CN102876838B - 一种转炉内碳含量和温度检测系统 - Google Patents

Abstract

本申请公开了一种转炉内碳含量和温度检测系统，包括：用于采集转炉火焰信息的火焰信息采集模块；与火焰信息采集模块相连接的，用于分析量化转炉火焰信息，得到火焰数字信息的数据分析处理模块；与数据分析处理模块相连接，用于将火焰数字信息作为动态参数，计算并对转炉碳和温度进行实时预报的控制模块。本申请实施例通过转炉火焰信息采集模块采集火焰信息，然后分析量化火焰信息得到火焰数字信息，且以火焰数字信息作为控制模块中的动态参数，通过计算来对转炉炼钢的终点进行实时预报，提高了现有技术中小型转炉炼钢厂的吹炼终点命中率。

Description

一种转炉内碳含量和温度检测系统

技术领域

本申请涉及转炉炼钢技术领域，特别是涉及一种转炉内碳含量和温度检测系统。

背景技术

转炉炼钢具有生产效率高、原材料适应性好、投资小、见效快等优点，因此在我国炼钢业中广泛应用。转炉炼钢时，终点钢水碳含量和温度的高低对钢的质量有重要的影响。所以，终点钢水碳含量和温度的检测成为炼钢终点控制的重要技术。

现在大多数的中小型转炉炼钢厂的炼钢终点控制仍处在经验炼钢和单一的静态控制模式阶段。经验炼钢主要是通过人工经验看火，即通过转炉炉口火焰的亮度和形状，人工推断出火焰的温度。单一的静态控制模式主要是通过人工输入参数对转炉炼钢的终点碳含量和温度进行计算。而在实际炼钢过程中，影响终点钢水终点碳含量和温度的因素很多，并且转炉炼钢过程是一个非常复杂的多元多相高温反应过程，进而无法在转炉炼钢的过程中对多种因素进行实时检测，这就导致了无法准确检测转炉冶炼终点，即存在终点命中率低的问题。

此外，现有技术中还可以使用动态副枪控制模型对转炉终点进行检测，虽然动态副枪控制模型对转炉终点命中率较高，但是副枪所用探头为消耗件，投资较大。所以，动态副枪控制模型仅在现代化的大型转炉炼钢厂应用，不适用于中小型转炉炼钢厂。

