CN116888457A - 用于确定液态的冶金产品的化学成分的系统和方法 - Google Patents
用于确定液态的冶金产品的化学成分的系统和方法 Download PDFInfo
- Publication number
- CN116888457A CN116888457A CN202180094481.5A CN202180094481A CN116888457A CN 116888457 A CN116888457 A CN 116888457A CN 202180094481 A CN202180094481 A CN 202180094481A CN 116888457 A CN116888457 A CN 116888457A
- Authority
- CN
- China
- Prior art keywords
- estimation
- radiance
- wavelength range
- metallurgical product
- spectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000000126 substance Substances 0.000 title claims abstract description 34
- 239000000203 mixture Substances 0.000 title claims abstract description 33
- 239000007788 liquid Substances 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 57
- 239000000523 sample Substances 0.000 claims abstract description 32
- 230000005670 electromagnetic radiation Effects 0.000 claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims description 43
- 230000005855 radiation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 13
- 239000013307 optical fiber Substances 0.000 description 13
- 238000009826 distribution Methods 0.000 description 9
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 8
- 239000002893 slag Substances 0.000 description 6
- 230000000946 synaptic effect Effects 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 5
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 239000000377 silicon dioxide Substances 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical compound [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000000292 calcium oxide Substances 0.000 description 2
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 239000000395 magnesium oxide Substances 0.000 description 2
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 102000005717 Myeloma Proteins Human genes 0.000 description 1
- 108010045503 Myeloma Proteins Proteins 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
- G01N33/202—Constituents thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
- G01N33/205—Metals in liquid state, e.g. molten metals
Landscapes
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
一种用于确定发射电磁辐射的液态的冶金产品的化学成分的设备。该设备包括：收集探针，其被配置成获取由冶金产品发射的预定波长范围Δλ内的电磁辐射；光谱器件，其连接至收集探针并且被配置成产生所获取的电磁辐射的光谱信号；以及处理器件，其包括参考辐射亮度的数据库。本发明还涉及一种使用所述设备的方法。
Description
本发明在冶金领域，并且更具体地，在液态的冶金产品领域。
更具体地，本发明涉及用于使用由液态的冶金产品发射的电磁辐射来确定这种冶金产品的化学成分的系统和方法。
冶金学中的已知问题是，当冶金产品经受非常高的温度，典型地超过1000℃，并且因此由于其熔化而处于液态时，正确地表征冶金产品。
