數(shù)字孿生驅動的熱軋鋼卷邊裂管控框架

曾凡航

（1 武漢科技大學冶金裝備及其控制教育部重點實驗室， 武漢 430081；2 武漢科技大學機械傳動與制造工程湖北省重點實驗室， 武漢 430081）

0 引 言

鋼卷熱軋過程中受到鋼坯加熱溫度、爐內(nèi)停留時間、除鱗時的水壓、冷卻水壓、軋制張力、軋制速度、卷取溫度等因素影響，導致熱軋鋼卷出現(xiàn)邊裂缺陷，嚴重影響產(chǎn)品質量。 為了尋找邊裂產(chǎn)生的原因以及實現(xiàn)對鋼卷邊裂缺陷的管控，王章嶺等學者［1］從裂紋形成機理出發(fā)，得出不同形貌裂紋的形成原因，并制定了相應的改進措施。 張翔等學者［2］通過研究鋼卷邊裂與礦石原料、冶煉、軋制工藝以及鋼中低熔點元素的關系，分析了高強度船板邊裂產(chǎn)生的原因。 王宏霞等學者［3］采用宏觀檢驗、金相檢驗及掃描電鏡能譜分析等方法，對出現(xiàn)邊裂的鋼卷進行解剖分析。 趙瓊［4］通過對邊裂鋼卷從外到內(nèi)采用解剖分析、三維方向的金相分析研究及掃描電鏡分析等綜合分析手段，對邊裂出現(xiàn)的原因進行了較為全面的研究。 這些研究主要根據(jù)缺陷的統(tǒng)計學特征、生產(chǎn)經(jīng)驗以及鋼卷內(nèi)部成分事后來判斷邊裂缺陷產(chǎn)生的原因，缺乏生產(chǎn)過程數(shù)據(jù)和理論模型支撐，針對整個熱軋過程無法精確分析和定位邊裂原因，也不能做到及時的預測。

隨著第四次工業(yè)革命的來臨，與物理世界對應的數(shù)字孿生世界不斷成熟，數(shù)字孿生技術與國民經(jīng)濟各產(chǎn)業(yè)的融合不斷深化，有力推動了各產(chǎn)業(yè)在數(shù)字化、網(wǎng)絡化、智能化的發(fā)展進程［5］，也為制造業(yè)里的物理信息融合提供了較好的解決思路。 近年來，作為智能制造的技術之一，數(shù)字孿生技術為實現(xiàn)信息物理系統(tǒng)的虛實融合提供了新的思路和方法，已經(jīng)得到了國內(nèi)外學者的廣泛關注［6］。 數(shù)字孿生車間是數(shù)字孿生技術在產(chǎn)品加工制造階段的具體應用，主要將物理車間和虛擬車間進行雙向真實映射和實時交互，使車間的管控達到最優(yōu)。 為了提高復雜產(chǎn)品裝配過程管控的全面性和實時性，Zhuang 等學者［7］提出了基于數(shù)字孿生的復雜產(chǎn)品裝配過程智能管控方法，建立了相應的管控框架，闡述了該框架中包含的車間運行狀態(tài)預測方法以及智能迭代優(yōu)化等技術。 陶飛等學者［8－10］提出數(shù)字孿生車間的概念，詳細地介紹了數(shù)字孿生車間的特點與運行機制，并在此基礎上提出數(shù)字孿生五維模型。 Yin 等學者［11］通過構建了一種三維可視化監(jiān)控系統(tǒng)來動態(tài)反映機加工車間生產(chǎn)任務的執(zhí)行情況。 Jiang 等學者［12］通過將信息集成技術和虛擬現(xiàn)實技術結合在一起，建立了虛擬車間狀態(tài)監(jiān)控系統(tǒng)，并且運用Unity3D 軟件進行了實例驗證。

針對上述研究成果以及熱軋車間目前的實際情況，本文提出建立數(shù)字孿生驅動的熱軋鋼卷邊裂缺陷管控框架，通過構建鋼卷熱軋過程的孿生模型實現(xiàn)對邊裂缺陷的管控。