因此，亟需一种适用于中小型转炉炼钢厂、且成本低、命中率高的转炉炼钢终点检测装置。

发明内容

有鉴于此，本申请实施例提供一种转炉内碳含量和温度检测系统，以解决现有技术中小型转炉炼钢厂的吹炼终点命中率低的问题。

为了实现上述目的，本申请实施例提供的技术方案如下：

一种转炉内碳含量和温度检测系统，包括：

用于采集转炉火焰信息的火焰信息采集模块；

与所述火焰信息采集模块相连接的，用于分析量化所述转炉火焰信息，得到火焰数字信息的数据分析处理模块；

与所述数据分析处理模块相连接，用于将所述火焰数字信息作为动态参数，计算并对转炉碳和温度进行实时预报的控制模块。

优选地，所述火焰信息采集模块包括：

用于采集火焰图像信息的视频采集模块；

相互连接、且用于相互配合采集火焰光强信息的光学模块和光强采集模块。

优选地，所述系统，

通过内嵌的基于变量筛选的BP神经网络终点预测模型对所述转炉碳和温度进行预报的控制模块。

优选地，所述基于变量筛选的BP神经网络的终点预测模型包括：

用于对所述基于变量筛选的BP神经网络终点预测模型对输入变量进行筛选，得到对所述预测结果影响较大的输入量的变量筛选模型；

用于根据所述变量筛选模型所得到的变量，对所述转炉碳和温度进行实时预报的BP神经网络模型。

优选地，所述系统，还包括：

设置有观察窗，用于安装所述光学模块、所述光强采集模块和所述视频采集模块，且用于屏蔽现场粉尘和电磁噪声对所述光学模块、光强采集模块和视频采集模块干扰的机械结构盒；

设置在所述观察窗上，用于可供所述光学模块、所述光强采集模块和所述视频采集模块进行信息采集的镜片。

优选地，所述机械结构盒上还设置有用于对所述镜片进行除尘的镜头吹扫装置。

优选地，该系统还包括：与所述机械结构盒相连接，用于可调节地固定所述机械结构盒的位置的固定装置。

优选地，所述固定装置包括：一端与所述机械结构盒相连接，另一端固定在地面上，用于支撑所述机械结构盒、且调节所述机械结构盒的位置的立杆。

优选地，所述固定装置包括：一端与所述机械结构盒相连接，另一端固定在墙壁上，用于支撑所述机械结构盒、且调节所述机械结构盒的位置的横杆。

由此可见，本申请实施例所提供的转炉内碳含量和温度检测系统包括：转炉火焰信息采集模块、数据分析处理模块和控制模块，其中：转炉信息采集模块的主要作用是采集转炉火焰信息；数据分析处理模块的主要作用是对转炉火焰信息进行分析量化得到火焰数字信息；控制模块主要是将火焰数字信息作为动态参数，对转炉火焰碳和温度进行实时预报。本申请实施例通过转炉火焰信息采集模块采集火焰信息，然后分析量化火焰信息得到火焰数字信息，且以火焰数字信息作为控制模块中的动态参数，通过计算来对转炉炼钢的终点进行实时预报，提高了现有技术中小型转炉炼钢厂的吹炼终点命中率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例一所提供的一种转炉内碳含量和温度检测系统的结构图；

图2本申请实施例二所提供的转炉火焰信息采集模块的结构示意图；

图3为本申请实施例四所提供的转炉正常时，转炉炉口火焰亮度分析图；

图4为本申请实施例四所提供的转炉正常时，转炉炉口火焰温度分析图；

图5为本申请实施例四所提供的转炉正常时，转炉炉口火焰纹理分析图；

图6为本申请实施例五所提供的变量筛选模型流程图；

图7为本申请实施例六所提供的BP神经网络模型结构示意图；

图8为本申请实施例所六提供的BP神经网络模型的流程图；

图9为本申请实施例六所提供的BP神经网络模型计算流程图；

图10为第68炉的熔池碳含量全程预报曲线；

图11为第68炉的熔池温度全程预报曲线。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

本申请实施例所提供的一种转炉内碳含量和温度检测系统如图1所示，包括：转炉火焰信息采集模块1、数据分析处理模块2和控制模块3。

转炉火焰信息采集模块1的的作用是采集转炉火焰信息；数据分析处理模块2与转炉火焰信息采集模块1相连接；控制模块3与数据分析处理模块2相连接。

其中：数据分析处理模块2与火焰信息采集模块1相连接，接收转炉火焰信息采集模块1所采集到的转炉火焰信息，并且对接收到的转炉火焰信息进行分析量化处理，得到可用于计算的火焰数字信息；控制模块3与数据分析处理模块2相连接，接收数据分析处理模块2所发送的火焰数字信息，并将火焰数字信息作为动态参数，对转炉火焰碳和温度进行计算并进行实时预报。

此外，本申请所提供的转炉火焰碳和温度全程预测系统，用户可以控制控制模块3，通过控制模块3查看转炉火焰碳和温度的具体信息等。

由此可见，本申请实施例所提供的转炉内碳含量和温度检测系统包括：转炉火焰信息采集模块、数据分析处理模块和控制模块，其中：转炉火焰信息采集模块的主要作用是采集转炉火焰信息；数据分析处理模块的主要作用是对转炉火焰信息进行分析量化得到火焰数字信息；控制模块主要是将火焰数字信息作为动态参数，对转炉火焰碳和温度进行实时预报。本申请实施例通过转炉火焰信息采集模块采集火焰信息，然后分析量化火焰信息得到火焰数字信息，且结合火焰数字信息作为控制模块中的动态参数，通过计算来对转炉炼钢的终点进行实时预报，提高了现有技术中小型转炉炼钢厂的锤炼终点命中率。

实施例二

本申请实施例一提供了一种转炉火焰碳和温度全程预测系统，包括转炉火焰信息采集模块、数据分析处理模块和控制模块。本申请实施例二主要是对转炉火焰信息采集模块的结构进行详细介绍。

图2本申请实施例二所提供的转炉火焰信息采集模块的结构示意图。

如图2所示，本申请实施例二所提供的转炉火焰信息采集模块1的结构包括：视频采集模块4、光学模块5、光强采集模块6、机械结构盒7。

其中，视频采集模块4、光学模块5和光强采集模块6安装在机械结构盒7中。

其中，视频采集模块4用于采集转炉火焰的图像信息；光学模块5和光强采集模块6相互连接并且相互配合来采集火焰光强信息，这里为了清晰的展现转炉火焰采集模块1的整体结构，对于光强采集模块和光学模块的具体链接没有做详细的展现。