从出版物WO 2016/181185中已知一种能够使用包括适于照亮炉渣部分的光源、适于收集来自炉渣部分的反射光的光学系统和适于根据收集的光获得数据集的处理装置的设施来获得固态炉渣部分的化学成分的传感器，所述数据集定义包含表示从多个点收集的反射光的强度的值的矩阵。因此，实现回归算法以基于反射光的强度及其波长估计炉渣部分的化学成分。
然而，出版物WO 2016/181185的系统和方法不能应用于未知的冶金产品。另外，炉渣部分必须被光源激发，因为只有反射光被该设施收集。
因此，本发明的目的是通过提供一种用于确定发射电磁辐射的任何液态的冶金产品的化学成分的系统和方法来消除现有技术的缺点。
出于该目的，本发明涉及一种用于确定发射电磁辐射的液态的冶金产品的化学成分的设备，该设备至少包括：
-收集探针，其被配置成获取由冶金产品发射的预定波长范围Δλ内的电磁辐射，
-光谱器件，其连接至收集探针并且被配置成产生所获取的电磁辐射的光谱信号，
-处理器件，其被配置成根据所述产生的光谱信号计算观察的辐射亮度L观察(λ，T估计)，并且被配置成根据所述计算的观察的辐射亮度估计温度T估计和冶金产品的在预定波长范围Δλ内的光谱发射率ε估计(λ，T估计)，所述处理器件包括在预定波长范围Δλ内的X个样本i的参考辐射亮度L参考，i(λ，T参考，n)的数据库和Z个参考温度T参考，n，i从1至X变化，n从1至Z变化，对于每个参考辐射亮度包括：
。预定波长范围Δλ内的与参考温度T参考，n相关联的参考光谱发射率ε参考，i(λ，T参考，n)，以及
。所述样本i的化学成分
以及被配置成将估计的光谱发射率ε估计(λ，T估计)和估计的温度T估计与所述数据库中包括的参考温度T参考，n和预定波长范围Δλ内以及在估计的温度T估计下的参考光谱发射率ε参考，i(λ，T参考，n)进行比较，确定与观察的辐射亮度L观察(λ，T估计)的最佳拟合参考辐射亮度Lbf(λ，T参考)，以及根据所确定的最佳拟合参考辐射亮度Lbf(λ，T参考)来确定液态的冶金产品(2)的化学成分。
该设备还可以包括单独考虑或根据所有可能的技术组合考虑的以下可选特性：
-光谱器件包括多个分光计，每个分光计连接至收集探针并且被配置成产生预定波长范围Δλ的确定部分中的光谱信号的一部分，
-光谱器件被配置成产生对应于预定波长范围Δλ的200纳米至12000纳米之间的光谱范围内的光谱信号，
-处理器件还被配置成用由所述处理器件计算并且与所考虑的分光计相关联的至少一个校准常数来校正光谱信号的每个部分。
本发明还提供了一种利用根据本发明的设备确定发射电磁辐射的液态的冶金产品的化学成分的方法，所述方法包括以下步骤：
i.获取(E1)由冶金产品(2)发射的在预定波长范围Δλ内的电磁辐射；
ii.通过分离和测量由冶金产品(2)发射的所述电磁辐射的光谱分量来产生光谱信号(E2)；
iii.根据所述光谱信号产生冶金产品(2)的观察的辐射亮度L观察(λ，T估计)(E3)；
iv.根据所述观察的辐射亮度L观察(λ，T估计)估计(E4)温度T估计和冶金产品(2)的所述预定波长范围内的光谱发射率ε估计(λ，T估计)；
v.将所述估计的光谱发射率ε估计(λ，T估计)和温度T估计与来自数据库的每个参考辐射亮度L参考，i(λ，T参考)的参考光谱发射率ε参考，i(λ，T参考)和参考T参考温度进行比较(E5)；
vi.确定与观察的辐射亮度L观察(λ，T估计)的最佳拟合参考辐射亮度Lbf(λ，T参考)(E6)，以及
vii.确定进行发射的冶金产品(2)的化学成分(E7)。
该方法还可以包括单独考虑或根据所有可能的技术组合考虑的以下可选特性：
-在步骤iv中，还根据观察的辐射亮度来估计大气的衰减系数，所述观察的辐射亮度与所述衰减系数相关，
-步骤iii在以下子步骤之后实现：
·将光谱信号转换成理想黑体辐射亮度LBB(λ，T)；
·用由处理器件计算并与光谱器件相关联的至少一个校准常数来校正该理想辐射亮度LBB(λ，T)，所述校准常数是使用已知发射温度和波长范围内的已知发射率的校准灯来计算的。
-步骤iv在以下子步骤之后实现：
·确定向量，所述向量的坐标是至少表示发射温度和波长范围内的发射率的随机选择的变量；
·基于所选择的变量来计算预期辐射亮度L预期(λ，T)；
·通过比较观察的辐射亮度和预期辐射亮度来拟合推理概率模型，以通过随机地修改所选择的变量来随机地修改预期方差，直到预期辐射亮度L预期(λ，T)朝向观察的辐射亮度L观察(λ，T估计)收敛；
·通过使用这种拟合的推理概率模型来估计发射温度T估计和液态的冶金产品的波长范围内的发射率ε估计(λ，T估计)。
-向量的坐标之一包括大气的衰减系数，并且其中，所述衰减系数也通过使用这种拟合的推理概率模型来估计。
-步骤iv使用减少的波长组来实现，所述减少的波长组是使用三角传递函数从波长范围中确定的。
-步骤v至vii由处理器件所实现的多层感知器执行。
本发明的其他特性和优点在下面的描述中通过指示的方式而非以限制的方式将变得明显，并且参照附图，在附图中：
-图1表示本发明的系统的示意图，
-图2表示用于从确定的波长范围确定一组考虑的波长的三角函数的应用的曲线图，
-图3表示示出本发明的方法的连续步骤的图。
首先，应当注意，在附图上，相同的附图标记表示相同的元件，而不管它们在其上描写特征的附图如何，也不管这些元件的形式如何。类似地，假如元件没有在附图之一上被具体引用，那么通过自己参照另一附图可以容易地找到它们的引用。
还应当注意，附图主要表示本发明的目的的一个实施方式，但是可能存在对应于本发明的限定的其他实施方式。
本发明的光谱系统1和方法应用于液态的冶金产品2例如炉渣或液态钢的化学成分的估计。
