RU2683002C1 - Способ определения химического состава шлаковой части - Google Patents
Способ определения химического состава шлаковой части Download PDFInfo
- Publication number
- RU2683002C1 RU2683002C1 RU2017142970A RU2017142970A RU2683002C1 RU 2683002 C1 RU2683002 C1 RU 2683002C1 RU 2017142970 A RU2017142970 A RU 2017142970A RU 2017142970 A RU2017142970 A RU 2017142970A RU 2683002 C1 RU2683002 C1 RU 2683002C1
- Authority
- RU
- Russia
- Prior art keywords
- values
- matrix
- slag
- chemical composition
- sub
- Prior art date
Links
- 239000002893 slag Substances 0.000 title claims abstract description 82
- 239000000203 mixture Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000000126 substance Substances 0.000 title claims abstract description 49
- 230000003595 spectral effect Effects 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000003287 optical effect Effects 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 229910000831 Steel Inorganic materials 0.000 claims description 40
- 239000010959 steel Substances 0.000 claims description 40
- 239000000654 additive Substances 0.000 claims description 13
- 238000009434 installation Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009628 steelmaking Methods 0.000 claims 1
- 238000000844 transformation Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005272 metallurgy Methods 0.000 abstract 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000009847 ladle furnace Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 229910052760 oxygen Inorganic materials 0.000 description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910000805 Pig iron Inorganic materials 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 229910052717 sulfur Inorganic materials 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005549 size reduction Methods 0.000 description 4
- 229910001341 Crude steel Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010891 electric arc Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000004876 x-ray fluorescence Methods 0.000 description 3
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 2
- 229910001021 Ferroalloy Inorganic materials 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 229910004298 SiO 2 Inorganic materials 0.000 description 2
- 235000011941 Tilia x europaea Nutrition 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 239000010459 dolomite Substances 0.000 description 2
- 229910000514 dolomite Inorganic materials 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000004571 lime Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000003923 scrap metal Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 229910010413 TiO 2 Inorganic materials 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 230000001914 calming effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000005261 decarburization Methods 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005188 flotation Methods 0.000 description 1
- 239000010436 fluorite Substances 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 229910052752 metalloid Inorganic materials 0.000 description 1
- 150000002738 metalloids Chemical class 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/12—Generating the spectrum; Monochromators
- G01J3/14—Generating the spectrum; Monochromators using refracting elements, e.g. prisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/30—Measuring the intensity of spectral lines directly on the spectrum itself
- G01J3/36—Investigating two or more bands of a spectrum by separate detectors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- 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
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Treatment Of Steel In Its Molten State (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
Изобретение относится к области металлургии и касается способа определения химического состава шлаковой части. Способ содержит этапы, на которых обеспечивают наличие шлаковой части, с помощью оптической системы собирают свет, отраженный от поверхности шлаковой части, и получают набор данных, исходя из собранного света. Полученный набор данных задает матрицу, содержащую значения, представляющие интенсивность части (L) собранного света. При этом каждая часть (L) собрана от одной из множества точек (M) на одной из множества длин волн. Матрицу индексируют множеством пространственных координат (x1, x2, …) множества точек (M) и множеством спектральных параметров (), представляющих множество длин волн. Далее матрицу преобразуют для получения сокращенного набора значений и выполняют математический алгоритм с использованием сокращенного набора значений с тем, чтобы получить химический состав шлаковой части. Технический результат заключается в повышении производительности и обеспечении возможности проведения контрольных измерений в течение производственного процесса. 3 н. и 17 з.п. ф-лы, 3 ил., 1 табл.
Description
Настоящее изобретение относится к способу определения химического состава шлаковой части. Изобретение также относится к установке для определения упомянутого химического состава и к способу производства стали.
Сталь можно производить двумя различными способами.
Первый способ состоит в производстве чушкового чугуна внутри доменной печи и в преобразовании этого чушкового чугуна в нерафинированную сталь в кислородном конвертере или в основной сталеплавильной печи с подачей кислорода (BOF). Второй способ состоит в расплавлении металлического лома в электродуговой печи (EAF), чтобы непосредственно производить нерафинированную сталь. После выполнения любого из этих способов нерафинированную сталь очищают, чтобы получить требуемый химический состав стали, причем этот этап очистки выполняют в ковшовой печи (LF).
В соответствии с первым способом чушковый чугун, поступающий из доменной печи, заливают в кислородный конвертер, возможно содержащий лом. Кислород вдувают в конвертер для обезуглероживания чушкового чугуна и его преобразования в жидкую сталь. Также в конвертер добавляют минеральные добавки, такие как известь и доломит. Преобразование чушкового чугуна состоит в быстрых окислительных реакциях, индуцируемых контактом между газообразным кислородом и расплавленным металлом в условиях, которые очень далеки от термодинамического равновесия, в присутствии других химических элементов, например, марганца, кремния или фосфора. Такие получаемые оксиды вместе с добавленными минеральными добавками способствуют образованию жидкого шлака, который плавает на поверхности металлической ванны из-за своей более низкой плотности. Для эффективного очищения металла равновесные коэффициенты распределения различных элементов (фосфора, серы и т.д.) между шлаком и металлом должны быть как можно более высокими, соответствующими, например, максимальным значениям для соотношений: LP = % Pшлак / % Pсталь и LS = % Sшлак/ % Sсталь. Определение химического состава шлака позволяет производить качественную нерафинированную сталь.
В соответствии со вторым способом металлический лом загружают в печь и расплавляют. Энергию, необходимую для расплавления такого твердого лома, в основном, обеспечивают посредством электрической дуги, создаваемой между одним или несколькими графитовыми электродами и металлической шихтой. Очищающие реакции очень похожи на реакции в кислородном конвертере. Окисления нежелательных элементов достигают с помощью получения окисленных примесей в шихте путем подачи кислорода либо через фурмы, либо через сопла в печи, или с помощью атмосферного кислорода, который поступает через отверстия в печи. Окисленные примеси образуют шлак.
