李嘉卉，董 波，佟 冰，賈 濤，張 東

(中國重型機(jī)械研究院股份公司，陜西 西安 710032)

0 前言

LF精煉作為轉(zhuǎn)爐煉鋼與連鑄之間的樞紐過程，溫度控制至關(guān)重要，合理的溫度控制能夠減少LF精煉過程中不必要的成本消耗。精煉處理過程中，通電時(shí)長、吹氬氣流量等方面的把握，能有效節(jié)約成本，控制節(jié)奏，提高精煉效率。因此為了實(shí)現(xiàn)LF精煉智能化，準(zhǔn)確的溫度預(yù)報(bào)必不可少。

本文通過對(duì)某鋼廠相同狀態(tài)下LF精煉千余爐完整生產(chǎn)數(shù)據(jù)的分析，針對(duì)影響LF爐精煉溫度變化的因素深入探究,建立了基于機(jī)器學(xué)習(xí)的智能溫度預(yù)報(bào)算法，最終實(shí)現(xiàn)了對(duì)鋼水出站溫度的高準(zhǔn)確度預(yù)報(bào)。

1 LF精煉溫度影響因素

為了實(shí)現(xiàn)對(duì)鋼水溫度的準(zhǔn)確預(yù)報(bào)，首先要探究影響溫度變化的因素都有哪些，且如何引起溫度變化。在鋼包處于相同狀態(tài)的情況下(本實(shí)驗(yàn)數(shù)據(jù)均來自舊鋼包冶煉的生產(chǎn)數(shù)據(jù))，LF精煉溫度的影響因素可大體的分為進(jìn)站起始溫度、電極通電溫變、吹氬攪拌溫變、造渣溫變、合金化溫變和總處理時(shí)間這幾個(gè)部分。

1.1 起始溫度

相同的鋼包狀態(tài)下，鋼液的起始溫度主要是由轉(zhuǎn)爐的出鋼溫度決定。在對(duì)所有進(jìn)站起始溫度數(shù)據(jù)分析后發(fā)現(xiàn)有78.7%的數(shù)據(jù)起始溫度在1 535～1 555 ℃之間，平均起始溫度為1 548 ℃。鋼液的起始溫度作為煉鋼起始階段的重要指標(biāo)會(huì)直接影響之后的冶煉操作。

1.2 電極通電溫變

LF精煉通過三相石墨電極與鋼液間產(chǎn)生電弧達(dá)到加熱升溫目的。鋼水由轉(zhuǎn)爐出鋼后到達(dá)LF處理工位時(shí)鋼水表面附著較厚的爐渣，因此造渣階段通電產(chǎn)生的熱能一部分作用于融渣。同時(shí)，由于處理的起始階段鋼包和鋼液之間存在溫差(鋼包溫度低于鋼液),兩者間的熱平衡會(huì)損耗部分加熱能量。加熱過程中鋼液溫度變化公式

(1)

式中，ΔTPower為電極通電產(chǎn)生的溫變；P1為造渣階段鋼液升溫系數(shù)；tp1為造渣階段通電時(shí)間，min；P2為合金化階段鋼液升溫系數(shù)；tp_i為合金化第i次通電時(shí)間，min。

1.3 吹氬攪拌溫變

氬氣攪拌環(huán)節(jié)有協(xié)助鋼液脫硫、脫氧，均勻鋼水成分以及去除雜質(zhì)的效果，攪拌強(qiáng)度會(huì)直接影響鋼水溫度。根據(jù)吹氬強(qiáng)度的不同，可分為軟吹氬、中吹氬和強(qiáng)吹氬，鋼液的溫降速率也從軟吹到強(qiáng)吹依次遞增。攪拌過程中對(duì)鋼液溫度的影響為

(2)

式中，ΔTBlow為吹氬攪拌過程產(chǎn)生的溫變；Bstrong、Bnormal、Bsoft為表示強(qiáng)吹氬、中吹氬和軟吹階段鋼液的溫降系數(shù)；tstrong_i、tnormal_i、tsoft_i為第i次強(qiáng)吹氬、中吹氬和軟吹階段用時(shí)，min。

