摘要转炉炼钢技术因其节能高效、工艺流程相对简单、生产方式灵活可扩展等显著优点， 在钢铁冶炼领域受到越来越多的重视。在转炉炼钢过程中，由于炉口火焰光谱包含了大 量炉内钢水信息而其主要能量集中在可见光波段，发展基于可见光目标识别技术的钢水 成分分析预测方法，对控制炼钢终点碳含量、改善转炉炼钢最终产品质量具有重要意义。 本文简要概述了现代转炉炼钢技术以及钢水成分控制技术的发展情况，同时基于普朗克 辐射定律和火焰发射光谱原理，对炉口火焰光谱实测数据中的特征峰形成的物理原理进 行分析。利用支持向量回归算法拟合背景热辐射光谱，使之与在火焰中剧烈反应的碳元 素特征光谱分离。利用双波长法将炼钢光谱强度与参与炉内钢水温度之间建立联系，从 而构建基于物理模型的温度预报模型。最后采用数据驱动方法对钢水碳含量经验预测公 式进行参数修正，并通过与实测数据的比较进行检验，检验结果表明预测数据与实际基 本相符，本文提出了一种在钢水碳含量控制方面具有潜在应用价值的实时监控方法。79695

毕业论文关键词 转炉炼钢 可见光光谱 碳含量 火焰发射光谱 支持向量回归

Title  The identification of the visible spectrum target based on data-driven

Abstract Converter steel-making technology has become more and more important in steel-making field because of all its merits, such as energy efficient, relatively simple and scalable producing process。 During the converter steel-making process, the spectrum of furnace mouth flame concentrates in the visible light and contains profuse information about steel composition。 So developing the identification technology of the visible spectrum target shows great value in such research area。 This essay gives a brief introduction of modern converter steel-making technology and steel composition analysis technology。 Meanwhile, physical principles of furnace mouth flame are analyzed basing on Planck's radiation law and the principle of flame emission spectrum。 SVR method is also used in this paper to separate the characteristic spectrum form the background TES。 Finally, with the help of Dual-Wavelength method and data-driven empirical formula, a prediction model between the intensity of characteristic spectrum and carbon content is built。 The forecast result match the actually measured data quite well, which reveals the forecast method proposed in this paper could have further applications in this field。

Keywords: Converter steel-making, Visible spectrum, Carbon content, Flame emission spectrum,  SVR

目 次

1 绪论 1

1。1 转炉炼钢简介 1

1。2 转炉炼钢终点控制技术 2

1。3 光谱目标识别方法的研究意义 2

2 转炉炼钢火焰发射光谱物理机理分析 4

2。1 光谱采集设备的选择 4

2。2 黑体辐射理论 5

2。3 实测火焰光谱分析 6

3 支持向量机与支持向量回归 8

3。1 支持向量机(SVM) 8

3。2 基于线性规划的支持向量分类 12

3。3 支持向量回归(SVR) 14

3。4 支持向量回归参数选择与拟合结果 17