CN102564644A - 一种加热炉生产过程中板坯温度在线测量方法 - Google Patents

Abstract

一种加热炉生产过程中板坯温度在线测量方法，涉及加热炉中板坯温度在线检测技术领域，利用历史数据建立最小二乘支持向量机板坯温度软测量模型，采用粒子群优化算法优化LS-SVM板坯温度软测量模型的参数，建立好模型后，实时计算板坯温度，本发明所提方法能够实时、高精度的得到板坯温度，计算速度快，计算精度高，能够满足在线生产需要，达到提高控制稳定性的目的；可以在线运行帮助操作人员了解炉内板坯加热情况，从而指导对加热制度的调节，改善加热质量，降低能耗；适用范围广，对数据源进行适当修改后就可以其他复杂工业过程的板坯或板卷温度进行确定；能够方便的与其他环节共享信息，便于为其他环节的操作提供参考信息。

Description

一种加热炉生产过程中板坯温度在线测量方法

技术领域

本发明涉及加热炉中板坯温度在线检测技术领域，特别涉及一种加热炉生产过程中板坯温度在线测量方法。

背景技术

加热炉是热轧生产过程中重要的加工环节，该环节处在热轧工艺之前，其加工目的在于将板坯加热到热轧要求的轧制温度，从而为热轧工序的顺利进行提供必要条件。在加热炉生产过程中，若板坯出炉温度过高，将导致板坯氧化烧损增多，成材率下降，能耗增大；若板坯出炉温度过低或者板坯温度分布不满足工艺要求，将无法保证热轧的产品质量，进一步将会影响冷轧产品质量，因此，加热炉生产过程中板坯温度在线高精度测量能够提高热轧产品以及冷轧产品的质量，并且能够减少加热炉的能源消耗，实现企业的节能减排。

热轧生产工艺对板坯出炉温度以及板坯温度分布有较高要求，为了满足该要求，加热炉需要对炉内板坯的加热曲线、在炉时间等进行准确控制，而对加热炉生产过程中炉内板坯温度的高精度获取是实现上述控制的基础。

加热炉生产过程中的炉气温度通常在800度以上，并且生产过程连续，采用现有直接测量方法，如在板坯上安装热电偶，会破坏板坯，影响生产。目前加热炉生产过程中常用的方法是目测法。由具有丰富经验的工人通过观测孔观察板坯颜色等炉内情况估计得到当前板坯温度。该方法在应用中取得了一些效果，但是该方法存在明显的不足：1)对工人的依赖性高，要求工人具有丰富的生产经验，并对某一加热炉有深入的了解；2)只能得到板坯表面温度，无法得到板坯内部温度的分布情况；3)主观性强，没有统一标准。

发明内容

针对现有方法存在的不足，本发明提出一种加热炉生产过程中板坯温度在线测量方法，以达到实时获取板坯温度、提高加热质量的目的。

本发明的技术方案是这样实现的：一种加热炉生产过程中板坯温度在线测量方法，包括以下步骤：

步骤1：采集历史数据构建建模数据库，所述的历史数据由加热炉内进行埋偶实验获得，包括：各时间点所测得的炉气温度、板坯上表面温度、板坯中上部温度、板坯中心温度、板坯中下部温度、板坯下表面温度以及对应时间的煤气通入量；

步骤2：利用建模数据库，建立最小二乘支持向量机(LS-SVM)板坯温度软测量模型，描述板坯温度与燃料通入量、历史板坯温度、炉气温度的关系，所述的建立软测量模型具体是指根据建模数据建立板坯温度与测量时刻前n₁(n₁＞1)个单位时刻的板坯温度、测量时刻前n₁-1个单位时刻的板坯温度、

