劉艷麗,劉宏強(qiáng),黃曉紅,孫永長,衛(wèi)廣運(yùn)

(1.河鋼集團(tuán)鋼研總院,石家莊 050000; 2.華北理工大學(xué) 人工智能學(xué)院,唐山 063210)

2020年9月國家主席習(xí)近平在聯(lián)合國大會上作出了“碳達(dá)峰”“碳中和”的莊嚴(yán)承諾,對鋼鐵行業(yè)的節(jié)能環(huán)保提出了更高的要求,以廢鋼為主要原料的電爐煉鋼,將在鋼鐵行業(yè)綠色發(fā)展戰(zhàn)略中發(fā)揮重要作用。廢鋼成分主要包括Si、Mn、Cr、Ni、Cu等,快速、精準(zhǔn)檢測廢鋼成分含量是擴(kuò)大利用廢鋼資源、提高鋼水質(zhì)量、突破資源瓶頸制約、建設(shè)資源節(jié)約和環(huán)境友好社會的重要保證,如用廢鋼煉制齒輪鋼、軸用鋼等時(shí),應(yīng)嚴(yán)格控制電爐鋼水中這些元素的殘余水平,以保證端淬過程的穩(wěn)定;廢鋼成分含量較高時(shí),在后續(xù)煉制新鋼時(shí)應(yīng)減少這些成分的加入量。由此可見,基于成分含量進(jìn)行廢鋼精準(zhǔn)分類非常關(guān)鍵,但是目前采用的分類參數(shù)多為廢鋼質(zhì)量、外觀大小等,而以火花直讀光譜法、X射線熒光譜法檢測廢鋼成分所得的精細(xì)分類仍然存在較大的局限性,如火花直讀光譜法取樣、制樣要求嚴(yán)格;X射線熒光光譜法檢測較輕元素難度較高。因此,迫切需要開發(fā)能適用于現(xiàn)場,快速、全面實(shí)現(xiàn)廢鋼分類以及成分檢測的儀器,以滿足高品質(zhì)冶煉的需求[1]。

激光誘導(dǎo)擊穿光譜法(LIBS)是將高能量脈沖激光聚焦在樣品表面激發(fā)分析物的等離子體信號并用光譜儀收集信息來進(jìn)行定性、定量分析的,該方法具有分析元素全面、快速、簡便且制樣要求低等特點(diǎn),在廢鋼成分定性分析中具有明顯優(yōu)勢[2-5]。但是在定量分析時(shí),由于基體效應(yīng)和光譜自吸收等常見問題[6-7],市面上現(xiàn)有的激光誘導(dǎo)擊穿光譜儀存在與廢鋼樣品匹配性低、結(jié)果穩(wěn)定性差、預(yù)測精度低等缺點(diǎn),仍然落后于其他檢測方法,和鋼鐵企業(yè)實(shí)際應(yīng)用存在較大差距。鑒于此,本單位自主研發(fā)了一款高精度激光誘導(dǎo)擊穿光譜儀,并配置了具有獨(dú)立知識產(chǎn)權(quán)的LIBS高精度定標(biāo)分析軟件,可快速實(shí)現(xiàn)硬件配置、光譜采集、數(shù)據(jù)預(yù)處理、定性定量分析、數(shù)據(jù)庫管理等功能,極大地提高了分析數(shù)據(jù)的處理速率;同時(shí)引入反向傳播(BP)神經(jīng)網(wǎng)絡(luò)等算法,最大程度提取特征信息,顯著提升了廢鋼中成分分析的精度[8-11]。

