基于SSA-BP 神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點(diǎn)碳含量預(yù)測(cè)

史雅雯 唐晗迪 郭超 周木春

（南京理工大學(xué) 江蘇省南京市 210094）

1 引言

轉(zhuǎn)爐煉鋼被廣泛的應(yīng)用于煉鋼產(chǎn)業(yè)中，轉(zhuǎn)爐終點(diǎn)控制是決定煉鋼質(zhì)量的關(guān)鍵因素，由于轉(zhuǎn)爐添加原料不穩(wěn)定，吹煉過(guò)程中化學(xué)反應(yīng)復(fù)雜并且冶煉鋼要求范圍嚴(yán)格，準(zhǔn)確控制轉(zhuǎn)爐端部碳含量是國(guó)內(nèi)外亟待解決的問(wèn)題。根據(jù)含碳量不同，碳素鋼可分為高碳鋼(含碳0.6-2%）、中碳鋼(含碳0.3-0.6%)、低碳鋼(含碳0.03-0.3%)，三種碳含量差距較小給控制帶來(lái)了較大的難度，基于此，眾多研究圍繞轉(zhuǎn)爐煉鋼終點(diǎn)的碳含量以及溫度值的預(yù)測(cè)展開(kāi)。

轉(zhuǎn)爐終點(diǎn)的控制主要經(jīng)歷了人工經(jīng)驗(yàn)控制、靜態(tài)控制和動(dòng)態(tài)控制等幾個(gè)發(fā)展階段：人工經(jīng)驗(yàn)控制主要是憑借工人的經(jīng)驗(yàn)對(duì)終點(diǎn)進(jìn)行判斷，觀察火花變化情況、火焰形狀等，該方法應(yīng)用普遍，但是很不準(zhǔn)確，并且耗時(shí)耗力，存在較大的問(wèn)題；靜態(tài)控制通過(guò)選取鋼水終點(diǎn)碳為目標(biāo)值，根據(jù)已知的原材料以及熱平衡原理等，計(jì)算出各種原料和氧氣的加入量。靜態(tài)控制方法提升了終點(diǎn)的命中率，但是由于煉鋼的反應(yīng)過(guò)程非常復(fù)雜，很難進(jìn)行準(zhǔn)確計(jì)算，也無(wú)法進(jìn)行動(dòng)態(tài)修正，有一定的局限性；動(dòng)態(tài)控制目前主要有副槍法和爐氣法，副槍法通過(guò)在吹煉終點(diǎn)時(shí)刻往鋼水中插入副槍，得到此時(shí)鋼水的溫度以及碳含量，爐氣法使用質(zhì)譜儀來(lái)檢測(cè)爐口溢出的一氧化碳和二氧化碳等爐氣成分，通過(guò)動(dòng)態(tài)模型實(shí)時(shí)修正參數(shù)，提高控制精度，但是這兩種方法成本很高，難以推廣到中小型轉(zhuǎn)爐廠。

從上世紀(jì)80 年代開(kāi)始，逐漸展開(kāi)了對(duì)爐口輻射信息的分析研究，通過(guò)光譜信息、火焰圖像等，構(gòu)建出非接觸方法對(duì)轉(zhuǎn)爐終點(diǎn)的碳含量進(jìn)行預(yù)測(cè)，而建模的方向也更加智能化，避開(kāi)了不明確的爐內(nèi)反應(yīng)機(jī)理，采用黑箱模型，提升了終點(diǎn)命中率。光譜信息利用光譜儀獲取方便且包含信息量十分豐富，而火焰圖像的連續(xù)拍攝難度高、數(shù)據(jù)量大且算法復(fù)雜，所以目前基于光譜圖像進(jìn)行終點(diǎn)控制的預(yù)測(cè)模型在終點(diǎn)控制中有著良好的應(yīng)用前景。

但是，光譜特征信息提取以及神經(jīng)網(wǎng)絡(luò)建模方法依然有待研究。本文借助人工經(jīng)驗(yàn)方法中判斷爐口火焰顏色的原理，從光譜中提取出特征參量輸入利用SSA 優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型中，構(gòu)建動(dòng)態(tài)預(yù)測(cè)模型，提高轉(zhuǎn)爐煉鋼終點(diǎn)的命中率。

