基于機器學習的鋼鐵軋制過程性能預測
楊健1,2，吳思煒1,2
(1. 上海大學材料科學與工程學院， 上海 200444；2. 省部共建高品質特殊鋼冶金與制備國家重點實驗室， 上海 200444)
摘要：為了實現快速的熱軋工藝優(yōu)化設計，基于工業(yè)數據的鋼鐵材料性能預測引起了研究者的極大關注，對利用機器學習進行鋼鐵材料軋制過程性能預測的研究進展進行了梳理。首先介紹了鋼鐵材料軋制過程性能預測常用的主流機器學習算法，其中包括人工神經網絡、模糊神經網絡、支持向量機、隨機森林、智能優(yōu)化算法等。其次，分別對鋼鐵材料軋制過程性能預測建模方法研究進展和模型應用情況進行了綜述。最后，對鋼鐵軋制過程性能預測研究進行了展望，指出了數據質量的改善、小樣本數據建模、建模數據加密、模型可解釋性研究、鋼鐵材料組織預測和利用模型進行有效的工藝優(yōu)化設計等可能發(fā)展方向。
關鍵詞：數據；機器學習；軋制；性能預測；智能化
文獻標志碼：A 文章編號：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構和功能材料，在軋制工藝開發(fā)過程中，工藝的設定主要依賴試驗試錯和歷史經驗的方法，需要較大的經濟成本和時間成本，急需通過變革研究方法推進鋼鐵材料的研發(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)技術變革的重要舉措之一。通過智能化手段提質增效，加快新一代信息技術與制造業(yè)深度融合，實現智能化的生產和軋制工藝優(yōu)化設計成為鋼鐵制造技術研究的一個重要方向。其中，通過鑄坯成分和軋制工藝進行鋼鐵材料性能預測是實現智能化工藝優(yōu)化設計的核心。
在軋制生產過程中，根據鋼鐵材料的成分和軋制工藝對鋼鐵材料的性能做出預判，既可以實現力學性能在線預測，有助于降低鋼鐵材料力學性能檢測取樣頻率，縮短生產周期，提高生產效率，還有助于實現軋制工藝的優(yōu)化和在線控制。對于鋼鐵材料性能預測模型的研究通常有兩種手段，一種手段是以試驗為主建立物理冶金學機理模型。然而，開發(fā)一套完整的機理模型需要進行批量的破壞性試驗來確定大量的模型參數，同時基于實驗室數據建立的模型應用至工業(yè)產線時其預測精度又很有限。另一種手段是基于工業(yè)數據采用數據驅動建模技術建立鋼鐵材料性能預測模型。不同于機理模型，數據驅動模型是基于實際生產數據建立的模型，模型包含了生產現場復雜的環(huán)境因素，同時具有自學習、自適應的特點，可以保證模型的高預測精度。此外，建模過程不需要大量的專業(yè)知識和破壞性的試驗，易于使用。20世紀90年代，中國曾出現了利用數據驅動技術進行鋼鐵材料性能智能化預測研究的熱潮。隨著自動化技術、機器學習算法、通信技術、數據庫技術的進步，更多新的研究成果不斷涌現。特別是近幾年，軋制生產線已經可以采集大量的過程質量數據，構建了鋼鐵材料生產全流程的工藝質量大數據平臺，逐步形成從冶金成分、鑄坯質量到軋制全流程工藝質量數據的集成。這些技術的研發(fā)有助于數據驅動模型的建立和探索。因此，以工業(yè)大數據和機器學習算法為基礎的智能化建模技術引起了研究者們的廣泛關注。本文針對智能化建模技術在鋼鐵軋制過程中性能預測的應用進行綜述。
1 鋼鐵材料軋制過程性能預測常用的機器學習算法
利用機器學習算法建模是智能化模型的一個特征。在鋼鐵材料軋制過程性能預測研究中，機器學習算法的應用可分為對數據規(guī)律的挖掘、對機理模型參數的優(yōu)化、對特定指標的預測等方面。常用的機器學習算法如圖1所示。
(1)人工神經網絡：人工神經網絡通過模擬大腦神經元的傳遞過程，對輸入信息進行分布式處理，建立輸入量和輸出量的非線性對應關系。常用的人工神經網絡有BP(Back Propagation)神經網絡、徑向基神經網絡、貝葉斯神經網絡、深度神經網絡、卷積神經網絡等。
(2)模糊神經網絡：模糊系統(tǒng)模仿人的思維模糊性的特點，通過綜合推斷來處理常規(guī)數學方法難以解決的模糊信息建模問題。在求解回歸問題時可以與神經網絡相結合，建立模糊神經網絡，使其可以同時對模糊信息和精確信息進行處理。常用的模糊神經網絡有自適應模糊推理系統(tǒng)、Mamdani模糊神經網絡、Takagi-Sugeno模糊神經網絡等。
