CN102031372A - 一种电硅热法冶炼中低碳铬铁终点成分在线预测*** - Google Patents

Abstract

本发明电硅热法冶炼中低碳铬铁终点成分在线预测***涉及矿热炉冶炼技术领域，该***包括信息采集装置和计算机处理***，所述信息采集装置通过网络与所述计算机处理***进行通信，其用于对中低碳铬铁终点成分在线预测所需的数据进行采集；所述计算机处理***对采集到的数据利用多尺度支持向量机信息融合的方法构建基于工况的电硅热法冶炼中低碳铬铁终点成分在线预测模型，实现电硅热法冶炼中低碳铬铁终点成分的在线预测，并将预报结果制成网页以供实时在线查询。本发明的有益效果是：该方法有效地提高了预测精度，使预测结果更加准确、合理，更具有实用性。

Description

一种电硅热法冶炼中低碳铬铁终点成分在线预测***

技术领域

本发明涉及矿热炉冶炼技术领域，尤其涉及一种电硅热法冶炼中低碳铬铁终点成分在线预测***。

背景技术

电硅热法是指在矿热炉内造碱性炉渣的条件下，用硅铬合金中的硅还原铬矿中铬和铁的氧化物生产中低碳铬铁的方法。电硅热法冶炼中低碳铬铁终点成分包括温度、含碳量和含硅量。这三个变量的在线预测不但关系着冶炼的终点时刻的判断，确定出铁时间，对整个冶炼过程的供电制度、生产质量以及节能降耗等都起着关键的指导作用。

电硅热法冶炼中低碳铬铁的冶炼过程包括引弧加料、主熔期、精炼初期和精炼期四种工况。熔化期是整个冶炼过程中时间最长、耗电量最大的阶段，由于开始发生还原反应，产品中的碳含量、硅含量降低能够降低炉渣的熔点，使炉料加快融化，因此合理的温度、碳含量和硅含量的控制可以加快生产效率，降低能源消耗。精炼初期和精炼期是指炉内物料熔化完后到出铁前的这段冶炼时间，也是控制合金成分的关键阶段。这两个时期必须合理控制温度，保持一定的精炼时间，太长会使金属增碳，并浪费电能；太短则还原反应进行的不彻底，金属回收率低。因此终点时刻的判断尤为重要，传统的终点时刻判断方法是根据取样判断合金含硅量以确定出铁时间，即出铁前在三根电极的中间取样，判断含硅量和含碳量，硅量低应补加硅铬进行调硅；硅高应酌情加铬矿脱硅处理。待成分合格即可出铁。即目前终点成分的判定多为操作人员的主观经验。终点成分中的含硅量还可用于判定炉料中硅铬合金用量和炉渣碱度控制是否得当，且精炼期所采用的供电制度若长期采用高压长弧也会增加矿热炉的热损，降低冶炼设备和炉衬的寿命。因此通过对电硅热法冶炼中低碳铬铁终点成分准确的在线预测，可以及时调整整个冶炼过程中各种物料的加入和供电策略，快速、准确地达到产品生产要求，缩短冶炼周期，提高矿热炉的生产效率和使用寿命。

目前在冶炼过程中，对中低碳铬铁冶炼终点成分实现准确而及时的判定尚不具备条件，要较好的控制中低碳铬铁出铁时间，建立各个工况的合理供电制度，就必须通过准确的预测，结合智能控制技术，合理确定精炼时间，以便更好的满足冶炼要求。对此，各国钢铁企业以及相关研究机构一直致力于中低碳铬铁精炼技术的研究和应用，常采用的方法有：基于专家***的工况判断、基于神经网络的碳含量预测方法和以实际工程经验为基础的直接判断法，其优化目标是基于经验风险最小化，因此易陷入局部最优，训练结果不太稳定，且一股需要大量的数据样本。

支持向量机(Support Vector Machines，SVM)是在统计学习理论中发展起来的，广泛应用于非线性分类、函数逼近、模式识别领域，摆脱了长期以来从生物仿生学的角度构建学习机器的束缚。此外，基于SVM的快速迭代方法和简化算法也得到迅速的发展。与神经网络相比，支持向量机方法具有更坚实的数学理论基础，可以有效地解决有限样本条件下的高维数据模型构建问题，并具有泛化能力强、收敛到全局最优、维数不敏感等优点。

