上图是广告
在这里，了解全球钢
在“行业主要社区发展指南（2017年）”中，工业和信息技术部明确强调了加强钢制过程大数据时间和空间追踪同步和对大数据进行深入挖掘分析的必要性实现钢材材料，定制制造，钢制组织，钢铁组织的绩效预测，钢铁合并的智能设计，以及整个过程过程参数的协调和控制。东北大学国家关键实验室副主任刘 Liu 教授， 的国家主要实验室，领导着提议预测人工智能在国内外的钢铁组织中的应用。讨论的是，从那以后，它一直致力于该领域的研究和开发。为此，《世界金属先驱报》的记者采访了刘·齐尤教授，讨论了钢铁产品组织的智能预测和加工优化的问题。
东北大学滚动技术和滚动自动化
国家关键实验室副主任刘教授
记者
钢的机械性能是用户注意的核心元素。您认为目前影响钢铁产品质量的主要因素是什么？如何有效控制和解决它？
Liu ：我国家的钢铁生产是世界上第一个，但是诸如大型产品性能波动和稳定性较差的质量问题仍然是困扰我国钢铁行业发展的主要问题。成分，技术，组织和结构和性能之间的关系非常复杂，并且存在各种互动。对钢铁生产的整个过程和全面绩效的准确数字分析，以实现最佳的在线决策 - 制定和控制是钢铁生产的方法。重大变化将导致钢铁生产从传统的自动化和信息化到智能转型。但是，钢性能稳定性控制水平取决于它是否可以对组织的演变执行动态最佳控制。但是，当前的生产主要由“过程绩效”控制。在生产过程中，组织的组织处于黑匣子状态，导致生产控制目标模糊。这是目前需要紧急解决钢生产解决方案的核心问题。随着人工智能理论的突破，在现有工业大数据条件的全部使用下，开发基于数据的数字双胞胎方法，建立了一个数字映射系统，用于各种生产过程的组织演变，并最大化高精确过程复杂的物理过程中的数字信息。随着快速获得整个局部区域的最佳过程参数并准确控制生产过程，它是解决产品质量稳定性问题的有效方法。
记者
如何使用智能技术来实现钢铁生产过程的多进程，系统级别和全球动态优化？
Liu ：如果您想控制钢内的组织，调整并改变其组织和绩效，则需要准确地感知滚动零件内的信息。因此，需要感知模型系统。基于工业大数据，基于物理和冶金研究，通过AI（人工智能）和机器学习等现代信息技术，它进一步提供了系统的能力，可感知，记忆，思维，学习能力和行为决策能力。为了响应生产过程的复杂性和用户的个性化需求，建立跨系统和跨工作钢制过程质量大数据平台，充分利用工业大数据，整合了物理冶金的原理和智能优化策略实现完整的组织 - 组织表面表面氧化行为表面氧化行为不断发展的数字分析，以协调热滚动和冷滚动过程的关键过程的质量参数钢材力学成分检测，与准备过程和多控制级别的知识相关联;全球过程迅速旨在通过多进程的协调和匹配来提高产品质量的稳定性和生产效率。
记者
我们知道您的团队已致力于研究钢铁组织绩效预测的研究和开发。您可以介绍我们独立的研发的系统组成和功能作用吗？
Liu ：在这些年中，我们开发了钢铁产品以及组织性能和过程协作优化系统的智能预测（图1）。通过开发物理冶金模型，在组织的发展中发展，例如准确的描述，重结晶和相变，结合了工业大数据驱动和机器学习，对整个过程演变的整个过程的数字分析进行了数字分析已实现，以及组织过程组织绩效的数字双胞胎数量不仅准确地描述了实际生产中物理冶金的定律，而且还大大提高了其对工业生产过程的适应性。热滚动过程的复杂物理过程的高度精确将最大化为数字信息。此外，对于生产过程中多个变量和耦合的特征，产品性能指标大多是分散和分离的，这很难实现全球动态优化和灵活生产的问题。它解决了复杂系统多维和多目标优化的准确性和效率的问题，实现了在线决策和控制热滚动过程的最佳过程，并有效解决了主要问题，例如产品质量稳定性。
该系统结合表面氧化状态智能预测技术可以实现四个主要功能：热滚产品的质量分析和判断；组织绩效预测；智能热和冷的过程反向优化设计；智能控制表面质量。