(3)支持向量機：支持向量機通過非線性轉換將低維空間數據映射到高維空間，尋找一個超平面對數據樣本進行分割，以保證不同類別之間的間隔最大，最終將建模過程轉化為一個二次規(guī)劃問題。支持向量機在解決小樣本、非線性和高維度問題中有很多優(yōu)勢。通過核函數技巧和軟硬間隔最大化，使得支持向量機產生多個變體。常用的支持向量機有最小二乘支持向量機、帶高斯核函數的支持向量機、多核支持向量機等。
(4)隨機森林：隨機森林基于集成學習的思想，通過bootstrap技術隨機建立多棵分類回歸樹，每個分類回歸樹隨機選擇特征子集，通過對所有樹的預測結果進行綜合評價來獲得最終預測結果。由于在集成學習中引入了隨機性，隨機森林模型具有很強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，源于對生物進化、動物覓食等行為的模擬。通過群體智能的全局隨機優(yōu)化，經過不斷的迭代，尋找當前群體中的最優(yōu)點(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合，以達到加快算法的收斂、避免算法陷入局部最優(yōu)、進行數據降維等目的。
2 鋼鐵材料軋制過程性能預測建模方法研究進展
1995年，劉振宇等首次將BP神經網絡應用到鋼鐵材料性能預測中，實現了熱軋C-Mn鋼的力學性能預測，取得了良好的效果。Sterjovski Z等利用三層前饋神經網絡預測了熱軋調制壓力容器鋼在多次焊接后的沖擊韌性。Jagadish等利用人工神經網絡的方法預測了熱軋Fe415鋼的屈服強度、抗拉強度和伸長率。然而，BP神經網絡在應用過程中容易產生過擬合現象，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上增加了代表網絡復雜度的懲罰項，結合貝葉斯定理，開發(fā)出貝葉斯正則化神經網絡。例如，Yang Y Y等利用貝葉斯神經網絡預測了熱軋帶鋼的抗拉強度，并給出了預測誤差置信區(qū)間。Khlybov O S等基于貝葉斯網絡模型實現了熱軋帶鋼的力學性能控制。賈濤等基于貝葉斯神經網絡，在梅鋼熱軋生產線對SPA-H和510L鋼的力學性能進行了預測，該模型在收斂速度和泛化能力方面均優(yōu)于傳統(tǒng)的BP神經網絡。圖2所示為采用模型對510L鋼力學性能的預測結果，預測結果不僅精度較高，還能為預測結果給出誤差范圍。
工業(yè)數據具有信噪比低、維度高、非均衡等問題，數據質量對模型的預測精度和可解釋性有著至關重要的影響，從改善數據質量入手改善模型也是提高模型預測性能的一個重要途徑。近五年，吳思煒等針對多牌號C-Mn鋼工業(yè)數據開發(fā)了降噪、聚類、均衡等數據處理策略，在此基礎上，采用貝葉斯正則化神經網絡建立了多牌號熱軋C-Mn鋼的力學性能預測模型，并保證模型能夠反映出合理的物理冶金學規(guī)律。相比C-Mn鋼，微合金鋼元素交互作用更為復雜，生產工藝更加嚴格。因此，在C-Mn鋼工業(yè)數據處理方法基礎上，針對Nb-Ti熱軋微合金鋼利用網格劃分技術和主成分分析方法對數據進行均衡和降維，并建立Nb-Ti微合金鋼成分、工藝、性能對應關系模型，研究了主要成分和工藝參數對性能的影響規(guī)律。
除了神經網絡，研究者們還采用多種機器學習算法建立數據驅動模型預測鋼鐵材料軋制過程的力學性能。2013年，ZHAO Yong-hong和WEN Yang等利用半參單指數模型預測熱軋帶鋼力學性能，當建模數據有限時，通過確定核函數和窗口寬度，取得了比多元回歸和神經網絡模型更好的預測效果。吳思煒等比較了逐步回歸、嶺回歸、貝葉斯正則化神經網絡、徑向基神經網絡、支持向量機、隨機森林算法在X70管線鋼抗拉強度預測建模中的應用效果。圖3所示為不同模型預測X70管線鋼力學性能的相關系數和均方誤差。結果表明,隨機森林具有極高的預測精度；當建模數據較少時，支持向量機具有一定的優(yōu)勢。同時,進一步驗證了如果想要提高模型在某一區(qū)域的預測精度，可以通過擴張對應區(qū)域訓練數據來改善模型預測效果。SUI Xiao-yue等基于Gram-Schmidt正交變換的信息熵對輸入變量進行屬性約簡，選出有效特征子集，然后采用極限學習機實現力學性能預測。結果表明，基于屬性約簡的極限學習機建模耗時短，精度高，更適合用于建立熱軋過程中力學性能預測。