基于数据挖掘的含铌X80 管线钢探伤不合格原因分析与改进

王复越，任毅，田永久，张哲睿，李新玲

（1. 海洋装备用金属材料及其应用国家重点实验室，辽宁 鞍山 114009；2. 鞍钢集团钢铁研究院，辽宁 鞍山 114009；3. 鞍钢股份有限公司鲅鱼圈分公司，辽宁 营口 115007）

随着我国经济的持续发展和能源结构的调整，对石油、天然气等能源的需求将大幅增加。 目前，普遍认为管道运输是最经济、最方便、最主要的陆地与海洋石油、天然气资源的输运方式[1]。 在这样的背景下， 研究制备满足大输量需求的高强度X80 级别管线钢变得至关重要。 而微合金化处理结合控轧控冷技术是钢铁制造行业保证厚规格X80 级别管线钢强韧性的重要手段。 微合金化处理是通过添加微量的Nb、V、Ti 等元素到钢中，在热加工过程中抑制奥氏体的形变再结晶和晶粒的长大， 并通过应变诱导析出的碳氮化合物来强化钢材[2]。 其中，Nb 细化晶粒的效果最强，Nb 以固溶态或Nb（C，N）析出相的形式存在于钢中，不同的存在方式会对微合金钢的组织和力学性能产生不同的影响[3]。 在高温均热时，Nb（C，N）析出相能够阻止奥氏体晶粒的长大， 细化轧制后的奥氏体和铁素体晶粒。通过试验研究可以发现，在奥氏体温度区间出现Nb（C，N）的析出有利于针状铁素体的形核析出，从而改善管线钢的力学性能。一般X80 管线钢中Nb 含量较高， 以中俄东线应用的X80 管线钢为例，Nb 含量平均可达0.05%以上[4]。Nb 属于难熔金属，其熔点为2 468 ℃，通常情况下Nb 元素的添加不会对钢造成不良影响， 但若在炼钢过程中控制不当， 可能会出现大尺寸的未溶铌铁粒子[5]。

为了解决鞍钢股份有限公司鲅鱼圈钢铁分公司5500 产线集中出现的含铌X80 管线钢探伤不合格问题， 分析了该批次管线钢铸坯在炼钢工序的各项工艺参数数据， 采用随机森林算法建立关键工艺诊断模型，并对探伤不合格板坯取样表征。深入分析含铌X80 管线钢探伤不合原因， 并提出改进措施。

1 检测与成分分析

X80 管线钢厚度规格为22 mm， 铸坯冶炼工艺流程为： 铁水→顶底复吹转炉→炉外精炼→连铸。 钢板化学成分设计如表1 所示。

表1 钢板化学成分设计（质量分数）Table 1 Design of Chemical Compositions for Steel Plates（Mass Fraction） %

在钢板探伤不合格位置取样， 制备金相试样后置于COXEM 30AX 扫描电镜下观察， 再经OXFORD Xplore Compact 30 能谱仪进行微区成分分析。 探伤不合格位置处裂纹及元素分布如图1所示。

图1 探伤不合格位置处裂纹及元素分布Fig. 1 Cracks and Elemental Map at Positions of Disqualification by Flaw Detecting

在该金相试样的厚度1/2 位置，存在多条长度大于1.0 mm 的裂纹， 这些裂纹是引起探伤不合格的直接原因。在裂纹扩展方向和主裂纹周围检测到了块状和长条状的异相粒子，最长可达10 μm。 通过观察金相组织和分析能谱结果发现， 裂纹周围的块状异相粒子主要由Nb 组成并含有少量Ti，而裂纹处的长条状夹杂物则是含有Nb 的异相粒子。此外， 在这些异相粒子中没有发现常见的C 元素偏聚。 观察未形成裂纹扩展的长条状或块状异相粒子时，发现长条状异相粒子与孔洞同时出现，异相粒子端部与基体分离。 这些形状不规则的异相粒子本身的延展性差， 在钢板轧制过程中不会随着基体完全变形[6]。 根据检验结果可以判断，裂纹内的异相粒子是未完全溶解的铌铁。 这些粒子聚集在钢板厚度中心位置， 在轧制或冷却过程中与基体金属发生分离， 使心部组织形成微裂纹并扩展，从而导致探伤不合格。

