基于機(jī)器學(xué)習(xí)的鋼鐵軋制過程性能預(yù)測
楊健1,2，吳思煒1,2
(1. 上海大學(xué)材料科學(xué)與工程學(xué)院， 上海 200444；2. 省部共建高品質(zhì)特殊鋼冶金與制備國家重點(diǎn)實(shí)驗(yàn)室， 上海 200444)
摘要：為了實(shí)現(xiàn)快速的熱軋工藝優(yōu)化設(shè)計(jì)，基于工業(yè)數(shù)據(jù)的鋼鐵材料性能預(yù)測引起了研究者的極大關(guān)注，對利用機(jī)器學(xué)習(xí)進(jìn)行鋼鐵材料軋制過程性能預(yù)測的研究進(jìn)展進(jìn)行了梳理。首先介紹了鋼鐵材料軋制過程性能預(yù)測常用的主流機(jī)器學(xué)習(xí)算法，其中包括人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、智能優(yōu)化算法等。其次，分別對鋼鐵材料軋制過程性能預(yù)測建模方法研究進(jìn)展和模型應(yīng)用情況進(jìn)行了綜述。最后，對鋼鐵軋制過程性能預(yù)測研究進(jìn)行了展望，指出了數(shù)據(jù)質(zhì)量的改善、小樣本數(shù)據(jù)建模、建模數(shù)據(jù)加密、模型可解釋性研究、鋼鐵材料組織預(yù)測和利用模型進(jìn)行有效的工藝優(yōu)化設(shè)計(jì)等可能發(fā)展方向。
關(guān)鍵詞：數(shù)據(jù)；機(jī)器學(xué)習(xí)；軋制；性能預(yù)測；智能化
文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：0449-749X（2021）09-0001-09
Property prediction of steel rolling process based on machine learning
YANG Jian1,2，WU Si-wei1,2
(1. School of Materials Science and Engineering， Shanghai University， Shanghai 200444， China；2. State Key Laboratory of Advanced Special Steels， Shanghai 200444， China)
Abstract：In order to achieve rapid optimization design of hot rolling process，the property prediction of steel based on industrial data has attracted great attention of researchers. The research progress of steel rolling process property prediction using machine learning was reviewed. Firstly，the main machine learning algorithms commonly used in steel rolling process property prediction were introduced，including artificial neural network，fuzzy neural network，support vector machine，random forest，intelligent optimization algorithm and so on. Secondly，the research progress and the applications of steel rolling process property prediction model were summarized respectively. Finally，the prospect of the research on the property prediction of steel rolling process was presented，and the possible development directions were pointed out，such as the improvement of data quality，the modeling of small sample data，the encryption of modeling data，the research of model interpretability，the prediction of steel microstructure and the effective process optimization design by using the model.
