基于火焰及烟气特征深融合的转炉吹炼终点判断

张红哲，张冰洁，郭廷谦

（中国恩菲工程技术有限公司，北京 100038）

火法炼铜是目前铜冶炼领域的主流工艺之一，应用较为广泛。世界铜冶炼产量中，火法炼铜所占比例超过82%，而在国内这一比例高达97%，火法炼铜工艺的重要性由此可见一斑［1］。自20 世纪60 年代至今，世界火法炼铜技术取得长足进步，中国火法炼铜工艺也完成了从技术引进到自主研发的跨越式发展，目前已处于世界领先水平［2-3］。当下，转炉吹炼法所用炉根据工艺不同可以分为：Pierce-Smith（P-S）转炉、顶吹炉、闪速炉、侧吹炉及底吹炉，其中P-S 转炉凭借其技术成熟、综合性价比高、操作简单、除杂能力强、粗铜质量高、适应性强且可处理不同品位物料等优势，在国内使用占比超过50%［4］。

在铜锍转炉吹炼过程中，由于铜锍、吹炼渣、锢铍和床下物等物料的存在，且冶炼反应的过程控制存在差异，同时炉内冶炼反应条件复杂多变［5］，导致该过程各阶段物料及烟气浓度等因素之间相互耦合，使得整个吹炼的过程控制及时间控制存在诸多不确定性［6］。转炉吹炼过程的终点预测是转炉流程的关键步骤之一，无论过吹还是欠吹都会对产品品位、过程控制造成较大影响［7-8］。铜转炉吹炼终点判断包括造渣期终点判断和造铜期终点判断，为实现这两步终点判断，国内外科研技术人员开展了大量理论研究与工程实践，研究方法主要包括：人工经验法、仪器监测法和人工智能法，上述方法均能实现造渣期与造铜期两步终点判断［9］。

人工经验法是指转炉操作人员凭借长期积累的生产经验，通过观察火焰特征、黏结物特征、喷溅物特征等，来判断炉内反应的终点时间，即完全凭借人工观察和已有的经验来判定终点时间［10］。仪器监测法主要通过监测PbS/PbO 浓度比来判断终点时间，而该烟气浓度指标是吹炼过程中的显著特征指标［11-12］。人工智能法以吹炼过程中的显著特征作为因变量，利用神经网络模型构建预测函数，通过铜转炉吹炼过程中的显著因素来预测终点时间［13-14］。

目前，P-S 转炉的终点预测以人工经验为主［15］。在原矿来源不变的情况下，其他方法仍然存在人为因素干扰、终点判断时间滞后、仪器在恶劣环境下易损坏、建模计算复杂等问题［16］。本文通过对吹炼过程表观特征的显著性进行分析，基于深度残差网络（Resnet）设计了终点预测模型，极大提高了终点预测精度，同时该方法在工业生产中具有较高的适用性。

1 铜吹炼过程特征及其显著性分析

P-S 转炉的操作过程分为造渣和造铜两个周期，为间歇操作。这两个阶段各因素的表观特征有着较为明显的差异，具体包括烟气浓度、温度、火焰特征、喷溅物、炉后钎样等。

1.1 烟气浓度

造渣期：铜转炉吹炼过程中，烟气浓度特征常用PbS/PbO 浓度比表示。造渣过程前期，PbS/PbO比值稳定，数值变化量稳定在2%以内，直至造渣期终点时，PbS 浓度急速下降，PbO 浓度急速上升，此时PbS/PbO 快速下降。铜转炉吹炼过程中的PbS/PbO 浓度比变化过程如图1 所示，可以看出，PbS/PbO浓度比在造铜期终点判断过程有较高的显著性。

图1 P-S铜转炉吹炼过程PbS/PbO浓度比Fig.1 PbS/PbO concentration ratio during P-S copper converter blowing process

造铜期：造铜期烟气特征一般用SO2浓度表示，在造铜期过程中，SO2浓度缓慢下降，直至造铜期终点，此时物料中的硫化物被完全氧化，SO2浓度接近0（一般小于0.5%）［17］，如图2所示。

图2 P-S铜转炉吹炼过程SO2浓度监测值Fig.2 SO2 concentration in P-S copper converter blowing process

