不銹冷軋帶鋼表面質量判定系統的開發與應用

楊永杰， 李鵬飛

（1.太原鋼鐵（集團）有限公司先進不銹鋼材料國家重點實驗室， 山西 太原 030003；2.山西太鋼不銹鋼股份有限公司技術中心， 山西 太原 030003）

隨著工業技術的發展，鋼企的產能逐漸擴大。伴隨著多工序串聯集成，質量控制點的大幅增加，使得生產制造過程愈加復雜。在進行質量檢驗時，隨著產品產量的增加，單卷作業的時間越來越短，然而作業量越來越大。加之檢驗要求漸多，即使配備檢測設備且輔助人工檢驗，也不能滿足企業品控的所有要求，質量檢驗智能化升級、改革的需求迫在眉睫。

表面檢測是對不銹鋼表面質量判定的直接度量，但由于產業化的不斷提升，鋼卷過線速度也大幅提升，因此僅憑質檢員裸眼判定，無法滿足不銹鋼表面檢驗的需求。表面檢測儀的應用，緩解了質檢員的工作壓力，但其僅能記錄缺陷信息，無法依據這些信息對鋼卷進行綜合判定。因此需要利用自動化分析系統，并依據表面檢測結果，對鋼卷表面質量進行綜合判定。

1 基礎系統服務

1.1 服務系統規劃

不銹鋼表面檢測結果綜合分析系統基于Linux系統搭建，使用Spring 做WEB 框架、Mybatis 訪問MySQL 做數據持久化、Shiro 做權限管理、使用RESTful 風格WebService 服務、Lucene 做搜索引擎、Quartz 做定時調度、BootStrap+HTML5 做前端頁面，支持PC、Android、IOS 端的訪問，此系統可移植至HADOOP 大數據集群服務器上，具有可擴展性。

本系統包含靜態數據庫、動態信息平臺、大數據調度中心。動態信息平臺主要為質量管理提供服務；大數據調度中心負責協調完成各種數據分析，同時提供面向其他數據平臺訪問的接口；靜態數據庫通過調度中心進行產品特征分類識別，如缺陷識別、模糊查詢等；動態信息庫通過調度中心進行大數據分析，如缺陷匯總、分析等。

1.2 服務系統模型

依據上層服務需求和底層插件，規劃整個系統體系如圖1 所示。

圖1 評價系統規劃圖

2 系統管理展示

系統登錄后分為表檢數據分析模塊以及相應的子模塊，如圖2 所示。

圖2 登陸模塊與表檢數據分析模塊

根據系統規劃，表檢數據分析包含四大子模塊，具體為表檢報告（數據匯總圖示）、夾雜管理、劃傷管理（兩個子缺陷管理模塊）、評價體系（評價系統跟新模塊）。

2.1 表檢報告模塊

表檢報告模塊包括神經網絡評價系統和規則評價系統。

2.1.1 神經網絡評價系統

按鋼卷的上、下表面統計每米缺陷個數，分1處—9 處、9 處以上，共10 個參數。運用此20 組數據作為神經網絡輸入參數，中間層共26 層，輸出1 個參數，即等級判定0～100 級[1-3]，如圖3 所示。

圖3 神經網絡評價系統

任一神經元的輸出為輸入分量的加權和，即中間層與輸出層中任一神經元的輸入等于與它相鄰的前一層神經元輸出的加權和。假設某一層中任一神經元j 的輸入為Tj，輸出為Oj，與該層相鄰的前一層中任一神經元的輸出為Oi，則有：式中：N 表示輸入模的數量；p 為1～N 種模式中的一種；k 為指定的輸出模。

設定廢品為100 級，正常表面為0 級。隨機選取已有1 000 卷409 鋼按照表檢記錄情況進行人工判定打分，打分范圍0～100 級。最后將這些已有的數據輸入程序中，使神經網絡進行自動學習，優化得到權重矩陣wji，誤差即方差E，為10 級。

圖4 為2017 年4 月份2 號連軋產線、300 系鋼種、按日統計、統計夾雜缺陷、打分值（神經網絡評價系統給出）的走勢圖。

圖4 神經網絡評價走勢

2.1.2 規則評價系統

依據缺陷的長度、面積、每米個數分區間進行評分，再通過這些屬性的加權平均分得出此缺陷的分值，最后取各缺陷的加權平均分得出此鋼卷的綜合評分[4-5]。詳細評價系統如表1 所示。