热元素，例如液态金属，如液态钢，发射与其相应的发射温度和化学成分相关的电磁辐射。这些辐射以大的发射光谱发射，大的发射光谱典型地从紫外波长到远红外波长，包括与导致液态的冶金产品的红色到白色外观的发射温度直接有关的红外波长和可见光波长。
可以从所述电磁辐射的可测量特性中提取物理参数。这些物理参数包括：
·T，称为温度，其是发射电磁辐射的液态的冶金产品2的温度；
·ε(λ，T)，称为光谱发射率或简称为发射率，其是在给定温度T和在给定波长λ下，由表面元素发射的电磁辐射与理想黑体的辐射通量相比的辐射通量。因此，发射率的值包括在0至1之间。
·L(λ，T)，称为光谱辐射亮度，其是每单位投影面积每单位立体角和每单位波长由给定表面发射的辐射通量。术语“辐射亮度”将在下文中使用。
在获取由液态的冶金产品2发射的电磁辐射时，现在将描述的本发明的光谱系统1被提供以至少估计上面提及的物理参数，然后使用这些估计的物理参数来确定所考虑的液态的冶金产品2的化学成分。
如图1中所描绘的，本发明的光谱系统1包括至少一个宽光谱范围的收集探针3，这意味着收集探针至少对于从0.1微米至15000微米的波长是完全可操作的。该收集探针3包括被设置成收集由热冶金产品2发射的辐射的收集头4、产生平行射线19的准直器(未描绘)、被布置成通过探针3的输出端7发射聚焦光束6的聚焦器件5。所述输出端7连接至光学传输器件，例如形成光纤束12的一组光纤，并且所述输出端7被设置成通过束12的光纤13至17传输聚焦光束6。
系统1还包括光谱器件8，其被设置成分离和测量聚焦光束6的光谱分量，并产生由冶金产品发射的电磁辐射的光谱信号。所产生的光谱信号的准确性取决于光谱器件8的分辨能力。换言之，光谱器件8将聚焦光束6分成M个分量m，每个分量m是与特定波长λm有关的参数，例如强度。分辨能力越高，M越大。通常，M超过3000。
根据图1，光谱器件8包括三个分光计9、10、11，每个分光计被配置成分析聚焦光束6并产生确定的波长范围内的特定光谱信号。每个分光计9至11经由光纤束12光学地连接至收集探针3。
光谱器件的第一分光计9具有从0.2μm至1.1μm的波长范围。换言之，第一分光计9被配置成根据对应于紫外辐射和可见辐射的从0.2μm至1.1μm的波长范围内的发射辐射产生光谱信号。
光谱器件的第二分光计10具有包括在0.9μm至2.6μm之间的波长范围。换言之，第二分光计10被配置成根据对应于近红外辐射的0.9μm至2.6μm之间的波长范围内的发射辐射产生光谱信号。
光谱器件8的第三分光计11具有包括在2.5μm至12μm之间的波长范围。换言之，第三分光计11被配置成根据对应于中红外辐射的2.5μm至12μm之间的波长范围内的发射辐射产生光谱信号。
有利地，光谱系统1还包括经由光纤束12连接至收集探针3的激光装置18。该激光装置18通常是发射可见光(例如532纳米绿光)的B类激光器，并且被设置成用于指向获取表面。该激光装置18允许选择获取站点。
如上所述，收集探针3、三个分光计9至11和激光装置18都与光纤束12连接，光纤束12包括分别连接至激光装置18和三个分光计9至11的四个输入端、以及连接至收集探针3的一个输出端。
更准确地，激光装置18经由一根低羟基离子二氧化硅光纤17连接至探针3，第一分光计9经由另一低羟基离子二氧化硅光纤13连接至探针，第二分光计10经由两根低羟基离子二氧化硅光纤14连接至探针3，以及第三分光计11经由两根多晶红外光纤15连接至探针3。
当然，上述七根光纤都连接16至收集探针3的输出端。
最后，光谱系统1包括被配置成根据光谱信号产生冶金产品2的观察的辐射亮度的处理器件。由于第一算法，处理器件被配置成使用推理概率模型来根据观察的辐射亮度确定预期辐射亮度，然后估计冶金产品2的温度和发射率。
另外，由于第二算法，处理器件被配置成使用已知的回归算法，有利地是由所述处理器件实现的多层感知器，来估计进行发射的冶金产品2的化学成分，例如二氧化硅SiO2、氧化铝Al2O3、氧化铁(II)FeO、氧化铁(III)Fe2O3、氧化钙CaO和氧化镁MgO的含量。
如将在下面描述的，为了实现该第二算法，处理器件包括参考辐射亮度L参考，i(λ，T参考，n)的数据库，每个参考辐射亮度L参考，i(λ，T参考，n)在定义的参考温度T参考，n和波长λ下与具有已知光谱发射率ε参考，i(λ，T参考，n)(也称为参考发射率)的样本i相关联。因此，每个参考发射率值ε参考，i(λ，T参考，n)与数据库中的参考温度值T参考，n和波长值λ有关。i从1至X变化，X例如至少等于30，X越高，包括到数据库中的不同化学成分越多。n从1至Z变化，Z例如至少等于5。
另外，数据库中每个样本i的化学成分是已知的，并且与参考温度T参考，n和波长范围Δλ内的考虑的参考发射率ε参考，i(λ，T参考，n)相关联。为了确定液态的冶金产品2的化学成分，处理器件被配置成进行以下操作：
·将估计的发射率ε估计(λ，T估计)和估计的温度T估计与对于T参考，n＝T参考的来自数据库的每个参考辐射亮度L参考，i(λ，T参考，n)的参考发射率ε参考，i(λ，T参考，n)和参考温度T参考，n进行比较
·用观察的辐射亮度L观察(λ，T估计)确定最佳拟合参考辐射亮度Lbf(λ，T估计)，以及
·确定进行发射的冶金产品2的化学成分。
根据本发明，现在将描述用于估计温度T估计和发射率ε估计(λ，T估计)以及用于确定发射电磁辐射的液态的冶金产品2的化学成分的方法。
在第一步骤中，将收集探针3朝向用户所选择的获取站点指向。为了精确地选择该获取站点，激光器18被通电并且收集探针3被移动，直到激光器18指向获取站点。
在第二步骤E1中，收集探针3在获取站点处获取由液态的冶金产品2发射的电磁辐射，并且将该获取的辐射集中成聚焦光束6，该聚焦光束6从探针3的输出端7通过光纤束12传播至光谱器件8的三个分光计9至11。然后，每个分光计9至11产生在其特定的波长范围内的光谱信号。光谱系统1的处理器件然后产生E2在从0.2μm至12μm的确定波长范围内的组合光谱信号。
