编者注
在数字时代的背景下，钢铁行业与数字技术的融合变得越来越重要。数字化、智能化也成为钢铁行业高质量发展的重要抓手。
近日，《世界金属导报》发表文章《郭国栋：钢铁生产创新基础设施框架下的工业大模型体系》，深入分析了数字化创新基础设施（SEII）对于钢铁企业的重要性以及如何构建数字化创新基础设施。促进了钢铁工业的发展。升级、整合、创新展现了其在提高生产效率和产品质量方面的巨大潜力，对行业未来发展具有重要的指导意义。
介绍
钢铁工业作为支撑国家制造业发展的重要原材料产业，在保障国民经济和国防建设中发挥着重要作用。然而，作为一个复杂的过程工业，每个过程都是一个黑匣子，变量多、耦合性强、非线性、滞后性大。由于材料加工过程极度缺乏实时信息，使其成为一个充满不确定性的生产过程，最终影响钢铁产品的质量和安全。效率进一步提高。
21世纪以来，人类社会进入数字时代，移动互联网、人工智能、云计算、大数据等新一代信息技术的发展正在驱动一系列产业发展变革。数据分析应用于各行各业并与实体经济结合，成为人类认识和改造客观世界的有力武器。
在数字化转型方面，钢铁行业与其他行业相比具有独特的优势。首先，钢铁行业拥有丰富的数字技术应用场景资源。经过长期建设和发展，钢铁行业已拥有较为先进的数据采集系统、自动化控制系统和研发设施，实现了全面的数据采集和丰富的数据积累。可以说，钢铁行业是最接近“数字化”的行业之一。其次，钢铁行业是最迫切需要数字化技术的行业。其整个生产过程是一个黑匣子，具有复杂的关联性、遗传效应和不确定性，为数字化应用提供了丰富的场景资源。如何通过对数据资源的处理、分析、计算，构建具有“原位分析能力”的高保真数字孪生，从而构建基于状态感知、实时分析、科学决策、精准执行的闭环赋能基于自动化数据流系统，解决生产制造和服务应用过程中的不确定性、复杂性问题，提高资源配置效率、降低研发成本是钢铁行业未来发展的主要方向。
01
钢铁材料创新基础设施设计及核心产业大模型开发
钢铁行业与数字技术的融合，可以充分发挥其应用场景和数据资源的优势。因此，有必要构建钢铁企业数字化创新基础设施（SEII-Steel）。是以科技创新为驱动、以信息网络为基础、以高质量发展为导向、以提高钢铁企业核心竞争力为目的的钢铁产业升级融合创新基础设施体系。 SEII采用“一网三平台”的基本架构，以工业互联网为载体，底层数据感知和精准执行为基础，边缘流程设定模型数字孪生和边缘/底层CPS为核心，以云平台数据为核心。以驱动为支撑，服务于钢铁企业数字化转型，如图1所示。数据在整个系统闭环中自动流动，通过状态感知、实时分析、科学决策四个环节实现资源优化- 制作，精确执行。通过状态感知将物理空间中包含的大量隐性数据转换为显性数据，然后在信息空间中进行计算和分析，将显性数据转换为有价值的信息。来自不同系统的信息被集中处理，形成对外部变化的科学决策，并进一步转化为知识，通过优化设计应用于物理空间，形成闭环赋能循环系统，使得物理空间的运行设备更可靠，资源调度更高效。合理、各环节智能协同效应更加优化，实现企业高效运营。通过SEII最终实现四大关键功能，即绿色关键过程装备创新功能、超智能CPS过程控制功能、高效低成本产品创新功能、全行业协同管理和优化运营功能链。可见，SEII必将成为钢铁企业升级创新的数字化基地。
图1 钢铁企业创新基础设施（SEII）总体结构
创新基础设施的核心是建立数字化非结构化数据代表的钢铁材料成分、生产过程等状态变量与外部尺寸、组织、性能、表面和使用性能之间的关系，即建立钢铁生产流程和高精度数字孪生模型。然而，考虑到钢铁生产中许多环节的内部运行状况无法实时在线测量，传统现场生产的主要工艺操作的数学模型大多是机理和/或经验模型。由于环境和运行条件的波动以及设备运行状态的变化，以及过程输入条件、状态变量和控制系统之间非常复杂的关系，这些机制和/或经验模型对复杂动态过程的全面适用性较差。 ——工艺黑匣子和精度不高，难以准确看出工艺、设备、质量等关键参数之间的复杂关系，已成为进一步提高钢铁生产质量的世界性难题。
人工智能（AI）理论和方法是实现复杂过程数字孪生的唯一途径。然而，传统人工智能只能根据输入数据进行处理和分类，很难扩展到训练数据之外的应用场景。近年来，生成式人工智能（AI-GAI）利用数据和从数据中提取的知识作为输入，通过机器学习构建相关的大型模型（Model），然后真正还原并生成新的、原创的产品或任务，从而驱动范式人工智能领域的转变。其作用堪比工业革命，将大大提高各行业的工作效率。