Hore S等采用自適應模糊神經系統(tǒng)預測熱軋TRIP鋼的力學性能(屈服強度、抗拉強度和伸長率)，同時也對殘余奧氏體的含量進行預測。李飛飛等采用多種機器學習算法對機理模型預測誤差進行了補償，取得了良好的效果。2018年起，李維剛等結合大數據和冶金機理，綜合運用隨機森林、因果圖、貝葉斯網等手段進行變量篩選，分別構建一元無交互作用和二元有交互作用的廣義可加性模型，構建整合模型，對大量鈮微合金鋼的屈服強度、抗拉強度和伸長率進行了預測。吳思煒等在傳統(tǒng)物理冶金學機理模型基礎上，基于工業(yè)數據，利用遺傳算法對機理模型中的關鍵參數進行自優(yōu)化計算，使機理模型獲得自學習能力，實現了高精度的鋼鐵材料軋制過程微觀組織和力學性能預測。
除了傳統(tǒng)淺層學習算法，深度學習技術也被應用于鋼鐵材料軋制過程力學性能預測。李維剛等通過將一維數據轉換為二維圖像數據，采用卷積神經網絡對熱軋帶鋼力學性能進行預測。XU Zhi-wei等在此基礎上，對一維數據向二維數據轉換的方法進行了改進。如圖4所示，將數據由順序排序調整為計算模型輸入變量的協(xié)方差矩陣，并將矩陣轉換為灰度圖，從而將數據分布特征考慮到模型中，增強了模型的預測能力。
相比淺層學習方法，深度學習可以提高鋼材的力學性能預測精度。然而，訓練模型需要大量的數據，訓練數據不足成為制約模型精度的一個瓶頸。鋼材的力學性能往往是抽樣檢測，會產生大量的只有化學成分和軋制工藝，沒有相匹配的力學性能的數據，即無標簽數據。吳思煒等通過采用半監(jiān)督學習的方法為熱軋生產中的無標簽數據添加偽標簽，將帶有偽標簽的數據與帶有標簽的數據合并成訓練集，提高模型的預測精度。結果顯示，這種方法有助于解決深度學習建模過程中訓練數據不足的問題，同時也為小樣本數據建模提供了一個新的思路。
3 鋼鐵材料軋制過程性能預測模型應用情況
3.1 材料性能在線預測
基于數據驅動建模技術開發(fā)的模型可以用于鋼鐵材料軋制過程在線性能預測。Kurban V V等利用神經網絡模型實現熱軋帶鋼力學性能實時預測，從而減少熱軋過程中破壞性取樣，減少材料浪費。Agarwal K等利用貝葉斯方法實現了熱軋帶鋼的力學性能在線預測，對于多數鋼種，力學性能預測精度在±5%以內。李軍凱針對梅鋼1 422熱軋生產線分別基于物理冶金學原理和BP神經網絡開發(fā)了熱軋帶鋼的組織性能預測軟件，采用軟件對Q235B鋼和X52鋼的組織演變行為進行預測，取得了良好的效果。鄧天勇基于人工神經網絡和物理冶金學模型開發(fā)了可用于組織性能預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網絡的輸入變量進行降維，利用前饋神經網絡預測了鍍鋅卷的屈服強度和抗拉強度，在印度Tata鋼鐵實現了在線預測，在±10 MPa范圍內的命中率達90%以上。
3.2 化學成分和工藝參數分析
基于數據驅動建模技術開發(fā)的模型可以用于對化學成分和工藝參數的分析。GUO Shun等基于鋼鐵生產全流程數據，考慮27種成分和工藝等影響因素，同時建立了鋼的屈服強度、抗拉強度和伸長率等力學性能預測模型。通過對比最小二乘法、支持向量機、回歸樹和隨機森林模型，確定了最優(yōu)的建模方法，并對影響3個力學性能的因素進行了變量敏感性分析，并著重分析了碳含量對強度的影響。Chen M Y等針對結構鋼，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行預測。利用模型分析成分對沖擊功的影響發(fā)現，低碳當量、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據，通過神經網絡方法挖掘出成分和工藝參數對力學性能的影響，并分析了碳化物形成元素對鋼的力學性能的影響作用。吳思煒等采用枚舉法對輸入變量進行組合，利用貝葉斯正則化神經網絡建立了鋼材的力學性能預測模型，采用平均影響值對各輸入變量進行相對權重分析。針對Nb-Ti微合金鋼，吳思煒等挖掘鋼材化學成分、工藝參數和力學性能對應關系，并對主要化學成分和工藝參數對力學性能的影響規(guī)律進行了分析。圖5所示為元素對屈服強度的影響規(guī)律，可以看出，碳、錳和鈮元素都可以增加屈服強度，鈮元素的影響最為明顯。針對冷軋過程，Mohanty I等基于神經網絡建立冷軋IF鋼的力學性能預測模型，利用該模型分析了屈服強度、抗拉強度、伸長率和r值隨鈮含量的變化規(guī)律(圖6)。