2 光譜數(shù)據(jù)獲取

中小型煉鋼廠主要采取人工經(jīng)驗(yàn)控制的方法對(duì)轉(zhuǎn)爐終點(diǎn)進(jìn)行控制，其中一個(gè)主要依據(jù)是火焰的顏色，本實(shí)驗(yàn)引入U(xiǎn)SB4000 光譜儀對(duì)爐口終點(diǎn)光譜信息進(jìn)行采集。為了避免爐口高溫對(duì)采集產(chǎn)生的影響，設(shè)置準(zhǔn)直望遠(yuǎn)鏡來(lái)進(jìn)行爐口信息的采集并通過(guò)光纖傳輸至光譜儀，再將光譜信息傳輸至計(jì)算機(jī)進(jìn)行處理。

USB4000 光譜儀是一種光柵光譜儀，能夠采集波段300nm-1000nm 的光譜信息，每0.04s 采集一次數(shù)據(jù)，每幀光譜包含3648 個(gè)數(shù)據(jù)點(diǎn)，利用標(biāo)定方程即可得到各數(shù)據(jù)點(diǎn)對(duì)應(yīng)波長(zhǎng)與光強(qiáng)間的關(guān)系。

各波長(zhǎng)在時(shí)序上的光強(qiáng)分布如圖1 所示，前期、中期、后期的光譜分布基本符合脫碳理論，是一個(gè)一致的起伏過(guò)程，但在后期有較明顯的特征變化，本文針對(duì)吹煉后期的光譜特征進(jìn)行提取分析。

圖1：煉鋼過(guò)程三維光譜圖像

3 光譜特征提取

當(dāng)輸入數(shù)據(jù)屬于高維數(shù)據(jù)數(shù)據(jù)時(shí)，會(huì)使得計(jì)算量呈幾何倍數(shù)增加，造成運(yùn)算速度緩慢，因此必須對(duì)光譜數(shù)據(jù)作降維處理，進(jìn)而減少計(jì)算量。實(shí)驗(yàn)中得到的光譜包含了鋼水灰體輻射譜以及碳原子發(fā)射譜線，基于光譜輻射規(guī)律，本文將從吹煉后期的光譜圖像變化中分別提取穩(wěn)定特征和不穩(wěn)定特征作為神經(jīng)網(wǎng)絡(luò)模型的輸入。

由于受到環(huán)境噪聲、鋼水中其它元素等的影響，直接獲取到的光譜圖像噪聲較多，直接進(jìn)行分析會(huì)引起很大的誤差，影響預(yù)測(cè)效果。本文以對(duì)光譜圖像做時(shí)域上的平滑處理，為了獲取光譜在終點(diǎn)前的峰值特征變化，再對(duì)四幅平滑圖像做時(shí)域上的差分處理，可以看到圖2 中，光譜的重疊部分有明顯加重的痕跡，而背景部分被消除了，從而可以判斷光譜改變的位置以及改變了多少。通過(guò)實(shí)驗(yàn)得到以下結(jié)論：光譜的灰體輻射背景以及兩個(gè)碳原子發(fā)射峰的位置基本保持在穩(wěn)定的位置，而其余特征峰由于采集光譜時(shí)的干擾，會(huì)發(fā)生位置的改變，但是這些特征峰會(huì)穩(wěn)定出現(xiàn)在一個(gè)特定的區(qū)域內(nèi)，基于此結(jié)論本文進(jìn)行以下特征值的提取工作。