如圖1所示為不同氬氣攪拌強(qiáng)度溫變分布圖，從圖1可以看出，精煉階段強(qiáng)吹氬導(dǎo)致的鋼液總溫降與中吹氬總溫降基本重合。

圖1 不同氬氣攪拌強(qiáng)度溫變分布圖

1.4 造渣溫變

通過加入造渣劑使鋼水深脫氧、脫硫，去除非金屬雜質(zhì)，起泡埋弧，抑制鋼液被氧化的同時(shí)保溫。本項(xiàng)目所在鋼廠對(duì)于LF精煉造渣過程使用的造渣劑主要是石灰(CaO)和鋁渣(Al)。造渣過程中Al發(fā)生氧化反應(yīng)放熱，同時(shí)Al作為造渣劑會(huì)使鋼液溫度略降低，因此作為造渣劑Al導(dǎo)致的溫度變化可被忽略，僅石灰使鋼液溫度降低。造渣階段的溫變公式為

(3)

式中，ΔTSlag為造潭過程產(chǎn)生的鋼水溫變；SCaO為石灰導(dǎo)致的溫降系數(shù)；Wi為每100 kg鋼水第i次加入石灰的重量。

1.5 合金化溫變

合金化對(duì)鋼液成分起到了調(diào)節(jié)的作用，不同合金的加入含量會(huì)使鋼液溫度發(fā)生不同的變化。通過分析發(fā)現(xiàn)，合金化過程主要加入的成分為碳粉 (C)，中錳(Mn)和硅鐵(Si)。硅鐵的加入會(huì)使鋼液溫度升高，中錳和碳粉會(huì)導(dǎo)致溫度下降，其中相同重量的碳粉導(dǎo)致的溫降大于中錳。具體的合金化過程中溫度變化公式為

(4)

式中，ΔTAlloy為合金化過程產(chǎn)生的鋼水溫變；AC、ASi、AMn分別為碳粉、硅鐵以及中錳導(dǎo)致的溫度變化系數(shù)；WC_i、WSi_i、WMn_i分別為每100 kg碳粉，硅鐵和中錳的加入重量。

1.6 總處理時(shí)間

精煉過程處理時(shí)間除了影響連鑄環(huán)節(jié)的正常運(yùn)轉(zhuǎn)，也直接影響了LF爐處理工位鋼包的溫度變化。對(duì)于相同狀態(tài)的舊鋼包，自然溫降系數(shù)較小，但如果一爐鋼水在造渣、合金化階段結(jié)束后依然等待調(diào)度(處于無操作狀態(tài))，也會(huì)造成一定程度的溫降。在對(duì)本次實(shí)驗(yàn)數(shù)據(jù)的分析中，91.3% 的爐次處理中無任何操作的純等待時(shí)間小于3 min(其中無純等待時(shí)間的爐次占41.6%)。因此在接下來的溫變影響因素對(duì)比中，總處理時(shí)間所導(dǎo)致的溫降可被忽略，不參與對(duì)比。

2 溫變因素分析

每爐鋼水中五種溫度變化因素包括進(jìn)站起始溫度、電極通電溫變、吹氬攪拌溫變、造渣溫變、合金化溫變，均可被轉(zhuǎn)化為溫度變化的數(shù)據(jù)形式呈現(xiàn)。本文將從每爐鋼水處理過程中這五種因素與出站溫度之間的關(guān)系，多方位對(duì)比。

2.1 溫變因素相關(guān)性

為保證預(yù)測模型前期訓(xùn)練數(shù)據(jù)準(zhǔn)確性，首先要分析溫變因素之間是否存在明顯相關(guān)性。獨(dú)立的兩個(gè)變量之間若存在明顯相關(guān)性，會(huì)影響后續(xù)模型的準(zhǔn)確性和穩(wěn)定性，在之后的建模分析中需要將相關(guān)變量二次處理，例如降維或進(jìn)行必要的合并操作。同時(shí)由于五種溫變因素是根據(jù)本文溫變公式計(jì)算得到，其中部分溫變因素由內(nèi)部的幾種因素共同作用。為保證變量相關(guān)準(zhǔn)確，需要對(duì)所有引起溫度變化的變量進(jìn)行相關(guān)性檢驗(yàn)。結(jié)果顯示如圖2所示，除了五種溫變因素內(nèi)部的二級(jí)因素之間有相關(guān)性外，并不存在跨變量相關(guān)性。