测量时刻前1个单位时刻的板坯温度、测量时刻前n₂(n₂＞1)个单位时刻的燃料通入量、测量时刻前n₂-1个单位时刻的燃料通入量、

测量时刻前1个单位时刻的燃料通入量、当前时刻燃料通入量、当前时刻的炉气温度的关系模型；

具体步骤如下：

步骤2-1：读取建模所需样本数据其中

表示包含测量时刻前n₁个单位时刻的板坯温度、测量时刻前n₁-1个单位时刻的板坯温度、

测量时刻前1个单位时刻的板坯温度、测量时刻前n₂个单位时刻的燃料通入量、测量时刻前n₂-1个单位时刻的板坯温度、

测量时刻前1个单位时刻的燃料通入量、当前时刻燃料通入量、当前时刻的炉气温度的n(n＝n₁+n₂+2)维特征向量集合中的第i个输入特征向量，y_i∈R为对应

的目标值，S表示建模样本数据的集合，包含Num_S个样本；

对样本数据中的

进行归一化，归一化后数据的第j维计算公式如下：

${\mathrm{gx}}_i^j=\frac{{\mathrm{xx}}_i^j-\min \left({\mathrm{xx}}_i^j\right)}{\max \left({\mathrm{xx}}_i^j\right)-\min \left({\mathrm{xx}}_i^j\right)},$

式中，j＝1，2，L，n，

表示

第j维的值，

表示

第j维在样本集合中的最小值，

表示

第j维在样本集合中的最大值；

再进行标准化处理，确定输入特征向量

其中，第j维数据按下述公式进行计算：

$x_i^j=\frac{{\mathrm{gx}}_i^j-\stackrel{\‾}{{\mathrm{gx}}_i^j}}{{\mathrm{\δ}}^2\left({\mathrm{gx}}_i^j\right)}$

式中， $\stackrel{\‾}{{\mathrm{gx}}_i^j}=\frac{1}{\mathrm{Num}\_S}\underset{i\∈S}{\mathrm{\Σ}}{\mathrm{gx}}_i^j,$ ${\mathrm{\δ}}^2\left({\mathrm{gx}}_i^j\right)=\frac{1}{\mathrm{Num}\_S-1}\underset{i\∈S}{\mathrm{\Σ}}{({\mathrm{gx}}_i^j-\stackrel{\‾}{{\mathrm{gx}}_i^j})}^2;$

步骤2-2：利用粒子群优化算法(PSO)优化LS-SVM的方法建立LS-SVM板坯温度软测量模型；

用

表示要测量时刻的输入特征向量，归一化得到特征向量的第j维 ${\mathrm{gx}}^j=\frac{{\mathrm{xx}}^j-\min \left({\mathrm{xx}}_i^j\right)}{\max \left({\mathrm{xx}}_i^j\right)-\min \left({\mathrm{xx}}_i^j\right)},$ 标准化后得到特征向量的第j维 $x^j=\frac{{\mathrm{gx}}^j-\stackrel{\‾}{{\mathrm{gx}}_i^j}}{{\mathrm{\δ}}^2\left({\mathrm{gx}}_i^j\right)},$ 得到特征向量

确定目标值决策函数表示为：

式中，α_i，b为目标值决策函数的参数，

表示对应于输入特征向量

的模型计算输出值，表示线性组合核函数，且有：

$K({\stackrel{\mathrm{\ρ}}{x}}_i,\stackrel{\mathrm{\ρ}}{x})={\mathrm{\ϵ}}_1{({\stackrel{\mathrm{\ρ}}{x}}_i^T\·\stackrel{\mathrm{\ρ}}{x}+1)}^q+{\mathrm{\ϵ}}_2\tanh (v\·({\stackrel{\mathrm{\ρ}}{x}}_i^T\·\stackrel{\mathrm{\ρ}}{x})+c)+{\mathrm{\ϵ}}_3\exp ({-\left|\right|{\stackrel{\mathrm{\ρ}}{x}}_i-\stackrel{\mathrm{\ρ}}{x}\left|\right|}^2/{\mathrm{\σ}}^2)---\left(2\right)$

式中，q表示多项式核函数的指数，且满足q＞0；

表示Sigmoid核函数，其中，v和c分别表示Sigmoid核函数的参数，且满足v＞0，c＜0；

表示径向基函数，其中，σ²表示径向基核函数的参数，且满足σ²＞0；ε₁、ε₂和ε₃分别表示三个核函数在线性组合核函数中的权重，且满足ε₁＞0，ε₂＞0，ε₃＞0；

步骤2-3：利用PSO优化公式(2)中的参数q、v、c、σ²、ε₁、ε₂和ε₃，方法如下：

步骤2-3-1：初始化PSO参数，包括最大迭代次数IterMax，种群规模N，粒子维数M，惯性权重w，权重因子c₁、c₂，并随机产生N个个体p_ii，其中ii＝1，2，...，N，粒子由q、v、c、σ²、ε₁、ε₂和ε₃共7个元素组成；