1 熱軋鋼卷邊裂缺陷管控框架

熱軋車間的智能加工管控主要傾向于通過研究虛擬熱軋車間來對實體熱軋車間進行管控，以解決車間中由于原材料缺陷、設備參數(shù)、加工工藝、車間管理手段落后等因素導致的熱軋鋼卷邊裂缺陷問題。 本文通過借助Schleich 等學者［13］提出的數(shù)字孿生車間概念，構建的熱軋鋼卷邊裂缺陷管控框架如圖1 所示。 該框架主要由物理實體層、虛擬模型層、數(shù)據(jù)層、管控服務層這4 部分構成，在數(shù)據(jù)驅動下，虛擬模型的各部分能夠正常運作，同時得到仿真數(shù)據(jù)，隨后通過對仿真數(shù)據(jù)進行分析，預測邊裂缺陷的情況。 在此基礎上，對鋼坯加熱溫度、冷卻水壓等參數(shù)不斷進行優(yōu)化和改進，隨后將優(yōu)化后的結果反饋給實體熱軋車間進行參數(shù)調(diào)整，達到對實體熱軋車間邊裂缺陷進行管控的目的。

圖1 熱軋鋼卷邊裂缺陷管控框架Fig. 1 Control framework of hot rolled coil edge crack

（1）物理實體層。 物理熱軋車間是擁有專業(yè)化原則的生產(chǎn)力諸要素的集結地，包括了人員、熱軋設備、加工材料、鋼卷等元素，主要通過根據(jù)接收訂單安排生產(chǎn)任務，并按照仿真優(yōu)化后的策略完成加工任務。

（2）虛擬模型層。 虛擬模型層是物理實體層在計算機內(nèi)的等價映射，主要負責對熱軋加工進行仿真，實現(xiàn)對物理熱軋車間進行實時監(jiān)測和調(diào)控［14］。虛擬模型層主要是對建立的鋼坯加熱溫度、冷卻水壓、卷取速度等模型進行仿真，將軋制設備、加熱設備和冷卻設備等物理實體在物理生產(chǎn)線的數(shù)字空間進行復制再現(xiàn)。 首先，需要采集熱軋車間中的鋼坯加熱溫度、冷卻水壓、卷取速度等數(shù)據(jù)；隨后，建立對應的模型；最后，通過建立數(shù)據(jù)驅動模型實現(xiàn)模型與實時數(shù)據(jù)的融合，進而構建全生命周期的熱軋鋼卷數(shù)字孿生體模型［15］。

（3）數(shù)據(jù)層。 本文主要將數(shù)據(jù)層分為數(shù)據(jù)采集模塊和數(shù)據(jù)處理模塊、數(shù)據(jù)存儲模塊和數(shù)據(jù)傳輸模塊。 其中，數(shù)據(jù)采集模塊主要通過人機交互、硬件采集終端對鋼坯加熱溫度、冷卻水壓等數(shù)據(jù)進行采集；數(shù)據(jù)處理模塊主要將采集的數(shù)據(jù)通過清洗剔除噪點數(shù)據(jù)，隨后對生產(chǎn)過程中實時采集的多源異構數(shù)據(jù)進行融合，為后續(xù)邊裂缺陷預測、參數(shù)優(yōu)化與反饋控制提供可信的數(shù)據(jù)和信息。 同時，在利用數(shù)據(jù)存儲模塊對數(shù)據(jù)進行保存時，將熱軋工藝流程及加工節(jié)點融入進去，這樣既保證了存儲數(shù)據(jù)間的關聯(lián)，也為后續(xù)預測模型的建立和邊裂缺陷的管控提供數(shù)據(jù)支撐；在此基礎上，系統(tǒng)將數(shù)據(jù)通過數(shù)據(jù)傳輸模塊導入管控服務層來進行因素分析和參數(shù)優(yōu)化。

（4）管控服務層。 管控服務層主要包含原因追溯模塊、邊裂預測和參數(shù)優(yōu)化模塊。 鋼卷熱軋過程中會受到眾多因素的影響導致其產(chǎn)生邊裂缺陷，為了追溯缺陷原因，將由數(shù)據(jù)層導入的鋼坯加熱溫度、冷卻水壓等數(shù)據(jù)與邊裂缺陷情況結合起來，隨后運用線性回歸和決策樹等算法進行計算和分析，同時，將分析的結果利用知識圖譜展示出來，為邊裂缺陷預測以及相關參數(shù)優(yōu)化做準備。