Key words：data；machine learning；rolling；property prediction；intelligent
鋼鐵作為一種重要的結(jié)構(gòu)和功能材料，在軋制工藝開發(fā)過程中，工藝的設(shè)定主要依賴試驗(yàn)試錯(cuò)和歷史經(jīng)驗(yàn)的方法，需要較大的經(jīng)濟(jì)成本和時(shí)間成本，急需通過變革研究方法推進(jìn)鋼鐵材料的研發(fā)速度。隨著《中國制造2025》的提出，鋼鐵的智能化制造成為中國鋼鐵行業(yè)技術(shù)變革的重要舉措之一。通過智能化手段提質(zhì)增效，加快新一代信息技術(shù)與制造業(yè)深度融合，實(shí)現(xiàn)智能化的生產(chǎn)和軋制工藝優(yōu)化設(shè)計(jì)成為鋼鐵制造技術(shù)研究的一個(gè)重要方向。其中，通過鑄坯成分和軋制工藝進(jìn)行鋼鐵材料性能預(yù)測是實(shí)現(xiàn)智能化工藝優(yōu)化設(shè)計(jì)的核心。
在軋制生產(chǎn)過程中，根據(jù)鋼鐵材料的成分和軋制工藝對鋼鐵材料的性能做出預(yù)判，既可以實(shí)現(xiàn)力學(xué)性能在線預(yù)測，有助于降低鋼鐵材料力學(xué)性能檢測取樣頻率，縮短生產(chǎn)周期，提高生產(chǎn)效率，還有助于實(shí)現(xiàn)軋制工藝的優(yōu)化和在線控制。對于鋼鐵材料性能預(yù)測模型的研究通常有兩種手段，一種手段是以試驗(yàn)為主建立物理冶金學(xué)機(jī)理模型。然而，開發(fā)一套完整的機(jī)理模型需要進(jìn)行批量的破壞性試驗(yàn)來確定大量的模型參數(shù)，同時(shí)基于實(shí)驗(yàn)室數(shù)據(jù)建立的模型應(yīng)用至工業(yè)產(chǎn)線時(shí)其預(yù)測精度又很有限。另一種手段是基于工業(yè)數(shù)據(jù)采用數(shù)據(jù)驅(qū)動(dòng)建模技術(shù)建立鋼鐵材料性能預(yù)測模型。不同于機(jī)理模型，數(shù)據(jù)驅(qū)動(dòng)模型是基于實(shí)際生產(chǎn)數(shù)據(jù)建立的模型，模型包含了生產(chǎn)現(xiàn)場復(fù)雜的環(huán)境因素，同時(shí)具有自學(xué)習(xí)、自適應(yīng)的特點(diǎn)，可以保證模型的高預(yù)測精度。此外，建模過程不需要大量的專業(yè)知識(shí)和破壞性的試驗(yàn)，易于使用。20世紀(jì)90年代，中國曾出現(xiàn)了利用數(shù)據(jù)驅(qū)動(dòng)技術(shù)進(jìn)行鋼鐵材料性能智能化預(yù)測研究的熱潮。隨著自動(dòng)化技術(shù)、機(jī)器學(xué)習(xí)算法、通信技術(shù)、數(shù)據(jù)庫技術(shù)的進(jìn)步，更多新的研究成果不斷涌現(xiàn)。特別是近幾年，軋制生產(chǎn)線已經(jīng)可以采集大量的過程質(zhì)量數(shù)據(jù)，構(gòu)建了鋼鐵材料生產(chǎn)全流程的工藝質(zhì)量大數(shù)據(jù)平臺(tái)，逐步形成從冶金成分、鑄坯質(zhì)量到軋制全流程工藝質(zhì)量數(shù)據(jù)的集成。這些技術(shù)的研發(fā)有助于數(shù)據(jù)驅(qū)動(dòng)模型的建立和探索。因此，以工業(yè)大數(shù)據(jù)和機(jī)器學(xué)習(xí)算法為基礎(chǔ)的智能化建模技術(shù)引起了研究者們的廣泛關(guān)注。本文針對智能化建模技術(shù)在鋼鐵軋制過程中性能預(yù)測的應(yīng)用進(jìn)行綜述。