发明内容

本发明解决了现有技术所存在的大数据量数据样本训练时间过长，以及整个冶炼过程采用单一模型进行预测时存在误差的技术问题，提供一种电硅热法冶炼中低碳铬铁终点成分在线预测***，该***充分利用不同冶炼工况的各种传感器信息，采用多尺度支持向量机进行融合分析，而且预测结果具有较高的准确率，能够满足实际需要，友好的界面设计更为简单实用。

本发明解决技术问题所采用的技术方案如下：

一种电硅热法冶炼中低碳铬铁终点成分在线预测***，包括信息采集装置和对采集的信号进行信息融合的计算机处理***；信息采集装置包括电表、水表、气表和PLC电炉控制***，它们对电硅热法冶炼中低碳铬铁终点成分预测所需的相关信息进行提取，其中电表、水表、气表通过485网络与计算机处理***通信，PLC电炉控制***通过以太网与计算机处理***通信，实现数据的传送；计算机处理***对采集到的数据首先采用主成分分析的方法对输入数据样本进行降维处理，然后利用多尺度支持向量机信息融合的方法构建电硅热法冶炼中低碳铬铁终点成分预测模型，实现中低碳铬铁冶炼终点成分的实时在线预测，其中最佳分解尺度信息根据不同的冶炼工况采用Levenberg-Marquart算法进行优化设计，冶炼工况的判断采用贝叶斯分类器实现。

本发明的有益效果如下：

1)由于采用了信息采集装置，可实时获取来自中低碳铬铁冶炼过程的各项参数，并将信息传到计算机处理***；

2)通过采用主成分分析的方法对数据样本进行优化，对经过降维的传感器信息采用多尺度支持向量机进行数据融合，对电硅热法冶炼中低碳铬铁终点成分进行预测，解决了整个冶炼过程，使用单一的预测模型预测精度不同的问题；

3)本发明冶炼工况的分类采用贝叶斯判别方法实现，最佳分解尺度的优化采用Levenberg-Marquart算法实现，从而实现了根据不同的冶炼工况选择不同的多尺度支持向量机模型参数，提高了支持向量机的学习效率和回归能力，因此有效地提高了电硅热法冶炼中低碳铬铁终点成分在线预测精度，使预测结果更加准确、合理，更具有实用性；

4)本发明将采集到的数据存放在SQL Server 2000数据库，软件设计中的算法由Java语言编写，界面为Jsp代码实现的动态网页形式，将预测结果以图表的形式显示，使预测结果更加准确、合理，更具有实用性，同时将预测结果作成网页形式，提供了更为简洁、方便的浏览模式。

附图说明

图1是本发明电硅热法冶炼中低碳铬铁终点成分在线预测***的结构框图。

图2是本发明电硅热法冶炼中低碳铬铁终点成分在线预测***的原理图。

图3是本发明数据的输入和后台算法实现过程的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明的电硅热法冶炼中低碳铬铁终点成分在线预测***包括：由电表、水表、气表、PLC电炉控制***构成的信息采集装置和计算机处理***。其中，电表、水表、气表通过485网络与计算机处理***通信，PLC电炉控制***通过以太网与计算机处理***通信，实现数据的传送。

如图2所示，本发明的电硅热法冶炼中低碳铬铁终点成分在线预测***，利用计算机处理***通过多尺度支持向量机信息融合的方法完成电硅热法冶炼中低碳铬铁终点成分在线预测。首先采用主成分分析的方法对输入数据样本进行降维处理，用较少的新变量代替原来较多的输入数据，且求得的新变量能尽量多地反映原来变量所包含的信息，实现输入数据样本的优化；然后采用多尺度支持向量机的方法对输入的新变量进行数据融合，针对不同的冶炼工况采用不同的尺度，实现电硅热法冶炼中低碳铬铁终点成分在线预测。其中多尺度支持向量机算法中的最佳分解尺度信息根据不同的冶炼工况采用Levenberg-Marquart算法进行优化设计，冶炼工况的判断采用贝叶斯分类器实现。