通過對邊裂數(shù)據(jù)進行分析，確定了鋼卷在熱軋過程中出現(xiàn)邊裂的原因，但是，在對邊裂缺陷進行預測時還要確定各因素與邊裂缺陷的關聯(lián)程度，即對上述隨機變化的不確定性因素分配不同權重，隨后才能對邊裂缺陷進行預測。 由于分配的權重具有不確定性，為了獲得最好的預測結果，本文采用反向神經(jīng)網(wǎng)絡進行預測，通過不斷調(diào)整各影響因素的權重值來達到最好的預測效果。 最后根據(jù)預測的結果對鋼坯加熱溫度、冷卻水壓等因素進行調(diào)整，再將優(yōu)化后的參數(shù)反饋給實體熱軋車間，以減少后期生產(chǎn)中邊裂的產(chǎn)生，達到對邊裂缺陷進行管控的目的。

2 數(shù)據(jù)驅動的虛擬熱軋車間

2.1 虛擬熱軋車間的建立與仿真

本文采用Unity3D 對熱軋過程中的虛擬模型進行構建和仿真。 通過3D 車間可視化和UI 數(shù)據(jù)可視化對車間內(nèi)的冷卻設備、運輸輥道等要素進行建模并布置場景。 同時，建立融合數(shù)據(jù)和孿生模型間的映射關系，實現(xiàn)對物理熱軋車間的可視化同步運行。 所構建的虛擬熱軋車間既是物理熱軋車間的數(shù)字化鏡像，又是在信息流、物料流﹑控制流方面與物理熱軋車間一致的虛擬體。 虛擬熱軋車間的構建主要從鋼卷加工工藝、鋼卷加工環(huán)境、鋼卷性能進行考慮。 這里給出剖析闡述如下。

（1）鋼卷加工工藝。 加工工藝主要描述鋼卷熱軋工藝數(shù)據(jù)和鋼卷性能數(shù)據(jù)之間的約束關系，具體包括工藝誤差、工藝約束等。 通過制造過程的反饋，將鋼卷外形、尺寸等工藝數(shù)據(jù)映射到虛擬熱軋車間上。 并以此為依據(jù)修正仿真中的加工工藝模型，隨后利用修正后的加工工藝對鋼卷性能進行仿真計算，進一步指導鋼卷加工方案的修改［16］。

（2）鋼卷加工環(huán)境。 加工環(huán)境主要用來建立虛擬熱軋車間的工作環(huán)境，具體包括內(nèi)部環(huán)境，如加熱爐內(nèi)流場溫度、軋制溫度、卷曲溫度等。 以及外部環(huán)境，如鋼材存儲環(huán)境、輥道運輸環(huán)境等等。

（3）鋼卷性能。 鋼卷的性能主要用于在虛擬熱軋車間中建立鋼卷性能的孿生鏡像，主要包括鋼卷硬度、抗拉強度、屈服強度等。 每一個性能模型都要有與之對應的孿生鏡像，這樣才能保證構建的虛擬車間能夠切實反映實體熱軋車間，提高模型的準確性。

2.2 數(shù)據(jù)驅動模型的建立

數(shù)據(jù)是虛擬熱軋車間的基礎和驅動力，實體熱軋車間和虛擬熱軋車間中所有的行為和狀態(tài)均以數(shù)據(jù)的形式存儲，虛擬熱軋車間中的所有指令也均以數(shù)據(jù)的形式轉換為不同的物理信號，最終反饋給實體熱軋車間。 在完成虛擬熱軋車間的構建以后，輸入鋼坯加熱溫度以及冷卻水壓等參數(shù)產(chǎn)生仿真數(shù)據(jù)，通過對仿真數(shù)據(jù)進行計算和分析實現(xiàn)對鋼卷的缺陷預測和相關參數(shù)的優(yōu)化，隨后物理熱軋車間根據(jù)優(yōu)化后的參數(shù)再次進行生產(chǎn)加工。 由此形成一個閉環(huán)反饋系統(tǒng)，支撐鋼卷制造的全生命周期過程，模型以數(shù)據(jù)為驅動形成的閉環(huán)反饋系統(tǒng)如圖2 所示。

