王復(fù)越，任毅，田永久，張哲睿，李新玲

（1. 海洋裝備用金屬材料及其應(yīng)用國(guó)家重點(diǎn)實(shí)驗(yàn)室，遼寧 鞍山 114009；2. 鞍鋼集團(tuán)鋼鐵研究院，遼寧 鞍山 114009；3. 鞍鋼股份有限公司鲅魚圈分公司，遼寧 營(yíng)口 115007）

隨著我國(guó)經(jīng)濟(jì)的持續(xù)發(fā)展和能源結(jié)構(gòu)的調(diào)整，對(duì)石油、天然氣等能源的需求將大幅增加。 目前，普遍認(rèn)為管道運(yùn)輸是最經(jīng)濟(jì)、最方便、最主要的陸地與海洋石油、天然氣資源的輸運(yùn)方式[1]。 在這樣的背景下， 研究制備滿足大輸量需求的高強(qiáng)度X80 級(jí)別管線鋼變得至關(guān)重要。 而微合金化處理結(jié)合控軋控冷技術(shù)是鋼鐵制造行業(yè)保證厚規(guī)格X80 級(jí)別管線鋼強(qiáng)韌性的重要手段。 微合金化處理是通過添加微量的Nb、V、Ti 等元素到鋼中，在熱加工過程中抑制奧氏體的形變?cè)俳Y(jié)晶和晶粒的長(zhǎng)大， 并通過應(yīng)變誘導(dǎo)析出的碳氮化合物來強(qiáng)化鋼材[2]。 其中，Nb 細(xì)化晶粒的效果最強(qiáng)，Nb 以固溶態(tài)或Nb（C，N）析出相的形式存在于鋼中，不同的存在方式會(huì)對(duì)微合金鋼的組織和力學(xué)性能產(chǎn)生不同的影響[3]。 在高溫均熱時(shí)，Nb（C，N）析出相能夠阻止奧氏體晶粒的長(zhǎng)大， 細(xì)化軋制后的奧氏體和鐵素體晶粒。通過試驗(yàn)研究可以發(fā)現(xiàn)，在奧氏體溫度區(qū)間出現(xiàn)Nb（C，N）的析出有利于針狀鐵素體的形核析出，從而改善管線鋼的力學(xué)性能。一般X80 管線鋼中Nb 含量較高， 以中俄東線應(yīng)用的X80 管線鋼為例，Nb 含量平均可達(dá)0.05%以上[4]。Nb 屬于難熔金屬，其熔點(diǎn)為2 468 ℃，通常情況下Nb 元素的添加不會(huì)對(duì)鋼造成不良影響， 但若在煉鋼過程中控制不當(dāng)， 可能會(huì)出現(xiàn)大尺寸的未溶鈮鐵粒子[5]。

為了解決鞍鋼股份有限公司鲅魚圈鋼鐵分公司5500 產(chǎn)線集中出現(xiàn)的含鈮X80 管線鋼探傷不合格問題， 分析了該批次管線鋼鑄坯在煉鋼工序的各項(xiàng)工藝參數(shù)數(shù)據(jù)， 采用隨機(jī)森林算法建立關(guān)鍵工藝診斷模型，并對(duì)探傷不合格板坯取樣表征。深入分析含鈮X80 管線鋼探傷不合原因， 并提出改進(jìn)措施。

1 檢測(cè)與成分分析

X80 管線鋼厚度規(guī)格為22 mm， 鑄坯冶煉工藝流程為： 鐵水→頂?shù)讖?fù)吹轉(zhuǎn)爐→爐外精煉→連鑄。 鋼板化學(xué)成分設(shè)計(jì)如表1 所示。

表1 鋼板化學(xué)成分設(shè)計(jì)（質(zhì)量分?jǐn)?shù)）Table 1 Design of Chemical Compositions for Steel Plates（Mass Fraction） %

在鋼板探傷不合格位置取樣， 制備金相試樣后置于COXEM 30AX 掃描電鏡下觀察， 再經(jīng)OXFORD Xplore Compact 30 能譜儀進(jìn)行微區(qū)成分分析。 探傷不合格位置處裂紋及元素分布如圖1所示。

圖1 探傷不合格位置處裂紋及元素分布Fig. 1 Cracks and Elemental Map at Positions of Disqualification by Flaw Detecting

