深度學習算法在鋼鐵質量檢測中的應用

耿朝雷，艾云霄

(北京京誠鼎宇管理系統有限公司，北京 100176)

0 引言

在鋼鐵行業中，鋼鐵產品在整個生產流程中必須經過嚴格的質量檢測，而目前的檢測手段主要為組批檢驗[1]，也就是選取一定數量樣品進行檢測，以此推斷整個批次產品質量。鋼鐵行業生產極具復雜性，包括長流程、多工藝、多品種、多批量。計劃調度員在實際生產前需要預先編排生產計劃及組批計劃。生產者根據實際生產情況，按照生產對象預先設定的順序，從前到后進行編制。由于檢驗批要求具備相同的生產條件，當計劃編制發生在不同生產條件交界處時，導致組批量不足，因此極大地增加了檢測數量。

利用人工智能和深度學習算法改進組批方法，提高組批量和計算效率成為國內外科研工作者的研究重點。例如在粒子群算法的基礎上，江雪[2]提出了應用于合同組批的方案，在一定程度上提高了組批量。但是，所提出的粒子群組批方案依賴條件過于復雜，依然存在組批量低，且生成的檢驗批不滿足生產要求時，難于進行人工調整。

因此，本文整合了合同組批方案和計劃組批檢測手段，以規格和材質代碼[3]為限制條件進行計劃組批。本文同時提出了動態組批算法，有效地避免了計劃組批實際生產過程的第二次檢驗浪費現象。經過改進的動態組批算法不僅提高了組批量，而且也提升了計算效率。針對鋼鐵產品實際生產過程中的事后性，本工作進一步結合了深度學習算法和CNN-LSTM模型[4-10]用于優化和實時反饋檢測過程中樣品的質量，并對檢測性能進行實時在線預測與評價。通過對模型參數的結構的改變，增加所有成分及工藝實績, 可以提升性能預測的準確性和檢測的普適性。因此，本文所提出的人工智能模型對鋼鐵行業性能預測具有重要的指導意義。

1 計劃檢驗批

基于材質代碼[3]和規格對生產對象進行計劃組批，組批量不能超過材質代碼對應的檢驗批的量。當組批量小于材質代碼代表的檢驗批量時，通過群體粒子在生產對象空間中以一定的速度飛行，每個粒子在搜索時，考慮自己搜索到的歷史最好點和群體內(或鄰域內)其他粒子的歷史最好點，在此基礎上進行位置的變化，并運用適應度來評價粒子的優劣，形成如下模型[2]。

表1 計劃組批模型的符號及參數

(1)

(2)

(3)

Xij=[0，1]

(4)

式(1)是模型的目標函數，表示組批方案中所有計劃批次的重量，材質代碼代表檢驗批重量平均差達到最小。式(2)保證每一合同分布在各組批的重量不超過合同規定的重量。式(3)表示每一個合同分布到的批次個數不多于t個批次，其中，[xij]表示大于或等于xij的最小正整數。

2 動態組批

動態組批是對計劃組批的一種動態延伸，其優點在于能夠對生產過程中的檢測對象實施監控和數據反饋。具體來說，計劃組批通過上文提到的模型，在產品生產前完成編制檢驗批。但是，當檢驗批對象在任何一個實際生產環節中出現問題時，會降低檢驗批的總樣本數。比如：檢驗批按重量(60 t)取樣，當檢驗批中某塊鋼板(5 t)軋廢，則檢驗批的重量是55 t。相反，動態組批是在生產過程中能夠根據接收的鋼板切割實績信息(所屬訂單、材質代碼[5]、鋼種、規格、重量、軋制時間)，動態地將實際生產的產品組成檢驗批，保證了最大組批量。比如，年產量100萬噸，軋制成材率98%，軋廢的鋼材量是2萬噸，動態組批針對這些軋廢的鋼材不取樣，不做實驗，而計劃組批不僅對軋廢的鋼材取樣、實驗，并且是從合格的鋼材中進行取樣、實驗。動態組批不僅提高了成材率，還減少了實驗工作量和實驗器材消耗量，從而提高鋼廠經濟效益。

