熱連軋鋼材力學性能在線預報的研究與應用
孫衛(wèi)華，焦吉成，李率民，崔健，曹金生，王猛
(山東鋼鐵集團日照有限公司鋼鐵研究院， 山東 日照 276800)
摘要：傳統(tǒng)的產品力學性能檢測是一種建立在統(tǒng)計學隨機抽樣理論基礎上的檢驗方法，即在實驗室中對取樣板卷的頭尾部切割樣品進行檢測，檢測結果代表整批產品的力學性能。由于鋼材生產流程長，生產過程控制參數存在一定的波動，傳統(tǒng)力學性能檢測方法不能反應每一卷帶鋼的力學性能，所檢測樣品的代表性不夠充分。隨著工業(yè)互聯網、大數據和人工智能技術的飛速發(fā)展，特別是工業(yè)大數據相關技術的發(fā)展和應用，為這一問題的解決提供了新的途徑。以實現山東鋼鐵集團日照有限公司熱連軋產品力學性能在線預報為試驗對象，以熱連軋產品生產全流程關鍵控制工藝參數為基礎，采用神經元網絡、隨機森林等算法建立碳素結構鋼、低合金高強度結構鋼的力學性能預報模型，構建了一種基于工業(yè)大數據為基礎的熱軋產品力學性能預報系統(tǒng)，包括數據采集、數據清洗、模型訓練、結果分析、再現性試驗和在線應用。力學性能在線預報系統(tǒng)已成功運行2年多時間，系統(tǒng)的預測精度高、穩(wěn)定可靠。預測結果精度在±6%以內的比例達到90%以上，MAPE(平均絕對百分誤差)不大于4%,均低于再現性檢測水平，預測結果完全可以取代檢測試驗；提高了生產效率，縮短了產品的檢測周期，軋后即可掌握產品的力學性能，降低了生產成本，已成為生產運行過程不可缺少的環(huán)節(jié)。
關鍵詞：力學性能；在線預報；神經元網絡；隨機森林；再現性檢測
1 引言
熱軋產品力學性能主要包括屈服強度、抗拉強度、斷后伸長率和沖擊功等指標。實際生產中力學性能指標是通過對代表一批次鋼卷的取樣卷，在實驗室中進行檢驗得到的一組數據，這種方法需要進行破壞性的產品取樣，降低了成材率，增加了生產成本，延長了產品出廠周期。
20世紀50年代至60年代，Irvine K J和Sen-uma T等開始利用數學模型的方法預測鋼材的微觀組織演化和最終力學性能。20世紀80年代末，國內開始利用冶金物理學模型從事這方面試驗研究，這種預測方法不斷發(fā)展和完善。1990年，Hodgson和Gibbs等建立了熱軋C-Mn鋼和微合金鋼的力學性能數學模型；Yoshie等提出了從加熱爐到層流冷卻區(qū)的奧氏體長大模型、合金元素的溶解和析出模型、再結晶模型、相變模型和組織性能對應模型，獲得了較好的結果。部分研究也建立了預報系統(tǒng)，如加拿大UBC大學和美國的NIST開發(fā)了名為HSMM(Hot Strip Mill Models)的模擬軟件用于熱連軋機組；奧鋼聯開發(fā)了名為VAI-Q Strip(VAI's Integrated Quality Control for Hot Rolled Strip)的熱軋模擬軟件；西門子公司也開發(fā)了熱軋帶鋼組織性能預測的商業(yè)化軟件即西門子微觀組織檢測系統(tǒng)，應用于Hoesch Hohenlimburg鋼廠等企業(yè)，明顯減少了鋼板抽樣檢測的樣品數量，大大提高了勞動生產率；韓國浦項公司的熱軋板力學性能預測系統(tǒng)，對普碳鋼和微合金鋼抗拉強度的預測精度達到±30 MPa。但由于實際生產條件所限，各生產環(huán)節(jié)信息不能互聯互通，所需生產工藝參數信息不能在線獲得，致使系統(tǒng)不能充分考慮生產過程的遺傳性問題，影響了系統(tǒng)精度和推廣應用。
組織性能預測和控制技術的實施方法主要有兩種：一種是利用物理冶金學模型，以實驗室模擬試驗結果為基礎，對板材熱軋生產中各種金屬學現象，如奧氏體的再結晶，碳氮化物析出，奧氏體向鐵素體、珠光體和貝氏體的相變等，進行計算機模擬，建立描述不同熱軋生產工藝條件下發(fā)生的各種冶金學現象的數學模型，預測出軋后產品組織狀態(tài)和力學性能，然而，力學性能與工藝成分等因素之間存在相互耦合關系，作用機理復雜，使得性能預測模型呈現高維度非線性，難以通過冶金機理進行建模，對現場的適應性差；另一種是搜集大量生產過程的歷史數據之后，利用人工智能技術強大的學習能力對產品力學性能進行預測和控制。實際證明這兩種方法的精度沒有明顯的差別。隨著計算機、工業(yè)互聯網絡、大數據和人工智能等技術的迅猛發(fā)展，大量生產現場數據可以進行長期保存分析，使基于數據的力學性能預報技術越來越成熟。由于這種方法建立在實際生產數據基礎之上，其現場適應性明顯優(yōu)于前一種方法。本文以建立山東鋼鐵集團日照公司(以下簡稱山鋼日照公司)熱軋產線4個鋼種(Q235、Q345、Q355和SPHC)的在線力學性能預報系統(tǒng)為目標，搭建在線環(huán)境，檢測系統(tǒng)應用效果。
2 精選圖表
3 結論
(1)把工業(yè)大數據、人工智能等算法引進到鋼材力學性能檢測領域，構建出預測精度高、適用于普碳鋼和低合金鋼產品的力學性能預報模型，具有普遍的推廣應用價值。預測結果精度在±6%以內的比例達到90%以上，MAPE(平均絕對百分誤差)不超過4，均低于再現性檢測水平。
(2)開發(fā)了產品性能在線檢測系統(tǒng)，應用于熱連軋鋼帶產品的在線檢測與判定。平均提高成材率0.56%，檢測時間由過去的11 h降低到30 min，節(jié)約檢化驗人力成本50%以上，節(jié)省物理試驗成本50%以上。
(3)力學性能預報系統(tǒng)把目前統(tǒng)計抽樣檢測轉變?yōu)槊烤眍A報，使檢測取樣更有針對性。
(4)力學性能預報系統(tǒng)建立在大量生產的數據基礎上，例如文中所預報的4個鋼種產量，占到熱軋產線的50%以上。對于生產批量較少的鋼種或新鋼種,使用性能預報值取代檢測值要慎重。
(5)基于大數據的力學性能預報系統(tǒng)與現場工藝技術緊密結合，生產工藝流程、設備參數改變相應的要對模型進行重新訓練，從而保證系統(tǒng)精度，對于不同的工況條件，選擇的模型不一樣。由于系統(tǒng)投用后取樣(樣本)減少，研究一種基于增量樣本的力學性能預報系統(tǒng)是本研究下一步的方向。