3.3 化學成分和工藝參數優(yōu)化設計
基于數據驅動建模技術開發(fā)的模型可以用于對化學成分和工藝參數進行優(yōu)化設計。獲得鋼材軋制過程性能預測模型后，可以得到鋼材在任意一組化學成分和軋制工藝下的力學性能。結合多目標優(yōu)化手段，根據用戶需求設定目標力學性能值和化學成分、軋制工藝等約束條件，將軋制工藝優(yōu)化設計問題轉換為多目標優(yōu)化問題的求解，通過求解多目標優(yōu)化函數實現軋制工藝優(yōu)化設計。賈濤等利用貝葉斯神經網絡模型和自適應粒子群算法相結合，分別對集裝箱熱軋板和510L的軋制工藝進行優(yōu)化設計，并通過工業(yè)試軋驗證了工藝優(yōu)化設計的可行性。吳思煒等利用工業(yè)數據挖掘鋼鐵材料成分、工藝、性能之間的對應關系，結合多目標優(yōu)化算法，分別對C-Mn鋼和微合金鋼的軋制工藝進行優(yōu)化，實現了380CL鋼的合金減量化開發(fā)、HP295的力學性能穩(wěn)定性控制等應用。圖7所示為傳統(tǒng)工藝下HP295力學性能波動和優(yōu)化工藝下HP295力學性能波動對比?？梢钥闯觯啾葌鹘y(tǒng)工藝下力學性能波動，優(yōu)化工藝下力學性能波動大幅減小，提高了產品力學性能的穩(wěn)定性。
4 鋼鐵軋制過程性能預測研究可能的發(fā)展方向
機器學習算法在鋼鐵軋制過程性能預測的研究已經開展近30年，從單一的神經網絡對C-Mn性能的預測到協(xié)同多種機器學習算法解決復雜工況下微合金鋼性能預測問題。隨著自動化技術、計算機通訊技術、數據庫技術、機器學習算法等技術的進步，研究者們有望對越來越多復雜情況下的性能預測問題進行深入研究，預計今后一段時間內的發(fā)展方向可能有：
(1)數據質量的改善。軋制過程是多工序強耦合的過程，數據存在多源異構的特點，打通數據孤島，將多源異構數據統(tǒng)一融合，并針對軋制過程數據信噪比低、高維度、非均衡、相關性和因果關系復雜等特點開發(fā)數據處理策略。
(2)小樣本數據建模。盡管工業(yè)生產數據平臺日趨完善，但仍存在很多場景僅具有少量的樣本數據，這給利用數據驅動技術建模帶來了困難。因此，基于支持向量機、半監(jiān)督學習、元學習、遷移學習等小樣本建模方法需要進一步研究。
(3)建模數據加密。鋼鐵產品生產工藝是一個企業(yè)產品競爭力的核心，企業(yè)對工業(yè)數據的保密性尤為重視。為了既能讓生產數據為建模所用又能兼顧生產數據的保密性，在數據不脫離生產線的前提下，通過加密傳輸手段開展基于聯邦學習的性能預測模型研究。
(4)模型可解釋性研究。目前對于機器學習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)律進行分析，模型對物理冶金學機理的解釋仍然有限?？紤]將現有物理冶金學模型與機器學習算法深度融合，豐富并增強模型的可解釋性。
(5)鋼鐵材料組織預測。目前鋼鐵材料軋制過程性能預測多是基于化學成分、軋制工藝、性能之間的關系，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確的預測。結合淺層學習和生成對抗網絡等深度學習手段建立化學成分、軋制工藝、微觀組織和性能的關聯，預測產品最終組織和性能。
(6)利用模型進行有效的工藝優(yōu)化設計。建立好鋼鐵材料軋制過程性能預測模型后，可分析化學成分和工藝參數對鋼鐵材料性能的影響規(guī)律，結合智能優(yōu)化算法在多種約束下利用模型指導化學成分和工藝參數的優(yōu)化設計。
5 結論
(1)介紹了鋼鐵材料軋制過程性能預測常用的主流機器學習算法，其中包括人工神經網絡、模糊神經網絡、支持向量機、隨機森林、智能優(yōu)化算法等。
(2)針對鋼鐵材料軋制過程性能預測，分別對鋼鐵材料軋制過程性能預測建模方法研究進展和鋼鐵材料軋制過程性能預測模型應用情況進行了綜述。
(3)對鋼鐵材料軋制過程性能預測研究進行了展望，指出了數據質量的改善、小樣本數據建模、建模數據加密、模型可解釋性研究、鋼鐵材料組織預測和利用模型進行有效的工藝優(yōu)化設計等可能發(fā)展方向。