步骤2-3-2：针对每个粒子分别构建LS-SVM板坯温度软测量模型，通过计算得到对应每个模型的决策函数的参数α_i和b，其中第ii个模型的核函数参数由粒子个体p_ii决定，建模所需样本为训练样本集合S的数据；

步骤2-3-3：计算每个粒子所对应模型的平均绝对误差值，以平均绝对误差作为第ii个粒子的适应度值fit_ii，计算公式如下；

${\mathrm{fit}}_{\mathrm{ii}}=\frac{1}{\mathrm{Num}\_S}\underset{i=1}{\overset{\mathrm{Num}\_S}{\mathrm{\Σ}}}{|\stackrel{\$}{y}}_i-y_i|---\left(3\right)$

其中

表示对应于的模型计算输出值；

步骤2-3-4：判断是否满足如下条件之一：达到PSO算法的最大迭代次数或者最优适应度值小于10e-5，若是，则输出决策函数中的系数a_i和b，以及核函数参数构造参数q，v，c，σ²，ε₁，ε₂，ε₃，执行步骤2-3-5；若否，则根据粒子更新公式更新粒子，执行步骤2-3-2；

步骤2-3-5：输出并保存LS-SVM板坯温度软测量模型；

步骤3：实时计算软测量板坯温度：即根据当前时刻的在线输入信息，通过LS-SVM板坯温度软测量模型计算获取下一时刻的板坯温度信息，包括以下步骤：

步骤3-1：读取建模样本集合S中的样本数据，读取进行当前时刻软测量所需的输入数据，包括测量前n₁个单位时刻的板坯温度、测量时刻前n₁-1个单位时刻的板坯温度、

测量时刻前1个单位时刻的板坯温度、测量时刻前n₂个单位时刻的在线燃料通入量、测量时刻前n₂-1个单位时刻的在线板坯温度、

测量时刻前1个单位时刻的在线燃料通入量、当前时刻燃料在线通入量、当前时刻的在线炉气温度；

步骤3-2：读取已建立的LS-SVM板坯温度软测量模型参数，根据公式(1)进行计算；

步骤3-3：输出软测量得到的板坯温度信息；

步骤4：按照公式(4)计算当前已有模型软测量误差Δ，如果Δ大于15％，则需要重新建立模型，执行步骤1；否则，执行步骤3，其中，模型误差的计算公式如下：

$\mathrm{\Δ}=\frac{|{\hat{y}}_r-y_r|}{y_r}\×100\%---\left(4\right)$

其中y_r表示实际检测板坯出炉温度，

表示软测量获得板坯温度。

本发明优点：包括以下几方面：

1、本发明所提方法能够实时、高精度的得到板坯温度，计算速度快，计算精度高，能够满足在线生产需要，达到提高控制稳定性的目的；

2、本发明所提方法可以在线运行帮助操作人员了解炉内板坯加热情况，从而指导对加热制度的调节，改善加热质量，降低能耗；

3、本发明所提方法适用范围广，对数据源进行适当修改后就可以其他复杂工业过程的板坯或板卷温度进行确定；

4、本发明所提方法能够方便的与其他环节共享信息，便于为其他环节的操作提供参考信息。

附图说明

图1为本发明加热炉生产过程中板坯温度在线测量方法整体流程图；

图2为本发明加热炉生产过程中板坯温度在线测量方法LS-SVM板坯温度软测量模型流程图；

图3为本发明加热炉生产过程中板坯温度在线测量方法建模误差图；

图4为本发明加热炉生产过程中板坯温度在线测量方法软测量误差图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

本实施例以钢铁企业加热炉生产过程为背景，采用的硬件平台为：PC机一台，WindowsXP及以上操作系统作为支撑平台，安装Microsoft SQL Server 2000数据库系统支持数据管理。

本实施例采用生产现场获取的真实数据测试本发明中提出方法的性能，数据情况详见表1：

表1实验数据详细情况

本实施例中n₁＝3，n₁＝2，7个输入特征包含测量时刻前3个单位时刻的板坯温度、测量时刻前2个单位时刻的板坯温度、测量时刻前1个单位时刻的板坯温度、测量时刻前2个单位时刻的燃料通入量、测量时刻前1个单位时刻的燃料通入量、当前时刻燃料通入量、当前时刻的炉气温度。5个输出值包括板坯上表面温度、板坯上中部温度、板坯中心温度、板坯下中部温度以及板坯下表面温度。

