热连轧钢材力学性能在线预报研究与应用——深圳市禾望电气股份有限公司

公司名称：深圳市禾望电气有限公司

电话：400-8828-705

官方网站：

热轧钢材力学性能在线预报研究及应用

孙伟华、焦继成、李树民、崔健、曹金生、王猛

（山东钢铁集团日照有限公司钢研所，山东日照276800）

01

概括

传统产品力学性能测试是基于统计随机抽样理论的试验方法，即在实验室对样卷的头尾切取试样进行测试，试验结果代表整批产品的力学性能。钢铁生产流程长，生产过程控制参数存在一定的波动，传统的力学性能测试方法无法反映每一卷带钢的力学性能，测试样品的代表性不够充分。随着工业互联网、大数据和人工智能技术的快速发展，特别是工业大数据相关技术的开发应用，为解决这一问题提供了新的途径。以连轧产品整个生产过程的关键控制工艺参数为基础，利用神经网络、随机森林等算法，建立碳素结构钢和低合金高强度结构钢力学性能预测模型，构建基于工业大数据的方法。热轧产品力学性能预测系统包括数据采集、数据清洗、模型训练、结果分析、复现性测试和在线应用等环节。力学性能在线预测系统已成功运行两年多，系统具有较高的预测精度和稳定性，可靠性。预测结果在±6%精度范围内的比例达到90%以上，MAPE（平均绝对百分比误差）不大于4%，均低于再现性试验水平。预测结果完全可以替代试验，提高了生产效率，缩短了生产时间。缩短了产品检测周期，使轧后产品力学性能可随时掌握，降低了生产成本，已成为生产操作过程中不可缺少的环节。

02

关键词

力学性能；在线预测；神经网络；随机森林；重复性测试

03

介绍

热轧产品的力学性能主要包括屈服强度、抗拉强度、断后伸长率、冲击功等。实际生产中，力学性能是通过在实验室对代表某批次钢卷的样卷进行试验来获取的。这种方式需要对产品进行破坏性的取样，降低了成品率，增加了生产成本，延长了产品交付周期。

20世纪50～60年代，Irvine KJ、Sen-uma T等开始采用数学模型预报钢的组织演变和最终力学性能。20世纪80年代末，国内开始利用冶金物理模型进行这方面的试验。1990年，Hodgson、Gibbs等建立了热轧C-Mn钢及微合金钢力学性能的数学模型；Yoshie等提出了从加热炉到层流冷却区的O型模型。合金的长大模型、合金元素的溶解与析出模型、再结晶模型、相变模型以及组织与性能的对应模型等都获得了良好的结果。一些研究还建立了预测系统。例如加拿大不列颠哥伦比亚大学和美国国家标准与技术研究院分别开发了名为HSMM(Hot Strip Mill Models)的热带钢轧机仿真软件;奥钢联公司开发了名为VAI-Q Strip(奥钢联旗下西门子还开发了预测热轧带钢组织与性能的商用软件——西门子组织检测系统)，应用于Hoesch Hohenlimburg钢厂等企业，明显降低了钢板生产成本和随机试验的样品数量，大大提高了劳动生产率;韩国浦项公司的热轧板力学性能预测系统，对普碳钢和微合金钢抗拉强度的预测精度可达±30MPa。由于受到限制，各生产环节的信息不能互联互通，不能在线获取所需的生产工艺参数信息，导致系统不能充分考虑生产过程的遗传性问题，影响了系统的准确性和推广应用。

组织与性能预测与控制技术主要有两种实现方法：一是利用基于实验室模拟试验结果的物理冶金模型来预测中厚板热轧生产中的各种冶金现象，如再结晶、碳氮化物的析出、奥氏体向铁素体、珠光体和贝氏体的相变等，建立数学模型来描述不同热轧生产工艺条件下发生的各种冶金现象，从而可以预测轧制产品的组织与力学性能。但力学性能与工艺成分等因素之间存在耦合关系，作用机理复杂，使得性能预测模型具有很强的非线性，难以通过冶金机理进行建模，对现场的适应性较差；另一种方法是采集大量生产过程的历史数据，利用人工智能技术强大的学习能力来预测和控制产品的力学性能。实践证明，这两种方法的精度并无明显差异。随着计算机、工业互联网、大数据、人工智能等技术的快速发展，大量生产现场数据能够被长期保存和分析，使得基于数据的力学性能预测技术越来越成熟，其现场适应性明显优于以往的方法。本文旨在建立山东钢铁集团日照公司（以下简称山钢日照公司）热轧生产线四个钢种（Q235、Q345、Q355、SPHC）的在线力学性能预测系统，搭建在线环境，并对系统的应用效果进行测试。

04

精选图表

05

综上所述

（1）将工业大数据、人工智能等算法引入钢铁力学性能检测领域，构建了预测精度高、适用于普通碳钢和低合金钢产品的力学性能预测模型，具有普遍推广应用价值。准确度在±6%以内的结果比例达到90%以上，MAPE（平均绝对百分比误差）不超过4，均低于重复性检测水平。

（2）开发了在线产品性能检测系统，用于热轧钢带产品的在线检测和判定。平均成品率提高0.56%，检测时间由原来的11小时缩短到30分钟，检验检测人工成本节省50%。以上可节省50%以上的实物试验费用。

（3）力学性能预报系统将目前的统计抽样试验转变为针对每一卷都进行预报，使得试验抽样更加有针对性。

(4)力学性能预测体系建立在大量生产数据的基础上，如本文预测的四个钢种产量占热轧生产线的50%以上，在使用性能预测值代替试验值时应谨慎。

（5）基于大数据的力学性能预测系统与现场工艺技术结合紧密，当生产工艺、设备参数发生变化时，需要对模型进行相应的重新训练，以保证系统的准确性，而针对不同的工况条件，所选用的模型并不由于系统投入使用后取样（样本）的减少，因此本研究下一步将研究基于增量样本的力学性能预测系统。