肖 畅,吕立华

(宝山钢铁股份有限公司中央研究院,上海 201999)

1 概述

钢铁产品在炼钢连铸到加热炉再到热轧、冷轧等一系列生产过程中,经历了复杂的物理化学变化,在全流程生产中,各个工序积累了大量的高频生产数据以及对应的产品质量数据信息,这些数据信息具有量大、维数高、信息冗余、信息缺失、类别不平衡等特点[1-3]。在海量的生产信息中往往蕴含着产品质量的关键特征,这些特征信息的有效挖掘与应用,可以极大提高产品的质量与生产的降本。北京科技大学的吕志民等提出了一种统一架构的冶金全流程工艺质量在线和离线分析诊断系统解决方案,利用传统统计模型建立了工艺质量预警与在线判定系统,为冷轧领域全流程质量追溯和分析提供了统一的平台[4]。通过数据科学获得的结论往往需要结合钢铁物理冶金学知识进行判断与指导,通过物理冶金原理与机器学习模型相耦合对钢铁流程数据进行知识蒸馏,是钢铁行业数据分析与挖掘应该注意的地方。东北大学徐伟从物理冶金学与机器学习算法融合的角度出发,提出了以物理冶金学为指导的机器学习方法,设计出了新型超高强不锈钢[5]。

目前在钢铁生产流程中普遍缺乏一套整体的基于机器学习的分析框架,从数据层的多源异构数据搜集与治理到模型层的各模型库的综合开发与调用,各个模块常常处于独立开发与分析的情况,因此出现了数据孤岛、关键模型黑箱等问题[6-8]。……