输入向量分别对应影响低碳铬铁冶炼终点成分的主要因素，设输入向量为x＝{x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉}，其中x₁为预报周期时间内的电极压放量，x₂为预报周期内的电极弧流，x₃为通电时间，x₄为预报周期内的变压器二次侧电流，x₅为预报周期内的变压器二次侧电压，x₆为炉底温度，x₇为有功电能，x₈为电炉冷却水流量，x₉为炉料含硅量。其中电极压放量，电极弧流和炉底温度来自PLC电炉控制***；炉料含硅量为手工录入。变压器二次侧电流，变压器二次侧电压和有功电能的测量来自电表；电炉冷却水流量来自水表；输出向量为{y₁，y₂，y₃}，其中y₁为温度，y₂为含碳量，y₃为含硅量。

本发明电硅热法冶炼中低碳铬铁终点成分在线预测***中计算机处理***的处理过程如下：

1、基于主成分分析的输入数据样本优化

有σ个低碳铬铁冶炼过程数据样本，每个样本共有p个变量，构成一个n×p阶的铁合金电炉冶炼过程数据矩阵：

式中，p＝9，σ＝60。

根据方差最大化原理，用一组新的、线性无关且相互正交的向量来表征原来数据。这组新向量(主成分)是原始数据向量的线性组合。设z₁，z₂，...，z_m(m≤p)为新向量，则新向量z₁，z₂，...，z_m分别称为原数据样本x₁，x₂，...，x_P的第1，第2，...，第m主成分，有下式：

$\left\{\begin{array}{c}{z}_1=l_{11}{x}_1+l_{12}{x}_2+\mathrm{\Λ}+l_{1p}{x}_p\\ z_2=l_{21}{x}_1+l_{22}{x}_2+\mathrm{\Λ}+l_{2p}{x}_p\\ ......\\ z_m=l_{m1}{x}_1+l_{m2}{x}_2+\mathrm{\Λ}+l_{\mathrm{mp}}{x}_p\end{array}\right.---\left(1\right)$

式中，系数l_ij为主成分载荷，其计算步骤如下：

第一步相关系数矩阵的计算

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{\Λ}& r_{1p}\\ r_{21}& r_{22}& \mathrm{\Λ}& r_{2p}\\ M& M& & M\\ r_{p1}& r_{p2}& \mathrm{\Λ}& r_{\mathrm{pp}}\end{array}\right]---\left(2\right)$

式中，r_ij(i，j＝1，2，...，p)为原变量x_i与x_j的相关系数，r_ij＝r_ji，其计算公式为：

第二步特征值与特征向量的计算

1)根据第一步求得的相关系数矩阵R，解特征方程|λI-R|＝0，式中，I为单位阵，λ为特征值，采用奇异值分解法求出特征值，并按大小顺序排列λ₁≥λ₂≥...≥λ_p≥0；

2)求出对应于特征值λ_i的特征向量e_i(i＝1，2，...，p)，要求||e_i||＝1，即

其中，e_ij表示向量e_i的第j个分量。

第三步主成分贡献率及累计贡献率的计算

${\mathrm{\μ}}_i=\frac{{\mathrm{\λ}}_i}{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}(i=\mathrm{1,2},\mathrm{\Λ},p)---\left(3\right)$

${\mathrm{\η}}_m=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}(m\≤p)---\left(4\right)$

式中，μ_i、η_m分别为主成分z_i的贡献率和前m个主成分的累计贡献率。

第四步主成分载荷的计算

$l_{\mathrm{ij}}=p(z_i,x_j)=\sqrt{{\mathrm{\λ}}_i}{e}_{\mathrm{ij}}(i,j=\mathrm{1,2},\mathrm{\Λ},p)---\left(5\right)$

式中，l_ij为主成分载荷，e_ij和λ_i的定义见第二步。

第五步主成分个数的确定

由相关系数矩阵公式(2)计算特征值，以及各个主成分的贡献率μ_i公式(3)与累计贡献率η_m公式(4)，当主成分的累计贡献率η_m大于85％时，求得主成分的数目m，根据式(5)，求得l_1j，l_2j，。。。，l_ij，代入式(1)，求得的z₁，z₂，...，z_m共m个主成分即可代替原来9个变量(x₁，x₂，...，x₉)描述低碳铬铁冶炼过程，压缩变量个数，剔除冗余信息，使模型更好地反映真实情况，实现输入数据样本的优化。

