變更

'''基于大数据和人工智能钢铁材料智能生产控制系统''' [[ 钢铁 ]] 材料智能制造。

===技术背景和意义 ：===

进入21世纪以来，工业互联网、 [[ 云计算]]<ref>[https://it.sohu.com/a/523453939_120050395 云计算的普及：让我们了解一下云计算]，搜狐，2022-02-17</ref>、大数据、人工智能等新一代信息通信技术正在加速与制造业深度融合，引发新一轮工业革命。钢铁工业正面临智能化转型升级的迫切需求，通过数字化、信息化及网络化等过程提升钢铁制造流程运行效率，提高产品品质，降本提效。钢铁是典型连续、多工序生产。原料、冶炼、热轧、冷轧、退火、涂层等工艺中的任何微小变化，都可能对最终 [[ 产品 ]] 产生很大的影响。为了应对不同客户、不同性能和产品规格的订单需求，通常需要花大量的时间来评估、分析和开发不同的工艺，消耗了大量的人力和时间资源。通过利用人工智能和 [[ 大数据 ]] 技术，开发钢铁材料智能控制系统，可以大幅提高研发、生产效率，降低成本。

===技术要点和优势 ：===

本技术中智能生产控制系统主要依托于丰富的产线数据，利用机器学习、深度学习、集成 [[ 学习 ]] 、迁移学习等人工智能技术<ref>[http://news.sohu.com/a/638770481_121639880 人工智能包含了哪些关键技术？]，搜狐，2023-02-09</ref>，建立包含钢水成分、热轧、冷轧等主要工序流程工艺参数的产品性能模型，并以此为控制核心，指导材料生产和研发。创新点如下：1、建立完成的产品性能模型。利用炼钢成分数据（C、Si、Mn、Cr、Mo、Nb、Ti等），热轧工艺参数（加热温度、加热时间、开轧温度、压下率、终轧温度、卷曲温度等）、冷轧工艺参数（厚度、压下率、退火温度、平整延伸率等）数十个 [[ 工艺 ]] 参数，结合如奥氏体化模型、相变模型、析出模型、退火模型等建立全产品成分组织和性能模型。2、对不同原料进行工艺智能生产指导。依据产品模型，区分不同铸坯、热轧、冷轧等来料状态，结合产线特征，匹配已最佳工艺参数进行生产，大幅提高产品命中率。3、对每卷钢材进行实时数字化显示。对产品成分、工艺、性能、规格、用户等信息进行实时数字化显示，对产品全生命周期重要数据跟踪，直观便捷了解产品各个工艺流程和产品状态。4、对成分和热轧工艺波动进行冷轧工艺纠偏。针对不同产品可能出现的性能波动，例如低合金高强钢在头尾、边中等位置易出现较大力学性能波动，热轧卷曲外圈和内圈由于冷速不同产生的波动等，辅助以动态工艺参数进行纠偏，提高产品性能稳定性。5、对客户订单需求自动匹配最佳生产工艺。根据不同客户的不同规格、性能、牌号等产品需求，智能化匹配最佳产品选择和工艺选择，大幅提高订单评审效率，降低人员和时间成本。

应用对象：首钢冷轧薄板有限公司应用规模：薄板材料≥10000卷应用时间：2年以上取得成效：（1）“耦合产品模型”，基于工业大数据和物理化学知识的耦合产品及生产控制模型，利用大数据技术应对复杂、多维度参数的强大能力，和冶金材料热力学、 [[ 动力学 ]] 等物化知识工艺指导和可解释性，形成一整套覆盖不同产品系列的成分、热轧、冷轧、退火、镀锌等全流程工艺参数和产品最终性能的复合模型。（2）“智能评审”，智能完成用户订单产品分析，依据不同产线特点、能力和生产负荷，智能完成用户对材料牌号、宽度、厚度、公差、表面、卷重等需求评审，并预估订单交货时间。（3）“智能生产”，根据订单评审数据，优先自动匹配库存坯料，如库存无法满足订单需求，即进入产品从炼钢-轧钢生产流程。每完成一 [[ 工序 ]] ，根据工序参数，自动生成下一工序工艺，并对生产不稳定状态予以纠偏，得到最终目标性能要求产品，并自动完成产品质保书。（4）“智能研发”，针对新产品研发，根据客户对材料机械性能、冲压性能、焊接性能等需求，和拟投产的目标产线，在数字化系统进行模拟仿真，再进行少量实验验证，打破现有由小炉冶炼-中试开发-工业试制-批量生产的研发模式，依托工业数据和 [[ 历史 ]] 研发数据，大幅降低实验次数、时间及研发成本，提高研发效率。