方面。應(yīng)當(dāng)理解，上面介紹的多種構(gòu)思和實(shí)施例，以及下面更加詳細(xì)地描述的那些構(gòu)思和實(shí)施方式可以以很多方式中任意一種來(lái)實(shí)施，這是因?yàn)楸景l(fā)明所公開(kāi)的構(gòu)思和實(shí)施例并不限于任何實(shí)施方式。另外，本發(fā)明公開(kāi)的一些方面可以單獨(dú)使用，或者與本發(fā)明公開(kāi)的其他方面的任何適當(dāng)組合來(lái)使用。

本發(fā)明所提出的轉(zhuǎn)爐煉鋼鋼水碳含量在線實(shí)時(shí)動(dòng)態(tài)檢測(cè)系統(tǒng)，總體來(lái)說(shuō)，是通過(guò)望遠(yuǎn)系統(tǒng)來(lái)遠(yuǎn)距離地獲取爐口火焰圖像信息，并利用光譜儀對(duì)其進(jìn)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(dá)碳含量的信息來(lái)構(gòu)建特征參量，并對(duì)選取的訓(xùn)練樣本進(jìn)行SVM訓(xùn)練得到檢測(cè)模型，最后利用檢測(cè)模型來(lái)檢測(cè)在線檢測(cè)得到的樣本數(shù)據(jù)，從而最終達(dá)到對(duì)爐內(nèi)鋼水碳含量的在線實(shí)時(shí)檢測(cè)。

由于現(xiàn)在轉(zhuǎn)爐煉鋼一般是根據(jù)所煉鋼種的不同來(lái)進(jìn)行相應(yīng)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(kāi)的內(nèi)容中所提及的15個(gè)碳實(shí)際上是千分之15,即碳含量為1.5％，同樣30個(gè)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(jìn)行分類(lèi)訓(xùn)練所得到的模型。

結(jié)合圖1所示，本發(fā)明提出的基于SVM的轉(zhuǎn)爐煉鋼鋼水碳含量在線實(shí)時(shí)動(dòng)態(tài)檢測(cè)系統(tǒng)，包括望遠(yuǎn)光學(xué)系統(tǒng)1、光譜儀2以及基于SVM的終點(diǎn)控制裝置3。

望遠(yuǎn)光學(xué)系統(tǒng)1與光譜儀2之間通過(guò)光纖4連接。

望遠(yuǎn)光學(xué)系統(tǒng)1，被配置用于實(shí)時(shí)采集煉鋼爐口的火焰圖像信息。

光譜儀2，被配置通過(guò)光纖4接收來(lái)自望遠(yuǎn)光學(xué)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(xué)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(shè)計(jì)的望遠(yuǎn)光學(xué)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(diǎn)控制裝置3，該裝置具有一運(yùn)算單元31和控制運(yùn)算單元運(yùn)行的中央控制單元32，該運(yùn)算單元被設(shè)置用于根據(jù)所述實(shí)時(shí)獲取的火焰光譜信息通過(guò)SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型進(jìn)行煉鋼鋼水中碳含量的實(shí)時(shí)檢測(cè)。

本例中，基于SVM的終點(diǎn)控制裝置3構(gòu)造為一個(gè)電路板。如圖2所示的示例，電路板3上集成有作為運(yùn)算單元的FPGA芯片和作為中央處理單元的微處理器，當(dāng)然，電路板3上還包括用于提供穩(wěn)定電壓供應(yīng)的電源模塊、串行接口、RS232接口等接口。

所述的SVM碳含量動(dòng)態(tài)預(yù)測(cè)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(dòng)進(jìn)行碳含量的檢測(cè)。

當(dāng)然，在另選的實(shí)施方式中，所述的運(yùn)算單元還可以通過(guò)CPLD芯片來(lái)實(shí)現(xiàn)。

結(jié)合圖3，本公開(kāi)的檢測(cè)系統(tǒng)中，所述望遠(yuǎn)光學(xué)系統(tǒng)1包括共光軸的物鏡、目鏡以及獨(dú)立于物鏡和目鏡的視場(chǎng)光欄，該視場(chǎng)光欄配置在所述物鏡、目鏡所形成的光學(xué)成像通路中，用于調(diào)節(jié)爐口火焰探測(cè)的視場(chǎng)。

作為可選的方案，前述視場(chǎng)光欄位于所述物鏡與目鏡之間，優(yōu)選地位于物鏡的焦平面上。

在另外的例子中，所述視場(chǎng)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(fù)透鏡共光軸的分布而構(gòu)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(gòu)成。

