基于火焰及煙氣特征深融合的轉爐吹煉終點判斷

張紅哲，張冰潔，郭廷謙

（中國恩菲工程技術有限公司，北京 100038）

火法煉銅是目前銅冶煉領域的主流工藝之一，應用較為廣泛。世界銅冶煉產量中，火法煉銅所占比例超過82%，而在國內這一比例高達97%，火法煉銅工藝的重要性由此可見一斑［1］。自20 世紀60 年代至今，世界火法煉銅技術取得長足進步，中國火法煉銅工藝也完成了從技術引進到自主研發的跨越式發展，目前已處于世界領先水平［2-3］。當下，轉爐吹煉法所用爐根據工藝不同可以分為：Pierce-Smith（P-S）轉爐、頂吹爐、閃速爐、側吹爐及底吹爐，其中P-S 轉爐憑借其技術成熟、綜合性價比高、操作簡單、除雜能力強、粗銅質量高、適應性強且可處理不同品位物料等優勢，在國內使用占比超過50%［4］。

在銅锍轉爐吹煉過程中，由于銅锍、吹煉渣、錮鈹和床下物等物料的存在，且冶煉反應的過程控制存在差異，同時爐內冶煉反應條件復雜多變［5］，導致該過程各階段物料及煙氣濃度等因素之間相互耦合，使得整個吹煉的過程控制及時間控制存在諸多不確定性［6］。轉爐吹煉過程的終點預測是轉爐流程的關鍵步驟之一，無論過吹還是欠吹都會對產品品位、過程控制造成較大影響［7-8］。銅轉爐吹煉終點判斷包括造渣期終點判斷和造銅期終點判斷，為實現這兩步終點判斷，國內外科研技術人員開展了大量理論研究與工程實踐，研究方法主要包括：人工經驗法、儀器監測法和人工智能法，上述方法均能實現造渣期與造銅期兩步終點判斷［9］。

人工經驗法是指轉爐操作人員憑借長期積累的生產經驗，通過觀察火焰特征、黏結物特征、噴濺物特征等，來判斷爐內反應的終點時間，即完全憑借人工觀察和已有的經驗來判定終點時間［10］。儀器監測法主要通過監測PbS/PbO 濃度比來判斷終點時間，而該煙氣濃度指標是吹煉過程中的顯著特征指標［11-12］。人工智能法以吹煉過程中的顯著特征作為因變量，利用神經網絡模型構建預測函數，通過銅轉爐吹煉過程中的顯著因素來預測終點時間［13-14］。

目前，P-S 轉爐的終點預測以人工經驗為主［15］。在原礦來源不變的情況下，其他方法仍然存在人為因素干擾、終點判斷時間滯后、儀器在惡劣環境下易損壞、建模計算復雜等問題［16］。本文通過對吹煉過程表觀特征的顯著性進行分析，基于深度殘差網絡（Resnet）設計了終點預測模型，極大提高了終點預測精度，同時該方法在工業生產中具有較高的適用性。

1 銅吹煉過程特征及其顯著性分析

P-S 轉爐的操作過程分為造渣和造銅兩個周期，為間歇操作。這兩個階段各因素的表觀特征有著較為明顯的差異，具體包括煙氣濃度、溫度、火焰特征、噴濺物、爐后釬樣等。

1.1 煙氣濃度

造渣期：銅轉爐吹煉過程中，煙氣濃度特征常用PbS/PbO 濃度比表示。造渣過程前期，PbS/PbO比值穩定，數值變化量穩定在2%以內，直至造渣期終點時，PbS 濃度急速下降，PbO 濃度急速上升，此時PbS/PbO 快速下降。銅轉爐吹煉過程中的PbS/PbO 濃度比變化過程如圖1 所示，可以看出，PbS/PbO濃度比在造銅期終點判斷過程有較高的顯著性。

圖1 P-S銅轉爐吹煉過程PbS/PbO濃度比Fig.1 PbS/PbO concentration ratio during P-S copper converter blowing process

造銅期：造銅期煙氣特征一般用SO2濃度表示，在造銅期過程中，SO2濃度緩慢下降，直至造銅期終點，此時物料中的硫化物被完全氧化，SO2濃度接近0（一般小于0.5%）［17］，如圖2所示。

圖2 P-S銅轉爐吹煉過程SO2濃度監測值Fig.2 SO2 concentration in P-S copper converter blowing process