以预热段板坯上表面数据为例，本实施例采用加热炉生产过程中板坯温度在线测量方法，如图1所示，包括以下步骤：

步骤1：采集历史数据构建建模数据库：建模数据库中的数据为需要建模的加热炉中进行的埋偶实验的数据，包含各时间点所测得的炉气温度、板坯上表面温度以及对应时间的煤气通入量。为了便于计算，将数据库数据进行处理，按照测量时刻前3个单位时刻的板坯上表面温度、测量时刻前2个单位时刻的板坯上表面温度、测量时刻前1个单位时刻的板坯上表面温度、测量时刻前2个单位时刻的燃料通入量、测量时刻前1个单位时刻的燃料通入量、当前时刻燃料通入量、当前时刻的炉气温度以及板坯上表面温度的顺序进行存储，如表2所示；步骤2：建立LS-SVM板坯温度软测量模型：读取建模所需样本数据，进行归一化和标准化处理，得到训练样本，利用PSO优化LS-SVM的方法建立LS-SVM模型，如图2所示：

步骤a：初始化PSO参数：设定最大迭代次数IterMax＝1000，种群规模N＝20，粒子维数M＝7，惯性权重w＝0.7，权重因子c₁＝c₂＝1.414，随机产生20个个体p_ii(ii＝1，2，...，20)；

表2样本数据存储范例

步骤b：针对每个粒子分别构建LS-SVM板坯温度软测量模型，通过计算得到对应每个模型的决策函数的参数α_i和b，其中第ii个模型的核函数参数由粒子个体p_ii决定，建模所需样本为训练样本集合S的数据；

步骤c：计算每个粒子所对应模型的平均绝对误差值，以平均绝对误差作为该粒子的适应度值fit_ii；根据适应度值更新计算到目前为止适应度函数值最好的粒子p_gbest、第ii个粒子的历史最优解p_ii，lbest；

步骤d：判断是否满足以下条件之一：若达到PSO算法的最大迭代次数，或者p_gbest的适应度值小于10e-5，若是，则输出模型参数，执行步骤f；若否，则根据粒子更新公式(5)和(6)更新粒子，执行步骤b；

v_ii(t+1)＝w·v_ii(t)+c₁·rand₁·(p_gbest-p_ii)+c₂·rand₂·(p_ii，lbest-p_ii)    (5)

p_ii(t+1)＝p_ii(t)+v_ii    (6)

式中，v_ii(t)为第ii个粒子在第t代的速度，p_ii(t)为第为ii个粒子在第t代的信息；rand1，rand2为[0，1]之间的随机数，每次迭代都产生新的值；

步骤e：根据PSO算法获得的最优解给LS-SVM核函数参数赋值，从而建立软测量模型，假设

是归一化和标准化后的建模样本数据，S表示建模样本数据的集合，

表示要软测量时刻的归一化和标准化后的输入信息，那么，决策函数表示为：

输出并保存LS-SVM板坯温度软测量模型参数，包括决策函数中的系数a_i和b，以及核函数参数构造参数q，v，c，σ²，ε₁，ε₂，ε₃；

步骤3：获取软测量板坯温度，即根据当前时刻的输入信息，经过归一化和标准化处理得到输入特征向量，通过模型计算获取下一时刻板坯温度信息，具体包括以下步骤：

步骤3-1：读取建模样本集合S中的样本数据，读取进行当前时刻软测量所需的输入数据，包括测量时刻前3个单位时刻的板坯温度、测量时刻前2个单位时刻的板坯温度、测量时刻前1个单位时刻的板坯温度、测量时刻前2个单位时刻的在线燃料通入量、测量时刻前1个单位时刻的在线燃料通入量、当前时刻在线燃料通入量、当前时刻的在线炉气温度，如表3所示，对该数据进行归一化和标准化处理得到输入特征向量；

