周紅陽

(二重(德陽)重型裝備有限公司，四川618000)

人工智能領(lǐng)域的“深度學(xué)習(xí)”方法，適用于煉鋼過程中的多參數(shù)、非線性問題的分析和解決。目前“深度學(xué)習(xí)”已經(jīng)廣泛應(yīng)用于工業(yè)生產(chǎn)中各個環(huán)節(jié)，但主要應(yīng)用于圖像識別、文字識別、語音識別等方面，從而作為生產(chǎn)控制和工藝研究的一個輔助手段。而采用“深度學(xué)習(xí)”進行工藝研究中數(shù)據(jù)分析方面的資料，還很少。在沒有過多參考的情況下，探索掌握一種新的研究方法。

1 “深度學(xué)習(xí)”淺釋

“深度學(xué)習(xí)”屬于人工智能的一種。其源于人工神經(jīng)網(wǎng)絡(luò)的研究，是包含多個隱藏層的多層感知器的機器學(xué)習(xí)結(jié)構(gòu)?！吧疃葘W(xué)習(xí)”通過組合低層特征形成更加抽象的高層表示屬性、類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。研究“深度學(xué)習(xí)”的動機在于建立能模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的學(xué)習(xí)機制來解釋數(shù)據(jù)。

目前“深度學(xué)習(xí)”的核心框架有TensorFlow、Caffe、Torch、Keras等。其中TensorFlow是主流。

采用“深度學(xué)習(xí)”的方式，是希望通過已有的統(tǒng)計信息，從模糊的不確定的表象下找到最逼近真實的規(guī)律。

眾所周知，一切不同的物體都是由某些相同的更微小的物體按照不同的空間結(jié)構(gòu)組合而成；一切復(fù)雜的現(xiàn)象都是由某些簡單現(xiàn)象按照不同的運動方式組成的；同理，一切復(fù)雜的規(guī)律也都是由某些簡單的規(guī)律相互交織組合而成。“深度學(xué)習(xí)”過程就是通過模擬人腦學(xué)習(xí)機制，尋找復(fù)雜規(guī)律里各種簡單規(guī)律間內(nèi)在聯(lián)系的過程。

為了進一步理解，下面以一個通俗的例子來說明：以圖像分類問題為例，如圖1所示，希望找到一種數(shù)學(xué)表達(dá)，這種表達(dá)能將各種情況下的“△”和“○”進行區(qū)域的劃分。

圖1 物體分類示意圖Figure 1 Schematic diagram of the object classification

顯然，圖1(a)為在1個單一的坐標(biāo)軸上，可以用某個點的坐標(biāo)值來作為兩種圖形分界(理解為“標(biāo)個點”)；圖1(b)為二維平面上兩種圖形明顯占據(jù)兩端，我們則可用一條直線來劃分(理解為“切一刀”)；圖1(c)為二維平面上兩種圖形交錯分布，我們則能用2條直線來區(qū)分(理解為“切兩刀”)；同理，當(dāng)分布更加復(fù)雜，以及維數(shù)更多的情況下，我們總能通過“切N刀”的組合方式將其劃分為若干區(qū)域從而將其區(qū)分出來。而這個“切N刀”的具體方法，其實就是需要找到的發(fā)現(xiàn)規(guī)律的方式。

通過人工智能技術(shù)中的“深度學(xué)習(xí)”方法可獲得這種規(guī)律。

如前所述，“深度學(xué)習(xí)”希望模仿人腦神經(jīng)元的工作原理來解決問題。以下分別為人腦神經(jīng)元生物結(jié)構(gòu)(圖2)和抽象出的數(shù)學(xué)模型(圖3)。

圖2 生物神經(jīng)元結(jié)構(gòu)Figure 2 Biological neuronal structure

由于人腦的學(xué)習(xí)是由多層神經(jīng)網(wǎng)絡(luò)共同作用的過程，因此模仿時將相應(yīng)采用多層的神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型形式。圖4為多層神經(jīng)網(wǎng)絡(luò)(圖中為3層神經(jīng)網(wǎng)絡(luò))的結(jié)構(gòu)示意圖。