1 鋼鐵材料軋制過程性能預(yù)測常用的機(jī)器學(xué)習(xí)算法
利用機(jī)器學(xué)習(xí)算法建模是智能化模型的一個(gè)特征。在鋼鐵材料軋制過程性能預(yù)測研究中，機(jī)器學(xué)習(xí)算法的應(yīng)用可分為對數(shù)據(jù)規(guī)律的挖掘、對機(jī)理模型參數(shù)的優(yōu)化、對特定指標(biāo)的預(yù)測等方面。常用的機(jī)器學(xué)習(xí)算法如圖1所示。
(1)人工神經(jīng)網(wǎng)絡(luò)：人工神經(jīng)網(wǎng)絡(luò)通過模擬大腦神經(jīng)元的傳遞過程，對輸入信息進(jìn)行分布式處理，建立輸入量和輸出量的非線性對應(yīng)關(guān)系。常用的人工神經(jīng)網(wǎng)絡(luò)有BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、貝葉斯神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等。
(2)模糊神經(jīng)網(wǎng)絡(luò)：模糊系統(tǒng)模仿人的思維模糊性的特點(diǎn)，通過綜合推斷來處理常規(guī)數(shù)學(xué)方法難以解決的模糊信息建模問題。在求解回歸問題時(shí)可以與神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立模糊神經(jīng)網(wǎng)絡(luò)，使其可以同時(shí)對模糊信息和精確信息進(jìn)行處理。常用的模糊神經(jīng)網(wǎng)絡(luò)有自適應(yīng)模糊推理系統(tǒng)、Mamdani模糊神經(jīng)網(wǎng)絡(luò)、Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)等。
(3)支持向量機(jī)：支持向量機(jī)通過非線性轉(zhuǎn)換將低維空間數(shù)據(jù)映射到高維空間，尋找一個(gè)超平面對數(shù)據(jù)樣本進(jìn)行分割，以保證不同類別之間的間隔最大，最終將建模過程轉(zhuǎn)化為一個(gè)二次規(guī)劃問題。支持向量機(jī)在解決小樣本、非線性和高維度問題中有很多優(yōu)勢。通過核函數(shù)技巧和軟硬間隔最大化，使得支持向量機(jī)產(chǎn)生多個(gè)變體。常用的支持向量機(jī)有最小二乘支持向量機(jī)、帶高斯核函數(shù)的支持向量機(jī)、多核支持向量機(jī)等。
(4)隨機(jī)森林：隨機(jī)森林基于集成學(xué)習(xí)的思想，通過bootstrap技術(shù)隨機(jī)建立多棵分類回歸樹，每個(gè)分類回歸樹隨機(jī)選擇特征子集，通過對所有樹的預(yù)測結(jié)果進(jìn)行綜合評(píng)價(jià)來獲得最終預(yù)測結(jié)果。由于在集成學(xué)習(xí)中引入了隨機(jī)性，隨機(jī)森林模型具有很強(qiáng)的魯棒性和泛化能力。
(5)智能優(yōu)化算法：智能優(yōu)化算法是一種仿生算法，源于對生物進(jìn)化、動(dòng)物覓食等行為的模擬。通過群體智能的全局隨機(jī)優(yōu)化，經(jīng)過不斷的迭代，尋找當(dāng)前群體中的最優(yōu)點(diǎn)(最優(yōu)解)。常用的算法有遺傳算法、粒子群算法、蟻群算法、蜂群算法、果蠅算法、魚群算法等。
此外，還有一些混合算法，比如將主成分分析、k-均值聚類算法等手段和以上算法相結(jié)合，以達(dá)到加快算法的收斂、避免算法陷入局部最優(yōu)、進(jìn)行數(shù)據(jù)降維等目的。
2 鋼鐵材料軋制過程性能預(yù)測建模方法研究進(jìn)展