表3实际生产数据存储范例

步骤3-2：读取已建立的LS-SVM板坯温度软测量模型参数，根据公式(1)进行计算；

步骤3-3：输出软测量得到的板坯温度信息；

步骤4：判断当前已有模型精度，如果模型误差大于15％，则需要重新建立模型，执行步骤1；否则，执行步骤3；

在执行以上步骤过程中，如生产需要可随时终止算法运行。

本专利所述方法建模和软测量误差统计分析分别如表2和表3所示，建模和软测量误差情况分别见图4和图5。

从表4中看出，建模最大误差为0.02537℃，建模最大平均绝对误差为0.007515℃；从表5中看出，软测量最大误差为23.03611℃，软测量最大平均绝对误差为6.507032℃。在方法运行时间方面，建模平均时间为30.56s，软测量平均时间为1.83ms。在应用过程中，建模过程只需隔1周-1个月的时间运行一次，也可离线建模，不影响正常软测量过程。

表4建模结果统计分析

由实验结果可知，本发明所提方法计算速度快，能够满足在线运行需求；计算精度高，能够满足生产对测量精度的要求。该方法可以在线运行帮助操作人员更好的了解炉内板坯加热情况，从而调节加热制度，改善加热质量，为热轧工序提供高质量的板坯。

表5软测量结果统计分析

Claims (3)

1.一种加热炉生产过程中板坯温度在线测量方法，其特征在于：包括以下步骤：

步骤1：采集历史数据构建建模数据库，所述的历史数据包括：各时间点所测得的炉气温度、板坯上表面温度、板坯中上部温度、板坯中心温度、板坯中下部温度、板坯下表面温度以及对应时间的煤气通入量；

步骤2：利用建模数据库，建立板坯温度软测量模型，确定板坯温度与燃料通入量、历史板坯温度、炉气温度的关系；

步骤3：实时计算软测量板坯温度：即根据当前时刻的在线输入信息，通过板坯温度软测量模型计算获取下一时刻的板坯温度信息，包括以下步骤：

步骤3-1：读取建模样本集合S中的样本数据，读取进行当前时刻软测量所需的输入数据，包括测量前n₁个单位时刻至测量时刻前1个单位时刻的板坯温度、测量时刻前n₂个单位时刻至测量时刻前1个单位时刻的在线燃料通入量、当前时刻燃料在线通入量、当前时刻的在线炉气温度；

步骤3-2：读取已建立的板坯温度软测量模型参数，计算板坯温度；

步骤3-3：输出软测量得到的板坯温度信息；

步骤4：计算当前已有模型误差Δ，如果模型误差绝对值大于15％，则需要重新建立模型，执行步骤1；否则，执行步骤3，其中，模型误差的计算公式如下：

$\mathrm{\Δ}=\frac{|{\hat{y}}_r-y_r|}{y_r}\×100\%---\left(1\right)$

其中y_r表示实际检测板坯出炉温度，

表示软测量获得板坯温度。

2.根据权利要求1所述的加热炉生产过程中板坯温度在线测量方法，其特征在于：步骤2所述的建立板坯温度软测量模型，具体步骤如下：

步骤2-1：读取建模所需样本数据

其中

表示包含测量时刻前n₁个单位时刻至测量时刻前1个单位时刻的的板坯温度、测量时刻前n₂个单位时刻至测量时刻前1个单位时刻的燃料通入量、当前时刻燃料通入量、当前时刻的炉温的n维特征向量集合中的第i个输入特征向量，y_i∈R为对应

的目标值，其中n＝n₁+n₂+2，S表示建模样本数据的集合，包含Num_S个样本；

对样本数据中的

进行归一化，归一化后数据的第j维计算公式如下：

${\mathrm{gx}}^j=\frac{{\mathrm{xx}}^j-\min \left({\mathrm{xx}}_i^j\right)}{\max \left({\mathrm{xx}}_i^j\right)-\min \left({\mathrm{xx}}_i^j\right)},$

式中，j＝1，2，L，n，

表示

第j维的值，

表示第j维在样本集合中的最小值，

表示

第j维在样本集合中的最大值；

再进行标准化处理，确定输入特征向量

其中，

第j维数据按下述公式进行计算：

$x^j=\frac{{\mathrm{gx}}_i^j-\stackrel{\‾}{{\mathrm{gx}}_i^j}}{{\mathrm{\δ}}^2\left({\mathrm{gx}}_i^j\right)}$

