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、產品定制化制造、鋼材組織性能預測、鋼種歸并和鋼鐵全流程工藝參數協調優化控制等目標。東北大學軋制技術及連軋自動化國家重點實驗室副主任劉振宇教授在國內外率先提出了將人工智能應用于鋼材組織性能預測，他在1995年就提出利用神經網絡預測熱軋板帶力學性能的論述，此后一直致力于這方面的研究開發工作且卓有成效，為此，《世界金屬導報》記者就鋼鐵產品組織性能智能預測及工藝協同優化問題專程采訪了劉振宇教授。

東北大學軋制技術及連軋自動化國家重點實驗室副主任劉振宇教授

記者

鋼材的力學性能是用戶關注的核心要素，您認為當前影響鋼材產品質量穩定的主要因素是什么？如何有效控制和解決呢？

劉振宇：我國鋼產量世界第一，但產品性能波動大、穩定性差等質量問題，仍是困擾我國鋼鐵工業發展的主要問題。成分、工藝、組織和結構與性能之間的關系極為復雜，且存在各種交互作用，開發鋼材生產全流程組織與綜合性能的精準數字解析，實現最優工藝在線決策與控制，是鋼鐵生產方式的一次重大轉變，將引領鋼鐵生產由傳統自動化與信息化向智能化轉變。然而，鋼材性能穩定性控制水平取決于生產中能否對組織演變進程進行動態最優控制。但當前生產以“工藝-性能”控制為主，生產過程中的組織演變處于黑箱狀態，導致生產控制目標模糊，是當前鋼鐵生產急需解決的核心問題。隨著人工智能理論的突破，在充分利用現有工業大數據條件下，開發基于數據驅動的數字孿生方法，建立各生產工序的組織演變數字映射系統，將復雜物理過程高精度映射為數字信息，以快速獲得全局域最優工藝參數，用于生產過程精準控制，是解決產品質量穩定性等問題的有效途徑。

記者

借助智能化技術如何實現鋼材生產過程的多工序、系統級、全局的動態優化？

劉振宇：想要控制鋼材內部的組織，調整、改變其組織和性能，需精確感知軋件內部的信息，因此需要模型系統具有感知能力。在工業大數據的基礎上，基于物理冶金學研究，通過AI（人工智能）和機器學習等現代信息技術，進一步賦予系統以感知、記憶、思維、學習能力以及行為決策能力等能力。針對生產過程復雜性和用戶個性化需求，構建跨系統、跨工序的鋼鐵工藝質量大數據平臺，充分利用工業大數據，融合物理冶金學原理和智能優化策略實現全流程組織-性能-表面氧化行為演變的數字解析，從而統籌熱軋、冷軋全流程關鍵工藝質量參數，關聯各制備工序和多控制層次知識；同時開發高效的多目標優化算法，針對用戶個性化需求，形成熱軋、冷軋全局工藝快速設計，通過多工序協調匹配來提高產品質量的穩定性和生產效率。

記者

我們知道您帶領團隊一直致力于鋼材組織性能預測的研發工作，能介紹下咱們自主研發的系統組成及功能作用嗎？

劉振宇：我們這些年開發出了鋼鐵產品組織性能智能預測及工藝協同優化系統（圖1）。通過開發精確描述析出、再結晶、相變等組織演變的物理冶金學模型，結合工業大數據驅動和機器學習，實現了全流程組織演變行為的數字解析，構建起工藝-組織-性能的數字孿生體，既準確描述生產實際中物理冶金學規律，又大幅提升了其對工業生產過程的適應性，將熱軋過程復雜物理過程高精度映射為數字信息。此外，針對生產過程多變量、強耦合的特點，產品性能指標多為分散單獨控制，難以實現全局動態優化和柔性化生產的問題，我們開發出了基于多目標優化算法的工藝反向決策系統，解決了復雜系統多維度、多目標優化的準確性與高效性相統一問題，實現了熱軋過程最優工藝在線決策與控制，有效解決了產品質量穩定性等重大問題。