由于中低碳铬铁冶炼过程中多传感器量测到数据通常是以矩阵的形式在数据库中存储的，数据信息往往存在冗余和重叠。因此采用基于变量协方差矩阵对传感器采集的数据信息进行处理的主成分分析的方法可把原来多个变量划为少数几个新变量，从而消除传感器数据信息间存在的共线性，克服运算繁杂、矩阵病态等问题，而且经过降维的新变量既能表征传感器采集的数据所反映的铁合金电炉冶炼过程信息，同时这些新变量之间又是彼此独立的。

2、基于冶炼工况的电硅热法冶炼中低碳铬铁终点成分在线预测

2.1基于多尺度支持向量机的电硅热法冶炼中低碳铬铁终点成分在线预测

输入输出数据集为{z_n，y_n}，z＝[z₁；z₂；...；z_m]，y＝[y₁，y₂，；y₃]，n为低碳铬铁冶炼过程数据样本。考虑到量测噪声的存在，输入输出数据可表示为：

y_n＝f(z_n)+ε_n  n＝1，2，...，σ

式中，ε_n为独立分布的随机变量，f为从输入空间到高维特征空间的非线性映射。z_n为输入数据集，y_n为输出数据集。σ为输入输出数据集样本个数。

定义：

式中，ω为权向量，b为偏置，为从输入空间到高维特征空间的非线性映射。ω、b是待定参数。

为求得向量ω和标量b，根据已知的σ个样本，利用作结构风险最小化原则构造最小化的目标函数：

$\underset{\mathrm{\ω},b,c}{\min }{J}^{*}=\frac{1}{2}{\mathrm{\ω}}^T\mathrm{\ω}+\frac{C}{2}\underset{n=1}{\overset{\mathrm{\σ}}{\mathrm{\Σ}}}{e}_n^2---\left(7\right)$

其中，e_n为训练数据精度，C为容量因子。

为为最小二乘损失函数。J^*为目标函数。

满足式(8)的等式约束条件：

定义Lagrange方程为：

其中，α_n为Lagrange乘子。

根据KTT条件：

$\frac{\∂G}{\∂b}=0\⇒\underset{n=1}{\overset{\mathrm{\σ}}{\mathrm{\Σ}}}{\mathrm{\α}}_n=0$

(10)

$\frac{\∂G}{{\∂e}_n}=0\⇒{\mathrm{\α}}_n={\mathrm{Ce}}_n$

对于n＝1，...，σ，消去ω和e_n，得到如下方程：

$\left[\begin{array}{cc}0& L^T\\ L& D^{T}D+C^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]---\left(11\right)$

其中：L＝[1...1]^T，Y＝[y₁...y_σ]^T，α＝[α₁...α_σ]^T，D＝[ψ(z₁)，...，ψ(z_σ)]， $\mathrm{\ω}=\underset{n=1}{\overset{\mathrm{\σ}}{\mathrm{\Σ}}}{\mathrm{\α}}_n\mathrm{\ψ}\left(Z_n\right)$

采用最小二乘辨识算法，根据式(11)可求出参数α_n和b。令

式中，K(z，z_n)称为核函数，则预报输出为：

$y\left(z\right)=\underset{n=1}{\overset{\mathrm{\σ}}{\mathrm{\Σ}}}{\mathrm{\α}}_{n}K(z,z_n)+b---\left(13\right)$

由于小波核函数不仅具有非线性映射的特征，而且对非平稳信号可实现逐级精细的分析，采用小波支持向量机能够以较高的精度逼近任意函数，这是传统的核函数所不具备的。因此本发明采用Morlet小波函数的实数形式：

