深度學(xué)習(xí)算法在鋼鐵質(zhì)量檢測(cè)中的應(yīng)用

耿朝雷，艾云霄

(北京京誠(chéng)鼎宇管理系統(tǒng)有限公司，北京 100176)

0 引言

在鋼鐵行業(yè)中，鋼鐵產(chǎn)品在整個(gè)生產(chǎn)流程中必須經(jīng)過(guò)嚴(yán)格的質(zhì)量檢測(cè)，而目前的檢測(cè)手段主要為組批檢驗(yàn)[1]，也就是選取一定數(shù)量樣品進(jìn)行檢測(cè)，以此推斷整個(gè)批次產(chǎn)品質(zhì)量。鋼鐵行業(yè)生產(chǎn)極具復(fù)雜性，包括長(zhǎng)流程、多工藝、多品種、多批量。計(jì)劃調(diào)度員在實(shí)際生產(chǎn)前需要預(yù)先編排生產(chǎn)計(jì)劃及組批計(jì)劃。生產(chǎn)者根據(jù)實(shí)際生產(chǎn)情況，按照生產(chǎn)對(duì)象預(yù)先設(shè)定的順序，從前到后進(jìn)行編制。由于檢驗(yàn)批要求具備相同的生產(chǎn)條件，當(dāng)計(jì)劃編制發(fā)生在不同生產(chǎn)條件交界處時(shí)，導(dǎo)致組批量不足，因此極大地增加了檢測(cè)數(shù)量。

利用人工智能和深度學(xué)習(xí)算法改進(jìn)組批方法，提高組批量和計(jì)算效率成為國(guó)內(nèi)外科研工作者的研究重點(diǎn)。例如在粒子群算法的基礎(chǔ)上，江雪[2]提出了應(yīng)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(guò)于復(fù)雜，依然存在組批量低，且生成的檢驗(yàn)批不滿足生產(chǎn)要求時(shí)，難于進(jìn)行人工調(diào)整。

因此，本文整合了合同組批方案和計(jì)劃組批檢測(cè)手段，以規(guī)格和材質(zhì)代碼[3]為限制條件進(jìn)行計(jì)劃組批。本文同時(shí)提出了動(dòng)態(tài)組批算法，有效地避免了計(jì)劃組批實(shí)際生產(chǎn)過(guò)程的第二次檢驗(yàn)浪費(fèi)現(xiàn)象。經(jīng)過(guò)改進(jìn)的動(dòng)態(tài)組批算法不僅提高了組批量，而且也提升了計(jì)算效率。針對(duì)鋼鐵產(chǎn)品實(shí)際生產(chǎn)過(guò)程中的事后性，本工作進(jìn)一步結(jié)合了深度學(xué)習(xí)算法和CNN-LSTM模型[4-10]用于優(yōu)化和實(shí)時(shí)反饋檢測(cè)過(guò)程中樣品的質(zhì)量，并對(duì)檢測(cè)性能進(jìn)行實(shí)時(shí)在線預(yù)測(cè)與評(píng)價(jià)。通過(guò)對(duì)模型參數(shù)的結(jié)構(gòu)的改變，增加所有成分及工藝實(shí)績(jī), 可以提升性能預(yù)測(cè)的準(zhǔn)確性和檢測(cè)的普適性。因此，本文所提出的人工智能模型對(duì)鋼鐵行業(yè)性能預(yù)測(cè)具有重要的指導(dǎo)意義。

1 計(jì)劃?rùn)z驗(yàn)批

基于材質(zhì)代碼[3]和規(guī)格對(duì)生產(chǎn)對(duì)象進(jìn)行計(jì)劃組批，組批量不能超過(guò)材質(zhì)代碼對(duì)應(yīng)的檢驗(yàn)批的量。當(dāng)組批量小于材質(zhì)代碼代表的檢驗(yàn)批量時(shí)，通過(guò)群體粒子在生產(chǎn)對(duì)象空間中以一定的速度飛行，每個(gè)粒子在搜索時(shí)，考慮自己搜索到的歷史最好點(diǎn)和群體內(nèi)(或鄰域內(nèi))其他粒子的歷史最好點(diǎn)，在此基礎(chǔ)上進(jìn)行位置的變化，并運(yùn)用適應(yīng)度來(lái)評(píng)價(jià)粒子的優(yōu)劣，形成如下模型[2]。

表1 計(jì)劃組批模型的符號(hào)及參數(shù)

(1)

(2)

(3)

Xij=[0，1]

(4)