机械结构盒6用于安装视频采集模块4、光学模块5和光强采集模块6。机械结构盒7上设置有观察窗，并且观察窗上设置有镜片，机械结构盒7的主要作用是屏蔽现场粉尘和电磁噪声对所述光学模块5、光强采集模块6和视频采集模块4的干扰，同时使得光学模块5、光强采集模块6和视频采集模块4通过机械结构盒的观察窗上的镜片采集转炉火焰信息。

此外，本申请实施例所提供的机械结构盒上还设置有镜头吹扫装置。镜头吹扫装置的主要作用是对机械结构盒上的镜片进行除尘，使得镜片可以清晰的采集信息。

由此可见，本申请实施例所提供的转炉火焰采集模块包括：视频采集模块、光学模块、光强采集模块和机械结构盒，以及安装在机械结构盒上的镜片和镜头吹扫装置。本申请实施例所提供转炉火焰信息采集模块通过视频采集、光学模块和光强信息采集模块来采集转炉火焰图像信息和火焰光强信息，为以后将采集到的图像信息和火焰光强信息作为动态参数，计算转炉碳和温度奠定基础。另外，本申请实施例所提供的机械保护盒可以在保护光学模块、光强采集模块和图像采集模块的同时，使得光学模块、光强采集模块和图像采集模块清晰的采集到火焰图像信息和火焰光强信息。

实施例三

实施例二提供了转炉火焰采集模块的具体结构，本申请实施例在实施例二的基础上提供了该转炉火焰采集模块的安装方式。

本申请实施例中转炉火焰采集模块的安装方式可以为，将机械结构盒的底部与立杆相固定，且该立杆可以在水平和垂直方向进行调节。

本申请实施例中通过立杆固定机械结构盒的位置，可以防止人员在走动过程中对转炉火焰采集模块的遮挡；另外，可以通过该立杆在水平方向180°、垂直方向±30°方向调整机械结构盒的角度，从而保证转炉火焰信息采集模块能够采集到转炉火焰信息。

另外，本申请实施例所提供的转炉火焰采集模块的安装方式还可以为，采用横杆，将机械结构盒固定在墙上，并且可以通过该横杆在水平和垂直方向调节机械结构盒的位置。

本申请实施例中通过横杆固定机械结构盒的位置，也可以防止人员在走动过程中对转炉火焰采集模块的遮挡；另外，通过该横杆可以在水平方向180°、垂直方向±30°方向调整机械结构盒的角度，从而保证转炉火焰信息采集模块能够采集到转炉火焰信息。

此外，本申请实施例中机械结构盒距离地面的高度为2-2.5米。

本申请所提供的两种转炉火焰采集模块的安装方式仅是本申请实施例所提供的优选方案，发明人可以根据自己的需求设计其他的安装方式，均在本申请保护范围之内。

由此可见，本身申请实施例所提供的转炉火焰采集模块的安装方式，包括两种。一种是将机械结构盒的底部与立杆相固定。另一种是将机械结构盒通过横杆固定在墙上。这两种安装方式均防止了人员在走动过程中对转炉火焰采集模块的遮挡，并且也可以通过调节机械结构盒的角度，从而保证转炉火焰信息采集模块能够采集到转炉火焰信息。

实施例四

根据实施例一中所提到的数据分析处理模块与转炉火焰信息采集模块相连接，用于分析量化转炉火焰信息采集模块所采集到的转炉火焰信息。

数据分析处理模块分析量化的火焰信息主要包括：火焰亮度、火焰温度、火焰纹理。其中，火焰亮度和火焰温度属于由光学模块和光强采集模块相互配合采集到的火焰光强信息。火焰纹理属于由视频采集模块所采集到的火焰图像信息。

图3为本申请实施例四所提供的转炉正常时，转炉炉口火焰亮度分析图。

如图3（a）所示为第10分钟时的火焰亮度图像，图3（b）为整理火焰亮度量化分析图。

利用本申请实施例所提供的转炉内碳含量和温度检测系统对一炉次冶炼（约14分钟）过程进行实时采集所获取的火焰光强特征信息，并且通过数据分析处理模块对所采集到的火焰亮度信息进行量化分析。从图3（b）中可以看出：随着转炉冶炼过程的进行，光强特征强度逐渐增加，当接近终点时，采集的特征曲线会急剧下降，这与吹炼各个阶段碳氧反应规律是一致的。因此火焰亮度信息可以作为碳含量判断的重要依据。

