??讓數字化成為鋼鐵熱軋產品質量控制的制勝法寶
??——記東北大學2011鋼鐵共性技術協同創新中心先進熱軋工藝、裝備及產品團隊
??鋼鐵是保障經濟民生與重大工程建設的基礎原材料，我國年產鋼量超過11億噸，穩居世界首位。95％以上的鋼鐵材料，需經過熱軋工序軋制成材。因此，熱軋是鋼鐵生產的核心工序，而熱軋鋼材的質量，則是一個國家鋼鐵工業整體水平的標志，它不僅決定了鋼材的尺寸形狀，也決定了內部組織結構、宏觀力學性能以及表面質量。
??鋼材熱軋生產，既是一個成形成性的多工序集成，也是一個充滿“黑箱”的未知世界。要想實現精準控制，需要每個“黑箱”都能夠清晰呈現出來，一直以來，都是鋼鐵人為之奮斗的終極目標。
??正是在這一背景下，20世紀70-80年代，世界各國的鋼鐵企業，開始了軋制過程組織演變及表面氧化行為的探索。當時，中國的鋼鐵工業即將騰飛，中國工程院院士王國棟已經敏銳地抓住了這一國際發展趨勢。劉振宇教授當時正在王院士門下攻讀碩士研究生，從此，破解軋制過程黑箱的難題，便成了他至今仍魂牽夢繞的所在。
??艱辛探索，實現“一鋼多能”的集約化生產目標
??熱軋過程看似只是加熱鋼材壓延成型的簡單過程，但其實卻是極端復雜的：不僅生產過程中需要同時控制的變量多達幾十上百個，而且還需要在高速運行的狀態下完成材料的成形成性。如此一來，主要依靠海量模擬實驗建立的軋制過程顯微組織演變與鋼材氧化模型，由于實驗條件與生產過程嚴重不符，會導致模型的預測結果與實際生產過程存在很大差距。
??與此同時，隨著鋼鐵產品高強化的發展，添加微合金元素帶來的復雜性，導致現有物理冶金學理論無法精準描述熱軋生產中發生的各種現象。破解“黑箱”成為一項不可能完成的課題，國際各大鋼鐵企業紛紛下馬了相關研究項目。
??國際人工智能領域的突破，為這種令鋼鐵人一籌莫展的局面帶來了一絲曙光。為跟蹤這一新發展趨勢，劉振宇與東北大學自動化專業的王殿輝合作，將人工神經網絡理論和方法應用于熱軋鋼材組織性能的預測，在國際上首次發表了應用人工神經元網絡研究C-Mn鋼性能的論文。
??這一突破帶來了系列研究及應用成果，初步解決了熱軋鋼材性能變化的定量把控問題，于1999年獲得了遼寧省科技進步二等獎。在此之后，基于梅鋼1422熱連軋生產線，劉振宇團隊開發了智能化鋼種歸并技術，實現了熱軋過程“一鋼多能”的集約化生產目標。
??這項技術簡化了煉鋼和連鑄工藝，提高了生產效率和產品成材率，使新產品開發周期大大縮短，實現了對市場需求的快速響應。在此期間，東北大學軋制技術及連軋自動化國家重點實驗室還抓住智能技術發展的寶貴機遇，開展軋制過程智能技術應用研究，并在本鋼、寶鋼等工業生產線上應用，為這些企業解決了性能在線預測的難題。2001年，金屬軋制過程的人工智能優化項目獲得國家科技進步二等獎。
??“黑箱變白”，用數字孿生賦能鋼鐵智能制造
??在熱軋流程中，產品的組織性能、形狀尺寸和表面氧化呈現強耦合的特點決定了破解這些黑箱狀態是不可能通過解析單一過程而實現的。但以目前的理論和方法，只能通過引入相關假設條件再求解，割裂各現象之間的聯系，將彼此密切相關問題拆分為彼此獨立的個體，因此結果會大大偏離實際生產過程。
??近一個世紀以前，世界鋼鐵研究者即開始思考如何精準計算熱軋過程的軋制力變化，提出的模型林林總總，但至今也不能考慮顯微組織演變對鋼材軟化及硬化行為的影響以及氧化鐵皮厚度對界面摩擦的影響，因此嚴重制約了軋制力的計算精度。
??該如何突破這一難題，使軋制過程能夠清晰地呈現在生產者眼前？這成為了鋼鐵生產技術邁上新臺階的瓶頸。與國際各研究小組一樣，劉振宇教授與團隊成員同樣在這道難題面前嘗遍了苦果，多年找不到突破的方向而徘徊不前。這方面的研究工作只能在艱辛跋涉中苦苦支撐。然而，在每次嘗試失敗后，王國棟院士總是給予鼓勵和支持，幫助分析前進的方向和解決問題的方案，溫暖的鼓勵和思路的點撥，使劉振宇和團隊的研究終于堅持了下來。
