刘振宇教授专访：人工智能在钢材组织性能预测与工艺优化中的应用

深耕钢材组织性能智能预测与工艺优化

——独家专访东北大学轧制技术与连轧自动化国家重点实验室副主任刘振宇教授

工业和信息化部在《工业关键共性技术发展指南（2017年）》中明确强调，要加强钢铁过程大数据时空跟踪和同步，深入推进钢铁过程大数据的时空跟踪和同步。挖掘和分析大数据，实现钢铁材料的智能设计、定制产品制造、钢铁组织。整个钢铁生产过程中的性能预测、钢种合并以及工艺参数协调优化控制等目标。东北大学轧制技术与连轧自动化国家重点实验室副主任刘振宇教授在国内外率先提出将人工智能应用于钢材组织和性能预测。 1995年，他提出利用神经网络来预测热轧带钢的力学性能。此后，他一直致力于该领域的研发工作，并取得了丰硕的成果。为此，《世界金属导报》记者就钢材组织性能智能预测及工艺协同优化专门采访了刘振宇教授。

记者：钢材的力学性能是用户关注的核心要素。您认为当前影响钢材质量稳定的主要因素有哪些？如何有效控制和解决？

刘振宇：我国钢铁产量位居世界第一，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。对整个钢铁生产过程的组织和综合性能进行精确的数字化分析，实现最优过程的在线决策和控制，才是钢铁生产之道。一场重大变革将导致钢铁生产从传统的自动化、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能否动态优化控制组织演化过程。但目前的生产主要基于“过程—绩效”控制，生产过程中的组织演化处于黑箱状态，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。随着人工智能理论的突破，在充分利用现有工业大数据的条件下，发展数据驱动的数字孪生方法，建立各生产过程组织演化的数字测绘系统，复杂的物理过程高精度地映射成数字信息。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：如何借助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，以物理冶金研究为基础，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，构建跨系统、跨工序的钢铁工艺质量大数据平台，充分利用工业大数据，融合物理冶金原理和智能优化策略，实现全过程组织-性能-表面氧化行为的数字化分析演化，协调热轧、冷轧整个过程的关键工艺质量参数，关联各准备工序和多级控制知识；同时开发高效的多目标优化算法，根据用户个性化需求形成热轧、冷轧的全局工艺快速设计，通过多工艺协调匹配，提高产品质量稳定性和生产效率。

记者：我们知道您和您的团队一直致力于钢结构的研发和性能预测。您能介绍一下我们自主开发的系统的组成和功能吗？

刘振宇：近年来，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）。通过开发准确描述组织析出、再结晶、相变等演化过程的物理冶金模型，结合工业大数据驱动和机器学习，实现组织演化行为全过程的数字化分析，形成数字孪生构建了过程组织性能。它不仅准确地描述了实际生产中的物理冶金规律，而且大大提高了其对工业生产过程的适应性，将热轧过程复杂的物理过程高精度地映射为数字信息。此外，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，难以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。解决复杂系统多维度、多目标优化精度与效率的统一问题，实现热轧工艺优化过程的在线决策与控制，有效解决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：热轧产品质量分析与判定；组织性能预测；智能热轧、冷轧工艺逆向优化设计；和智能表面质量控制。

1、热轧产品的质量分析与判断。 1）产品质量分析。基于钢材热轧、冷轧生产线数据分布拓扑，打破热轧-冷轧-热处理的数据壁垒，将各工序、多控制层级知识关联起来，实现采集、整理工业数据挖掘；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）建立钢种合并规则。在国家标准体系内构建柔性钢号推荐模型，结合热轧板带全流程动态快速优化技术，建立多因素影响下合并钢号成分的技术指导方法。因素，并对性能相似的钢种进行成分强化。在满足产品性能要求的情况下，可以减少炼钢牌号，充分利用剩余板坯，减少混铸板坯降级或报废造成的损失。

2 组织绩效预测。 1）基于机器学习的物理冶金模型开发。用于固溶、再结晶、相变、沉淀等模型体系研究；基于大数据平台，以人工智能理论和成分-过程-结构性能对应的物理冶金理论为指导，开发能够实现机器学习的成分-过程-结构-性能对应的物理冶金模型。 2）基于大数据的智能机械性能预测模型。利用多维数据挖掘技术，对热轧、冷轧工业大数据进行清洗、融合，对相似工序进行层次聚类等，开发基于AI的神经网络和机器学习算法，建立智能在线机械性能预测模块。 ，实现力学性能高精度预测，减少冷、热轧产品力学性能试验次数，缩短产品交货周期，提高生产效率。

3智能热轧、冷轧工艺逆向优化设计。为了解决热轧和冷轧产品生产成本高、力学性能波动大的问题，需要协调整个热轧和冷轧过程的关键工艺质量参数，关联各个准备工作流程和多层次控制知识，建立基于数据、机制和经验知识的综合流程。工艺优化模型，开发高效的多目标粒子群优化算法，结合机械性能预测模型，形成热轧、冷轧全局工艺快速设计软件包。

4、表面质量智能控制。将基础氧化理论与数据库、信息技术相结合，实现热轧过程中带钢表面氧化皮厚度的实时监测；结合热轧产品的温度历史来预测连续冷却过程中的组织转变和最终氧化皮组织；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：钢铁企业普遍重视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可以帮助企业解决哪些实际生产问题呢？

刘振宇：这套系统可以解决企业产品质量稳定性难以控制的问题，大幅降低缺陷纠正率，提高企业经济效益。通过热轧产品质量分析判定模块，对影响热轧产品性能的关键参数进行分析评价，为新钢种的开发提供指导。结合微观组织性能预测技术和多目标优化技术，最终可以降低产品性能波动。基于力学性能高精度在线预测技术，可以减少检测取样，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、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，实现合金还原生产工艺开发，降低吨钢生产成本；同时，基于该技术，可以降低混铸坯的成本。改判造成的经济损失。

记者：我们开发的智能预测优化系统目前在哪些钢铁企业使用？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鞍钢2150、梅钢1422、梅钢1780、成钢1780、连阳钢铁推广应用2250及韩国现代钢铁热轧生产线。 。在鞍钢2150热轧生产线上，研发了焊接筒钢屈强比波动控制技术，解决了轧钢领域控制窄屈强比（0.735- 0.785）的焊接筒体钢，使得该类产品的成品率更加稳定。强度比波动已减少至原来的1/4，大大提高了产品合格率（图2）；开发出Q345B轧制技术，是Q390B结构板的升级版，厚度9-12mm，生产的钢板性能稳定。在梅钢1422、1780热连轧生产线上，通过结构性能预测和工艺优化，钢种数量减少了60%以上，实现了热连轧的集约化、绿色化生产。滚动，极大促进了企业节能减排；同时，通过结构性能预测和工艺优化，2.5毫米厚度汽车轮毂用钢中锰含量可降低一半，每吨钢可节省材料成本约50元。依托承德1780生产线，在全球率先实现结构钢带卷性能预测，为热轧产品稳定性控制提供手段。此外，热轧钢材表面氧化铁皮形貌软测量及工艺优化系统成功出口韩国现代钢铁，为其产品表面质量控制提供模型依据。