數字孿生驅動的熱軋鋼卷邊裂管控框架

曾凡航

（1 武漢科技大學冶金裝備及其控制教育部重點實驗室， 武漢 430081；2 武漢科技大學機械傳動與制造工程湖北省重點實驗室， 武漢 430081）

0 引 言

鋼卷熱軋過程中受到鋼坯加熱溫度、爐內停留時間、除鱗時的水壓、冷卻水壓、軋制張力、軋制速度、卷取溫度等因素影響，導致熱軋鋼卷出現邊裂缺陷，嚴重影響產品質量。 為了尋找邊裂產生的原因以及實現對鋼卷邊裂缺陷的管控，王章嶺等學者［1］從裂紋形成機理出發，得出不同形貌裂紋的形成原因，并制定了相應的改進措施。 張翔等學者［2］通過研究鋼卷邊裂與礦石原料、冶煉、軋制工藝以及鋼中低熔點元素的關系，分析了高強度船板邊裂產生的原因。 王宏霞等學者［3］采用宏觀檢驗、金相檢驗及掃描電鏡能譜分析等方法，對出現邊裂的鋼卷進行解剖分析。 趙瓊［4］通過對邊裂鋼卷從外到內采用解剖分析、三維方向的金相分析研究及掃描電鏡分析等綜合分析手段，對邊裂出現的原因進行了較為全面的研究。 這些研究主要根據缺陷的統計學特征、生產經驗以及鋼卷內部成分事后來判斷邊裂缺陷產生的原因，缺乏生產過程數據和理論模型支撐，針對整個熱軋過程無法精確分析和定位邊裂原因，也不能做到及時的預測。

隨著第四次工業革命的來臨，與物理世界對應的數字孿生世界不斷成熟，數字孿生技術與國民經濟各產業的融合不斷深化，有力推動了各產業在數字化、網絡化、智能化的發展進程［5］，也為制造業里的物理信息融合提供了較好的解決思路。 近年來，作為智能制造的技術之一，數字孿生技術為實現信息物理系統的虛實融合提供了新的思路和方法，已經得到了國內外學者的廣泛關注［6］。 數字孿生車間是數字孿生技術在產品加工制造階段的具體應用，主要將物理車間和虛擬車間進行雙向真實映射和實時交互，使車間的管控達到最優。 為了提高復雜產品裝配過程管控的全面性和實時性，Zhuang 等學者［7］提出了基于數字孿生的復雜產品裝配過程智能管控方法，建立了相應的管控框架，闡述了該框架中包含的車間運行狀態預測方法以及智能迭代優化等技術。 陶飛等學者［8－10］提出數字孿生車間的概念，詳細地介紹了數字孿生車間的特點與運行機制，并在此基礎上提出數字孿生五維模型。 Yin 等學者［11］通過構建了一種三維可視化監控系統來動態反映機加工車間生產任務的執行情況。 Jiang 等學者［12］通過將信息集成技術和虛擬現實技術結合在一起，建立了虛擬車間狀態監控系統，并且運用Unity3D 軟件進行了實例驗證。

針對上述研究成果以及熱軋車間目前的實際情況，本文提出建立數字孿生驅動的熱軋鋼卷邊裂缺陷管控框架，通過構建鋼卷熱軋過程的孿生模型實現對邊裂缺陷的管控。

1 熱軋鋼卷邊裂缺陷管控框架

熱軋車間的智能加工管控主要傾向于通過研究虛擬熱軋車間來對實體熱軋車間進行管控，以解決車間中由于原材料缺陷、設備參數、加工工藝、車間管理手段落后等因素導致的熱軋鋼卷邊裂缺陷問題。 本文通過借助Schleich 等學者［13］提出的數字孿生車間概念，構建的熱軋鋼卷邊裂缺陷管控框架如圖1 所示。 該框架主要由物理實體層、虛擬模型層、數據層、管控服務層這4 部分構成，在數據驅動下，虛擬模型的各部分能夠正常運作，同時得到仿真數據，隨后通過對仿真數據進行分析，預測邊裂缺陷的情況。 在此基礎上，對鋼坯加熱溫度、冷卻水壓等參數不斷進行優化和改進，隨后將優化后的結果反饋給實體熱軋車間進行參數調整，達到對實體熱軋車間邊裂缺陷進行管控的目的。

圖1 熱軋鋼卷邊裂缺陷管控框架Fig. 1 Control framework of hot rolled coil edge crack

（1）物理實體層。 物理熱軋車間是擁有專業化原則的生產力諸要素的集結地，包括了人員、熱軋設備、加工材料、鋼卷等元素，主要通過根據接收訂單安排生產任務，并按照仿真優化后的策略完成加工任務。

