01 研究背景

鐵水預處理是復雜的渣-金-氣的多相反應，伴隨著復雜的物理變化和化學反應，各個反應參量之間存在極其復雜的非線性關系，因而對該過程的精準控制非常困難。傳統(tǒng)的冶煉工藝設計主要依賴工程師的專業(yè)知識，通過實驗試錯的方式進行冶煉工藝設計，成本高且周期長，亟需通過變革研究方法加速生產工藝的優(yōu)化設計。高精度的模型是保障鐵水預處理脫硫過程精確控制的核心。本文針對鐵水預處理脫硫模型研究展開綜述，對現(xiàn)有的模型進行分類和總結，指出目前需要解決的關鍵問題。

02 國內外研究現(xiàn)狀

目前針對鐵水預處理脫硫過程廣泛使用的模型包括：機理模型、統(tǒng)計回歸模型、專家系統(tǒng)、機器學習模型。

1）機理模型鐵水預處理脫硫過程的機理模型是基于物料平衡、熱平衡以及冶金學原理，在一定的假設條件下，通過理論推導和反應方程式確定各變量之間關系，建立反應輸入參數與輸出參數之間關系的模型。研究者從脫硫反應機理出發(fā)，分析鐵水狀態(tài)和冶煉工藝參數之間的關系，研究了鐵水預處理過程脫硫動力學模型、脫硫反應熱力學驅動力模型、鐵水溫降與脫硫劑用量及鐵水成分含量的對應關系模型等，模擬鐵水脫硫過程成分含量以及鐵水狀態(tài)的演變。

在實際的鐵水預處理過程中，機理模型的性能主要由操作工藝規(guī)程、鐵水成分含量以及設備運行的穩(wěn)定性來決定，目前的建模工作均對脫硫反應的熱力學及動力學行為做了不同程度的簡化。高爐鐵水的狀態(tài)復雜，生產過程中受到的干擾因素繁多，例如迸濺的鐵水液滴、脫硫劑的粘附行為對脫硫效果的影響等，無法將其全部考慮到模型中；機理模型中的參數如鐵水中元素的傳質系數和鐵水與脫硫劑的反應界面面積隨時間的動態(tài)變化等難以確定，要從理論上求解相當困難；基于目前的探測技術，高溫環(huán)境下實現(xiàn)對鐵水與礦渣的精確組成配比以及鐵水溫度的波動等過程參數的直接測量難度很大。這些問題是阻礙機理模型發(fā)展的主要因素。

2）統(tǒng)計回歸模型統(tǒng)計回歸模型是基于觀測數據構建的數學模型，擬合觀測數據，并推斷目標未知數據?；貧w模型的優(yōu)勢在于其參數具有解釋性，可以幫助理解變量之間的關系及其影響的方向。由于鐵水內部動態(tài)規(guī)律的復雜性以及目前研究程度的限制，部分情況下無法構建機理模型，近年來許多研究者將統(tǒng)計回歸的思想應用于鐵水脫硫過程的建模。其構造的統(tǒng)計回歸模型主要依托脫硫劑單耗、脫硫工藝參數、鐵水內元素含量等參數實現(xiàn)對終點脫硫率的回歸分析。

對于鐵水預處理過程，統(tǒng)計回歸模型的局限性主要表現(xiàn)在以下兩個方面：回歸分析對一些假設條件較為敏感，如數據的正態(tài)性、同方差性等，對應鐵水脫硫過程各類問題采用的假設條件和回歸方法均不同，導致經驗公式繁多且不一致；簡單的回歸模型難以適應鐵水原材料及爐況的復雜變化，部分情況中預報精度不達標。因此，構造高精度的脫硫預報統(tǒng)計回歸模型難度較大。

3）專家系統(tǒng)專家系統(tǒng)是一種基于知識的計算機系統(tǒng)，通過將專家的知識嵌入系統(tǒng)中，模擬專家的決策過程。在鐵水預處理脫硫過程中，專家系統(tǒng)通過獲取專家知識，利用推理機制進行問題求解，提供決策支持和智能化控制。通過專家系統(tǒng)對鐵水預脫硫過程的模擬，可以實現(xiàn)脫硫過程的知識融合、監(jiān)督生產的實時決策、系統(tǒng)故障的定位診斷和基于數據更新的自學習等。在生產應用中，許多研究者實現(xiàn)了脫硫劑配比用量的指導以及脫硫工藝參數的優(yōu)化。例如可以通過鐵水硫含量和目標硫含量等參數自動計算本爐噴吹時間、供鎂速度等工藝參數。專家的合作程度、經驗豐富度是影響專家系統(tǒng)預測效果的重要因素；每個專家給出的結論可能大相徑庭，故開發(fā)一個嚴謹的專家系統(tǒng)困難且費時；專家系統(tǒng)的構造需要設計大量規(guī)則，但人為可考慮的范圍總是有限的；專家系統(tǒng)解決問題的范圍是特定的且不具備可移植性，模型面對超出知識庫范圍的問題預測性能將顯著下降。因此，專家系統(tǒng)在鋼鐵冶金預報控制方面的應用和發(fā)展受到相應限制。4）機器學習模型隨著Alpha Go、Chat GPT等人工智能模型的誕生，以數據為核心的智能化模型引起了研究人員的廣泛關注?；诖罅康蔫F水預處理過程數據，采用機器學習方法建立輸入變量與輸出變量之間的映射關系，可以不通過建立條件假設而只基于數據，將機理模型中無法包含的異構數據用于建模，從而在實際生產中實現(xiàn)更精確的預測。與其他模型相比，對于模擬鐵水脫硫處理這一復雜的、非線性的生產過程，采用機器學習方法的人工智能模型具有更高的精度和適應性。構建鐵水預脫硫機器學習模型可以用于有效指導脫硫劑的投放配比及添加量。吳思煒等利用深度學習算法預測KR機械攪拌脫硫過程石灰的利用率，將一維數據轉為二維數據作為卷積神經網絡的圖像輸入，采用貝葉斯優(yōu)化算法尋找模型的最優(yōu)超參數以提高模型性能。圖1所示為模型的網絡結構以及石灰利用率預測結果，采用3個卷積層的ReLU函數作為激活函數，卷積核數目分別設置為8、16和32，第一個全連接層中設置100個隱藏神經元，第二個全連接層設1個隱藏神經元。

