在热轧冷却过程中卷取温度是决定钢板力学性能的重要因素，因此需要非常高的控制精度。为提高钢板温度预测模型的精度，以便能够确定向钢板喷射的冷却水量，神户制钢开发了融合AI深度神经网络的温度预测模型。实际应用结果显示，高强度钢板的卷取温度的控制精度显著提高。此外，高效灵活的新预测模型的稳定运行，为专业人员以及生产车间操作者的业务模式带来了重大变革。
热轧产线的冷却工序对板材产品的质量和力学性能有着重要影响。其中，卷取机前的卷取温度（CT）是最重要的影响因素，必须进行高精度控制。为了控制CT，冷却工序专用的过程计算机会根据钢板的温度预测模型来确定从冷却设备向钢板喷射的冷却水量。然而，过去很难准确预测并维持钢板的温度，CT的控制精度下降成为一项亟待解决的问题。为解决该问题，神户制钢开发并应用了一种融合深度神经网络的温度预测模型。本文将介绍神户制钢利用深度神经网络进行卷取温度控制的开发历程和操作方法，以及其应用为生产部门带来的业务变革。
1利用深度神经网络进行卷取温度控制的开发历程
1.1卷取温度控制概述
热轧过程中精轧机和卷取机之间的冷却设备概览如图1所示。在该冷却设备中，有多个从钢板的上下方喷水的冷却集管，每个冷却集管都配有一个执行开关动作的气动阀。过程计算机具有利用精轧机出口处的钢板温度、板厚和运输时间等信息，预测钢板在精轧机和卷取机之间的温度下降量（以下简称“温降”）的功能。根据温降预测值，周期性迭代计算整个钢板长度上与目标CT相匹配的阀门开关数量和位置（以下简称“阀门开关模式”）。
1.2传统控制存在的问题
在传统控制中，温降的预测采用基于钢板传热方程的物理模型。然而，由于迭代计算时间有限，无法利用差分法严格计算传热方程，因此选择基于其计算结果的近似模型。近似模型存在无法完全表现板厚方向上的回热现象等问题，而且精度的提高也存在一定限度。此外，如果采用基于传热方程的传统模型不仅需要调整参数以维持精度，还需要改进预测模型结构。而且，由于这种改进需要专业知识与技术，部分产品未能完全涵盖，难以确保CT的控制精度。为了解决这一问题，生产车间的操作人员只能根据过程计算机计算并按照作业指导书记录的阀门开关数增减方法进行操作。但在针对不同作业指导书的产品进行连续轧制时，会出现操作人员来不及增减阀门数量，或者对于没有作业指导书的常规产品，出现忘记恢复增减阀门数量的情况，因此会增加操作人员的作业负荷。此外，预测模型参数的调整取决于专业人员的个人能力，当板材的穿板条件与以往不同（如使用新的高强高张力材料或改变冷却条件）时，很难灵活且快速应对。
1.3在卷取温度控制中应用AI方法的优势
为解决上述问题，从以下三大优势可以判断出采用深度神经网络这一AI方法能够有效预测温降量。
1）网络结构和计算处理过程简单，因此其计算负荷小于差分法，而且不受迭代计算的时间限制。
2）为在输入数据后能够输出正确的结果，对网络中的权重等参数进行优化。（以下简称“学习”）。因此，对于钢板前端和尾端等物理现象极其复杂的非稳态区域，无需固定模式，即可通过网络优化的参数进行高精度预测。
3）在调整模型时，与内置调整参数的物理模型不同，只需改变权重等参数即可进行预测，因此易于维护。
但其也存在一定劣势，由于预测模型为黑箱模型，因此很难掌握温度预测行为，但这可以通过仿真建立评估环境加以克服。
基于上述优劣势分析，研发人员决定利用深度神经网络开发一个温度预测模型。
2关于利用深度神经网络控制卷取温度的概述与应用方法
2.1利用深度神经网络的温度预测模型概述
此次开发的深度神经网络的模型结构如图2所示。该模型将板厚、产品的化学成分等材料因素，以及阀门开关模式和材料传送时间等操作因素作为输入值预测温降量。
此外，如表1所示，模型按CT、板厚以及产品的碳和硅等化学成分含量进行范围划分，以模型No.进行管理。通过采用这种方法，可以将涵盖各种CT、板厚和化学成分含量的模型与侧重于特定范围的详细模型进行融合。这确保了模型的多功能性并提高了其精度。
2.2新控制装置的功能配置
此次开发的新控制装置的功能配置如图3所示，该装置由过程计算机和附带的相关模型学习计算机构成。过程计算机采用深度神经网络模型预测温降，并确定阀门开关曲线图。另一方面，模型学习计算机是用于学习深度神经网络模型的专用计算机，专业人员操作计算机并进行学习。计算机配有即使不懂AI或编程技巧也能进行学习的用户界面，专业人员可随时进行神经网络学习，并将优化后的参数传输到过程计算机中进行记录。
2.3替换为新控制系统的对策
根据传统控制系统积累的实际数据来确定所有模型No.的参数。此外，新控制系统与传统控制系统的阀门开关曲线基本相同，仅对控制精度较差的区域进行了改进，于2021年9月切换为新控制方式。
