隨著“碳達峰”和“碳中和”的提出，對鋼鐵行業的節能環保提出了更高的要求，以廢鋼為主要原料的電爐煉鋼，將在鋼鐵行業綠色發展戰略中發揮重要作用。廢鋼成分主要包括Si、Mn、Cr、Ni、Cu等，快速、精準檢測廢鋼成分含量是擴大利用廢鋼資源、提高鋼水質量、突破資源瓶頸制約、建設資源節約和環境友好社會的重要保證。基于成分含量進行廢鋼精準分類非常關鍵，但是目前采用的分類參數多為廢鋼質量、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分類仍然存在較大的局限性。因此，迫切需要開發能適用于現場，快速、全面實現廢鋼分類以及成分檢測的儀器，以滿足高品質冶煉的需求。
激光誘導擊穿光譜法(LIBS)是將高能量脈沖激光聚焦在樣品表面激發分析物的等離子體信號并用光譜儀收集信息來進行定性、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，在廢鋼成分定性分析中具有明顯優勢。但是由于基體效應和光譜自吸收等常見問題，會存在匹配性低、結果穩定性差、預測精度低等缺點。鑒于此，河鋼集團鋼研總院和華北理工大學自主研發了一款高精度激光誘導擊穿光譜儀，并配置了具有獨立知識產權的LIBS高精度定標分析軟件，可快速實現硬件配置、光譜采集、數據預處理、定性定量分析、數據庫管理等功能，極大地提高了分析數據的處理速率；同時引入反向傳播(BP)神經網絡等算法，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。
1、 試驗部分
為了提升模型定標精度，參考國家標準GB/T 4336—2002《碳素鋼和中低合金鋼火花源原子發射光譜分析方法》選擇標準樣品，包括6個碳素結構鋼標準樣品GSB A68072—92、6個低合金鋼標準樣品GSB-03—2615、6個中低合金鋼標準樣品YS-BS23207—97，分別記為標準樣品1~18。
樣品打磨至表面光滑無污漬，隨后按照相應的試驗條件進行測試。為降低儀器工作參數波動的影響，每個樣品表面均勻選取20個檢測位點，每個檢測位點激發350個脈沖，取第101~350個脈沖數據為有效數據，并依據拉依達準則進行數據異常校驗，剔除粗大誤差光譜，從剩余平均光譜(173~301nm)數據中提取目標元素的特征數據，進行歸一化處理后輸入到模型的全連接層，隨后輸送到H1隱藏層對數據進行一次特征值提取，使前一層的向量轉換為新的向量，用ReLU激活函數對神經元的輸出結果做出判斷，將上一層輸出的特征值輸入到下一層，最終將輸出結果與目標結果相比較，計算誤差并進行反向傳播。更新權值w后進行新一輪的正向傳播，通過預先設定早停法來避免過擬合，再連續訓練5輪至均方誤差(MSE)不能再被優化，停止訓練并保存模型。本工作建立的模型包括分類模型和定標模型，前者用于對不同牌號的廢鋼樣品進行分類，后者用于檢測廢鋼中元素的含量。
參考美國國家標準與技術研究院的發射譜線數據庫，選擇重疊少、自吸收弱、強度較大的譜線作為Si、Mn、Cr、Ni、Cu元素的最優分析譜線，以Fe為參考元素，選取各元素附近的Fe元素的分析譜線為參考線，對各元素的強度進行歸一化處理，將得到的相對強度作為輸入向量建立3層BP神經網絡模型。參考分類模型，選取各元素的最優分析譜線，以與分類模型相同的Fe元素為參考元素進行歸一化處理，將相對強度作為神經網絡的輸入向量建立3層BP神經網絡模型。
2、 結果與討論
由圖1可知，隨著迭代次數的增加，準確率逐漸趨近于100%，證明利用神經網絡進行分類具有一定的可行性。用訓練好的神經網絡對測試集樣品進行分類，分類效果如圖2所示。
由圖2可知，測試集90組數據帶的預測分類結果和真實樣品的分類結果一致，分類準確率達到100%，說明所建BP神經網絡分類模型的分類效果較好。
按照試驗方法對訓練集進行訓練，各元素定標模型的4個性能指標隨迭代次數變化而變化，其中Cr、Cu定標模型性能指標的變化曲線如圖3所示。
由圖3可知：Cr定標模型所得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，PRESS在迭代50次后降至較低且趨于平穩，因此試驗選擇在迭代次數200次時停止訓練；Cu定標模型所得R2、RMSE、MPE和PRESS在迭代280次時達到最優效果，因此試驗選擇在迭代280次時停止訓練。
通過試驗發現，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項指標也較好，充分說明利用BP神經網絡建立的元素定標模型的性能較好。根據圖4可以表明，各元素模型的預測值均在認定值范圍內浮動，擬合程度較好，能夠反映元素的真實含量。
按照試驗方法對實際樣品1平行測定5次，計算預測值的相對標準偏差(RSD)，Si、Mn、Cr、Ni和Cu元素的預測值的RSD均小于5.0%，符合精密度規定。利用定標模型預測樣品1、樣品2和樣品3中5種元素的含量。根據試驗結果，預測值和測定值基本一致，說明廢鋼樣品定標模型準確度較好，可進一步應用于實際生產檢測中。
3、 結論
針對鋼鐵行業尚無專用性廢鋼成分快速檢測工業成型機的現狀，本工作采用自建設備及軟件，并結合BP神經網絡建立了分類模型和定標模型。分類模型的準確率趨近于100%，Si、Mn、Cr、Ni、Cu等元素定標模型所得測試集數據的R2分別為0.941，0.983，0.983，0.988，0.987，RMSE分別為0.0612，0.0607，0.0425，0.0496，0.0169，模型性能均較好。將所建模型用于測試集的分類和實際樣品中5種元素含量的測定，分類準確率為100%，預測值和測定值一致，基本滿足鋼廠廢鋼分類以及成分快速檢測的工作需求。下一步還將繼續優化算法，實現廢鋼成分中As、Sn等有害殘余元素的檢測，為實現異常廢鋼的單獨管理和建立適應特殊鋼微量元素控制的質量管理體系提供技術參考。
