基于PIDAS平臺厚板質量管理的探索與實踐

肖桂林,劉 曄

(寶山鋼鐵股份有限公司1.厚板部,上海 200941; 2.中央研究院,上海 201999)

質量是企業的生命線,其質量管理水平直接影響企業的綜合實力,而質量問題,也成為制約企業發展的重要因素。隨著智能制造、智能工廠等概念被不斷地重新定義和界定,大數據、云計算、物聯網等各類新技術得到不斷突破。企業逐步向數據化、數字化、智能化方向邁進,為質量管理水平大幅度提升帶來了非常好的機遇[1]。

1 厚板產品質量要求

厚板產品質量要求是鋼板制造、質量判定、產品使用的依據和規范,一般在技術標準、制造協議或合同中進行規定。因鋼板用途廣泛、品種繁多,使得中厚鋼板的質量要求也多種多樣,通常主要由使用性能、工藝性能、內部質量、表面質量、尺寸精度、板形精度、噴刻印質量等方面構成[2]。

使用性能的好壞決定了鋼板的使用范圍和使用壽命。使用性能主要包括鋼板的力學性能、物理性能、化學性能等。力學性能通過強度、塑性、韌性指標來表征,通過試驗來評定。物理性能和化學性能主要包括鋼板的耐熱性、耐蝕性、耐候性、耐低溫性、抗磁性等。

工藝性能是指鋼板在后續加工制造過程中特定的冷、熱加工條件下所表現出來的性能。如對鋼板的可焊性、彎曲性、切削加工性等的要求。

表面缺陷通常對應缺陷產生的工序,如煉鋼星裂、軋制氧化鐵皮壓入等。內部質量主要是指對內部缺陷的要求,如內部裂紋、偏析、夾雜物、組織大小及均勻性等。尺寸精度通過厚、寬、長三維尺寸的偏差來評價。板形所含的內涵很廣泛,厚板產品的板形通常是指鋼板的平直度,近年來,噴刻印清晰度也成為衡量鋼板質量的一個重要指標。

2 厚板質量管理現狀

2.1 鋼鐵行業質量管理現狀

近年來,鋼鐵行業自動化水平取得了較大的進步。很多企業號稱從質量檢驗階段、統計質量控制階段跨進了全面質量管理階段,但事實上,由于缺少系統性的工藝和質量數據,很多鋼鐵企業的質量管理仍處于傳統的質量檢驗管理階段,有部分專職質檢人員從事產品質量檢查把關工作。技術人員制定標準,操作人員負責生產,質檢人員負責檢查產品質量。這種做法的實質是在產品中挑缺陷、劃等級。這樣做雖然在保證出廠產品質量方面有一定的成效,但也有不可克服的缺點,如:出現質量問題容易扯皮、推諉,缺乏系統的觀念;只能事后把關,而不能在生產過程中起到預防、控制作用,待發現缺陷時已經成為事實,補救成本高或很難補救;對產品的全數檢驗,有時在技術上做不到的,有時在經濟上是不合理、不合算的。隨著生產規模的不斷擴大和生產效率不斷提高,這些缺點也就越來越突出。

2.2 厚板領域質量管理現狀

中厚鋼板的生產具有流程長、工藝路線復雜、技術應用密集度高等特點,集中體現了鋼鐵生產流程型的特征。為滿足用戶的高表面、高板形、高尺寸精度的使用要求,需要花費人力物力進行實物的測量,如圖1所示。有的企業增配了表面、板形等檢測裝置。但由于統計方法應用不深入、質量因素規律性認識不足等原因導致全面質量管理的基礎不夠牢固。各類質量數據分散在不同層級的計算機系統中,仍然存在大量的數據孤島,質量管理仍然處于質量檢驗和事后分析的被動局面。

圖1 傳統的質量檢查方法

隨著信息技術的不斷發展,如何利用信息化技術實現企業質量管理水平的提升,就成為企業在開展質量管理中需要重點考慮的問題。鋼板的質量控制及管理不僅需要先進的裝備、嚴謹的工藝,還需要適用的檢測手段及系統科學的分析方法,只有將兩者的機能有機地結合起來,才能真正建立質量管理的技術保障體系。

3 厚板智能質量管理體系

傳統的質量管理,可采集、可監控的關鍵過程參數有限,實際生產過程中,影響產品質量的因素很多,如果過程的波動沒有及時識別并加以控制,被動的事后分析在所難免。

如果可以實時采集過程數據,尤其是現場測量儀表的毫秒級實時數據,將工序隨時間變化的各類細節數據進行勾連分析,就容易發現數據之間的規律,也可以及時對趨勢進行預警甚至進行實時模型控制。

結合相關業務需求,經過長達十多年工藝與信息技術研發融合,寶鋼自主開發了基于厚板業務的流程型過程智能數據應用系統(PIDAS:Process Intelligent Data Application System),智能質量管理是PIDAS的核心模塊之一。PIDAS系統打通了數據孤島,實現了厚板數據的互聯互通[3]。

寶鋼厚板智能質量管理依托自動化和數字化等智能制造技術,整合并促進質量管理再次升級。通過自動化,將更多的檢測工作交給設備和系統;通過數字化,充分利用質量數據進行分析和決策;通過信息化技術,最大程度地集成質量數據、信息和知識。以問題為導向,結合用戶最敏感的質量問題,形成了板形、尺寸、表面、性能的分析預測模型;以產品為載體,形成了最優解的輔助工藝設計系統;以工序為出發點,通過采集跨層級多頻度異構數據,形成了實績分析優化用的多視角數據圖、表等描述性功能應用;以AI控制為終極目標,通過數據邏輯、工藝知識形成判斷邏輯,可實現尺寸、表面、板形及性能自動判定。厚板智能質量管理系統構架如圖2所示。相關的功能和質量管理模式提升通過后續章節以板形質量管理為例加以說明。