圖4 3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 4 3-layer neural network structure

各層分別進行相應(yīng)數(shù)據(jù)計算后，通過多層神經(jīng)網(wǎng)絡(luò)間信號的傳遞，并在參照真實結(jié)果后再反饋修正數(shù)據(jù)，經(jīng)過多次循環(huán)，會產(chǎn)生一個具有最優(yōu)輸出值的數(shù)學(xué)模型。也相當(dāng)于得到了“切N刀”后獲得滿意結(jié)果這個過程的具體信息，即得到與真實逼近的規(guī)律。

2 研究過程

在了解了“深度學(xué)習(xí)”的原理和掌握了具體方法后，選擇煉鋼工藝研究中“出鋼至開澆期間鋼水溫降分析”進行實踐。

2.1 鋼水溫度下降速率的研究意義

鋼水溫度下降速率(以下簡稱“溫降率”)是指鋼水出鋼后至開始澆注這個時間段內(nèi)鋼水溫度下降的速率。出鋼至開澆這個過程中，由于鋼水與環(huán)境存在溫差(鋼水溫度較高)，鋼水必然有一個降溫的過程。掌握鋼水溫降率，對工藝上確定出鋼溫度至關(guān)重要。

針對具體澆注工藝，希望每個鋼種的澆注溫度都保證在某個確定的范圍。如果出鋼溫度過低，要么生產(chǎn)上來不及組織澆注，要么就會出現(xiàn)低溫澆注；而出鋼溫度過高，鋼水在包內(nèi)停留時間過長，不但延誤生產(chǎn)，而且可能引起設(shè)備故障以及增加耐火材料浸蝕，引發(fā)生產(chǎn)風(fēng)險和質(zhì)量風(fēng)險。

另外，在澆注大型鑄件時，如果澆注前測溫的生產(chǎn)組織難度大而無法測溫，則需要提前控制出鋼溫度及出鋼至開澆間隔時間，以保證鑄件的澆注溫度。

2.2 溫降率影響因素及統(tǒng)計數(shù)據(jù)

溫降率決定于環(huán)境與鋼水熱交換的速度。鋼水出鋼至開澆過程中，可能影響溫降率的因素有：澆注方法(直接澆注或中間包澆注等)、鋼水量、出鋼溫度、鋼水化學(xué)成分、環(huán)境溫度、鋼包烘烤狀況、渣系及渣層厚度等。針對實際情況，認(rèn)為鋼包烘烤狀況、渣系及渣層厚度等方面的數(shù)據(jù)相對穩(wěn)定，可以不納入考慮范圍。

對生產(chǎn)實際中可能引起溫降率改變的主要參數(shù)數(shù)據(jù)進行了統(tǒng)計，希望能從統(tǒng)計數(shù)據(jù)中觀察各種因素對溫降率的影響情況。通過對2000年部分澆鋼包次的統(tǒng)計(共360包)，可以得到各種因素與溫降率關(guān)系的直觀示意圖，如圖5所示。

從圖5可以發(fā)現(xiàn)，溫降率與各種因素的關(guān)系都是在一定范圍內(nèi)波動。同時，由于測量和統(tǒng)計的誤差，造成分布上明顯出現(xiàn)離散。

圖5 各種因素與溫降率的關(guān)系Figure 5 The relationship between various factors and temperature drop rate

然而，通過以上圖形觀察，并不能直接找到影響溫降率的主要因素和內(nèi)在規(guī)律。同時，由于需要考慮的并非單個因素，所以也不能簡單地通過某個單一圖形的回歸方式確定整個規(guī)律函數(shù)。