圖2 溫變因素相關(guān)性熱力圖

2.2 溫變因素重要性對(duì)比

為了更好了解每種溫變因素改變溫度的程度，進(jìn)一步建立了基于隨機(jī)森林模型(RandomForest)的特征選擇工程。隨機(jī)森林作為目前常用的機(jī)器學(xué)習(xí)算法，具有魯棒性好、易于使用和準(zhǔn)確率高等優(yōu)點(diǎn)。針對(duì)數(shù)據(jù)特點(diǎn)，本次特征選擇使用了隨機(jī)森林模型中平均準(zhǔn)確度下降(mean decrease accuracy)的特征選擇方法。主要思想是通過使用隨機(jī)森林模型對(duì)每個(gè)特征(溫變因素)進(jìn)行擾頻處理(加入干擾噪聲)，衡量每個(gè)特征對(duì)模型整體精確度的影響，確定特征重要性，即溫變因素改變溫度程度。針對(duì)每個(gè)特征(記為特征)的重要性計(jì)算步驟為

步驟1。隨機(jī)森林由N決策樹決策樹，對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)抽取(有放回)，建立一棵決策樹。對(duì)于第i棵決策樹，使用沒有被抽取的數(shù)據(jù)對(duì)該樹中數(shù)據(jù)進(jìn)行誤差計(jì)算，得到誤差記為e1_i。

步驟2。對(duì)于未被抽中的數(shù)據(jù)隨機(jī)的加入噪聲干擾，重復(fù)上一步誤差計(jì)算，將新得到的誤差記為e2_i。

步驟3。對(duì)于相同特征Tn，如果通過噪聲處理后準(zhǔn)確率降低越明顯，說明該特征對(duì)于模型結(jié)果準(zhǔn)確率影響越大，該特征越重要。

具體的特征重要性數(shù)值

(5)

式中，ITn為特征Tn的特征重要性值；n為特征的總決策樹數(shù)量。

如圖3所示為溫變因素重要性排序圖，通過對(duì)這13個(gè)溫降因素進(jìn)行特征重要性分析，發(fā)現(xiàn)電極通電溫變、起始溫度及造渣階段溫變是影響LF精煉溫度最重要的三個(gè)因素，對(duì)溫度變化影響最小的因素是硅鐵加入產(chǎn)生的溫變。

圖3 溫變因素重要性排序圖

3 溫度預(yù)測模型

在經(jīng)過必要的數(shù)據(jù)清洗、溫變因素相關(guān)性及特征分析后，建立了監(jiān)督式機(jī)器學(xué)習(xí)模型來預(yù)報(bào)處理結(jié)束時(shí)鋼水終點(diǎn)溫度。

3.1 模型選取

監(jiān)督式學(xué)習(xí)是一種機(jī)器學(xué)習(xí)的方法，可從訓(xùn)練數(shù)據(jù)中學(xué)到，再通過特定模型學(xué)習(xí)并推測新的實(shí)例。其中訓(xùn)練數(shù)據(jù)由輸入數(shù)據(jù)和需要預(yù)測的函數(shù)輸出共同組成。根據(jù)函數(shù)輸出的種類不同，可將預(yù)測問題分為兩類，預(yù)測連續(xù)值(回歸問題)或預(yù)測分類標(biāo)簽(分類問題)預(yù)測鋼水終點(diǎn)溫度屬于回歸問題。

目前針對(duì)回歸類問題，比較有代表性的有線性回歸算法(Linear Regression)、MLP(多層感知機(jī))以及Xgboost(Extreme Gradient Boosting：極端梯度提升決策樹)。溫度預(yù)測模型將根據(jù)分別基于這三種算法建立不同模型。

3.1.1 線性回歸模型

線性回歸模型是利用線性回歸方程的最小平方函數(shù)對(duì)一個(gè)或多個(gè)自變量和因變量之間關(guān)系進(jìn)行建模的一種回歸分析。這種函數(shù)是一個(gè)或多個(gè)稱為回歸系數(shù)的模型參數(shù)的線性組合。只有一個(gè)自變量的情況稱為簡單回歸,大于一個(gè)自變量情況的叫做多元回歸。其關(guān)系式可表示為