式(1)是模型的目標(biāo)函數(shù)，表示組批方案中所有計(jì)劃批次的重量，材質(zhì)代碼代表檢驗(yàn)批重量平均差達(dá)到最小。式(2)保證每一合同分布在各組批的重量不超過(guò)合同規(guī)定的重量。式(3)表示每一個(gè)合同分布到的批次個(gè)數(shù)不多于t個(gè)批次，其中，[xij]表示大于或等于xij的最小正整數(shù)。

2 動(dòng)態(tài)組批

動(dòng)態(tài)組批是對(duì)計(jì)劃組批的一種動(dòng)態(tài)延伸，其優(yōu)點(diǎn)在于能夠?qū)ιa(chǎn)過(guò)程中的檢測(cè)對(duì)象實(shí)施監(jiān)控和數(shù)據(jù)反饋。具體來(lái)說(shuō)，計(jì)劃組批通過(guò)上文提到的模型，在產(chǎn)品生產(chǎn)前完成編制檢驗(yàn)批。但是，當(dāng)檢驗(yàn)批對(duì)象在任何一個(gè)實(shí)際生產(chǎn)環(huán)節(jié)中出現(xiàn)問(wèn)題時(shí)，會(huì)降低檢驗(yàn)批的總樣本數(shù)。比如：檢驗(yàn)批按重量(60 t)取樣，當(dāng)檢驗(yàn)批中某塊鋼板(5 t)軋廢，則檢驗(yàn)批的重量是55 t。相反，動(dòng)態(tài)組批是在生產(chǎn)過(guò)程中能夠根據(jù)接收的鋼板切割實(shí)績(jī)信息(所屬訂單、材質(zhì)代碼[5]、鋼種、規(guī)格、重量、軋制時(shí)間)，動(dòng)態(tài)地將實(shí)際生產(chǎn)的產(chǎn)品組成檢驗(yàn)批，保證了最大組批量。比如，年產(chǎn)量100萬(wàn)噸，軋制成材率98%，軋廢的鋼材量是2萬(wàn)噸，動(dòng)態(tài)組批針對(duì)這些軋廢的鋼材不取樣，不做實(shí)驗(yàn)，而計(jì)劃組批不僅對(duì)軋廢的鋼材取樣、實(shí)驗(yàn)，并且是從合格的鋼材中進(jìn)行取樣、實(shí)驗(yàn)。動(dòng)態(tài)組批不僅提高了成材率，還減少了實(shí)驗(yàn)工作量和實(shí)驗(yàn)器材消耗量，從而提高鋼廠經(jīng)濟(jì)效益。

根據(jù)營(yíng)口中厚板統(tǒng)計(jì)，使用動(dòng)態(tài)組批算法比計(jì)劃組批算法每年提高經(jīng)濟(jì)效益360萬(wàn)元。

3 性能預(yù)測(cè)

綜上，計(jì)劃組批能夠達(dá)到最佳組批組合。動(dòng)態(tài)組批在最優(yōu)計(jì)劃組批的基礎(chǔ)上將實(shí)際檢驗(yàn)批達(dá)到最大組批量，減少了取樣量，提高了經(jīng)濟(jì)效益。然而，完成性能判定仍然要在生產(chǎn)過(guò)程中取樣實(shí)驗(yàn)，并獲得足夠的可靠數(shù)據(jù)。因此，國(guó)內(nèi)外的科研工作者也將目光投向人工神經(jīng)網(wǎng)絡(luò)的相關(guān)理論和方法在鋼鐵性能預(yù)測(cè)的應(yīng)用，包括寶鋼在內(nèi)的多家鋼鐵企業(yè)成功將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于在線產(chǎn)品檢測(cè)，實(shí)現(xiàn)了6%以內(nèi)的誤差調(diào)控[11]。筆者及所在團(tuán)隊(duì)在鋼鐵生產(chǎn)過(guò)程中在不同的信息化平臺(tái)上積累了大量的生產(chǎn)和質(zhì)量檢驗(yàn)數(shù)據(jù)，為本文所述產(chǎn)品的在線質(zhì)量控制和質(zhì)量預(yù)測(cè)模型建立了良好的數(shù)據(jù)基礎(chǔ)[6]。本文利用濟(jì)源鋼鐵企業(yè)信息化平臺(tái)積累的大量生產(chǎn)和質(zhì)量檢驗(yàn)數(shù)據(jù)，對(duì)CNN-LSTM模型進(jìn)行了參數(shù)結(jié)構(gòu)的改進(jìn)和系統(tǒng)的訓(xùn)練，實(shí)現(xiàn)了性能實(shí)時(shí)在線預(yù)測(cè)。model.summary()輸出模型各層的參數(shù)狀況如表2所示。