圖2：火焰光譜差分圖像

3.1 基于多項(xiàng)式擬合的灰體輻射背景的提取

如圖3 所示，光譜圖像中的連續(xù)譜是描述整體變化的重要特征，能夠反映出爐口火焰強(qiáng)度的變化，利用低次多項(xiàng)式對(duì)譜線進(jìn)行擬合，最大程度上刻畫(huà)光譜信息， 防止過(guò)度擬合。在實(shí)際擬合過(guò)程中發(fā)現(xiàn)發(fā)射峰可能會(huì)很寬，連續(xù)譜峰值高度易受發(fā)射峰峰值影響而提高。直觀上可以對(duì)原譜線去除發(fā)射峰波段所得到的譜線進(jìn)行擬合，但擬合曲線容易受到右側(cè)基底輻射突出部分影響而使偏度減小，使后續(xù)發(fā)射峰的擬合不準(zhǔn)確。故在兩發(fā)射峰中間取一段較為穩(wěn)定的區(qū)域。用一次最小二乘對(duì)該區(qū)域擬合后求出均值，用這個(gè)均值對(duì)整個(gè)譜線擬合出的低次多項(xiàng)式曲線進(jìn)行調(diào)制。因?yàn)檫x取的區(qū)域只是穩(wěn)定不是發(fā)射峰的區(qū)域，而不是真正連續(xù)譜的峰值，故還需要乘以一個(gè)通過(guò)擬合多爐合適的原譜線去除發(fā)射峰波段所得到的譜線的峰值除以該爐譜線兩發(fā)射峰中間一段對(duì)應(yīng)的均值得到的常量作為的先驗(yàn)量，約為 1.03，如圖4 所示。選取該調(diào)制曲線作為對(duì)連續(xù)譜的估計(jì)，其峰值和有效寬度作為輸入?yún)⒘縳、x。

圖3：光譜的連續(xù)譜擬合

圖4：光譜的發(fā)射峰擬合

3.2 基于高斯擬合的發(fā)射峰的提取

譜線特征的相關(guān)理論已經(jīng)很成熟，不考慮自吸和展寬，原子發(fā)射光譜峰型一般認(rèn)為是高斯、洛倫茲或佛克托線型。譜峰擬合就是根據(jù)采集的離散點(diǎn)數(shù)據(jù)選擇合適的線型擬合出光譜峰。

將原譜線與調(diào)制曲線相減，用步長(zhǎng)較短的S-G 平滑去掉小毛刺以防止高斯擬合失誤，再對(duì)光譜做高斯擬合，此處使用較常用的最小二乘法，得到發(fā)射峰峰值對(duì)應(yīng)的波長(zhǎng)為589.8nm、767.6nm 左右，如圖5 所示。將這高斯擬合對(duì)應(yīng)的峰值取對(duì)數(shù)后作為輸入?yún)⒘縳、x，對(duì)應(yīng)的方差作為輸入?yún)⒘縳、x。

3.3 基于差分譜的小特征峰的提取

譜峰擬合可歸為無(wú)約束非線性規(guī)劃的最優(yōu)化問(wèn)題。對(duì)前面得到的差分譜做峰值分析，隨機(jī)抽取10 爐數(shù)據(jù)得到三組小特征峰出現(xiàn)的波長(zhǎng)范圍：特征峰1- [667.88,671.63],特征峰2- [720.59,732.83]，特征峰3- [817.39,818.57]。求取終點(diǎn)光譜上離散光強(qiáng)值對(duì)應(yīng)波長(zhǎng)范圍的積分，以該積分值代替特征峰的特點(diǎn)，即利用三段波長(zhǎng)序列與光強(qiáng)分布曲線圍成的面積作為特征值x、x、x輸入。其中一爐的數(shù)據(jù)如圖5 所示。

圖5：光譜的小特征峰

4 終點(diǎn)碳含量預(yù)報(bào)

4.1 模型可行性分析

轉(zhuǎn)爐煉鋼的過(guò)程是一個(gè)復(fù)雜的高溫物理化學(xué)反應(yīng)過(guò)程，有傳熱、熔化等復(fù)雜的反應(yīng)現(xiàn)象，但是人們并不了解其內(nèi)部的反應(yīng)機(jī)理。黑箱模型忽略煉鋼過(guò)程中的一系列反應(yīng)，收集大量的實(shí)驗(yàn)數(shù)據(jù)，直接建立輸入量與輸出量之間的映射關(guān)系。本文提出的方法是根據(jù)煉鋼終點(diǎn)的光譜變化規(guī)律，建立起一個(gè)優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