在第三步骤E3中，处理器件根据组合的光谱信号产生冶金产品2的观察的辐射亮度L观察(λ，T估计)。这个观察的辐射亮度L观察(λ，T估计)在下面描述的子步骤之后产生。
在第一子步骤中，处理器件通过由黑体炉上的光谱系统测量的多项式校准函数将组合的光谱信号转换成理想黑体辐射亮度LBB(λ，T估计)，所述多项式函数遵循下式：
其中h是普朗克常数，c是光速，以及kB是玻尔兹曼常数。
在第二子步骤中，利用与光谱器件8直接有关的常数K来校正该理想辐射亮度LBB(λ，T估计)。由于光谱器件8的分光计9至11不测量相同的区域，并且由于光谱器件8的仪器(收集探针3、光纤束12、准直器5)导致测量结果的不准确，因此必须对每个分光计S应用校正常数Ks。因此，该常数K是其坐标是分别第一分光计9、第二分光计10和第三分光计11的常数K1、K2和K3的向量。
在已知发射温度和具有波长范围内的已知发射率的校准灯上使用光谱系统1来确定这些常数K1至K3的初始值。
由处理器件用计算的常数K校正的理想辐射亮度LBB(λ，T估计)是观察的辐射亮度L观察(λ，T估计)。
在第四步骤E4中，处理器件实现第一算法以估计液态的冶金产品2的温度T估计和波长范围λ内的发射率ε估计(λ，T估计)。
如以上所描绘的，已知辐射亮度是若干物理参数的函数，若干物理参数包括冶金产品2的发射温度和波长范围内的发射率。因此，第一算法实现一种辐射传输模型，其目的是提取这些未知的参数，以便它们可以与观察的辐射亮度L观察(λ，T估计)拟合。
然后，处理器件使用例如也称为Metropolis-Hasting随机游走的Metropolis-Hasting算法，遵循马尔可夫链MonteCarlo方法或MCMC方法来计算预期辐射亮度L预期(λ，T估计)。预期辐射亮度可以遵循下式进行描述：
其中是大气的由水蒸汽和二氧化碳引起的衰减系数。x与考虑气体的浓度有关，γ与考虑气体的已知衰减系数有关，以及d是辐射元件与分光计9至11之间的距离。另外，f是对分光计9至11的反射率衰减、光纤衰减和非线性灵敏度进行建模的传递函数。使用具有光谱系统1的校准黑体炉来计算该传递函数f。
MCMC方法允许通过实现贝叶斯推理模型并将计算的预期辐射亮度与观察的辐射亮度进行比较来估计未知参数，即发射温度、波长λ范围内的发射率以及水蒸汽和二氧化碳的浓度。另外，由于Metropolis-Hasting算法，校准的校正系数K1至K3被微调。
贝叶斯推理模型使用下式来构建寻找未知参数的值上的概率分布：
其中，x表示观察的辐射亮度L观察(λ，T估计)，而θ是其坐标是未知参数的向量：
被称为后验概率分布的P(θ|x)是给定L观察(λ，T估计)的每次寻找未知参数值的概率。这是处理器件为了估计未知参数而需要计算的概率。
被称为似然的P(x|θ)是给定参数集的观察的辐射亮度L观察(λ，T估计)分布的方式。这个概率的计算将在稍后说明。
被称为先验分布的P(θ)是用于使处理器件计算Metropolis-Hasting算法的先验知识。换言之，如稍后将说明的，在计算的开始时随机地选择参数集θ0。
P(x)是参数由辐射传输模型产生的证据。这个量在很多情况下无法计算。然而，可以使用MCMC方法，尤其是Metropolis-Hasting算法，仅通过定义似然P(x|θ)和先验P(θ)来估计P(θ|x)。
现在将描述本发明的方法的第四步骤E4的详细实现方式。
如以上所指定的，发射率取决于波长，这意味着每个波长与发射率相关联。由于光谱器件8的分辨能力允许产生M个离散的光谱值，每个光谱值与唯一的波长λm有关，因此M个发射率值可以由实现本发明的方法的处理器件确定。
然而，由于M超过3000，因此处理器件不能基于M个波长估计M个发射率值，原因是计算能力受到限制。为了解决这个问题，减少的N组波长的选择必须首先由处理器件使用例如以下式的隶属三角函数来实现：
其中，λCm是中心波长，并且D是两个连续波长之间的距离。
处理器件将M个波长与三角函数相关联，以计算N组波长。N比M小得多，N的值通常为大约4至10。由于N组是使用模糊逻辑计算的，因此所述组通常被称为模糊组。
此外，波长λm下的特定发射率εm由处理器件计算为模糊发射率值εm的加权值，每个模糊辐射率值εm在所考虑的模糊波长组的中心处限定，从而遵循下式：
例如，并且如其中N＝8的图2中所描绘的，发射率εm＝ε(λm)是模糊发射率ε4＝ε(λ4)的33％和模糊发射率ε5＝ε(λ5)的67％的组合。结果，只有N个发射率值由处理器件直接计算，这意味着对于m＝1至N的每个发射率εm。波长范围内的其他发射率值根据一个或几个模糊发射率而计算。因此，当使用允许减少波长组的这种三角函数或任何其他类似函数时，λ可以无差别地表示波长或波长范围。
一旦选择了减少的波长组，使用Metropolis-Hasting算法的处理器件随机地产生向量θ0，该向量的坐标是由处理器件随机地选择的未知参数。然后，处理器件使用均匀分布函数和正态分布函数来根据随机选择的参数计算先验分布P(θ0)。
遵循式向均匀分布函数应用发射温度T，其中T最小＝400℃并且T最大＝1500℃。
遵循式向均匀分布函数应用光谱发射率ε(λ)，其中ε最小＝0并且ε最大＝1。
遵循式向以/>为中心的正态分布函数应用每个校正系数Ks，其中/>是第S分光计9至11的用校准灯计算的初始校准常数，并且σ2＝0.0012，σ2是分布的方差。
分别以和/>为中心的正态分布函数也应用于/>和/> 其中/>并且σ2＝502，以及其中/>并且σ2＝5002。
利用上述每个分布的计算结果，处理器件确定先验分布P(θ0)。