钢铁生产过程中，内部组织结构演化和界面状态变化复杂。为此，东北大学相关团队将数据治理与深度挖掘、物理机制与知识学习、滚动过程的“权力-组织-界面”强耦合机融为一体。冷却过程动态相变的遗传机器学习、显微组织结构和力学性能的深度学习等模块，建立了SEII架构下的热轧大型生成式工业模型，如图2所示。与传统模型相比，变量总数超过350万个，比传统模型多5个数量级以上。通过全流程的信息融合和实际工业应用中的不断迭代优化，基于数据资源不断提高模型的可训练性，基于物理知识学习不断提高模型的可解释性和鲁棒性，从而构建高保真热轧机流程“组成-过程-组织-界面-负载-性能”数字孪生，并形成通用、可扩展的工业体系，并已在大型等10余条生产线实际应用热连轧和我国宽厚板轧机。开发了以海洋风电为代表的多种高性能钢材的成分体系和优化轧制。技术生产出内外俱佳的优质热轧钢材产品，并已成功应用于我国各项重大工程。
图2 热轧生成工业大模型主系统架构
02
SEII架构下的工业大模型系统赋能应用
SEII架构下的热轧生成式工业大模型系统突破了以“经验试错法”为代表的传统工艺和品种开发方法造成的高成本、低效率的技术瓶颈，实现了快速优化热轧工艺流程。并快速响应市场需求。
（一）热连轧生产工艺的典型应用
热轧氧化无法在线检测，是典型的黑箱工艺。稳定高效的表面质量控制离不开高精度的氧化模型，但国际上尚无成功的先例。项目团队利用数据驱动的算法，分析了氧化率、氧化皮变形率、轧制工艺和化学成分之间的关系，建立了整个热轧过程中氧化皮厚度的演化模型。氧化层厚度预测精度为±2.5μm，达到行业标准。应用级别标准要求。在此基础上，进一步明确了氧化态与界面摩擦系数之间的相关性，实现了轧制过程中界面态的精确控制。针对热轧超高强免酸洗汽车钢在冷加工过程中存在严重的氧化和掉粉缺陷，基于大模型系统，集成多目标优化算法，对生产工艺，提出了“高温快轧、高温轧制”的方法。 “卷取”的工艺优化策略，实现了高强度免酸洗钢的批量供应。
为解决热连轧生产的高钛微合金高强钢薄规格产品因轧制力设定偏差而产生严重的边波问题，采用开发的热轧生成工业大模型，综合考虑组织结构和界面状态的演化。在变化的前提下，轧制力预测精度比国际通用模型提高30%左右，从而大大降低了薄规格产品出现边缘波的风险。此外，为了解决不同炉次冶炼成分波动导致最终产品力学性能波动较大的问题，利用大型热轧模型构建了热轧过程的高保真数字孪生。在加工机械系统中实现“反馈-计算-决策-控制”。 “轧制过程动态优化的完整周期使超高强钢的力学性能波动降低了50%以上。
（二）宽厚板生产工艺的典型应用
宽厚板生产具有品种结构复杂、订单数量大、小批量的特点。大量剩余钢坯被降级出售，造成巨大的经济损失。而且钢种过多，使炼钢工艺复杂化，严重影响生产效率和产品质量的可持续性。提升。因此钢材生产，企业迫切需要一种“大规模定制”的生产模式，既满足用户对低成本、高品质、个性化产品的要求，又满足企业大规模、高效生产的需求，从而提高企业竞争力。为此，项目组利用热轧大型生成模型，综合考虑晶粒细化、析出、位错、相变等强化机制之间的相关性，实现了同一成分体系下跨厚度、跨强度水平的轧制工艺。由于设计灵活，实际生产中产品力学性能合格率为100%，每年减少小浇、攻丝次数60余次，并以大浇为主的“批量定制”生产并初步实现了攻丝。此外，通过轧制工艺的灵活设计，在保证性能的同时，大幅降低加热温度，可直接轧制普通C-Mn钢产品，轧制效率提高35%以上；一系列高强度管线钢产品通过析出相细化，细晶强化弥补了高温轧制带来的位错强化的减少。在保持相同机械性能和孔型轧制载荷的基础上，粗轧/精轧之间的等待时间缩短近25%，有助于企业高质量、高效率、低能耗生产。
(a) 能够控制Ti微合金化高强度钢在热连轧过程中的性能稳定性
(b) 实现宽厚板高效轧制，生产高等级管线钢
图3 热轧生成工业大模型生产赋能
结论
数字化转型，实现绿色、优质、强链接钢材生产，是钢铁行业历史上规模最大的关键战略转型。作为数据时代最先进的数字化、智能化技术创新平台，SEII采用最新的数字化技术架构和模型开发方法，充分发挥钢铁行业丰富应用场景的优势，最大限度地利用公司丰富的数据，先进技术和其他长期积累的经验。资源，
依托数据分析和数据科学强大的数据处理能力和放大、乘法、叠加效应，实现绿色关键工艺、装备创新功能、超智能CPS过程控制功能、高效率、低成本的产品创新功能全产业链协同管理优化经营功能，增强企业核心竞争力，赋能钢铁产业升级转型发展，成为国际领先的产业集群。
建龙集团品牌传播中心出品