2 建模与数据分析

2.1 特征属性选取

选取11 个生产工艺参数，即特征属性，包括喂钙线量、RH 净循环时间、铸造速度、加铌铁时温度、加铌铁后处理时间、氧含量、氩气搅拌流量等。 采集285 组管线钢铸坯的工业生产参数数据， 每组数据代表一个浇次。在进行特征属性筛选之前，先将每个特征属性的范围映射为[0，1]，以减少不同特征属性之间的量级差异。 表2 给出了各备选特征属性的最小值、最大值、平均值和归一化方差。

表2 特征属性数据集信息Table 2 Datasets Information of Characteristic Attributes

采用数据驱动的思想进行降维。 从表2 中可以看出， 喂钙线量、RH 处理周期以及铸造过热度参数的归一化方差均小于0.05， 表明这些特征参数的数据分布相对集中， 对铸坯冶金质量的影响相对较小。 因此，可以删减这些特征。

进一步， 使用皮尔逊相关性描述特征之间及特征与缺陷钢板数量之间的相关性。 特征属性与缺陷钢板数量间皮尔逊相关性热力矩阵图如图2 所示。

图2 特征属性与缺陷钢板数量间皮尔逊相关性热力矩阵图Fig. 2 Thermodynamic Matrix Diagram for Pearson Correlation between Characteristic Attributes and Number of Defective Steel Plates

在特征属性之间的相关性方面，铸造速度与氩气搅拌流量、加铌铁量和加铌铁时温度的皮尔逊相关系数分别为-0.22、0.33、-0.29； 氩气搅拌量与加铌量之间的皮尔逊相关系数为-0.32。 其绝对值均大于0.2，属于中等强度相关，表明高铸造速度下伴随着相对较低氩气搅拌量、相对较高的加铌铁量以及相对较低的加铌铁时温度。 加铌铁量较高时，氩气搅拌流量较低，对铌的溶解和扩散不利。

在特征属性与目标标签之间的相关性方面，单一浇次内缺陷钢板数量与加铌铁后处理时间、加铌铁量以及铸造速度的皮尔逊相关系数分别为-0.35、0.27、0.44。 其中，单一浇次内缺陷钢板数量与铸造速度的皮尔逊相关系数较大， 超过了0.4，属于强相关。

自2010年国家启动山洪灾害防治县级非工程措施项目建设以来，陕西省高度重视，加强组织领导，加快建设进度，严把建设质量，提早培训人员，并通过严格的项目管理办法和制度，确保了项目建成一处、验收一处、发挥效益一处。在今年汛期，全省已建成的34个县区非工程措施项目发挥了显著的减灾效益。

以皮尔逊相关系数0.2（弱相关）为标准，去掉弱相关特征属性。由此，确定六项管线钢连铸坯探伤模型的特征属性，分别为浇次序号、铸造速度、加铌铁时温度、加铌铁量、加铌铁后处理时间和氩气搅拌流量。

2.2 随机森林算法建模

使用Python 编程语言， 在Pycharm 集成开发环境下，通过Sklearn 库的Random Forest Regressor实现随机森林算法模型的建模。随机森林算法的建模思想是从原始数据集中使用Bootstrap 方法有放回地抽取N 个训练集， 每个训练集的大小约为数据集的2/3[7]。 然后，利用这些抽取的数据为每个训练集建立决策树，生成一片由n 棵决策树组成的森林。 在决策树的生长过程中，从全部M 个特征中随机选择m 个特征（其中m≤M），并根据Gini 系数最小原则选出最优属性进行节点分支。 最后，利用全部n 棵决策树的预测结果采用投票的方式来决定模型的最终预测结果[8-9]。 评估特征属性的重要性，需要看每个特征在随机森林中每棵树上的贡献度。 贡献度大小的计算则基于Gini 系数。

本研究所使用的随机森林算法模型具体的设置如下：决策树划分标准采用Gini 系数，随机森林中决策树的数量为80，树的最大深度为4，分割所需的最小样本数为2，树中终点节点所需的最少样本数为2，每棵树用到的最大特征数为0.7。随机森林算法构建示意图如图3 所示。

图3 随机森林算法构建示意图Fig. 3 Schematic Diagram for Construction of Random Forest Algorithm

为了定量描述在给定样本数据范围内各项特征工艺点对管线钢连铸板坯探伤预测结果的影响，引入了基于随机森林算法建立的关键工艺诊断模型，并计算特征属性重要性指数。 各关键工艺因素对探伤预测结果影响的重要性指数对比如图4 所示。