（2）虛擬模型層。 虛擬模型層是物理實體層在計算機內的等價映射，主要負責對熱軋加工進行仿真，實現對物理熱軋車間進行實時監測和調控［14］。虛擬模型層主要是對建立的鋼坯加熱溫度、冷卻水壓、卷取速度等模型進行仿真，將軋制設備、加熱設備和冷卻設備等物理實體在物理生產線的數字空間進行復制再現。 首先，需要采集熱軋車間中的鋼坯加熱溫度、冷卻水壓、卷取速度等數據；隨后，建立對應的模型；最后，通過建立數據驅動模型實現模型與實時數據的融合，進而構建全生命周期的熱軋鋼卷數字孿生體模型［15］。

（3）數據層。 本文主要將數據層分為數據采集模塊和數據處理模塊、數據存儲模塊和數據傳輸模塊。 其中，數據采集模塊主要通過人機交互、硬件采集終端對鋼坯加熱溫度、冷卻水壓等數據進行采集；數據處理模塊主要將采集的數據通過清洗剔除噪點數據，隨后對生產過程中實時采集的多源異構數據進行融合，為后續邊裂缺陷預測、參數優化與反饋控制提供可信的數據和信息。 同時，在利用數據存儲模塊對數據進行保存時，將熱軋工藝流程及加工節點融入進去，這樣既保證了存儲數據間的關聯，也為后續預測模型的建立和邊裂缺陷的管控提供數據支撐；在此基礎上，系統將數據通過數據傳輸模塊導入管控服務層來進行因素分析和參數優化。

（4）管控服務層。 管控服務層主要包含原因追溯模塊、邊裂預測和參數優化模塊。 鋼卷熱軋過程中會受到眾多因素的影響導致其產生邊裂缺陷，為了追溯缺陷原因，將由數據層導入的鋼坯加熱溫度、冷卻水壓等數據與邊裂缺陷情況結合起來，隨后運用線性回歸和決策樹等算法進行計算和分析，同時，將分析的結果利用知識圖譜展示出來，為邊裂缺陷預測以及相關參數優化做準備。

通過對邊裂數據進行分析，確定了鋼卷在熱軋過程中出現邊裂的原因，但是，在對邊裂缺陷進行預測時還要確定各因素與邊裂缺陷的關聯程度，即對上述隨機變化的不確定性因素分配不同權重，隨后才能對邊裂缺陷進行預測。 由于分配的權重具有不確定性，為了獲得最好的預測結果，本文采用反向神經網絡進行預測，通過不斷調整各影響因素的權重值來達到最好的預測效果。 最后根據預測的結果對鋼坯加熱溫度、冷卻水壓等因素進行調整，再將優化后的參數反饋給實體熱軋車間，以減少后期生產中邊裂的產生，達到對邊裂缺陷進行管控的目的。

2 數據驅動的虛擬熱軋車間

2.1 虛擬熱軋車間的建立與仿真

本文采用Unity3D 對熱軋過程中的虛擬模型進行構建和仿真。 通過3D 車間可視化和UI 數據可視化對車間內的冷卻設備、運輸輥道等要素進行建模并布置場景。 同時，建立融合數據和孿生模型間的映射關系，實現對物理熱軋車間的可視化同步運行。 所構建的虛擬熱軋車間既是物理熱軋車間的數字化鏡像，又是在信息流、物料流﹑控制流方面與物理熱軋車間一致的虛擬體。 虛擬熱軋車間的構建主要從鋼卷加工工藝、鋼卷加工環境、鋼卷性能進行考慮。 這里給出剖析闡述如下。

（1）鋼卷加工工藝。 加工工藝主要描述鋼卷熱軋工藝數據和鋼卷性能數據之間的約束關系，具體包括工藝誤差、工藝約束等。 通過制造過程的反饋，將鋼卷外形、尺寸等工藝數據映射到虛擬熱軋車間上。 并以此為依據修正仿真中的加工工藝模型，隨后利用修正后的加工工藝對鋼卷性能進行仿真計算，進一步指導鋼卷加工方案的修改［16］。

（2）鋼卷加工環境。 加工環境主要用來建立虛擬熱軋車間的工作環境，具體包括內部環境，如加熱爐內流場溫度、軋制溫度、卷曲溫度等。 以及外部環境，如鋼材存儲環境、輥道運輸環境等等。

