在由多架轧机组成的冷连轧机中，对各机架的压下率设定以及机架间张力设定，即所谓的“轧制规程”，具有调整自由度。轧制规程的优劣会直接影响生产效率与产品质量，因此，需要操作人员频繁手动介入调整轧制规程。为解决这一问题，开发了基于人工智能（AI）的轧制规程自动设定系统。该系统充分考虑了与操作人员手动介入的协同配合，实现生产流程向自动化系统的平稳过渡，大幅提升冷连轧机的生产效率。

在冷连轧机轧制过程中，会明确规定来料厚度以及作为产品尺寸要求的目标厚度，但各架轧机轧制后的钢板厚度具有可调整的自由度，这是冷连轧机的一大特点。与此同时，在不对生产操作产生不良影响的前提下，各架轧机之间的钢板张力也可自由设定。本文将冷连轧机中各架轧机的钢板厚度设定（即压下率设定）以及各架轧机之间的钢板张力设定统称为“轧制规程设定”。轧制规程设定拥有较高的自由度，并且会直接影响各架轧机的轧制负荷与轧制扭矩，因此，必然也会对冷连轧机的生产效率以及钢板厚度偏差长度等产品质量指标产生重大影响。正因如此，业界已提出多种用于确定冷连轧机轧制规程设定的方法。

以往应用最为广泛的方法，是在过程计算机中为不同钢种、不同产品尺寸分别设置细分的轧制规程设定表格。采用这种方法时，表格数值的调整需通过反复试错来完成。虽然轧制规程设定表格的细分程度越高，就越能实现精细化的轧制规程设定，进而改善生产操作效果，但与此同时，表格数值的维护工作量也会相应增加，这成为该方法的一大问题。此外，该方法还存在另一难题，即难以将轧辊更换后的轧制长度、轧制油浓度等时刻变化的操作指标真正反映到轧制规程设定中。

其他已知的轧制规程设定方法中，有一种是通过设计综合考虑轧制负荷、轧制主电机电流等因素的评价函数，并设定使该评价函数达到最小值的轧制规程。若该方法中评价函数与约束条件的设计合理，便能制定出生产效率高、操作故障发生率低且钢板质量优良的轧制规程。然而，该方法同样存在问题：一方面，评价函数的设定具有较高自由度，导致评价函数本身的设计难度较大；另一方面，在设定各种约束条件的上下限值以及调整评价函数的权重等工作中，参数维护的工作量较大。

针对上述问题，引入了一种轧制规程设定模型，该模型采用神经网络技术，通过学习过往的轧制实绩数据来实现轧制规程设定。这种方法的显著优势在于，无需依赖人工对表格数值、操作条件等参数进行维护调整。但与采用设定表格的方法类似，该模型也存在缺陷：对于尚未积累足够轧制实绩数据的新钢种，在轧制过程中仍不得不依赖操作人员的手动介入调整。此外，从系统实施角度来看，神经网络模型本身的重新学习需要人工参与操作，这使得模型容易出现滞后老化的问题。

为解决上述问题，本研究同样采用神经网络技术，通过学习过往轧制实绩数据，开发出具有以下特点的轧制规程设定人工智能系统：1）最大限度减少按钢种、产品尺寸等进行分类的参数维护工作，实现参数维护自由化；2）通过积累轧制实绩数据，实现人工智能模型无需人工干预的自动重新学习；3）采用可与操作人员手动介入调整协同配合的模型架构，即便在轧制实绩数据积累不充分的情况下，也能启用人工智能设定功能；4）在人工智能模型自身的学习过程中，增设由人工智能自主筛选学习数据的环节，使模型能够学习到更优的轧制规程设定方案。

2.1轧制规程设定与规程计算

以下将概述冷连轧机的轧制规程设定，以及被称为“规程计算”的冷连轧机机架压下位置设定、轧辊速度设定的准备流程。图1为一般的规程计算流程。轧制规程设定对应于流程中的起始环节①，它会根据轧制材料的生产规格（厚度、宽度、钢种）以及轧辊规格等信息，通过多种方法来确定。

以5架轧机组成的冷连轧机为例，在表1中列出了低碳钢轧制规程的具体实例。如上所述，来料厚度以及5号机架出口侧钢板厚度是按照轧制材料的生产规格设定的，而除此之外的其他各项参数均可灵活设定，可见该设定过程具有极高的自由度。

在冷连轧机生产中，轧制规程设定表格的维护工作未能充分开展，操作人员需根据实际轧制情况，对轧制规程设定进行手动介入调整，这已成为日常操作流程。如前所述，轧制规程设定与冷连轧机的生产效率直接相关，因此，如图2所示，不同操作人员班组之间的轧机最高速度存在差异。此外，图2以最高速度最低的班组为基准，将其相对值设为1。