Затем, нерафинированную сталь, полученную одним из вышеприведенных способов, заливают в ковш, чтобы отрегулировать химический состав стали. Аналитическое качество жидкого металла регулируют, включая сокращение состава не только металлических легирующих элементов, но и контроль металлоидов (C, H, N, O, P, S), в различной степени в зависимости от класса. Тип и содержание оксидных включений контролируют путем раскисления (или "успокаивания") стали, в общем, с помощью алюминия для листовой стали путем обработки кальцием, чтобы модифицировать их состав, а также путем контролируемой флотации. Для осуществления такой обработки в ковшовую печь добавляют различные добавки, такие как известь, доломит, плавиковый шпат и/или различные флюсы.
Как объяснялось выше, полученные примеси образуют шлак, плавающий на поверхности расплавленного металла. В зависимости от состава шлака добавляют добавки, чтобы удалить оставшиеся примеси. Так что знание состава шлака имеет большое значение для управления качеством рафинированной стали.
В процессе EAF знание химического состава шлака позволяет узнать его валентность и окисленность. Тем не менее, химический состав шлака в ходе процесса не известен. После завершения процесса образцы анализируют с использованием спектрометров.
Во время процесса LF степень раскисления и десульфуризации стали также оценивают, исходя из визуальной оценки образцов шлака и химического состава стали. Во время процесса используют внешний вид охлажденного шлака. Таким образом, при добавлении ферросплавов и других добавок в партию все еще имеет место человеческий фактор, связанный с компетенцией и субъективностью рабочих. В связи с этим, после завершения процесса используют спектроскопы. Для этого требуется дополнительное время на подготовку образцов.
В обоих случаях это оказывает влияние на управление процессом, негативно сказываясь на количестве отходов, производительности и производственных затратах.
Цель изобретения заключается в том, чтобы предложить способ определения химического состава шлаковой части, который решает или сокращает по меньшей мере некоторые из вышеупомянутых проблем, в частности, такой способ, который повышает производительность производственного процесса и при этом остается простым в реализации.
В связи с этим, в изобретении предложен способ определения химического состава шлака, причем способ содержит следующие этапы:
- берут шлаковую часть, причем у шлаковой части имеется поверхность,
- собирают свет, отраженный от поверхности, с использованием оптической системы,
- получают набор данных из собранного света, причем набор данных по меньшей мере задает матрицу, содержащую значения, представляющие интенсивность собранного света, причем каждую часть соответственно собирают с одной из множества точек на одной из множества длин волн, при этом матрицу индексируют по меньшей мере:
- множеством пространственных координат множества точек, и
- множеством спектральных параметров, представляющих множество длин волн,
- преобразуют матрицу, чтобы получить сокращенный набор значений, и
- выполняют математический алгоритм с использованием сокращенного набора значений, чтобы получить химический состав.
В других вариантах осуществления способ содержит один или несколько из следующих признаков, взятых отдельно или в любом технически допустимом сочетании:
- множество спектральных параметров содержит спектральные параметры, которые представляют длины волн в диапазоне от 200 нм до 20000 нм;
- множество спектральных параметров содержит спектральные параметры, которые представляют длины волн в диапазоне от 399 нм до 965 нм;
- множество спектральных параметров представляет все длины волн, содержащиеся в диапазоне от 399 нм до 965 нм;
- этап получения набора данных включает в себя следующие подэтапы:
- предоставляют значения оттенков серого, представляющие интенсивность частей, и
- получают значения, содержащиеся в матрице, с использованием упомянутых значений оттенков серого;
- этап преобразования включает в себя подэтап нормирования каждого значения в матрице, чтобы получить нормированные значения, которые свободны от влияния внешнего освещения шлаковой части во время этапа сбора отраженного света;
- этап преобразования включает в себя подэтап сегментации матрицы, причем анализируют по меньшей мере некоторые из значений матрицы, чтобы определить, принадлежат ли соответствующие точки шлаковой части или нет, и при этом в матрице оставляют только значения матрицы, соответствующие точкам, принадлежащим шлаковой части;
- этап преобразования включает в себя подэтап пространственного сглаживания нормированных значений, чтобы получить спектральную сигнатуру шлаковой части;
- этап преобразования включает в себя подэтап сокращения размера спектральной сигнатуры путем выбора подмножества значений в спектральной сигнатуре, чтобы получить сокращенный набор значений, причем выбранное подмножество индексируют подмножеством спектральных параметров, выбранных из множества спектральных параметров;
- этап преобразования включает в себя подэтап, включения дополнительных параметров в спектральную сигнатуру, чтобы получить полный забор значений, причем дополнительные параметры получают из множества спектральных параметров;
- способ также включает в себя этап обучения, содержащий подэтап, на котором получают подмножество спектральных параметров с использованием рекурсивного удаления признаков;
- этап выполнения математического алгоритма содержит подэтап регрессии;
- способ включает в себя этап обучения, содержащий подэтап получения параметров, используемых на подэтапе регрессии;
- регрессия основана на модели машины опорных векторов; и
- машина опорных векторов имеет радиальное базисное функциональное ядро.
Изобретение также относится к способу производства стали, включающему в себя следующее:
- этап задания целевого химического состава стали,
- этап определения химического состава части шлака, получаемого в процессе производства стали, как было описано выше,
- этап оценки химического состава стали с использованием полученного химического состава шлаковой части,
- этап вычисления количества добавок с использованием оцененного химического состава стали, и
- этап добавления упомянутых добавок в упомянутых количествах в сталь, чтобы достичь упомянутого целевого химического состава стали.
Изобретение также относится к установке для определения химического состава шлаковой части, причем установка содержит:
- оптическую систему, приспособленную для сбора света, отраженного от поверхности шлаковой части,
- средство получения набора данных из собранного света, причем набор данных по меньшей мере задает матрицу, содержащую значения, представляющие интенсивность части собранного света, причем каждую часть соответственно собирают с одной из множества точек на одной из множества длин волн, при этом матрицу индексируют по меньшей мере:
- множеством пространственных координат множества точек, и
- множеством спектральных параметров, представляющих множество длин волн,
- средство преобразования матрицы, чтобы получить сокращенный набор значений, и
- средство выполнения математического алгоритма с использованием преобразованного сокращенного набора значений, чтобы получить химический состав.