神經(jīng)網(wǎng)絡(luò)模型有很強(qiáng)的自適應(yīng)性、魯棒性以及非線性特點(diǎn)，利用人工神經(jīng)元的激活或抑制來(lái)表現(xiàn)狀態(tài)，這一方面要優(yōu)于傳統(tǒng)的非線性模型。本文通過(guò)采集光譜圖像分析特征參量能夠找到吹煉過(guò)程的潛在規(guī)律，免去了分析煉鋼過(guò)程物理化學(xué)反應(yīng)機(jī)理的問(wèn)題。

綜上所述，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在煉鋼終點(diǎn)碳含量的預(yù)測(cè)方面是具備可行性的。

4.2 數(shù)據(jù)處理

BP 神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。BP 神經(jīng)網(wǎng)絡(luò)對(duì)樣本的要求比較高，如果訓(xùn)練樣本數(shù)目太少或是樣本自身缺陷較大都無(wú)法達(dá)到良好的擬合效果。

由于各項(xiàng)特征的數(shù)值變化范圍不一樣，可能會(huì)導(dǎo)致數(shù)值較小的特征貢獻(xiàn)不明顯，影響整體的預(yù)測(cè)效果。在輸入網(wǎng)絡(luò)之前要先對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。

綜合考慮訓(xùn)練效果以及數(shù)據(jù)操作性，綜合考慮訓(xùn)練效果以及數(shù)據(jù)操作性，本文選擇采用Z-score 標(biāo)準(zhǔn)歸一化的方法對(duì)輸入數(shù)據(jù)進(jìn)行處理。標(biāo)準(zhǔn)歸一化后的數(shù)據(jù)均值為 0，方差為 1。

4.3 優(yōu)化模型的建立

標(biāo)準(zhǔn)BP 神經(jīng)網(wǎng)絡(luò)本身有許多不足之處：收斂速度較慢、容易陷入局部最優(yōu)并且網(wǎng)絡(luò)會(huì)存在較大的冗余性等。為了得到更理想的訓(xùn)練精度，本系統(tǒng)采用麻雀搜索算法來(lái)優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)重與閾值。

麻雀種群在覓食過(guò)程中分為發(fā)現(xiàn)者與加入者兩部分，分別負(fù)責(zé)提供種群覓食的方向以及追隨并獲取食物。當(dāng)麻雀種群意識(shí)到危險(xiǎn)時(shí)，則會(huì)發(fā)生反捕食行為并更新種群位置。

本文提出的基于SSA 改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)轉(zhuǎn)爐煉鋼終點(diǎn)碳含量的具體預(yù)測(cè)過(guò)程如下：

步驟1：輸入光譜圖像的各項(xiàng)特征參量，將數(shù)據(jù)集以9：1 的比例劃分為訓(xùn)練集以及測(cè)試集，然后進(jìn)行數(shù)據(jù)的歸一化處理。

步驟2：初始化BP 神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)好網(wǎng)絡(luò)結(jié)構(gòu)。

步驟3：對(duì)SSA 算法的種群進(jìn)行初始化，計(jì)算出適應(yīng)度并選出領(lǐng)導(dǎo)者和追隨者。

步驟4：實(shí)時(shí)更新領(lǐng)導(dǎo)者以及追隨者的坐標(biāo)位置。

步驟5：計(jì)算更新后的適應(yīng)度值，并更新最優(yōu)個(gè)體。

步驟6：循環(huán)執(zhí)行步驟3～步驟5，當(dāng)滿足終止準(zhǔn)則時(shí)，就能夠得到BP 神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值。選取訓(xùn)練集與測(cè)試集整體的均方誤差為適應(yīng)度值。適應(yīng)度函數(shù)值越小，表明訓(xùn)練越準(zhǔn)確，且兼顧模型的預(yù)測(cè)精度更好。

