在熱軋冷卻過程中卷取溫度是決定鋼板力學性能的重要因素，因此需要非常高的控制精度。為提高鋼板溫度預測模型的精度，以便能夠確定向鋼板噴射的冷卻水量，神戶制鋼開發(fā)了融合AI深度神經網絡的溫度預測模型。實際應用結果顯示，高強度鋼板的卷取溫度的控制精度顯著提高。此外，高效靈活的新預測模型的穩(wěn)定運行，為專業(yè)人員以及生產車間操作者的業(yè)務模式帶來了重大變革。
熱軋產線的冷卻工序對板材產品的質量和力學性能有著重要影響。其中，卷取機前的卷取溫度（CT）是最重要的影響因素，必須進行高精度控制。為了控制CT，冷卻工序專用的過程計算機會根據(jù)鋼板的溫度預測模型來確定從冷卻設備向鋼板噴射的冷卻水量。然而，過去很難準確預測并維持鋼板的溫度，CT的控制精度下降成為一項亟待解決的問題。為解決該問題，神戶制鋼開發(fā)并應用了一種融合深度神經網絡的溫度預測模型。本文將介紹神戶制鋼利用深度神經網絡進行卷取溫度控制的開發(fā)歷程和操作方法，以及其應用為生產部門帶來的業(yè)務變革。
1利用深度神經網絡進行卷取溫度控制的開發(fā)歷程
1.1卷取溫度控制概述
熱軋過程中精軋機和卷取機之間的冷卻設備概覽如圖1所示。在該冷卻設備中，有多個從鋼板的上下方噴水的冷卻集管，每個冷卻集管都配有一個執(zhí)行開關動作的氣動閥。過程計算機具有利用精軋機出口處的鋼板溫度、板厚和運輸時間等信息，預測鋼板在精軋機和卷取機之間的溫度下降量（以下簡稱“溫降”）的功能。根據(jù)溫降預測值，周期性迭代計算整個鋼板長度上與目標CT相匹配的閥門開關數(shù)量和位置（以下簡稱“閥門開關模式”）。
1.2傳統(tǒng)控制存在的問題
在傳統(tǒng)控制中，溫降的預測采用基于鋼板傳熱方程的物理模型。然而，由于迭代計算時間有限，無法利用差分法嚴格計算傳熱方程，因此選擇基于其計算結果的近似模型。近似模型存在無法完全表現(xiàn)板厚方向上的回熱現(xiàn)象等問題，而且精度的提高也存在一定限度。此外，如果采用基于傳熱方程的傳統(tǒng)模型不僅需要調整參數(shù)以維持精度，還需要改進預測模型結構。而且，由于這種改進需要專業(yè)知識與技術，部分產品未能完全涵蓋，難以確保CT的控制精度。為了解決這一問題，生產車間的操作人員只能根據(jù)過程計算機計算并按照作業(yè)指導書記錄的閥門開關數(shù)增減方法進行操作。但在針對不同作業(yè)指導書的產品進行連續(xù)軋制時，會出現(xiàn)操作人員來不及增減閥門數(shù)量，或者對于沒有作業(yè)指導書的常規(guī)產品，出現(xiàn)忘記恢復增減閥門數(shù)量的情況，因此會增加操作人員的作業(yè)負荷。此外，預測模型參數(shù)的調整取決于專業(yè)人員的個人能力，當板材的穿板條件與以往不同（如使用新的高強高張力材料或改變冷卻條件）時，很難靈活且快速應對。
1.3在卷取溫度控制中應用AI方法的優(yōu)勢
為解決上述問題，從以下三大優(yōu)勢可以判斷出采用深度神經網絡這一AI方法能夠有效預測溫降量。
1）網絡結構和計算處理過程簡單，因此其計算負荷小于差分法，而且不受迭代計算的時間限制。
2）為在輸入數(shù)據(jù)后能夠輸出正確的結果，對網絡中的權重等參數(shù)進行優(yōu)化。（以下簡稱“學習”）。因此，對于鋼板前端和尾端等物理現(xiàn)象極其復雜的非穩(wěn)態(tài)區(qū)域，無需固定模式，即可通過網絡優(yōu)化的參數(shù)進行高精度預測。
3）在調整模型時，與內置調整參數(shù)的物理模型不同，只需改變權重等參數(shù)即可進行預測，因此易于維護。