式中， $\stackrel{\‾}{{\mathrm{gx}}_i^j}=\frac{1}{\mathrm{Num}\_S}\underset{i\∈S}{\mathrm{\Σ}}{\mathrm{gx}}_i^j,$ ${\mathrm{\δ}}^2\left({\mathrm{gx}}_i^j\right)=\frac{1}{\mathrm{Num}\_S-1}\underset{i\∈S}{\mathrm{\Σ}}{({\mathrm{gx}}_i^j-\stackrel{\‾}{{\mathrm{gx}}_i^j})}^2;$

步骤2-2：利用粒子群优化算法优化最小二乘支持向量机的方法建立板坯温度软测量模型；

用

表示要测量时刻的输入特征向量，归一化得到第j维特征向量 ${\mathrm{gx}}^j=\frac{{\mathrm{xx}}^j-\min \left({\mathrm{xx}}_i^j\right)}{\max \left({\mathrm{xx}}_i^j\right)-\min \left({\mathrm{xx}}_i^j\right)},$ 标准化后得到第j维特征向量 $x^j=\frac{{\mathrm{gx}}^j-\stackrel{\‾}{{\mathrm{gx}}_i^j}}{{\mathrm{\δ}}^2\left({\mathrm{gx}}_i^j\right)},$ 得到特征向量

确定目标值决策函数表示为：

式中，α_i，b为目标值决策函数的参数，

表示对应于输入

的模型计算输出值，

表示线性组合核函数，且有：

$K({\stackrel{\mathrm{\ρ}}{x}}_i,\stackrel{\mathrm{\ρ}}{x})={\mathrm{\ϵ}}_1{({\stackrel{\mathrm{\ρ}}{x}}_i^T\·\stackrel{\mathrm{\ρ}}{x}+1)}^q+{\mathrm{\ϵ}}_2\tanh (v\·({\stackrel{\mathrm{\ρ}}{x}}_i^T\·\stackrel{\mathrm{\ρ}}{x})+c)+{\mathrm{\ϵ}}_3\exp ({-\left|\right|{\stackrel{\mathrm{\ρ}}{x}}_i-\stackrel{\mathrm{\ρ}}{x}\left|\right|}^2/{\mathrm{\σ}}^2)---\left(3\right)$

式中，q表示多项式核函数的指数，且满足q＞0；

表示Sigmoid核函数，其中，v和c分别表示Sigmoid核函数的参数，且满足v＞0，c＜0；

表示径向基函数，其中，σ²表示径向基核函数的参数，且满足σ²＞0；ε₁、ε₂和ε₃分别表示三个核函数在线性组合核函数中的权重，且满足ε₁＞0，ε₂＞0，ε₃＞0；

步骤2-3：利用粒子群算法优化公式(3)中的参数q、v、c、σ²、ε₁、ε₂和ε₃。

3.根据权利要求2所述的加热炉生产过程中板坯温度在线测量方法，其特征在于：步骤2-3所述的利用粒子群算法优化公式(3)中的参数q、v、c、σ²、ε₁、ε₂和ε₃，方法如下：

步骤2-3-1：初始化PSO参数，包括大迭代次数IterMax，种群规模N，粒子维数M，惯性权重w，权重因子c₁、c₂，并随机产生N个个体p_ii，其中ii＝1，2，...，N；

步骤2-3-2：针对每个粒子分别构建LS-SVM板坯温度软测量模型，通过计算得到对应每个模型的决策函数的参数α_i和b，其中第ii个模型的核函数参数由粒子个体p_ii决定，建模所需样本为训练样本集合S的数据；

步骤2-3-3：计算每个粒子所对应模型的平均绝对误差值，以平均绝对误差作为该粒子的适应度值fit_ii，计算公式如下；

${\mathrm{fit}}_{\mathrm{ii}}=\frac{1}{\mathrm{Num}\_S}\underset{i=1}{\overset{\mathrm{Num}\_S}{\mathrm{\Σ}}}{|\stackrel{\$}{y}}_i-y_i|---\left(4\right)$

其中

表示对应于

的模型计算值；

步骤2-3-4：判断是否满足如下条件之一：达到PSO算法的最大迭代次数或者最优适应度值小于10e-5，若是，则输出决策函数中的系数a_i和b，以及核函数参数构造参数q，v，c，σ²，ε₁，ε₂，ε₃，执行步骤2-3-5；若否，则根据粒子更新公式更新粒子，执行步骤2-3-2；

步骤2-3-5：输出并保存LS-SVM板坯温度软测量模型，结束。

Images