另外，一旦向量θ0的坐标被随机地确定，则处理器件使用θ0的未知参数值，利用上述式计算预期方差L预期(θ0)的第一值。
因此，处理器件使用以L预期(θ0)为中心的正态分布函数来计算似然P(L观察|θ0)，σ2是半柯西分布σ～HalfCauchy(β)，其式为：/>β是固定参数，其值被选择为10。
处理器件随机地产生遵循以θ0为中心的正态分布的向量θ1。因此，随机地选择新的一组未知参数，并且处理器件计算L预期(θ1)、似然P(L观察|θ1)和先验P(θ1)。
然后遵循下式计算数字r1：
也使用标准均匀分布来计算随机数r’。r’的值在0至1之间。
处理器件比较r1和r’，并且如果r1>r’，则保持向量θ1，并且按照以θ1为中心的正态分布计算向量θ2。如果r1<r’，则向量θ1被拒绝，并且只要r1<r’，就按照正态分布/>随机地计算新的向量θ′1。
向量θy按照这种方法用逐步计算，直到y＝y最大。例如，y最大＝2000。y最大越大，估计越准确，但是计算越长。
由处理器件实现的Metropolis-Hasting随机游走使预期的方差L预期(λ，T)以估计的一组参数朝向观察的辐射亮度L观察(λ，T估计)收敛，所述估计的一组参数是最终向量的坐标。
给定观察的辐射亮度L观察(λ，T估计)，MCMC方法估计液态的冶金产品2的发射温度T估计的值和光谱发射率ε估计(λ，T估计)的值。另外，还估计了分光计9、10、11的内部校正参数K1至K3以及大气中水蒸汽和二氧化碳/>二者的浓度。
处理器件执行第二算法以实现本发明的方法的第五步骤E5、第六步骤E6和第七步骤E7。在第五步骤E5中，处理器件将根据观察的辐射亮度L观察(λ，T估计)估计的发射率ε估计(λ，T估计)和温度T估计与对于T参考，n＝T参考的来自数据库的每个参考辐射亮度L参考，i(λk，T参考，n)的参考发射率ε参考，i(λ，T参考，n)和参考发射温度T参考进行比较。使用在第五步骤E5中获得的比较结果，处理器件在第六步骤E6中确定与观察的辐射亮度L观察(λ，T估计)的最佳拟合参考辐射亮度Lbf(λ，T参考)。最后，处理器件将与最佳拟合参考辐射亮度Lbf(λ，T参考)有关的化学成分归属于进行发射的冶金产品2。因此，处理器件已经确定了进行发射的冶金产品2的化学成分。
有利地，该第二算法是已知的回归算法，优先地是多层感知器，其是包括数量J个互连神经层的人工神经网络，所述人工神经网络由处理器件实现。
神经网络的层的每个数字神经元包括多个输入端和输出端，所述多个输入端被设置成从前一层的神经元的输出端接收数据，所述输出端被设置成向下一层的神经元发送输出数据。更准确地，输入数据由数字神经元使用算子进行处理以产生输出数据，该算子通常是将所有输入数据相加的组合函数，每个输入数据被加权有突触权重。另外，每个神经元可以包括非线性传递函数，该非线性传递函数是被设置成如果输入数据的加权总和超过由阈值函数定义的阈值则产生输出数据的阈值函数。典型地，所述阈值函数是sigmoid函数，其式是
神经层的神经元j的每个输入受到特定突触权重的影响。当多层感知器被编程时，输入的突触权重首先被随机选择。正如稍后将讨论的，这些突触权重在神经网络的训练阶段期间被调整。
人工神经网络被设置以预测数据和对数据进行分类，从而执行通过神经网络的输入端——意指通过第一层的神经元的输入端——的注入数据的回归分析。注入数据是j个坐标的向量X0，并且由第一神经层和所有中间神经层连续处理。
输出数据——意指在神经网络的输出端处获得的数据——是与表示注入数据的向量X0有关的j个坐标的向量YJ。
向量X0包括j个坐标，神经网络的第一层和所有中间神经层还包括j个神经元，每个神经元具有j个输入，每个输入受到特定突触权重的影响。最后一层包括j个神经元，因为输出向量YJ包括j个坐标。
为了概括由神经网络实现的数据回归，由层j的每个神经元接收的输入数据是由层j-1的所有神经元的输出端产生的输出数据。换言之，神经网络的每一层j根据已经用层j的神经元的传递函数处理过的输入向量Xj产生输出向量YJ。Xj的坐标与层j-1的输出向量Yj -1相比处于相同的坐标，而层j+1的输入向量Xj-1的坐标与层j的输出向量Yj相比处于相同的坐标。
在神经网络的输出端处，输出向量YJ由神经网络的输出层对输入向量XJ＝YJ-1的处理产生。因此，数据回归借助于神经网络的连续层中的数据传播实现。
关于本发明的方法的第五E5步骤至第七E7步骤，输入向量X0的坐标是估计的发射温度T估计和N个模糊组的每个中心波长λm的估计发射率ε估计，m(λm，T估计)的不同值。该输入向量X0由神经网络的层连续处理，以产生其坐标是冶金产品2的不同化学组成的比例的输出向量YM。换言之，第五步骤至第七步骤中的处理器件根据其估计的光谱发射率ε估计，m(λm，T估计)和其估计的温度T估计来确定冶金产品2的化学成分。然而，这样的处理只有在正确调整权重的情况下才有可能。
该方法的关键问题是精细地调整所述突触权重以获得良好的数据分类和/或预测。
参考辐射亮度L参考，i，k(λ，T参考，n)的数据库是通过在不同的发射温度T参考，n下测量具有已知化学成分的样本i的集合而预先构建的。对于每个样本，测量观察的辐射亮度，并且将上述第一算法应用于该观察的辐射亮度，以获得取决于波长λk的若干参考发射率值ε参考，i，k(λk，T参考)。
因此，处理器件构建样本的数据库，每个样本包括与不同参考发射温度下的参考发射率值有关的输入向量X’0、以及与X’0相关并与已知化学成分有关的输出向量Y’J。换言之，特定发射温度下的发射率值与冶金产品2的化学成分直接有关。
为了训练神经网络，实现反向传播函数。与已知输出向量Y’J相关的输入向量X’0被输入到神经网络中。X’0由神经网络处理，并且获得计算的输出向量YJ。然后，用已知损失函数将YJ与Y’J进行比较，以确定误差值。然后，处理器件将该误差值与预定阈值进行比较。