1 試驗(yàn)部分

1.1 儀器與試劑

LIBS廢鋼成分快速檢測系統(tǒng)[3-4],包括自主研發(fā)的LIBS高精度硬件檢測平臺、具有獨(dú)立知識產(chǎn)權(quán)的LIBS高精度定標(biāo)分析軟件,Dawa-200型調(diào)Q固體Nd:YAG激光器(脈沖能量0～200 mJ,可調(diào);頻率0～20 Hz,可調(diào))、AvaSpec-ULS204-4-USB28光纖光譜儀(光譜范圍173～301 nm)、自制不共軸光路系統(tǒng)及三維動(dòng)作平臺,平臺上集成有不規(guī)則試樣夾持裝置,可保證不同試樣檢測的功率密度一致。

為了提升模型定標(biāo)精度,參考國家標(biāo)準(zhǔn)GB/T 4336-2002《碳素鋼和中低合金鋼 火花源原子發(fā)射光譜分析方法》選擇標(biāo)準(zhǔn)樣品,包括6個(gè)碳素結(jié)構(gòu)鋼標(biāo)準(zhǔn)樣品GSB A68072-92、6個(gè)低合金鋼標(biāo)準(zhǔn)樣品GSB-03-2615、6個(gè)中低合金鋼標(biāo)準(zhǔn)樣品YSBS23207-97,分別記為標(biāo)準(zhǔn)樣品1～18,具體信息見表1。

表1 18個(gè)標(biāo)準(zhǔn)樣品的成分信息Tab.1 Composition infor mation of the 18 standar d samples

1.2 試驗(yàn)方法

樣品打磨至表面光滑無污漬,隨后按照以下條件測試:激光焦點(diǎn)到樣品表面距離為-2 mm,激光器觸發(fā)光譜儀脈沖能量為139 mJ、脈沖頻率為5 Hz、積分時(shí)間為1.05 ms、延遲時(shí)間為1.28μs。為降低儀器工作參數(shù)波動(dòng)的影響,每個(gè)樣品表面均勻選取20個(gè)檢測位點(diǎn),每個(gè)檢測位點(diǎn)激發(fā)350個(gè)脈沖,取第101～350個(gè)脈沖數(shù)據(jù)為有效數(shù)據(jù),并依據(jù)拉依達(dá)準(zhǔn)則進(jìn)行數(shù)據(jù)異常校驗(yàn),剔除粗大誤差光譜,從剩余平均光譜(173～301 nm)數(shù)據(jù)(18個(gè)標(biāo)準(zhǔn)樣品共360組數(shù)據(jù)帶)中提取目標(biāo)元素的特征數(shù)據(jù),進(jìn)行歸一化處理后輸入到模型的全連接層,隨后輸送到H1隱藏層對數(shù)據(jù)進(jìn)行一次特征值提取,使前一層的向量轉(zhuǎn)換為新的向量,用Re L U激活函數(shù)(分段線性函數(shù),可有效緩解過擬合問題)對神經(jīng)元的輸出結(jié)果做出判斷,將上一層輸出的特征值輸入到下一層,最終將輸出結(jié)果與目標(biāo)結(jié)果相比較,計(jì)算誤差并進(jìn)行反向傳播。更新權(quán)值w后進(jìn)行新一輪的正向傳播,通過預(yù)先設(shè)定早停法(Earlystop)來避免過擬合,再連續(xù)訓(xùn)練5輪至均方誤差(MSE)不能再被優(yōu)化,停止訓(xùn)練并保存模型。本工作建立的模型包括分類模型和定標(biāo)模型,前者用于對不同牌號的廢鋼樣品進(jìn)行分類,后者用于檢測廢鋼中元素的含量。