步驟7：將得到的參數(shù)輸入BP 神經(jīng)網(wǎng)絡(luò)，完成仿真預(yù)測(cè)。

基于麻雀搜索算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)回歸模型對(duì)碳含量進(jìn)行識(shí)別的流程如圖6 所示。

圖6：SSA-BP 算法流程圖

根據(jù)優(yōu)化得到權(quán)值及閾值建立了6 層BP 神經(jīng)網(wǎng)絡(luò)，其主要構(gòu)成為：

（1）選取了9 項(xiàng)特征值，輸入層節(jié)點(diǎn)數(shù)為9；用于分類的網(wǎng)絡(luò)輸出結(jié)點(diǎn)數(shù)為2，用于回歸的網(wǎng)絡(luò)輸出結(jié)點(diǎn)數(shù)為1。

（2）線性層和激活層交替出現(xiàn)，輸入層為線性層。激活函數(shù)均選用sigmoid 函數(shù)。

（3）第一層線性層將輸入的9 維數(shù)據(jù)映射到128 維；第二層線性層將128 維映射到32 維；第三層線性層將32 維映射到2 維或1 維。

5 實(shí)驗(yàn)結(jié)果分析與討論

5.1 評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)模型的效果，選取多項(xiàng)評(píng)價(jià)指標(biāo)對(duì)優(yōu)化模型進(jìn)行效果驗(yàn)證。

（1）均方誤差是反映估計(jì)量與被估計(jì)量之間差異程度的一種度量。均方誤差是計(jì)算訓(xùn)練集每個(gè)數(shù)據(jù)點(diǎn)的預(yù)測(cè)值與實(shí)際值之間的平方誤差，并在所有數(shù)據(jù)點(diǎn)上取平均值。均方誤差越小則說(shuō)明擬合效果越好。

（2）收斂速度是反映神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度的一種度量。BP 神經(jīng)網(wǎng)絡(luò)作為一種人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)算法，應(yīng)用前景十分廣闊，但是其收斂速度太慢，在實(shí)際應(yīng)用中很難發(fā)揮作用，一般通過(guò)改進(jìn)算法優(yōu)化模型來(lái)嘗試提高收斂速度。

（3）精準(zhǔn)度是指預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的準(zhǔn)確率，100%為最優(yōu)結(jié)果。針對(duì)回歸問(wèn)題，本文使用R 值來(lái)評(píng)價(jià)連續(xù)值的精準(zhǔn)度。

5.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證模型的預(yù)測(cè)效果，本文將SSA-BP 算法與傳統(tǒng)BP 算法進(jìn)行對(duì)比。對(duì)比結(jié)果見(jiàn)表1 和圖7-8。

表1：兩種算法的均方誤差值對(duì)比

圖7：兩種算法收斂速度對(duì)比

圖8：測(cè)試集預(yù)測(cè)結(jié)果

通過(guò)對(duì)比可以觀察到，經(jīng)過(guò)麻雀搜索算法的優(yōu)化，模型的精準(zhǔn)度得到了提升，收斂迭代速度也更快。

6 結(jié)論

為了提高煉鋼終點(diǎn)碳含量預(yù)測(cè)的準(zhǔn)確性，本文提出了基于SSA-BP 神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點(diǎn)碳含量預(yù)測(cè)方法，引入了麻雀搜索算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值以及閾值進(jìn)行優(yōu)化。通過(guò)對(duì)爐口火焰光譜信息的提取，能夠?qū)K點(diǎn)碳含量進(jìn)行在線預(yù)測(cè)，實(shí)現(xiàn)對(duì)煉鋼終點(diǎn)自動(dòng)化控制。分別采用BP 算法以及SSA 優(yōu)化的BP 算法對(duì)終點(diǎn)碳含量進(jìn)行預(yù)測(cè)，從均方誤差的比較能夠看出，與傳統(tǒng)的BP 模型相比，本文的算法SSABP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率更高，能夠?qū)崿F(xiàn)對(duì)煉鋼終點(diǎn)碳含量的實(shí)時(shí)預(yù)報(bào)，為煉鋼終點(diǎn)的控制提供了新的方法。