1995年，劉振宇等首次將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到鋼鐵材料性能預(yù)測中，實(shí)現(xiàn)了熱軋C-Mn鋼的力學(xué)性能預(yù)測，取得了良好的效果。Sterjovski Z等利用三層前饋神經(jīng)網(wǎng)絡(luò)預(yù)測了熱軋調(diào)制壓力容器鋼在多次焊接后的沖擊韌性。Jagadish等利用人工神經(jīng)網(wǎng)絡(luò)的方法預(yù)測了熱軋F(tuán)e415鋼的屈服強(qiáng)度、抗拉強(qiáng)度和伸長率。然而，BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用過程中容易產(chǎn)生過擬合現(xiàn)象，且容易陷入局部最優(yōu)。針對這一問題，研究人員通過在損失函數(shù)上增加了代表網(wǎng)絡(luò)復(fù)雜度的懲罰項(xiàng)，結(jié)合貝葉斯定理，開發(fā)出貝葉斯正則化神經(jīng)網(wǎng)絡(luò)。例如，Yang Y Y等利用貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測了熱軋帶鋼的抗拉強(qiáng)度，并給出了預(yù)測誤差置信區(qū)間。Khlybov O S等基于貝葉斯網(wǎng)絡(luò)模型實(shí)現(xiàn)了熱軋帶鋼的力學(xué)性能控制。賈濤等基于貝葉斯神經(jīng)網(wǎng)絡(luò)，在梅鋼熱軋生產(chǎn)線對SPA-H和510L鋼的力學(xué)性能進(jìn)行了預(yù)測，該模型在收斂速度和泛化能力方面均優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。圖2所示為采用模型對510L鋼力學(xué)性能的預(yù)測結(jié)果，預(yù)測結(jié)果不僅精度較高，還能為預(yù)測結(jié)果給出誤差范圍。
工業(yè)數(shù)據(jù)具有信噪比低、維度高、非均衡等問題，數(shù)據(jù)質(zhì)量對模型的預(yù)測精度和可解釋性有著至關(guān)重要的影響，從改善數(shù)據(jù)質(zhì)量入手改善模型也是提高模型預(yù)測性能的一個(gè)重要途徑。近五年，吳思煒等針對多牌號(hào)C-Mn鋼工業(yè)數(shù)據(jù)開發(fā)了降噪、聚類、均衡等數(shù)據(jù)處理策略，在此基礎(chǔ)上，采用貝葉斯正則化神經(jīng)網(wǎng)絡(luò)建立了多牌號(hào)熱軋C-Mn鋼的力學(xué)性能預(yù)測模型，并保證模型能夠反映出合理的物理冶金學(xué)規(guī)律。相比C-Mn鋼，微合金鋼元素交互作用更為復(fù)雜，生產(chǎn)工藝更加嚴(yán)格。因此，在C-Mn鋼工業(yè)數(shù)據(jù)處理方法基礎(chǔ)上，針對Nb-Ti熱軋微合金鋼利用網(wǎng)格劃分技術(shù)和主成分分析方法對數(shù)據(jù)進(jìn)行均衡和降維，并建立Nb-Ti微合金鋼成分、工藝、性能對應(yīng)關(guān)系模型，研究了主要成分和工藝參數(shù)對性能的影響規(guī)律。