式中，q₀＝5。

定义Morlet小波函数为尺度核函数：

式中，δ为平移系数，2^j为尺度。

采用多尺度支持向量机方法实现终点成分在线预测时，影响预测精度一个重要因素就是模型中参数的选取。尤其是本发明采用Morlet小波函数，针对在整个冶炼过程中，不同的冶炼工况，传感器采集到的时间序列变化率是不同的，采用因此单一的预测模型通常会在某一工况时期拥有较好的预测结果，在其他的工况时期就会存在大的预测误差，因此对于整个冶炼过程，单一的预测模型会影响整个冶炼过程中终点成分的预测精度，因此对于反应慢的冶炼工况应加大j值，对于反应快速的冶炼工况应减小j值。

本发明首先采用贝叶斯分类方法实现不同的冶炼工况的分类，然后采用Levenberg-Marquart算法进行最佳分解尺度的优化。即根据不同的冶炼工况选择不同的模型参数，以提高支持向量机的学习效率和回归能力。

2.2基于贝叶斯分类方法的冶炼工况分类

整个冶炼工况包括引弧加料、主熔期、精炼初期和精炼期四种，贝叶斯分类方法是利用传感器采集的数据样本的先验概率，利用贝叶斯公式求得其后验概率，即传感器采集的数据属于某一工况的概率，选择具有最大后验概率的工况作为其所属的类。从而实现冶炼工况分类。实现过程如下：

将传感器采集的数据训练样本x用一个n维特征向量{x₁，x₂，...，x_n}表示，本发明中n＝9。分别描述n个传感器检测来的数据。设训练样本有k类目标变量，分别为{M₁，M₂…，M_k}，本发明k＝4，M₁为引弧加料，M₂为主熔期，M₃为精炼初期，M₄为精炼期。f₁(x)，f₂(x)，…，f_k(x)为其概率密度函数。假设p_i为样本x来自总体M_i的先验概率。P(M_i|x)为样本x来自总体M_i的后验概率，根据贝叶斯原理有：

$P\left(M_i\right|x)=\frac{p_i{f}_i\left(x\right)}{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{p}_j{f}_j\left(x\right)}i=\mathrm{1,2},...,k---\left(15\right)$

用G_i表示全体样本中可能判给M_i的集合，来自M_i的样本x误判为M_i的代价用d(j|i)(i，j＝1，2，...，k)表示，则d(i|i)＝0，来自M_i的样本x误判为M_j的条件概率为：

$P(j/i)=P(x\∈G_j|x\∈M_i)={\∫}_{G_j}{f}_i\left(x\right)\mathrm{dx}---\left(16\right)$

则求得平均误判代价为

$\mathrm{ECM}(G_1,G_2,\mathrm{\Λ},G_k)=E\left(d(j/i)\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{p}_i\underset{j=1}{\overset{k}{\mathrm{\Σ}}}d(j/i)P(j/i)---\left(17\right)$

使式(17)的平均误判代价ECM(G₁，G₂，Λ，G_k)最小作为判别规则，则有：

x∈M_i，若 $\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{p}_j{f}_j\left(x\right)d(i,j)=\underset{1\≤h\≤k}{\min }\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{p}_j{f}_j\left(x\right)d(h/j)$

根据式(18)，计算传感器采集的数据样本判归M_i的平均误判代价比判归其他总体的平均误判代价小时，则可将此样本判归M_i组，从而实现了工况判断。

2.3基于Levenberg-Marquart算法的最佳分解尺度优化

令q＝[k，2^j]，q^new为优化后的参数，q^old为优化前的参数，误差e＝q^new-q^old，设q^new-q^old很小，则可将e展开成一阶Taylor级数。

e(q^new)＝e(q^old)+μ(q^new-q^old)(19)

式中，

${\left(\mathrm{\μ}\right)}_{\mathrm{pi}}=\frac{{\∂e}^p}{\∂q_i}---\left(20\right)$

其中，p是第p个样本；e是以e^p为元素的向量。

则误差平方和为

$E=\frac{1}{2}{\left|\right|e\left(q^{\mathrm{old}}\right)+\mathrm{\μ}(q^{\mathrm{new}}-q^{\mathrm{old}})\left|\right|}^2+\mathrm{\λ}{\left|\right|q^{\mathrm{new}}-q^{\mathrm{old}}\left|\right|}^2---\left(21\right)$

