东北大学 2011 钢铁共性技术协同创新中心先进热轧工艺、装备及产品团队的探索与成就

让数字化成为热轧钢材产品质量控制的法宝

——纪念东北大学2011年度钢铁共性技术协同创新中心先进的热轧工艺、装备和产品团队

钢铁是保障经济民生和重大工程建设的基础原材料。我国年钢产量超过11亿吨，位居世界第一。 95%以上的钢材需要通过热轧工艺轧制成成品。因此，热轧是钢铁生产的核心工序，热轧钢材的质量是一个国家钢铁工业整体水平的标志。它不仅决定钢材的尺寸和形状，而且决定内部组织结构、宏观力学性能和表面质量。

热轧钢材生产不仅是形成的多工序集成，更是一个充满“黑匣子”的未知世界。要实现精确控制，每个“黑匣子”都需要清晰呈现，这一直是钢铁侠的终极目标。

正是在这样的背景下，20世纪70年代和80年代，世界各地的钢铁企业开始探索轧制过程的组织演化和表面氧化行为。当时，中国钢铁工业即将腾飞，中国工程院院士王国栋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学位。此后，破解轧制工艺黑匣子的问题就成了至今困扰着他的事情。

艰苦探索，实现“一钢多用”集约化生产目标

热轧工艺看似只是一个简单的加热轧制钢材的过程，但实际上却极其复杂：生产过程中不仅需要同时控制几十个、上百个变量，而且还需要完成材料的加工。高速行驶。形成性。因此，主要基于大量模拟实验建立的轧制过程微观组织演化和钢材氧化模型，由于实验条件严重不一致，会导致模型预测结果与实际生产过程存在较大差距。和生产过程。

同时，随着高强度钢材的发展，添加微合金元素所带来的复杂性导致现有的物理冶金理论无法准确描述热轧生产中出现的各种现象。破解“黑匣子”已成为不可能的任务，国际各大钢铁公司纷纷启动相关研究项目。

国际人工智能领域的突破，给这种让钢铁侠无所适从的局面带来了一线希望。为了跟踪这一新的发展趋势，刘振宇与东北大学自动化专业王殿辉合作，将人工神经网络理论和方法应用于热轧钢微观组织和性能的预测，并首次发表应用人工神经网络研究碳锰纸对钢性能的影响属世界第一。

这一突破带来了一系列研究和应用成果，初步解决了热轧钢材性能变化的定量控制问题。 1999年获辽宁省科技进步二等奖。此后，刘振宇团队以梅钢1422热轧生产线为基础，研发智能钢级合并技术，实现热轧过程“一钢多能”的集约化生产目标。

该技术简化了炼钢和连铸工艺，提高了生产效率和产品成品率，大大缩短了新产品开发周期，能够快速响应市场需求。在此期间，东北大学轧制技术与连轧自动化国家重点实验室也抓住智能技术发展的宝贵机遇，开展智能技术在轧制过程中的应用研究，并将其应用于工业生产线如本钢和宝钢提供这些服务。企业解决在线绩效预测问题。 2001年金属轧制工艺人工智能优化项目荣获国家科技进步二等奖。

“黑匣子变白”，用数字孪生赋能钢铁智能制造

在热轧过程中，产品的结构性能、形状、尺寸和表面氧化是强耦合的，这决定了不可能通过分析单一工艺来破解这些黑箱状态。然而，以现有的理论和方法，只能通过引入相关假设和条件，分离各种现象之间的联系，将密切相关的问题拆分为独立的个体来解决。因此，结果会与实际生产过程有很大偏差。

近一个世纪前，世界钢铁研究人员开始思考如何准确计算热轧过程中轧制力的变化。人们提出了各种模型，但迄今为止都无法考虑微观结构演化对钢的软化和硬化行为以及氧化铁皮厚度的影响。因此，对界面摩擦的影响严重限制了轧制力的计算精度。

如何克服这一难题，让轧制过程清晰地呈现在生产者眼前？这已成为钢铁生产技术迈上新台阶的瓶颈。和各个国际研究小组一样，刘振宇教授和他的团队成员在面对这个问题时也经历了惨痛的后果。他们多年来一直找不到突破方向，一直犹豫不决。这一领域的研究工作只有通过努力才能持续下去。但每次尝试失败后，王国栋院士总是给予鼓励和支持，帮助分析进展方向和解决问题的办法。他的热情鼓励和思想引导，让刘振宇和他的团队最终坚持了下来。

