第二章 鋼鐵產業
2.2 鋼品製程
2.2.3 煉鋼作業
煉鋼意謂將上述由高爐所熔煉而成的生鐵加以精煉成鋼。由於生鐵中含有許多 碳、矽、錳、磷及硫等元素，因此其性質極脆，無法直接用來軋製或鑄造。要將生 鐵變成可塑造且附韌性而能加工之鋼材，必須先去除其中不純物。若以廢鋼為煉鋼 原料，則須先經篩選除去非鐵金屬及非金屬物質。煉製過程一般分為下述三項步驟，
第一項為將生鐵加入煉鋼爐內，在高溫加熱熔化後，使其內的不純物質被氧化而去
煤 石灰石 鐵礦石
煉焦爐 球結廠 燒結廠
魚雷車
生鐵
高爐
10
除，形成熔渣，此步驟稱為精煉或氧化。第二項為將氧化精煉完成後產出的鋼液中 添加脫氧劑（一般為矽鐵(ferro-silicon)、錳鐵(ferro-manganese)、鋁(aluminium)等）
以除去過量的氧，進而提高鋼的品質，本步驟名為脫氧或還原。此時得額外添加合 金元素形成合金鋼(alloy steel)，使軋延後之鋼品具有特殊性質。最後，經由上述兩 項步驟所得之鋼液(molten steel)，除了少部份直接將其鑄造成鑄鋼製品外，大部份則 是澆鑄(casting)於鋼錠模內待其凝固冷卻後形成鋼錠(steel ingot)（即普通鑄錠法），
或倒入連續鑄造機(continuous casting machine)澆鑄製成鋼胚（即連續鑄錠法），方 可進行軋鋼作業產出鋼品。Fig. 2.2 為煉鋼作業簡示圖[21]。
Fig. 2.2 煉鋼流程圖
生鐵
轉爐
廢鋼
電爐
鑄錠
連續鑄造機
小鋼胚 大鋼胚 扁鋼胚
分塊延軋機
鑄鋼鑄造
11
煉鋼法依加熱方式的不同主要分為三種方法，分冸為轉爐法(converter process)、
平爐法(open-hearth process)、電爐法(electric furnace process)等。Table 2.2 簡略列出 三種煉鋼法迥異之處。
Table 2.2 三大主要煉鋼法簡易比較表
轉 爐 法 平 爐 法 電 爐 法
原 料 生鐵為主、廢鋼為副 生鐵及廢鋼 廢鋼為主、少量生鐵
熱 源 鐵 水 中 的 不 純 物 受 氧 化反應產生的氧化熱
高 溫 可 燃 燒 氣 體 或 重
油 冺用電能轉變為熱能
時 間 最短 最長 其次
優 點 設備費低、生產效率高 又不需燃料。
生 鐵 與 廢 鋼 的 比 例 可 自由調配。
熱效率高、操作容易及 可煉製高級鋼等。
在前述澆鑄作業下所鑄成之鋼錠或鋼胚，其品質良莠及形狀大小足以影響所產 鋼品優劣及種類。一般而言，普通鑄錠法出產的小鋼錠可直接軋製成鋼材，大鋼錠 則需送至分塊軋延機進行開胚(cogging)處理形成小鋼胚(billet)、大鋼胚(bloom)及扁 鋼胚(slab)等（以上俗稱粗鋼(crude steel)）後，再分送到軋延廠以軋製或鍛造方式製 成鋼材成品；連續鑄錠法則省去澆鑄鋼錠的步驟，直接將鋼液連續鑄造成鋼胚再軋 延成產品。Table 2.3 為三種鋼胚在外觀、生產方式及橫斷面之同異處。
Table 2.3 鋼胚半成品基本分類表
小 鋼 胚 大 鋼 胚 扁 鋼 胚
外 觀 長條狀 長條狀 扁平狀
生 產 方 式 皆為連鑄或開胚
橫斷面邊長 小於 150 公釐 大於 150 公釐 厚度大於 100 公分，且 寬度為厚度的二倍以上
橫斷面形狀 正方形與圓形 正方形與矩形 矩形
12
2.2.4 軋延加工鋼液鑄成鋼錠或鋼胚後，尚需加以變形加工成各種尺寸及形狀，再供給市場使 用。最常見的成型方法有軋延(rolling)、鍛造(forging)、擠型(extrusion)、抽製(drawing)、
深衝(deep drawing)及旋彎(spinning)等六種。因軋延是通過兩個轉動軋輥(roller)，將 鋼胚軋製成鋼材，加工易、產量高及成本低，故多數鋼品皆以此方法成型。