1.2 温度特征

造渣期：前期存在明显放热反应，熔体温度快速上升，由于物料品位及过程控制的不同，造渣期温度特征难以量化。

造铜期：温度由较低点逐渐上升至最高值，到造铜期终点时由于反应基本停止，该阶段的温度明显下降，且该过程中烟气温度通常比熔体温度低 100～200 ℃。

1.3 火焰特征

造渣期：火焰颜色由黄色逐渐转为乳白色，火焰呈现明显的亮色，可以判定到达造渣期终点［18］。

造铜期：造铜期起始时由于烟气反应尚未稳定，火焰颜色混浊，随着烟气反应逐渐稳定，火焰颜色逐渐明亮化。该过程伴随着黄绿色烟气直至逐渐消失，火焰显现淡黄白色，且烟气体量明显减小，随后火焰颜色从淡黄白色转变为淡棕红色，最后火焰颜色稳定为橘红色，此时可认为是造铜期终点时刻［19］。

1.4 炉后钎样黏结物

造渣期：炉后开始出现钎样黏结物时，颜色为灰白色，随着钎样黏结物的增加，颜色逐渐转为青白色，随后稳定为油墨色，此时可认为是造渣期终点。

造铜期：前期钎样黏结物表面为金黄色，并逐渐转为深褐色，随后进一步转为橘红色，最后稳定为玫红色，同时伴随着黏结物表面由粗糙转向光滑，此时可认为是造铜期终点。

1.5 喷溅物

造渣期：前期出现渣样时，渣样呈灰白色，色泽明亮，且喷溅物表面呈圆形坑状，坑边缘隆起且表面高于渣面2～3 mm。

造铜期：喷溅物由细小礼花状逐渐转为球状且外形由分散至密集，直至消失，当表面呈球状物边针状时，可以判断到达造铜期终点。

如上所述，造渣期终点预测可利用的表观特征包括PbS/PbO 浓度比、火焰特征、炉后钎样表面分析、喷溅物表面特征。造铜期可利用的表观特征包括SO2浓度、温度、火焰特征、炉后钎样表面分析、喷溅物表面特征。由图1 可知，造渣期PbS/PbO 浓度比特征的显著性要强于其余特征，根据其比例是否接近1 能够对终点时间进行显著的二值化描述，采用控制变量法使用62 炉数据分析，并以3 min 为阈值，通过PbS/PbO 对造渣期终点进行预测。由图3 可知，PbS/PbO 单一因素对造渣期终点预测的成功率最大超过80%。同理，SO2浓度可对造铜终点时间进行显著的二值化描述，SO2浓度对造铜期终点预测的成功率如图4所示，容易看出最大值超过82%。因此，综合这两种因素的显著性对终点预测的效果极佳。

图3 PbS/PbO浓度比特征显著性分析Fig.3 PbS/PbO feature significance analysis

图4 SO2浓度特征显著性分析Fig.4 SO2 significance analysis

2 终点预测模型

人工经验法、仪器监测法原理本质上相同，均靠人工或人工设置的监测量阈值进行判断，后者的优势仅比前者有着更量化的数值，且更易于做出判断。与此不同，基于神经网络的人工智能法具备自主决策的功能。由于神经网络对不同维度特征进行融合时，存在训练不收敛的问题。在特征显著性足够的前提下，现有主流的人工智能方法多通过单一特征分析来预测终点。如利用单一火焰颜色特征，并基于深度网络模型（DenseNet）进行训练，可对造铜期终点进行预测［8］。在铜转炉吹炼研究早期，涌现出诸多利用传统Back Propagation（BP）神经网络设计判断模型的研究成果，所述模型大多利用自适应残差补偿算法对传统神经网络进行融合，并利用融合模型对吹炼终点进行预测，但由于模型输入特征的不同维度之间存在权重关联，导致预测结果的泛化能力难以满足工业应用需求［9］。

考虑到本文存在3种不同维度的特征：1）火焰感知图像；2）连续时间的PbS/PbO 浓度比；3）SO2浓度。其中，前者为二维特征，后两者为一维特征。为实现3种特征融合，本文首先对二维与一维特征分别设计网络，提取固定数目的一维特征进行线性拼接，组成融合特征。在此基础上，利用卷积进行归一化后作为最终的特征。最后，利用该特征进行预测。在特征融合过程中，不同维度特征的显著性不同，融合过程中某一特征存在权重过大问题，本文使用Resnet 来弱化模型的退化问题，最终的设计模型如图5 所示。其中Input 1，Input 2 和Input 3 分别表示火焰感知图像、连续时间的PbS/PbO 浓度比和SO2浓度。