为了寻找智能钢铁生产方向的突破口，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与性能控制研讨会”。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钢铁材料结构与性能一体化控制的任务和目标。先后与鞍钢、宝钢梅钢、河钢成钢等建立科研合作。在工业大数据驱动下，利用大数据处理和挖掘技术预测材料力学性能，获得高保真预测模型，即数字孪生，为钢材性能高精度智能控制奠定基础。

同时，新一代信息数字技术为破解钢材表面质量、力学性能和尺寸精度的黑匣子提供了新的方法和路径。吴思伟博士学习期间，提出了数据逆优化方法，获得了更高精度的轧制过程微观组织演化模型，解决了热轧生产中钢材屈服比控制的行业难题，证明了工业大数据的良好运用。重要性。

通过对数据科学、机器学习/深度学习等理论和方法的深入掌握，刘振宇团队进一步认识到，在热轧生产中，轧制力作为一个可以准确实时检测的关键参数，实际上反映了轧制件的内部微观特性。结构的演化状态；同时，热轧过程中的氧化行为影响轧件与轧辊之间的摩擦状态，也会反映在轧制力上。因此，只要我们能够关注轧制力，通过对工业数据的逆向学习，就一定能够同时弄清楚轧件流变应力和界面摩擦系数的变化过程，从而分析轧件的变形情况。结构演变和轧制件的再结晶和应变诱导析出等结构演变。流变应力、轧件表面氧化厚度和界面摩擦状态之间的耦合关系构建了大型热轧模型系统，实现了热轧过程的“形-性-面”高保真动态数字孪生，从而使热轧过程“黑盒子变白盒子”。 （如图1所示）

思维的世界突然发生了变化。在这一学术思想的突破之后，另一个难题摆在我们面前，那就是如何通过唯一测量的轧制力来追溯如此复杂的组织演化和表面氧化过程？国内外尚无这方面的工作可供借鉴，也没有相关算法可供使用。唯一的出路就是自己开发相关的机器学习算法。这对于主要从事材料和材料加工的刘振宇团队成员来说，无疑是一个难题。

面对困难胆怯从来都不是他们的选择。曹光明、吴思伟、周晓光、常晓老师与博士生崔春元、曹阳、刘建军、高志伟、李鑫经过三年多的努力，终于开发出了独特的算法程序。在此基础上，他们建立了轧制过程中轧件软化行为与流变应力以及表面氧化状态与滚动摩擦状态之间的耦合关系模型，开发了“形-性-表面”耦合机器学习热轧工艺框架。通过集成学习方法，建立了轧制过程“形状和表面集成”的高保真动态数字孪生。最终，团队建立了生成式预训练系统，使得破解热轧工艺的强耦合黑盒过程成为可能，彻底突破了现有理论体系下对轧制生产过程的认知。

图1 热轧强耦合工艺及“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与板形设定变化对比

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

目前，刘振宇教授团队基于大型热轧模型研发的“形-性-面”集成控制技术已开始在我国钢铁生产线上取得成果。在国内一条2250mm热轧生产线上，对于其生产的钛微合金高强钢，通过“形-性-面”耦合机器学习，可以实现热轧工艺全面“黑匣子白化”。采用该方法，轧制力预测精度比国际通用模型提高一倍以上，大大降低了薄规格产品出现边缘波的风险；通过工艺优化设计，700MPa级高强钢的性能波动降低50%以上。 ，并且意识到不需要酸洗。针对国内某中厚板生产线的管线钢产品，团队基于大型热轧模型，通过“形-性-面”耦合机器学习，设计了高效的轧制工艺。该团队设计了高效的轧制工艺，实现了奥氏体晶粒和析出物尺寸的细化，在每道次力学性能和轧制载荷不变的基础上，使轧制生产效率提高了近四分之一。

图3 700MPa高强钢性能稳定性控制实际应用效果

如今，数字化技术已深度融入钢铁智能制造转型。钢铁智能制造的发展对钢铁行业产生了巨大的积极影响，变“黑匣子”为白箱，在提高生产效率的同时提高产品质量。刘振宇教授团队用数字技术助力我国钢铁行业智能制造，让大数据握手规模化生产，推动我国钢铁行业从依靠增产规模化发展向高质量发展转变，持续赋能世界钢铁行业可持续发展。

刘振宇教授为企业讲授热轧技术

刘振宇教授团队