预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共23页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106153551A(43)申请公布日2016.11.23(21)申请号201510170792.1(22)申请日2015.04.10(71)申请人南京理工大学地址210000江苏省南京市孝陵卫200号(72)发明人陈延如赵琦周木春张文宣李武森辛煜陈文建王利平(74)专利代理机构南京理工大学专利中心32203代理人王培松朱显国(51)Int.Cl.G01N21/25(2006.01)权利要求书2页说明书11页附图9页(54)发明名称基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统(57)摘要本发明提供一种基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,包括:望远光学系统,被配置用于实时采集炼钢炉口的火焰图像信息;光谱仪,被配置通过光纤接收来自所述火焰图像信息,并获取火焰图像信息的火焰光谱信息;基于SVM的终点控制装置,具有一运算单元和控制运算单元运行的中央控制单元,运算单元用于根据实时获取的火焰光谱信息通过SVM碳含量动态预测模型进行碳含量的实时检测;望远光学系统包括共光轴的物镜、目镜及视场光栏,视场光栏配置在物镜、目镜所形成的光学成像通路中,用于调节炉口火焰探测的视场。本发明所提出的检测系统,现场测试精度高,且不受外界环境因素的影响,抗干扰能力强。CN106153551ACN106153551A权利要求书1/2页1.一种基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,该检测系统包括:望远光学系统,被配置用于实时采集炼钢炉口的火焰图像信息;光谱仪,被配置通过光纤接收来自所述望远光学系统的火焰图像信息,并获取火焰图像信息的火焰光谱信息;基于SVM的终点控制装置,该装置具有一运算单元和控制运算单元运行的中央控制单元,该运算单元被设置用于根据所述实时获取的火焰光谱信息通过SVM碳含量动态预测模型进行炼钢钢水中碳含量的实时检测;其中:所述望远光学系统包括共光轴的物镜、目镜以及独立于物镜和目镜的视场光栏,该视场光栏配置在所述物镜、目镜所形成的光学成像通路中,用于调节炉口火焰探测的视场。2.根据权利要求1所述的基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,所述视场光栏位于所述物镜的焦平面上。3.根据权利要求1或2所述的基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,所述视场光栏为可变视场光栏。4.根据权利要求1或2所述的基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,所述视场光栏位于所述目镜后方并贴近所述光纤。5.根据权利要求1所述的基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,所述基于SVM的终点控制装置,其中的运算单元通过FPGA、CPLD中的一种实现,所述SVM碳含量动态预测模型烧录在所述FPGA或CPLD中,并且在接收到火焰光谱信息后自动进行碳含量的检测。6.根据权利要求5所述的基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,所述SVM碳含量动态预测模型中包括:用于根据输入的火焰光谱信息中构建表征炉内碳含量变化的特征参量的参量构建模块;用于基于所述构建的特征参量进行碳含量预测的碳含量动态预测模块;以及用于预测结果输出的输出模块;其中,所述参量构建模块被设置成按照下述方式构建特征参量:波长600nm处光谱形状为凸起的尖峰,特征参量a1为此处的光强归一化值;光谱形状在770nm处凸起的尖峰是双峰,特征参量a2为波长770nm和772nm处的光强归一化均值;所述两个尖峰中间的连续光谱变化剧烈,将该段谱线平均分成三段,对每一段光强归一化后取平均值得到三个特征参量a3,a4,a5;将光谱分布中光谱的峰值波长λ与所述光谱仪的探测范围最大值Tmax的比值作为第六个参量:a6。7.根据权利要求6所述的基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,所述SVM碳含量动态预测模型中,所述用于基于所述构建的特征参量进行碳含量预测的碳含量动态预测模块,按照下述方式实现模型的建立:以实际钢水碳含量作为标准,通过反复训练、优化选择,确定SVM学习算法所涉及的各2CN106153551A权利要求书2/2页个参量,其具体包括:由火焰光谱信息构建能够表征炉内碳含量变化的特征参量;选定SVM学习算法的核函数;优化控制参数核函数宽度δ和惩罚因子C;选取模型训练样本,利用SVM学习算法对特征参量进行分类建模;以测试样本输入所建立的模型,并分析误差和泛化性是否满足设计要求:如果满足,则输出模型,如果不满足,则返回所述步骤重新进行核函数宽度δ和惩罚因子C的选择以重新建模,直到满足要求。8.根据权利要求7所述的基于SVM的转炉炼钢钢水碳含量在线实时动态检测系统,其特征在于,所述S