深耕细作钢材组织性能智能预测与工艺优化
东北大学轧制技术及连轧自动化国家重点实验室的副主任是刘振宇教授，对他进行了专访。
工信部在《产业关键共性技术发展指南（2017 年）》里，明确地强调了需加强钢铁流程大数据在时空方面的追踪同步以及大数据的深度挖掘分析，目的是达成钢铁材料的智能化设计、产品的定制化制造、钢材组织性能的预测、钢种的归并以及钢铁全流程工艺参数的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的副主任刘振宇教授，在国内外率先提出了把人工智能应用到钢材组织性能预测中。他于 1995 年就提出了利用神经网络来预测热轧板带力学性能的观点。从那之后，他一直专注于这方面的研究开发工作，并且取得了显著成效。正因如此，《世界金属导报》的记者就钢铁产品组织性能的智能预测以及工艺协同优化问题，专门对刘振宇教授进行了采访。
记者询问：钢材的力学性能是用户极为关注的关键要素，那么在您看来，当下对钢材产品质量稳定产生影响的主要因素是什么呢？又该如何有效地对其进行控制并解决呢？
刘振宇称，我国的钢产量在世界范围内位居第一。然而，在产品性能方面，存在着波动较大以及稳定性欠佳等质量问题，这些质量问题一直是阻碍我国钢铁工业发展的主要因素。成分、工艺、组织和结构与性能之间的关系很复杂，并且存在多种交互作用。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，这是钢铁生产方式的一次重大转变，会引领钢铁生产从传统自动化与信息化向智能化转变。但是，钢材性能的稳定性控制水平取决于在生产中能否对组织演变进程进行动态最优控制。当前生产主要以“工艺 - 性能”进行控制，而在生产过程中，组织演变的情况处于不透明的黑箱状态，这种状态使得生产控制的目标变得模糊不清，这是当前钢铁生产迫切需要解决的核心问题。人工智能理论取得突破后，在能够充分利用现有的工业大数据的情况下，开发以数据驱动为基础的数字孪生方法，构建各生产工序的组织演变数字映射系统，把复杂的物理过程高精度地映射成数字信息，这样就能快速得到全局域的最优工艺参数，进而用于生产过程的精准控制，这是解决产品质量稳定性等问题的一个有效途径。
记者询问，如何借助智能化技术来达成钢材生产过程在多工序、系统级以及全局方面的动态优化。
刘振宇指出，要控制钢材内部的组织并调整、改变其组织和性能，就必须精确感知轧件内部的信息，所以模型系统需要具备感知能力。在工业大数据的支撑下，依据物理冶金学研究，借助 AI（人工智能）和机器学习等现代信息技术，进一步让系统拥有感知、记忆、思维、学习能力以及行为决策能力等。针对生产过程的复杂性以及用户的个性化需求，构建起跨系统、跨工序的钢铁工艺质量大数据平台。充分运用工业大数据，将物理冶金学原理与智能优化策略相融合，以实现全流程中组织 - 性能 - 表面氧化行为演变的数字解析。这样就能统筹热轧、冷轧全流程的关键工艺质量参数，把各制备工序和多控制层次的知识关联起来。同时，开发出高效的多目标优化算法，针对用户的个性化需求，形成热轧、冷轧的全局工艺快速设计，通过多工序的协调匹配来提升产品质量的稳定性和生产效率。
记者询问：您带领团队一直致力于钢材组织性能预测的研发工作，能否介绍一下咱们自主研发的系统的组成以及其功能作用呢？
刘振宇称，这些年我们开发出了一个系统，这个系统是钢铁产品组织性能智能预测及工艺协同优化系统（图 1）。开发了能够精确描述析出、再结晶、相变等组织演变的物理冶金学模型，将其与工业大数据驱动和机器学习相结合，从而实现了全流程组织演变行为的数字解析，构建起了工艺 - 组织 - 性能的数字孪生体。这样既可以准确地描述生产实际中的物理冶金学规律，又能够大幅提升其对工业生产过程的适应性，把热轧过程中的复杂物理过程高精度地映射为数字信息。针对生产过程具有多变量且强耦合的特点，产品性能指标多是分散单独控制的，这样就难以实现全局动态优化以及柔性化生产。对此，我们研发出了基于多目标优化算法的工艺反向决策系统，该系统解决了复杂系统多维度、多目标优化中准确性与高效性相统一的问题，实现了热轧过程最优工艺的在线决策与控制，从而有效解决了产品质量稳定性等重大问题。
这套系统具备结合表面氧化状态进行智能预测的技术，能够达成以下四大功能：其一，可以对热轧产品的质量进行分析并作出判定；其二，能够对组织性能进行预测；其三，能够实现智能化的热轧、冷轧工艺反向优化设计；其四，能够对表面质量进行智能化控制。
