深度学习算法在钢铁质量检测中的应用

耿朝雷，艾云霄

(北京京诚鼎宇管理系统有限公司，北京 100176)

0 引言

在钢铁行业中，钢铁产品在整个生产流程中必须经过严格的质量检测，而目前的检测手段主要为组批检验[1]，也就是选取一定数量样品进行检测，以此推断整个批次产品质量。钢铁行业生产极具复杂性，包括长流程、多工艺、多品种、多批量。计划调度员在实际生产前需要预先编排生产计划及组批计划。生产者根据实际生产情况，按照生产对象预先设定的顺序，从前到后进行编制。由于检验批要求具备相同的生产条件，当计划编制发生在不同生产条件交界处时，导致组批量不足，因此极大地增加了检测数量。

利用人工智能和深度学习算法改进组批方法，提高组批量和计算效率成为国内外科研工作者的研究重点。例如在粒子群算法的基础上，江雪[2]提出了应用于合同组批的方案，在一定程度上提高了组批量。但是，所提出的粒子群组批方案依赖条件过于复杂，依然存在组批量低，且生成的检验批不满足生产要求时，难于进行人工调整。

因此，本文整合了合同组批方案和计划组批检测手段，以规格和材质代码[3]为限制条件进行计划组批。本文同时提出了动态组批算法，有效地避免了计划组批实际生产过程的第二次检验浪费现象。经过改进的动态组批算法不仅提高了组批量，而且也提升了计算效率。针对钢铁产品实际生产过程中的事后性，本工作进一步结合了深度学习算法和CNN-LSTM模型[4-10]用于优化和实时反馈检测过程中样品的质量，并对检测性能进行实时在线预测与评价。通过对模型参数的结构的改变，增加所有成分及工艺实绩, 可以提升性能预测的准确性和检测的普适性。因此，本文所提出的人工智能模型对钢铁行业性能预测具有重要的指导意义。

1 计划检验批

基于材质代码[3]和规格对生产对象进行计划组批，组批量不能超过材质代码对应的检验批的量。当组批量小于材质代码代表的检验批量时，通过群体粒子在生产对象空间中以一定的速度飞行，每个粒子在搜索时，考虑自己搜索到的历史最好点和群体内(或邻域内)其他粒子的历史最好点，在此基础上进行位置的变化，并运用适应度来评价粒子的优劣，形成如下模型[2]。

表1 计划组批模型的符号及参数

(1)

(2)

(3)

Xij=[0，1]

(4)

式(1)是模型的目标函数，表示组批方案中所有计划批次的重量，材质代码代表检验批重量平均差达到最小。式(2)保证每一合同分布在各组批的重量不超过合同规定的重量。式(3)表示每一个合同分布到的批次个数不多于t个批次，其中，[xij]表示大于或等于xij的最小正整数。

2 动态组批

动态组批是对计划组批的一种动态延伸，其优点在于能够对生产过程中的检测对象实施监控和数据反馈。具体来说，计划组批通过上文提到的模型，在产品生产前完成编制检验批。但是，当检验批对象在任何一个实际生产环节中出现问题时，会降低检验批的总样本数。比如：检验批按重量(60 t)取样，当检验批中某块钢板(5 t)轧废，则检验批的重量是55 t。相反，动态组批是在生产过程中能够根据接收的钢板切割实绩信息(所属订单、材质代码[5]、钢种、规格、重量、轧制时间)，动态地将实际生产的产品组成检验批，保证了最大组批量。比如，年产量100万吨，轧制成材率98%，轧废的钢材量是2万吨，动态组批针对这些轧废的钢材不取样，不做实验，而计划组批不仅对轧废的钢材取样、实验，并且是从合格的钢材中进行取样、实验。动态组批不仅提高了成材率，还减少了实验工作量和实验器材消耗量，从而提高钢厂经济效益。

根据营口中厚板统计，使用动态组批算法比计划组批算法每年提高经济效益360万元。

3 性能预测

综上，计划组批能够达到最佳组批组合。动态组批在最优计划组批的基础上将实际检验批达到最大组批量，减少了取样量，提高了经济效益。然而，完成性能判定仍然要在生产过程中取样实验，并获得足够的可靠数据。因此，国内外的科研工作者也将目光投向人工神经网络的相关理论和方法在钢铁性能预测的应用，包括宝钢在内的多家钢铁企业成功将人工神经网络模型应用于在线产品检测，实现了6%以内的误差调控[11]。笔者及所在团队在钢铁生产过程中在不同的信息化平台上积累了大量的生产和质量检验数据，为本文所述产品的在线质量控制和质量预测模型建立了良好的数据基础[6]。本文利用济源钢铁企业信息化平台积累的大量生产和质量检验数据，对CNN-LSTM模型进行了参数结构的改进和系统的训练，实现了性能实时在线预测。model.summary()输出模型各层的参数状况如表2所示。

表2 model.summary()输出模型各层的参数状况

该方法系统性地考察了轧钢过程中各加工工艺的影响，涵盖了所有成分和过程工艺：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；轧钢过程的工艺实绩包括总加热时间、加热温度、三加时间、均热段时间、开轧温度、连轧入口温度、锯切入口温度、入坑温度、进KOCKS温度、上冷床温度、卷取温度、CP3剪切温度、进精轧温度、进减定径温度、吐丝温度、三加+均热段时间、二加+均热段时间、小开坯温度、大开坯温度、一加热段温度、二加热段温度、三加热段温度、高温扩散时间、三加残氧、均热残氧、均热段温度、1 130摄氏度以上加热时间、1 180摄氏度以上加热时间等。

为实现成分和工艺实际数据录入的有效性和可靠性，本文发展了两步法数据输入流程：(1)数据补充处理；(2)数据标准化处理。具体来说，对于成分数据，凡是空数据，用相同材质代码[5]炉号的对应成分数据进行补充。对于工艺实绩，一种情况是轧钢过程应该经过的工艺，工艺实绩缺失时，利用相同材质代码[3]、相同规格工艺实绩进行补充；另一种情况是轧钢过程不经过的工艺实绩，工艺实绩用0补充。其次，本文使用离差标准化方式实现对数据标准化处理。

maxx及minx是样本中的最大值及最小值，x'是离差标准化处理后的数据。

由于钢种不同，产品检验项目差别大。抗拉强度Rm是绝大部分钢种都需要进行的检验项目，所以本文先对抗拉强度Rm进行性能预测。本文按炉次获取成分实绩，按检验批获取抗拉强度Rm，工艺实绩是按坯料进行跟踪的，工艺实绩按照每个检验批对应的坯料工艺实绩平均值获取数据。

根据上述方法，获取356 551条数据。将356 000条数据输入模型进行学习，将551条数据进行模型验证。实验结果对比如表3所示。

表3 实验结果对比

4 结语

本文系统阐释了从计划组批、动态组批到性能预测的流程。在计划组批的基础上，基于组批量、取样量、实验量的变化，建立和完善了动态组批方式，其增大了组批量，减少了取样量和实验量，提高了经济效益。本文在先期研究的基础上，结合济源钢铁企业信息化平台积累的大量生产和质量检验数据，完善了动态深度学习的模型，在钢铁产品性能预测上，实现了精准的预判性和钢铁产品检测的普适性。利用性能预测直接在实验室通过预测模型模拟生产，在实验室调整好工艺参数后直接生产，而不必试验生产，可大大节省研发费用，减少新产品研发时间，性能预测在新产品研发上具有重要的意义。