图4为本申请实施例四所提供的转炉正常时，转炉炉口火焰温度分析图。

如图3（a）所示为第2分钟时的火焰温度场图，图3（b）为整炉火焰平均温度量化分析图。

图4为在转炉正常生产时，本系统对炉口火焰温度的测量。其中，在冶炼第5和7分钟，有两次加料操作。从分析量化后得到整炉火焰平均温度量化分析图，即图4（b）中可以看出所测的温度曲线同样出现了较大幅度的降低；在第8-9分钟由于操作工频繁升降烟罩，造成温度曲线有一定的波动；在吹炼末期，曲线上升趋势趋于平缓；当接近终点时，炉口火焰变弱，温度开始下降，图4（b）中显示的实测火焰温度同样下降。

图5为本申请实施例四所提供的转炉正常时，转炉炉口火焰纹理分析图。

如图5（a）所示为第6分钟时的火焰纹理图，图5（b）为第13分钟时火焰纹理图，图5（c）为整炉火焰纹理分析图。

图5（a）为第6分钟的火焰纹理云图，图5（b）为第13分钟的火焰纹理云图，从a、b两图可以直观的看出冶炼末期的火焰纹理总量明显低于中期的纹理总量。我们对火焰纹理变化做了定量化处理，如图5（c）所示。从图中可以看出：在转炉冶炼前期火焰纹理值基本保持不变，从第11分钟开始下降，时长3分钟，这种特征可以作为高碳判断的重要依据。

由此可见，本申请实施例所提供的数据分析处理模块主要是对接收到的转炉火焰信息进行量化分析处理，主要是对火焰亮度、火焰温度和火焰纹理的分析量化。同时本申请证明了采集火焰光强信息和图像信息的原因，因为火焰亮度、火焰温度时判断火焰温度的重要依据，而火焰纹理是判断碳含量的重要依据。

实施例五

根据实施例一中所提到的控制模块与数据分析处理模块相连接，根据数据分析处理模块分析量化火焰光强信息和图像信息得到的火焰数字信息作为动态参数，对转炉碳和温度进行计算并实时预报。其中，控制模块主要是根据模块中内嵌的基于变量筛选的BP神经网络的终点预测模型对所述转炉碳和温度进行的计算并实时预报。

本申请实施例所提供的基于变量筛选的BP神经网络的终点预测模型包括变量筛选模型和BP神经网络模块。

图6为本申请实施例五所提供的变量筛选模型流程图。

标准的BP神经网络模型中所包含的网络输入数据是研究者根据专业知识和经验预先选择好的。然而在转炉炼钢过程中，由于没有清晰的理论依据，神经网络所包含的自变量（即网络输入特征）难以预先确定，如果将一些不重要的自变量也引入神经网络，会降低模型的精度。所以，在进行选择时，必须参照影响终点控制的变量，筛选与转炉冶炼终点控制相关度较大、对转炉冶炼终点变化较为敏感的参数。因此选择有意义的自变量特征作为网络输入数据是本算法中非常关键的一步。

图6为本申请实施例五所提供的变量筛选模型流程图，如图6所示，本申请实施例所提供的变量筛选模型的筛选流程如下：

S11、变量增减。

此过程是MIV算法的初步实现。

S12、神经网络训练。

此步骤是利用原始数据训练一个正确的神经网络。

S13、差值计算。

此步骤是MIV算法的后续实现

S14、计算各项网络输出的MIV值。

通过变量筛选计算，结合现场情况，选择MIV值大的因素作为输入变量，确定了本申请所提供的转炉内碳含量和温度检测系统的输入变量，输入变量表如表1所示。

表1 输入参数列表

序号	输入参数	序号	输入参数
				1	火焰亮度值	7	火焰纹理
2	火焰温度	8	铁水温度
				3	废钢装入量	9	铁水装入量
4	吹氧量	10	吹氧时间
				5	铁水锰含量	11	铁水碳含量
6	上炉溅渣时间	12	空炉时间

由此可见，本申请实施例所提供的变量筛选模型，可以参照影响转炉终点控制的变量，筛选与转炉冶炼终点控制相关度较大、对转炉冶炼终点变化较为敏感的参数。从而选择更有意义的自变量特征作为网络输入，使得转炉终点命中率更加准确。