1热卷产品的质量分析和判断。 1）产品质量分析。基于钢热滚动和冷滚动生产线的拓扑分布结构，打开热滚动的冷式处理数据障碍，将各种程序和多控制级知识关联，并实现收集，分类和挖掘工业数据；工业大数据分析会影响影响产品性能的关键过程参数，阐明控制的性能和过程参数的量，并为过程调整提供指导。 2）制定钢铁合并规则。在国家标准系统中，构建钢制的灵活推荐模型，将热卷板带材料的完整过程结合在一起，以动态和迅速优化技术，建立一种技术指导方法的多因素，影响钢铁类型的合并钢类类型的影响，并进行具有相似性能的钢铁类型的组件集。在满足产品性能要求的条件下，减少钢制标志的数量，达到资产负债表的平衡的全部使用，并减少由降级混合的钢坯或纪律废物降级而造成的损失。
2组织绩效预测。 1）基于机器学习的物理冶金模型的开发。为了研究模型系统，包括固定解决方案，重结晶，相变和降水；基于大数据平台，以人工智能理论和组成过程 - 组织 - 组织性能关系为指导，开发可以实现机器学习的组件 - 可以开发机器 - craft-------------------模型。 2）基于大数据的智能机械性能预测模型。使用多维数据挖掘技术，处理数据清洁并返回热滚动和冷滚动工业大数据，并处理类似的技术分层聚类和其他处理。为了实现机械性能的高度精确预测，请减少冷和热产品的机械性能测试数量，缩短产品输送周期并提高生产效率。
3智能热和冷的技术反向优化设计。为了应对热滚动和冷滚动产品的高生产成本以及机械性能的波动的问题，热滚动和冷卷过程的关键过程的质量参数得到了协调。工艺优化模型，开发高效率多目标粒子群优化算法，结合了机械性能预测模型，形成热卷和冷的全球技术快速设计软件包。
4表面质量智能控制。将氧化的基本理论与数据库和信息技术结合在一起，以实现对板表面表面表面氧化厚度的真实时间监测；结合热滚动产品的温度简历，预测连续冷却过程中的组织转换和最终的氧化铁皮革结构；发展情报；化学技术优化设计模块根据用户的特定氧化铁皮革结构提供了所需的最佳过程。
记者
钢铁公司通常对组织绩效预测和强化生产非常重要。那么，这种智能预测和优化系统可以帮助公司解决哪些实际问题？
Liu ：该系统可以解决控制公司产品质量稳定性的困难问题，大大降低了缺陷的变化率并提高了企业的经济利益。通过热卷产品的质量分析和判断模块，分析影响热产品性能的关键参数评估，为开发新钢类类型的开发提供指导，结合了组织绩效预测技术和多目标优化技术钢材力学成分检测，以及最终意识到产品性能波动。基于机械性能的高确定在线预测技术，减少测试采样，缩短生产周期，增加节奏的节奏并带来巨大的经济利益。基于大数据分析技术，组织绩效预测技术和多目标优化技术，它可以实现快速优化设计，实现合金减少生产技术的发展，并降低钢铁生产的成本；判决带来的经济损失。
记者
我们正在开发哪些钢铁公司开发我们开发的智能预测和优化系统？有什么效果？
Liu ：我们开发了钢铁智能制造技术，并以组织性能预测和优化为核心，已被促进和应用精华开发了 2150热线连接生产线的钢制屈曲比波动技术，以解决全球范围焊接瓶钢屈曲的问题（0.735-0.785）可以控制此滚动钢场。波动率降低到原始的1/4，这大大提高了产品的资格率（图2）； 9-12mm结构板Q345B升级的Q390B滚动技术的厚度和钢板性能稳定。在 1422和1780 Hot连接的滚动生产线上，通过组织绩效预测和过程优化，钢制类型品牌的降低了60％以上，实现了热滚动和绿色的生产，这极大地促进了节能和排放减少企业；厚度为2.5mm的汽车轮。通过组织性能预测和过程优化，钢中的锰含量减少了一半，钢铁的成本可以节省约50元。依靠1780年的陈生产线，是第一个实现钢带结构性能的长时间预测，这为热卷产品的稳定性控制提供了一种手段。此外，热卷钢表面的软测量和过程优化系统已成功地导出到现代韩国钢，为其产品表面质量控制提供了模型基础。
（fu yin jie su yao yao yao gao ）