В других вариантах осуществления установка содержит один или несколько из следующих признаков, взятых отдельно или в любом технически допустимом сочетании:
- оптическая система содержит по меньшей мере либо CCD, либо CMOS сенсор;
- сенсор приспособлен для сбора света только с одного сегмента поверхности за один раз, и при этом установка также включает в себя устройство, пригодное для перемещения шлаковой части и оптической системы друг относительно друга, чтобы собрать свет с другого сегмента поверхности; и
- оптическая система содержит по меньшей мере один спектрограф, приспособленный для отделения каждой части собранного света на основе множества длин волн.
Другие признаки и преимущества изобретения станут очевидными по прочтении последующего описания, приведенного в виде примера и со ссылкой на прилагаемые чертежи, на которых:
на фиг. 1 приведен схематический вид установки для выполнения этапов способа в соответствии с изобретением, в частности, для сбора света;
на фиг. 2 приведен схематический вид трехмерной матрицы, полученной способом с использованием света, собранного установкой, показанной на фиг. 1; и
на фиг. 3 приведена диаграмма, показывающая основные этапы способа.
Со ссылкой на фиг. 1, описана установка 1, выполняющая этапы способа в соответствии с изобретением. Установка 1 приспособлена для работы со шлаковой частью 5.
Установка 1 содержит источник 7 света, оптическую систему 10, приспособленную для сбора света L от шлаковой части 5, два эталонных стандартных элемента 12А, 12В, расположенных возле шлаковой части 5, и, как вариант, сдвигающее устройство (не представлено), пригодное для перемещения оптической системы относительно шлаковой части.
Шлаковая часть 5, например, представляет собой образец, взятый из электродуговой печи (EAF, не представлена) или из ковшовой печи (LF, не представлена).
Шлаковая часть 5 имеет химический состав, который надо определить.
Физический аспект шлака (цвет и толщина) связан с его химическим составом. Например, оксиды, такие как FeO или MnO, делают шлак более темным, в то время как такие оксиды, как CaO или MgO, увеличивают толщину шлака.
Шлаковая часть 5 имеет верхнюю поверхность S, проходящую вдоль двух осей X, Y, которые, например, по существу перпендикулярны друг другу. Третью ось Z также задают как ось, перпендикулярную обеим осям X и Y.
Поверхность S, например, является горизонтальной.
Химический состав, например, определяют как соответствующие массовые доли одного или нескольких соединений из следующего списка: CaO, SiO2, MgO, Al2O3, S, Fe2O3, FeO, F, MnO, TiO2, Na2O, Cr2O3, Cl, BaO, SrO, P2O5, K2O, ZrO2, ZnO, CuO.
Источник 7 света приспособлен для того, чтобы подавать луч Li света на шлаковую часть 5. Источник 7 света, например, включает в себя LED (светодиоды) и/или галогенную лампу.
Два эталонных стандартных элемента 12А, 12В, например, расположены с каждой стороны от шлаковой части 5 вдоль оси X, предпочтительно на том же уровне вдоль оси Z, что и поверхность S. Эталонные стандартные элементы 12А, 12В содержат, например, нержавеющую сталь с массовой долей по меньшей мере 95%, например, марки AISI 310, где "AISI" означает "Американский институт чёрной металлургии".
Как вариант (не показан), используют другое число эталонных стандартных элементов. Например, может быть только один элемент, такой как эталонный стандартный элемент 12А.
Сдвигающее устройство приспособлено для того, чтобы перемещать оптическую систему 10 относительно поверхности S, например, вдоль оси Y.
Оптическая система 10 пригодна для приема частей LM света L от множества точек M, из которых на фиг. 1 показана только одна. Оптическая система 10 включает в себя по меньшей мере один CCD или CMOS сенсор 25, по меньшей мере один спектрограф 20 и по меньшей мере одну оптическую линзу 15. Множество точек M, в основном, расположены на поверхности S и на эталонных стандартных элементах 12А, 12В. Точки M преимущественно расположены на одинаковом расстоянии друг от друга. Расстояние между двумя точками М, например, лежит в диапазоне от 0,3 до 1 мм, например, 0,5 мм.
Каждую точку М определяют, например, первой пространственной координатой x вдоль оси X, взятой из первого множества пространственных координат x1, x2,..., и второй пространственной координатой y вдоль оси Y, взятой из второго множества пространственных координат y1, y2,.... Другими словами, первое множество пространственных координат x1, x2,... и второе множество пространственных координат y1, y2,... представляют множество точек М.
Свет L представляет собой, например, свет, отраженный от поверхности S вдоль оси Z. Поверхность S освещают источником 7 света. В других вариантах осуществления (не показанных) свет L проводят посредством одного или нескольких оптоволоконных кабелей.
Сегмент 27 предпочтительно является по существу параллельным оси X. Сегмент 27 включает в себя точки М с одной и той же заданной второй пространственной координатой y, например, y1, как показано на фиг. 1. Вследствие перемещения оптической системы 10 вдоль оси Y, сенсор 25 может сканировать последовательные сегменты, параллельные сегменту 27, чтобы преимущественно охватить всю поверхность S.
Спектрограф 20 представляет собой, например, спектрограф Specim V10_04204. Спектрограф 20 может отделять часть LM света, поступающего от точки M, исходя из длин волны, представленных множеством спектральных параметров λ1, λ2, ..., чтобы получить части LM,λ1, LM,λ2, …, которые попадают на сенсор 25. Преимущественно, спектрограф 20 может разделять свет L, поступающий от всего сегмента 27, чтобы непосредственно получать части Lλ1, Lλ2, …, которые попадают на сенсор 25.
Каждая часть LM,λ представляет собой часть света LM, собранного с одной из точек М на заданной длине волны, представленной спектральным параметром λ.
Каждая часть L,λ представляет собой часть света L, собранного со всего сегмента 27 на заданной длине волны, представленной спектральным параметром λ. Каждая часть Lλ содержит части LM,λ, поступающие от точек М, которые принадлежат сегменту 27.
В описанном примере спектральный параметр λ представляет собой саму длину волны.
Множество спектральных параметров λ1, λ2,… представляет множество длин волн, которые используют для определения химического состава.
Преимущественно множество спектральных параметров λ1, λ2,… представляет длины волн из диапазона от 399 нм до 965 нм. Например, множество спектральных параметров λ1, λ2,… представляет все длины волн, содержащиеся в диапазоне от 399 нм до 965 нм.