实施例六

本申请实施例是在实施例五的基础上，介绍BP神经网络模型。

BP神经网络模型是应用最广泛的一种人工神经网络模型，结构简单且易于编程处理，具有较强的非线性处理能力，可以逼近任意连续函数和非线性映射，能模拟任意的非线性输入输出关系。

图7为本申请实施例六所提供的BP神经网络模型结构示意图。

如图7所示，本申请实施例所提供的BP神经网络模型包括：输入层1、隐含层2和输出层3。

本申请实施例所提的BP神经网络模型是一种有教师的学习神经网络模型。它由正向传播和反向传播组成。当该模型的正向传播途径是从输入层1输入，经过隐含层2处理后传入输出层3。当该模型在正向传播阶段时，每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出结果，则进入误差的反向传播阶段。误差信号沿原来的连接通路返回，网络根据反向传播的误差信号修改各层的连接权，使误差信号达到最小。

图8为本申请实施例所六提供的BP神经网络模型的流程图。

如图8所示，本申请实施例所提供的BP神经网络模型流程如下：

S21、输入数据前期处理。

在将数据带入BP神经网络模型计算前，首先需要将数据进行标准化处理，即将800炉数据依次按公式：

转换后保存到数据库文件中，做为训练样本用。

S22、设置BP神经网络模型参数。

在输入参数确定的情况下（如表1），网络的隐含层数目和各隐含层的节点数的确定是提高网络模型精度的关键。本模型中各参数的设置如表2所示：

表2 网络参数的设置

结构参数	设计值	结构参数	设计值
				输入层节点	12	学习速率	0.001
输出层节点	1	动量因子	0.75

隐含层数	1	隐含层节点	15
				学习次数	5000

S23、BP神经网络模型计算。

图9为本申请实施例六所提供的BP神经网络模型计算流程图。

如图9所示，本步骤所提供的BP神经网络模型计算包括如下步骤：

S231、初始化各个参数的值。

本步骤中所提到的初始化各个参数的值，主要是对权值矩阵W、V赋随机数，取（-1～1）之间的随机小数。将样本模式计数器p和训练次数计数器q置为1，误差值设为0，学习数率设为0.001，动量因子设为0.75。

S232、输入训练样本，计算各层输出。

本步骤中是通过公式（1)和公式（2）来计算Y和O中的各分量。

（隐含层）…………………………(1)

（输出层）………………………(2)

S233、计算网络输出误差。

设共有P对训练样本，网络对应不同的样本具有不同的误差E^P，这里根据网络的总误差E^总计算各层的误差信号并调整权值，如公式（3）所示。

S234、计算各层的误差信息。

本步骤中主要是计算输出层和隐含层的误差信息，计算公式分别如公式（4）和公式（5）所示。

输出层： ${\mathrm{\δ}}_k^0=-\frac{{\mathrm{\δE}}_E}{\mathrm{\δ}{\mathrm{\Σ}}_{j=0}^m{w}_{\mathrm{jk}}{y}_j}=(d_k-o_k)o_k(1-o_k)\·\·\·\left(4\right)$

隐含层：

S235、调整各项权值。

本步骤中通过公式（6）和公式（7）计算W、V各分量。

${\mathrm{\Δw}}_{\mathrm{jk}}\left(t\right)=\mathrm{\η}{\mathrm{\δ}}_k^o{y}_i+{\mathrm{a\Δw}}_{\mathrm{jk}}(t-1)=\mathrm{\η}(d_k-o_k)o_k(1-o_k)+{\mathrm{a\Δw}}_{\mathrm{jk}}(t-1)\·\·\·\left(6\right)$

${\mathrm{\Δv}}_{\mathrm{jk}}\left(t\right)={\mathrm{\η\δ}}_j^v{x}_i+{\mathrm{\Δv}}_{\mathrm{ij}}(t-1)=\mathrm{\η}\left({\mathrm{\Σ}}_{k=2}^1{\mathrm{\δ}}_k^o{w}_{\mathrm{jk}}\right)y_k(1-y_k)+{\mathrm{\Δv}}_{\mathrm{ij}}(t-1)\·\·\·\left(7\right)$