圖2 厚板智能質量管理系統構架

4 基于PIDAS的板形質量管理

4.1 板形平直度缺陷分類

鋼板的板形所含的內涵很廣泛。廣義的板形是指鋼板的平直度、矩形度、板凸度;狹義的板形是指鋼板翹曲程度,沿鋼板長度和寬度方向上的平直程度。從表現形式看,有表觀板形及潛在板形之分。潛在板形是指鋼板中存在殘余內應力,但加工前不足以引起鋼板翹曲,稱為潛在板形不良;表觀板形是指鋼板殘余內應力足夠大,以致引起鋼板翹曲,稱為表觀板形不良。

寶鋼厚板廠TMCP工藝產品(控制軋制+控制冷卻)比例較高,TMCP工藝實現了“以水代金”降本增效。但要取得這樣的成效,首先就要從加熱、軋制、冷卻、矯直等全工序來進行鋼板板形平直度控制。除了控制廠內發生的可視的板形問題,還要控制后續切割翹曲“潛在”板形缺陷。這種可視或潛在的板形缺陷控制不良,都會嚴重影響廠內的生產物流和最終用戶的使用感受。常見的平直度缺陷如圖3所示。

4.2 板形平直度改善的難題

為了確保板形受控,除了使用預矯改善板形,每塊鋼板還進行了1～3道次在線熱矯直,但在用戶端,頻頻出現加工過程鋼板變形影響加工過程,部分鋼板變形嚴重,無法使用。在厚板廠內也存在大量鋼板由于板形不滿足放行標準,通過追加冷矯工序來確保滿足板形技術要求。

追加冷矯工序不僅增加了工序成本,也影響了生產效率,冷矯工序成為某些品種的瓶頸工序。板形問題,既影響物流,又影響交期,還增加了質量成本。

圖3 板形缺陷類別

應用傳統的數據和方法解決板形問題遇到了各種困擾。從加熱、軋制、冷卻、矯直等工序多達上百個參數。板形儀只有一個圖譜,操作人員根據顏色來進行板形質量判定,結果只有追加冷矯和未追加冷矯兩個結果。判定的準確與否暫且不談,平直度不良的區域在哪個部位？不平度的程度是多少？源頭在哪？為什么每次都批量出現？工序有沒有異常？哪些參數變化了？如何在第一時間發現？源頭如何管控等諸多疑問,都是亟待解決的問題。

一句話,要快速有效改進板形,就要把板形數據與過程參數勾連起來。這個功能利用PIDAS系統第一次得以高效實現。

4.3 PIDAS板形改進方案

4.3.1 板形測量數據數字化

原板形儀是個數據孤島,設備供應商沒有留下接口,每塊鋼板經過時僅刷新圖譜,在PIDAS系統中通過解析板形儀鋼板板形圖譜,將板形數據數字化,如圖4所示,并最終還原成數字化的母板板形。

圖4 數字化板形測量數據

4.3.2 細分缺陷類型

當板形測量值數據化之后,板形缺陷得以進一步細分,可分為操作側單邊浪、傳動側單邊浪、頭部上翹、頭部下扣、寬度C翹、中間浪等十幾種板形缺陷。某規格產品,現場一直反映板形不好,在之前,操作和技術人員都描述不清到底是什么類型的板形缺陷,缺陷都搞不清楚談何改進。板形儀數據解析化之后,問題就迎刃而解了。如圖5所示,基于統計數據,某規格板形缺陷1、缺陷2是主要缺陷,占比72.9%。

4.3.3 回歸翹曲高度與過程參數的關系

除了可以區分板形缺陷類別,還可以將板形與過程參數之間的關系進行回歸,找出浪形高度與過程數據的相關性。

如,通過回歸分析,頭部翹曲浪高=3.73+0.850 kcpp01+0.0254 kcpp02-0.0173 kcpp03-0.0111 kcpp04+0.287 kcpp05-0.00800 kcpp06+0.0164 kcpp07+0.0123 kcpp08-0.0047 kcpp09

圖5 板形缺陷排列圖

其中kcpp01-kcpp09為關鍵的過程參數。

4.3.4 對關鍵過程參數的監控

關鍵參數明確了,利用數據和工藝至少建立板形敏感參數評價模型,通過雷達圖展示板形敏感指標實時刷新,完成板形敏感參數的過程監控,如圖6所示。

圖6 板形敏感參數雷達圖

4.3.5 出現浪形的概率預測

有了知識和數據的積累,預測板形發生概率也是水到渠成。 根據過程數據,預測出現浪形缺陷的概率并加以控制,不僅有助于表觀的板形缺陷改進,對潛在的板形缺陷改進也有更重要的意義。如在TMCP船板的板形改進中,當過程數據表征的浪形缺陷發生概率達某個閾值時,通過動態調整或自動預定冷矯工序釋放應力可有效降低用戶端潛在板形缺陷發生率。目前用戶反饋寶鋼厚板廠TMCP船板板形合格率處于國際先進水平行列。

5 結論

本文介紹了傳統質量管理模式存在的問題及瓶頸,闡述了基于PIDAS平臺厚板智能質量管理系統的構架。通過板形平直度改進案例進一步闡述可數字化分析、可數據化監控、可智能化預測的智能質量管理體系的探索與實踐。

(1) 自動化、數據化、數字化為質量數據的獲取和分析奠定了基礎。

(2) 通過信息化技術,可最大程度地集成質量數據,充分利用質量數據進行分析和決策。

(3) 智能質量管理系統需要培訓和訓練具有數據思維的人才。

(4) 智能質量管理系統終極目標是實現質量預防、診斷和在線控制。