1.本发明涉及轧钢领域，尤其涉及一种轧件组织性能控制系统、方法、介质及电子终端。


背景技术：

2.近年来，随着钢铁轧制生产线的智能化和信息化升级，对于轧件的组织及性能控制方法或系统开始逐渐涌现，如针对线棒材的组织及性能控制方法等。目前已有的轧件组织及性能控制方法或系统，其核心模型多为基于物理冶金学的纯理论模型或基于大数据驱动的数据模型，然而，纯理论模型存在普适性较差，不能覆盖众多线棒材钢种，基于数据驱动的模型则存在不确定性较强，新样本数据适应能力较差的缺点，且上述两种方法均需要较多的参数、数据质量要求较高，部分情况下需要在轧钢生产线上额外增添或安装相应的传感装置及数据处理装置。


技术实现要素：

3.本发明提供一种轧件组织性能控制系统、方法、介质及电子终端，以解决现有技术中的轧件组织及性能控制方法的普适性较差，不能覆盖众多线棒材钢种，新样本数据适应能力较差，且所需参数较多，数据质量要求较高的问题。
4.本发明提供的轧件组织性能控制系统，包括：
5.数据采集模块，用于采集轧制生产线上的传热关联参数和组织性能关联参数，所述传热关联参数包括：实时坯料参数、轧制生产线各组成部件的实时布置参数和实时工作参数，所述组织性能关联参数包括：成品目标组织及性能数据；
6.第一预测模块，用于将所述传热关联参数输入预设的传热学模型进行预测，获取轧件在生产线上多个位置处的外形尺寸、运行速度及温度场分布；
7.第二预测模块，用于将所述外形尺寸、运行速度及温度场分布输入预设的轧件微观组织演变模型进行轧件组织状态和轧件力学性能预测，获取轧件在生产线上多个位置处的预测组织及性能数据；
8.控制模块，用于根据所述成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织及性能的控制。
9.可选的，所述成品目标组织及性能数据至少包括以下之一：目标成品屈服强度、目标抗拉强度、目标伸长率、目标显微组织构成和目标晶粒度，所述目标显微组织构成包括目标成品组织的组分及各组分所占的比例；
10.所述预测组织及性能数据至少包括以下之一：预测成品屈服强度、预测抗拉强度、预测伸长率、预测显微组织构成和预测晶粒度，所述预测显微组织构成包括预测成品组织的组分及各组分所占的比例。
11.可选的，所述实时坯料参数包括：坯料外形尺寸和坯料温度；
12.所述轧制生产线各组成部件的实时布置参数包括：轧线长度、各组成部件长度及
各组成部件的绝对位置，所述组成部件至少包括以下之一：除鳞箱、冷却水箱、喷嘴、轧机轧辊、风冷线风机、集卷设备、盘卷运输设备和辊道；
13.所述轧制生产线各组成部件的实时工作参数包括：线材轧制生产线各组成部件的工作参数和/或棒材轧制生产线各组成部件的工作参数。
14.本发明还提供一种轧件组织性能控制方法，包括：
15.采集轧制生产线上的传热关联参数和组织性能关联参数，所述传热关联参数包括：实时坯料参数、轧制生产线各组成部件的实时布置参数和实时工作参数，所述组织性能关联参数包括：成品目标组织及性能数据；
16.将所述传热关联参数输入预设的传热学模型进行预测，获取轧件在生产线上多个位置处的外形尺寸、运行速度及温度场分布；
17.将所述外形尺寸、运行速度及温度场分布输入预设的轧件微观组织演变模型进行轧件组织状态和轧件力学性能预测，获取轧件在生产线上多个位置处的预测组织及性能数据；
18.根据所述成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织及性能的控制。
19.可选的，所述传热学模型的构建步骤包括：
20.采集样本数据，所述样本数据包括：样本坯料参数、轧制生产线各组成部件的样本布置参数、轧制生产线各组成部件的样本工作参数、轧件在生产线上多个位置处的外形尺寸样本数据、运行速度样本数据及温度场分布样本数据；
21.根据所述样本数据和预设的传热学函数，获取所述传热学模型；
22.或者，通过将所述样本数据输入预设的第一神经网络进行训练，获取所述传热学模型。
23.可选的，根据所述样本数据和预设的传热学函数，获取所述传热学模型的步骤包括：
24.根据预设的传热学函数，对所述样本坯料参数、轧制生产线各组成部件的样本布置参数、轧制生产线各组成部件的样本工作参数、轧件在生产线上多个位置处的外形尺寸样本数据、运行速度样本数据及温度场分布样本数据进行回归拟合，确定回归拟合系数，进而获取传热学模型；