優(yōu)選地，所述視場(chǎng)光欄為可變視場(chǎng)光欄。

如圖3所示，標(biāo)號(hào)l表示物鏡、目鏡的光軸，f₁'表示物鏡的焦距，f₂'表示目鏡的焦距。

如前所述，所述基于SVM的終點(diǎn)控制裝置3，其中的運(yùn)算單元31通過(guò)FPGA、CPLD中 的一種實(shí)現(xiàn)，SVM碳含量動(dòng)態(tài)預(yù)測(cè)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(dòng)進(jìn)行碳含量的檢測(cè)。

本例中，所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型中包括：

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

用于基于所述構(gòu)建的特征參量進(jìn)行碳含量預(yù)測(cè)的碳含量動(dòng)態(tài)預(yù)測(cè)模塊；以及

用于預(yù)測(cè)結(jié)果輸出的輸出模塊。

所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型中，用于基于所述構(gòu)建的特征參量進(jìn)行碳含量預(yù)測(cè)的碳含量動(dòng)態(tài)預(yù)測(cè)模塊，在本例中，優(yōu)選地按照下述方式實(shí)現(xiàn)模型的建立：

以實(shí)際鋼水碳含量作為標(biāo)準(zhǔn)，通過(guò)反復(fù)訓(xùn)練、優(yōu)化選擇，確定SVM學(xué)習(xí)算法所涉及的各個(gè)參量，其具體包括：

由火焰光譜信息構(gòu)建能夠表征爐內(nèi)碳含量變化的特征參量；

選定SVM學(xué)習(xí)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(xùn)練樣本，利用SVM學(xué)習(xí)算法對(duì)特征參量進(jìn)行分類(lèi)建模；

以測(cè)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(shè)計(jì)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(jìn)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。

在實(shí)際的模型生成時(shí)，通過(guò)將待測(cè)試訓(xùn)練分成三類(lèi)，使得數(shù)據(jù)的碳值跨度范圍縮小。

如前所述，在進(jìn)行模型訓(xùn)練和建立時(shí)，即采用分類(lèi)建模的方式進(jìn)行。

本例中，結(jié)合圖4所示，分類(lèi)建模具體實(shí)現(xiàn)包括：

1)訓(xùn)練和測(cè)試樣本的選取

從鋼廠采集得到轉(zhuǎn)爐爐口火焰的100個(gè)火焰光譜數(shù)據(jù)，對(duì)這100個(gè)光譜數(shù)據(jù)進(jìn)行分類(lèi)，將其分成碳含量C<15，15≤C<30，C≥30三大類(lèi)，從SVM分類(lèi)算法得知，對(duì)于多分類(lèi)問(wèn)題，可以將其轉(zhuǎn)化成幾個(gè)二分類(lèi)問(wèn)題，這樣做簡(jiǎn)化了算法的難度，同時(shí)降低了多分類(lèi)的時(shí)間復(fù)雜度。對(duì)本發(fā)明來(lái)說(shuō)，很明顯是多分類(lèi)問(wèn)題，因此可以用兩個(gè)二分類(lèi)模型來(lái)解決，在訓(xùn)練時(shí)只需在30個(gè)碳和15個(gè)碳附近訓(xùn)練兩個(gè)模型即可達(dá)到將數(shù)據(jù)分成三類(lèi)的目的。

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

因此，對(duì)于30個(gè)碳分類(lèi)模型的訓(xùn)練，它的兩個(gè)類(lèi)的范圍分別是：0～30個(gè)碳之間和30個(gè)碳以上(測(cè)得的最大值在50個(gè)碳附近)。確定好兩個(gè)類(lèi)之后，再確定用于訓(xùn)練和測(cè)試的樣本，訓(xùn)練樣本和測(cè)試樣本的個(gè)數(shù)一般按照2:1或者3:1的比例選擇，最好不要個(gè)數(shù)持平，那樣不利 于模型的泛化性，訓(xùn)練樣本的個(gè)數(shù)最好大于測(cè)試樣本的個(gè)數(shù)。