這套系統結合表面氧化狀態智能預測技術能夠實現四大功能：熱軋產品質量分析及判定；組織性能預測；智能化熱軋、冷軋工藝反向優化設計；表面質量智能化控制。

1熱軋產品質量分析及判定。1）產品質量分析。基于鋼鐵熱軋和冷軋生產線數據分布拓撲結構，打通熱軋-冷軋-熱處理數據壁壘，關聯各工序和多控制層次知識，實現工業數據的采集、整理與挖掘；采用過程質量評價指標，基于工業大數據分析影響產品性能的關鍵工藝參數，明確性能和工藝參數的控制余量，為工藝調整提供指導。2）鋼種歸并規則的建立。在國家標準體系內，構建鋼種柔性推薦模型，結合熱軋板帶材全流程工藝動態快速優化技術，建立多因素影響下鋼種成分歸并的技術指導方法，對相近性能的鋼種進行成分集約化，在滿足產品性能要求的條件下，減少煉鋼牌號數量，實現余材板坯的充分利用，降低因混澆坯降級處理或判廢造成的損失。

2組織性能預測。1）基于機器學習的物理冶金學模型開發。針對包括固溶、再結晶、相變、析出等模型系統研究；基于大數據平臺，以人工智能理論和成分-工藝-組織性能對應關系的物理冶金學理論為指導，開發可實現機器學習的成分-工藝-組織-性能的對應物理冶金學模型。2）基于大數據的智能化力學性能預測模型。采用多維數據挖掘技術，對熱軋、冷軋工業大數據進行數據清洗和歸并、相似工藝分層聚類等處理，開發基于AI的神經網絡和機器學習算法，并建立智能化力學性能在線預測模塊，實現力學性能的高精度預測，減少冷、熱軋產品力學性能檢測數量，縮短產品交貨周期，提高生產效率。

3智能化熱軋、冷軋工藝反向優化設計。針對熱軋、冷軋產品生產成本高、力學性能波動大的問題，統籌熱軋、冷軋全流程關鍵工藝質量參數，關聯各制備工序和多控制層次知識，基于數據、機理和經驗知識建立全過程優化模型，開發高效多目標粒子群優化算法，結合力學性能預測模型，形成熱軋、冷軋全局工藝快速設計軟件包。

4表面質量智能化控制。將氧化基礎理論和數據庫、信息技術相結合，實現熱軋過程中板帶表面氧化鐵皮厚度的實時監測；結合熱軋產品溫度履歷，預測連續冷卻過程中的組織轉變和最終氧化鐵皮結構；開發智能化工藝優化設計模塊，根據用戶需求的特定氧化鐵皮結構給出所需的最優工藝。

記者

鋼企普遍重視組織性能預報與集約化生產，那么這套智能預測與優化系統能夠幫助企業解決哪些實際生產問題？

劉振宇：這套系統可以解決企業產品質量穩定性不易控制的問題，大幅降低缺陷改判率，提升企業經濟效益。通過熱軋產品質量分析及判定模塊，分析影響熱軋產品性能的關鍵參數評估，為開發新鋼種提供指導，結合組織性能預測技術和多目標優化技術，最終實現產品性能波動降低。基于力學性能高精度在線預測技術，減少檢測取樣，縮短生產周期，提高交貨節奏，帶來很大經濟效益。基于大數據分析技術、組織性能預測技術和多目標優化技術，可實現工藝快速優化設計，實現合金減量化生產工藝的開發，降低噸鋼生產成本；同時，基于這項技術可降低混澆坯改判帶來的經濟損失。

記者

目前咱們開發的這套智能預測與優化系統在哪些鋼企得到應用？效果如何？

劉振宇：我們開發的以組織性能預測與優化為核心的鋼鐵智能化制造技術已在鞍鋼2150、梅鋼1422和梅鋼1780、承鋼1780、漣鋼2250以及韓國現代鋼鐵熱軋生產線進行了推廣應用。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，大幅提高了產品的合格率（圖2）；開發出厚度為9-12mm結構板材Q345B升級Q390B的軋制技術，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，實現了熱軋集約化、綠色化生產，大幅促進了企業節能減排；同時，針對厚度為2.5mm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。依托承德1780產線，在國際上率先實現了結構用鋼帶卷性能的通長預測，為熱軋產品穩定性控制提供了手段。此外，熱軋鋼材表面氧化鐵皮形態的軟測量和工藝優化系統成功地輸出至韓國現代鋼鐵，為其產品表面質量控制提供模型依據。

v