25.通过将样本数据输入预设的第一神经网络进行训练，获取所述传热学模型的步骤包括：
26.将所述样本坯料参数、轧制生产线各组成部件的样本布置参数和轧制生产线各组成部件的样本工作参数输入所述第一神经网络进行预测，获取轧件在生产线上多个位置处的外形尺寸预测数据、运行速度预测数据及温度场分布预测数据；
27.根据所述外形尺寸样本数据、运行速度样本数据、温度场分布样本数据、外形尺寸预测数据、运行速度预测数据及温度场分布预测数据，对所述第一神经网络进行训练，获取所述传热学模型。
28.可选的，所述轧件微观组织演变模型的获取步骤包括：
29.获取轧件在轧制生产线上多个位置处的外形尺寸样本数据、运行速度样本数据、温度场分布样本数据和成品实际组织及性能数据；
30.将所述轧件在轧制生产线上多个位置处的外形尺寸样本数据、运行速度样本数据和温度场分布样本数据输入预设的第二神经网络进行预测，获取预测结果；
31.根据所述预测结果、所述成品实际组织及性能数据，对所述第二神经网络进行训练，获取轧件微观组织演变模型。
32.可选的，根据所述成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整的步骤包括：
33.通过对比所述成品目标组织及性能数据、预测组织及性能数据，获取对比结果；
34.根据所述对比结果，匹配较优的工作参数控制策略；
35.反馈所述工作参数控制策略，和/或，根据所述工作参数控制策略，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织与性能的控制。
36.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述方法。
37.本发明还提供一种电子终端，包括：处理器及存储器；
38.所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述任一项所述方法。
39.本发明的有益效果：本发明中的轧件组织性能控制系统、方法、介质及电子终端，通过采集轧制生产线上的传热关联参数和组织性能关联参数，传热关联参数包括：实时坯料参数、轧制生产线各组成部件的实时布置参数和实时工作参数，组织性能关联参数包括：成品目标组织及性能数据；将传热关联参数输入预设的传热学模型进行预测，获取轧件在生产线上多个位置处的外形尺寸、运行速度及温度场分布；将外形尺寸、运行速度及温度场分布输入预设的轧件微观组织演变模型进行轧件组织状态和轧件力学性能预测，获取轧件在生产线上多个位置处的预测组织及性能数据；根据成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织及性能的控制，较好地实现了对轧件的组织及性能的控制，如线棒材轧件等，普适性较强，能够覆盖较多的线棒材钢种的缺陷，对于新出现的样本数据的适应能力较强，实施较方便。
附图说明
40.图1是本发明实施例中轧件组织性能控制系统的结构示意图。
41.图2是本发明实施例中轧件组织性能控制方法的流程示意图。
42.图3是本发明实施例中轧件组织性能控制方法中构建传热学模型的流程示意图。
43.图4是本发明实施例中轧件组织性能控制方法中获取轧件微观组织演变模型的流程示意图。
44.图5是本发明实施例中轧件组织性能控制方法中对轧件的组织及性能进行控制的流程示意图。
具体实施方式
45.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离
本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
46.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