Предпочтительно, спектральные параметры λ1, λ2,… расположены через одинаковый интервал, и это множество содержит, например, 1024 спектральных параметров.
В других вариантах осуществления (не показанных) используют другие устройства захвата, отличные от CCD камеры JAI-TM-1327GE и спектрографа Specim V10_04204.
В других вариантах осуществления (не показанных) вместо вышеупомянутых используют другие гиперспектральные камеры, такие как HySpex или спектрограф HeadWallPhotonics.
Сенсор 25 приспособлен для захвата света L.
Сенсор 25 представляет собой CCD или CMOS сенсор. Сенсор 25 представляет собой двумерный (2D), например, IMX174LLJ CMOS сенсор.
Сенсор 25 приспособлен для того, чтобы принимать части LM,λ света L и выдавать значения Ix,y,λ, показывающие интенсивность частей LM,λ.
В примере сенсор 25 приспособлен для того, чтобы вырабатывать блок данных B(y1) (фиг. 2), используя части Lλ, полученные из света, поступающего от сегмента 27, соответствующего точкам М, вторая пространственная координата которых рана y1. Сенсор 25 может генерировать блоки B(y2), …, соответствующие сегментам, заданным точками М, вторая пространственная координата которых соответственно равна y2,... Все вместе блоки данных B(y) дают значения Ix,y,λ.
Значения Ix,y,λ образуют трехмерную (3D) матрицу Λx,y,λ (фиг. 2), где x - одна из первого множества пространственных координат x1, x2,..., y - одна из второго множества пространственных координат y1, y2,..., а λ - один из множества спектральных параметров λ1, λ2,…. Каждое значение Ix,y,λ матрицы Λx,y,λ представляет собой, например, значение градации серого.
Как вариант, датчик 25 использует только свет, поступающий от сегмента 27. В матрице Λx,y,λ пространственные координаты y просто удаляют. В этом варианте матрица является двумерной матрицей Λx,λ.
Матрицу Λx,y,λ обычно называют "гиперспектральным изображением", включающим в себя несколько изображений Λx,y, взятых на разных длинах волн, представленных спектральными параметрами λ1, λ2,….
Установка 1 также содержит по меньшей мере один компьютер (не показан), пригодный для использования матрицы Λx,y,λ для определения химического состава шлаковой части 5.
Со ссылкой на фиг. 1-3 теперь будет описан способ 100 в соответствии с изобретением. Способ 100 предназначен для определения химического состава шлаковой части 5.
Предполагается, что способ 100, например, является частью процесса производства стали, в котором определяют химический состав шлаковой части 5, чтобы вычислить количество добавок, которые необходимо внести в сталь в ходе процесса.
Действительно, исходя из химического состава шлаковой части 5, можно оценить химический состав стали, и если состав отличается от целевого конечного состава, то можно выполнить необходимые этапы, например, внесение добавок в сталь.
Способ 100 содержит этап 110, в котором получают набор данных в виде трехмерной матрицы Λx,y,λ, то есть гиперспектрального изображения, этап 120, на котором преобразуют матрицу, чтобы получить преобразованную матрицу, и этап 120, на котором выполняют математический алгоритм с использованием преобразованной матрицы, чтобы получить химический состав.
Предпочтительно, способ 100 также содержит этап 104, на котором осуществляют калибровку, чтобы получить значения, пригодные для этапа 120 преобразования, и этап 106 обучения, чтобы определить параметры, которые используют на этапе 120 преобразования и на этапе 130 выполнения алгоритма.
Этап 110 получения матрицы Λx,y,λ включает в себя подэтап получения шлаковой части 5, подэтап сбора света L, отраженного от поверхности S, с использованием оптической системы 10, и подэтап получения набора данных из собранного света L, причем набор данных по меньшей мере задает матрицу Λx,y,λ.
В примере полученный набор данных представляет собой саму матрицу Λx,y,λ. Как объяснялось выше, оптическую систему 10 перемещают вдоль оси Y относительно поверхности S, чтобы просканировать последовательные сегменты поверхности. Для каждого сегмента оптическая система 10 предоставляет блок данных B(y). Все блоки данных B(y) образуют матрицу Λx,y,λ.
В некоторых вариантах осуществления (не показанных), в которых оптическая система 10 использует свет только с одного сегмента, оптическую систему не перемещают относительно поверхности S.
Этап 120 преобразования включает в себя подэтап сегментирования матрицы Λx,y,λ, подэтап нормирования каждого значения Ix,y,λ в матрице, подэтап пространственного сглаживания значений для получения спектральной сигнатуры Isigλ и подэтап сокращения размера спектральной сигнатуры Isigλ.
На подэтапе сегментирования анализируют значения Ix,y,λ матрицы Λx,y,λ, чтобы определить, принадлежат ли соответствующие точки М шлаковой части 5. В матрице оставляют только те значения Ix,y,λ, которые соответствуют точкам М, принадлежащим шлаковой части 5.
Значения Ix,y,λ, например, анализируют от x=0 до ширины гиперспектрального изображения, т.е. до максимального значения первой пространственной координаты x, чтобы определить резкие переходы от черных значений к белым значениям и наоборот. Это делают для каждой второй пространственной координаты y. Предпочтительно, вычисляют производную матрицы Λx,y,λ для единственной длины волны λ, и ищут значения, превышающие заданный порог. Это позволяет определить границы шлаковой части 5 в гиперспектральном изображении.
Подэтап нормирования дает нормированные значения Inormx,y,λ, которые свободны от влияния внешнего освещения шлаковой части 5 во время этапа сбора отраженного света L. Эти значения Inormx,y,λ образуют матрицу Λnorm.
Нормирование выполняют, например, путем вычитания эталонного значения D черного и корректировки на эталонное значение белого в соответствии со следующей формулой или любым ее эквивалентом: 
Эти эталонные значения черного D и белого W можно получить на этапе 104 калибровки.