同樣對(duì)于15個(gè)碳模型的訓(xùn)練，它的兩個(gè)類(lèi)分別為：15～30個(gè)碳之間和15個(gè)碳以下，選擇訓(xùn)練和測(cè)試樣本的個(gè)數(shù)與30個(gè)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(lèi)模型訓(xùn)練時(shí)，無(wú)論怎么做都達(dá)不到要求。這時(shí)就需要更改一下樣本，將測(cè)試樣本中沒(méi)有命中的爐次放到訓(xùn)練樣本中重新訓(xùn)練，這里需要說(shuō)明一點(diǎn)，如果在此時(shí)刻改變了訓(xùn)練樣本，那么下一時(shí)刻的模型訓(xùn)練，樣本也跟著改變，也就是說(shuō)不同時(shí)刻的訓(xùn)練樣本是一致的。

2)特征變量的構(gòu)建

爐口光強(qiáng)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(guò)程中，爐內(nèi)鋼水的狀態(tài)總是從一個(gè)狀態(tài)向下一個(gè)狀態(tài)變化，因此可以用一個(gè)量化的值來(lái)代表它，即可以用Yd來(lái)表示轉(zhuǎn)爐內(nèi)的狀態(tài)信息，這個(gè)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(shì)時(shí)，并沒(méi)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(huì)發(fā)生輕微的變化，這種變化在吹煉末期會(huì)比較明顯，可能會(huì)成為終點(diǎn)判斷的標(biāo)志。

因此，本例中利用M(λ)表示爐口火焰的光譜分布，并且認(rèn)為Yd是一個(gè)連續(xù)變化的值，則可以用一個(gè)映射來(lái)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(guān)系式：f(M(λ))＝Y(jié)d。

鋼水在吹煉過(guò)程中的狀態(tài)與爐口火焰的光譜有關(guān)，即可以通過(guò)光譜的分布來(lái)預(yù)測(cè)爐內(nèi)鋼水的狀態(tài)。因此要對(duì)光譜分布做預(yù)處理，忽略光譜強(qiáng)度的絕對(duì)值影響，僅僅考慮光譜分布的變化對(duì)鋼水狀態(tài)的影響。

對(duì)某一時(shí)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(zhǎng)λ_i處光譜光強(qiáng)的絕對(duì)值，其作用是對(duì)光譜光強(qiáng)進(jìn)行歸一化處理，經(jīng)過(guò)處理以后光譜分布的形狀沒(méi)有改變，但是在轉(zhuǎn)爐整個(gè)吹煉過(guò)程中它的值在0～1之間。

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

在研究過(guò)程中，火焰光譜分布中具有明顯的兩個(gè)凸起的尖峰，在多次研究中它們?cè)谡麄€(gè)吹煉過(guò)程中變化最有規(guī)律，尤其是在吹煉末期靠近終點(diǎn)時(shí)，它們的形狀會(huì)在一定程度上代表 爐內(nèi)鋼水的狀態(tài)。其對(duì)應(yīng)的波長(zhǎng)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(duì)其取平均值，即計(jì)算770nm和772nm處的光強(qiáng)歸一化均值：

在多次研究的過(guò)程中還發(fā)現(xiàn)，兩個(gè)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?cè)诒纠袑⑦@一段譜線平均分成三段，對(duì)每一段光強(qiáng)歸一化值的取平均值，從而可以得到三個(gè)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(qiáng)歸一化值已經(jīng)在參量a₄中得以反映，在選取參量時(shí)，首先要保證的是參量之間是相互獨(dú)立的，不能存在其中兩個(gè)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(fù)選取。

對(duì)于這種情況，本例中，將光譜分布中光譜的峰值波長(zhǎng)與所述光譜儀的探測(cè)范圍最大值的比值作為第六個(gè)參量：a₆。

因此，在本實(shí)施例中，所述參量構(gòu)建模塊被設(shè)置成按照下述方式構(gòu)建特征參量：

波長(zhǎng)600nm處光譜形狀為凸起的尖峰，特征參量a₁為此處的光強(qiáng)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(zhǎng)770nm和772nm處的光強(qiáng)歸一化均值；

所述兩個(gè)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(duì)每一段光強(qiáng)歸一化后取平均值得到三個(gè)特征參量a₃，a₄，a₅；

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

通過(guò)上面的分析介紹，6個(gè)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(guò)光譜計(jì)算而得到，對(duì)于N個(gè)訓(xùn)練樣本，每一個(gè)訓(xùn)練樣本都包含許多數(shù)據(jù)點(diǎn)x_i＝(a₁,a₂,a₃,a₄,a₅,a₆),i＝1,...,N，每個(gè)數(shù)據(jù)點(diǎn)都含有6個(gè)參量，然后接下來(lái)就是導(dǎo)入樣本參量，利用SVM進(jìn)行分類(lèi)模型的訓(xùn)練。