1.2.1 分類模型

參考美國國家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)的發(fā)射譜線數(shù)據(jù)庫,選擇重疊少、自吸收弱、強(qiáng)度較大的譜線作為Si、Mn、Cr、Ni、Cu元素的最優(yōu)分析譜線,分 別 為251.60,293.86,286.41,227.01,213.60 nm。以Fe為參考元素,選取各元素附近的Fe元素的分析 譜 線(263.54,292.66,271.44,263.54,206.98 nm)為參考線,對各元素的強(qiáng)度進(jìn)行歸一化處理,將得到的相對強(qiáng)度作為輸入向量建立3層BP神經(jīng)網(wǎng)絡(luò)模型,其中輸入層單元個(gè)數(shù)為6,隱藏層單元個(gè)數(shù)為8,輸出層單元個(gè)數(shù)為18(對應(yīng)標(biāo)準(zhǔn)樣品1～18,以獨(dú)熱編碼表示)。將18個(gè)標(biāo)準(zhǔn)樣品共360組數(shù)據(jù)帶按3∶1數(shù)量比隨機(jī)劃分為訓(xùn)練集、測試集,設(shè)置最大迭代次數(shù)為500、學(xué)習(xí)率為0.01,用上述模型進(jìn)行訓(xùn)練。

1.2.2 定標(biāo)模型

參考分類模型,選取各元素的最優(yōu)分析譜線,以與分類模型相同的Fe元素為參考元素進(jìn)行歸一化處理,將相對強(qiáng)度作為神經(jīng)網(wǎng)絡(luò)的輸入向量建立3層BP神經(jīng)網(wǎng)絡(luò)模型,其中輸入層單元個(gè)數(shù)為與分類模型相同的各元素分析譜線個(gè)數(shù),隱藏層單元個(gè)數(shù)為8,輸出層單元個(gè)數(shù)為1(對應(yīng)目標(biāo)元素的含量),并按4∶1數(shù)量比將360組數(shù)據(jù)帶隨機(jī)劃分為訓(xùn)練集、測試集。用線性相關(guān)性擬合度(R2)、均方根誤差(RMSE)、平均百分比誤差(MPE)和殘差平方和(PRESS)等4個(gè)指標(biāo)評價(jià)模型性能的優(yōu)劣,由此選擇的Si、Mn、Cr、Ni、Cu定標(biāo)模型的迭代次數(shù)分別為200,200,200,160,280次。其中,R2越接近于1,預(yù)測值與真實(shí)值之間線性相關(guān)性越好;RMSE即MSE的平方根,RMSE越小,預(yù)測值與真實(shí)值越吻合,模型性能越好。在樣品較多時(shí),可以用MPE評價(jià)定標(biāo)模型,MPE越趨近于0,模型性能越好。PRESS可用于驗(yàn)證定標(biāo)模型的準(zhǔn)確度,PRESS越趨近于0,模型性能越好。

2 結(jié)果與討論

2.1 分類模型性能分析

訓(xùn)練過程中分類模型準(zhǔn)確率變化如圖1所示。

圖1 訓(xùn)練過程中分類模型準(zhǔn)確率的變化曲線Fig.1 Cur ves showing changes of the accuracy of the classificationmodel during the training pr ocess

由圖1可知,隨著迭代次數(shù)的增加,準(zhǔn)確率逐漸趨近于100%,證明利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類具有一定的可行性。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對測試集樣品進(jìn)行分類,分類效果如圖2所示。

由圖2可知,測試集90組數(shù)據(jù)帶的預(yù)測分類結(jié)果和真實(shí)樣品的分類結(jié)果一致(圖中兩條曲線完全重合),分類準(zhǔn)確率達(dá)到100%,說明所建BP神經(jīng)網(wǎng)絡(luò)分類模型的分類效果較好。

圖2 分類模型在測試集上的分類效果Fig.2 Classification effect of classificationmodel on test set

2.2 定標(biāo)模型性能分析

按照試驗(yàn)方法對訓(xùn)練集進(jìn)行訓(xùn)練,各元素定標(biāo)模型的4個(gè)性能指標(biāo)隨迭代次數(shù)變化而變化,其中Cr、Cu定標(biāo)模型性能指標(biāo)的變化曲線如圖3所示。