但其也存在一定劣勢，由于預測模型為黑箱模型，因此很難掌握溫度預測行為，但這可以通過仿真建立評估環(huán)境加以克服。
基于上述優(yōu)劣勢分析，研發(fā)人員決定利用深度神經網絡開發(fā)一個溫度預測模型。
2關于利用深度神經網絡控制卷取溫度的概述與應用方法
2.1利用深度神經網絡的溫度預測模型概述
此次開發(fā)的深度神經網絡的模型結構如圖2所示。該模型將板厚、產品的化學成分等材料因素，以及閥門開關模式和材料傳送時間等操作因素作為輸入值預測溫降量。
此外，如表1所示，模型按CT、板厚以及產品的碳和硅等化學成分含量進行范圍劃分，以模型No.進行管理。通過采用這種方法，可以將涵蓋各種CT、板厚和化學成分含量的模型與側重于特定范圍的詳細模型進行融合。這確保了模型的多功能性并提高了其精度。
2.2新控制裝置的功能配置
此次開發(fā)的新控制裝置的功能配置如圖3所示，該裝置由過程計算機和附帶的相關模型學習計算機構成。過程計算機采用深度神經網絡模型預測溫降，并確定閥門開關曲線圖。另一方面，模型學習計算機是用于學習深度神經網絡模型的專用計算機，專業(yè)人員操作計算機并進行學習。計算機配有即使不懂AI或編程技巧也能進行學習的用戶界面，專業(yè)人員可隨時進行神經網絡學習，并將優(yōu)化后的參數(shù)傳輸?shù)竭^程計算機中進行記錄。
2.3替換為新控制系統(tǒng)的對策
根據(jù)傳統(tǒng)控制系統(tǒng)積累的實際數(shù)據(jù)來確定所有模型No.的參數(shù)。此外，新控制系統(tǒng)與傳統(tǒng)控制系統(tǒng)的閥門開關曲線基本相同，僅對控制精度較差的區(qū)域進行了改進，于2021年9月切換為新控制方式。
在傳統(tǒng)控制中，模型的劃分數(shù)量非常多，對于穿板少的產品來說，控制精度會產生變差的趨勢。為了改善這種情況，采取的措施是創(chuàng)建一個盡可能廣泛涵蓋CT和板厚等條件的模型。雖然這一措施的通用性較高，但控制精度也存在降低的趨勢，因此決定針對控制精度要求更高的高強鋼單獨創(chuàng)建模型。
2.4新控制系統(tǒng)中的模型調整方法
生產部門考慮到本研究中開發(fā)的模型結構和功能配置的特點，根據(jù)以下順序進行調整，使其能夠覆蓋所有產品。
步驟1：【選擇調整對象模型】
首先選擇要進行調整的目標模型No.。主要有三種選擇方法。
情況1：【不變更條件，選擇現(xiàn)有模型No.】
對于已鎖定條件范圍，數(shù)據(jù)量豐富的模型No.，無需變更范圍即可適配。
情況2：【變更條件，選擇現(xiàn)有模型No.】
如果條件范圍太廣，無法確保模型精度，或現(xiàn)有模型No.的CT等數(shù)據(jù)已發(fā)生變化時，則應變更范圍進行適配。
情況3：【創(chuàng)建新的模型No.】
對于過去只生產過幾次的試制材料或生產量極小的批量生產產品，大多沒有現(xiàn)成的模型No.。此時，可通過指定CT等各個條件范圍創(chuàng)建新的模型No.。
步驟2：【選擇用于學習的數(shù)據(jù)】
對于在步驟1中選擇的模型No.，提取指定時間段內符合CT和化學成分含量等條件的所有數(shù)據(jù)。然后，從提取的數(shù)據(jù)中自動選擇數(shù)據(jù)，使其在條件范圍內盡可能多樣化。
步驟3：【對所學模型進行評估】
利用步驟2中選擇的數(shù)據(jù)進行學習并確定模型參數(shù)。接下來，針對目標模型No.中所有數(shù)據(jù)（包括經自動選擇后用于學習的數(shù)據(jù)在內），利用參數(shù)進行鋼板總長度的CT預測計算，并計算以下兩個誤差。