3)訓(xùn)練參數(shù)的選取

在這里對(duì)樣本進(jìn)行分類(lèi)訓(xùn)練時(shí)，選取樣本要遵循一個(gè)條件：樣本是獨(dú)立同分布的。經(jīng)分析得，每一時(shí)刻光譜的信息是反映爐內(nèi)的狀態(tài)的，對(duì)于轉(zhuǎn)爐吹煉過(guò)程來(lái)說(shuō)，每一個(gè)狀態(tài)是相互獨(dú)立的，也就是說(shuō)每一時(shí)刻火焰光譜信息也是相互獨(dú)立的，它們之間是一種對(duì)應(yīng)的關(guān)系， 進(jìn)而可得到每一個(gè)樣本點(diǎn)之間是獨(dú)立的。又因?yàn)槊恳粫r(shí)刻的光譜分布都是由同一介質(zhì)燃燒得來(lái)，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(rèn)為選取的訓(xùn)練樣本是獨(dú)立同分布的。

SVM訓(xùn)練時(shí)不同的核函數(shù)對(duì)應(yīng)不同的網(wǎng)格結(jié)構(gòu)，本例中SVM學(xué)習(xí)算法的核函數(shù)選自線性核函數(shù)，多項(xiàng)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(shí)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(yè)，Hsu C W,Chang C C,Lin C J.A practical guide to support vector classification[J].2003.)

在實(shí)際應(yīng)用中，通常要根據(jù)問(wèn)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(duì)應(yīng)的最合適的SVM模型核函數(shù)，可以分別對(duì)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(xùn)練，然后選擇訓(xùn)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(lèi)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(jìn)行分類(lèi)模型的訓(xùn)練，得到原問(wèn)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(jī)導(dǎo)論第91頁(yè)]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(lái)的工作就是訓(xùn)練模型，具體的步驟是：按時(shí)間順序?qū)胗?xùn)練樣本的光譜信息，也就是每一爐的光譜參量。在這里所選的訓(xùn)練規(guī)則是從終點(diǎn)往前訓(xùn)練，即選取末尾100幀訓(xùn)練一個(gè)模型，然后繼續(xù)往前推100幀再訓(xùn)練一個(gè)模型。

首先對(duì)一段時(shí)間內(nèi)的爐次進(jìn)行訓(xùn)練，比如對(duì)訓(xùn)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(xùn)練模型，這里100幀數(shù)據(jù)的提取對(duì)所有訓(xùn)練樣本是一致的。

以30碳的分類(lèi)模型為例，在確定了核函數(shù)后，接下來(lái)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(chǎng),2008(5):120-122.)、網(wǎng)格搜索法(如 王健峰,張磊,陳國(guó)興,等.基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].應(yīng)用科技,2012,39(3):28-31.)等，可以分別用以上不同方法進(jìn)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(lèi)模型為例簡(jiǎn)單介紹調(diào)參過(guò)程：

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

如圖6a、6b所示，對(duì)于訓(xùn)練樣本和測(cè)試樣本的分類(lèi)命中情況，圖6a、6b可以看出模型對(duì)訓(xùn)練樣本的分類(lèi)效果非常好，能夠全部分類(lèi)正確，在這種參數(shù)下訓(xùn)練樣本全部是支持向量的。但是對(duì)于測(cè)試樣本來(lái)說(shuō)，有4個(gè)爐次的碳沒(méi)有正確分類(lèi)，如果不考慮其它參數(shù)情況的話，認(rèn)為這種情況是可以接受的，但是實(shí)際上需要嘗試大量的參數(shù)來(lái)尋找合適的模型。前面已經(jīng)說(shuō)過(guò)在選擇模型時(shí)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(cè)試數(shù)據(jù)的分類(lèi)情況看出。

接下來(lái)考慮在參數(shù)C＝20和δ＝0.8條件下的分類(lèi)情況，訓(xùn)練和測(cè)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(xùn)練樣本和測(cè)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(xùn)練樣本的分類(lèi)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(duì)新的測(cè)試數(shù)據(jù)準(zhǔn)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(duì)參數(shù)所訓(xùn)練的模型較為合適。

