论如何利用大数据技术实现钢卷的性能预测

李会娟

（河钢股份有限公司承德分公司 运营改善部，河北 承德 067102）

[摘 要]大数据技术加快了企业向智能制造前进的步伐，运用大数据技术，可以大大优化钢铁企业经营决策，提高企业生产力。本文介绍河钢股份有限公司承德分公司如何利用多元化数据建立智能模型，代替人工取样检验，实现钢卷的在线性能预测，降低切损，减少成本，提高企业竞争力。

[关键词]大数据技术；钢铁企业；在线性能预测

doi：10.3969/j.issn.1673 - 0194.2017.10.034

[中图分类号]T273 [文献标识码]A [文章编号]1673-0194（2017）10-00-02

钢卷性能主要受自身的化学成分以及生产过程控制参数的影响，即各种微量金属成分的含量、温度控制以及轧制厚度等工艺控制参数。由于各个钢种成分不一样，影响钢卷最终性能的工艺参数也不一样。例如，对于SS400钢来说，主要影响其性能的为C、Si、Mn、S、P元素含量以及终轧温度、卷取温度，而对于部分元素强化，如Ti强化钢种，钢卷的最终性能还与Ti含量、入炉温度、加热温度、在炉时间等有关。大数据技术将这些与产品性能相关的参数以及实际检测性能结果关联起来，建立性能预测模型，就可根据产品的这些参数控制情况来实时预测产品的性能，部分替代传统取样方法。

1 性能预测方法的选择

目前，河钢股份有限公司承德分公司（以下简称“河钢承钢”）1 780 mm线是双机四流连铸机生产线，其特点是四流通过单辊道装三座加热炉。对每个流来说，装炉顺序是随机的，四流的计划规格有可能不同，且存在冷热混装的问题，所以出炉轧制时，如果按照河钢承钢企标规定的“同炉号，同牌号，同规格，同工艺”组批检验，必然出现每批块数少，批号数量大的现象，给生产组织带来了困难，影响了产品性能检验及产品的综合判定。

传统的钢卷尾部取样存在的问题：①由于品种复杂，造成组批号倍增，给取样工序带来大量的工作，且成材率降低、容易混样；

②以尾部试样力学性能代替整卷力学性能容易出现因尾部温度低造成性能错误的问题；③由于厚度大于8 mm的在检查线剪切不了，必须将钢卷吊运到开卷装置上用火焰切割，不仅费时费力，且容易造成外圈硌伤；④取样切割试样，降低了成材率。

为了解决上述取样多、费时、费力、尾部性能检测无法代表整卷性能的问题，河钢承钢充分利用一种先进的机器学习方法——支持向量机法，精确预测钢卷的性能，部分替代物理检测过程，满足企业的需求。

2 性能预测模型的建立

河钢承钢将生产过程关键工艺参数、设备控制参数、传感设备数据、检测设备数据、投料数据等实时信息与产品批次、过程检化验、最终产品质量特性数据等进行空间、时间的整合，再经过清洗、转换、集成，加载到数据仓库中，成为联机分析处理、数据挖掘的基础，用于精准预测钢卷的性能，进而提升河钢承钢产品的质量。

采用嵌入式工业智能网关采集炼钢转炉、LF炉、连铸等工序数据。通过对不同PLC型号、IO点寄存器地址、采集频率等信息进行配置，采集工序参数、设备参数信息并存储到数据库中，一方面，对生产现场设备运转情况进行实时监控，并按照设备报警规则进行实时报警；另一方面，通过实时整理、计算设备相关参数数据，生成设备运转统计报表数据。粗轧、精轧、卷取、平整工序数据采用IBA-PDA数据采集软件进行采集。

针对河钢承钢热轧生产过程中的主要工艺参数，实时采集并与具体批次关联，诸如碳当量、磷含量、硫含量、板厚、开轧温度、终轧温度、冷却速度、卷取温度与终轧速度等，利用支持向量机的回归拟合方法，将碳当量、板坯厚度、开轧温度、终轧温度、精轧压下率、卷取温度等主要影响因素，与抗拉、屈服、延伸三大力学性能的关系模型化，初步建立热轧板力学性能预测模型，并通过对其进行精度检验与控制，使其预测效果最优，确保模型预测精度达到95%以上。

如图1所示，选取时间段后，然后选取需要做性能预测的模型，也可以指定生产批次号，这可以查出该时间段该钢种的性能预测结果，该预测值为钢卷沿长度方向上的性能平均值。

任意一卷钢，在来料确定的情况下，它的成分是固定的、均匀的。轧制时也是按照目标温度去进行控制，但实际生产中，钢卷的终轧温度、卷取温度肯定会在目标值上下波动，尤其是头部和尾部波动较为厉害，如果以钢卷设定温度来预测钢卷性能，就会与实际钢卷的性能存在一定差异，且不能代表钢卷各部分性能。所以，该模型按照模型对温度的取样频率，对钢卷沿长度方向绘制了性能曲线。

3 開放模型参数配置接口

系统预留预测模型的配置界面，可以根据不同的钢种和规格来配置不同的模型参数，使性能预测结果趋于精准。

由于各个钢种成分不一样，所以不同的钢种需要进行不同的参数配置。操作人员可以添加不同的输入参数和输出参数。

模型预测结果肯定会与实际检测值存在误差，特别是当用以学习的数据量过少时，这需要模型不断自学习，不断修正。此性能预测模型会定期扫描数据库，将有实际检测性能结果的钢卷用以自学习，这避免了人工操作的冗繁性。

4 预测效果

为了不失一般性，本文以钢种牌号为SS400的钢卷的屈服强度和抗拉强度作为研究对象。从河钢承钢1 780 mm生产线选取了部分钢卷进行性能预测，并与实际性能检测结果进行对比，具体情况如表1所示。

本文共预测了500卷钢，从表1可看出，强度偏差基本都在25 MPa以内，预测屈服强度与实测屈服强度的平均误差百分比为3.8%，抗拉强度的平均误差百分比为3.2%，情况较好。

本性能预测模型应用数据仓库中的历史数据，采用支持向量机法建立预测模型，取得了不错的效果，可以帮助企业减少取样量、节省人力、节约成本、缩短交货时间，提高了企业竞争力。