让数字化成为钢铁热轧产品质量控制的制胜法宝

  让数字化成为钢铁热轧产品质量控制的制胜法宝

  ——记东北大学2011钢铁共性技术协同创新中心先进热轧工艺、装备及产品团队

  钢铁是保障经济民生与重大工程建设的基础原材料，我国年产钢量超过11亿吨，稳居世界首位。95％以上的钢铁材料，需经过热轧工序轧制成材。因此，热轧是钢铁生产的核心工序，而热轧钢材的质量，则是一个国家钢铁工业整体水平的标志，它不仅决定了钢材的尺寸形状，也决定了内部组织结构、宏观力学性能以及表面质量。

  钢材热轧生产，既是一个成形成性的多工序集成，也是一个充满“黑箱”的未知世界。要想实现精准控制，需要每个“黑箱”都能够清晰呈现出来，一直以来，都是钢铁人为之奋斗的终极目标。

  正是在这一背景下，20世纪70-80年代，世界各国的钢铁企业，开始了轧制过程组织演变及表面氧化行为的探索。当时，中国的钢铁工业即将腾飞，中国工程院院士王国栋已经敏锐地抓住了这一国际发展趋势。刘振宇教授当时正在王院士门下攻读硕士研究生，从此，破解轧制过程黑箱的难题，便成了他至今仍魂牵梦绕的所在。

  艰辛探索，实现“一钢多能”的集约化生产目标

  热轧过程看似只是加热钢材压延成型的简单过程，但其实却是极端复杂的：不仅生产过程中需要同时控制的变量多达几十上百个，而且还需要在高速运行的状态下完成材料的成形成性。如此一来，主要依靠海量模拟实验建立的轧制过程显微组织演变与钢材氧化模型，由于实验条件与生产过程严重不符，会导致模型的预测结果与实际生产过程存在很大差距。

  与此同时，随着钢铁产品高强化的发展，添加微合金元素带来的复杂性，导致现有物理冶金学理论无法精准描述热轧生产中发生的各种现象。破解“黑箱”成为一项不可能完成的课题，国际各大钢铁企业纷纷下马了相关研究项目。

  国际人工智能领域的突破，为这种令钢铁人一筹莫展的局面带来了一丝曙光。为跟踪这一新发展趋势，刘振宇与东北大学自动化专业的王殿辉合作，将人工神经网络理论和方法应用于热轧钢材组织性能的预测，在国际上首次发表了应用人工神经元网络研究C-Mn钢性能的论文。

  这一突破带来了系列研究及应用成果，初步解决了热轧钢材性能变化的定量把控问题，于1999年获得了辽宁省科技进步二等奖。在此之后，基于梅钢1422热连轧生产线，刘振宇团队开发了智能化钢种归并技术，实现了热轧过程“一钢多能”的集约化生产目标。

  这项技术简化了炼钢和连铸工艺，提高了生产效率和产品成材率，使新产品开发周期大大缩短，实现了对市场需求的快速响应。在此期间，东北大学轧制技术及连轧自动化国家重点实验室还抓住智能技术发展的宝贵机遇，开展轧制过程智能技术应用研究，并在本钢、宝钢等工业生产线上应用，为这些企业解决了性能在线预测的难题。2001年，金属轧制过程的人工智能优化项目获得国家科技进步二等奖。

  “黑箱变白”，用数字孪生赋能钢铁智能制造

  在热轧流程中，产品的组织性能、形状尺寸和表面氧化呈现强耦合的特点决定了破解这些黑箱状态是不可能通过解析单一过程而实现的。但以目前的理论和方法，只能通过引入相关假设条件再求解，割裂各现象之间的联系，将彼此密切相关问题拆分为彼此独立的个体，因此结果会大大偏离实际生产过程。

  近一个世纪以前，世界钢铁研究者即开始思考如何精准计算热轧过程的轧制力变化，提出的模型林林总总，但至今也不能考虑显微组织演变对钢材软化及硬化行为的影响以及氧化铁皮厚度对界面摩擦的影响，因此严重制约了轧制力的计算精度。

  该如何突破这一难题，使轧制过程能够清晰地呈现在生产者眼前？这成为了钢铁生产技术迈上新台阶的瓶颈。与国际各研究小组一样，刘振宇教授与团队成员同样在这道难题面前尝遍了苦果，多年找不到突破的方向而徘徊不前。这方面的研究工作只能在艰辛跋涉中苦苦支撑。然而，在每次尝试失败后，王国栋院士总是给予鼓励和支持，帮助分析前进的方向和解决问题的方案，温暖的鼓励和思路的点拨，使刘振宇和团队的研究终于坚持了下来。