1.2 溫度特征

造渣期：前期存在明顯放熱反應，熔體溫度快速上升，由于物料品位及過程控制的不同，造渣期溫度特征難以量化。

造銅期：溫度由較低點逐漸上升至最高值，到造銅期終點時由于反應基本停止，該階段的溫度明顯下降，且該過程中煙氣溫度通常比熔體溫度低 100～200 ℃。

1.3 火焰特征

造渣期：火焰顏色由黃色逐漸轉為乳白色，火焰呈現明顯的亮色，可以判定到達造渣期終點［18］。

造銅期：造銅期起始時由于煙氣反應尚未穩定，火焰顏色混濁，隨著煙氣反應逐漸穩定，火焰顏色逐漸明亮化。該過程伴隨著黃綠色煙氣直至逐漸消失，火焰顯現淡黃白色，且煙氣體量明顯減小，隨后火焰顏色從淡黃白色轉變為淡棕紅色，最后火焰顏色穩定為橘紅色，此時可認為是造銅期終點時刻［19］。

1.4 爐后釬樣黏結物

造渣期：爐后開始出現釬樣黏結物時，顏色為灰白色，隨著釬樣黏結物的增加，顏色逐漸轉為青白色，隨后穩定為油墨色，此時可認為是造渣期終點。

造銅期：前期釬樣黏結物表面為金黃色，并逐漸轉為深褐色，隨后進一步轉為橘紅色，最后穩定為玫紅色，同時伴隨著黏結物表面由粗糙轉向光滑，此時可認為是造銅期終點。

1.5 噴濺物

造渣期：前期出現渣樣時，渣樣呈灰白色，色澤明亮，且噴濺物表面呈圓形坑狀，坑邊緣隆起且表面高于渣面2～3 mm。

造銅期：噴濺物由細小禮花狀逐漸轉為球狀且外形由分散至密集，直至消失，當表面呈球狀物邊針狀時，可以判斷到達造銅期終點。

如上所述，造渣期終點預測可利用的表觀特征包括PbS/PbO 濃度比、火焰特征、爐后釬樣表面分析、噴濺物表面特征。造銅期可利用的表觀特征包括SO2濃度、溫度、火焰特征、爐后釬樣表面分析、噴濺物表面特征。由圖1 可知，造渣期PbS/PbO 濃度比特征的顯著性要強于其余特征，根據其比例是否接近1 能夠對終點時間進行顯著的二值化描述，采用控制變量法使用62 爐數據分析，并以3 min 為閾值，通過PbS/PbO 對造渣期終點進行預測。由圖3 可知，PbS/PbO 單一因素對造渣期終點預測的成功率最大超過80%。同理，SO2濃度可對造銅終點時間進行顯著的二值化描述，SO2濃度對造銅期終點預測的成功率如圖4所示，容易看出最大值超過82%。因此，綜合這兩種因素的顯著性對終點預測的效果極佳。

圖3 PbS/PbO濃度比特征顯著性分析Fig.3 PbS/PbO feature significance analysis

圖4 SO2濃度特征顯著性分析Fig.4 SO2 significance analysis

2 終點預測模型

人工經驗法、儀器監測法原理本質上相同，均靠人工或人工設置的監測量閾值進行判斷，后者的優勢僅比前者有著更量化的數值，且更易于做出判斷。與此不同，基于神經網絡的人工智能法具備自主決策的功能。由于神經網絡對不同維度特征進行融合時，存在訓練不收斂的問題。在特征顯著性足夠的前提下，現有主流的人工智能方法多通過單一特征分析來預測終點。如利用單一火焰顏色特征，并基于深度網絡模型（DenseNet）進行訓練，可對造銅期終點進行預測［8］。在銅轉爐吹煉研究早期，涌現出諸多利用傳統Back Propagation（BP）神經網絡設計判斷模型的研究成果，所述模型大多利用自適應殘差補償算法對傳統神經網絡進行融合，并利用融合模型對吹煉終點進行預測，但由于模型輸入特征的不同維度之間存在權重關聯，導致預測結果的泛化能力難以滿足工業應用需求［9］。

考慮到本文存在3種不同維度的特征：1）火焰感知圖像；2）連續時間的PbS/PbO 濃度比；3）SO2濃度。其中，前者為二維特征，后兩者為一維特征。為實現3種特征融合，本文首先對二維與一維特征分別設計網絡，提取固定數目的一維特征進行線性拼接，組成融合特征。在此基礎上，利用卷積進行歸一化后作為最終的特征。最后，利用該特征進行預測。在特征融合過程中，不同維度特征的顯著性不同，融合過程中某一特征存在權重過大問題，本文使用Resnet 來弱化模型的退化問題，最終的設計模型如圖5 所示。其中Input 1，Input 2 和Input 3 分別表示火焰感知圖像、連續時間的PbS/PbO 濃度比和SO2濃度。