前面已經(jīng)介紹過(guò)，最大間隔的超平面在N個(gè)隨機(jī)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(gè)數(shù)，上面的公式表明支持向量的個(gè)數(shù)越少，其泛化能力就越強(qiáng)。通過(guò)分析得到，調(diào)整δ的值可以改變支持向量的數(shù)目，進(jìn)而改變分類(lèi)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(diǎn)在SVM回歸擬合時(shí)，會(huì)表現(xiàn)的更為明顯。但是并不是δ越大越好，當(dāng)δ增大到一定程度時(shí)，模型的泛化性并沒(méi)有得到改善，有可能還會(huì)變壞，甚至訓(xùn)練樣本的命中率也有可能會(huì)變差，如圖8a、8b所示為參數(shù)C＝20，δ＝3時(shí)訓(xùn)練樣本和測(cè)試樣本的分類(lèi)命中結(jié)果。

由圖8a、8b可以看出，這時(shí)就需要調(diào)節(jié)一下懲罰因子C的值，C的值表示對(duì)超過(guò)目標(biāo)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(duì)于訓(xùn)練向量來(lái)說(shuō)減小了，造成了不是支持向量的訓(xùn)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(gè)參數(shù)都是需要調(diào)節(jié)的，并不是一個(gè)參數(shù)固定，只改變另一個(gè)參數(shù)來(lái)尋找合適的分類(lèi)模型即可，而是兩個(gè)參數(shù)都要改變來(lái)選擇分類(lèi)模型。通過(guò)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(lèi)模型，它用來(lái)對(duì)樣本分類(lèi)的命中率如圖9a、9b所示。

至此，對(duì)于30個(gè)碳的分類(lèi)模型來(lái)說(shuō)，在倒數(shù)100至200幀之間的分類(lèi)模型就訓(xùn)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(gè)分類(lèi)模型，全部的模型訓(xùn)練情況。當(dāng)實(shí)際檢測(cè)火焰光譜數(shù)據(jù)時(shí)，從光譜儀采集到的爐口火焰光譜數(shù)據(jù)首先進(jìn)入第15個(gè)模型，然后依次進(jìn)入第14、13、...、2、1個(gè)分類(lèi)模型，如圖10所示。到每一個(gè)分類(lèi)模型時(shí)都會(huì)得出一個(gè)標(biāo)簽值，這個(gè)結(jié)果值就表示模型的分類(lèi)情況，即屬于哪一個(gè)類(lèi)。

在這里需要明確的一點(diǎn)就是：吹煉前期采集的光譜數(shù)據(jù)進(jìn)入模型后得到的檢測(cè)結(jié)果是不準(zhǔn)確的，因?yàn)楸景l(fā)明的分類(lèi)模型是根據(jù)吹煉后期的光譜數(shù)據(jù)來(lái)訓(xùn)練的，只有轉(zhuǎn)爐吹煉進(jìn)入后期以后，分類(lèi)模型才開(kāi)始真正發(fā)揮作用，這和鋼廠工人的經(jīng)驗(yàn)控制是相一致的，工人也是在到吹煉末期時(shí)才開(kāi)始真正的終點(diǎn)控制，前期和中期只是按照長(zhǎng)期以來(lái)的經(jīng)驗(yàn)在進(jìn)行。

同樣，對(duì)于15個(gè)碳的分類(lèi)模型也是如此，以100幀為準(zhǔn)依次訓(xùn)練，等30個(gè)碳分類(lèi)模型和15個(gè)碳的分類(lèi)模型全部訓(xùn)練完成之后，實(shí)際光譜的模型檢測(cè)流程可以表示為圖11所示，在每一時(shí)刻段都會(huì)有兩個(gè)分類(lèi)模型在工作，經(jīng)過(guò)模型檢測(cè)后會(huì)確切的知道碳含量是屬于高、中、低當(dāng)中哪一個(gè)大類(lèi)，進(jìn)而利用已知的擬合曲線來(lái)檢測(cè)出實(shí)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(shí)時(shí)動(dòng)態(tài)檢測(cè)系統(tǒng)在啟動(dòng)后，進(jìn)行現(xiàn)場(chǎng)測(cè)試時(shí)，訓(xùn)練的分類(lèi)模型也隨之開(kāi)始進(jìn)行分類(lèi)，它會(huì)實(shí)時(shí)的給出一個(gè)分類(lèi)結(jié)果，這個(gè)結(jié)果表明此時(shí)的碳是屬于高、中、低中的哪一個(gè)類(lèi)。顯然，在確定碳的類(lèi)別之后，接下來(lái)的工作過(guò)程就是得出此時(shí)實(shí)際的碳值，所以就需要結(jié)合終點(diǎn)擬合曲線才可以實(shí)現(xiàn)。

