深耕细作 钢材组织性能智能预测与工艺优化--专访东北大学轧制技术及连轧自动化国家重点实验室刘振宇教授

深耕细作 钢材组织性能智能预测与工艺优化——专访东北大学轧制技术及连轧自动化国家重点实验室副主任刘振宇教授工信部在《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 。 东北大学轧制技术及连轧自动化国家重点实验室副主任刘振宇教授在国内外率先提出了将人工智能应用于钢材组织性能预测 , 他在1995年就提出利用神经网络预测热轧板带力学性能的论述 , 此后一直致力于这方面的研究开发工作且卓有成效 , 为此 , 《世界金属导报》采访人员就钢铁产品组织性能智能预测及工艺协同优化问题专程采访了刘振宇教授 。
深耕细作 钢材组织性能智能预测与工艺优化--专访东北大学轧制技术及连轧自动化国家重点实验室刘振宇教授文章插图
东北大学轧制技术及连轧自动化 国家重点实验室副主任刘振宇教授
深耕细作 钢材组织性能智能预测与工艺优化--专访东北大学轧制技术及连轧自动化国家重点实验室刘振宇教授文章插图
采访人员:钢材的力学性能是用户关注的核心要素 , 您认为当前影响钢材产品质量稳定的主要因素是什么?如何有效控制和解决呢?
刘振宇:我国钢产量世界第一 , 但产品性能波动大、稳定性差等质量问题 , 仍是困扰我国钢铁工业发展的主要问题 。 成分、工艺、组织和结构与性能之间的关系极为复杂 , 且存在各种交互作用 , 开发钢材生产全流程组织与综合性能的精准数字解析 , 实现最优工艺在线决策与控制 , 是钢铁生产方式的一次重大转变 , 将引领钢铁生产由传统自动化与信息化向智能化转变 。 然而 , 钢材性能稳定性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 , 生产过程中的组织演变处于黑箱状态 , 导致生产控制目标模糊 , 是当前钢铁生产急需解决的核心问题 。 随着人工智能理论的突破 , 在充分利用现有工业大数据条件下 , 开发基于数据驱动的数字孪生方法 , 建立各生产工序的组织演变数字映射系统 , 将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 , 是解决产品质量稳定性等问题的有效途径 。
深耕细作 钢材组织性能智能预测与工艺优化--专访东北大学轧制技术及连轧自动化国家重点实验室刘振宇教授文章插图
采访人员:借助智能化技术如何实现钢材生产过程的多工序、系统级、全局的动态优化?
刘振宇:想要控制钢材内部的组织 , 调整、改变其组织和性能 , 需精确感知轧件内部的信息 , 因此需要模型系统具有感知能力 。 在工业大数据的基础上 , 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、学习能力以及行为决策能力等能力 。 针对生产过程复杂性和用户个性化需求 , 构建跨系统、跨工序的钢铁工艺质量大数据平台 , 充分利用工业大数据 , 融合物理冶金学原理和智能优化策略实现全流程组织-性能-表面氧化行为演变的数字解析 , 从而统筹热轧、冷轧全流程关键工艺质量参数 , 关联各制备工序和多控制层次知识;同时开发高效的多目标优化算法 , 针对用户个性化需求 , 形成热轧、冷轧全局工艺快速设计 , 通过多工序协调匹配来提高产品质量的稳定性和生产效率 。
深耕细作 钢材组织性能智能预测与工艺优化--专访东北大学轧制技术及连轧自动化国家重点实验室刘振宇教授文章插图
采访人员:我们知道您带领团队一直致力于钢材组织性能预测的研发工作 , 能介绍下咱们自主研发的系统组成及功能作用吗?
刘振宇:我们这些年开发出了钢铁产品组织性能智能预测及工艺协同优化系统(图1) 。 通过开发精确描述析出、再结晶、相变等组织演变的物理冶金学模型 , 结合工业大数据驱动和机器学习 , 实现了全流程组织演变行为的数字解析 , 构建起工艺-组织-性能的数字孪生体 , 既准确描述生产实际中物理冶金学规律 , 又大幅提升了其对工业生产过程的适应性 , 将热轧过程复杂物理过程高精度映射为数字信息 。 此外 , 针对生产过程多变量、强耦合的特点 , 产品性能指标多为分散单独控制 , 难以实现全局动态优化和柔性化生产的问题 , 我们开发出了基于多目标优化算法的工艺反向决策系统 , 解决了复杂系统多维度、多目标优化的准确性与高效性相统一问题 , 实现了热轧过程最优工艺在线决策与控制 , 有效解决了产品质量稳定性等重大问题 。