除了神經(jīng)網(wǎng)絡(luò)，研究者們還采用多種機(jī)器學(xué)習(xí)算法建立數(shù)據(jù)驅(qū)動(dòng)模型預(yù)測鋼鐵材料軋制過程的力學(xué)性能。2013年，ZHAO Yong-hong和WEN Yang等利用半?yún)沃笖?shù)模型預(yù)測熱軋帶鋼力學(xué)性能，當(dāng)建模數(shù)據(jù)有限時(shí)，通過確定核函數(shù)和窗口寬度，取得了比多元回歸和神經(jīng)網(wǎng)絡(luò)模型更好的預(yù)測效果。吳思煒等比較了逐步回歸、嶺回歸、貝葉斯正則化神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林算法在X70管線鋼抗拉強(qiáng)度預(yù)測建模中的應(yīng)用效果。圖3所示為不同模型預(yù)測X70管線鋼力學(xué)性能的相關(guān)系數(shù)和均方誤差。結(jié)果表明,隨機(jī)森林具有極高的預(yù)測精度；當(dāng)建模數(shù)據(jù)較少時(shí)，支持向量機(jī)具有一定的優(yōu)勢。同時(shí),進(jìn)一步驗(yàn)證了如果想要提高模型在某一區(qū)域的預(yù)測精度，可以通過擴(kuò)張對應(yīng)區(qū)域訓(xùn)練數(shù)據(jù)來改善模型預(yù)測效果。SUI Xiao-yue等基于Gram-Schmidt正交變換的信息熵對輸入變量進(jìn)行屬性約簡，選出有效特征子集，然后采用極限學(xué)習(xí)機(jī)實(shí)現(xiàn)力學(xué)性能預(yù)測。結(jié)果表明，基于屬性約簡的極限學(xué)習(xí)機(jī)建模耗時(shí)短，精度高，更適合用于建立熱軋過程中力學(xué)性能預(yù)測。Hore S等采用自適應(yīng)模糊神經(jīng)系統(tǒng)預(yù)測熱軋TRIP鋼的力學(xué)性能(屈服強(qiáng)度、抗拉強(qiáng)度和伸長率)，同時(shí)也對殘余奧氏體的含量進(jìn)行預(yù)測。李飛飛等采用多種機(jī)器學(xué)習(xí)算法對機(jī)理模型預(yù)測誤差進(jìn)行了補(bǔ)償，取得了良好的效果。2018年起，李維剛等結(jié)合大數(shù)據(jù)和冶金機(jī)理，綜合運(yùn)用隨機(jī)森林、因果圖、貝葉斯網(wǎng)等手段進(jìn)行變量篩選，分別構(gòu)建一元無交互作用和二元有交互作用的廣義可加性模型，構(gòu)建整合模型，對大量鈮微合金鋼的屈服強(qiáng)度、抗拉強(qiáng)度和伸長率進(jìn)行了預(yù)測。吳思煒等在傳統(tǒng)物理冶金學(xué)機(jī)理模型基礎(chǔ)上，基于工業(yè)數(shù)據(jù)，利用遺傳算法對機(jī)理模型中的關(guān)鍵參數(shù)進(jìn)行自優(yōu)化計(jì)算，使機(jī)理模型獲得自學(xué)習(xí)能力，實(shí)現(xiàn)了高精度的鋼鐵材料軋制過程微觀組織和力學(xué)性能預(yù)測。
除了傳統(tǒng)淺層學(xué)習(xí)算法，深度學(xué)習(xí)技術(shù)也被應(yīng)用于鋼鐵材料軋制過程力學(xué)性能預(yù)測。李維剛等通過將一維數(shù)據(jù)轉(zhuǎn)換為二維圖像數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)對熱軋帶鋼力學(xué)性能進(jìn)行預(yù)測。XU Zhi-wei等在此基礎(chǔ)上，對一維數(shù)據(jù)向二維數(shù)據(jù)轉(zhuǎn)換的方法進(jìn)行了改進(jìn)。如圖4所示，將數(shù)據(jù)由順序排序調(diào)整為計(jì)算模型輸入變量的協(xié)方差矩陣，并將矩陣轉(zhuǎn)換為灰度圖，從而將數(shù)據(jù)分布特征考慮到模型中，增強(qiáng)了模型的預(yù)測能力。
