基于SSA-BP 神经网络的转炉炼钢终点碳含量预测

史雅雯 唐晗迪 郭超 周木春

（南京理工大学 江苏省南京市 210094）

1 引言

转炉炼钢被广泛的应用于炼钢产业中，转炉终点控制是决定炼钢质量的关键因素，由于转炉添加原料不稳定，吹炼过程中化学反应复杂并且冶炼钢要求范围严格，准确控制转炉端部碳含量是国内外亟待解决的问题。根据含碳量不同，碳素钢可分为高碳钢(含碳0.6-2%）、中碳钢(含碳0.3-0.6%)、低碳钢(含碳0.03-0.3%)，三种碳含量差距较小给控制带来了较大的难度，基于此，众多研究围绕转炉炼钢终点的碳含量以及温度值的预测展开。

转炉终点的控制主要经历了人工经验控制、静态控制和动态控制等几个发展阶段：人工经验控制主要是凭借工人的经验对终点进行判断，观察火花变化情况、火焰形状等，该方法应用普遍，但是很不准确，并且耗时耗力，存在较大的问题；静态控制通过选取钢水终点碳为目标值，根据已知的原材料以及热平衡原理等，计算出各种原料和氧气的加入量。静态控制方法提升了终点的命中率，但是由于炼钢的反应过程非常复杂，很难进行准确计算，也无法进行动态修正，有一定的局限性；动态控制目前主要有副枪法和炉气法，副枪法通过在吹炼终点时刻往钢水中插入副枪，得到此时钢水的温度以及碳含量，炉气法使用质谱仪来检测炉口溢出的一氧化碳和二氧化碳等炉气成分，通过动态模型实时修正参数，提高控制精度，但是这两种方法成本很高，难以推广到中小型转炉厂。

从上世纪80 年代开始，逐渐展开了对炉口辐射信息的分析研究，通过光谱信息、火焰图像等，构建出非接触方法对转炉终点的碳含量进行预测，而建模的方向也更加智能化，避开了不明确的炉内反应机理，采用黑箱模型，提升了终点命中率。光谱信息利用光谱仪获取方便且包含信息量十分丰富，而火焰图像的连续拍摄难度高、数据量大且算法复杂，所以目前基于光谱图像进行终点控制的预测模型在终点控制中有着良好的应用前景。

但是，光谱特征信息提取以及神经网络建模方法依然有待研究。本文借助人工经验方法中判断炉口火焰颜色的原理，从光谱中提取出特征参量输入利用SSA 优化的BP 神经网络模型中，构建动态预测模型，提高转炉炼钢终点的命中率。

2 光谱数据获取

中小型炼钢厂主要采取人工经验控制的方法对转炉终点进行控制，其中一个主要依据是火焰的颜色，本实验引入USB4000 光谱仪对炉口终点光谱信息进行采集。为了避免炉口高温对采集产生的影响，设置准直望远镜来进行炉口信息的采集并通过光纤传输至光谱仪，再将光谱信息传输至计算机进行处理。

USB4000 光谱仪是一种光栅光谱仪，能够采集波段300nm-1000nm 的光谱信息，每0.04s 采集一次数据，每帧光谱包含3648 个数据点，利用标定方程即可得到各数据点对应波长与光强间的关系。

各波长在时序上的光强分布如图1 所示，前期、中期、后期的光谱分布基本符合脱碳理论，是一个一致的起伏过程，但在后期有较明显的特征变化，本文针对吹炼后期的光谱特征进行提取分析。

图1：炼钢过程三维光谱图像

3 光谱特征提取

当输入数据属于高维数据数据时，会使得计算量呈几何倍数增加，造成运算速度缓慢，因此必须对光谱数据作降维处理，进而减少计算量。实验中得到的光谱包含了钢水灰体辐射谱以及碳原子发射谱线，基于光谱辐射规律，本文将从吹炼后期的光谱图像变化中分别提取稳定特征和不稳定特征作为神经网络模型的输入。

