摘要：回顾了轧制技术及连轧自动化国家重点实验室(RAL)关于热轧钢材组织性能预测与控制-热轧钢材信息物理系统(CPS)研究项目的发展历程，分析了各个发展阶段的主要研究内容和取得的重要进展及应用情况，最后展望了CPS应用于钢铁智能制造的前景。
关键词：钢材热轧;组织性能预测;物理冶金模型;人工智能;机器学习;数字孪生;信息物理系统;智能制造
关于信息物理系统的系统研究最早可以追溯到20世纪70年代开始的关于钢铁热轧过程组织性能预测与控制的研究。当时，以设菲尔德大学SellarsCM教授为首的课题组率先开始进行热轧钢材组织性能预测的研究，研究结果集中发表于1980年在伦敦召开的热加工和成形国际会议上[1]。随后的20余年中，北美、欧洲，以及亚洲的韩国、日本、中国等地区和国家的研究机构、学校、企业对其进行了广泛的研究，开发了一批模拟分析的软件，应用于钢材热加工过程的产品开发、性能改进和工艺过程控制。
注意到这一工作的重要意义和潜在的应用前景，早在东北大学轧制技术及连轧自动化国家重点实验室(RAL)成立之前，东北大学加工学科从1988年起，投入大量人力、物力进行研究。在第1阶段(1988—2005年)的入门与探索中，即跟随当时的潮流，进行物理冶金模型预测热轧过程钢材组织与性能的研究，又独辟蹊径创立新的方向，提出用人工神经元网络模型预测钢材的性能。第2阶段(2005—2014年)与梅钢等合作，改进了组织性能预测技术、并据此开发了集约化生产技术，重点在于热轧钢材的大规模定制化生产。第3阶段(2014—2017年)，基于当时日益兴起的大数据技术，建立大数据驱动的高保真度钢材组织性能预测模型，形成热连轧数字孪生的概念。第4阶段(2017—2019年)，信息物理系统和数字孪生列入国家“十三五”规划研究内容。以工业互联网为载体，利用大数据/AI对数学模型优化，建立高精度的动态数字孪生，形成CPS系统的核心，正在逐步应用于钢铁企业热轧过程。第5阶段(2019年至未来)，建立钢铁全流程CPS，动态数字孪生与CPS系统由钢材热轧过程推向炼铁、炼钢、连铸、冷轧、热处理等钢铁全流程。
30余年产学研协同创新，基础研究的艰苦探索，理论研究与工业实践均取得突破，迎来热轧过程智能制造的大好局面，并将CPS为核心的智能制造进一步推向钢铁生产全流程。
11988—2005年：热轧钢材组织与性能预测理论研究
在这一阶段，广泛参考了国外的有关研究，特别是SellarsCM和新日铁江坂一彬等[2]的工作，进行了热轧C-Mn钢[3-5]、HSLA钢[6]、合金钢[7]等不同钢铁材料组织性能预测物理冶金模型研究，以及热轧钢材组织演变的热力模拟实验建模[8]研究，建立了基于物理冶金理论的热轧钢材组织性能预测系统。以热轧过程为对象，以物理冶金理论为基础，以模型化与模拟仿真为手段，基于大量实验室模拟实验，建立了描述热轧生产过程中组织演变的系统数学模型，实现了热轧过程组织演变及力学性能的模拟与预测，为提高钢材的冶金质量提供了依据。
除了利用物理冶金模型预测钢材的组织性能外，第1阶段的工作还开辟了一个全新的重要研究方向，即利用人工智能技术(机器学习)预测钢材的性能。时为博士生的刘振宇教授，与时为信息学院博士生、现千人计划专家王殿辉教授合作，利用人工神经元网络预测热轧带钢的力学性能[9-11]，其中文献[9]是国际首次报道用神经元网络，即机器学习预测材料的性能，解决材料学科问题。图1为当时用于预测C-Mn钢性能的BP网络结构。
