热连轧钢材力学性能在线预报的研究与应用
孙卫华，焦吉成，李率民，崔健，曹金生，王猛
(山东钢铁集团日照有限公司钢铁研究院， 山东 日照 276800)
摘要：传统的产品力学性能检测是一种建立在统计学随机抽样理论基础上的检验方法，即在实验室中对取样板卷的头尾部切割样品进行检测，检测结果代表整批产品的力学性能。由于钢材生产流程长，生产过程控制参数存在一定的波动，传统力学性能检测方法不能反应每一卷带钢的力学性能，所检测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飞速发展，特别是工业大数据相关技术的发展和应用，为这一问题的解决提供了新的途径。以实现山东钢铁集团日照有限公司热连轧产品力学性能在线预报为试验对象，以热连轧产品生产全流程关键控制工艺参数为基础，采用神经元网络、随机森林等算法建立碳素结构钢、低合金高强度结构钢的力学性能预报模型，构建了一种基于工业大数据为基础的热轧产品力学性能预报系统，包括数据采集、数据清洗、模型训练、结果分析、再现性试验和在线应用。力学性能在线预报系统已成功运行2年多时间，系统的预测精度高、稳定可靠。预测结果精度在±6%以内的比例达到90%以上，MAPE(平均绝对百分误差)不大于4%,均低于再现性检测水平，预测结果完全可以取代检测试验；提高了生产效率，缩短了产品的检测周期，轧后即可掌握产品的力学性能，降低了生产成本，已成为生产运行过程不可缺少的环节。
关键词：力学性能；在线预报；神经元网络；随机森林；再现性检测
1 引言
热轧产品力学性能主要包括屈服强度、抗拉强度、断后伸长率和冲击功等指标。实际生产中力学性能指标是通过对代表一批次钢卷的取样卷，在实验室中进行检验得到的一组数据，这种方法需要进行破坏性的产品取样，降低了成材率，增加了生产成本，延长了产品出厂周期。
20世纪50年代至60年代，Irvine K J和Sen-uma T等开始利用数学模型的方法预测钢材的微观组织演化和最终力学性能。20世纪80年代末，国内开始利用冶金物理学模型从事这方面试验研究，这种预测方法不断发展和完善。1990年，Hodgson和Gibbs等建立了热轧C-Mn钢和微合金钢的力学性能数学模型；Yoshie等提出了从加热炉到层流冷却区的奥氏体长大模型、合金元素的溶解和析出模型、再结晶模型、相变模型和组织性能对应模型，获得了较好的结果。部分研究也建立了预报系统，如加拿大UBC大学和美国的NIST开发了名为HSMM(Hot Strip Mill Models)的模拟软件用于热连轧机组；奥钢联开发了名为VAI-Q Strip(VAI's Integrated Quality Control for Hot Rolled Strip)的热轧模拟软件；西门子公司也开发了热轧带钢组织性能预测的商业化软件即西门子微观组织检测系统，应用于Hoesch Hohenlimburg钢厂等企业，明显减少了钢板抽样检测的样品数量，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达到±30 MPa。但由于实际生产条件所限，各生产环节信息不能互联互通，所需生产工艺参数信息不能在线获得，致使系统不能充分考虑生产过程的遗传性问题，影响了系统精度和推广应用。
组织性能预测和控制技术的实施方法主要有两种：一种是利用物理冶金学模型，以实验室模拟试验结果为基础，对板材热轧生产中各种金属学现象，如奥氏体的再结晶，碳氮化物析出，奥氏体向铁素体、珠光体和贝氏体的相变等，进行计算机模拟，建立描述不同热轧生产工艺条件下发生的各种冶金学现象的数学模型，预测出轧后产品组织状态和力学性能，然而，力学性能与工艺成分等因素之间存在相互耦合关系，作用机理复杂，使得性能预测模型呈现高维度非线性，难以通过冶金机理进行建模，对现场的适应性差；另一种是搜集大量生产过程的历史数据之后，利用人工智能技术强大的学习能力对产品力学性能进行预测和控制。实际证明这两种方法的精度没有明显的差别。随着计算机、工业互联网络、大数据和人工智能等技术的迅猛发展，大量生产现场数据可以进行长期保存分析，使基于数据的力学性能预报技术越来越成熟。由于这种方法建立在实际生产数据基础之上，其现场适应性明显优于前一种方法。本文以建立山东钢铁集团日照公司(以下简称山钢日照公司)热轧产线4个钢种(Q235、Q345、Q355和SPHC)的在线力学性能预报系统为目标，搭建在线环境，检测系统应用效果。
2 精选图表
3 结论
(1)把工业大数据、人工智能等算法引进到钢材力学性能检测领域，构建出预测精度高、适用于普碳钢和低合金钢产品的力学性能预报模型，具有普遍的推广应用价值。预测结果精度在±6%以内的比例达到90%以上，MAPE(平均绝对百分误差)不超过4，均低于再现性检测水平。
(2)开发了产品性能在线检测系统，应用于热连轧钢带产品的在线检测与判定。平均提高成材率0.56%，检测时间由过去的11 h降低到30 min，节约检化验人力成本50%以上，节省物理试验成本50%以上。
(3)力学性能预报系统把目前统计抽样检测转变为每卷预报，使检测取样更有针对性。
(4)力学性能预报系统建立在大量生产的数据基础上，例如文中所预报的4个钢种产量，占到热轧产线的50%以上。对于生产批量较少的钢种或新钢种,使用性能预报值取代检测值要慎重。
(5)基于大数据的力学性能预报系统与现场工艺技术紧密结合，生产工艺流程、设备参数改变相应的要对模型进行重新训练，从而保证系统精度，对于不同的工况条件，选择的模型不一样。由于系统投用后取样(样本)减少，研究一种基于增量样本的力学性能预报系统是本研究下一步的方向。