由于受到环境噪声、钢水中其它元素等的影响，直接获取到的光谱图像噪声较多，直接进行分析会引起很大的误差，影响预测效果。本文以对光谱图像做时域上的平滑处理，为了获取光谱在终点前的峰值特征变化，再对四幅平滑图像做时域上的差分处理，可以看到图2 中，光谱的重叠部分有明显加重的痕迹，而背景部分被消除了，从而可以判断光谱改变的位置以及改变了多少。通过实验得到以下结论：光谱的灰体辐射背景以及两个碳原子发射峰的位置基本保持在稳定的位置，而其余特征峰由于采集光谱时的干扰，会发生位置的改变，但是这些特征峰会稳定出现在一个特定的区域内，基于此结论本文进行以下特征值的提取工作。

图2：火焰光谱差分图像

3.1 基于多项式拟合的灰体辐射背景的提取

如图3 所示，光谱图像中的连续谱是描述整体变化的重要特征，能够反映出炉口火焰强度的变化，利用低次多项式对谱线进行拟合，最大程度上刻画光谱信息， 防止过度拟合。在实际拟合过程中发现发射峰可能会很宽，连续谱峰值高度易受发射峰峰值影响而提高。直观上可以对原谱线去除发射峰波段所得到的谱线进行拟合，但拟合曲线容易受到右侧基底辐射突出部分影响而使偏度减小，使后续发射峰的拟合不准确。故在两发射峰中间取一段较为稳定的区域。用一次最小二乘对该区域拟合后求出均值，用这个均值对整个谱线拟合出的低次多项式曲线进行调制。因为选取的区域只是稳定不是发射峰的区域，而不是真正连续谱的峰值，故还需要乘以一个通过拟合多炉合适的原谱线去除发射峰波段所得到的谱线的峰值除以该炉谱线两发射峰中间一段对应的均值得到的常量作为的先验量，约为 1.03，如图4 所示。选取该调制曲线作为对连续谱的估计，其峰值和有效宽度作为输入参量x、x。

图3：光谱的连续谱拟合

图4：光谱的发射峰拟合

3.2 基于高斯拟合的发射峰的提取

谱线特征的相关理论已经很成熟，不考虑自吸和展宽，原子发射光谱峰型一般认为是高斯、洛伦兹或佛克托线型。谱峰拟合就是根据采集的离散点数据选择合适的线型拟合出光谱峰。

将原谱线与调制曲线相减，用步长较短的S-G 平滑去掉小毛刺以防止高斯拟合失误，再对光谱做高斯拟合，此处使用较常用的最小二乘法，得到发射峰峰值对应的波长为589.8nm、767.6nm 左右，如图5 所示。将这高斯拟合对应的峰值取对数后作为输入参量x、x，对应的方差作为输入参量x、x。

3.3 基于差分谱的小特征峰的提取

谱峰拟合可归为无约束非线性规划的最优化问题。对前面得到的差分谱做峰值分析，随机抽取10 炉数据得到三组小特征峰出现的波长范围：特征峰1- [667.88,671.63],特征峰2- [720.59,732.83]，特征峰3- [817.39,818.57]。求取终点光谱上离散光强值对应波长范围的积分，以该积分值代替特征峰的特点，即利用三段波长序列与光强分布曲线围成的面积作为特征值x、x、x输入。其中一炉的数据如图5 所示。

图5：光谱的小特征峰

4 终点碳含量预报

4.1 模型可行性分析

转炉炼钢的过程是一个复杂的高温物理化学反应过程，有传热、熔化等复杂的反应现象，但是人们并不了解其内部的反应机理。黑箱模型忽略炼钢过程中的一系列反应，收集大量的实验数据，直接建立输入量与输出量之间的映射关系。本文提出的方法是根据炼钢终点的光谱变化规律，建立起一个优化的神经网络预测模型。

神经网络模型有很强的自适应性、鲁棒性以及非线性特点，利用人工神经元的激活或抑制来表现状态，这一方面要优于传统的非线性模型。本文通过采集光谱图像分析特征参量能够找到吹炼过程的潜在规律，免去了分析炼钢过程物理化学反应机理的问题。