如果误差值大于阈值，则该误差值或优先地误差梯度在神经网络中反向传播，以略微地适应每个神经元输入的权重。然后，根据X’0计算新的输出向量YJ，并且再次用损失函数将新的输出向量YJ与Y’J进行比较，并且计算新的误差值。只要误差值或其梯度大于阈值，就重复反向传播步骤。一旦误差值小于阈值，就训练神经网络。
本发明的光谱系统1和方法允许：
·获取由液态的冶金产品2直接发射的电磁辐射；
·由于由光谱系统1的处理器件实现的辐射传输模型，根据发射的辐射亮度估计系统1的预定波长范围λ内的光谱发射率ε估计(λ，T估计)和冶金产品2的温度T估计，以及
·-由于由处理器件实现的回归模型，估计冶金产品2的化学成分。
Claims (11)
1.一种用于确定发射电磁辐射的液态的冶金产品(2)的化学成分的设备，所述设备至少包括：
-收集探针(3)，其被配置成获取由所述冶金产品(2)发射的预定波长范围Δλ内的所述电磁辐射，
-光谱器件(8)，其连接至所述收集探针(3)，并且被配置成产生所获取的电磁辐射的光谱信号，
-处理器件，其被配置成根据所述产生的光谱信号计算观察的辐射亮度L观察(λ，T估计)，并且被配置成根据所述计算的观察的辐射亮度L观察(λ，T估计)估计温度T估计和所述冶金产品(2)的所述预定波长范围Δλ内的光谱发射率ε估计(λ，T估计)，
其中，所述处理器件包括在所述预定波长范围Δλ内的X个样本i的参考辐射亮度L参考，i(λ，T参考，n)的数据库和Z个参考温度T参考，n，i从1至X变化，n从1至Z变化，对于每个参考辐射亮度包括：
-所述预定波长范围Δλ内的与参考温度T参考，n相关联的参考光谱发射率ε参考，i(λ，T参考，n)，以及
-所述样本i的所述化学成分，
其中，所述处理器件被配置成将估计的光谱发射率ε估计(λ，T估计)和估计的温度T估计与所述数据库中包括的参考温度T参考，n和所述预定波长范围Δλ内以及在估计的温度T估计下的参考光谱发射率ε参考，i(λ，T参考，n)进行比较，确定与观察的辐射亮度L观察(λ，T估计)的最佳拟合参考辐射亮度Lbf(λ，T参考)，
以及根据所确定的最佳拟合参考辐射亮度Lbf(λ，T参考)来确定液态的所述冶金产品(2)的化学成分。
2.根据权利要求1所述的设备(1)，其中，所述光谱器件(8)包括多个分光计(9，10，11)，每个分光计连接至所述收集探针(3)并且被配置成产生所述预定波长范围Δλ的确定部分中的光谱信号的一部分。
3.根据权利要求1或权利要求2所述的设备(1)，其中，所述光谱器件(8)被配置成产生对应于所述预定波长范围Δλ的200纳米至12000纳米之间的光谱范围内的光谱信号。
4.根据前述权利要求中任一项所述的设备(1)，其中，所述处理器件还被配置成用由所述处理器件计算的并且与所考虑的分光计(9，10，11)相关联的至少一个校准常数来校正所述光谱信号的每个部分。
5.一种用于利用根据权利要求1至4中任一项所述的设备(1)确定发射电磁辐射的液态的冶金产品(2)的化学成分的方法，所述方法包括以下步骤：
viii.获取(E1)由所述冶金产品(2)发射的在预定波长范围Δλ内的所述电磁辐射；
ix.通过分离和测量由所述冶金产品(2)发射的所述电磁辐射的光谱分量来产生光谱信号(E2)；
x.根据所述光谱信号产生所述冶金产品(2)的观察的辐射亮度L观察(λ，T估计)(E3)；
xi.根据所述观察的辐射亮度L观察(λ，T估计)估计(E4)温度T估计和所述冶金产品(2)的所述预定波长范围内的光谱发射率ε估计(λ，T估计)；
xii.将所述估计的光谱发射率ε估计(λ，T估计)和温度T估计与来自数据库的每个参考辐射亮度L参考，i(λ，T参考)的参考光谱发射率ε参考，i(λ，T参考)和参考T参考温度进行比较(E5)；
xiii.确定与所述观察的辐射亮度L观察(λ，T估计)的最佳拟合参考辐射亮度Lbf(λ，T参考)(E6)，以及
xiv.确定进行发射的所述冶金产品(2)的化学成分(E7)。
6.根据前述权利要求所述的方法，其中，在步骤iv(E4)中还根据所述观察的辐射亮度来估计大气的衰减系数，所述观察的辐射亮度与所述衰减系数相关。
7.根据权利要求5或权利要求6所述的方法，其中，步骤iii(E3)在以下子步骤之后实现：
·将所述光谱信号转换成理想黑体辐射亮度LBB(λ，T)；
·用由所述处理器件计算并与所述光谱器件(8)相关联的至少一个校准常数来校正该理想辐射亮度LBB(λ，T)，所述校准常数是使用已知发射温度和所述波长范围内的已知发射率的校准灯来计算的。
8.根据前述权利要求所述的方法，其中，步骤iv(E4)在以下子步骤之后实现：
·确定向量，所述向量的坐标是至少表示所述发射温度和所述波长范围内的发射率的随机选择的变量；
·基于所选择的变量来计算预期辐射亮度L预期(λ，T)；
·通过比较观察的辐射亮度和预期辐射亮度来拟合推理概率模型，以通过随机地修改所选择的变量来随机地修改预期方差，直到预期辐射亮度L预期(λ，T)朝向观察的辐射亮度L观察(λ，T估计)收敛；
·通过使用这种拟合的推理概率模型来估计发射温度T估计和液态的冶金产品(2)的波长范围Δλ内的光谱发射率ε估计(λ，T估计)。
9.根据前述权利要求所述的方法，其中，所述向量的坐标之一包括大气的衰减系数，并且其中，所述衰减系数也通过使用这种拟合的推理概率模型来估计。
10.根据权利要求8或权利要求9所述的方法，其中，步骤iv(E4)使用减少的波长组来实现，所述减少的波长组是使用三角传递函数从所述波长范围中确定的。