軋延可分為熱軋及冷軋兩類。所謂熱軋是指鋼胚在送進軋延機加工前，先將其 置於加熱爐內加熱至高溫，再取出進行軋製，通常是鋼胚軋延初期時採行；而冷軋 意謂待軋延之材料不進行加熱此步驟，就直接送入軋延機軋製，通常在軋延完工階 段被採用。事實上，冷軋原料的來源是經熱軋過後的成品，並非將鋼胚在室溫下直 接送進軋製。經冷軋後，可得產品表面較為優良及尺寸精確，且因加工硬化而具備 較大的強度。Fig 2.3 為主要鋼品與生產所需軋延機之流程圖[21]。
軋製成品大致上可分為平板類鋼板片、鍍塗面鋼捲片、型鋼、棒線類鋼材及特 殊鋼等五大類冸。其中在棒線類鋼材部份，依據臺灣區鋼鐵工業同業公會之定義，
主要分成三大項，其定義如下：
1. 圓棒(round bar)／直棒(straight bar)
以小鋼胚加熱軋製或鍛造成棒狀之鋼，斷面形狀為圓形者。
2. 線材(wire rod)
鋼材加熱軋延而成，其形狀成盤捲狀，又稱線材盤元或簡稱盤元。
3. 鋼筋(steel bar)
經軋製成棒狀之鋼，可分為圓鋼筋（俗稱圓鐵）、方鋼條及竹節鋼筋(deformed bar)三大類。圓鋼筋係指表面圓滑無節者，方鋼條是指方型斷面之平滑無節鋼筋，竹 節鋼筋則是斷面具有特殊形狀，如圓周表面有節或突出，或依冷間扭轉加工有螺旋
13
狀者，使其能增加與混凝土的附著力。Fig. 2.3 軋鋼流程圖
加熱爐
直接 軋延
主要鋼品
型鋼軋機
線材軋機
厚板軋機
UO壓機
熱軋薄板機
冷軋薄板機
熔接管製造設備
無縫管製造設備
軌條 鋼板樁 型、棒鋼 竹節鋼筋 線材 條鋼盤元
厚板 中板
UO鋼管
熱軋鋼板 熱軋鋼捲
冷軋鋼板 冷軋鋼捲
（鍍膜薄板）
熔接鋼管
無縫鋼管
鑄鋼製品
小鋼胚 大鋼胚 扁鋼胚
鑄鋼鑄造
14
第三章 研究方法
本章節簡述類神經網路後，將依序介紹其網路架構、神經元模型及本論文所使 用之倒傳遞演算法等，並統整出演算法之學習步驟。
3.1 類神經網路概述
類神經網路(artificial neural network, ANN)是一種模仿生物神經元(neuron)與神 經系統所衍生出來的機器學習方式，其在面對複雜及非線性問題時，可藉由學習法 則建制預測系統之模型，以處理龐雜的數值資料。
3.2 網路架構與神經元模型
本論文使用前饋式類神經網路(feed-forward artificial neural network, FFNN)架構
（見 Fig. 3.1），並定義其中參數符號如 Table 3.1 所列[22]-[23]。其架構主要由三個 部份所建成，分冸為：
1. 輸入層(input layer)：單層，含
n
個輸入訊號及 1 個常數項輸入（共計有n 1
個 節點(node)或輸入項）。2. 隱藏層(hidden layer)：可多層，含
m
個神經元及 1 個常數項輸入（共計有m 1
個 節點）。3. 輸出層(output layer)：單層，含
p
個神經元（即有p
個節點或輸出訊號）。 上述輸入層與輸出層神經元個數為根據使用者之樣本資料而訂定；隱藏層之層 數及每層所含神經元個數亦因資料不同而有所增減。15
16
值(bias)、淨輸入、加法器及激發函數(activation function)等。其中，淨輸入、輸出訊 號與輸入項之間的關係可由式(3.1)及式(3.2)來描述之。本論文之模擬皆採用雙彎曲函數（sigmoid function，亦稱 S 型函數）為其激發 函數，其輸入與輸出間之關係為式(3.3)，而特性曲線圖參見 Fig. 3.2。
17
Fig. 3.2 激發函數特性曲線圖
依據 Table 3.1 所呈，假設其模擬資料總筆數為 l ，則可將式(3.1)及式(3.2)更新 為式(3.4)及式(3.5)；誤差及成本函數(cost function)分冸定義於式(3.6)及式(3.7)。
1
1
,
n
qj ij qi qj hj qj
i
u v z r f u
，本論文將z
q n, 1皆設定為1。 (3.4)
1
1
,
m
qk jk qj qk ok qk
j
s w r y f s
，本論文將r
q m, 1皆設定為1。 (3.5)qk qk qk
.
e d y
(3.6)2 2
1 1 1 1 1
1 1
2 2 .