在传统控制中，模型的划分数量非常多，对于穿板少的产品来说，控制精度会产生变差的趋势。为了改善这种情况，采取的措施是创建一个尽可能广泛涵盖CT和板厚等条件的模型。虽然这一措施的通用性较高，但控制精度也存在降低的趋势，因此决定针对控制精度要求更高的高强钢单独创建模型。
2.4新控制系统中的模型调整方法
生产部门考虑到本研究中开发的模型结构和功能配置的特点，根据以下顺序进行调整，使其能够覆盖所有产品。
步骤1：【选择调整对象模型】
首先选择要进行调整的目标模型No.。主要有三种选择方法。
情况1：【不变更条件，选择现有模型No.】
对于已锁定条件范围，数据量丰富的模型No.，无需变更范围即可适配。
情况2：【变更条件，选择现有模型No.】
如果条件范围太广，无法确保模型精度，或现有模型No.的CT等数据已发生变化时，则应变更范围进行适配。
情况3：【创建新的模型No.】
对于过去只生产过几次的试制材料或生产量极小的批量生产产品，大多没有现成的模型No.。此时，可通过指定CT等各个条件范围创建新的模型No.。
步骤2：【选择用于学习的数据】
对于在步骤1中选择的模型No.，提取指定时间段内符合CT和化学成分含量等条件的所有数据。然后，从提取的数据中自动选择数据，使其在条件范围内尽可能多样化。
步骤3：【对所学模型进行评估】
利用步骤2中选择的数据进行学习并确定模型参数。接下来，针对目标模型No.中所有数据（包括经自动选择后用于学习的数据在内），利用参数进行钢板总长度的CT预测计算，并计算以下两个误差。
a.由优化参数导致的CT预测值与实际值之间的误差；
b.由过程计算机中的内置参数导致的CT预测值与实际值之间的误差。
对a和b误差的评估如图4所示。如果误差没有减小，则返回步骤1或步骤2进行调整，然后再次执行步骤3。重复步骤1到步骤3，直到误差减小。
步骤4：【在过程计算机中录入新参数】
将步骤3中确定的新参数从模型学习计算机传输到过程计算机，并录入新参数。然后在过程计算机中利用新参数预测温降量。
3将AI方法应用于生产的效果
在生产部门，提高CT的控制精度是一个永无止境的命题。在这种情况下，利用本次开发并应用的AI方法，对生产部门的业务带来了以下变革：
1）快速完成模型调整工作；
2）大幅减轻操作者开关阀门的负担；
3）消除了模型调整工作对人的依赖，顺利实现技术的传承。
以下将逐一进行详细介绍。
3.1实现模型的快速调整工作
即使工作人员不具备AI方面的专业知识或技术，现在也能够快速开展模型调整工作。从确定需要提高CT控制精度到结束模型调整的新老控制方法所需的工作时间进行对比的结果如表2所示。本次通过调整用于确认生产实际数据的用户界面，大幅缩短了实际情况的调查时间。此外，在模型调整中，只需检查实际数据的最低值并学习深度神经网络模型，因此在不到一天的时间内便完成了所有工作。如图4所示，将通过调整使模型误差得到改善的状况进行可视化后，能够快速评估调整后的模型，并做出是否需要向过程计算机添加数据的决策。
3.2操作者开关阀门的负担得到大幅减轻
如上所述，每当CT的控制精度下降时，通过适当且快速进行模型调整工作使其控制精度得到提高。通过这一措施，成功废除所有关于特定产品阀门数量增减方法的作业指示书，大幅减轻了操作者的作业负担，同时也减少了作业失误等风险。
3.3模型调整工作对人工依赖的消除以及技术传承的实现
传统控制中对预测模型的改进工作以及基于个人经验和诀窍的参数调整工作已不再需要，取而代之的是通过学习深度神经网络模型来进行模型调整。这使得模型调整工作摆脱了经验和直觉的束缚，与传统控制相比，大大消除了其对人的依赖。此外，由于专业人员之间也能够顺利且可靠地进行技术传承，从而构建了一个由专业人员开展模型调整工作的可持续性体制。
4AI方法的应用对产品质量提升的效果
通过此次开发和应用的技术，不仅能够对处于稳态的钢板中部进行高精度CT控制，还可以针对传统控制中精度下降现象频发的钢板前端和尾端，尤其在目标温度与稳态发生变化时也能实现高精度CT控制。因此，对于神户制钢热轧和冷轧高强钢等代表性产品而言，与传统控制相比，超出CT公差范围导致的废品量分别减少了21%和71%，收得率得到了提高。
5结语
本文介绍了将深度神经网络实际应用于板带卷取温度控制的温度预测模型，及其为生产部门带来的业务变革。
近年来，神户制钢重新构建了用于收集整个热轧过程中各种数据的基础设施，并创造了一个可以利用比过去更加庞大的数据量的环境。未来会利用该环境，将本文所述AI方法相关技术横向部署至加热炉和轧制设备等热轧的其他工序，以进一步稳定产品质量并减少生产车间操作人员的作业负担。
