鋼鐵工業是典型的流程工業，每時每刻都在產生海量數據。這些數據對於鋼材產品性能、質量的精準預測和穩定控制具有寶貴意義，但是對於如何利用鋼鐵大數據調控產品質量，國內外研究人員目前均在探索之中。
作為流程化、批量化大宗生產的鋼鐵產品，如何精準滿足客戶的“訂製化”生產需求？近年來，東北大學軋製技術及連軋自動化國家重點實驗室劉振宇教授團隊基於多年來在鋼鐵組織性能預測技術與應用領域的理論積澱和實踐，與寶鋼梅山公司、鞍鋼等企業通力合作，深入開展基於熱軋板帶鋼工業大數據預處理技術的研究，開發出了以組織性能預測與優化為核心的鋼鐵智能化製造技術，有效解決了當前鋼鐵企業規模化生產和用戶個性化需求之間的矛盾。
劉振宇教授及其團隊的成果，在梅山公司1422和1780生產線以及鞍鋼2150熱連軋生產線成功應用，通過在鍊鋼連鑄過程中，將鋼坯成分和規格進行標準化生產，針對客戶對產品的不同性能需求，結合組織性能演變模型和多目標優化算法計算出最優的熱軋工藝，實現了“一鋼多能”的目標。
工信部在《產業關鍵共性技術發展指南(2017年)》中，明確強調了要加強鋼鐵流程大數據時空追蹤同步和大數據深度挖掘分析，以實現鋼鐵材料智能化設計、產品定製化製造、鋼材組織性能預測、鋼種歸併和鋼鐵全流程工藝參數協調優化控制等目標。2017年12月，習近平總書記就實施國家大數據戰略，進一步強調要發揮數據的基礎資源作用和創新引擎作用，把大數據在工業中的應用提到了國家戰略的高度。
劉振宇教授作為我國在鋼鐵組織性能預測與優化技術研發方面的首個博士研究生，已經在該領域開展了30餘年的研發。鋼鐵智能製造第一代是以傳統物理冶金原理為基礎，通過大量的實驗得出結果，建立再加熱、熱連軋及連續冷卻過程中的顯微組織演變與組織性能對應關係模型。然而，此類模型對生產線環境適應性較差，難以滿足工業生產條件出現變化的情況。
為此，劉振宇教授和團隊開發出了以人工智能理論為基礎的神經網絡模型及計算機系統。藉助神經網絡強大的非線性擬合能力，以工業大數據為基礎建立鋼鐵組織性能預測和調控模型，取得了較高的預測精度，成功實現了熱軋產品力學性能在線預測，有90%以上的數據預測相對誤差在±6%範圍以內，延伸率絕對誤差控制在±4%以內，首次實現了熱軋產品的免取樣檢測交貨，大幅減少性能檢測實驗量，縮短了產品的交貨週期。
由於工業數據具有多維度、不平衡及波動大等特點，基於人工智能方法的熱軋產品組織性能預測技術嚴重依賴於原始數據，過度追求預測精度往往產生過擬合現象，導致有時偏離鋼鐵材料的物理冶金學規律，從而導致熱軋工藝的逆向優化結果可信度受到影響。如何合理有效利用工業大數據，又成為性能預測與工藝優化必須突破的瓶頸。
為解決這一關鍵技術難題，團隊成員從軋鋼生產實際出發，開發出熱連軋工業大數據的分析和處理方法，建立起基於大數據分析與優化的智能化物理冶金學模型，在實現產品性能高精度在線預測的同時，開發出柔性化生產工藝的設計方法，可以最大限度地發揮熱軋和冷卻過程對軋件性能的控制作用，使同一鋼種可滿足不同的用戶需求，達到以生產技術的智能化來應對用戶需求多樣化的目的。
依託此模型，劉振宇教授在鞍鋼2150熱連軋生產線開發出焊瓶用鋼屈強比波動控制技術，解決焊瓶鋼屈強比窄幅(0.735-0.785)控制這一軋鋼領域的世界性難題，使此類產品的屈強比波動降低至原來的1/4，大大提高了產品的合格率；開發出厚度規格為9-12 mm結構板材Q345B升級Q390B的軋製技術，生產出的鋼板性能穩定。在梅鋼1422和1780熱連軋生產線，通過組織性能預測與工藝優化，鋼種牌號已減少60%以上，實現了熱軋的集約化、綠色化生產，大大促進了企業的節能減排；同時，針對厚度規格為2.5 mm的汽車車輪用鋼，通過組織性能預測與工藝優化，使鋼中錳含量降低一半，噸鋼節約材料成本約50元。
該項成果得到國際著名鋼鐵行業期刊《ISIJ international》的國際審稿專家的高度評價，專家認為該成果“對鋼鐵行業中應用系統科學開展工藝優化研究做出重大貢獻”。
閱讀更多 東北大學 的文章