热轧产品的质量分析及判定。其一，进行产品质量分析。依据钢铁热轧和冷轧生产线的数据分布拓扑结构，打破热轧 - 冷轧 - 热处理之间的数据壁垒，将各工序以及多控制层次的知识相互关联，达成工业数据的采集、整理以及挖掘工作。其二，采用过程质量评价指标，依据工业大数据来分析影响产品性能的关键工艺参数，明确性能与工艺参数的控制余量，为工艺调整提供指导。在国家标准体系中构建钢种柔性推荐模型，同时结合热轧板带材全流程工艺动态快速优化技术，以此建立多因素影响下钢种成分归并的技术指导方法，将相近性能的钢种进行成分集约化处理，在能满足产品性能要求的情况下，减少炼钢牌号的数量，从而实现余材板坯的充分利用，降低因混浇坯降级处理或判废而带来的损失。
组织性能进行预测。其一，开发基于机器学习的物理冶金学模型。针对诸如固溶、再结晶、相变、析出等模型展开系统研究；依托大数据平台，在人工智能理论以及成分 - 工艺 - 组织性能对应关系的物理冶金学理论指引下，研发能够实现机器学习的成分 - 工艺 - 组织 - 性能对应物理冶金学模型。其二，构建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，先对热轧、冷轧工业大数据进行数据清洗和归并处理，接着进行相似工艺分层聚类等操作，然后开发基于 AI 的神经网络和机器学习算法，同时建立智能化力学性能在线预测模块，以此实现力学性能的高精度预测，进而减少冷、热轧产品力学性能检测的数量，缩短产品交货周期，提高生产效率。
智能化热轧工艺进行反向优化设计，同时智能化冷轧工艺也进行反向优化设计。因为热轧、冷轧产品存在生产成本高以及力学性能波动大的问题，所以要统筹热轧、冷轧全流程的关键工艺质量参数，将各制备工序和多控制层次的知识相互关联起来，依据数据、机理以及经验知识构建全过程优化模型钢材材料性能，开发出高效的多目标粒子群优化算法，再结合力学性能预测模型，从而形成热轧、冷轧全局工艺的快速设计软件包。
表面质量可实现智能化控制。它把氧化基础理论与数据库、信息技术相融合，从而能够在热轧过程中对板带表面氧化铁皮的厚度进行实时监测；并且结合热轧产品的温度履历，能够预测连续冷却过程中的组织转变以及最终的氧化铁皮结构；还开发了智能化工艺优化设计模块，可根据用户对于特定氧化铁皮结构的需求，给出所需的最优工艺。
记者询问，钢企通常都很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在实际生产中遇到的问题呢？
刘振宇称这套系统能够解决企业产品质量稳定性较难控制的难题，能使缺陷改判率大幅降低，进而提升企业的经济效益。借助热轧产品质量分析及判定模块，对影响热轧产品性能的关键参数进行评估分析，以此为开发新钢种提供指引。同时结合组织性能预测技术与多目标优化技术，最终达成降低产品性能波动的目的。利用力学性能高精度在线预测技术，能够减少检测取样，还能缩短生产周期，进而提高交货节奏，给企业带来了很大的经济效益。通过大数据分析技术、组织性能预测技术以及多目标优化技术，能够实现工艺的快速优化设计，开发出合金减量化的生产工艺，降低吨钢的生产成本；与此同时，借助这项技术还可以降低因混浇坯改判而产生的经济损失。
记者询问目前所开发的这套智能预测与优化系统在哪些钢企得到了应用，以及效果是怎样的。
刘振宇称，我们所开发的技术是以组织性能预测与优化作为核心内容的钢铁智能化制造技术。此技术已在鞍钢 2150 生产线得到推广应用，同时也在梅钢 1422 生产线、梅钢 1780 生产线、承钢 1780 生产线以及涟钢 2250 生产线进行了推广应用，并且还在韩国现代钢铁热轧生产线进行了推广应用。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。此技术解决了焊瓶钢屈强比窄幅（0.735 - 0.785）控制这一轧钢领域的世界性难题。该技术使此类产品的屈强比波动降低至原来的 1/4。此技术大幅提高了产品的合格率（图 2）。还开发出厚度为 9 - 12mm 结构板材 Q345B 升级 Q390B 的轧制技术。用此技术生产出的钢板性能稳定。同时钢材材料性能，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，钢中的锰含量降低了一半。由于锰含量降低，吨钢节约了约 50 元的材料成本。承德 1780 产线为依托，在国际上率先达成了对结构用钢带卷性能的通长预测，这给热轧产品稳定性控制提供了办法。同时，热轧钢材表面氧化铁皮形态的软测量以及工艺优化系统被成功输出到韩国现代钢铁，为其产品表面质量控制提供了模型依据。