表2 model.summary()輸出模型各層的參數(shù)狀況

該方法系統(tǒng)性地考察了軋鋼過(guò)程中各加工工藝的影響，涵蓋了所有成分和過(guò)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(guò)程的工藝實(shí)績(jī)包括總加熱時(shí)間、加熱溫度、三加時(shí)間、均熱段時(shí)間、開軋溫度、連軋入口溫度、鋸切入口溫度、入坑溫度、進(jìn)KOCKS溫度、上冷床溫度、卷取溫度、CP3剪切溫度、進(jìn)精軋溫度、進(jìn)減定徑溫度、吐絲溫度、三加+均熱段時(shí)間、二加+均熱段時(shí)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?cái)U(kuò)散時(shí)間、三加殘氧、均熱殘氧、均熱段溫度、1 130攝氏度以上加熱時(shí)間、1 180攝氏度以上加熱時(shí)間等。

為實(shí)現(xiàn)成分和工藝實(shí)際數(shù)據(jù)錄入的有效性和可靠性，本文發(fā)展了兩步法數(shù)據(jù)輸入流程：(1)數(shù)據(jù)補(bǔ)充處理；(2)數(shù)據(jù)標(biāo)準(zhǔn)化處理。具體來(lái)說(shuō)，對(duì)于成分?jǐn)?shù)據(jù)，凡是空數(shù)據(jù)，用相同材質(zhì)代碼[5]爐號(hào)的對(duì)應(yīng)成分?jǐn)?shù)據(jù)進(jìn)行補(bǔ)充。對(duì)于工藝實(shí)績(jī)，一種情況是軋鋼過(guò)程應(yīng)該經(jīng)過(guò)的工藝，工藝實(shí)績(jī)?nèi)笔r(shí)，利用相同材質(zhì)代碼[3]、相同規(guī)格工藝實(shí)績(jī)進(jìn)行補(bǔ)充；另一種情況是軋鋼過(guò)程不經(jīng)過(guò)的工藝實(shí)績(jī)，工藝實(shí)績(jī)用0補(bǔ)充。其次，本文使用離差標(biāo)準(zhǔn)化方式實(shí)現(xiàn)對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化處理。

maxx及minx是樣本中的最大值及最小值，x'是離差標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。

由于鋼種不同，產(chǎn)品檢驗(yàn)項(xiàng)目差別大。抗拉強(qiáng)度Rm是絕大部分鋼種都需要進(jìn)行的檢驗(yàn)項(xiàng)目，所以本文先對(duì)抗拉強(qiáng)度Rm進(jìn)行性能預(yù)測(cè)。本文按爐次獲取成分實(shí)績(jī)，按檢驗(yàn)批獲取抗拉強(qiáng)度Rm，工藝實(shí)績(jī)是按坯料進(jìn)行跟蹤的，工藝實(shí)績(jī)按照每個(gè)檢驗(yàn)批對(duì)應(yīng)的坯料工藝實(shí)績(jī)平均值獲取數(shù)據(jù)。

根據(jù)上述方法，獲取356 551條數(shù)據(jù)。將356 000條數(shù)據(jù)輸入模型進(jìn)行學(xué)習(xí)，將551條數(shù)據(jù)進(jìn)行模型驗(yàn)證。實(shí)驗(yàn)結(jié)果對(duì)比如表3所示。

表3 實(shí)驗(yàn)結(jié)果對(duì)比

4 結(jié)語(yǔ)

本文系統(tǒng)闡釋了從計(jì)劃組批、動(dòng)態(tài)組批到性能預(yù)測(cè)的流程。在計(jì)劃組批的基礎(chǔ)上，基于組批量、取樣量、實(shí)驗(yàn)量的變化，建立和完善了動(dòng)態(tài)組批方式，其增大了組批量，減少了取樣量和實(shí)驗(yàn)量，提高了經(jīng)濟(jì)效益。本文在先期研究的基礎(chǔ)上，結(jié)合濟(jì)源鋼鐵企業(yè)信息化平臺(tái)積累的大量生產(chǎn)和質(zhì)量檢驗(yàn)數(shù)據(jù)，完善了動(dòng)態(tài)深度學(xué)習(xí)的模型，在鋼鐵產(chǎn)品性能預(yù)測(cè)上，實(shí)現(xiàn)了精準(zhǔn)的預(yù)判性和鋼鐵產(chǎn)品檢測(cè)的普適性。利用性能預(yù)測(cè)直接在實(shí)驗(yàn)室通過(guò)預(yù)測(cè)模型模擬生產(chǎn)，在實(shí)驗(yàn)室調(diào)整好工藝參數(shù)后直接生產(chǎn)，而不必試驗(yàn)生產(chǎn)，可大大節(jié)省研發(fā)費(fèi)用，減少新產(chǎn)品研發(fā)時(shí)間，性能預(yù)測(cè)在新產(chǎn)品研發(fā)上具有重要的意義。