Этот этап 104 калибровки включает в себя подэтап периодического получения набора эталонных значений D черного и эталонных значений W белого. Эталонное значение D черного получают из изображения, захваченного при закрытой оптической линзе. Эталонное значение W белого получают из захваченного изображения эталонных стандартных элементов 12А, 12В, которые находятся в известных местах с координатами Х12А и Х12В. Алгоритмы сегментации, аналогичные описанным выше, используют для точного расположения эталонных стандартных элементов 12А и 12В.
Этот этап калибровки можно выполнить один раз в начале производства стали, или, в предпочтительном варианте осуществления, его можно выполнять для обновления эталонных значений.
Этап нормирования с использованием этой формулы позволяет скорректировать гиперспектральное изображение на влияние системы освещения, которая не является равномерной по интенсивности вдоль различных положений x и/или по времени, либо на модификации спектральной чувствительности к окружающему освещению, которые оказывают влияние на свет, принимаемый сенсором 25.
Подэтап пространственного сглаживания приспособлен для того, чтобы получать спектральную сигнатуру Isigλ с использованием нормированных значений Inormx,y,λ. Спектральная сигнатура Isigλ является более точным спектральным представлением шлаковой части 5, так как интегрирует шум и отклонения при сборе данных в образце.
Технологию пространственного сглаживания применяют к шлаковой части 5 в матрице Λnorm. Эта технология представляет собой вычисление пространственного среднего на каждой длине волны по всей шлаковой части 5. Результатом является единственная спектральная сигнатура Isigλ, вычисленная с использованием следующей формулы:
где:
В начале подэтапа сокращения размера спектральная сигнатура Isigλ может быть дополнена дополнительными параметрами, например, отношением или разностью, полученными из множества спектральных параметров λ1, λ2,…, чтобы получить полное множество значений Icomp.
В примере множество спектральных параметров λ1, λ2,… представляет 1024 длин волн. Тем не менее, вследствие эффекта Гуго желательно сократить размерность подмножества спектральных параметров Ω(λ), составляющую несколько сотен длин волн. Преимущественно, подмножество спектральных параметров Ω(λ), которое следует сохранить, определяют на подэтапе этапа 106 обучения, как описано ниже. Его также можно определить, используя сетчатую номограмму или любой подходящий способ.
Этап 106 обучения содержит подэтап, на котором предоставляют набор данных значений Icomp, полученных для множества образцов шлака, имеющих известный состав, и два независимых подэтапа 106А и 106В. Цель подэтапа 106А заключается в получении подмножества спектральных параметров Ω(λ), которые следует оставить на этапе сокращения размера. Цель подэтапа 106В заключается в получении параметров для этапа 130 выполнения алгоритма, он будет описан ниже.
На подэтапе 106А используют, например, технологию рекурсивного удаления признаков, в которой, чтобы выбрать релевантные значения, удаляют некоторые элементы из полного множества значений Icomp. Рабочий параметр алгоритма регрессии вычисляют, например, как максимальную корреляцию между выходом способа в соответствии с изобретением и химическим составом шлаковой части 5, полученным, например, из подмножества обучающего набора данных. Подмножество обучающего набора данных, достигающее более высокой корреляции, определяет подмножество спектральных параметров Ω(λ), которые следует оставить на этапе сокращения размера.
Затем, исходя из этапа 106 обучения, выбирают подмножество значений из полного множества значений Icomp, а невыбранные значения удаляют из сигнатуры. Значения выбранного подмножества индексируют подмножеством спектральных параметров Ω(λ), выбранных из множества спектральных параметров λ1, λ2,…, причем упомянутое подмножество спектральных параметров Ω(λ) меньше, чем множество спектральных параметров. Это позволяет сократить размер Icomp, чтобы получить сокращенный набор значений Ired.
Этап 130 выполнения математического алгоритма содержит подэтап нормирования данных и подэтап регрессии.
На подэтапе нормирования данных выполняют нормирование сокращенного набора значений Ired в заданный числовой диапазон. На этом подэтапе преобразуют значения, измеренные в разных масштабах, до теоретически одного масштаба. Он может быть основан, например, на вычитании минимального значения из набора данных и на делении на максимальное значение из того же набора данных.
Этап регрессии выполняют с помощью регрессора, который математически отображает множество значений на ожидаемые значения химического состава. Подэтап регрессии, например, основан на модели машины опорных векторов (SVM). SVM содержит два различных параметра ω (опорные вектора) и b (смещения), которые определяют на подэтапе 106В этапа 140 обучения. Такие параметры известны специалистам.
Химический состав, например, получают путем умножения сокращенного набора значений Ired на вектор ω и прибавления значений b. Это дает число, которое представляет химический состав.
Как объяснялось выше, этап 106 обучения содержит подэтап, на котором предоставляют набор данных значений Icomp, полученных для множества образцов шлака, имеющих известный состав, и два независимых подэтапа 106А и 106В. Подэтап 106А получения подмножества спектральных параметров Ω(λ), которые следует оставить на этапе сокращения размера, был описан ранее.
Этап 106В задает параметры регрессора для каждого соединения шлака для этапа 130, например, ω и b.
Этот подэтап 106В основан на существующем способе обучения SVM.
Тесты
Этот раздел включает в себя проверочные тесты, которые были выполнены. Обучающий набор данных, составленный для шлака LF, имеющего известный состав, разделяют, например, на два подмножества, причем первое используют для вычисления параметров регрессора, а второе используют для оценивания ошибки и точности системы. Ошибку получают как разность между значениями состава, полученными способом в соответствии с изобретением, и действительными значениями состава. Значения состава выражают в процентах.
Значения ошибки, данные в этом отчете, следующие:
Эти значения показывают среднюю ошибку и стандартное отклонение, оба в процентах, где:
s - стандартное отклонение абсолютной ошибки
M - максимальная величина входных значений из обучающего набора данных
m - минимальная величина входных значений из обучающего набора данных
В следующей таблице собраны результаты, полученные для образцов шлака с использованием изобретения, в сравнении с лабораторным анализом тех же образцов шлака с использованием XRF (рентгеновской флюоресценции) методом Perl.
