科技新进展：基于数据驱动的钢铁轧制数字化协同制造技术

一、研究的背景与问题

作为资源密集型、资金密集型行业，钢铁行业生产过程主要呈现出生产流程长、自动化程度高和质量要求高的特点。一方面，我国钢铁行业由高速发展转向高质量发展阶段，在环保和质量等多方面均承担着更高的要求。另一方面，由于钢铁行业市场需求转变，生产特点逐渐由传统的大规模批量生产向多品种小批量定制开发模式转变。从而导致钢铁企业产品设计、原材料选择、质量把控等产品生产的质量管理周期进一步缩短，钢铁产品质量管理凸显出越来越重要的作用。随着云计算、大数据、物联网等新兴技术的不断发展成熟，基于工业大数据构建全流程质量管理体系，对生产过程中的质量数据进行收集、存储、分析、预警等，深入挖掘产品质量相关信息，发现隐匿在数据背后的一些规律性、趋势性关系，可以更加科学地指导产品生产、质量标准修订及其他产品质量管理工作。

在钢铁材料轧制领域，随着现代科学技术的进步和发展，钢铁材料轧制过程的装备水平越来越高，自动化程度也越来越高。这些提升对于降低生产成本、提高生产率大有裨益，但其生产过程对轧制规程、轧辊、温度和润滑条件等工艺制度依赖性极强，产品尺寸精度、板形、力学性能等质量稳定性也有极为严格的控制要求。目前，国内最新引进的轧制生产线和国内自主集成建设的生产线，大都具备三级控制系统，加之新型传感器（如振动传感器、视觉传感器等）技术开始逐步得到应用，很多热连轧生产线已经或能够建立了的设备、工艺运行状态信息采集和存储系统。针对出现的尺寸、板形、力学性能等质量问题多采用事后处理的方式，需要从海量的历史数据中寻找原因；如何实现非稳态过程产品质量的高精度、稳态化控制，已经成为迫切需要解决的问题，也是钢铁材料轧制生产中的难点问题。主要表现在：

1、缺少数据采集处理平台，尚未实现制造数据融合共享。部分工序数据价值感知发掘不够，多源异构数据散落于业务系统中没有得到有效利用，工序间仍有部分数据孤岛存在，生产过程数据价值有待进一步挖掘。陆续进行的智能化升级多以“点”的形式进行，没有考虑到与信息系统机融合，形成了新的数据孤岛。

2、轧制过程等关键工序质量控制模型精度不够。原工序模型使用的是统计学模型和简化的机理模型，这些模型在换辊、换规格、冷热坯混装等非稳态状态切换时，首卷钢的控制精度较差，二级品率较高。同时，由于质量存在遗传性，热轧产品的质量问题会进入下游冷轧和热处理过程，最终影响到冷轧产品的质量。

3、多工序间的过程控制参数波动的影响。钢铁材料轧制过程由多个区域和工序组成，各个工序均具有非线性、快响应以及时变、不确定性、工艺控制模型复杂、过程变量维数高、规模大等特点，这就决定了各个工序的建模过程比一般的工业过程复杂得多。这种非稳态下的过程参数波动，均可对下游工序产生很大的影响，从而导致产品质量问题，如板形、尺寸精度以及工艺性能等。

4、内外部信息融合共享不够，无法实现高效协同制造。传统的五级架构内部协同融合性不够，已无法适应企业数字化转型升级需要；由于没有实现与链条企业的数据融合共享，轧制生产企业在供应端和市场端两端反应敏感度不够，无法将上下游企业的问题和特殊需求及时有效地反馈到生产制造过程中。无法与产业链链条企业保持同频共振，为上下游客户提供超值服务方面有待提升。

二、解决问题的思路与技术方案

本项目围绕行业领域内重大共性技术需求，开展了基于数据驱动的钢铁轧制数字化协同制造技术研发。以工业互联网为载体、数字孪生为核心、钢铁轧制过程数字化协同制造为手段，研发了基于工业互联网的云边端数据采集与异构数据处理、轧制过程动态数字孪生模型和数字化协同制造等核心关键技术，形成了一整套钢铁轧制数字化协同制造系统关键技术与平台解决方案，满足了钢铁行业绿色低碳发展需求。

项目设计了融合钢铁轧制全流程制造的工业互联网架构并研制了标准体系，搭建基于云-边-端协同的多源数据采集和多协议解析数据平台。基于大数据平台，构建了动态数字孪生模型，开发了高品质板带材轧制全流程质量预测与溯源方法，搭建了板带轧制非稳态过程多目标动态工艺逆向优化系统，提高了非稳态生产过程产品质量和性能。聚焦企业协同融合的难点问题，开发数字化协同制造平台，提升协同制造能力，项目研究总体思路如图1所示。

图1 项目总体架构

三、主要创新性成果

1、基于云-边-端的数据采集与异构数据处理技术

构建了融合轧制全流程的工业互联网平台架构，搭建了基于云-边-端的数据采集与异构数据处理平台，开发了轧制全流程数据分层聚类、特征提取、关联分析模型和数据均衡化模型，实现了异构数据的自动转换、自动匹配和时空同步。

