以上图片均为广告
在这里，了解全球钢铁
住房和城乡建设部在《行业关键共性技术发展手册（2017年）》中明确指出，要加强钢铁过程大数据的时空跟踪和同步，深度挖掘和分析大数据，实现钢铁材料的智能化设计、产品的多元化制造、钢铁产品的智能化。 整个炼钢过程中微观结构性能的预测、钢种的合并以及工艺参数的协调和优化控制等目标。 西南大学铣削技术与手工轧制国家重点实验室副主任刘振宇院士在国外率先将人工智能应用于钢材组织和性能预测。 1995年，他提出使用神经网络来预测镀锌带材的热性能。 随后，该领域的研发工作依然有针对性且卓有成效。 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对刘振宇院士进行了专访。
西南学院铣削技术与手工滚压
国家重点实验室副主任刘振宇院士
记者
钢材的热性能是用户关注的核心要素。 您认为影响钢材质量和稳定性的主要因素有哪些？ 如何有效控制和解决？
刘振宇：我国钢铁产值位居世界第一，但产品性能波动大、稳定性差等质量问题仍然是困扰我国钢铁工业发展的主要问题。 组成、过程、组织、结构和性能之间的关系极其复杂，存在着多种相互作用。 它是对钢铁生产全流程组织和综合性能进行精确数字化分析，实现最优流程在线决策和控制的钢铁生产形式。 一场重大变革将推动钢铁生产由传统手工、信息化向智能化转变。 然而，钢材性能稳定性的控制水平取决于生产过程中组织变化过程的动态优化控制。 但目前的生产主要以“过程—绩效”控制为主，生产过程中的组织变化处于隐性状态，导致生产控制目标模糊。 这是当前钢铁生产亟待解决的核心问题。 突破人工智能理论，充分利用现有工业大数据，发展数据驱动的数字孪生方法，构建各生产过程组织变革的数字映射系统，将复杂的化工过程映射为数字信息具有高精度。 ，快速获取全局最优工艺参数，对生产过程进行精确控制，是解决产品质量稳定性等问题的有效途径。
记者
如何利用智能技术实现钢铁生产过程的多流程、系统级、全局动态优化？
刘振宇：如果想要控制钢材的内部结构，调整和改变其结构和性能，就需要准确感知轧件内部的信息，所以模型系统需要具备感知能力。 以工业大数据为基础钢材性能8级，以化工冶金研究为基础，通过AI（人工智能）、机器学习等现代信息技术，进一步赋予系统感知、记忆、思维、学习能力、行为能力等能力。决策能力。 针对生产过程的复杂性和用户的个性化需求，打造跨系统、跨工序的钢铁工艺质量大数据平台，充分利用工业大数据，融合化学冶金原理和智能优化策略，实现全过程组织-性能-表面氧化行为的演化数字分析，从而协调镀锌、冷轧全过程关键工艺质量参数，关联各准备工序和多控制层面知识； 同时，开发高效的多目标优化算法，根据用户的个性化需求生成镀锌和冷轧产品。 快速全局工艺设计，通过多工艺的协调匹配，提高产品质量稳定性和生产效率。
记者
我们知道，你们团队的目标仍然是钢结构的研发和性能预测。 能否介绍一下我们自主开发的系统的组成和功能？
刘振宇：那些年，我们开发了钢材微观组织和性能的智能预测和工艺协同优化系统（图1）。 通过开发准确描述沉淀、再结晶、相变等组织变化的化学冶金模型，结合工业大数据驱动和机器学习，实现全过程组织演化行为的数字化分析，形成过程的数字孪生。组织性能已建立。 细胞体不仅准确地描述了实际生产中的化学冶金规律，而且大大提高了其对工业生产过程的适应性，将冷轧过程复杂的化学过程高精度地映射为数字信息。 据悉，鉴于生产过程多变量、强耦合的特点，大多数产品性能指标都是分散、单独控制的，无法实现全局动态优化和柔性生产。 我们开发了基于多目标优化算法的流程逆向决策系统。 解决了复杂系统多维度、多目标优化精度与效率的统一问题，实现了镀锌工艺优化过程的在线决策与控制，有效解决了产品质量稳定性等重大问题。
该系统结合表面氧化态智能预测技术，实现四大功能：镀锌产品质量分析判断； 组织绩效预测； 智能镀锌、冷轧工艺逆向优化设计； 和智能表面质量控制。