相比淺層學(xué)習(xí)方法，深度學(xué)習(xí)可以提高鋼材的力學(xué)性能預(yù)測精度。然而，訓(xùn)練模型需要大量的數(shù)據(jù)，訓(xùn)練數(shù)據(jù)不足成為制約模型精度的一個(gè)瓶頸。鋼材的力學(xué)性能往往是抽樣檢測，會(huì)產(chǎn)生大量的只有化學(xué)成分和軋制工藝，沒有相匹配的力學(xué)性能的數(shù)據(jù)，即無標(biāo)簽數(shù)據(jù)。吳思煒等通過采用半監(jiān)督學(xué)習(xí)的方法為熱軋生產(chǎn)中的無標(biāo)簽數(shù)據(jù)添加偽標(biāo)簽，將帶有偽標(biāo)簽的數(shù)據(jù)與帶有標(biāo)簽的數(shù)據(jù)合并成訓(xùn)練集，提高模型的預(yù)測精度。結(jié)果顯示，這種方法有助于解決深度學(xué)習(xí)建模過程中訓(xùn)練數(shù)據(jù)不足的問題，同時(shí)也為小樣本數(shù)據(jù)建模提供了一個(gè)新的思路。
3 鋼鐵材料軋制過程性能預(yù)測模型應(yīng)用情況
3.1 材料性能在線預(yù)測
基于數(shù)據(jù)驅(qū)動(dòng)建模技術(shù)開發(fā)的模型可以用于鋼鐵材料軋制過程在線性能預(yù)測。Kurban V V等利用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)熱軋帶鋼力學(xué)性能實(shí)時(shí)預(yù)測，從而減少熱軋過程中破壞性取樣，減少材料浪費(fèi)。Agarwal K等利用貝葉斯方法實(shí)現(xiàn)了熱軋帶鋼的力學(xué)性能在線預(yù)測，對于多數(shù)鋼種，力學(xué)性能預(yù)測精度在±5%以內(nèi)。李軍凱針對梅鋼1 422熱軋生產(chǎn)線分別基于物理冶金學(xué)原理和BP神經(jīng)網(wǎng)絡(luò)開發(fā)了熱軋帶鋼的組織性能預(yù)測軟件，采用軟件對Q235B鋼和X52鋼的組織演變行為進(jìn)行預(yù)測，取得了良好的效果。鄧天勇基于人工神經(jīng)網(wǎng)絡(luò)和物理冶金學(xué)模型開發(fā)了可用于組織性能預(yù)測和柔性化軋制工藝制定的工業(yè)軟件。Lalam S等針對冷軋鍍鋅線，通過主成分分析對神經(jīng)網(wǎng)絡(luò)的輸入變量進(jìn)行降維，利用前饋神經(jīng)網(wǎng)絡(luò)預(yù)測了鍍鋅卷的屈服強(qiáng)度和抗拉強(qiáng)度，在印度Tata鋼鐵實(shí)現(xiàn)了在線預(yù)測，在±10 MPa范圍內(nèi)的命中率達(dá)90%以上。
3.2 化學(xué)成分和工藝參數(shù)分析
基于數(shù)據(jù)驅(qū)動(dòng)建模技術(shù)開發(fā)的模型可以用于對化學(xué)成分和工藝參數(shù)的分析。GUO Shun等基于鋼鐵生產(chǎn)全流程數(shù)據(jù)，考慮27種成分和工藝等影響因素，同時(shí)建立了鋼的屈服強(qiáng)度、抗拉強(qiáng)度和伸長率等力學(xué)性能預(yù)測模型。通過對比最小二乘法、支持向量機(jī)、回歸樹和隨機(jī)森林模型，確定了最優(yōu)的建模方法，并對影響3個(gè)力學(xué)性能的因素進(jìn)行了變量敏感性分析，并著重分析了碳含量對強(qiáng)度的影響。Chen M Y等針對結(jié)構(gòu)鋼，考慮鋼種成分、軋制制度、加熱爐溫度、終軋溫度等因素，采用模糊系統(tǒng)對軋制過程中的沖擊功進(jìn)行預(yù)測。利用模型分析成分對沖擊功的影響發(fā)現(xiàn)，低碳當(dāng)量、低的殘余硫含量和低的處理溫度有益于獲得較高的沖擊功。Ryu J H等針對大量的微合金鋼數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)方法挖掘出成分和工藝參數(shù)對力學(xué)性能的影響，并分析了碳化物形成元素對鋼的力學(xué)性能的影響作用。