圖2 閉環(huán)反饋系統(tǒng)Fig. 2 Closed－loop feedback system

3 關鍵技術

3.1 實際熱軋數(shù)據(jù)的采集

鋼坯加熱溫度和冷卻水壓等實際熱軋數(shù)據(jù)是熱軋孿生車間的重要組成部分，相關的采集和預處理技術是建立數(shù)據(jù)驅動模型的基礎。 本文以RFID 裝置、傳感器、數(shù)控機床通信模塊和制造執(zhí)行系統(tǒng)接口等多種方式為基礎，結合搭建的物聯(lián)數(shù)據(jù)傳輸網(wǎng)絡，實現(xiàn)熱軋車間的實時數(shù)據(jù)采集［17］。

3.2 多源異構數(shù)據(jù)的處理與融合

熱軋車間采集的鋼坯加熱溫度和冷卻水壓等數(shù)據(jù)包含空值、重復值、異常值等噪點數(shù)據(jù)，會影響仿真結果、甚至影響虛擬熱軋車間的構建。 因此，需要進行預處理和清洗，去除樣本集中的噪點數(shù)據(jù)。 Kd樹算法比較適合處理有缺失屬性值的樣本，能夠處理不相關的特征［18］，因此選用該算法剔除孤立噪聲數(shù)據(jù)。

不同傳感器收集的鋼坯加熱溫度和冷卻水壓等數(shù)據(jù)具有多源異構的特點，需要對這些不同的數(shù)據(jù)集進行標準化處理，隨后采用DS 證據(jù)對這些數(shù)據(jù)集進行融合，避免數(shù)據(jù)的多源異構性對邊裂缺陷預測以及參數(shù)優(yōu)化造成影響。

3.3 融合數(shù)據(jù)一致性校驗

融合后的數(shù)據(jù)不能直接使用，需要進行一致性檢驗，保證融合數(shù)據(jù)與實際采集的數(shù)據(jù)在時間與空間上具有一致性。 加權雙因子檢驗模型能用來綜合分析熱軋車間實際數(shù)據(jù)和融合數(shù)據(jù)形狀的相似性和距離的相近性。 因此，本文采用加權雙因子檢驗模型［19］，對采集的數(shù)據(jù)及其融合后的數(shù)據(jù)進行一致性校驗。

3.4 邊裂缺陷預測

在確定了鋼坯加熱溫度和冷卻水壓等因素對邊裂缺陷的影響程度后，建立BP 神經(jīng)網(wǎng)絡預測模型預測鋼卷邊裂缺陷。 同時，采用AUC和F1－measure這2 個指標來評估預測模型的綜合性能，邊裂預測模型如圖3 所示。 其中，AUC指標主要用來評估模型識別邊裂缺陷的能力，而F1－ measure指標主要用來評估預測模型的穩(wěn)定性［20］。

圖3 邊裂預測模型Fig. 3 Prediction model of edge crack

最后，根據(jù)預測的邊裂缺陷情況，對鋼坯加熱溫度和冷卻水壓等參數(shù)不斷進行優(yōu)化和改進，同時將優(yōu)化后的結果反饋給物理熱軋車間進行參數(shù)調(diào)整，實現(xiàn)對熱軋車間邊裂缺陷的管控。

4 結束語

數(shù)字孿生技術的出現(xiàn)和成熟，對制造業(yè)的智能化發(fā)展起到了巨大的推動作用。 數(shù)字孿生驅動的熱軋鋼卷邊裂管控框架的建立和實施，使得鋼卷的熱軋過程能夠精確地映射在虛擬空間中，實現(xiàn)了對缺陷的預測，對熱軋車間起到了很好的監(jiān)管作用。 同時，也能根據(jù)虛擬車間反映的情況對實際車間做出調(diào)整與優(yōu)化。

目前，熱軋車間的數(shù)字孿生體的構建以及應用還在初步階段，還存在著大量的問題需要進一步分析、解決。 在今后的工作中，要尋找更先進的數(shù)據(jù)挖掘和預處理技術，提高預測的準確率，并且減少對不合格品的漏判以及對合格品的誤判；其次，不斷完善該框架，爭取將提出的框架應用到實際案例中；最后，對模型的可靠性和產(chǎn)品質量的初始估計等問題進行深入研究。