Таблица 1. Результаты, полученные для ошибки и стандартного отклонения
| CaO | SiO2 | Al2O3 | S | Fe2O3 | MnO | |
| Максимальное обучающее значение М | 75,61 | 33,07 | 8,87 | 2,80 | 9,84 | 10,02 |
| Минимальное обучающее значение m | 37,09 | 10,94 | 0,43 | 0,13 | 0,45 | 0,10 |
| Средняя абсолютная ошибка |
2,11 | 1,51 | 0,68 | 0,25 | 0,34 | 0,46 |
| Стандартное отклонение s (состав) | 2,00 | 1,68 | 0,81 | 0,22 | 0,51 | 0,71 |
| Средняя ошибка (%) | 5,47% | 6,81% | 8,05% | 9,54% | 3,61% | 4,63% |
| Стандартное отклонение (%) | 5,19% | 7,61% | 9,55% | 8,14% | 5,39% | 7,16% |
В зависимости от элемента относительное стандартное отклонение между составами, полученными с использованием изобретения и с использованием известной технологии XRF, варьируется от 5% до 10%. Такая ошибка обеспечивает достаточную точность состава в течение производственного процесса для быстрой оценки физического состояния шлака, чтобы определить стратегию обработки стали для достижения финальной стадии процесса при самых низких затратах.
Благодаря вышеописанным признакам, способ является быстрым и не нарушает процесс производства стали.
Способ позволяет прогнозировать количество добавок, которые необходимо внести в сталь во время производства, чтобы получить заданный химический состав стали.
Способ дает точный химический состав за две-три секунды, в то время как в соответствии со способами существующего уровня техники необходимо отправлять образцы в лабораторию на анализ.
Чтобы оптимизировать процесс в ковшовой печи на основе информации о шлаке, система анализа шлака передает и принимает данные от завода, так что ход процесса в ковшовой печи известен в любое время (состав стали, веса стали и шлака, добавки, температура,...) Эти данные вместе с информацией о полученном составе шлака позволяют проводить общий анализ баланса масс в любой момент, так что можно выполнить вычисления термодинамического равновесия с использованием любого специального программного обеспечения вычисления термодинамического равновесия, и в условиях равновесия можно рассчитать конечный состав стали и шлака.
Кроме того, в вычисление можно ввести информацию о различных добавках ферросплавов и флюсов, используемых в ковшовой печи, включая цены, так как система может легко их установить. Поэтому, можно провести полный анализ процесса в ковшовой печи.
Claims (40)
1. Способ (100) определения химического состава шлаковой части (5), содержащий этапы, на которых:
обеспечивают наличие шлаковой части (5), причем шлаковая часть (5) имеет поверхность (S),
собирают свет (L), отраженный от поверхности (S), с использованием оптической системы (10),
получают набор данных, исходя из собранного света (L), причем набор данных по меньшей мере задает матрицу ( 
), содержащую значения, представляющие интенсивность части (LM, 
) собранного света (L), при этом каждая часть (LM, ) соответственно собрана от одной из множества точек (M) на одной из множества длин волн, при этом матрицу ( ) индексируют по меньшей мере:
множеством пространственных координат (x1, x2, …) указанного множества точек (M), и
множеством спектральных параметров ( 
), представляющих указанное множество длин волн,
преобразуют (120) матрицу для получения сокращенного набора значений и
выполняют (130) математический алгоритм с использованием сокращенного набора значений, с тем чтобы получить указанный химический состав.
2. Способ (100) по п. 1, в котором указанное множество спектральных параметров ( ) содержит спектральные параметры, которые представляют длины волн в диапазоне от 200 до 20000 нм.
3. Способ (100) по п. 2, в котором указанное множество спектральных параметров ( ) содержит спектральные параметры, которые представляют длины волн в диапазоне от 399 до 965 нм.
4. Способ (100) по п. 3, в котором указанное множество спектральных параметров ( ) представляет длины волн, которые все содержатся в диапазоне от 399 до 965 нм.
5. Способ (100) по любому из пп. 1-4, в котором на этапе получения набора данных:
обеспечивают наличие значений оттенков серого, представляющих интенсивность указанных частей (LM, ) и
получают указанные значения (Ix,y, ), содержащиеся в матрице, с использованием упомянутых значений оттенков серого.
6. Способ (100) по любому из пп. 1-5, в котором на этапе (120) преобразования выполняют подэтап сегментации матрицы, при этом анализируют по меньшей мере некоторые из значений матрицы, чтобы определить, принадлежат ли соответствующие точки (М) указанной шлаковой части или нет, и оставляют в матрице только значения матрицы, соответствующие точкам (М), принадлежащим указанной шлаковой части (5).
7. Способ (100) по п. 5 или 6, в котором на этапе (120) преобразования выполняют подэтап нормализации каждого значения в матрице, чтобы получить нормализованные значения, которые свободны от влияния внешнего освещения указанной шлаковой части (5) во время этапа сбора отраженного света (L).
8. Способ (100) по п. 7, в котором на этапе (120) преобразования выполняют подэтап пространственного сглаживания нормализованных значений, чтобы получить спектральную сигнатуру шлаковой части (5).
9. Способ (100) по п. 8, в котором на этапе (120) преобразования выполняют подэтап сокращения размера спектральной сигнатуры путем выбора подмножества значений в спектральной сигнатуре, чтобы получить сокращенный набор значений, причем выбранное подмножество индексируют подмножеством спектральных параметров (Ω( 
)), выбранных из указанного множества спектральных параметров ( ).
10. Способ (100) по п. 8 или 9, в котором на этапе (120) преобразования выполняют подэтап включения дополнительных параметров в спектральную сигнатуру, чтобы получить полный набор значений, причем дополнительные параметры получают из указанного множества спектральных параметров ( ).
11. Способ (100) по п. 9, который также включает этап (106) обучения, содержащий подэтап (106А), на котором получают указанное подмножество спектральных параметров (Ω( )) с использованием рекурсивного удаления признаков.
12. Способ (100) по любому из пп. 1-10, в котором на этапе (130) выполнения математического алгоритма выполняют подэтап регрессии.
13. Способ (100) по п. 12, который также включает этап (106) обучения, содержащий подэтап (106В) получения параметров, используемых на подэтапе регрессии.
14. Способ (100) по п. 12 или 13, в котором указанная регрессия основана на модели машины опорных векторов (SVM).