PbS/PbO 濃度比與SO2濃度采用固定的網絡結構，首先對連續過程中的PbS/PbO 濃度比、SO2濃度提取二階梯度，如式（1）所示：

式中，tk表示k時刻的PbS/PbO 濃度比，Tk表示該指標的二階梯度，sk表示k時刻的SO2濃度，Sk表示SO2濃度的二階梯度。利用二階梯度表征的特征能在一定程度上弱化反應過程中物料變化帶來的影響。為進一步對該二階梯度進行卷積，以消除局部梯度過大的奇點帶來的影響，降低最終匹配過程的閾值設計。最后進行池化得到這兩個一維數據的特征。二者雖然具有相同的網絡，但訓練時具有不同的權重，具備特征融合時的歸一化功能。

同時，使用常規的Resnet 網絡模型結構對Input 1進行設計，中間殘差網絡設計為4層。隨后與Input 2 和Input 3 所提取的特征進行線性融合，融合后結果為一維。然后使用卷積、池化、全連接層生成低維度特征，并利用非線性激活函數輸出結果，輸出層采用歸一化指數函數（softmax）與中心損失函數（center）結合的定義如式（2）：

式中，L表示損失函數，c表示類中心，x表示樣本值，λ表示歸一化因子。式（2）的函數可使特征不同維度類間距離增大，同時對類內預測結果進行明顯區分，使得最終分類準確性有效提高，最終得到二維的預測結果。

本文基于62 爐使用人工經驗法吹煉過程的數據進行訓練，所用物料的數據均基本相同，冰銅物料含銅品位為52%～58%，造渣期投入的冰銅、混合 風、固 鈹、石英石、底銅占 比分別52.71%，31.38%，8.91%，4.46%和1.17%，造渣期后含銅量可提升至74%。造銅期混合風、白冰銅、冷銅占比分別為44.91%，38.82%和11.63%，最終造銅期后含銅量為98.5%。上述數據中包含對預測時間的精度標注，即反應過程中各個特征量、監測量與反應時間的對應關系已知。考慮到造渣期與造銅期的時間預測精度，本文使用3 min 作為閾值進行預測誤差的判定，樣本篩選中同樣需要使用該閾值進行正負樣本篩選，即在正負樣本選擇階段將距離終點時刻3 min 內的圖像標注為正樣本，由此能夠保證預測模型快速收斂。如文獻[12]同樣采用該閾值篩選正樣本圖像，文獻[16-17]實驗驗證階段的誤差均以該閾值進行結果判定，該閾值下的預測結果完全可以指導工業應用。采用3 min 作為閾值，將數據對應的每一爐中，選擇終點時刻3 min 內的數據作為正樣本，其余非終點時刻，每間隔25 min取一次3 min 數據作為負樣本。共62 份正樣本，620 份負樣本。

模型訓練完成后，使用與訓練數據不同的10份驗證數據進行預測驗證。與訓練階段類似，每份驗證數據取終點時刻1 min 內的數據組、非終點過程中的1 min 數據組進行預測，單次驗證過程均隨機取其中10 組數據。以文獻［8］中的3 min 作為準確度判斷，以低于該閾值為準確，最終準確率統計如表1所示。

表1 準確率統計Table 1 Accuracy statistics

本文所設計的模型結構輕量化，算法運行于APK-6 Rk3399 工業控制計算機，信號檢測與數據傳輸的延遲在微秒級。對上述10 份驗證數據隨機取其中一次進行預測，結果如圖6 所示，可以看出模型單次運行時間小于0.2 s。因此，本文所設計模型的計算耗時可以忽略不計，上述采用3min 閾值進行終點判斷的過程不存在算法耗費時間。根據表1，采用平均法得到終點預測準確率達到93.66%。經統計可知，造渣期平均預測誤差為2.12%，造銅期平均預測誤差為2.06%，具備替代人工經驗的價值。

圖6 預測時間誤差Fig.6 Prediction time error

3 結論

對銅轉爐吹煉過程進行了特征顯著性分析，確定了火焰、連續時間的PbS/PbO 濃度比與SO2濃度這3 種顯著性特征融合的方案。基于Resnet 網絡構建了終點預測模型，融合了3 種不同維度特征，實現了造渣期和造銅期的終點預測。

實驗結果表明，造渣期終點時間平均預測誤差為2.12%，造銅期終點時間平均預測誤差為2.06%，雙期終點預測準確率達到93.66%。所設計的方法具備替代人工經驗的價值，引入大量歷史數據所訓練的模型能對預測過程進行顯著量化，最終訓練出的模型能減少人工經驗法或儀監測誤差導致的誤判，針對相同品位物料在火法吹煉過程的終點預測具有較高的工程應用價值。