[发明专利]一种氩氧精炼铁合金冶炼终点预测方法

权利要求书

1.一种氩氧精炼铁合金冶炼终点预测方法，该方法是由机器视觉系统对冶炼中低碳铬铁后期AOD炉炉口火焰特征进行识别和提取，利用支持向量机建立终点预报模型，识别冶炼结束与否，最终确定冶炼终点。

2.根据权利要求1所述的一种氩氧精炼铁合金冶炼终点预测方法，该方法包括以下具体步骤：

（一）、基于机器视觉的火焰特征提取

（1）、图像采集系统的构成

图像采集系统是由光学图像传感器CCD摄像机、图像采集卡和工控机组成， CCD摄像机的图像信息通过同轴电缆送至工控机上的图像采集卡，图像采集卡将视频信号转换成数字信号，送入工控机进行相应的数字处理、图像显示和预测分析；CCD摄像机将AOD炉炉口火焰的光信号转化为电信号，图像采集卡将CCD摄像机输出的模拟信号经过采样、离散后存储在计算机内，并把每个采样点的灰度转换成0～255的灰度级，按顺序存入缓冲寄存器，计算机经缓冲寄存器对每个像素进行访问；

（2）、特征选择

终点控制的基本要求是在吹炼结束时，铁水中的化学成分和温度同时达到出炉的要求，AOD炉冶炼中低碳铬铁后期，由于炉内碳将耗尽，碳氧反应趋于平缓，炉口火焰变化缓慢，颜色发黄变软；通过火焰有效灰度（）、高温区域灰度（）、火焰有效面积（）、高温区域面积 ()可以对火焰特征做出快速的描述，用[-1,1]描述冶炼终点达到与否；

（2-1）火焰有效灰度（）

通过实验研究确定火焰有效灰度的阈值，像素灰度高于这一阈值的部分视为有效火焰区域。

（2-2）高温区域灰度（）

通过实验确定高温区域灰度阈值，像素灰度高于这一阈值的部分视为火焰高温区域；

（2-3）火焰有效面积（）

火焰面积的计算公式为

Si=Σj=1GL(gij-gd)]]>

式中，S_i为第i次采样的火焰面积，G为图像像素个数，表示第i次采样时图像中像素点j的灰度值；g_d为预先设定的阈值，合理的阈值选取对“火焰像素面积”的计算至关重要，可以通过对现场火焰图像和炉内火焰录像的观察确定阈值，L(.)为阶跃函数，表征炉口火焰边缘的波动，取1，取0；

（2-4）火焰高温面积()

相对于火焰高温区域灰度的火焰面积，与火焰有效面积获取方法一致；

（3）、归一化处理

由于选取的特征向量含义不同，量纲不同，数值相差较大；若直接使用这些变量作为训练网络的样本，则学习过程便会被特征值大的变量波动所操纵，无法体现小特征值的变化情况，因此，需要对上述特征变量做归一化处理；处理算法为：

x=x‾-x‾minx‾max-x‾min]]>

式中，，x分别为归算前后的值；，分别为样本的最大值和最小值；

（二）、基于SVM的冶炼终点识别

（1）、支持向量机算法

在两类模式识别问题中，给定训练样本(x_i,y_i),x_i是第i个样本的输入，y_i是第i个样本的期望输出，x_i∈Rⁿ,y_i∈(-1,+1),i=1,2…,l， SVM的目标就是通过训练样本构造一个判别函数，使训练样本以最大间隔分开，且将待判决样本尽可能地正确分类；分类规则为：

f(x)=sgn[Σi=1lyiai*(xi,x)+b*]]]>

式中，sgn(·)为符号函数；是Lagrange系数的最优解，b^*是分类的阈值；求解分类函数需要构造如式[1]和式[2]的优化问题：

minw,ξ,b12||w||2+CΣi=1lξi---[1]]]>

Sub.toyi[(w·φ(xi))+b]+ξi≥1ξi≥0,i=1,2,...,l---[2]]]>

式中，w为可调的权重向量，C为惩罚因子，ξ_i为松弛变量，φ(·)为从样本空间到高维空间的非线性映射；

则式[1]和式[2]的Wolfe对偶为：

minα12Σi=1lΣj=1lyiyjαiαjK(xi,xj)-Σi=1lαi---[3]]]>

Sub.toΣi=1lyiαi=00≤αi≤C,i=1,2,...,l---[4]]]>

设式[3]和式[4]表述的优化问题有最优解：

α*=(α1*,α2*,...,αl*)]]>

根据最优性条件——KKT，这个优化问题的解必须满足：

α_i{[(x_i·w)+b]-y_i-1}=0      [5]

求解上述问题后得到的最优分类函数是：

f(x)=sgn[Σi=1lyiαi*K(xi,x)+b*]---[6]]]>

b*=yi-Σi=1lyiαi*K(xi,xj)---[7]]]>

w*=Σi=1lyiαi*xi---[8]]]>

式[7]中的，式[3]～式[7]式中的K(·)是满足Mercer条件的核函数，其作用就是将原输入空间的线性不可分问题转化为高维甚至无穷维Hibert空间的线性可分问题，然后在该高维或无穷维空间求解式[3]和式[4] 的优化问题；

（2）、火焰识别

利用SVM识别终点火焰的具体步骤如下：

1）获得训练样本数据；

2）选择非线性变换的内积函数(即核函数)和惩罚因子；

3）形成凸二次优化问题，求解该优化问题以获得分类的支持向量机；

4）将待测样本数据送入分类的支持向量机，获得识别结果；

其中，第1）步通过步骤（一）的图像特征提取算法实现，每帧图像的四个特征值构成支持向量机的一个输入向量；第2）步是选取核函数，通过实验选取；第3）步是建立SVM分类器，通过支持向量机算法求解最优解；再根据式[7]和式[8]求得权重向量w^*和偏移量b^*；最后将和b^*代入式[6]获得最优分类函数；第4）步是利用SVM识别火焰，将待测样本数据送入训练好的SVM，验证所训练的SVM的识别准确率。