看看大咖如何解读钢材的组织性能智能预测与工艺优化究
工信部在《产业关键共性技术发展指南（2017年）》中，明确强调了要加强钢铁流程大数据时空追踪同步和大数据深度挖掘分析，以实现钢铁材料智能化设计、产品定制化制造、钢材组织性能预测、钢种归并和钢铁全流程工艺参数协调优化控制等目标。东北大学轧制技术及连轧自动化国家重点实验室副主任刘振宇教授在国内外率先提出了将人工智能应用于钢材组织性能预测，他在1995年就提出利用神经网络预测热轧板带力学性能的论述，此后一直致力于这方面的研究开发工作且卓有成效，为此，《世界金属导报》记者就钢铁产品组织性能智能预测及工艺协同优化问题专程采访了刘振宇教授。
东北大学轧制技术及连轧自动化
国家重点实验室副主任刘振宇教授
记者
钢材的力学性能是用户关注的核心要素，您认为当前影响钢材产品质量稳定的主要因素是什么？如何有效控制和解决呢？
刘振宇：我国钢产量世界第一，但产品性能波动大、稳定性差等质量问题，仍是困扰我国钢铁工业发展的主要问题。成分、工艺、组织和结构与性能之间的关系极为复杂，且存在各种交互作用，开发钢材生产全流程组织与综合性能的精准数字解析，实现最优工艺在线决策与控制，是钢铁生产方式的一次重大转变，将引领钢铁生产由传统自动化与信息化向智能化转变。然而，钢材性能稳定性控制水平取决于生产中能否对组织演变进程进行动态最优控制。但当前生产以“工艺-性能”控制为主，生产过程中的组织演变处于黑箱状态，导致生产控制目标模糊，是当前钢铁生产急需解决的核心问题。随着人工智能理论的突破，在充分利用现有工业大数据条件下，开发基于数据驱动的数字孪生方法，建立各生产工序的组织演变数字映射系统，将复杂物理过程高精度映射为数字信息，以快速获得全局域最优工艺参数，用于生产过程精准控制，是解决产品质量稳定性等问题的有效途径。
记者
借助智能化技术如何实现钢材生产过程的多工序、系统级、全局的动态优化？
刘振宇：想要控制钢材内部的组织，调整、改变其组织和性能，需精确感知轧件内部的信息，因此需要模型系统具有感知能力。在工业大数据的基础上，基于物理冶金学研究，通过AI（人工智能）和机器学习等现代信息技术，进一步赋予系统以感知、记忆、思维、学习能力以及行为决策能力等能力。针对生产过程复杂性和用户个性化需求，构建跨系统、跨工序的钢铁工艺质量大数据平台，充分利用工业大数据，融合物理冶金学原理和智能优化策略实现全流程组织-性能-表面氧化行为演变的数字解析，从而统筹热轧、冷轧全流程关键工艺质量参数，关联各制备工序和多控制层次知识；同时开发高效的多目标优化算法，针对用户个性化需求，形成热轧、冷轧全局工艺快速设计，通过多工序协调匹配来提高产品质量的稳定性和生产效率。
记者
我们知道您带领团队一直致力于钢材组织性能预测的研发工作，能介绍下咱们自主研发的系统组成及功能作用吗？
刘振宇：我们这些年开发出了钢铁产品组织性能智能预测及工艺协同优化系统（图1）。通过开发精确描述析出、再结晶、相变等组织演变的物理冶金学模型，结合工业大数据驱动和机器学习，实现了全流程组织演变行为的数字解析，构建起工艺-组织-性能的数字孪生体，既准确描述生产实际中物理冶金学规律，又大幅提升了其对工业生产过程的适应性，将热轧过程复杂物理过程高精度映射为数字信息。此外，针对生产过程多变量、强耦合的特点，产品性能指标多为分散单独控制，难以实现全局动态优化和柔性化生产的问题，我们开发出了基于多目标优化算法的工艺反向决策系统，解决了复杂系统多维度、多目标优化的准确性与高效性相统一问题，实现了热轧过程最优工艺在线决策与控制，有效解决了产品质量稳定性等重大问题。
这套系统结合表面氧化状态智能预测技术能够实现四大功能：热轧产品质量分析及判定；组织性能预测；智能化热轧、冷轧工艺反向优化设计；表面质量智能化控制。
