一、研究背景与问题

1、研究背景

信息化和工业化的高层次的深度结合，以信息化带动工业化、以工业化促进信息化，走新型工业化道路；两化融合的核心就是信息化支撑，追求可持续发展模式。面对新一轮工业革命，《中国制造2025》明确提出，要以促进制造业创新发展为主题，以提质增效为中心，以加快新一代信息技术与制造业深度融合为主线，以推进智能制造为主攻方向，在基础条件好、需求迫切的行业中，分类实施流程制造、离散制造、智能装备和产品等领域试点示范及应用推广。目前，德国“工业４.0战略计划”、美国“先进制造业伙伴计划”、英国“工业2050战略”、法国“新工业法国计划”、日本“超智能社会５.0战略”都将发展智能制造作为本国构建制造业竞争优势的关键举措。

作为涵盖多工序、多层级的复杂工业流程，板带材生产过程是国民经济的重要支撑，但目前尚未形成全流程的一体化控制与各层次的协调优化，面临着产品内部性能控制稳定性差、高端供给能力不足等问题，同时，随着钢铁行业个性化定制需求日趋强烈，钢种更多、指标更高、工艺更复杂，通过智能化技术实现多工序、系统级、全局的动态优化，是解决热轧板带材生产过程复杂性和质量稳定性等问题的必然选择。以第４次工业革命的核心技术CPS为目标，对钢铁行业现有的自动化系统进行改造，拓展网络功能，强化计算能力和感知能力，建成可靠的、实时的、协作的智能化钢铁生产信息物理系统，实现钢铁行业的智能化发展。综合利用现代通信与信息技术、计算机网络技术、智能控制技术、行业技术，建立信息物理系统，使控制系统具有感知、记忆、思维、学习和自适应能力以及行为决策能力。基于单工序关键参数的精准控制，在多工序协调优化控制框架结构内完成板带轧制过程的全局优化，实现产品的高效高质生产。

考虑到力学性能和表面质量是用户关注的核心要素，组织性能预报与集约化生产受到普遍重视。然而在整个钢材生产过程中，加热和热轧、冷轧过程中轧件内部组织演变及表面氧化状态情况处于“黑箱”状态，无法直接测量、观察。想要控制钢材内部的组织，调整、改变其组织、表面和性能，需精确感知轧件内部的信息，需要系统具有模型感知的能力。在工业大数据的数字感知的基础上，基于物理冶金学研究，通过AI（人工智能）和机器学习等现代信息技术，进一步赋予系统以感知、记忆、思维、学习以及行为决策等能力。同时基于板带生产过程复杂性和用户个性化定制需求，构建跨系统、跨工序的钢铁工艺质量大数据平台，充分利用物理模型、传感器更新、运行历史等数据，融合物理冶金学和生产数据实现轧钢全流程组织-性能-表面演变的数字孪生。以生产全流程工艺机理为基础，实时分析生产过程工艺、设备参数与产品质量的关系，满足用户的定制化需求并进行质量在线综合评判和异常原因追溯。结合设备过程控制能力给出工艺参数和制备工序流程的优化方案，以数据为基础提高机理不明或复杂工况下的数学模型设定和质量控制精度，通过多工序协调匹配提高产品质量稳定性和生产效率。现阶段，浦项、普锐特开发了在线组织监测与优化系统，实现了一材多品种生产和在线工艺调优；东北大学项目团队则采用人工智能预测了材料组织性能演变，开发了力学性能高精度预测、氧化铁皮控制、工艺逆向优化和钢种归并技术，在产品质量的稳定性控制方面效果显著。

目前，国家已出台“中国制造2025”、“钢铁工业调整升级规划（2016-2020年）”等多项政策措施，加快推进钢铁制造信息化、数字化与制造技术的深度融合发展，支持流程型智能制造、大规模个性化定制等有关的产业发展与技术研究。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、表面及性能预测、钢种归并和钢铁全流程工艺参数协调优化控制等目标。因此，建立钢铁生产全流程的钢铁工艺质量（工艺-性能-表面）大数据平台，实现工艺-性能-表面精准预报与在线状态感知，并完成基于知识自动化和反向工程的工艺质量自主智能设计和系统集成是实现钢铁产品的高质化、稳定生产的关键，不仅能够进一步提高钢铁产品的质量水平和竞争力，为企业创造巨大的经济和社会价值，而且在钢铁行业的两化融合、钢铁智能制造领域起到带头和示范作用。

2、亟待解决的关键问题

钢铁生产属典型流程工业，上下游关系密切、复杂，决定和影响最终性能的因素众多，成分、工艺、组织和结构与性能之间相关关系极为复杂，且存在各种交互作用，开发新工艺、新产品“试错”量巨大、成本高昂且难以达到最优，成为阻碍产品质量提升和品种高端化的瓶颈。我国钢铁产能占世界总量一半以上，每年开发新工艺、新产品耗费的人力和财力难以统计。另外，钢材质量控制水平取决于生产中能否对组织演变进程进行动态最优控制。但当前生产以“工艺-性能” 控制为主，组织演变过程处于黑箱状态，导致生产控制目标模糊、产品性能波动大，是当前钢铁生产急需解决的核心问题。最后，我国钢铁工业在装备及自动化与信息化建设方面已基本达到国际先进水平，且在生产过程中积累了大量生产与材料性能数据，但到目前为止还没有充分利用这些宝贵的数据资源。