11.根据权利要求5至10中任一项所述的方法，其中，步骤v(E5)至vii(E7)由处理器件所实现的多层感知器执行。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/IB2021/051976 WO2022189830A1 (en) | 2021-03-10 | 2021-03-10 | System and method for determining the chemical composition of liquid metallurgical products |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116888457A true CN116888457A (zh) | 2023-10-13 |
Family
ID=74874911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180094481.5A Pending CN116888457A (zh) | 2021-03-10 | 2021-03-10 | 用于确定液态的冶金产品的化学成分的系统和方法 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US20240133816A1 (zh) |
| EP (1) | EP4305407A1 (zh) |
| JP (1) | JP2024509586A (zh) |
| KR (1) | KR20230140586A (zh) |
| CN (1) | CN116888457A (zh) |
| BR (1) | BR112023016119A2 (zh) |
| CA (1) | CA3210901A1 (zh) |
| MX (1) | MX2023010509A (zh) |
| WO (1) | WO2022189830A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117420863B (zh) * | 2023-10-30 | 2024-04-19 | 上海频准激光科技有限公司 | 一种增益介质材料隶属函数类型确定方法、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2572523B1 (fr) * | 1984-10-25 | 1987-06-12 | Bertin & Cie | Procede et dispositif pyrometriques pour determiner a distance, par voie optique, la temperature et/ou l'emissivite d'un corps ou milieu quelconque |
| AU2015394657B2 (en) | 2015-05-11 | 2019-07-11 | Arcelormittal | Method of determining a chemical composition of a slag portion |
-
2021
- 2021-03-10 US US18/280,429 patent/US20240133816A1/en active Pending
- 2021-03-10 MX MX2023010509A patent/MX2023010509A/es unknown
- 2021-03-10 JP JP2023555254A patent/JP2024509586A/ja active Pending
- 2021-03-10 CA CA3210901A patent/CA3210901A1/en active Pending
- 2021-03-10 EP EP21712226.6A patent/EP4305407A1/en active Pending
- 2021-03-10 WO PCT/IB2021/051976 patent/WO2022189830A1/en active Application Filing
- 2021-03-10 BR BR112023016119A patent/BR112023016119A2/pt unknown
- 2021-03-10 CN CN202180094481.5A patent/CN116888457A/zh active Pending
- 2021-03-10 KR KR1020237030848A patent/KR20230140586A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230140586A (ko) | 2023-10-06 |
| CA3210901A1 (en) | 2022-09-15 |
| BR112023016119A2 (pt) | 2023-10-03 |
| WO2022189830A1 (en) | 2022-09-15 |
| MX2023010509A (es) | 2023-09-20 |
| JP2024509586A (ja) | 2024-03-04 |
| EP4305407A1 (en) | 2024-01-17 |
| US20240133816A1 (en) | 2024-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Coates | Multi-wavelength pyrometry | |
| Yan et al. | The Hα luminosity function and global star formation rate from redshifts of 1-2 | |
