用数据驱动模型应对材料特性
在带钢处理线，与材料性能相关的挑战在很大程度上取决于客户对最终产品的要求。一些专门生产高质量产品（如高强钢）的钢厂希望根据材料特性降低这些产品的降级率。其他公司则致力于提高处理线的产量，以更好地挖掘工厂的潜力，同时实现更高的订单量。过去，必须考虑的一个重要方面是如何节约能源成本，而如今这一点变得越来越重要。西马克开发的一个重要概念是其数字化软件包--材料特性套件，它提供了一套应用程序，使制造商能够更有效地应对与材料特性有关的问题。
材料特性套件由多个组件组成，旨在支持冶金专家和工艺工程师优化镀锌钢材或退火钢材的生产工艺。该产品的核心要素是数据驱动模型，它可以预测材料特性，从而使钢厂能够通过影响下游工艺来应对上游工艺的偏差。西马克数据工厂是不同应用和工序之间的首选连接。
在材料特性套件中，不仅可以使用 退火或镀锌处理线的数据，还可以使用上游生产线的数据。机械测试实验室的结果也包括在内。西马克数据仓库收集数据并将其转换为数字应用程序所需的格式。
利用材料性能报告器识别潜力
在当今不断发展的制造世界中，随时掌握信息对于推动快速决策过程至关重要，而快速决策过程反过来又能确保持久的业务成功。材料性能报告器为所生产卷材的机械测试实验室结果提供关键绩效指标和衡量标准。
创建的报告以一页纸的形式展示了钢材制造过程，并说明了制造过程在关键指标方面的表现。这些报告是识别改进潜力的关键来源，有助于主管人员做出相关决策。
为预测模型提供冶金诀窍
材料性能套件的核心组件是预测模型。这是一个数据驱动型模型，主要基于多个连续生产流程中记录的大量工艺数据。在本文介绍的结果中，两个不同生产设施生产的 20,000 多个钢卷被用于训练两个模型实例。此外，将冶金诀窍融入机器学习技术还能确保提高模型质量和可解释性。
对于屈服强度在 200 兆帕至 700 兆帕范围内的各种材料，每种材料的平均绝对误差在 10 兆帕至 15 兆帕之间。
模型结果的验证采用了部分依赖图和累积局部效应图。部分依赖图显示输入变量与预测结果之间的关系。累积局部效应描述了特征如何影响机器学习模型的局部预测。结果由冶金技术诀窍进行审核。
利用材料特性模拟器分析工艺影响
确定卷材机械性能的标准方法是进行破坏性试验。样品在实验室中进行分析，分析结果通常保存在实验室管理系统中，并可与生产过程的其他管理系统共享。结合工厂或冶金路线中不同生产单元的工艺数据，构成了材料性能模拟器的基础，数据驱动模型利用输入数据进行模拟。基于此，该模型能够确定拉伸强度或屈服强度等机械性能。
材料性能模拟器可实现用户与模型的友好互动。基于网络的前端提供不同的过滤选项，并允许对相关工艺参数进行操作。用户可以在不影响正在进行的生产的环境下，模拟改变一个或多个工艺参数对机械性能的影响。
利用材料性能优化器实现最佳性能
一旦明确了某些工艺参数对材料性能的影响，就可以对工艺进行优化。材料性能优化器可帮助找到关键工艺参数的合适值。通过使用数据驱动模型，可建议一组或多组参数以实现最佳性能。在计算之前，用户可以定义需要改进的工艺参数。此外，还有一个选项允许对模型施加约束条件。设置边界条件后，模型将被触发，一旦结果就绪，就会显示给用户。在此，有必要提及的是，该模型不仅提供一个结果，还提供一组结果。根据最终的生产策略，模型可以推荐一个单一的最优解决方案。
材料性能优化器可以让这些决策变得更简单、更快捷，因为它具有数据驱动模型，可以提供高准确度和实现快速响应的预测。
在保持产品质量符合规格要求的同时提高处理线产量的策略之一是提高工艺速度。与以较低的工艺速度运行相比，带钢在炉内的停留时间可以更短。因此，当炉区温度相同时，带钢的均温温度比原来低。
另一种考虑是降低加热段温度，并将生产速度保持在原值。与前一个例子类似，降低了均温温度。这样做的目的之一是降低炉子运行所需的热量，从而降低能源成本。
借助材料性能套件中的模型，工艺工程师能够根据产品所需的机械性能，确定工艺速度/退火温度之间的适当平衡。
质量管理未来将如何发展？
利用实现产品质量的过程数据来预测产品质量，是许多工业领域都采用的概念。对于钢厂来说，预测钢材质量参数至关重要，因为在过去十年中，现代制造质量部门的重点已从被动方法转向主动方法。西马克开发的一个关键产品是材料性能套件，首先考虑的是机械性能（屈服强度、抗拉强度）。展望未来，将这一概念扩展到其他质量相关参数是值得考虑的。这里介绍的材料性能套件的组件是智能工业炉产品系列的一部分，可以通过硬件组件进行扩展，从而使该解决方案对钢厂更有价值，例如提供卷材在整个长度方向的在线测量。
材料特性套件旨在减少产品降级次数，提高产量，降低能源成本，改善材料均匀性。西马克将冶金专业诀窍与数据科学相结合，帮助钢厂实现各自的目标。
联系人：Andrea Asaro