1热轧产品质量分析及判定。1）产品质量分析。基于钢铁热轧和冷轧生产线数据分布拓扑结构，打通热轧-冷轧-热处理数据壁垒，关联各工序和多控制层次知识，实现工业数据的采集、整理与挖掘；采用过程质量评价指标，基于工业大数据分析影响产品性能的关键工艺参数，明确性能和工艺参数的控制余量，为工艺调整提供指导。2）钢种归并规则的建立。在国家标准体系内，构建钢种柔性推荐模型，结合热轧板带材全流程工艺动态快速优化技术，建立多因素影响下钢种成分归并的技术指导方法，对相近性能的钢种进行成分集约化，在满足产品性能要求的条件下，减少炼钢牌号数量，实现余材板坯的充分利用，降低因混浇坯降级处理或判废造成的损失。
2组织性能预测。1）基于机器学习的物理冶金学模型开发。针对包括固溶、再结晶、相变、析出等模型系统研究；基于大数据平台，以人工智能理论和成分-工艺-组织性能对应关系的物理冶金学理论为指导，开发可实现机器学习的成分-工艺-组织-性能的对应物理冶金学模型。2）基于大数据的智能化力学性能预测模型。采用多维数据挖掘技术，对热轧、冷轧工业大数据进行数据清洗和归并、相似工艺分层聚类等处理，开发基于AI的神经网络和机器学习算法，并建立智能化力学性能在线预测模块，实现力学性能的高精度预测，减少冷、热轧产品力学性能检测数量，缩短产品交货周期，提高生产效率。
3智能化热轧、冷轧工艺反向优化设计。针对热轧、冷轧产品生产成本高、力学性能波动大的问题，统筹热轧、冷轧全流程关键工艺质量参数，关联各制备工序和多控制层次知识，基于数据、机理和经验知识建立全过程优化模型，开发高效多目标粒子群优化算法，结合力学性能预测模型，形成热轧、冷轧全局工艺快速设计软件包。
4表面质量智能化控制。将氧化基础理论和数据库、信息技术相结合，实现热轧过程中板带表面氧化铁皮厚度的实时监测；结合热轧产品温度履历，预测连续冷却过程中的组织转变和最终氧化铁皮结构；开发智能化工艺优化设计模块，根据用户需求的特定氧化铁皮结构给出所需的最优工艺。
记者
钢企普遍重视组织性能预报与集约化生产，那么这套智能预测与优化系统能够帮助企业解决哪些实际生产问题？
刘振宇：这套系统可以解决企业产品质量稳定性不易控制的问题，大幅降低缺陷改判率，提升企业经济效益。通过热轧产品质量分析及判定模块，分析影响热轧产品性能的关键参数评估，为开发新钢种提供指导，结合组织性能预测技术和多目标优化技术，最终实现产品性能波动降低。基于力学性能高精度在线预测技术，减少检测取样，缩短生产周期，提高交货节奏，带来很大经济效益。基于大数据分析技术、组织性能预测技术和多目标优化技术，可实现工艺快速优化设计，实现合金减量化生产工艺的开发，降低吨钢生产成本；同时，基于这项技术可降低混浇坯改判带来的经济损失。
记者
目前咱们开发的这套智能预测与优化系统在哪些钢企得到应用？效果如何？
刘振宇：我们开发的以组织性能预测与优化为核心的钢铁智能化制造技术已在鞍钢2150、梅钢1422和梅钢1780、承钢1780、涟钢2250以及韩国现代钢铁热轧生产线进行了推广应用。在鞍钢2150热连轧生产线开发出焊瓶用钢屈强比波动控制技术，解决焊瓶钢屈强比窄幅（0.735-0.785）控制这一轧钢领域的世界性难题，使此类产品的屈强比波动降低至原来的1/4，大幅提高了产品的合格率（图2）；开发出厚度为9-12mm结构板材Q345B升级Q390B的轧制技术，生产出的钢板性能稳定。在梅钢1422和1780热连轧生产线，通过组织性能预测与工艺优化，钢种牌号已减少60%以上，实现了热轧集约化、绿色化生产，大幅促进了企业节能减排；同时，针对厚度为2.5mm的汽车车轮用钢，通过组织性能预测与工艺优化，使钢中锰含量降低一半，吨钢节约材料成本约50元。依托承德1780产线，在国际上率先实现了结构用钢带卷性能的通长预测，为热轧产品稳定性控制提供了手段。此外，热轧钢材表面氧化铁皮形态的软测量和工艺优化系统成功地输出至韩国现代钢铁，为其产品表面质量控制提供模型依据。
（付静 路俊萍 尹杰 苏頔瑶 高雪岩）