PbS/PbO 浓度比与SO2浓度采用固定的网络结构，首先对连续过程中的PbS/PbO 浓度比、SO2浓度提取二阶梯度，如式（1）所示：

式中，tk表示k时刻的PbS/PbO 浓度比，Tk表示该指标的二阶梯度，sk表示k时刻的SO2浓度，Sk表示SO2浓度的二阶梯度。利用二阶梯度表征的特征能在一定程度上弱化反应过程中物料变化带来的影响。为进一步对该二阶梯度进行卷积，以消除局部梯度过大的奇点带来的影响，降低最终匹配过程的阈值设计。最后进行池化得到这两个一维数据的特征。二者虽然具有相同的网络，但训练时具有不同的权重，具备特征融合时的归一化功能。

同时，使用常规的Resnet 网络模型结构对Input 1进行设计，中间残差网络设计为4层。随后与Input 2 和Input 3 所提取的特征进行线性融合，融合后结果为一维。然后使用卷积、池化、全连接层生成低维度特征，并利用非线性激活函数输出结果，输出层采用归一化指数函数（softmax）与中心损失函数（center）结合的定义如式（2）：

式中，L表示损失函数，c表示类中心，x表示样本值，λ表示归一化因子。式（2）的函数可使特征不同维度类间距离增大，同时对类内预测结果进行明显区分，使得最终分类准确性有效提高，最终得到二维的预测结果。

本文基于62 炉使用人工经验法吹炼过程的数据进行训练，所用物料的数据均基本相同，冰铜物料含铜品位为52%～58%，造渣期投入的冰铜、混合 风、固 铍、石英石、底铜占 比分别52.71%，31.38%，8.91%，4.46%和1.17%，造渣期后含铜量可提升至74%。造铜期混合风、白冰铜、冷铜占比分别为44.91%，38.82%和11.63%，最终造铜期后含铜量为98.5%。上述数据中包含对预测时间的精度标注，即反应过程中各个特征量、监测量与反应时间的对应关系已知。考虑到造渣期与造铜期的时间预测精度，本文使用3 min 作为阈值进行预测误差的判定，样本筛选中同样需要使用该阈值进行正负样本筛选，即在正负样本选择阶段将距离终点时刻3 min 内的图像标注为正样本，由此能够保证预测模型快速收敛。如文献[12]同样采用该阈值筛选正样本图像，文献[16-17]实验验证阶段的误差均以该阈值进行结果判定，该阈值下的预测结果完全可以指导工业应用。采用3 min 作为阈值，将数据对应的每一炉中，选择终点时刻3 min 内的数据作为正样本，其余非终点时刻，每间隔25 min取一次3 min 数据作为负样本。共62 份正样本，620 份负样本。

模型训练完成后，使用与训练数据不同的10份验证数据进行预测验证。与训练阶段类似，每份验证数据取终点时刻1 min 内的数据组、非终点过程中的1 min 数据组进行预测，单次验证过程均随机取其中10 组数据。以文献［8］中的3 min 作为准确度判断，以低于该阈值为准确，最终准确率统计如表1所示。

表1 准确率统计Table 1 Accuracy statistics

本文所设计的模型结构轻量化，算法运行于APK-6 Rk3399 工业控制计算机，信号检测与数据传输的延迟在微秒级。对上述10 份验证数据随机取其中一次进行预测，结果如图6 所示，可以看出模型单次运行时间小于0.2 s。因此，本文所设计模型的计算耗时可以忽略不计，上述采用3min 阈值进行终点判断的过程不存在算法耗费时间。根据表1，采用平均法得到终点预测准确率达到93.66%。经统计可知，造渣期平均预测误差为2.12%，造铜期平均预测误差为2.06%，具备替代人工经验的价值。

图6 预测时间误差Fig.6 Prediction time error

3 结论

对铜转炉吹炼过程进行了特征显著性分析，确定了火焰、连续时间的PbS/PbO 浓度比与SO2浓度这3 种显著性特征融合的方案。基于Resnet 网络构建了终点预测模型，融合了3 种不同维度特征，实现了造渣期和造铜期的终点预测。

实验结果表明，造渣期终点时间平均预测误差为2.12%，造铜期终点时间平均预测误差为2.06%，双期终点预测准确率达到93.66%。所设计的方法具备替代人工经验的价值，引入大量历史数据所训练的模型能对预测过程进行显著量化，最终训练出的模型能减少人工经验法或仪监测误差导致的误判，针对相同品位物料在火法吹炼过程的终点预测具有较高的工程应用价值。