1
研究背景
钢铁材料是支撑国民经济、重大工程和装备建设的关键原材料，其中95%以上需经热轧工序才能成材。因此，热轧钢材的综合质量水平是衡量钢铁工业技术发展的重要指标。在国家持续科研与技术研发支持下，我国已在热轧钢材力学性能调控、尺寸形状控制及表面质量优化等领域取得重要进展。成功开发出以“新一代TMCP”为代表的热轧生产技术，改善了钢材强韧性；引进吸收并创新了自动厚度与宽度控制技术，保证了产品的尺寸精度；开发出的热轧氧化控制技术提升了钢材的表面质量。然而，上述进展属于工业时代技术进步的结晶，具有显著各自为战的独立控制特色，在提升单一质量指标的同时势必牺牲其他质量指标。因此，如何进一步改善热轧钢铁综合质量，决定了我国能否进一步提升产品竞争力、实现高效生产，从而在世界基础原材料竞争之中立于不败之地。
热轧流程是典型多场耦合的钢材成形成性过程。温度与变形的综合作用使轧件内部发生包括元素固溶、微合金元素析出、回复及再结晶软化等一系列复杂的物理冶金学过程。这些组织演变行为不仅决定了产品内部组织结构与力学性能，而且决定了轧件的变形抗力并影响着轧制过程力能参数的变化，是控制产品形状与尺寸精度的核心因素。另一方面，轧制过程中轧件始终暴露在高温与空气环境下，不可避免会发生严重的表面氧化。作为轧辊与轧件的界面介质，氧化铁皮厚度的变化可以改变界面摩擦系数，进而对轧制力能参数产生影响。同时，工业生产统计结果表明，产品表面质量缺陷中的70%以上是由于高温氧化行为控制不当引起的。
总之，热轧产品的组织演变、表面氧化行为和力能参数变化呈现强耦合且黑箱状态的特点，只有破解这种难题，才能实现表面质量、力学性能与尺寸精度的协调优化，进而提升产品的综合质量。但传统热轧生产控制技术已无法解决这种复杂非线性系统的强耦合黑箱问题。近年来，大数据、人工智能等技术的快速发展在各行各业取得了显著的应用成效，为破解热轧过程强耦合黑箱特性提供了可能。因此，结合工业大数据、轧制原理和新一代人工智能理论，开发破解热轧过程强耦合黑箱特性的新方法，成为提升钢材综合质量的重要发展方向。
2
热轧集成机器学习模型
为提高热轧钢材的综合质量，项目团队融合基于数据的物理机制挖掘与知识学习、“力能组织界面”强耦合机器学习、动态相变遗传机器学习和力学性能智能跟踪，开发出热轧集成机器学习模型系统，并基于此实现了热轧产品质量综合调控，如图1所示。
在基于数据的物理机制挖掘与知识学习方面，传统物理冶金学模型因假设条件和实验室数据拟合参数，在工业场景偏差大。项目团队通过引入符号回归等人工智能算法，在不考虑理论假设的条件下，从生产数据中挖掘变量内禀关系，推导出显示数学表达式，从而构建出适用于复杂耦合环境的物理冶金学模型，并将这些模型作为热轧集成机器学习系统的基础模型框架。
在轧制过程中，项目团队围绕“组织-力能-氧化”强耦合现象，利用可实时测量的轧制载荷，通过流变应力模型间接校正显微组织演变模型关键参数，提升模型对热轧产线的适应性，并揭示出轧制过程奥氏体再结晶及晶粒形态的演变过程。同时，通过考虑轧件和轧辊的摩擦系数等影响因素，建立了非等温氧化动力学模型，实现了对热轧全流程氧化铁皮厚度的预测，并进一步预测轧制力，从而提升板形的控制稳定性。
在轧后连续冷却过程，轧后奥氏体组织状态和冷却路径共同作用决定了相变产物、各相比例及晶粒的细化程度。针对传统模型无法准确区分不同贝氏体形态相变产物的问题，项目团队提出基于梯度提升树与支持向量回归的方法，实现相变产物类型及分数预测。在此基础上，建立不同钢种CCT数据库，结合物理冶金学原理开发出了动态相变的遗传性机器学习建模方法，实现了不同钢种连续冷却相变曲线的快速生成。
在力学性能智能跟踪方面，高强钢在冷却阶段发生复杂的相变行为，受冷却路径影响十分敏感。传统组织性能预测模型仅依赖最终显微组织数据，难以反映冷却路径对性能的影响。项目团队通过综合考虑连续冷却CCT曲线与冷却路径，并引入卷积神经网络构建力学性能预测模型，提升模型对多模态信息的理解能力，实现力学性能高精度预测。