综上所述，神经网络预测模型在炼钢终点碳含量的预测方面是具备可行性的。

4.2 数据处理

BP 神经网络是一种应用最广泛的神经网络。BP 神经网络对样本的要求比较高，如果训练样本数目太少或是样本自身缺陷较大都无法达到良好的拟合效果。

由于各项特征的数值变化范围不一样，可能会导致数值较小的特征贡献不明显，影响整体的预测效果。在输入网络之前要先对样本数据进行归一化处理。

综合考虑训练效果以及数据操作性，综合考虑训练效果以及数据操作性，本文选择采用Z-score 标准归一化的方法对输入数据进行处理。标准归一化后的数据均值为 0，方差为 1。

4.3 优化模型的建立

标准BP 神经网络本身有许多不足之处：收敛速度较慢、容易陷入局部最优并且网络会存在较大的冗余性等。为了得到更理想的训练精度，本系统采用麻雀搜索算法来优化BP 神经网络的初始权重与阈值。

麻雀种群在觅食过程中分为发现者与加入者两部分，分别负责提供种群觅食的方向以及追随并获取食物。当麻雀种群意识到危险时，则会发生反捕食行为并更新种群位置。

本文提出的基于SSA 改进的BP 神经网络算法对转炉炼钢终点碳含量的具体预测过程如下：

步骤1：输入光谱图像的各项特征参量，将数据集以9：1 的比例划分为训练集以及测试集，然后进行数据的归一化处理。

步骤2：初始化BP 神经网络，设计好网络结构。

步骤3：对SSA 算法的种群进行初始化，计算出适应度并选出领导者和追随者。

步骤4：实时更新领导者以及追随者的坐标位置。

步骤5：计算更新后的适应度值，并更新最优个体。

步骤6：循环执行步骤3～步骤5，当满足终止准则时，就能够得到BP 神经网络的最优初始权值和阈值。选取训练集与测试集整体的均方误差为适应度值。适应度函数值越小，表明训练越准确，且兼顾模型的预测精度更好。

步骤7：将得到的参数输入BP 神经网络，完成仿真预测。

基于麻雀搜索算法改进的神经网络回归模型对碳含量进行识别的流程如图6 所示。

图6：SSA-BP 算法流程图

根据优化得到权值及阈值建立了6 层BP 神经网络，其主要构成为：

（1）选取了9 项特征值，输入层节点数为9；用于分类的网络输出结点数为2，用于回归的网络输出结点数为1。

（2）线性层和激活层交替出现，输入层为线性层。激活函数均选用sigmoid 函数。

（3）第一层线性层将输入的9 维数据映射到128 维；第二层线性层将128 维映射到32 维；第三层线性层将32 维映射到2 维或1 维。

5 实验结果分析与讨论

5.1 评价指标

为了评价模型的效果，选取多项评价指标对优化模型进行效果验证。

（1）均方误差是反映估计量与被估计量之间差异程度的一种度量。均方误差是计算训练集每个数据点的预测值与实际值之间的平方误差，并在所有数据点上取平均值。均方误差越小则说明拟合效果越好。

（2）收敛速度是反映神经网络模型训练速度的一种度量。BP 神经网络作为一种人工神经网络的基础算法，应用前景十分广阔，但是其收敛速度太慢，在实际应用中很难发挥作用，一般通过改进算法优化模型来尝试提高收敛速度。

（3）精准度是指预测结果与真实结果的准确率，100%为最优结果。针对回归问题，本文使用R 值来评价连续值的精准度。

5.2 实验结果

为了验证模型的预测效果，本文将SSA-BP 算法与传统BP 算法进行对比。对比结果见表1 和图7-8。

表1：两种算法的均方误差值对比

图7：两种算法收敛速度对比

图8：测试集预测结果

通过对比可以观察到，经过麻雀搜索算法的优化，模型的精准度得到了提升，收敛迭代速度也更快。

6 结论

为了提高炼钢终点碳含量预测的准确性，本文提出了基于SSA-BP 神经网络的转炉炼钢终点碳含量预测方法，引入了麻雀搜索算法对BP 神经网络的权值以及阈值进行优化。通过对炉口火焰光谱信息的提取，能够对终点碳含量进行在线预测，实现对炼钢终点自动化控制。分别采用BP 算法以及SSA 优化的BP 算法对终点碳含量进行预测，从均方误差的比较能够看出，与传统的BP 模型相比，本文的算法SSABP 神经网络模型的预测准确率更高，能够实现对炼钢终点碳含量的实时预报，为炼钢终点的控制提供了新的方法。