由圖3可知:Cr定標(biāo)模型所得R2在迭代50次后便趨向于1,RMSE、MPE均在迭代200次后降至較低且趨于平穩(wěn),PRESS在迭代50次后降至較低且趨于平穩(wěn),因此試驗(yàn)選擇在迭代次數(shù)200次時(shí)停止訓(xùn)練;Cu定標(biāo) 模 型 所 得R2、RMSE、MPE和PRESS在迭代280次時(shí)達(dá)到最優(yōu)效果,因此試驗(yàn)選擇在迭代280次時(shí)停止訓(xùn)練。

圖3 Cr、Cu定標(biāo)模型性能指標(biāo)圖Fig.3 Calibrationmodel perfor mance index charts of Cr and Cu

訓(xùn)練集和測試集各元素定標(biāo)模型性能指標(biāo)如表1所示。

由表1可知:訓(xùn)練集中Mn、Cr、Ni、Cu元素的R2達(dá)到0.990以上,Si元素的達(dá)到0.940以上;測試集中5種元素也保持了良好的擬合效果,RMSE、MPE和PRESS等3項(xiàng)指標(biāo)也較好,充分說明利用BP神經(jīng)網(wǎng)絡(luò)建立的元素定標(biāo)模型的性能較好。其中,測試集的預(yù)測值和認(rèn)定值進(jìn)行擬合,擬合方程為y＝x,其偏離程度見圖4。

圖4 預(yù)測值與認(rèn)定值偏離程度Fig.4 Degree of deviation between predicted values and certified values

表1 各元素定標(biāo)模型性能指標(biāo)Tab.1 Perfor mance indices of each element calibrationmodel

結(jié)果表明,各元素模型的預(yù)測值均在認(rèn)定值范圍內(nèi)浮動(dòng),擬合程度較好,能夠反映元素的真實(shí)含量。

2.3 樣品分析

按照試驗(yàn)方法對實(shí)際樣品1平行測定5次,計(jì)算預(yù)測值的相對標(biāo)準(zhǔn)偏差(RSD),Si、Mn、Cr、Ni和Cu元 素 的 預(yù) 測 值 的RSD分 別 為4.6%,2.7%,2.2%,0.88%,1.8%,均 小 于5.0%,符 合 精 密 度規(guī)定。

利用定標(biāo)模型預(yù)測樣品1、樣品2和樣品3中5種元素的含量,并和參考GB/T 4336-2016《碳素鋼和中低合金鋼 多元素含量的測定 火花放電原子發(fā)射光譜法(常規(guī)法)》所得的測定值比較,見表2。

表2 測定值和預(yù)測值的比較Tab.2 Comparison of deter mined values and predicted values

由表2可知:預(yù)測值和測定值基本一致,說明廢鋼樣品定標(biāo)模型準(zhǔn)確度較好,可進(jìn)一步應(yīng)用于實(shí)際生產(chǎn)檢測中。針對鋼鐵行業(yè)尚無專用性廢鋼成分快速檢測工業(yè)成型機(jī)的現(xiàn)狀,本工作采用自建設(shè)備及軟件,并結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立了分類模型和定標(biāo)模型。分類模型的準(zhǔn)確率趨近于100%,Si、Mn、Cr、Ni、Cu等元素定標(biāo)模型所得測試集數(shù)據(jù)的R2分別為0.941,0.983,0.983,0.988,0.987,RMSE分 別 為0.061 2,0.060 7,0.042 5,0.049 6,0.016 9,模型性能均較好。將所建模型用于測試集的分類和實(shí)際樣品中5種元素含量的測定,分類準(zhǔn)確率為100%,預(yù)測值和測定值一致,基本滿足鋼廠廢鋼分類以及成分快速檢測的工作需求。下一步還將繼續(xù)優(yōu)化算法,實(shí)現(xiàn)廢鋼成分中As、Sn等有害殘余元素的檢測,為實(shí)現(xiàn)異常廢鋼的單獨(dú)管理和建立適應(yīng)特殊鋼微量元素控制的質(zhì)量管理體系提供技術(shù)參考。