转炉炼钢的终点控制包括钢水出钢时温度及其成分的控制, 炉口火焰能够反映炉内脱碳速率及转炉运行参数等。 工业炉燃烧火焰可见光谱段, 普遍存在着钾(K)和钠(Na)等碱金属元素的原子发射谱线, 利用K的特征谱线相对比值可以计算火焰温度。 基于辐射双色法, 三色法和谱线相对强度法对转炉口火焰温度进行了测量; 数据处理过程中对特征谱线进行了基线拟合提取, 小波脊线拟合提取; 特征谱线进行了Gauss函数和Lorenz函数拟合。 结果表明, 辐射测温法对谱线比较敏感, 选择合理的波段能够有效, 精确地测量火焰温度; 采用谱线相对强度法受制于特征谱线的数学模型、 谱线的跃迁机率、 能级的简并度及火焰的光学厚度, 需要分辨率非常高的光谱仪才能进行高温转炉火焰中电子温度的测量。

采用多波长分析方法测量氧气顶回转炉口火焰温度的研究。 在该方法中, 采用USB4000型光纤光谱仪测量火焰在可见光波长范围内的火焰辐射光谱, 结合Levenberg-Marquardt最优化算法, 得到火焰温度和单色辐射率变化规律。 本文还提出了采用小波神经网络处理多光谱测温数据, 该方法可以取消发射率与波长之间的假设模型, 是一种获得目标真温及发射率行之有效的方法。 网络中隐含层的神经元是由S函数和Morlet小波函数的乘积组合构成, 在逼近火焰温度中具有良好的表现。

氧气顶回转炉(BOF)口火焰温度的分布是对炉内钢水温度和成分含量判定的一项重要依据。通过对炉口350~1100 nm光谱数据的分析，炉口火焰光谱为“带状”辐射重叠在连续的或“黑体”辐射上，在可见光波段有明显的辐射能力。以在南京钢铁公司炼钢炉前在线采集的400炉光谱数据为研究对象，应用小波分析和神经网络的两大类模型交叉结合的方式对炉口火焰温度进行建模预测，并对预测结果做出分析。结果表明，紧致型小波神经网络在预测中取得更佳的效果，基于多光谱测温理论的小波神经网络预测的结果与副枪测量的温度误差能够在理想的范围内。

炉口火焰是在转炉炼钢过程中最重要的对炉内钢水温度和成分含量判定的一个重要依据。将炉口火焰光谱分为两部分频谱：背景光谱和原子发射光谱特征。假设背景光谱光强度补偿了特征原子的受激而产生的自吸或者自蚀光强度损失，基于火焰发射光谱(FES)原理和转炉炼钢过程中的火焰光谱，推导出特征原子光谱和强度与火焰温度之间的关系。结果表明，火焰发射光谱测温法所测得的温度与实际温度的误差能够在理想的范围内。