S236、检查是否对所有样本完成一次轮询。

本步骤中检查是否对所有样本完成了一次轮询，如果p<P，那么计数器p、q分别增加1，返回步骤S232。否则，返回步骤S237。

S237、检查网络误差是否到达精度要求。

本步骤中检查网络总误差是否达到精度要求，如果E_总<E_min，则训练结束，保存网络的权值。否则，E_总置0，p置1，返回步骤S232。

由此可见，本申请实施例提供的BP神经网络模型包括：输入层、隐含层和输出层。它由正向传播和反向传播组成。当该模型的正向传播途径是从输入层输入，经过隐含层处理后传入输出层。当该模型在正向传播阶段时，每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出结果，则进入误差的反向传播阶段。误差信号沿原来的连接通路返回，网络根据反向传播的误差信号修改各层的连接权，使误差信号达到最小。本申请所提供的BP神经网络模型使得转炉碳和温度的终点命中率误差达到最小。

实施例七

本申请实施例七所提供的是对上述几个实施例所提供的基于变量筛选的BP网络模型的计算结果的验证方案。

本申请实施例所提供的基于变量筛选的BP网络模型的计算结果的验证方案如下：

取100炉数据（验证数据来源于钢厂化验室）对本系统预测效果进行验证，系统的命中率如表3所示。虽然少数预报结果超出了偏差范围，但从总体来看模型的预报结果已接近于采用副枪技术的动态控制模型的预报精度。

表3预报模型在不同精度下的命中率

此外，本申请实施例所提供的图10和图11分别为第68炉的熔池碳含量和温度全程预报曲线。

图10中的横坐标为时间，纵坐标为熔池碳含量。

图11中的横坐标为时间，纵坐标为温度。

由此可见，本申请实施例验证了上述几个实施例所提供的转炉内碳含量和温度检测系统的可用性，通过本申请实施例验证分析，通过本申请所提供的转炉内碳含量和温度检测系统的命中率很高，同时通过本系统可以对整炉冶炼状况进行监控，及时调整冶炼操作。转炉内碳含量和温度检测系统具有较好的实用价值。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上仅是本申请的优选实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种转炉内碳含量和温度检测系统，其特征在于，包括：

用于采集转炉火焰信息的火焰信息采集模块，所述火焰信息采集模块包括：

用于采集火焰图像信息的视频采集模块，火焰图像信息包括：火焰纹理；

相互连接、且用于相互配合采集火焰光强信息的光学模块和光强采集模块，所述火焰光强信息包括火焰亮度和火焰温度；

与所述火焰信息采集模块相连接的，用于分析量化所述转炉火焰信息，得到火焰数字信息的数据分析处理模块；

与所述数据分析处理模块相连接，用于将所述火焰数字信息作为动态参数，通过内嵌的基于变量筛选的BP神经网络终点预测模型，计算并对转炉碳和温度进行全程实时预报的控制模块，其中所述动态参数至少包括火焰亮度、火焰温度及火焰纹理。

2.根据权利要求1所述的系统，其特征在于，所述基于变量筛选的BP神经网络的终点预测模型包括：

用于对所述基于变量筛选的BP神经网络终点预测模型对输入变量进行筛选，得到对所述预测结果影响较大的输入量的变量筛选模型；

用于根据所述变量筛选模型所得到的变量，对所述转炉碳和温度进行实时预报的BP神经网络模型。

3.根据权利要求1所述的系统，其特征在于，还包括：

设置有观察窗，用于安装所述光学模块、所述光强采集模块和所述视频采集模块，且用于屏蔽现场粉尘和电磁噪声对所述光学模块、光强采集模块和视频采集模块干扰的机械结构盒；

设置在所述观察窗上，用于可供所述光学模块、所述光强采集模块和所述视频采集模块进行信息采集的镜片。

4.根据权利要求3所述的系统，其特征在于，所述机械结构盒上还设置有用于对所述镜片进行除尘的镜头吹扫装置。

5.根据权利要求3所述的系统，其特征在于，该系统还包括：与所述机械结构盒相连接，用于可调节地固定所述机械结构盒的位置的固定装置。

6.根据权利要求5所述的系统，其特征在于，一端与所述机械结构盒相 连接，另一端固定在地面上，用于支撑所述机械结构盒、且调节所述机械结构盒的位置的立杆。

7.根据权利要求5所述的系统，其特征在于，一端与所述机械结构盒相连接，另一端固定在墙壁上，用于支撑所述机械结构盒、且调节所述机械结构盒的位置的横杆。