吳思煒等采用枚舉法對輸入變量進(jìn)行組合，利用貝葉斯正則化神經(jīng)網(wǎng)絡(luò)建立了鋼材的力學(xué)性能預(yù)測模型，采用平均影響值對各輸入變量進(jìn)行相對權(quán)重分析。針對Nb-Ti微合金鋼，吳思煒等挖掘鋼材化學(xué)成分、工藝參數(shù)和力學(xué)性能對應(yīng)關(guān)系，并對主要化學(xué)成分和工藝參數(shù)對力學(xué)性能的影響規(guī)律進(jìn)行了分析。圖5所示為元素對屈服強(qiáng)度的影響規(guī)律，可以看出，碳、錳和鈮元素都可以增加屈服強(qiáng)度，鈮元素的影響最為明顯。針對冷軋過程，Mohanty I等基于神經(jīng)網(wǎng)絡(luò)建立冷軋IF鋼的力學(xué)性能預(yù)測模型，利用該模型分析了屈服強(qiáng)度、抗拉強(qiáng)度、伸長率和r值隨鈮含量的變化規(guī)律(圖6)。
3.3 化學(xué)成分和工藝參數(shù)優(yōu)化設(shè)計(jì)
基于數(shù)據(jù)驅(qū)動(dòng)建模技術(shù)開發(fā)的模型可以用于對化學(xué)成分和工藝參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)。獲得鋼材軋制過程性能預(yù)測模型后，可以得到鋼材在任意一組化學(xué)成分和軋制工藝下的力學(xué)性能。結(jié)合多目標(biāo)優(yōu)化手段，根據(jù)用戶需求設(shè)定目標(biāo)力學(xué)性能值和化學(xué)成分、軋制工藝等約束條件，將軋制工藝優(yōu)化設(shè)計(jì)問題轉(zhuǎn)換為多目標(biāo)優(yōu)化問題的求解，通過求解多目標(biāo)優(yōu)化函數(shù)實(shí)現(xiàn)軋制工藝優(yōu)化設(shè)計(jì)。賈濤等利用貝葉斯神經(jīng)網(wǎng)絡(luò)模型和自適應(yīng)粒子群算法相結(jié)合，分別對集裝箱熱軋板和510L的軋制工藝進(jìn)行優(yōu)化設(shè)計(jì)，并通過工業(yè)試軋驗(yàn)證了工藝優(yōu)化設(shè)計(jì)的可行性。吳思煒等利用工業(yè)數(shù)據(jù)挖掘鋼鐵材料成分、工藝、性能之間的對應(yīng)關(guān)系，結(jié)合多目標(biāo)優(yōu)化算法，分別對C-Mn鋼和微合金鋼的軋制工藝進(jìn)行優(yōu)化，實(shí)現(xiàn)了380CL鋼的合金減量化開發(fā)、HP295的力學(xué)性能穩(wěn)定性控制等應(yīng)用。圖7所示為傳統(tǒng)工藝下HP295力學(xué)性能波動(dòng)和優(yōu)化工藝下HP295力學(xué)性能波動(dòng)對比?？梢钥闯?，相比傳統(tǒng)工藝下力學(xué)性能波動(dòng)，優(yōu)化工藝下力學(xué)性能波動(dòng)大幅減小，提高了產(chǎn)品力學(xué)性能的穩(wěn)定性。
4 鋼鐵軋制過程性能預(yù)測研究可能的發(fā)展方向
機(jī)器學(xué)習(xí)算法在鋼鐵軋制過程性能預(yù)測的研究已經(jīng)開展近30年，從單一的神經(jīng)網(wǎng)絡(luò)對C-Mn性能的預(yù)測到協(xié)同多種機(jī)器學(xué)習(xí)算法解決復(fù)雜工況下微合金鋼性能預(yù)測問題。隨著自動(dòng)化技術(shù)、計(jì)算機(jī)通訊技術(shù)、數(shù)據(jù)庫技術(shù)、機(jī)器學(xué)習(xí)算法等技術(shù)的進(jìn)步，研究者們有望對越來越多復(fù)雜情況下的性能預(yù)測問題進(jìn)行深入研究，預(yù)計(jì)今后一段時(shí)間內(nèi)的發(fā)展方向可能有：