針對鐵水預處理脫硫過程建立機器學習模型，其建模效果最主要的影響因素是數據的規(guī)模和質量。數據采集不完備或者過多的異常值都會導致模型無法包含全面、準確的信息。此外，數據的時效性、數據的特征選擇以及數據分布的多樣性與均衡性等問題也會影響到建模效果，因此數據質量是影響機器學習模型建模效果的關鍵。

03 發(fā)展趨勢展望

為滿足鐵水預處理精確控制的需求，該流程的模型應用圍繞鐵水預處理終點硫含量與脫硫率預測、鐵水預處理工藝參數預測及優(yōu)化模型、鐵水預處理脫硫劑耗量與利用率預測不斷深入研究，取得了一定成效。隨著建模技術的發(fā)展，研究人員有望解決更多復雜情況下的建模問題，預計今后一段時間內的研究方向可能如下。

1）工業(yè)數據治理。工業(yè)生產數據包含了各個反應參量間的相關性規(guī)律和實際生產的規(guī)律，是模型的研究基礎，獲得能夠真實反映鐵水預處理過程生產規(guī)律的真實和全面的數據至關重要。在采集離線數據的過程中會由于各種問題導致實際生產數據出現(xiàn)缺失值、異常值、數據分布不均衡等問題，導致模型的準確性和魯棒性較差。為了避免數據分析工作功虧一簣，應在建模前對數據進行適當的預處理。

2）機器學習模型中機器學習算法選擇。目前國內外研究者將各類繁多的機器學習算法應用于鐵水預脫硫過程，如何在眾多算法中選擇調用最適合于鐵水預處理過程的機器學習模型成為值得研究的問題。此外，針對鐵水預處理脫硫模型進行超參數優(yōu)化的研究還較少，通常是憑借經驗調整參數以使模型的“泛化誤差+偏差”達到最小來保證模型的最佳預測性能。當多個超參數同時變化時，只能通過不斷枚舉或有限的超參數尋優(yōu)方法來確定模型的最優(yōu)超參數組合。由此可見，機器學習的算法選擇和模型超參數的確定仍需耗費大量的時間，迫切需要一套科學有效的方法來快速尋找最優(yōu)機器學習模型及其超參數。

3）數據加密問題。企業(yè)的生產數據反映了企業(yè)的核心技術，關系著企業(yè)產品的質量和科技競爭力。基于工業(yè)數據的機器學習模型需要采集大量的生產過程數據，企業(yè)對數據開放后的安全性存有疑慮。因此數據的加密處理是一個亟需優(yōu)化的問題，開發(fā)可實現(xiàn)加密數據的建模方法，包括采用聯(lián)邦學習系統(tǒng)等方式處理數據涉密問題，實現(xiàn)數據的“可算不可見”，也將是一個重要的發(fā)展方向。

4）機理模型的深度細化。針對鐵水預處理過程深入理解脫硫反應機理，研討脫硫熱力學、動力學反應過程，建立數學量化模型。通過采用數學量化模型解釋反應機理、細化反應流程，有助于更全面地理解鐵水預脫硫過程部分參量間的相關性。因此，對反應機理的探究并將其量化是科研工作者一直追求的目標。

5）多種模型融合。無論是機理模型、統(tǒng)計回歸模型、專家系統(tǒng)還是機器學習模型，各種模型均具有一定的局限性。實踐表明在機理模型基礎上，融合各個模型優(yōu)勢，引入數據驅動的方法加以補充，可以有效提高模型的預測精度。首先，機器學習模型可以考慮更多機理模型無法考慮的因素（如生產環(huán)境的變化、設備的使用狀態(tài)等），提高模型在真實生產環(huán)境中的適應性。其次，機理模型中存在一些需要依靠實驗和經驗確定的參數，這些參數的確定需要輔助大量實驗，耗費大量時間，模型應用至現(xiàn)場時還需根據現(xiàn)場環(huán)境進行人工調試?？梢曰趯嶋H生產數據，結合智能優(yōu)化方法快速自動獲取最優(yōu)參考值，節(jié)省時間的同時提高了模型在工業(yè)場景的適用性；此外，采用數據驅動方法建立機理模型的誤差修正模型也是在工業(yè)數據建模中始終受關注的一個問題。綜上所述，融合不同建模方法的優(yōu)勢進一步開發(fā)新的模型以提升模型的實用性、適用性與泛化能力是一個值得探索的研究方向。