这一工作对于利用智能化技术解决材料与加工中的问题具有重要意义，它反映了人工智能技术向材料领域拓展的强大能力，也反映出材料领域期望改变研究现状的巨大需求。这项工作的意义为10年后美国首先提出的材料集成计算工程[12]和基因组计划[13]所证明。
1998年，“热轧过程钢材组织和性能演变的模拟与预测”项目通过辽宁省科委组织的鉴定，并于1999年获得辽宁省科技进步二等奖。
相关期刊推荐：《轧钢》杂志为全冶金优秀期刊，是由钢铁研究总院(北京)主办的，国内外公开发行的专业综合技术刊物。其全面报导中厚板，热轧和冷轧板带，型钢，线材及制品生产新技术、新工艺、新设备、新产品。本刊广告业务面向轧钢企、事业单位用各种轧机及辅助设备、仪器仪表、工具、材料等产品，以及国内外公司的形象广告。
第1阶段工作的主要内容汇总于图2，并于2004年完成著作《热轧钢材组织-性能演变的模拟和预测》[14]。该书为国家“十五”出版规划重点选题，国家自然科学基金资助研究项目。这本书在对热轧带钢组织-性能演变研究的现状和发展进行综合评述的基础上，介绍了热轧过程中组织-性能模拟和预测所需要的冶金热力学、动力学基本理论，及当时进行组织-性能预测采用的数值计算方法、实验建模方法，并展示了在宝钢、鞍钢、本钢、抚钢等钢铁企业初步应用的效果。在第9章特别给出了用人工智能方法预测钢材性能的实例
22005—2014年：热轧钢材组织性能预测技术的改进及热轧板带集约化生产技术的开发应用
2005年，上海梅山钢铁股份有限公司与东北大学RAL在国家“十一五”科技支撑计划课题“节约型钢材的减量化轧制技术”中的子课题“减量化轧制工艺技术”的支持下展开合作，于2006年12月确立为梅山钢铁股份有限公司重点创新项目，针对梅钢1422mm热连轧机，基于热轧钢材组织性能预测技术，进行热轧薄带集约化生产技术的研究开发[15]，对物理冶金建模与人工智能建模进行了改进[16]。该项目2010年获得冶金科学技术奖三等奖。
在物理冶金基础模型方面[16]，基于JMAK方程与可加性法则，并综合应用RIOS方法，形成了相变动力学建模新方法。基于这种新方法，建立了TRIP钢和CP钢相变动力学模型，模型预测值与实测值吻合良好。在智能化组织性能预测方面，该项目将基于贝叶斯理论框架的神经网络程序化，首次将其应用于热轧生产现场化学成分—工艺—力学性能的关系建模，在网络的稳定性、收敛速度和泛化能力上均优于传统的BP神经网络，为热轧工艺优化设计提供了高精度的模型基础。图3为基于贝叶斯神经网络的多目标优化获得的关于屈服强度、抗拉强度和伸长率3个维度的Pareto前沿。
同时，以连续冷却相变模型和贝叶斯神经网络模型为基础，分别结合单目标和多目标粒子群优化方法实现连续冷却过程和整个热轧过程的工艺优化设计[16]。工业生产数据的验证表明[15]，根据坯料的化学成分和现场的设备约束条件，可以通过工艺参数的优化达到客户提出的力学性能需求，开发出以产品力学性能为目标的热轧工艺优化的新方法。这为柔性生产方式的实现提供了理论指导和技术支持。基于此项工作，开发了智能化钢种归并的工艺技术，以157个出钢记号对应521个冶金规范代码，实现了“一钢多能”的目标，简化了炼钢和连铸工艺，提高了生产效率和产品成材率。基于力学性能智能化预测和多目标优化智能算法，进行了梅钢汽车梁和结构用钢等产品的热轧工艺优化设计，如图4所示，缩短了新产品开发周期，实现了对市场需求的快速响应。在生产中应用高效稳定，降低了合同余材，取得一定的经济效益和社会效益。
32014—2019年：大数据背景下建立高保真度材料组织性能预测模型的研究