47.发明人发现，近年来，随着钢铁轧制生产线的智能化和信息化升级，对于轧件的组织及性能控制方法或系统开始逐渐涌现，如针对线棒材的组织及性能控制方法等。目前已有的轧件组织及性能控制方法或系统，其核心模型多为基于物理冶金学的纯理论模型或基于大数据驱动的数据模型，然而，纯理论模型存在普适性较差，不能覆盖众多线棒材钢种的缺陷，基于数据驱动的模型则存在不确定性较强，新样本数据适应能力较差的缺点，且上述两种方法均需要较多的参数、数据质量要求较高，部分情况下需要在轧钢生产线上额外增添或安装相应的传感装置及数据处理装置。因此，发明人提出一种轧件组织性能控制系统、方法、介质及电子终端，通过采集轧制生产线上的传热关联参数和组织性能关联参数，传热关联参数包括：实时坯料参数、轧制生产线各组成部件的实时布置参数和实时工作参数，组织性能关联参数包括：成品目标组织及性能数据；将传热关联参数输入预设的传热学模型进行预测，获取轧件在生产线上多个位置处的外形尺寸、运行速度及温度场分布；将外形尺寸、运行速度及温度场分布输入预设的轧件微观组织演变模型进行轧件组织状态和轧件力学性能预测，获取轧件在生产线上多个位置处的预测组织及性能数据；根据成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织及性能的控制，较好地实现了对轧件的组织及性能的控制，如线棒材轧件等，普适性较强，能够覆盖较多的线棒材钢种的缺陷，对于新出现的样本数据的适应能力较强，实施较方便，自动化程度较高，成本较低。
48.如图1所示，本实施例中的轧件组织性能控制系统，包括：
49.数据采集模块，用于采集轧制生产线上的传热关联参数和组织性能关联参数，所述传热关联参数包括：实时坯料参数、轧制生产线各组成部件的实时布置参数和实时工作参数，所述组织性能关联参数包括：成品目标组织及性能数据；
50.第一预测模块，用于将所述传热关联参数输入预设的传热学模型进行预测，获取轧件在生产线上多个位置处的外形尺寸、运行速度及温度场分布；
51.第二预测模块，用于将所述外形尺寸、运行速度及温度场分布输入预设的轧件微观组织演变模型进行轧件组织状态和轧件力学性能预测，获取轧件在生产线上多个位置处的预测组织及性能数据；
52.控制模块，用于根据所述成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织及性能的控制；所述数据采集模块、第一预测模块、第二预测模块和控制模块连接。本实施例中的轧件组织性能控制系统，较好地实现了对轧件的组织及性能的控制，如线棒材轧件等，普适性较强，能够覆盖较多的线棒材钢种的缺陷，对于新出现的样本数据的适应能力较强，实施较方便，可实施性较强，外延能力较强，成本较低，自动化程度较高。
53.在一些实施例中，所述成品目标组织及性能数据至少包括以下之一：目标成品屈
服强度、目标抗拉强度、目标伸长率、目标显微组织构成和目标晶粒度，所述目标显微组织构成包括目标成品组织的组分及各组分所占的比例。
54.在一些实施例中，所述实时坯料参数包括：坯料外形尺寸和坯料温度；
55.所述轧制生产线各组成部件的实时布置参数包括：轧线长度、各组成部件长度及各组成部件的绝对位置，所述组成部件至少包括以下之一：除鳞箱、冷却水箱、喷嘴、轧机轧辊、风冷线风机、集卷设备、盘卷运输设备和辊道；
56.所述轧制生产线各组成部件的实时工作参数包括：线材轧制生产线各组成部件的工作参数和/或棒材轧制生产线各组成部件的工作参数。
57.具体的，所述线材轧制生产线各组成部件的工作参数包括：除鳞箱及冷却水箱的水量或水压、喷嘴形式、喷嘴尺寸、喷嘴个数、喷嘴开闭状态、轧机轧辊直径、孔型尺寸、轧辊冷却水水量、风冷线风机形式、风机开闭状态、风机风量、集卷设备集卷时间、盘卷运输设备运行速度及各辊道运行速度；所述集卷设备为双芯棒或立式卷芯架等，所述盘卷运输设备运行速度指pf线运行速度。
58.所述棒材轧制生产线各组成部件的工作参数包括：所述线材轧制生产线各组成部件的工作参数包括：除鳞箱及冷却水箱的水量或水压、喷嘴形式、喷嘴尺寸、喷嘴个数、喷嘴开闭状态、轧机轧辊直径、孔型尺寸、轧辊冷却水水量、倍尺飞剪至冷床传输通道表面摩擦系数；冷床齿距、冷床齿条个数、冷床步进周期、冷床表面摩擦系数。
59.在一些实施例中，所述成品目标组织及性能数据至少包括以下之一：目标成品屈服强度、目标抗拉强度、目标伸长率、目标显微组织构成和目标晶粒度，所述目标显微组织构成包括目标成品组织的组分及各组分所占的比例。
60.在一些实施例中，所述预测组织及性能数据至少包括以下之一：预测成品屈服强度、预测抗拉强度、预测伸长率、预测显微组织构成和预测晶粒度，所述预测显微组织构成包括预测成品组织的组分及各组分所占的比例。
61.如图2所示，本实施例中的轧件组织性能控制方法，包括：