p p
l l l
total q qk qk
q q k q k
E E e e
(3.7)u
-6 -4 -2 0 2 4 6
r
0.0
0.2
0.4
0.6
0.8
1.0
18
3.3 倒傳遞演算法
本論文使用之學習演算法為誤差倒傳遞演算法(error back propagation algorithm, EBP)，其屬於多層前饋式網路(multilayer feed-forward network)，搭配監督式學習 (supervised learning)方式以處理輸入與輸出間之非線性映射關係，並根據輸出層之誤 差值回授來修正權重值，使成本函數減小而達到學習目的[24]-[25]。
藉由連鎖律(chain rule)，可推導得
1
19
藉由連鎖律(chain rule)，可推導得
1
將輸入訊號與期望輸出值正規化(normalized)，並匯入類神經網路架構中。
步驟二：設定網路架構大小
包含網路架構中隱藏層層數、輸入層輸入個數、每層隱藏層及輸出層之神 經元個數設定。
20
步驟三：初始化(initialize)設定學習速率(learning rate)及停止準則（stopping criteria，本論文採用學習
至最大疊代次數即終止），並初始化權重值（本論文使用隨機亂數予值）。
步驟四：前饋階段（以單次學習週期(epoch)為例，於演算中即
q
由 1 運算至 l 。）根據式(3.4)及式(3.5)，依序計算出每層隱藏層及輸出層各神經元之淨輸入 與輸出值，再由式(3.6)得其誤差值。
步驟五：倒傳遞階段（亦以單次學習週期為例）
按照式(3.9)及式(3.12)，分冸計算出各神經元之靈敏度，再藉式(3.10)及式 (3.13)調變輸入項與各神經元間的權重值。
步驟六：重複計算與修正
重複步驟四、五直至學習次數達最大疊代次數即終止。
21
第四章 研究過程暨模擬結果
本章節依序敘述資料前置處理步驟、類神經網路於迥異訊號下之分類模擬設計 及本論文所使用之衡量評估指標等，最後呈現模擬結果。
4.1 資料前置處理
本論文以某鋼鐵工廠所提供由 2008 年 11 月至 2009 年元月之竹節鋼筋（英規 Grade 460 及 Grade 460B）製程資料來做研究，其資料內容包含鋼液之化學成分 (chemical composition)、鋼筋之稱號(designation)（即標稱直徑(nominal diameter)）、
單位質量(unit mass)、單位質量百分比(unit mass percentage)、軋延參數(rolling parameters)及鋼筋之機械性質(mechanical properties)等，共計 906 筆（其範本列於附 錄一）。
在進行 類神經 網路模 擬前 ， 除 化學 成 分 外 之製程 資料皆 須先予 以 正規 化 (normalization)處理或按比例增減(scaling)，將變數映射至一定範圍內，其目的在於 避免變數值域彼此間差異過大而忽略較小值域之變數的重要性，導致影響學習成效。
此外，資料壓縮範圍之上下限值設定與所採用之激發函數息息相關，因此本論文依 據前章所提雙彎曲函數將上下限值訂定為 0 至 1 之間。但為了防止學習過程中，數 值會溢出此範圍，故本論文針對輸出項部份（即機械性質），將其上下限值更改為 0.05 至 0.95 之間。最後，經網路學習後所得輸出值還需透過反正規化(renormalization) 處理來映射回實際數值。正規化公式及反正規化公式分冸由式(4.1)及式(4.2)描述 之。
min
max min min
max min
,
raw raw
normal normal normal normal
raw raw
D D
D D D D
D D
(4.1)22
min
max min min
max min
.
neural neural
actual raw raw raw
neural neural
D D
D D D D
D D
(4.2)式(4.1)中，
D
raw為原始資料，D
maxraw及D
minraw分冸表示原始資料中之最大值及最小值；normal
D
為經正規化處理後所得資料。式(4.2)中，D
neural 為經類神經網路架構學習後之原始輸出資料，
D
maxneural及D
minneural為原始輸出資料中之最大值及最小值；D
actual為經反 正規化處理後所得實際資料[26]-[30]。將經前述整理後的製程資料以隨機排列方式 重新產生十組，待供於後續網路學習時使用。4.2 類神經網路模擬
本論文使用類神經網路架構來預測鋼筋之機械性質，以符合英國國家標準 (British Standard)要求（其規範參見附錄二至附錄四[31]-[38]），主要分為兩大類來 探討。其一是全部稱號同時經由網路來學習，其二是將資料依稱號先進行篩選分類 後再分冸學習（即單一稱號）。前述兩類皆取前三分之二資料當作訓練用，後三分 之一資料當作測試用（如 Table 4.1 所示）。類神經網路之輸入層，其輸入訊號有化 學成分、稱號、單位質量、單位質量百分比及軋延參數等，針對全部稱號分為六種 模型，而單一稱號分為四種模型，詳如 Table 4.2 及 Table 4.3 所列；隱藏層部份為兩 層，每層各自含有 12 個神經元；輸出層部份則分冸針對三項機械性質進行個冸預測
（若輸入層為模型一，其網路架構即為 17-12-12-1）與同時預測（若輸入層為模型 一，其網路架構則為 17-12-12-3）之成效優劣來做探討（參見 Fig. 4.1 及 Fig. 4.2）。
在權重值部份，因應十種模型及兩種預測方式而衍生不同大小之架構皆授予十組以 隨機方式產生之初始權重值，其架構大小若相同，則初始權重值亦給予相同數值以
在權重值部份，因應十種模型及兩種預測方式而衍生不同大小之架構皆授予十組以 隨機方式產生之初始權重值，其架構大小若相同，則初始權重值亦給予相同數值以