表1 規則評價系統

表1 中的數據均取自產線優化值，例如：1 500 代表上限不會超過1 500；綜合判定100 代表分值上限為100。

評價體系對每一種缺陷詳細的評價內容均進行記錄，并可以通過修改評價體系的每一條信息來更新每一卷缺陷的判定值，使得體系更加合理地表達出對此卷質量的判定，其中表1 中的評價系統顯示在登錄后評價體系模塊中，可以方便地進行瀏覽、添加、修改與刪除操作。

圖5 為2017 年4 月份2 號連軋產線、300 系鋼種、按日統計、統計夾雜缺陷、判定值（缺陷打分評價系統給出）的走勢圖。

圖5 缺陷打分評價走勢

從圖4、圖5 可以看出，兩套系統評價趨勢非常一致。

2.2 夾雜管理模塊

根據每一卷回傳回來的數據，系統自動對其進行統計分析并入庫，科研人員與質檢人員可瀏覽的數據內容包括日期、卡號、產線、鋼種、打分值（神經網絡評價給出）、判定值（缺陷評價系統給出）、上表夾雜個數、下表夾雜個數、上表夾雜圖譜、下表夾雜圖譜、上表夾雜長度分布圖、下表夾雜長度分布圖、上表夾雜面積分布圖以及下表夾雜面積分布圖。

2.3 劃傷管理模塊

根據每一卷回傳回來的數據，系統自動對其進行統計分析并入庫，科研人員與質檢人員可瀏覽的數據內容包括日期、卡號、產線、鋼種、打分值（神經網絡評價給出）、判定值（缺陷評價系統給出）、上表劃傷個數、下表劃傷個數、上表劃傷圖譜、下表劃傷圖譜、上表劃傷長度分布圖、下表劃傷長度分布圖、上表劃傷面積分布圖、下表劃傷面積分布圖。

2.4 評價準確性比較

2.4.1 神經網絡評價系統

使用優化得到的權重矩陣對AA001 夾雜缺陷嚴重與AA002 夾雜缺陷較輕的卷鋼進行神經網絡評價，AA001 卷打分2 分，分值低、缺陷重；AA002 打分85 分，分值高、缺陷輕。由此可以看出，神經網絡系統可以區分出夾雜缺陷重與輕的鋼卷。神經網絡評價對缺陷的識別評定非常敏銳，非常適合給科研人員對本鋼卷缺陷程度進行一個直觀的評價，即AA002 不銹鋼卷85 分，明顯好于AA001 卷2 分。

2.4.2 規則評價系統

使用規則評價體系對AA001 夾雜缺陷嚴重與AA002 夾雜缺陷較輕的卷鋼進行判定，AA001 卷打分35 分，分值低、缺陷重；AA002 打分90 分，分值高、缺陷輕。缺陷打分評價系統可對本鋼卷的缺陷程度給質檢人員提供一個系統的評價，是鋼卷的一個綜合評定方式，即AA002 不銹鋼卷90 分，好于AA001 卷35分，非常適合用于鋼卷出廠的綜合評定。

2.4.3 兩套評價系統數據統計對比

以夾雜缺陷為例，2017 年1 月—5 月，1 號連軋產線與2 號連軋產線共判夾雜不合141 卷，上傳至平臺121 卷，具體打分情況如表2 所示。

表2 神經網絡打分與判定系統打分比較

由表2 統計可知，通過神經網絡打分得到60 分以下占比為97%，判定系統打分所得60 分以下占比為96%。神經網絡與判定系統打分均可準確識別出夾雜不合卷。

3 結論

1）不銹冷軋帶鋼表面質量判定系統基于Linux系統搭建，使用Spring 做WEB 框架、Mybatis 訪問MySQL 做數據持久化、Shiro 做權限管理、使用RESTful 風格WebService 服務、Lucene 做搜索引擎、Quartz 做定時調度、BootStrap+HTML5 做前端頁面，支持PC、Android、IOS 端的訪問，此系統可移植至HADOOP 大數據集群服務器上，具有可擴展性。

2）系統包含靜態數據庫、動態信息平臺、大數據調度中心。動態信息平臺主要為質量管理提供服務；大數據調度中心負責協調完成各種數據分析，同時提供面向其他數據平臺訪問的接口；靜態數據庫通過調度中心進行產品特征分類識別；動態信息庫通過調度中心進行大數據分析。

3）神經網絡與判定系統，兩套打分均可準確識別出夾雜不合卷。