为此，如何在充分利用现有设施的条件下，建立数据驱动的数字孪生理论与方法，开发各生产工序的组织演变数字映射系统，将其复杂物理过程高精度映射为数字信息，以快速获得全局域最优工艺参数，用于生产过程精准控制，解决产品质量稳定性等重大问题。

二、技术解决方案

首先，针对不同品种如普碳钢、微合金钢、高合金钢等材料，明确生产线特点；其次，针对材料和生产特点，开发精准描述组织性能演变数字孪生体；最后，开发并集成数字映射控制系统。

具体技术路路线包括：开展冷却路径控制及相关模拟实验研究，综合考虑细晶强化、相变强化等多种强化机制建立组织与性能对应关系模型。通过对工业大数据的采集与整理，结合微观组织图像的识别技术，建立化学成分-工艺-组织-力学性能数据库。基于多维数据挖掘技术，对工业大数据的进行数据筛选、工艺聚类分析、物理冶金学规律判定等处理，建立基于神经网络的组织性能预测模型。依据用户个性化需求设定多目标优化函数，考虑合理的工艺约束条件，建立热轧工艺动态快速设计方法。通过知识自动化，实现在线、实时、动态热轧工艺快速优化，指导钢种开发、实现升降级轧制和产品性能稳定性控制。基于工业生产大数据，分析化学成分对产品力学性能的影响权重和热轧产品力学性能控制余量，建立多因素影响下钢种成分归并的技术指导方法，并最终建立产品质量过程控制及分析系统。

三、主要创新性成果1、构建起热轧钢材组织-性能演变规律的数字解析及数字孪生体

    钢材质量控制水平取决于生产中能否对组织演变进程进行动态最优控制。但当前生产以“工艺-性能” 控制为主，组织演变过程处于黑箱状态，导致生产控制目标模糊、产品性能波动大，是当前钢铁生产急需解决的核心问题。针对这一问题，通过对典型热轧生产过程中温度场、再结晶、析出和相变规律的系统研究，基于物理冶金学原理对热轧过流程组织性能演变规律进行数字解析，结合工业大数据驱动和机械学习方法构建起热轧过程组织-性能的数字孪生体并大幅提升了其对工业生产过程的适应性，真正意义上的将热轧过程复杂物理过程高精度映射为数字信息。

2、构建起热轧钢材氧化行为演变规律的数字解析及数字孪生体

    热轧过程氧化皮演变的动态跟踪对实现表面状态精细控制至关重要，在实际生产中钢材表面温度变化复杂，环境及除鳞效率等因素对氧化行为的影响难以定量描述，国际国内因缺乏准确模型只能凭经验来调控热轧氧化行为。本项目通过大量实验研究和生产数据积累，构建了典型热轧钢材的氧化行为基础数据库；结合电化学模型及扩散相变模型对热轧过流程氧化行为演变规律进行数字解析，在此基础上，结合工业大数据和机器学习算法对模型参数进行优化和自学习，构建起热轧钢材氧化行为的数字孪生体，在国际上首次实现了热轧过程氧化行为动态软测量，解决了热轧过程钢材氧化的动态跟踪与控制难题。

3、实现了热轧钢材质量智能工艺优化设计

    热轧生产过程工艺参数具有多变量、强耦合、非线性等特点，工序内的表面质量与力学性能等指标多为分散单独控制，尚未形成产品质量的多目标优化，难以实现全局动态优化和柔性化生产。本项目通过热轧流程“组织-性能-表面”全系列模型的开发，构建起热轧过程复杂物理过程的高精度数字孪生体。在此基础上，通过多目标优化算法的开发与应用，解决各工序之间的多变量和全局协调优化问题，快速获得全局域最优解，实现热轧过程最优工艺在线决策与控制，有效解决产品质量稳定性等重大问题。

四、应用情况与效果

东北大学作为钢铁领域传统优势高校，在钢铁全流程工艺、装备和自动化方面拥有鲜明特色与深厚积淀，东北大学刘振宇教授项目团队从1989年开始针对热轧板材的组织性能预测技术进行系统研究，开发出了具有自主知识产权的组织-表面-性能预测与优化为核心的钢铁智能化制造技术。以工业大数据为基础建立钢铁组织性能预测和调控模型，实现热轧产品力学性能在线预测。建立基于大数据分析与优化的智能化物理冶金学模型，使同一钢种可满足不同的用户需求，满足客户的定制化需求，开发出多款计算机软件，已在鞍钢2150、梅钢1422和梅钢1780、承钢1780、涟钢2250以及韩国现代钢铁热轧生产线进行了推广应用。

    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2.5mm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。该研究成果得到钢铁行业著名期刊ISIJ International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作出重大贡献”。依托承德1780产线，在国际上率先实现了结构用钢带卷性能的通长预测，为热轧产品稳定性控制提供了手段。

    此外，项目团队对在氧化铁皮形态演变预测技术进行公关，并取得了突破性进展，提出了热轧钢材表面氧化铁皮形态的软测量方法，在建立复杂变温条件下厚度和结构预测模型的基础上，通过智能优化算法获得优化的热轧工艺制度，达到降低氧化铁皮厚度，优化氧化铁皮结构，进而提升钢材表面质量的目的，相关技术成功的输出至韩国现代钢铁，为其产品表面质量控制提供模型依据。

信息来源：东北大学轧制技术及连轧自动化国家重点实验室