根據營口中厚板統計，使用動態組批算法比計劃組批算法每年提高經濟效益360萬元。

3 性能預測

綜上，計劃組批能夠達到最佳組批組合。動態組批在最優計劃組批的基礎上將實際檢驗批達到最大組批量，減少了取樣量，提高了經濟效益。然而，完成性能判定仍然要在生產過程中取樣實驗，并獲得足夠的可靠數據。因此，國內外的科研工作者也將目光投向人工神經網絡的相關理論和方法在鋼鐵性能預測的應用，包括寶鋼在內的多家鋼鐵企業成功將人工神經網絡模型應用于在線產品檢測，實現了6%以內的誤差調控[11]。筆者及所在團隊在鋼鐵生產過程中在不同的信息化平臺上積累了大量的生產和質量檢驗數據，為本文所述產品的在線質量控制和質量預測模型建立了良好的數據基礎[6]。本文利用濟源鋼鐵企業信息化平臺積累的大量生產和質量檢驗數據，對CNN-LSTM模型進行了參數結構的改進和系統的訓練，實現了性能實時在線預測。model.summary()輸出模型各層的參數狀況如表2所示。

表2 model.summary()輸出模型各層的參數狀況

該方法系統性地考察了軋鋼過程中各加工工藝的影響，涵蓋了所有成分和過程工藝：成分包括C，Si，Mn，P，S，V，Nb，Cr，Ni，Cu，Al，Als，Ca，CEQ，N，Mo，Ti，W，Co，B，Bs，Pb，Sn，Sb，Bi，Zn，Zr，La，Ce，Mg；軋鋼過程的工藝實績包括總加熱時間、加熱溫度、三加時間、均熱段時間、開軋溫度、連軋入口溫度、鋸切入口溫度、入坑溫度、進KOCKS溫度、上冷床溫度、卷取溫度、CP3剪切溫度、進精軋溫度、進減定徑溫度、吐絲溫度、三加+均熱段時間、二加+均熱段時間、小開坯溫度、大開坯溫度、一加熱段溫度、二加熱段溫度、三加熱段溫度、高溫擴散時間、三加殘氧、均熱殘氧、均熱段溫度、1 130攝氏度以上加熱時間、1 180攝氏度以上加熱時間等。

為實現成分和工藝實際數據錄入的有效性和可靠性，本文發展了兩步法數據輸入流程：(1)數據補充處理；(2)數據標準化處理。具體來說，對于成分數據，凡是空數據，用相同材質代碼[5]爐號的對應成分數據進行補充。對于工藝實績，一種情況是軋鋼過程應該經過的工藝，工藝實績缺失時，利用相同材質代碼[3]、相同規格工藝實績進行補充；另一種情況是軋鋼過程不經過的工藝實績，工藝實績用0補充。其次，本文使用離差標準化方式實現對數據標準化處理。

maxx及minx是樣本中的最大值及最小值，x'是離差標準化處理后的數據。

由于鋼種不同，產品檢驗項目差別大。抗拉強度Rm是絕大部分鋼種都需要進行的檢驗項目，所以本文先對抗拉強度Rm進行性能預測。本文按爐次獲取成分實績，按檢驗批獲取抗拉強度Rm，工藝實績是按坯料進行跟蹤的，工藝實績按照每個檢驗批對應的坯料工藝實績平均值獲取數據。

根據上述方法，獲取356 551條數據。將356 000條數據輸入模型進行學習，將551條數據進行模型驗證。實驗結果對比如表3所示。

表3 實驗結果對比

4 結語

本文系統闡釋了從計劃組批、動態組批到性能預測的流程。在計劃組批的基礎上，基于組批量、取樣量、實驗量的變化，建立和完善了動態組批方式，其增大了組批量，減少了取樣量和實驗量，提高了經濟效益。本文在先期研究的基礎上，結合濟源鋼鐵企業信息化平臺積累的大量生產和質量檢驗數據，完善了動態深度學習的模型，在鋼鐵產品性能預測上，實現了精準的預判性和鋼鐵產品檢測的普適性。利用性能預測直接在實驗室通過預測模型模擬生產，在實驗室調整好工藝參數后直接生產，而不必試驗生產，可大大節省研發費用，減少新產品研發時間，性能預測在新產品研發上具有重要的意義。