该平台从应用架构、数据平台架构、系统架构等3个维度进行构建。生产现场控制层的工控设备及系统数据通过OT网络与企业数据中心完成数据交互；依托数据中心，处于边缘数字化控制级的生产过程系统和专业管理系统进行业务数据的分析和处理；与运营管理相关的数据，通过网关与IT网络进行交互，同时企业通过IT系统、OT系统、服务、企业专网与互联网融合四种模式上云，形成纵向贯通、横向集成、协同联动的数字化协同制造体系。采集生产制造过程的异构数据，通过各种工具库和算法库在数据处理平台完成生产数据的分析处理和应用，数据分析和处理作为平台的核心功能并不是简单的归类，需要与生产系统进行耦合、关联和匹配，从而实现各类应用系统的数据高效处理，为实现轧制生产线所有系统范围内标准数据的集成共享提供基础。

针对过程面临着数据信息分散、数据质量参差不齐、数据标准不统一、开发维护困难等问题，通过大数据平台的开发实现了数据生命周期管理。在工业大数据战略从顶层设计到底层技术实现的“落地”过程中，异构数据处理是是确保工业大数据的有序、共享和安全，促进工业大数据实现服务创新和价值增值的必要手段，数据采集与异构数据处理平台如图2所示。

图2 数据采集与异构数据处理平台

2、数字孪生驱动的边缘数字化模型开发

融合钢铁制造机理与大数据/机器学习等数据科学，针对热轧、冷轧及连退等工序的关键控制难题，开发了数据驱动融合机理的动态数字孪生模型，构建了非稳态过程动态工艺逆向优化系统，实现了钢铁生产流程的高精度质量控制。

通过理论分析、数据驱动算法、数值模拟和试验相结合的方法，数字孪生和多机架动态协同控制方法为主线；利用现有工业网络等强化网络互联互通，将各工序和各系统形成矩阵式网格联通；以多方异构环节集成的综合体为基础，构建生产过程智能集成管控平台，建立高精度过程动态数字孪生和多工序动态协同控制平台，采取的研究方案和技术路线如图3所示。

利用数字感知技术对板带轧制生产过程操作参数实测信息、传感器实测边界信息、半成品及最终产品的取样离线测量等信息进行智能处理和集成，并采用知识图谱、机器学习和深度学习等技术进行数据挖掘，从海量数据中准确透视工艺、设备、质量等关键参数之间的复杂关系，构建适用于动态过程的高精度数字孪生模型，实现质量缺陷或过程异常的解析、判断与溯源。融合工艺机理、生产数据和经验知识，以数字感知技术破解钢铁生产过程“黑箱”，构建高精度的板带轧制过程全流程数字孪生系统，如图4所示，实现了过程的透明化和模型化描述。形成知识库、模型库和资源库，使得系统能够不断自我演进与学习提升，提高应对复杂工况变化的能力。

图3 项目研究技术方案

图4 数据驱动融合机理的动态数字孪生模型开发

3、基于数据驱动的钢铁轧制数字化协同制造平台

构建高品质板带材热轧全流程质量预测与溯源模型，轧制全流程质量完成预测建模后，需要结合偏差分析与阈值决策方法，实现终端工序质量异常在线预测及中间工序质量异常实时诊断。发质量偏差遗传耦合算法，以确定异常根源。通过建立偏差传递函数揭示偏差耦合机理，然后结合特征提取与差异度分析方法解决跨工序溯源问题，溯源逻辑如图5所示。

图5质量精准预测与溯源建模示意图

开发高品质板带材热轧过程智能协同控制模型，以抑制终端预测偏差为目标，建立多工序质量协同控制模型。针对多工序优化环节形成的质量指标期望值，提出互联大系统有限时间快速跟踪控制方法，保证热轧-冷轧-连退多工序的分散快速质量自愈。为避免质量异常在工序间和批次间传播，需要开发出局部即时决策与全局决策相结合的控制算法，实现质量精准预测的多工序协调控制和优化，如图6所示。

图6板带材轧制过程智能协同控制示意图

四、应用情况与效果

基于现场实际需求，构建了基于仪表数据、数值模拟数据、机理模型、机器学习模型等多源数据与多模型融合的数字孪生模型体系和CPS反馈优化模块软件，提高了轧制力和三维尺寸的设定精度。上述方法已成功应用于河钢邯宝2250mm热连轧生产线，采集近两个月约35000吨产品的实际生产数据进行数据统计和分析，其模型设定效果如图7和图8所示，换规格后首卷轧制力设定精度由91.6%提升至95.2%，轧制力综合设定精度由93.4%提升至95.4%。为进一步提高产品三维尺寸的控制精度，开发了机理与数据驱动融合的轧机弹跳、轧辊磨损和热膨胀设定模型，并通过滚动优化提高厚度和宽度的控制精度，厚度命中率由95%提升至97%以上，换规格首卷宽度命中率由90.5%提高至94.5%，综合宽度命中率由92.3%提高至96.5%。上述质量指标提升后，产品因三维尺寸控制精度导致的二级品率下降26.3%。

图7 数据驱动融合机理的轧制力预测

图8 数据驱动融合机理的宽度控制

信息来源：东北大学