3
热轧集成机器学习模型的典型应用
3.1热连轧Ti微合金高强钢综合质量及性能稳定性提升
Ti微合金高强钢因其优异的力学性能和较低的生产成本广泛应用于汽车、工程机械等重点领域。然而钢中Ti元素在冶炼过程中易与钢水中的氧和氮发生反应，导致每炉钢Ti的收得率都会发生较大变化。在当前生产模式下，工艺控制过程未能考虑成分波动的影响，导致此类高强钢产品性能波动巨大。如何持续提升Ti微合金高强钢综合性能指标，解决性能波动问题，已成为兼顾企业利润、满足用户使用需求的核心问题。
围绕这一难题，项目团队针对700MPa级Ti微合金高强钢建立了热轧集成机器学习模型，实现了加热过程晶粒长大行为、轧制奥氏体再结晶行为、连续冷却过程相变行为、微合金元素碳氮化物溶解析出行为、组织演变行为的定量描述，破解了钢材轧制过程组织演变黑箱。通过重点计算Ti在热轧全流程的溶解析出行为，建立析出行为对产品组织、性能影响规律的定量分析方法。根据炼钢实际成分波动，利用模型动态优化轧制及冷却工艺，并通过二级系统进行实时控制，从而形成“反馈-计算-决策-控制”完整循环的动态工艺优化。经过工艺动态优化，Ti微合金钢性能波动降低50%以上。此外，通过充分考虑生产过程中轧件的显微组织演变和表面氧化行为对轧制界面影响，使Ti微合金高强钢轧制力预测精度较现有通用轧制力模型高出一倍以上。针对带钢表面氧化铁皮过厚导致冷加工过程掉粉严重的问题，结合所开发的多目标优化算法，设计出兼顾力学性能与表面质量的工艺优化策略。工艺优化后，氧化铁皮厚度降低20%以上，大幅改善了冷加工过程钢板表面掉粉问题，达到免酸洗产品要求。
3.2高强船板钢宽厚板综合质量与轧制效率提升
高强船板钢生产过程通常采用控制轧制工艺以保障强韧性，然而过低的轧制温度易导致热轧钢板表面形成氧化铁皮破坏轧件表面质量，造成钢板表面存在如色差、麻坑等缺陷，严重影响大型船舶的涂装质量。此外，传统控制轧制还会严重降低生产效率。例如，单机架4300mm宽厚板生产线轧制高强船板钢的中间坯待温时间约4min，成为提高生产效率的瓶颈。因此，如何快速设计最优工艺以改善产品组织性能和表面质量，对提高企业生产水平至关重要。
为此，项目团队建立高强船板钢宽厚板热轧集成机器学习模型，实现了轧制力的高精度预测。相比通用模型，集成机器学习模型预测精度大幅提升，为宽厚板产品的平面形状控制奠定了良好基础。此外，产品力学性能与表面质量是钢铁产品不可或缺的衡量指标，但二者的控制在热轧生产中往往彼此矛盾，协同提升一直是钢铁行业的共性难题。基于宽厚板热轧集成机器学习模型，通过多目标优化设计了高强船板钢的生产工艺，取消了中间坯待温过程。通过适度提高精轧温度促使奥氏体发生再结晶细化晶粒，提高了显微组织均匀性。与此同时，钢板表面氧化铁皮厚度降低至20-30μm，与原始工艺相比，表面氧化铁皮与钢板的界面平直度大大提高，使抛丸处理后钢板的表面缺陷率与原始工艺相比降低75%以上，所开发的高效轧制工艺在保证力学性能的前提下，每块钢减少轧制时间超过2min，从而使整体轧制效率提高40%。实际工业生产表明，该工艺不仅为用户提供了“内外兼修”的高品质船板钢，而且实现了轧制效率的提升。
4
结论与展望
目前，钢铁产品质量控制的关键在于综合控制显微组织、尺寸形状和表面质量，而厘清其热轧过程组织演变，破解“黑箱”过程成为控制产品质量的关键。本研究综合利用机器学习、深度学习及物理冶金学原理等，提出了融合多模态数据的热轧钢材集成机器学习模型。该模型可精准解析轧制载荷、表面氧化和显微组织间错综复杂的交互作用，从而实现轧件显微组织演变、表面氧化行为和轧制力的高精度预测。同时，该模型能够为工艺参数优化、新钢种和新工艺开发提供有力支持，进而提高整体生产效率。