15. Способ (100) по п. 14, в котором машина опорных векторов имеет радиальное базисное функциональное ядро.
16. Способ производства стали, включающий:
этап задания целевого химического состава стали,
этап определения химического состава части шлака, полученного в процессе производства стали, согласно способу по любому из пп. 1-15,
этап оценки химического состава стали с использованием полученного химического состава шлаковой части,
этап вычисления количества добавок с использованием оцененного химического состава стали, и
этап добавления упомянутых добавок в упомянутых количествах в сталь, чтобы достичь упомянутого целевого химического состава стали.
17. Установка для определения химического состава шлаковой части (5), содержащая:
оптическую систему (10), приспособленную для сбора света (L), отраженного от поверхности (S) шлаковой части (5),
средство получения набора данных из собранного света (L), причем указанный набор данных по меньшей мере задает матрицу ( ), содержащую значения, представляющие интенсивность части (LM, ) собранного света (L), при этом каждая часть (LM, ) соответственно собрана от одной из множества точек (M) на одной из множества длин волн, при этом матрица ( ) индексирована по меньшей мере:
множеством пространственных координат (x1, x2, …) указанного множества точек (M), и
множеством спектральных параметров ( ), представляющих указанное множество длин волн,
средство преобразования (120) матрицы для получения сокращенного набора значений, и
средство выполнения (130) математического алгоритма с использованием преобразованного сокращенного набора значений, чтобы получить указанный химический состав.
18. Установка по п. 17, в которой оптическая система (10) содержит по меньшей мере один ПЗС или КМОП сенсор (25).
19. Установка по п. 18, в которой сенсор (25) предназначен для сбора света только с сегмента (27) поверхности (S) за один раз, при этом установка также содержит устройство, пригодное для перемещения шлаковой части (5) и оптической системы (10) относительно друг друга, с тем чтобы собирать свет с другого сегмента поверхности (S).
20. Установка по любому из пп. 17-19, в которой оптическая система (10) содержит по меньшей мере один спектрограф (20), выполненный с возможностью отделения каждой части (LM, 
) собранного света (L) на основе указанного множества длин волн.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/IB2015/053453 WO2016181185A1 (en) | 2015-05-11 | 2015-05-11 | Method of determining a chemical composition of a slag portion |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2683002C1 true RU2683002C1 (ru) | 2019-03-25 |
Family
ID=53433222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2017142970A RU2683002C1 (ru) | 2015-05-11 | 2015-05-11 | Способ определения химического состава шлаковой части |
Country Status (12)
| Country | Link |
|---|---|
| US (1) | US10677736B2 (ru) |
| EP (1) | EP3295154B1 (ru) |
| JP (1) | JP6905939B2 (ru) |
| KR (1) | KR102093005B1 (ru) |
| CN (1) | CN107787442B (ru) |
| AU (1) | AU2015394657B2 (ru) |
| BR (1) | BR112017024334B1 (ru) |
| CA (1) | CA2985941C (ru) |
| MX (1) | MX2017014474A (ru) |
| RU (1) | RU2683002C1 (ru) |
| UA (1) | UA120449C2 (ru) |
| WO (1) | WO2016181185A1 (ru) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111479935B (zh) * | 2017-12-15 | 2021-11-05 | 杰富意钢铁株式会社 | 铁水的精炼方法 |
| CN111024228B (zh) * | 2019-12-31 | 2022-08-23 | 杭州高谱成像技术有限公司 | 一种高光谱相机辐射标定装置、方法及系统 |
| MX2023010509A (es) | 2021-03-10 | 2023-09-20 | Arcelormittal | Sistema y metodo para determinar la composicion quimica de productos metalurgicos liquidos. |
| AU2022305124A1 (en) * | 2021-07-02 | 2024-02-15 | Noda Technologies Ab | A method for determining at least one property of an aluminium production bath in of an aluminium production cell, a system for determining the at least one property, and a probe for capturing a sample from the aluminium production cell |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000146950A (ja) * | 1998-11-12 | 2000-05-26 | Kawasaki Steel Corp | スラグの分析方法及び装置 |
| DE102004044382A1 (de) * | 2004-09-11 | 2006-03-30 | Nowack, Norbert, Prof. Dr.-Ing. | Vorrichtung und Messtechnik zur Erfassung von Schlackenzuständen in der Metallurgie bei hohen Temperaturen durch UV/VIS-Reflektivität |
| US20070263212A1 (en) * | 2006-05-10 | 2007-11-15 | Michael Mound | Non-Hazardous Bulk Material Analyzer System |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000227396A (ja) * | 1999-02-05 | 2000-08-15 | Kawasaki Steel Corp | スラグ塩基度の決定方法及び装置 |
| EP1625226A4 (en) | 2003-03-27 | 2007-01-10 | Bartron Medical Imaging Llc | SYSTEM AND METHOD FOR FAST IDENTIFICATION OF DISEASES, BACTERIA AND ABNORM CELLS |
| US6998614B2 (en) | 2003-05-23 | 2006-02-14 | Institute For Technology Development | Hyperspectral imaging workstation having visible/near-infrared and ultraviolet image sensors |
| DE10339595A1 (de) * | 2003-08-26 | 2005-04-07 | Siemens Ag | Verfahren zur Vorhersage und Steuerung der Vergießbarkeit von Flüssigstahl |
| JP2005201636A (ja) * | 2004-01-13 | 2005-07-28 | Shizuoka Prefecture | 腐敗部判定方法及び判定装置 |