62.s201：采集轧制生产线上的传热关联参数和组织性能关联参数，所述传热关联参数包括：实时坯料参数、轧制生产线各组成部件的实时布置参数和实时工作参数，所述组织性能关联参数包括：成品目标组织及性能数据。通过轧制生产线上的传热关联参数和组织性能关联参数，能够便于后续根据所述轧制生产线上的传热关联参数和组织性能关联参数，进行轧件全线温度预测和轧件组织及性能预测等。本实施例中的轧件可以为线棒材轧件等。
63.s202：将所述传热关联参数输入预设的传热学模型进行预测，获取轧件在生产线上多个位置处的外形尺寸、运行速度及温度场分布。由于轧制生产线生产流程与工序较多，且较为复杂，因此，发明人提出，所述传热学模型可以为一个或多个，多个所述传热学模型分别对应不同的传热流程或传热工序，通过将所述传热关联参数输入对应的传热学模型进行预测，能够精准获取轧件在生产线上多个位置处的外形尺寸、运行速度及温度场分布，精确度较高，适应性较强，实施较方便。
64.s203：将所述外形尺寸、运行速度及温度场分布输入预设的轧件微观组织演变模型进行轧件组织状态和轧件力学性能预测，获取轧件在生产线上多个位置处的预测组织及性能数据。通过将轧件在轧制生产线上任意位置的外形尺寸、运行速度及温度场分布输入
轧件微观组织演变模型进行轧件组织状态和轧件力学性能预测，便于准确获取轧件在轧制生产线上关键位置或任意位置的预测组织及性能数据，即组织及性能数据的预测值。
65.在一些实施例中，所述预测组织及性能数据至少包括以下之一：预测成品屈服强度、预测抗拉强度、预测伸长率、预测显微组织构成和预测晶粒度，所述预测显微组织构成包括预测成品组织的组分及各组分所占的比例。
66.s204：根据所述成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织及性能的控制。例如：将所述成品目标组织及性能数据、预测组织及性能数据进行对比，根据对比结果匹配相应的工作参数控制策略，获取较优的工作参数控制策略，进而根据所述工作参数控制策略，对轧制生产线各组成部件的工作参数进行调整与控制，实现对轧件组织及性能的控制，精确度较高，可实施性较强，能够较好地适应新钢种，普适性较强，外延能力较强，成本较低。
67.为了提高传热学模型的预测精确度，发明人提出，如图3所示，所述传热学模型的构建步骤包括：
68.s301：采集样本数据，所述样本数据包括：样本坯料参数、轧制生产线各组成部件的样本布置参数、轧制生产线各组成部件的样本工作参数、轧件在生产线上多个位置处的外形尺寸样本数据、运行速度样本数据及温度场分布样本数据。通过采集样本数据，便于后续根据上述样本数据构建传热学模型。
69.s302：根据所述样本数据和预设的传热学函数，获取所述传热学模型；或者，通过将所述样本数据输入预设的第一神经网络进行训练，获取所述传热学模型。所述第一神经网络可以为深度神经网络或卷积神经网络等。
70.在一些实施例中，根据所述样本数据和预设的传热学函数，获取所述传热学模型的步骤包括：
71.根据预设的传热学函数，对所述样本坯料参数、轧制生产线各组成部件的样本布置参数、轧制生产线各组成部件的样本工作参数、轧件在生产线上多个位置处的外形尺寸样本数据、运行速度样本数据及温度场分布样本数据进行回归拟合，确定回归拟合系数，进而获取传热学模型。所述传热学函数可以根据实际情况进行设置，此处不再赘述。
72.例如：获取轧件表面在任一工艺过程的温度场分布样本数据，根据所述温度场分布样本数据，结合轧件材料本身的热物性参数，获取轧件截面在目标工艺过程前的温度分布，所述热物性参数包括比热容、传热系数等；获取轧件的外形尺寸样本数据，根据所述外形尺寸样本数据，获取轧件截面各个位置在该目标工艺过程的变形量及变形速率参数，并获得轧件截面各个位置处的温度变化，若为变形工艺过程则会出现热变形温升，若为其他工艺过程则为热传导过程；根据获取的轧件在该目标工艺过程前的温度分布、变形量及变形速率参数，结合热辐射、热对流及热传导过程，获取轧件在该目标工艺过程的温度演变模型，将所述温度演变模型作为轧件的传热学模型。
73.在一些实施例中，通过将样本数据输入预设的第一神经网络进行训练，获取所述传热学模型的步骤包括：
74.将所述样本坯料参数、轧制生产线各组成部件的样本布置参数和轧制生产线各组成部件的样本工作参数输入所述第一神经网络进行预测，获取轧件在生产线上多个位置处的外形尺寸预测数据、运行速度预测数据及温度场分布预测数据；