2.2规程计算人工智能系统构成

图3展示了规程计算人工智能系统的整体架构。规程计算人工智能学习服务器会通过2级计算机（过程计算机），收集来自1级设备（可编程逻辑控制器PLC、集散控制系统DCS）的轧制负荷等过程数据、来自2级计算机的规程计算数据，以及来自3级计算机（业务计算机）的轧制材料生产规格、轧辊规格等指令数据，并以钢卷为单位将这些数据存储到学习用数据库中。除以上讨论的轧制规程设定外，2级计算机还通过人工智能模型计算轧制负荷、轧制扭矩及前滑值。

此外，学习服务器会利用数据库中积累的数据自动执行模型的重新学习；当学习完成后，会将训练好的模型参数发送至2级计算机。通过2级计算机自动重新读取这些参数，实现了无需人工干预的参数更新，即完成自动重新学习。

3.1 轧制规程设定人工智能模型

图4展示了该轧制规程设定人工智能系统的结构。在该模型中，“X层”为输入层，“H层”为隐藏层，“Y层”为输出层。输入层对应的特征变量（解释变量）不仅包括轧制材料的生产规格（如来料厚度、轧机出口侧设定厚度、宽度、变形抗力等），还涵盖了轧辊规格（如工作辊直径、轧辊更换后的轧制长度等）相关的多个变量。

另一方面，输出层对应的目标变量为各架轧机的压下率设定以及机架间的张力设定。不过，由于轧机入口侧和出口侧的钢板厚度已明确规定，压下率设定并不具备与轧机机架数量相等的自由度。例如，对于由5架轧机组成的冷连轧机，一旦确定了1-4号机架的压下率，为使轧机出口侧钢板厚度达到预期目标值，5号机架的压下率便会被唯一确定。因此，研究人员未采用直接预测压下率设定值的方式，而是通过构建模型来预测各机架压下率相对于选定基准机架压下率的比率，从而解决了自由度受限这一问题。

如图4所示，对于神经网络输出的“人工智能轧制规程设定”结果，会结合操作人员的手动介入调整结果，将其作为实际轧制过程中所采用的轧制规程设定。这样设计的主要原因是，即使在新钢种试轧等轧制实绩数据积累尚不充分的情况下，也能以基于过往轧制实绩数据外推得到的人工智能轧制规程设定为基础，由操作人员进行手动介入调整，确保轧制过程顺利进行。

此外，如图4所示，该系统采用了一种特殊的输出递归型神经网络结构：操作人员手动介入调整后的轧制规程设定，还会被用作预测下一个钢卷轧制规程设定时的特征变量（说明变量）。这一设计主要是考虑到，在传统操作模式下，操作人员会依据个人经验对轧制规程进行手动调整，即便在相似的轧制工况下，不同操作人员所设定的轧制规程也会因个人操作习惯的差异而存在一定波动。具体而言，若采用无递归连接的人工智能轧制规程设定模型，针对相同的轧制工况，模型始终会输出相同的设定值；而通过引入递归结构，当操作人员进行手动介入调整时，人工智能设定值也会随之相应变化，从而实现操作人员与人工智能系统的协同配合。

通过采用上述结构设计，轧制规程设定人工智能系统的使用率实现了稳步提升。

3.2基于人工智能的学习数据筛选

以下将阐述在轧制规程设定人工智能系统的模型学习过程中所采用的一项关键技术——学习数据的筛选方法。该轧制规程设定人工智能系统能够在线自动完成以下两个步骤的学习过程，且无需人工干预。首先，研究人员认为，在开发轧制规程设定人工智能系统时，即便能够基于过往轧制实绩数据构建出可精准复现轧制规程设定的模型，该模型也仅仅是对操作人员的平均操作水平进行了复现。换言之，采用这种简单的学习方法，将无法保留熟练操作人员在手动介入调整过程中所展现出的精湛技艺（经验性操作技巧）。这一问题与能够精准复现实际测量结果的模型（例如基于辊缝测量的轧制负荷人工智能预测模型）存在显著差异，是轧制规程设定这类难以直接评判优劣的应用场景所特有的难题。

针对这一难题，研究人员并未采用设置特定评价函数来直接评判轧制规程设定优劣的方法，而是尝试通过从轧制规程设定人工智能系统的学习数据中剔除“不良操作”相关数据的方式来解决。具体而言，轧制规程设定会直接影响轧制动力。基于这一特性，研究人员将“不良操作”定义为轧制动力分配不合理、轧机机架最高速度偏低的操作数据。基于这一思路，将轧制规程设定人工智能系统的学习过程分为以下3个步骤进行（图5）。通过采用包含数据筛选步骤的学习流程，可使人工智能系统的轧制规程设定逐步向高生产效率的设定值收敛。

以下将对每个步骤的具体操作进行详细说明。

步骤1：轧机机架最高速度预测。首先，以生产规格等参数作为特征变量，利用人工智能模型对数据库中的所有数据对应的轧机机架最高速度进行预测。数据库中已包含对应钢卷的最高速度实际值。需要特别说明的是，在该步骤，最高速度预测人工智能模型的特征变量中不包含轧制规程设定相关参数。也就是说，通过刻意排除轧制规程设定参数，研究人员期望构建出一个能够预测不依赖于特定轧制规程设定的“平均最高速度”的人工智能模型。