2014年前后，大数据、AI等先进信息通信技术的迅速发展，带来了各行各业的巨大变化。2014年7月8日，中国科学报刊登郭华东院士的文章《大数据+大科学=大发现》[17]，引起了广大科学工作者的注意。在信息化、数字化方面原本走在前面的钢铁工业迅速认识到大数据在钢铁工业中的巨大价值。面对组织性能预测在提高预测精度方面的巨大困难，钢铁工作者从大数据的应用发展中看到了希望。2014年8月22日在东北大学RAL了召开“基于大数据的炼钢—连铸—轧钢—热处理一体化钢铁材料组织性能控制研讨会”，邀请王一德院士、洪及鄙、苏天森等中国金属学会领导和胡恒法、强伟、陈自迅、孟劲松、王军生等行业专家，以及东北大学RAL、材冶学院、信息学院的教师和研究生等出席会议。会议总结了冶金过程组织性能控制方面的研究进展和遇到的问题，分析了大数据、人工智能等新一代信息通信技术为提高组织性能预测精度所带来的机遇，确立了基于大数据的一体化钢铁材料组织性能控制的任务与目标。
2015年，基于大数据的智能化热轧工艺优化设计系统开发工作启动，先后与鞍钢、宝钢梅钢、河钢承钢合作，分别开展“2150mm生产线集约化技术开发”、“钢铁智能制造方法的研究”、“产品性能的智能分析和预测模型的开发”等方面的研究。这些研究项目的核心是数据处理与挖掘技术。项目以工业大数据为基础，进行材料力学性能预测，获得高精度、高保真度的预测模型，即数字孪生，为钢材性能的高精度控制奠定基础。
大数据驱动的热轧钢材组织性能预测与优化系统架构[18]如图5所示。具体研究工作沿着两个方向进行。
一是大数据驱动的高保真度物理冶金学模型研究[19]。依托于鞍钢2150mmASP等热轧生产线，针对业已建立的热连轧及连续冷却过程中显微组织演变与组织性能对应关系模型，包括温度场模型、轧制过程中奥氏体晶粒长大模型、奥氏体再结晶模型、连续冷却过程中的相变模型、轧制全流程析出行为模型以及最终力学性能预测模型，采用工业大数据和智能算法对模型中的参数进行优化，实现高保真度的物理冶金学模型的开发。
二是大数据驱动的机器学习热轧工艺优化设计系统开发。基于工业大数据挖掘技术、高精度力学性能在线预测技术和智能化热轧工艺优化设计技术，针对2150mmASP等热轧生产线，开发大数据驱动的智能化热轧工艺优化设计系统。系统包括数据查询筛选模块、数据挖掘模块、高精度力学性能在线预测模块和智能化热轧工艺优化设计模块。
利用这些组织性能预测系统，在线进行高精度组织、性能预测，产品质量、稳定性、集约化水平得到明显提高。在鞍钢2150mm热连轧机气瓶钢工业生产中实现典型钢种的力学性能高精度预测和HP295性能稳定性控制，大幅度提高了屈强比控制的精度(图6)[20]。在涟钢2250mm热连轧产线轧制抗拉强度700MPa级高强钢产品力学性能的波动范围大幅收窄，产品性能稳定性大幅提高。其中屈服强度、抗拉强度、伸长率的波动范围分别降低65%、58%与35%。集约化轧制产品共用的化学成分范围拓宽、集约化程度进一步提高。将420MPa级和500MPa级两个钢种的原设计成分，集约化为一个共用的成分。集约化生产工艺参数和获得产品的力学性能表明，尽管显著改变了材料的化学成分设计，但是用一种成分可以稳定地获得420MPa和500MPa两个级别要求的力学性能。这说明，大数据驱动的热轧钢材组织性能预测技术有足够高的预测精度，已经达到数字孪生的水平。——论文作者：王国栋，刘振宇，张殿华
转载请注明来自：http://www.lunwencheng.com/lunwen/lig/19400.html
