通过激光诱导击穿光谱(LIBS)对钢液表面的不同位置进行激发检测,对得到的光谱数据进行归一化预处理。通过主成分分析法筛选出4个代表性因素,将得到的4个因素作为输入信息,针对钢液中Mn、Ni、Cr和Si四种元素,训练并建立定标模型。利用Cat-fish 粒子群(PSO)算法选出最优参数值,最后用测试集来验证模型的预测效果。实验结果表明:Cat-fish PSO-支持向量回归(SVR)的决定系数R2大于0.95,相对标准偏差RSD均值为3.53%,均方根误差RMSE在1.5%以内;所提模型优于普通SVR预测模型,能够快速精确检测出元素含量。该研究为LIBS在线准确定量分析钢液元素提供了借鉴性较高的优化算法。

为了提高光诱导击穿光谱(LIBS)技术定量分析的精准度,用LIBS技术对不同合金钢中的Mn元素进行定量分析,结合支持向量回归(SVR)建立定标模型,研究输入向量对SVR模型的影响,并与校正后的内标法进行比较。结果表明:输入向量为内标元素校正和信背比时,测试集的相对标准偏差和相对误差的平均值分别为2.6%和11.97%,回归效果最理想;对合金钢中的Mn元素进行定量分析时,校正后的二元输入向量可以减小参数波动和校正基体效应的影响,为LIBS钢液元素定量分析优化数据输入提供了参考。

为了快速精确地在线测量钢水温度, 采用红外CCD相机测温技术来测量钢水表面温度。利用红外CCD相机采集钢水在不同温度下的图像, 计算出图像中与热电偶测温相近位置点区域的灰度均值, 引入黄金分割寻优法对广义回归神经网络中扩展系数的确定进行了改进, 并用传统的最小二乘法与改进的广义回归神经网络方法对灰度比和温度之间的非线性关系拟合曲线进行对比。结果表明, 用改进的广义回归神经网络建立的测温模型有效地提高了在线温度测量精度, 使钢水温度测量误差控制在0.1%范围内, 符合工业设计要求。该研究为广义回归神经网络应用在钢水测温领域提供了参考。

通过LabVIEW软件设计一个基于TDLAS谐波检测含尘气体浓度的虚拟系统, 模拟测量在常温常压并含有已知粉尘颗粒的环境中SO2、NO2和NO 3种气体的浓度, 且使气体成分测量的结果不受粉尘因素的干扰。设计中使用2 516.2, 2 911.66, 3 752.44 cm-1的3种中红外激光分别对SO2、NO2和NO气体进行检测, 根据锁相放大原理设计虚拟多通道锁相放大器分析检测到的二次谐波信号, 根据谐波信号对各气体的浓度进行定标测量, 最后进行数据校正来排除粉尘颗粒的干扰, 使气体的定标测量得到一个稳定的结果。

激光诱导击穿光谱（LIBS）技术用于钢液成分在线定量分析时, 基体效应会对其精确度产生严重影响。在定量分析时，用一种改进的多元非线性模型进行定标，以降低基体效应对待测元素的影响，并与单变量定标和改进前的多元非线性模型定标进行对比。结果表明，与单变量定标相比，多元非线性模型定标的测量精度有所提高，模型改进后，其分析性能得到进一步完善。测量元素Mn、Si的定标曲线的拟合度从0.980、0.984分别提高到0.985、0.989，两个验证样品的预测相对误差分别从6.231%、5.437%和6.912%、6.315%下降到5.510%、5.039%和6.125%、5.919%。

基于辐射测温原理，介绍了红外测温理论和自适应维纳滤波处理方法，为了提高钢水的测温精度，对钢水的红外热图像噪声进行处理。搭建了实验平台，获得了不同温度下的钢水的红外图像，利用自适应维纳滤波对钢水红外图像进行去噪处理。利用Matlab 软件进行仿真，通过对处理前后的红外图像的均方差和峰值信噪比进行比较，发现钢水红外图像的噪声得到了抑制。

基于热辐射测温原理，介绍了红外热像仪测温理论，为了提高钢水的测温精度，搭建了实验平台，获得了不同温度下的熔融金属（钢水）的红外图像。通过小波去噪方法获得信噪比较高的红外灰度图像，利用Matlab 软件进行温度场等温线的绘制和形态学显示，使其能够真实的再现熔池表面温度场情况，从而达到测量精度和设计要求，此方法为熔融金属在线红外热像测温的研究打下了坚实的基础。

为了更好地监测钢液成分，利用激光诱导击穿光谱(LIBS)技术，建立了基于径向基函数(RBF)核函数的支持向量机模型，采用粒子群算法优化支持向量机的参数，通过计算元素特征谱线的积分强度和Fe 元素内标归一化来降低仪器和环境带来的干扰。将实验数据进行主成分降维后，对钢液中Mn 元素的浓度进行定量分析，得到均方根误差(MSE)为0.599%，相对标准偏差(RSD)为8.26%，相关系数为0.997。结果显示，粒子群优化支持向量机回归定量分析方法可以用于LIBS 钢液成分分析，其分析性能较传统的定标方法有一定提高。

激光诱导击穿光谱(LIBS)技术具有快速、非接触、无需制样等特点，适合应用于转炉钢水成分的在线分析。由于转炉终点可由Si、Mn 含量和温度来判定，因此提出了钢水成分中Si 和Mn 的LIBS 定性分析方法。通过光谱仪采集激光激发的光谱，经过预处理和寻峰等操作后，以原子光谱数据库(NIST)为参考标准，找出Si 和Mn 对应的特征谱线波长和光谱强度，利用支持向量机(SVM)强大的分类功能和采集到的245 组数据中的210 组学习得到支持向量分类(SVC)模型，利用SVC 模型预测这245 组数据，结果证明该模型的准确率为98%以上，将其应用在相同实验条件的情况下，会大大减少LIBS 定性分析时间。

将激光诱导等离子体光谱技术(LIBS)用于钢液在线定量分析，由于基体效应严重影响其精确度，因此在定量分析中应尽量降低基体效应对待测元素的影响。内标法是LIBS定量分析最常见的方法，该方法可以部分消除测量过程中基体效应的影响，但只适用于样本组成简单的情形，对于多元素待测样本中的基体效应无法有效校正，采用一般基体校正法无法实现钢液的实时在线定量分析，后续数据处理工作量较大，不适宜应用于现场。为此提出运用改进线性回归方程的基体校正法再结合Mathematica简短的计算程序，能有效对LIBS钢液在线定量分析进行基体校正，并且通过实验验证了此方法的可行性。