| Crosland et al. | Analysis of uncertainties in instantaneous soot volume fraction measurements using two-dimensional, auto-compensating, laser-induced incandescence (2D-AC-LII) | |
| RU2702818C2 (ru) | Способ изготовления стальной продукции, включающий стадию получения характеристик слоя оксидов на движущейся стальной подложке | |
| Muniz et al. | Influence of field of view of thermal imagers and angle of view on temperature measurements by infrared thermovision | |
| EP3136065B1 (en) | Method for measuring actual temperature of flame using all information about radiation spectrum and measurement system | |
| KR101862106B1 (ko) | 복사열 영상측정장치를 이용한 온도측정장치의 교정방법 | |
| Liang et al. | Determination and visualization of different levels of deoxynivalenol in bulk wheat kernels by hyperspectral imaging | |
| CN116888457A (zh) | 用于确定液态的冶金产品的化学成分的系统和方法 | |
| Tschudi et al. | Measuring temperatures in the presence of external radiation by flash assisted multiwavelength pyrometry | |
| John et al. | Multi-element Saha Boltzmann plot (MESBP) coupled calibration-free laser-induced breakdown spectroscopy (CF-LIBS): an efficient approach for quantitative elemental analysis | |
| JP4838270B2 (ja) | レーザパルスアブレーションを使った物理化学的分析のための方法とシステム | |
| EP3417962B1 (en) | Determining the uniformity of powder layer distribution across the build plate during a powder bed fusion process | |
| CN114061766A (zh) | 一种颗粒燃烧过程多光谱重建测温装置与方法 | |
| CN112629694B (zh) | 一种燃煤电站炉膛的温度检测方法 | |
| Mazikowski et al. | Modeling of noncontact temperature measurement system using multiwavelength pyrometry | |
| Guoqing et al. | Nonlinear atmospheric correction based on neural network for infrared target radiometry | |
| Malia et al. | Utilizing machine learning to improve the precision of fluorescence imaging of cavity-generated spin squeezed states | |
| Dziarski et al. | Components of the uncertainty of thermography temperature measurements with the use of a macro lens | |
| RU2752809C1 (ru) | Способ спектротермометрии | |
| JP4257436B2 (ja) | 赤外線２波長処理方法 | |
| JPH06331447A (ja) | 放射温度計の精度評価方法および装置 | |
| Ota et al. | Monte-Carlo modelling to determine optimum filter choices for sub-microsecond optical pyrometry | |
| RU2737606C1 (ru) | Способ измерения яркостной температуры и пирометрический преобразователь для его осуществления | |
| CN116929561A (zh) | 一种燃烧温度分段多光谱测温方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |