王国栋院士:钢铁生产创新基础设施架构下的工业大模型系统

引言

钢铁行业作为支撑国家制造业发展的重要原材料工业领域,在保障国民经济与国防建设等方面发挥着重要的作用。然而,作为复杂流程工业,各工序均为多变量、强耦合、非线性和大滞后的黑箱,因物料加工的实时信息极度缺乏而成为充满不确定性的生产过程,最终影响了钢铁产品质量和效率的进一步提升。

21世纪以来,人类社会进入数字时代,移动互联、人工智能、云计算、大数据等新一代信息技术发展正在带动系列的产业发展和变革。数据分析应用于各行各业,与实体经济结合起来,已经成为人类认识与改造客观世界强有力的武器。

在数字化转型方面,钢铁行业与其他行业相比,具有得天独厚的优势。首先,钢铁行业具有丰富的数字技术应用场景资源。经过长期的建设和发展,钢铁行业已经具有相对先进的数据采集系统、自动化控制系统和研发设施,实现了全面的数据采集和丰富的数据积累。可以说,钢铁行业是离“数字化”最近的行业之一。其次,钢铁行业是对数字技术需求最迫切的行业,其生产过程全程黑箱,复杂的相关关系、遗传效应及不确定性,为数字化的应用提供了丰富的场景资源。如何通过对数据资源进行处理、分析和计算,建立具有“原位分析能力”的高保真数字孪生体,从而构建起基于数据自动流动的状态感知、实时分析、科学决策与精准执行的闭环赋能体系,解决生产制造和服务应用过程中的不确定性复杂问题,提高资源配置效率并降低研发成本,是未来钢铁行业发展的主要方向。

01

钢铁材料创新基础设施架构设计及核心工业大模型开发

钢铁行业与数字技术相融合才能发挥其应用场景与数据资源的优势,因此必须建设钢铁企业数字化创新基础设施(SEII—Steel Enterprise Innovation Infrastructure)。它是以技术创新为驱动、以信息网络为基础,面向高质化发展,为提高钢铁企业的核心竞争力而打造的钢铁产业升级、融合、创新的基础设施体系。SEII采用“1网3平台”的基本架构,以工业互联网为载体、以底层的数据感知和精准执行为基础、以边缘过程设定模型数字孪生体和边缘/底层CPS为核心、以云平台数据驱动为支撑,服务于钢铁企业的数字化转型,如图1所示。在整个系统中数据闭环自动流动,通过状态感知、实时分析、科学决策、精准执行这四个环节实现资源优化配置。大量蕴含在物理空间中的隐性数据经过状态感知被转化为显性数据,进而能够在信息空间进行计算分析,将显性数据转化为有价值的信息。不同系统的信息经过集中处理形成对外部变化的科学决策,将信息进一步转化为知识,通过最优化设计应用于物理空间,形成一个闭环赋能循环系统,使得物理空间设备运行更加可靠、资源调度更加合理,各环节智能协同效果更加优化,以实现企业高效运营。通过SEII最终实现四大关键功能,即绿色化关键工艺-装备创新功能、超级智能的CPS过程控制功能、高效率低成本的产品创新功能、全产业链协调管理优化运行功能。由此可见,SEII必将成为钢铁企业升级换代、创新崛起的数字化底座。

图1 钢铁企业创新基础设施(SEII)总体架构

创新基础设施的核心是建立钢铁材料成分、生产工艺以及其他经过数字化的非结构化数据表征的状态变量与外形尺寸、组织、性能、表面与服役性能等之间的关系,即建立钢铁生产过程的高精度数字孪生模型。然而,考虑到钢铁生产诸多环节的内部运行状况无法在线实时测量,传统现场生产主流程运行的数学模型大多为机理和/或经验模型。由于环境状况和操作条件波动以及设备运行状态变化,加之过程输入条件、状态变量和控制系统之间的关系十分复杂,这些机理和/或经验模型对于全流程黑箱的复杂动态过程适用性较差且精度不高,难以准确透视工艺、设备、质量等关键参数之间的复杂关系,成为进一步提高钢材生产质量的世界性难题。

人工智能(AI)理论与方法是实现复杂过程数字孪生的唯一途径。但是,传统AI只能根据输入的数据进行处理与分类,很难扩展到训练数据之外的应用场景。近年来,生成式AI(Generative AI-GAI)以数据以及从数据中提取的知识作为输入,通过机器学习建立起相关大模型(Foundation Model),进而真实还原并生成全新、原创的产品或任务,从而带动了人工智能领域的范式转换。其作用堪比工业革命,将带动各行业工作效率的极大提升。

钢铁生产过程中,内部组织结构演变与界面状态变化纷繁复杂,为此,东北大学相关团队集成数据治理及深度挖掘、物理机制及知识学习、轧制过程“力能-组织-界面”强耦合机器学习、冷却过程动态相变遗传机器学习以及微观组织结构与力学性能的深度学习等模块,建立了SEII架构下的热轧生成式工业大模型,如图2所示。相较于传统模型,其变量总数超过三百五十万,比传统模型多出5个数量级以上。通过全流程的信息融合并在实际工业应用中不断迭代优化,基于数据资源不断提升模型的可训练性,基于物理知识学习不断提升模型的可解释性和鲁棒性,从而构建起高保真热轧过程“成分-工艺-组织-界面-载荷-性能”数字孪生,并形成通用的、可推广的工业系统,实际应用于我国大型热连轧及宽厚板轧机等10余条生产线,开发出以海洋风电为代表的多种高性能钢铁材料的成分体系与最优轧制工艺,生产出“内外兼修”的高品质热轧钢材并成功应用于我国各类重大工程。

图2 热轧生成式工业大模型的主要系统架构

 

02

SEII架构下工业大模型系统赋能应用

SEII架构下热轧生成式工业大模型系统突破了以“经验试错法”为代表的传统工艺与品种开发方式所带来的成本高、效率低等技术瓶颈,实现了热轧工艺的快速优化及对市场需求的快速响应。

(1)热连轧生产过程的典型应用

热轧氧化无法在线检测,属典型黑箱过程;稳定、高效控制表面质量,离不开高精度的氧化模型,但国际尚无成功先例。项目组利用数据驱动算法解析了氧化速率、氧化铁皮变形率与轧制工艺及化学成分的关系,并建立起热轧全流程氧化铁皮厚度演变模型,氧化厚度预测精度在±2.5μm,达到了工业应用级标准要求。在此基础上,进一步明确了氧化状态与界面摩擦系数的相关关系,实现了轧制过程界面状态的精准调控。针对热轧超高强免酸洗汽车用钢在冷加工过程中存在严重的氧化掉粉缺陷,在大模型系统基础上,融合多目标优化算法对生产工艺进行优化设计,提出了“高温快轧、高温卷取”的工艺优化策略,实现了高强免酸洗钢批量供货。

针对2250mm热连轧生产的高Ti微合金高强钢薄规格产品因轧制力设定偏差导致边浪严重的问题,采用所开发的热轧生成式工业大模型,在综合考虑组织结构演变和界面状态变化的前提下,轧制力预测精度较国际通用模型提高30%左右,从而大幅降低了薄规格产品产生边浪的风险。此外,针对不同炉次冶炼成分波动导致最终产品力学性能波动大的问题,采用热轧大模型构建的热轧过程高保真的数字孪生,在过程机系统中实现了“反馈-计算-决策-控制”完整的循环的轧制工艺动态优化,使700MPa级超高强钢力学性能波动降低50%以上。

(2)宽厚板生产过程的典型应用

宽厚板生产具有品种结构复杂、小批量订单多的特点,大量余坯降级出售造成巨大经济损失,而且过多的钢种造成了炼钢工序的复杂化,严重影响了生产效率和产品质量的持续提高。因此,企业迫切需要一种“大规模定制”生产模式来既满足用户对产品低成本、高质量、个性化的要求,又满足企业大规模高效生产的需求,以提高企业的竞争能力。为此,项目团队利用热轧生成式大模型,通过综合考虑细晶、析出、位错及相变等强化机制的相关关系,在相同成分体系下实现了跨厚度和跨强度级别的轧制工艺柔性化设计,实际生产中产品力学性能合格率为100%,年减少超过60余次的小浇次出钢,初步实现了以大浇次出钢为主的“大规模定制化”生产。此外,通过轧制工艺柔性化设计,普通C-Mn钢产品在保证性能的前提下,大幅降低加热温度而实现了直接轧制,轧制效率提升35%以上;系列高强管线钢,通过细化析出相并提升细晶强化弥补高温轧制造成的位错强化降低,在力学性能和道次轧制负荷保持不变的基础上,使粗轧/精轧之间的待温时间缩短近25%,助力了企业高质量、高效率、低能耗生产。

(a)赋能热连轧过程700MPa级别Ti微合金化高强钢性能稳定性控制

(b)赋能宽厚板生产高钢级管线钢高效轧制

图3 热轧生成式工业大模型生产赋能

 

结语

数字化转型并赋能绿色化、高质化、强链化,是钢铁行业有史以来最大的关键战略转型。SEII作为数据时代最先进的数字化、智能化科技创新平台,采用最新的数字化技术架构和模型开发方式,充分发挥钢铁行业丰富应用场景优势,最大限度地利用企业丰富的数据、先进技术等长期积累的资源,依靠数据分析、数据科学的强大数据处理能力和放大、倍增、叠加作用,以实现绿色化关键工艺、装备创新功能、超级智能CPS过程控制功能、高效率低成本产品创新功能、全产业链协调管理优化运行功能,提升企业的核心竞争力,赋能钢铁行业升级换代、转型发展,成为国际领先的产业集群。

转自|世界金属导报

 

 

数字钢铁关键技术丛书

点击封面 了解更多

 

 

创建时间:2024-03-14
浏览量:0
<返回
进入页    行业知识Live    王国栋院士:钢铁生产创新基础设施架构下的工业大模型系统