式中，θ為參數(shù)向量；X為輸入量向量，對(duì)于多變量可展開為

hθ(x)=θ0+θ1x1+θ2x2+…+θnxn

3.1.2 MLP回歸模型

多層感知機(jī)又名人工神經(jīng)網(wǎng)絡(luò)(ANN：Artificial Neural Network)，其包含輸入層、輸出層和一(或多)個(gè)隱含層，且層與層之間完全連接(即上一層的某個(gè)神經(jīng)元和下一層每個(gè)神經(jīng)元相連)。輸入信息在預(yù)測過程中只單向傳播，接收前序反饋信息達(dá)到學(xué)習(xí)預(yù)測的目的。

隱藏層輸出為f(W1X+b1)。X為輸入層輸入向量；W1為權(quán)重(連接系數(shù))；b1為偏置(等同數(shù)學(xué)函數(shù)中的截距)。

3.1.3 Xgboost模型

Xgboost作為集成學(xué)習(xí)算法，屬于梯度提升樹家族(GBDT)。GBDT的基本思想是讓新的基模型(CART決策樹)去擬合前面模型的偏差，進(jìn)而逐漸降低模型偏差。相比于經(jīng)典的GBDT，Xgboost做了一些改進(jìn)，從而在效果和性能上有明顯的提升。一方面Xgboost將目標(biāo)函數(shù)泰勒展開到了二階，保留了更多有關(guān)目標(biāo)函數(shù)的信息，能使模型效果有效提高。另一方面支持特征并行方法，有利于模型的性能提升。

3.2 模型訓(xùn)練

針對(duì)本文三種算法各自的原理，分別建立了三種不同的預(yù)測模型。具體步驟為

步驟1。根據(jù)本文溫變因素相關(guān)性和特征重要性結(jié)果，將數(shù)據(jù)中相關(guān)性較強(qiáng)(相關(guān)性大約或等于0.7)的兩個(gè)變量里的次重要變量刪除。最終13個(gè)溫變因素中只有11個(gè)變量參與模型訓(xùn)練。

步驟2。將所有數(shù)據(jù)按照7∶3的比例劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。使用基模型選取及調(diào)整參數(shù)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到三種預(yù)測算法。

步驟3。使用三種預(yù)測算法預(yù)測測試數(shù)據(jù)，得到不同的預(yù)測結(jié)果。

3.3 模型評(píng)估

針對(duì)三種溫度預(yù)測回歸模型的預(yù)測結(jié)果，模型評(píng)估方法將使用MSE(均方誤差)及RMSE(均方根誤差)作為指標(biāo)進(jìn)行評(píng)估。其工作原理為

(6)

(7)

MSE和RMSE的取值范圍都是[0,+∞]，即當(dāng)取值為零時(shí)說明預(yù)測值與真實(shí)值重合，反之取值越大則預(yù)測誤差越大。三種模型的MSE、RMSE值見表3，可視化預(yù)測誤差散點(diǎn)圖如圖4所示。

表3 模型評(píng)估MSE & RMSE值

由圖4可以看出，根據(jù)本文模型評(píng)估分析得到預(yù)測誤差從小到大分別是Xgboost、線性回歸和MLP模型，Xgboost模型預(yù)測誤差最小，最終Xgboost模型作為準(zhǔn)確率最高的模型，被選為本項(xiàng)目溫度預(yù)測模型。

圖4 模型實(shí)際值與預(yù)測值偏差散點(diǎn)圖

4 結(jié)束語

為了實(shí)現(xiàn)煉鋼智能化，作為LF精煉過程中的重要的把控目標(biāo)，溫度的控制直接影響精煉質(zhì)量和后續(xù)冶煉節(jié)奏。本文通過對(duì)某鋼廠千余爐完整精煉生產(chǎn)數(shù)據(jù)深入分析，總結(jié)影響鋼液溫變的重要因素，建立溫度預(yù)報(bào)機(jī)器學(xué)習(xí)模型，該智能化模型在某鋼廠投入后，經(jīng)過三個(gè)月的模型效果追蹤，結(jié)果顯示溫度預(yù)報(bào)準(zhǔn)確率(預(yù)測溫度偏差小于等于5℃)可達(dá)到95%。智能化溫度預(yù)測模型的推廣是未來發(fā)展趨勢，更是助力煉鋼領(lǐng)域全面智能化的堅(jiān)實(shí)一步。