  为了找到钢铁生产智能化方向的突破口，2014年，王国栋院士主持召开了“基于大数据的炼钢-连铸-轧钢-热处理一体化钢铁材料组织性能控制研讨会”。会议分析了大数据、人工智能等新一代信息技术，确立了基于大数据的一体化钢铁材料组织性能控制的任务与目标，先后与鞍钢、宝钢梅钢、河钢承钢建立了科研合作，以工业大数据驱动，利用大数据处理与挖掘技术，进行材料力学性能预测，获得高保真度的预测模型，即数字孪生，为钢材性能的高精度智能化控制奠定了基础。

  同时，新一代信息数字技术为破解钢材表面质量、力学性能与尺寸精度黑箱提供了新的方法路径。吴思炜在攻读博士期间，提出了数据逆向优化方法，获得了更高精度的轧制过程组织演变模型，在热轧生产中解决了钢材屈强比控制这一行业难题，证明了用好工业大数据的重要性。

  通过对数据科学与机器学习／深度学习等理论与方法的深入掌握，刘振宇团队进一步认识到，热轧生产中，轧制力作为可实时、精准检测的关键参数，其实反映着轧件内部显微组织的演变状态；与此同时，热轧过程氧化行为影响着轧件与轧辊之间的摩擦状态，也会在轧制力上反映出来。因此，只要能够围绕轧制力，通过工业数据的逆向学习，就一定可以同时弄清楚轧件流变应力和界面摩擦系数的变化过程，从而解析出轧件再结晶、应变诱导析出等组织演变与流变应力、轧件表面氧化厚度与界面摩擦状态的耦合关系，构建起了热轧大模型体系，实现了热轧过程“形-性-面”高保真动态数字孪生，从而使得热轧过程“黑箱变白”。（如图1所示）

  思路一变天地阔。这一学术思想突破以后，又一道难题摆在了眼前，就是如何才能通过仅有的实测轧制力去回溯如此复杂的组织演变和表面氧化过程呢？国际国内没有这方面的工作可以借鉴，更没有相关算法可以使用。唯一的出路是自己开发有关机器学习算法。这对于以材料和材料加工专业为主的刘振宇团队成员，无疑是一项难题。

  在困难面前畏首畏尾，从来不是他们的选择。曹光明、吴思炜、周晓光、常啸老师，带领博士生崔春园、曹阳、刘建军、高志伟、李鑫等，经过3年多的艰苦努力，终于开发出独有的算法程序。在此基础上，他们建立了轧制过程轧件软化行为与流变应力以及表面氧化状态与轧制摩擦状态的耦合关系模型，开发了热轧过程“形-性-面”耦合机器学习框架，建立了通过集成学习方法实现轧制过程“形性面一体化”高保真动态数字孪生，最终团队建立了生成式预训练系统，使破解热轧过程强耦合黑箱过程成为可能，彻底突破了现有理论体系下对轧制生产过程的认知。

  图1热轧强耦合过程及“形-性-面”一体化新方法

  图2 Ti微合金钢热连轧轧制力计算精度对比及板形设定变化

  (a) 国际通用模型; (b) “形-性-面”耦合机器学习；（c）比例凸度变化曲线

  截至目前，刘振宇教授团队基于热轧大模型开发出的“形-性-面”一体化控制技术在我国钢铁生产线上已初具成效。在国内某2250mm热连轧产线，针对其生产的钛微合金高强钢，通过“形-性-面”耦合机器学习，使热轧过程全面“黑箱变白”。采用此套方法，使轧制力预测精度比国际通用模型提高了一倍还多，大幅降低了薄规格产品产生边浪的风险；通过工艺优化设计，使700MPa级别高强钢性能波动降低50%以上，且实现了免酸洗。针对国内某中厚板产线管线钢产品，在热轧大模型基础上通过“形-性-面”耦合机器学习进行高效轧制工艺优化设计，团队设计了高效轧制工艺，实现了奥氏体晶粒和析出相尺寸细化，在力学性能和道次轧制负荷保持不变的基础上，使轧制生产效率提高了近四分之一。

  图3 700MPa级别高强钢性能稳定性控制的实际应用效果

  如今，数字化技术已深深融入了钢铁智能制造的变革之中。钢材智能制造的发展为钢铁产业带来了巨大而积极的影响，让“黑箱变白”，在提高生产效率的同时，提升了产品质量。刘振宇教授团队采用数字化技术助力我国钢铁行业的智能制造，让大数据握手大生产，促进我国钢铁行业从依靠产量增加的规模化发展向高质量发展转变，更持续赋能世界钢铁工业持续发展。

  刘振宇教授为企业进行热轧技术讲座

  刘振宇教授团队

（作者：王钰慧）