如圖12所示，本發(fā)明所提出的檢測(cè)系統(tǒng)中，所述基于SVM的終點(diǎn)控制裝置3，諸如預(yù)測(cè)板等，可通過(guò)數(shù)據(jù)線與一上位工控機(jī)連接，以接收和發(fā)送數(shù)據(jù)信息，實(shí)現(xiàn)對(duì)整個(gè)檢測(cè)系統(tǒng)的調(diào)試、控制以及數(shù)據(jù)的上傳、顯示、存儲(chǔ)和后續(xù)分析等，諸如將在線實(shí)時(shí)采集的光譜信息顯示在工控機(jī)的顯示屏上，和/或，將預(yù)測(cè)出的碳含量結(jié)果實(shí)時(shí)地顯示或者以曲線表達(dá)的形式通過(guò)顯示屏表征給操作者。

本例中，也就是說(shuō)，所述運(yùn)算單元在接收到在線實(shí)時(shí)采集的火焰光譜信息并構(gòu)建特征參數(shù)后，首先通過(guò)所述SVM碳含量動(dòng)態(tài)預(yù)測(cè)模型確定終點(diǎn)碳的類(lèi)別，并基于終點(diǎn)碳的類(lèi)別采用對(duì)應(yīng)的終點(diǎn)擬合函數(shù)確定當(dāng)前所采集火焰光譜信息對(duì)應(yīng)的鋼水的碳含量。

當(dāng)然，終點(diǎn)擬合函數(shù)包括了不同終點(diǎn)碳的不同類(lèi)別(例如低碳鋼、中碳鋼、高碳鋼)的各自所屬的終點(diǎn)擬合函數(shù)。也即，將爐次按照碳含量分成高、中、低三類(lèi)，對(duì)每一個(gè)類(lèi)的樣本分別進(jìn)行擬合，得出一個(gè)擬合函數(shù)，也就是最終會(huì)得到高、中、低三條擬合曲線。

所述終點(diǎn)擬合函數(shù)Y＝f(X)，實(shí)際上是表達(dá)了X與Y的映射關(guān)系，其中X是終點(diǎn)時(shí)刻火焰光譜中提取的特征變量，Y是終點(diǎn)碳值。例如，使用MATLAB提供一個(gè)多項(xiàng)式擬合函數(shù)來(lái)對(duì)數(shù)據(jù)進(jìn)行擬合，得到擬合函數(shù)。

下面給出一個(gè)以多項(xiàng)式擬合函數(shù)進(jìn)行數(shù)據(jù)擬合的示例。

多項(xiàng)式擬合函數(shù)如下公式：

[p,s]＝polyfit(X,Y,N)

擬合的準(zhǔn)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(xiàng)式的系數(shù)向量，s表示生成預(yù)測(cè)值的誤差估計(jì)。

對(duì)于選取擬合函數(shù)的評(píng)價(jià)標(biāo)準(zhǔn)，主要是擬合的精度，即在誤差范圍之內(nèi)擬合值與實(shí)際值的差值。為了考慮擬合曲線在實(shí)際應(yīng)用中的識(shí)別性和觀察性，還要考慮擬合曲線的下降趨勢(shì)情況。

在成功的訓(xùn)練出所需要的分類(lèi)模型和終點(diǎn)碳擬合函數(shù)后，正如以上所提出的，當(dāng)轉(zhuǎn)爐煉鋼吹煉到末期時(shí)，分類(lèi)模型開(kāi)始發(fā)揮其真正的作用，對(duì)鋼水中的碳含量進(jìn)行實(shí)時(shí)的分類(lèi)檢測(cè)，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(shí)時(shí)碳含量的調(diào)控依據(jù)。

經(jīng)過(guò)試驗(yàn)，通過(guò)現(xiàn)場(chǎng)檢測(cè)40個(gè)轉(zhuǎn)爐的爐口火焰光譜數(shù)據(jù)，得到終點(diǎn)碳的檢測(cè)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(diǎn)碳分類(lèi)檢測(cè)方法命中率可達(dá)85％以上，完全滿足鋼廠的實(shí)際需求。

雖然本發(fā)明已以較佳實(shí)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(shù)領(lǐng)域中具有通常知識(shí)者，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作各種的更動(dòng)與潤(rùn)飾。因此，本發(fā)明的保護(hù)范圍當(dāng)視權(quán)利要求書(shū)所界定者為準(zhǔn)。