钢铁工业是典型的流程工业，每时每刻都在产生海量数据。这些数据对于钢材产品性能、质量的精准预测和稳定控制具有宝贵意义，但是对于如何利用钢铁大数据调控产品质量，国内外研究人员目前均在探索之中。
作为流程化、批量化大宗生产的钢铁产品，如何精准满足客户的“订制化”生产需求？近年来，东北大学轧制技术及连轧自动化国家重点实验室刘振宇教授团队基于多年来在钢铁组织性能预测技术与应用领域的理论积淀和实践，与宝钢梅山公司、鞍钢等企业通力合作，深入开展基于热轧板带钢工业大数据预处理技术的研究，开发出了以组织性能预测与优化为核心的钢铁智能化制造技术，有效解决了当前钢铁企业规模化生产和用户个性化需求之间的矛盾。
刘振宇教授及其团队的成果，在梅山公司1422和1780生产线以及鞍钢2150热连轧生产线成功应用，通过在炼钢连铸过程中，将钢坯成分和规格进行标准化生产，针对客户对产品的不同性能需求，结合组织性能演变模型和多目标优化算法计算出最优的热轧工艺，实现了“一钢多能”的目标。
工信部在《产业关键共性技术发展指南(2017年)》中，明确强调了要加强钢铁流程大数据时空追踪同步和大数据深度挖掘分析，以实现钢铁材料智能化设计、产品定制化制造、钢材组织性能预测、钢种归并和钢铁全流程工艺参数协调优化控制等目标。2017年12月，习近平总书记就实施国家大数据战略，进一步强调要发挥数据的基础资源作用和创新引擎作用，把大数据在工业中的应用提到了国家战略的高度。
刘振宇教授作为我国在钢铁组织性能预测与优化技术研发方面的首个博士研究生，已经在该领域开展了30余年的研发。钢铁智能制造第一代是以传统物理冶金原理为基础，通过大量的实验得出结果，建立再加热、热连轧及连续冷却过程中的显微组织演变与组织性能对应关系模型。然而，此类模型对生产线环境适应性较差，难以满足工业生产条件出现变化的情况。
为此，刘振宇教授和团队开发出了以人工智能理论为基础的神经网络模型及计算机系统。借助神经网络强大的非线性拟合能力，以工业大数据为基础建立钢铁组织性能预测和调控模型，取得了较高的预测精度，成功实现了热轧产品力学性能在线预测，有90%以上的数据预测相对误差在±6%范围以内，延伸率绝对误差控制在±4%以内，首次实现了热轧产品的免取样检测交货，大幅减少性能检测实验量，缩短了产品的交货周期。
由于工业数据具有多维度、不平衡及波动大等特点，基于人工智能方法的热轧产品组织性能预测技术严重依赖于原始数据，过度追求预测精度往往产生过拟合现象，导致有时偏离钢铁材料的物理冶金学规律，从而导致热轧工艺的逆向优化结果可信度受到影响。如何合理有效利用工业大数据，又成为性能预测与工艺优化必须突破的瓶颈。
为解决这一关键技术难题，团队成员从轧钢生产实际出发，开发出热连轧工业大数据的分析和处理方法，建立起基于大数据分析与优化的智能化物理冶金学模型，在实现产品性能高精度在线预测的同时，开发出柔性化生产工艺的设计方法，可以最大限度地发挥热轧和冷却过程对轧件性能的控制作用，使同一钢种可满足不同的用户需求，达到以生产技术的智能化来应对用户需求多样化的目的。
依托此模型，刘振宇教授在鞍钢2150热连轧生产线开发出焊瓶用钢屈强比波动控制技术，解决焊瓶钢屈强比窄幅(0.735-0.785)控制这一轧钢领域的世界性难题，使此类产品的屈强比波动降低至原来的1/4，大大提高了产品的合格率；开发出厚度规格为9-12 mm结构板材Q345B升级Q390B的轧制技术，生产出的钢板性能稳定。在梅钢1422和1780热连轧生产线，通过组织性能预测与工艺优化，钢种牌号已减少60%以上，实现了热轧的集约化、绿色化生产，大大促进了企业的节能减排；同时，针对厚度规格为2.5 mm的汽车车轮用钢，通过组织性能预测与工艺优化，使钢中锰含量降低一半，吨钢节约材料成本约50元。
该项成果得到国际著名钢铁行业期刊《ISIJ international》的国际审稿专家的高度评价，专家认为该成果“对钢铁行业中应用系统科学开展工艺优化研究做出重大贡献”。
閱讀更多 東北大學 的文章
