邢 钊,梁晓军,郝英敏

(宝山钢铁股份有限公司中央研究院,上海 201999)

1 概述

在流程型过程中,基于深度分析大生产工艺—性能数据,可以获得很好的工艺优化设计的基础。这种工艺优化设计首先是基于大量的实际数据,通过机器学习,以条件概率分布等方式为基础,结合信息熵表达,直接建立起工艺(Process)—性能(Property)之间的关联,然后通过这种关联来实现工艺—性能的预测(如图1所示),最终实现工艺优化设计。这种优化设计方式往往内聚性比较好,对于某些产量大、要求单一的钢种,通过获取到的足量且准确的数据,借助大数据分析模型计算,预测变化趋势,对于一些工艺参数、性能提升的完善均有一定的辅助作用。但是这种方法也存在一定的局限性,首先是许多模型以黑匣子的形式存在,对于内部参数含义及调节后的影响并非显而易见,调整参数具有一定的难度;其次拟合出的产品工艺相对于当前产线可能具有优良的预测性,尤其是对于模型内插值数据表现出良好的预测性,但是钢铁组织性能的影响因素较多,各因素之间也可能存在强相关性,一旦参数选择不当可能会出现模型收敛不佳,造成拟合结果较差或是由于过拟合造成泛化能力不足,无法得到广泛应用。尤其是在新产品、新工艺研发阶段,原大生产数据外延推测不一定起到良好的预测效果,而在初始研发阶段,也无法获取到大量的生产数据,通过大量的大生产过程去获取机器学习所需的数据也不现实,风险性很大。……