針對這種可能有多因素影響且存在模糊規(guī)律的現(xiàn)象的分析，卻正是“深度學(xué)習(xí)”的長項。

2.3 深度學(xué)習(xí)過程

通過采用TensorFlow+Python進行程序開發(fā)，編寫了一個訓(xùn)練器程序，通過對360組數(shù)據(jù)進行整理后，再通過“建立模型”、“建立并導(dǎo)入數(shù)據(jù)集”、“模型訓(xùn)練”等過程，建立了一個多層神經(jīng)網(wǎng)絡(luò)的“深度學(xué)習(xí)”模型(核心為TensorFlow框架的程序)。該模型可以通過輸入相關(guān)參數(shù)數(shù)據(jù)，直接輸出一個當(dāng)前條件下的溫降率預(yù)測值。同時，

從該模型中可以獲得各種因素與目標(biāo)參數(shù)值的關(guān)聯(lián)度信息，見圖6。

圖6顯示“是否直澆”(即澆注方法)與溫降率的關(guān)聯(lián)度是最大的，為主要影響因素，其余因素影響度相對較小。

圖6 各種因素與溫降率的關(guān)聯(lián)度Figure 6 Correlation degree between various factors and temperature drop rate

為了進一步研究各種澆注方法下的溫降率，再分別按“直澆包澆注”和“中間包澆注”兩種形式進行“深度學(xué)習(xí)”，得到兩個細(xì)分模型，并從模型中得到分析結(jié)果，見圖7和圖8。

圖7 直澆條件下各種因素與溫降率的關(guān)聯(lián)度Figure 7 Correlation degree between various factors and temperature drop rate under direct pouring condition

圖8 中間包澆注條件下各種因素與溫降率的關(guān)聯(lián)度Figure 8 Correlation degree between various factors and temperature drop rate under tundish casting condition

圖7和圖8顯示，在直澆狀況下，主要影響因素為鋼水量；而中間包澆注情況下，由于過程較為復(fù)雜，沒有特別明顯的影響因素，該批樣本顯示的主要因素有Si含量、鋼水量、C含量等。

2.4 結(jié)果分析及模型使用

從模型的分析結(jié)果中可以看出鋼水溫降率在總體及兩種不同方式下與各種影響因素的關(guān)聯(lián)度情況。其主要結(jié)論與理論分析及經(jīng)驗總結(jié)的結(jié)果是一致的。而且由于樣本數(shù)量較少、樣本的代表不夠等不足，一些因素與溫降率的關(guān)聯(lián)值可能存在一定誤差。

而顯然，這種分析方式是可行的。沿著這個方向，可以更科學(xué)地尋找到更逼近真實的規(guī)律。

在訓(xùn)練好模型后，可以通過網(wǎng)頁或軟件等形式，將模型固化在特定的需求場景中?？梢酝ㄟ^相關(guān)信息的輸入，直接獲得當(dāng)前條件下的溫降率的預(yù)測值(見圖9)。而這個預(yù)測值也是模型得到的理論上最逼近真實溫降率的估算值。

圖9 模型應(yīng)用界面Figure 9 Model application interface

3 經(jīng)驗總結(jié)

3.1 “深度學(xué)習(xí)”應(yīng)用于工藝參數(shù)分析的注意事項

(1)樣本的選擇情況直接影響模型的準(zhǔn)確性。

樣本選擇的原則如下：

1)樣本數(shù)量越多越好。樣本數(shù)量越多，越具有統(tǒng)計學(xué)意義。少量表達(dá)“現(xiàn)象”，多量體現(xiàn)“規(guī)律”。

2)樣本代表性要強。樣本中盡可能包含所有可能出現(xiàn)的情況，只有這樣，才能保證最終模型的“泛化”能力。

3)樣本數(shù)據(jù)需要進行合理篩選以保證數(shù)據(jù)真實性。對于數(shù)據(jù)記錄過程中由于設(shè)備、方法、人員等造成數(shù)據(jù)失真的樣本，應(yīng)予以剔除；對樣本中各種需要考慮因素的數(shù)據(jù)記錄不完整的樣本，應(yīng)予以剔除；樣本中的各種參數(shù)的數(shù)據(jù)格式要標(biāo)準(zhǔn)、統(tǒng)一。