式中，λ＝10^sgn(e^(qnew)-e^(qold))，初值任选。

将式(21)对q^new求导以使E最小，可得

q^newq^old-(μ^Tμ+λI)^-1μ^Te(q^old)(22)

将式(22)结果代入式(19)～(21)，如此重复，直至E满足要求，此时求得的q^new即为采用Levenberg-Marquart算法优化后求得的式(14)最佳分解尺度k，2^j。

3软件平台设计

本发明电硅热法冶炼中低碳铬铁终点成分在线预测***，有信息采集装置采集来的实时数据采用SQL Server 2000数据库管理***保存，存储格式如表1、表2所示。软件设计中的算法采用Java语言编写，界面为Jsp代码实现的动态网页形式。数据的输入以及进入后台算法的具体实现过程如图3所示。

表1产品矿种信息表cpkz

字段名   数据类型  长度   是否为空   描述

id       int        4     否         产品矿种编号(自增)

name     varchar    30    否         矿种名称

表2炉次信息表lc

字段名    数据类型  长度   是否为空   描述

id        int       4      否        炉次编号(自增)

name      varchar   30     否        炉次名称

yggl      float     8      否        有功功率

wggl      float     8      否        无功功率

llzl      float     8      否        炉料含硅量

djyfl     float     8      否        电极压放量

eccdy     float     8      否        变压器二次侧电压

tdsj      varchar   10     否        通电时间

ldwd      float     8      否        炉底温度

lqsll     float     8      否        电炉冷却水流量

djhl      float     8      否        电极弧流

belong    varchar   30     否        所属炉子

通过选择炉次、冶炼时间段和产品矿种，点击“提交”按钮，***从数据库调用页面所需数据(电极压放量，电极弧流，通电时间，变压器二次侧电流，变压器二次侧电压，炉底温度，有功电能，电炉冷却水流量，炉料含硅量，然后经页面简单做差运算而获得)，点击“工况判断”按钮，***调用主成分分析进行输入样本优化，然后采用支持向量机数据融合的方法进行中低碳铬铁冶炼终点时刻的预测。结果显示在网页上，也可以以EXCEL和WORD的格式保存。

Claims (5)

1.一种电硅热法冶炼中低碳铬铁终点成分在线预测***，其特征在于，该***包括信息采集装置和计算机处理***，所述信息采集装置通过网络与所述计算机处理***进行通信，其用于对中低碳铬铁终点成分在线预测所需的数据进行采集；所述计算机处理***对采集到的数据利用多尺度支持向量机信息融合的方法构建基于工况的电硅热法冶炼中低碳铬铁终点成分在线预测模型，实现电硅热法冶炼中低碳铬铁终点成分的在线预测，并将预报结果制成网页以供实时在线查询。

2.如权利要求1所述的一种电硅热法冶炼中低碳铬铁终点成分在线预测***，其特征在于，所述信息采集装置包括电表、水表、气表和PLC电炉控制***，它们分别对中低碳铬铁终点成分在线预测所需的电压、水压、气压和电炉工况信息进行采集；所述电表、水表、气表分别通过485网络与计算机处理***通信，所述PLC电炉控制***通过以太网与计算机处理***通信，实现数据的传送。

3.如权利要求1所述的一种电硅热法冶炼中低碳铬铁终点成分在线预测***，其特征在于，所述计算机处理***对采集到的数据首先采用主成分分析的方法对输入数据样本进行降维处理，实现输入数据样本的优化；然后利用多尺度支持向量机信息融合的方法构建电硅热法冶炼中低碳铬铁终点成分预测模型，实现中低碳铬铁冶炼终点成分的实时在线预测；

4.如权利要求3所述的一种电硅热法冶炼中低碳铬铁终点成分在线预测***，其特征在于，所述计算机处理***采用贝叶斯分类器实现冶炼工况的判断，根据不同的冶炼工况采用改进的Levenberg-Marquart算法进行最佳分解尺度的优化设计。

5.如权利要求1所述的一种电硅热法冶炼中低碳铬铁终点成分在线预测***，其特征在于，所述计算机处理***将采集到的数据存放在SQL Server 2000数据库中，采用Java语言和Jsp代码实现动态网页设计，将预测结果以图表的形式显示。

Images