(1)數(shù)據(jù)質(zhì)量的改善。軋制過程是多工序強(qiáng)耦合的過程，數(shù)據(jù)存在多源異構(gòu)的特點(diǎn)，打通數(shù)據(jù)孤島，將多源異構(gòu)數(shù)據(jù)統(tǒng)一融合，并針對軋制過程數(shù)據(jù)信噪比低、高維度、非均衡、相關(guān)性和因果關(guān)系復(fù)雜等特點(diǎn)開發(fā)數(shù)據(jù)處理策略。
(2)小樣本數(shù)據(jù)建模。盡管工業(yè)生產(chǎn)數(shù)據(jù)平臺(tái)日趨完善，但仍存在很多場景僅具有少量的樣本數(shù)據(jù)，這給利用數(shù)據(jù)驅(qū)動(dòng)技術(shù)建模帶來了困難。因此，基于支持向量機(jī)、半監(jiān)督學(xué)習(xí)、元學(xué)習(xí)、遷移學(xué)習(xí)等小樣本建模方法需要進(jìn)一步研究。
(3)建模數(shù)據(jù)加密。鋼鐵產(chǎn)品生產(chǎn)工藝是一個(gè)企業(yè)產(chǎn)品競爭力的核心，企業(yè)對工業(yè)數(shù)據(jù)的保密性尤為重視。為了既能讓生產(chǎn)數(shù)據(jù)為建模所用又能兼顧生產(chǎn)數(shù)據(jù)的保密性，在數(shù)據(jù)不脫離生產(chǎn)線的前提下，通過加密傳輸手段開展基于聯(lián)邦學(xué)習(xí)的性能預(yù)測模型研究。
(4)模型可解釋性研究。目前對于機(jī)器學(xué)習(xí)算法建立模型的可解釋性研究過程局限于對輸入變量的敏感性和變化規(guī)律進(jìn)行分析，模型對物理冶金學(xué)機(jī)理的解釋仍然有限?？紤]將現(xiàn)有物理冶金學(xué)模型與機(jī)器學(xué)習(xí)算法深度融合，豐富并增強(qiáng)模型的可解釋性。
(5)鋼鐵材料組織預(yù)測。目前鋼鐵材料軋制過程性能預(yù)測多是基于化學(xué)成分、軋制工藝、性能之間的關(guān)系，如果將微觀組織演變規(guī)律也考慮至模型中，可以對鋼鐵材料性能做出更準(zhǔn)確的預(yù)測。結(jié)合淺層學(xué)習(xí)和生成對抗網(wǎng)絡(luò)等深度學(xué)習(xí)手段建立化學(xué)成分、軋制工藝、微觀組織和性能的關(guān)聯(lián)，預(yù)測產(chǎn)品最終組織和性能。
(6)利用模型進(jìn)行有效的工藝優(yōu)化設(shè)計(jì)。建立好鋼鐵材料軋制過程性能預(yù)測模型后，可分析化學(xué)成分和工藝參數(shù)對鋼鐵材料性能的影響規(guī)律，結(jié)合智能優(yōu)化算法在多種約束下利用模型指導(dǎo)化學(xué)成分和工藝參數(shù)的優(yōu)化設(shè)計(jì)。
5 結(jié)論
(1)介紹了鋼鐵材料軋制過程性能預(yù)測常用的主流機(jī)器學(xué)習(xí)算法，其中包括人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、智能優(yōu)化算法等。
(2)針對鋼鐵材料軋制過程性能預(yù)測，分別對鋼鐵材料軋制過程性能預(yù)測建模方法研究進(jìn)展和鋼鐵材料軋制過程性能預(yù)測模型應(yīng)用情況進(jìn)行了綜述。
(3)對鋼鐵材料軋制過程性能預(yù)測研究進(jìn)行了展望，指出了數(shù)據(jù)質(zhì)量的改善、小樣本數(shù)據(jù)建模、建模數(shù)據(jù)加密、模型可解釋性研究、鋼鐵材料組織預(yù)測和利用模型進(jìn)行有效的工藝優(yōu)化設(shè)計(jì)等可能發(fā)展方向。