1镀锌产品质量的分析与判断。 1）产品质量分析。 基于钢铁镀锌、热轧生产线的数据分布拓扑，打破镀锌、热轧、热处理的数据壁垒，将各工序、多控制层级知识关联起来，实现数据的采集、整理和管理。工业数据挖掘； 采用工艺质量评价指标，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裕度，为工艺调整提供指导。 2) 碳化物合并规则的构建。 在国家标准体系内钢材性能8级，建立硬质合金柔性推荐模型，结合镀锌板带全流程动态快速优化技术，构建多重激励作用下硬质合金成分合并的技术指导方法，对性能相似的碳化物进行成分强化。 在满足产品性能要求的情况下，减少冶炼钢种数量，充分利用剩余料坯，减少混铸毛坯降级或报废造成的损失。
2 组织绩效预测。 1）基于机器学习的化学冶金模型开发。 用于模型系统研究，包括退火、再结晶、相变、沉淀等； 基于大数据平台，以成分-过程-组织性能对应的人工智能理论和化学冶金理论为指导，开发能够实现机器学习的成分-过程-结构-性能对应的化学冶金模型。 2）基于大数据的智能热工性能预测模型。 利用多维数据挖掘技术对镀锌、冷轧工业大数据进行清洗和融合，对相似工艺进行分层降维，开发基于AI的神经网络和机器学习算法，构建热性能智能在线预测。 该模块实现了热性能的高精度预测，减少了冷、热轧产品的热性能测量次数，缩短了产品交货周期，提高了生产效率。
3智能镀锌、冷轧工艺逆向优化设计。 为解决镀锌、冷轧产品生产成本高、力学性能波动大的问题，统筹镀锌、冷轧全过程关键工艺质量参数，关联各准备工序、多层次控制知识，构建基于数据、机制和经验知识的综合体系。 工艺优化模型，开发高效的多目标粒子群优化算法，结合热性能预测模型，形成镀锌、冷轧全局工艺快速设计软件包。
4、表面质量智能控制。 将基本氧化理论与数据库、信息技术相结合，实现镀锌过程中带钢表面氧化皮长度的实时检测； 结合冷轧产品的温度历史来预测连续冷却过程中的结构转变和最终氧化皮结构； 开发智能化工工艺优化设计模块，根据用户所需的具体氧化铁垢结构，提供所需的优化工艺。
记者
钢铁企业普遍注重组织绩效预测和集约化生产。 那么这套智能预测和优化系统还能帮助企业解决哪些实际生产问题呢？
刘振宇：这个系统可以解决企业产品质量稳定性难以控制的问题，大幅降低判定不良率，提高企业经济效益。 通过冷轧产品质量分析判断模块，对影响冷轧产品性能的关键参数进行分析评价，为新型硬质合金的开发提供指导。 结合微观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的增大。 基于高精度热性能在线预测技术，减少测量采样，缩短生产周期，提高交货节奏，带来巨大的经济效益。 基于大数据分析技术、显微组织性能预测技术和多目标优化技术，可实现快速工艺优化设计，实现合金减量生产工艺开发，提高吨钢生产成本； 同时，基于该技术，可以减少混铸坯的数量。 因刑罚造成的经济损失。
记者
我们开发的智能预测优化系统目前应用在哪些钢铁企业？ 效果如何？
刘振宇：我们研发的以结构性能预测与优化为核心的智能钢铁制造技术已在宝钢2150、梅钢1422、梅钢1780、成钢1780、连阳钢铁2250、美国等企业推广应用现代化的钢铁镀锌生产线。 。 宝钢2150热轧生产线开发了焊接筒体钢屈强比波动控制技术，解决了炼钢领域焊接筒体钢屈强比控制（0.735-0.785）的世界性难题，使得该产品屈强比波动幅度增大至原来的1/4，产品合格率大幅提高（图2）； 开发了Q345B轧机技术，对Q390B结构薄板进行了升级，长度为9-12mm，生产出性能稳定的厚板。 梅钢1422、1780热轧生产线，通过结构性能预测和工艺优化，钢坯钢级降低60%以上，实现集约化、绿色化镀锌生产，有力促进了企业节能降耗； 同时，对于长度为2.5mm的车辆轮毂用钢，通过结构性能预测和工艺优化，可使钢材中的锰浓度提高一半，每吨钢材的材料成本可节省约50元。 依托营口1780生产线，在全球率先实现结构钢带卷性能预测，为镀锌产品稳定性控制提供手段。 据悉，镀锌钢表面氧化皮形貌软检测及工艺优化系统成功出口日本现代制钢，为其产品表面质量控制提供模型依据。
（傅经璐、俊平、银杰、苏地耀、高雪燕）