步骤2：高生产效率数据提取。将步骤1中得到的最高速度人工智能预测值与实际最高速度值进行对比。根据设定的合理阈值，保留实际值高于预测值的数据，剔除实际值低于预测值的数据。也就是说，由于人工智能预测值旨在反映不依赖于轧制规程设定的“平均最高速度”，因此，研究人员认为，保留下来的数据对应的是因轧制规程设定合理而实现较高最高速度的优良操作案例。

步骤3：轧制规程设定人工智能系统的学习。轧制规程设定人工智能系统利用步骤2中提取出的数据进行模型学习。研究人员期望通过这种方式训练出的轧制规程设定人工智能系统，能够具备预测最高速度对应的轧制规程设定的能力。

采用这种多步骤的模型学习方法后，实际应用结果表明，在使用轧制规程设定人工智能系统时，轧机的最高速度实际值实现了逐步提升。

4.1轧制规程设定人工智能系统的使用情况

以下将介绍轧制规程设定人工智能系统在实际冷连轧机控制系统中的应用情况，以及长期生产运行过程中所取得的成果。图6为不同年份下，代表性钢种对应的轧制规程设定人工智能系统使用率的变化趋势图（折线图）。在实际生产中，最终是否启用人工智能设定功能由操作人员自主判断。如图6所示，人工智能设定功能的使用率呈逐步上升趋势，在系统引入后的第3年，使用率达到了73%。图7展示了各年份不同操作人员班组对人工智能设定功能的使用率情况。从图7中可以清晰地看出，操作人员是否积极使用人工智能设定功能，在很大程度上取决于操作人员的个人判断习惯。需要说明的是，在上述所有评价过程中，只要在启用人工智能自动设定功能的状态下进行生产操作，即便操作人员对部分轧制规程设定项目进行了手动介入调整，该操作仍会被统计为“人工智能系统使用案例”。

4.2启用人工智能系统对生产效率提升的效果

以上介绍了轧制规程设定人工智能系统学习过程中的一项关键改进措施：通过自动筛选最高速度较高的数据，并仅利用筛选后的数据进行模型学习。本节将以这一学习改进措施的效果验证为目的，阐述轧制规程设定人工智能系统对轧机最高速度以及生产效率（单位时间产量）产生的影响。

图8展示了不同年份代表性钢种的最高速度、生产效率与轧制规程设定人工智能系统“使用/未使用”状态之间的关系。在图8中，纵轴采用相对值表示，以各年份“人工智能功能关闭”状态下的最高速度平均值为基准（设为100%），通过该相对值可对“人工智能功能开启”状态下的性能改善效果进行相对评价。

从最高速度指标来看，随着使用年限的增加，“人工智能功能关闭”与“人工智能功能开启”状态下的最高速度差距逐渐扩大，在系统启用后的第3年，两者差距达到了2.4%。研究人员认为，这一结果表明：用于自动筛选最高速度较高数据的学习算法发挥了预期作用，模型能够有选择地学习较高最高速度对应的操作数据，使得轧制规程设定逐步向高生产效率的设定值收敛。

此外，与最高速度变化趋势类似，随着使用年限的增加，“人工智能功能关闭”与“人工智能功能开启”状态下的生产效率差距也在不断扩大，在第3年达到了2.9%。生产效率的提升幅度超过了最高速度的提升幅度，研究人员认为，这是由于通过人工智能设定减少了不同操作人员在轧制规程设定上的个体差异，从而在提高最高速度的同时，实现了故障发生率更低的稳定生产操作。

图9展示了利用2021年的数据，对不同操作人员班组之间生产效率差异进行评价的结果。图9将“人工智能功能关闭”状态下的单位时间产量平均值定义为100%（该状态被假定为与轧制规程设定人工智能系统引入前的生产状态相当），通过相对值来评价不同操作人员班组之间的生产效率差异。

“人工智能功能开启”状态下的生产效率比“关闭”状态高出2.9%。在“人工智能功能关闭”状态下，不同操作人员班组之间的生产效率最大差距为8.2%；而在“人工智能功能开启”状态下，这一最大差距缩小至3.3%。这一结果表明，轧制规程设定人工智能系统的应用，不仅提高了整体生产效率，还有效缩小了不同操作人员班组之间的生产效率差异。

本文详细阐述了轧制规程设定人工智能系统的开发过程以及在冷连轧机控制系统中的应用情况，取得如下效果：

1）该系统自2018年起实现了长期连续运行，即便在新钢种的轧制过程中，也能实现与操作人员协同配合的轧制规程设定；

2）该系统通过自学习（包括自动筛选模型学习所用数据），在减少参数维护工作量的同时，为生产效率的逐步提升作出贡献；

3）现场应用实践证实，该系统能够有效缩小不同操作人员之间的操作水平差距，弱化人为因素带来的生产效率偏差。