图4 各关键工艺因素对探伤预测结果影响的重要性指数对比Fig.4 Comparison of Importance Indexes for Effect of Key Process Factors on Prediction Results by Flaw Detecting

由图4 可以看出， 铸造速度的重要性指数为90，位居第一；加铌铁后处理时间的重要性指数为76，位居第二；氩气搅拌流量、加铌铁量、加铌铁时温度、 浇次序号的重要性指数依次为31、24、19、7。根据重要性指数对比结果结合皮尔逊相关性表明，铸造速度、加铌铁后处理时间、氩气搅拌流量、加铌铁量、 加铌铁时温度五项工艺的变化与波动会对最终X80 管线钢板探伤预测结果产生明显影响，其中铸造速度、加铌铁后处理时间影响效果最为显著。

2.3 生产数据分析和改进措施

2.3.1 生产数据分析

图5 关键工艺数据分布情况Fig. 5 Distribution of Key Process Data

由图5 可以看出， 探伤不合格钢板的铸造速度最大值、最小值、平均数、中位数、上下25%分布数据均高于合格钢板； 在加铌铁后处理时间和氩气搅拌流量方面， 不合格钢板的分布整体低于合格钢板；在加铌铁量和加铌铁时温度方面，不合格钢板与合格钢板差异不大。

根据上述生产数据的统计与分析得出X80 管线钢板探伤不合格的原因： ①氩气搅拌流量较低、 加铌铁后处理时间较短和加铌铁时温度较低等因素叠加造成了铌铁未能充分溶解的现象。 上述原因是造成铸坯内出现未溶铌铁颗粒的根本原因。 ②较高的铸造速度使得连铸时熔体形成的液穴较深且凝固前沿流动性差。 高密度的铌铁颗粒随着钢液流经液穴最深处时，上浮机会小，溶解动力不足。 这些未溶解的铌铁颗粒在随后的冷却过程中被凝固前沿捕获，进而在铸坯（钢板）的心部出现铌铁颗粒的聚集导致裂纹产生。 故连铸铸造速度高是引起探伤不合格的直接原因[10-11]。

2.3.2 改进措施

基于数据统计与分析结果， 提出对生产工艺关键点进行调整与监控。生产过程中，提高氩气搅拌流量，使其不小于40 L/min，以保证搅拌效果。特别关注含铌X80 管线钢铸坯在连铸过程中的铸造速度， 并控制最大铸造速度不超过0.9 m/min。另外，通过提高加铌铁后处理时间，确保加铌铁后处理时间不少于40 min。同时，进行钢包精炼的各个关键环节的调整与监控， 以确保钢液得到良好的精炼效果。上述措施实施后，没有再出现未溶铌铁颗粒的问题，裂纹缺陷得到改善。

3 结论

针对鞍钢股份有限公司鲅鱼圈钢铁分公司5500 产线出现批量含铌X80 管线钢心部裂纹问题，通过对探伤不合格位置进行取样观测，对实际生产数据进行处理与分析， 并运用随机森林模型对铸坯（钢板）心部出现的未溶铌铁颗粒的产生因素进行重要性分析，得出如下结论：

（1） 在铸坯（钢板）心部附近存在较大尺寸的未溶铌铁颗粒， 这些颗粒沿钢板宽度方向的中心线分布， 很容易与基体金属在轧制和冷却过程中发生剥离，导致裂纹的形成和扩展，从而导致探伤不合格。

（2） 造成此次钢板心部存在未溶铌铁颗粒的因素众多。 其中，精炼过程中氩气搅拌流量低、加铌铁后处理时间短和加铌铁时温度低是导致加入的铌铁未完全溶解的最根本原因。 而铸造速度高是造成未溶的铌铁颗粒聚集在铸坯（钢板）心部的直接原因。

（3） 采用数据挖掘的方式建立了基于随机森林算法的关键工艺诊断模型，用以锁定工艺不良点。 通过提高氩气搅拌流量不小于40 L/min、控制最大铸造速度不超过0.9 m/min、 加铌铁后处理不少于40 min以及着重监控各工艺关键点以确保精炼环节效果，解决了连铸坯心部集中出现夹杂物和裂纹的问题，对提高管线钢产品质量与控制水平起到积极作用。