（3）鋼卷性能。 鋼卷的性能主要用于在虛擬熱軋車間中建立鋼卷性能的孿生鏡像，主要包括鋼卷硬度、抗拉強度、屈服強度等。 每一個性能模型都要有與之對應的孿生鏡像，這樣才能保證構建的虛擬車間能夠切實反映實體熱軋車間，提高模型的準確性。

2.2 數據驅動模型的建立

數據是虛擬熱軋車間的基礎和驅動力，實體熱軋車間和虛擬熱軋車間中所有的行為和狀態均以數據的形式存儲，虛擬熱軋車間中的所有指令也均以數據的形式轉換為不同的物理信號，最終反饋給實體熱軋車間。 在完成虛擬熱軋車間的構建以后，輸入鋼坯加熱溫度以及冷卻水壓等參數產生仿真數據，通過對仿真數據進行計算和分析實現對鋼卷的缺陷預測和相關參數的優化，隨后物理熱軋車間根據優化后的參數再次進行生產加工。 由此形成一個閉環反饋系統，支撐鋼卷制造的全生命周期過程，模型以數據為驅動形成的閉環反饋系統如圖2 所示。

圖2 閉環反饋系統Fig. 2 Closed－loop feedback system

3 關鍵技術

3.1 實際熱軋數據的采集

鋼坯加熱溫度和冷卻水壓等實際熱軋數據是熱軋孿生車間的重要組成部分，相關的采集和預處理技術是建立數據驅動模型的基礎。 本文以RFID 裝置、傳感器、數控機床通信模塊和制造執行系統接口等多種方式為基礎，結合搭建的物聯數據傳輸網絡，實現熱軋車間的實時數據采集［17］。

3.2 多源異構數據的處理與融合

熱軋車間采集的鋼坯加熱溫度和冷卻水壓等數據包含空值、重復值、異常值等噪點數據，會影響仿真結果、甚至影響虛擬熱軋車間的構建。 因此，需要進行預處理和清洗，去除樣本集中的噪點數據。 Kd樹算法比較適合處理有缺失屬性值的樣本，能夠處理不相關的特征［18］，因此選用該算法剔除孤立噪聲數據。

不同傳感器收集的鋼坯加熱溫度和冷卻水壓等數據具有多源異構的特點，需要對這些不同的數據集進行標準化處理，隨后采用DS 證據對這些數據集進行融合，避免數據的多源異構性對邊裂缺陷預測以及參數優化造成影響。

3.3 融合數據一致性校驗

融合后的數據不能直接使用，需要進行一致性檢驗，保證融合數據與實際采集的數據在時間與空間上具有一致性。 加權雙因子檢驗模型能用來綜合分析熱軋車間實際數據和融合數據形狀的相似性和距離的相近性。 因此，本文采用加權雙因子檢驗模型［19］，對采集的數據及其融合后的數據進行一致性校驗。

3.4 邊裂缺陷預測

在確定了鋼坯加熱溫度和冷卻水壓等因素對邊裂缺陷的影響程度后，建立BP 神經網絡預測模型預測鋼卷邊裂缺陷。 同時，采用AUC和F1－measure這2 個指標來評估預測模型的綜合性能，邊裂預測模型如圖3 所示。 其中，AUC指標主要用來評估模型識別邊裂缺陷的能力，而F1－ measure指標主要用來評估預測模型的穩定性［20］。

圖3 邊裂預測模型Fig. 3 Prediction model of edge crack

最后，根據預測的邊裂缺陷情況，對鋼坯加熱溫度和冷卻水壓等參數不斷進行優化和改進，同時將優化后的結果反饋給物理熱軋車間進行參數調整，實現對熱軋車間邊裂缺陷的管控。

4 結束語

數字孿生技術的出現和成熟，對制造業的智能化發展起到了巨大的推動作用。 數字孿生驅動的熱軋鋼卷邊裂管控框架的建立和實施，使得鋼卷的熱軋過程能夠精確地映射在虛擬空間中，實現了對缺陷的預測，對熱軋車間起到了很好的監管作用。 同時，也能根據虛擬車間反映的情況對實際車間做出調整與優化。

目前，熱軋車間的數字孿生體的構建以及應用還在初步階段，還存在著大量的問題需要進一步分析、解決。 在今后的工作中，要尋找更先進的數據挖掘和預處理技術，提高預測的準確率，并且減少對不合格品的漏判以及對合格品的誤判；其次，不斷完善該框架，爭取將提出的框架應用到實際案例中；最后，對模型的可靠性和產品質量的初始估計等問題進行深入研究。