(2)從工藝角度出發(fā)，將對工藝參數(shù)有影響的因素都納入分析范圍。

一個總的原則是：“可寬不可窄”。在工藝分析的基礎(chǔ)上，可以盡可能將選擇范圍擴大，不能遺漏較為重要的因素。同時，對所有統(tǒng)計樣本中其數(shù)值基本固定的因素，可以排除。

(3)目標(biāo)參數(shù)定義的自變量，應(yīng)排除在影響因素的選擇范圍外。

目標(biāo)參數(shù)定義的自變量，與目標(biāo)參數(shù)間的關(guān)聯(lián)度顯然是最強的，是計算目標(biāo)參數(shù)的基礎(chǔ)，是目標(biāo)參數(shù)的“因”，將其納入觀察范圍不但沒有任何意義，而且還會掩蓋了真正的影響因素。例如：溫降率=(出鋼溫度-澆注溫度)/時間差，這時，就不能將出鋼溫度、澆注溫度、時間差等納入影響因素。

(4)必須結(jié)合工藝及實際操作過程進行分析，建議采用逐層解析的方式。

分析過程中，必須結(jié)合工藝和實際操作過程。只有這樣，才能對分析結(jié)果有一個正確的認(rèn)識。特別是過程中特殊情況產(chǎn)生的數(shù)據(jù)，要仔細(xì)判別其合理性以及對數(shù)據(jù)和模型的真實性的影響。

同時，對包含明顯不同類別的工藝過程，建議從過程的分類、分階段逐層解析，這樣可以掌握到更細(xì)致和準(zhǔn)確的規(guī)律。比如，對整個出鋼至開澆過程，可以進一步細(xì)分為“直澆”和“中間包”兩個類別分別分析；而對“中間包”，又可以進一步將其分解為：“出鋼鎮(zhèn)靜—中間包轉(zhuǎn)包澆注—中間包鎮(zhèn)靜”等幾個過程。

3.2 “深度學(xué)習(xí)”的適用范圍

通過實踐，認(rèn)識到“深度學(xué)習(xí)”在工藝研究中具有廣闊的應(yīng)用前景。

(1)它不但對煉鋼工藝中參數(shù)的分析有效，而且在“質(zhì)量問題的查找”(尋找引起質(zhì)量問題的原因)、“工藝參數(shù)時序變化值的預(yù)測”(通過當(dāng)前狀況，預(yù)測下一個時刻某種參數(shù)數(shù)據(jù)值)等方面也存在應(yīng)用的可能性。

(2)該方法不僅能應(yīng)用于煉鋼工藝的研究，它同樣也可能適用于其它各種應(yīng)用場景?！吧疃葘W(xué)習(xí)”對多變量、非線性、多“噪音”問題的分析，具有確定型研究無法比擬的優(yōu)勢。因此，該方法可以推廣到不同的工藝研究領(lǐng)域。

4 結(jié)語

以上的實踐只是進行“深度學(xué)習(xí)”在煉鋼工藝研究中的一次簡單的嘗試，為了進一步研究和充分掌握這種方法，計劃從以下幾個方面繼續(xù)開展工作。

4.1 優(yōu)化數(shù)據(jù)模型并實現(xiàn)應(yīng)用

將進一步加大樣本采集量、增加樣本代表性、加強影響因素范圍的選擇、提高采集真實數(shù)據(jù)的能力，在此基礎(chǔ)上不斷完善模型，并將模型以適當(dāng)形式固化到不同應(yīng)用場景中，以此提高工藝研究和生產(chǎn)控制的水平。

4.2 進一步擴大“深度學(xué)習(xí)方式”的應(yīng)用范圍

在總結(jié)前期工作后，將進一步嘗試新的應(yīng)用領(lǐng)域，將分別以“質(zhì)量問題查找”類的“鋼錠帽口開裂”和“工藝參數(shù)時序變化值的預(yù)測”類的“鋼包爐中各種元素時序變化”等具體案例分別進行實踐。希望這種方法能更好應(yīng)用于工藝研究及質(zhì)量分析等方面，更好地在產(chǎn)品制造的質(zhì)量、成本、生產(chǎn)進度等方面發(fā)揮作用。