| EP1862795A1 (en) * | 2006-05-10 | 2007-12-05 | ABB Schweiz AG | Bulk Material Analyzer System |
| US8315692B2 (en) * | 2007-02-22 | 2012-11-20 | Sheinis Andrew I | Multi-spectral imaging spectrometer for early detection of skin cancer |
| WO2009142758A1 (en) * | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
| JP5197239B2 (ja) * | 2008-08-29 | 2013-05-15 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
| JP5715132B2 (ja) * | 2009-08-20 | 2015-05-07 | コーニンクレッカ フィリップス エヌ ヴェ | 画像解析に関する方法及びシステム |
| JP2012098181A (ja) | 2010-11-02 | 2012-05-24 | Sumitomo Electric Ind Ltd | 検出装置及び検出方法 |
| US8965060B2 (en) * | 2011-10-13 | 2015-02-24 | Pioneer Hi-Bred International, Inc. | Automatic detection of object pixels for hyperspectral analysis |
| US9237279B2 (en) | 2013-05-06 | 2016-01-12 | Bergen Teknologioverfoering As | Method of investigating a solid sample |
-
2015
- 2015-05-11 AU AU2015394657A patent/AU2015394657B2/en active Active
- 2015-05-11 RU RU2017142970A patent/RU2683002C1/ru active
- 2015-05-11 JP JP2017559405A patent/JP6905939B2/ja active Active
- 2015-05-11 KR KR1020177035148A patent/KR102093005B1/ko active IP Right Grant
- 2015-05-11 UA UAA201711993A patent/UA120449C2/uk unknown
- 2015-05-11 WO PCT/IB2015/053453 patent/WO2016181185A1/en active Application Filing
- 2015-05-11 CA CA2985941A patent/CA2985941C/en active Active
- 2015-05-11 MX MX2017014474A patent/MX2017014474A/es unknown
- 2015-05-11 BR BR112017024334-2A patent/BR112017024334B1/pt active IP Right Grant
- 2015-05-11 EP EP15729935.5A patent/EP3295154B1/en active Active
- 2015-05-11 CN CN201580081162.5A patent/CN107787442B/zh active Active
- 2015-05-11 US US15/573,440 patent/US10677736B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000146950A (ja) * | 1998-11-12 | 2000-05-26 | Kawasaki Steel Corp | スラグの分析方法及び装置 |
| DE102004044382A1 (de) * | 2004-09-11 | 2006-03-30 | Nowack, Norbert, Prof. Dr.-Ing. | Vorrichtung und Messtechnik zur Erfassung von Schlackenzuständen in der Metallurgie bei hohen Temperaturen durch UV/VIS-Reflektivität |
| US20070263212A1 (en) * | 2006-05-10 | 2007-11-15 | Michael Mound | Non-Hazardous Bulk Material Analyzer System |
Non-Patent Citations (1)
| Title |
|---|
| Sergio Rodriguez и др. "Automatic Slag Characterization based on Hyperspectral Image Processing", Proceedings of 15th International Conference on Emerging Technologies and Factory Automation, т. 2, 2010 г., стр. 1144-1147. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107787442A (zh) | 2018-03-09 |
| KR20180004234A (ko) | 2018-01-10 |
| WO2016181185A1 (en) | 2016-11-17 |
| EP3295154A1 (en) | 2018-03-21 |
| AU2015394657A1 (en) | 2017-11-30 |
| KR102093005B1 (ko) | 2020-03-25 |
| AU2015394657B2 (en) | 2019-07-11 |
| BR112017024334A2 (pt) | 2018-07-24 |
| CA2985941A1 (en) | 2016-11-17 |
| CN107787442B (zh) | 2020-11-03 |
| BR112017024334B1 (pt) | 2021-03-02 |
| MX2017014474A (es) | 2018-04-10 |
| JP2018517903A (ja) | 2018-07-05 |
| US10677736B2 (en) | 2020-06-09 |
| JP6905939B2 (ja) | 2021-07-21 |
| US20180120235A1 (en) | 2018-05-03 |
| EP3295154B1 (en) | 2024-10-09 |
| CA2985941C (en) | 2022-04-26 |
| UA120449C2 (uk) | 2019-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2683002C1 (ru) | Способ определения химического состава шлаковой части | |
| Kaushik et al. | State of the art in control of inclusions, their characterization, and future requirements | |
| US10443029B2 (en) | Cell evaluation device, cell evaluation method, and cell evaluation program | |
| US20170061618A1 (en) | Cell evaluation device, cell evaluation method, and cell evaluation program | |
| JP6685260B2 (ja) | 溶鉄の精錬方法及びスラグの組成分析方法 | |
| CN106153550A (zh) | 基于svm的转炉炼钢钢水碳含量在线实时动态检测方法 | |
| JP6825711B2 (ja) | 溶湯成分推定装置、溶湯成分推定方法、及び溶湯の製造方法 | |
| CN112461715B (zh) | 一种基于熔体结构解析的熔渣表面张力预测方法 | |
| JP2021166002A (ja) | 焼結鉱の組織構成学習装置、組織構成学習方法及び組織構成学習プログラム | |
| Chattopadhyay et al. | Application of thermodynamic analysis for developing strategies to improve BOF steelmaking process capability | |
| JP2016212059A (ja) | 汚れの定量方法、及び汚れの定量装置 | |
| CN111079537B (zh) | 转炉冶炼工况的识别方法、系统、机器可读介质及设备 | |
| Vicente et al. | Fast method for slag characterization during ladle furnace steelmaking process based on spectral reflectance | |
| JP7453532B2 (ja) | 焼結鉱の組織構成学習装置、組織構成学習方法及び組織構成学習プログラム、並びに焼結鉱の製造条件変更装置、製造条件変更方法及び製造条件変更プログラム | |
| JP2015001002A (ja) | 転炉吹錬におけるスロッピング予知方法 | |
| JP2022177624A (ja) | ダスト発生速度推定装置及びダスト発生速度推定方法 | |
| Ahmed et al. | Advances in green liquid chromatography for pharmaceutical analysis: A comprehensive review on analytical greenness to sustainable chemistry approaches | |
| JPWO2019168141A1 (ja) | 分光特性測定装置、分光特性測定方法、及び炉の制御方法 | |
| CN116240328A (zh) | 转炉炼钢终点控制方法、系统、装置、设备、介质及产品 | |
| CN113740336A (zh) | 一种直接获得连铸坯边部增碳的评价方法 | |
| KR20080057592A (ko) | 선재 백색도 및 표면형상 동시측정 방법 및 장치 | |
| Casuccio et al. | Automated Steel Cleanliness Analysis Tool (ASCAT) | |
| JP2000227396A (ja) | スラグ塩基度の決定方法及び装置 | |
| Rådberg | Identifying, visualizing and quantifying process disturbances at SSAB Oxelösund using multivariate modelling | |
| JP2005293045A (ja) | 二次元画像処理システム |