a.由優(yōu)化參數(shù)導致的CT預測值與實際值之間的誤差；
b.由過程計算機中的內置參數(shù)導致的CT預測值與實際值之間的誤差。
對a和b誤差的評估如圖4所示。如果誤差沒有減小，則返回步驟1或步驟2進行調整，然后再次執(zhí)行步驟3。重復步驟1到步驟3，直到誤差減小。
步驟4：【在過程計算機中錄入新參數(shù)】
將步驟3中確定的新參數(shù)從模型學習計算機傳輸?shù)竭^程計算機，并錄入新參數(shù)。然后在過程計算機中利用新參數(shù)預測溫降量。
3將AI方法應用于生產的效果
在生產部門，提高CT的控制精度是一個永無止境的命題。在這種情況下，利用本次開發(fā)并應用的AI方法，對生產部門的業(yè)務帶來了以下變革：
1）快速完成模型調整工作；
2）大幅減輕操作者開關閥門的負擔；
3）消除了模型調整工作對人的依賴，順利實現(xiàn)技術的傳承。
以下將逐一進行詳細介紹。
3.1實現(xiàn)模型的快速調整工作
即使工作人員不具備AI方面的專業(yè)知識或技術，現(xiàn)在也能夠快速開展模型調整工作。從確定需要提高CT控制精度到結束模型調整的新老控制方法所需的工作時間進行對比的結果如表2所示。本次通過調整用于確認生產實際數(shù)據(jù)的用戶界面，大幅縮短了實際情況的調查時間。此外，在模型調整中，只需檢查實際數(shù)據(jù)的最低值并學習深度神經網絡模型，因此在不到一天的時間內便完成了所有工作。如圖4所示，將通過調整使模型誤差得到改善的狀況進行可視化后，能夠快速評估調整后的模型，并做出是否需要向過程計算機添加數(shù)據(jù)的決策。
3.2操作者開關閥門的負擔得到大幅減輕
如上所述，每當CT的控制精度下降時，通過適當且快速進行模型調整工作使其控制精度得到提高。通過這一措施，成功廢除所有關于特定產品閥門數(shù)量增減方法的作業(yè)指示書，大幅減輕了操作者的作業(yè)負擔，同時也減少了作業(yè)失誤等風險。
3.3模型調整工作對人工依賴的消除以及技術傳承的實現(xiàn)
傳統(tǒng)控制中對預測模型的改進工作以及基于個人經驗和訣竅的參數(shù)調整工作已不再需要，取而代之的是通過學習深度神經網絡模型來進行模型調整。這使得模型調整工作擺脫了經驗和直覺的束縛，與傳統(tǒng)控制相比，大大消除了其對人的依賴。此外，由于專業(yè)人員之間也能夠順利且可靠地進行技術傳承，從而構建了一個由專業(yè)人員開展模型調整工作的可持續(xù)性體制。
4AI方法的應用對產品質量提升的效果
通過此次開發(fā)和應用的技術，不僅能夠對處于穩(wěn)態(tài)的鋼板中部進行高精度CT控制，還可以針對傳統(tǒng)控制中精度下降現(xiàn)象頻發(fā)的鋼板前端和尾端，尤其在目標溫度與穩(wěn)態(tài)發(fā)生變化時也能實現(xiàn)高精度CT控制。因此，對于神戶制鋼熱軋和冷軋高強鋼等代表性產品而言，與傳統(tǒng)控制相比，超出CT公差范圍導致的廢品量分別減少了21%和71%，收得率得到了提高。
5結語
本文介紹了將深度神經網絡實際應用于板帶卷取溫度控制的溫度預測模型，及其為生產部門帶來的業(yè)務變革。
近年來，神戶制鋼重新構建了用于收集整個熱軋過程中各種數(shù)據(jù)的基礎設施，并創(chuàng)造了一個可以利用比過去更加龐大的數(shù)據(jù)量的環(huán)境。未來會利用該環(huán)境，將本文所述AI方法相關技術橫向部署至加熱爐和軋制設備等熱軋的其他工序，以進一步穩(wěn)定產品質量并減少生產車間操作人員的作業(yè)負擔。