75.根据所述外形尺寸样本数据、运行速度样本数据、温度场分布样本数据、外形尺寸预测数据、运行速度预测数据及温度场分布预测数据，对所述第一神经网络进行训练，获取所述传热学模型。通过获取外形尺寸样本数据与外形尺寸预测数据之间的差距、运行速度样本数据与运行速度预测数据之间的差距、温度场分布样本数据与温度场分布预测数据之间的差距，对所述第一神经网络进行迭代训练，能够较好地提高传热学模型的预测精确度。
76.为了提高轧件微观组织演变模型的精确度，发明人提出，如图4所示，所述轧件微观组织演变模型的获取步骤包括：
77.s401：获取轧件在轧制生产线上多个位置处的外形尺寸样本数据、运行速度样本数据、温度场分布样本数据和成品实际组织及性能数据。
78.s402：将所述轧件在轧制生产线上多个位置处的外形尺寸样本数据、运行速度样本数据和温度场分布样本数据输入预设的第二神经网络进行预测，获取预测结果；所述第二神经网络可以为深度神经网络或卷积神经网络等。
79.s403：根据所述预测结果、所述成品实际组织及性能数据，对所述第二神经网络进行训练，获取轧件微观组织演变模型。即通过对比预测结果、成品实际组织及性能数据，获取预测结果与对应的成品实际组织及性能数据之间的差距，根据所述差距，对所述第二神经网络进行迭代训练或深度学习，获取较优的轧件微观组织演变模型，提高轧件微观组织演变模型的预测精确度。
80.在一些实施例中，还可以通过根据预设的轧件微观组织演变规则，对所述轧件在生产线上多个位置处的外形尺寸样本数据、运行速度样本数据、温度场分布样本数据和成品实际组织及性能数据进行回归拟合，获取较优的轧件微观组织演变模型。所述轧件微观组织演变规则可以根据实际情况进行设置，此处不再赘述。
81.例如：获取轧件表面在任一工艺过程的温度场分布样本数据，根据所述温度场分布样本数据，获取轧件截面在该工艺过程的温度分布；获取轧件的外形尺寸样本数据，根据所述外形尺寸样本数据，获取轧件截面各个位置在该工艺过程的变形量及变形速率参数；根据获取的轧件在该工艺过程的温度分布、变形量及变形速率参数，获取轧件在该工艺过程的晶粒长大过程，所述晶粒长大过程涉及奥氏体回复过程、奥氏体再结晶过程、奥氏体长大过程、奥氏体到低温组织的转变过程、低温组织的长大过程，最终经多工序耦合获得轧件最终微观组织，进而获取轧件微观组织演变模型。
82.如图5所示，根据所述成品目标组织及性能数据、预测组织及性能数据，对轧制生产线各组成部件的工作参数进行控制与调整的步骤包括：
83.s501：通过对比所述成品目标组织及性能数据、预测组织及性能数据，获取对比结果；
84.s502：根据所述对比结果，匹配较优的工作参数控制策略；即预先设置策略库，所述策略库包括：不同情况下的工作参数控制策略，所述不同情况指成品目标组织及性能数据、预测组织及性能数据之间的不同差异度，将所述对比结果与策略库中的工作参数控制策略进行匹配，获取较优的工作参数控制策略。
85.s503：反馈所述工作参数控制策略，和/或，根据所述工作参数控制策略，对轧制生产线各组成部件的工作参数进行控制与调整，完成对轧件的组织与性能的控制。通过根据所述工作参数控制策略，对轧制生产线各组成部件的工作参数进行控制与调整，能够保证
轧件的组织与性能的良好，避免出现轧件质量不合格，提高轧件良率。
86.本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
87.本实施例还提供一种电子终端，包括：处理器及存储器；
88.所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
89.本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
90.本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
91.在本实施例中，存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
92.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
93.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。