东北大学：大数据“握手”大生产

■我们的记者王玉辉

钢铁工业是一个典型的流程工业，一直在产生大量的数据。这些数据对于钢铁产品性能和质量的准确预测和稳定控制具有重要意义，但目前国内外研究人员正在探索如何利用钢铁大数据来控制产品质量。

作为一个以过程为导向的大规模生产的钢材产品，如何才能准确地满足客户的“定制”生产需求？近年来，东北大学轧制技术与连轧自动化国家重点实验室的刘振宇教授团队，基于多年在钢材组织性能预测技术及应用领域的理论积累和实践，与宝钢梅山公司、鞍钢等企业合作，对热轧带钢行业大数据预处理技术进行了深入研究。 发展了以组织性能预测和优化为核心的智能钢铁制造技术，有效解决了当前钢铁企业规模化生产与用户个性化需求之间的矛盾。

作为中国首个在钢铁组织性能预测与优化技术研发方面的博士生，刘振宇在这一领域开展研究与开发已有30多年。他的团队开发了基于人工智能理论的神经网络模型和计算机系统。借助神经网络强大的非线性拟合能力，建立了基于工业大数据的钢材组织和性能预测控制模型，达到了较高的预测精度，成功实现了热轧产品力学性能的在线预测。

基于人工智能方法的热轧产品组织和性能预测技术严重依赖原始数据，由于过分追求预测精度，经常出现过拟合现象，有时偏离钢铁材料的物理冶金规律，从而影响热轧过程逆向优化结果的可靠性。如何合理有效地利用工业大数据已经成为性能预测和过程优化必须突破的瓶颈。

为了解决这一关键技术问题，团队成员从实际轧制生产出发，开发了热连轧行业大数据的分析和处理方法，建立了基于大数据分析和优化的智能物理冶金模型。

基于该模型，刘振宇在鞍钢2150热连轧生产线上开发了焊接瓶钢屈强比波动控制技术，解决了轧钢领域焊接瓶钢(0.735~0.785)窄屈强比控制的世界性难题。梅钢1422和1780热连轧生产线通过组织性能预测和工艺优化，钢级降低了60%以上，实现了集约化、绿色化热轧生产，极大地促进了企业节能减排。同时，针对厚度规格为2.5 mm的汽车车轮钢，通过组织性能预测和工艺优化，钢中锰含量降低了一半，每吨钢节约材料成本约50元。

这一成果得到了国际著名钢铁工业杂志《ISIJ国际》国际评论员的高度评价。专家们认为，这一成果“为系统科学在钢铁工业过程优化研究中的应用做出了重大贡献”。

《中国科学报》(2018-04-17，第8版)