??為了找到鋼鐵生產智能化方向的突破口，2014年，王國棟院士主持召開了“基于大數據的煉鋼-連鑄-軋鋼-熱處理一體化鋼鐵材料組織性能控制研討會”。會議分析了大數據、人工智能等新一代信息技術，確立了基于大數據的一體化鋼鐵材料組織性能控制的任務與目標，先后與鞍鋼、寶鋼梅鋼、河鋼承鋼建立了科研合作，以工業大數據驅動，利用大數據處理與挖掘技術，進行材料力學性能預測，獲得高保真度的預測模型，即數字孿生，為鋼材性能的高精度智能化控制奠定了基礎。
??同時，新一代信息數字技術為破解鋼材表面質量、力學性能與尺寸精度黑箱提供了新的方法路徑。吳思煒在攻讀博士期間，提出了數據逆向優化方法，獲得了更高精度的軋制過程組織演變模型，在熱軋生產中解決了鋼材屈強比控制這一行業難題，證明了用好工業大數據的重要性。
??通過對數據科學與機器學習／深度學習等理論與方法的深入掌握，劉振宇團隊進一步認識到，熱軋生產中，軋制力作為可實時、精準檢測的關鍵參數，其實反映著軋件內部顯微組織的演變狀態；與此同時，熱軋過程氧化行為影響著軋件與軋輥之間的摩擦狀態，也會在軋制力上反映出來。因此，只要能夠圍繞軋制力，通過工業數據的逆向學習，就一定可以同時弄清楚軋件流變應力和界面摩擦系數的變化過程，從而解析出軋件再結晶、應變誘導析出等組織演變與流變應力、軋件表面氧化厚度與界面摩擦狀態的耦合關系，構建起了熱軋大模型體系，實現了熱軋過程“形-性-面”高保真動態數字孿生，從而使得熱軋過程“黑箱變白”。（如圖1所示）
??思路一變天地闊。這一學術思想突破以后，又一道難題擺在了眼前，就是如何才能通過僅有的實測軋制力去回溯如此復雜的組織演變和表面氧化過程呢？國際國內沒有這方面的工作可以借鑒，更沒有相關算法可以使用。唯一的出路是自己開發有關機器學習算法。這對于以材料和材料加工專業為主的劉振宇團隊成員，無疑是一項難題。
??在困難面前畏首畏尾，從來不是他們的選擇。曹光明、吳思煒、周曉光、常嘯老師，帶領博士生崔春園、曹陽、劉建軍、高志偉、李鑫等，經過3年多的艱苦努力，終于開發出獨有的算法程序。在此基礎上，他們建立了軋制過程軋件軟化行為與流變應力以及表面氧化狀態與軋制摩擦狀態的耦合關系模型，開發了熱軋過程“形-性-面”耦合機器學習框架，建立了通過集成學習方法實現軋制過程“形性面一體化”高保真動態數字孿生，最終團隊建立了生成式預訓練系統，使破解熱軋過程強耦合黑箱過程成為可能，徹底突破了現有理論體系下對軋制生產過程的認知。
??圖1熱軋強耦合過程及“形-性-面”一體化新方法
??圖2 Ti微合金鋼熱連軋軋制力計算精度對比及板形設定變化
??(a) 國際通用模型; (b) “形-性-面”耦合機器學習；（c）比例凸度變化曲線
??截至目前，劉振宇教授團隊基于熱軋大模型開發出的“形-性-面”一體化控制技術在我國鋼鐵生產線上已初具成效。在國內某2250mm熱連軋產線，針對其生產的鈦微合金高強鋼，通過“形-性-面”耦合機器學習，使熱軋過程全面“黑箱變白”。采用此套方法，使軋制力預測精度比國際通用模型提高了一倍還多，大幅降低了薄規格產品產生邊浪的風險；通過工藝優化設計，使700MPa級別高強鋼性能波動降低50%以上，且實現了免酸洗。針對國內某中厚板產線管線鋼產品，在熱軋大模型基礎上通過“形-性-面”耦合機器學習進行高效軋制工藝優化設計，團隊設計了高效軋制工藝，實現了奧氏體晶粒和析出相尺寸細化，在力學性能和道次軋制負荷保持不變的基礎上，使軋制生產效率提高了近四分之一。
??圖3 700MPa級別高強鋼性能穩定性控制的實際應用效果
??如今，數字化技術已深深融入了鋼鐵智能制造的變革之中。鋼材智能制造的發展為鋼鐵產業帶來了巨大而積極的影響，讓“黑箱變白”，在提高生產效率的同時，提升了產品質量。劉振宇教授團隊采用數字化技術助力我國鋼鐵行業的智能制造，讓大數據握手大生產，促進我國鋼鐵行業從依靠產量增加的規模化發展向高質量發展轉變，更持續賦能世界鋼鐵工業持續發展。
??劉振宇教授為企業進行熱軋技術講座
??劉振宇教授團隊
（作者：王鈺慧）
?