在該金相試樣的厚度1/2 位置，存在多條長(zhǎng)度大于1.0 mm 的裂紋， 這些裂紋是引起探傷不合格的直接原因。在裂紋擴(kuò)展方向和主裂紋周圍檢測(cè)到了塊狀和長(zhǎng)條狀的異相粒子，最長(zhǎng)可達(dá)10 μm。 通過觀察金相組織和分析能譜結(jié)果發(fā)現(xiàn)， 裂紋周圍的塊狀異相粒子主要由Nb 組成并含有少量Ti，而裂紋處的長(zhǎng)條狀?yuàn)A雜物則是含有Nb 的異相粒子。此外， 在這些異相粒子中沒有發(fā)現(xiàn)常見的C 元素偏聚。 觀察未形成裂紋擴(kuò)展的長(zhǎng)條狀或塊狀異相粒子時(shí)，發(fā)現(xiàn)長(zhǎng)條狀異相粒子與孔洞同時(shí)出現(xiàn)，異相粒子端部與基體分離。 這些形狀不規(guī)則的異相粒子本身的延展性差， 在鋼板軋制過程中不會(huì)隨著基體完全變形[6]。 根據(jù)檢驗(yàn)結(jié)果可以判斷，裂紋內(nèi)的異相粒子是未完全溶解的鈮鐵。 這些粒子聚集在鋼板厚度中心位置， 在軋制或冷卻過程中與基體金屬發(fā)生分離， 使心部組織形成微裂紋并擴(kuò)展，從而導(dǎo)致探傷不合格。

2 建模與數(shù)據(jù)分析

2.1 特征屬性選取

選取11 個(gè)生產(chǎn)工藝參數(shù)，即特征屬性，包括喂鈣線量、RH 凈循環(huán)時(shí)間、鑄造速度、加鈮鐵時(shí)溫度、加鈮鐵后處理時(shí)間、氧含量、氬氣攪拌流量等。 采集285 組管線鋼鑄坯的工業(yè)生產(chǎn)參數(shù)數(shù)據(jù)， 每組數(shù)據(jù)代表一個(gè)澆次。在進(jìn)行特征屬性篩選之前，先將每個(gè)特征屬性的范圍映射為[0，1]，以減少不同特征屬性之間的量級(jí)差異。 表2 給出了各備選特征屬性的最小值、最大值、平均值和歸一化方差。

表2 特征屬性數(shù)據(jù)集信息Table 2 Datasets Information of Characteristic Attributes

采用數(shù)據(jù)驅(qū)動(dòng)的思想進(jìn)行降維。 從表2 中可以看出， 喂鈣線量、RH 處理周期以及鑄造過熱度參數(shù)的歸一化方差均小于0.05， 表明這些特征參數(shù)的數(shù)據(jù)分布相對(duì)集中， 對(duì)鑄坯冶金質(zhì)量的影響相對(duì)較小。 因此，可以刪減這些特征。

進(jìn)一步， 使用皮爾遜相關(guān)性描述特征之間及特征與缺陷鋼板數(shù)量之間的相關(guān)性。 特征屬性與缺陷鋼板數(shù)量間皮爾遜相關(guān)性熱力矩陣圖如圖2 所示。

圖2 特征屬性與缺陷鋼板數(shù)量間皮爾遜相關(guān)性熱力矩陣圖Fig. 2 Thermodynamic Matrix Diagram for Pearson Correlation between Characteristic Attributes and Number of Defective Steel Plates

在特征屬性之間的相關(guān)性方面，鑄造速度與氬氣攪拌流量、加鈮鐵量和加鈮鐵時(shí)溫度的皮爾遜相關(guān)系數(shù)分別為-0.22、0.33、-0.29； 氬氣攪拌量與加鈮量之間的皮爾遜相關(guān)系數(shù)為-0.32。 其絕對(duì)值均大于0.2，屬于中等強(qiáng)度相關(guān)，表明高鑄造速度下伴隨著相對(duì)較低氬氣攪拌量、相對(duì)較高的加鈮鐵量以及相對(duì)較低的加鈮鐵時(shí)溫度。 加鈮鐵量較高時(shí)，氬氣攪拌流量較低，對(duì)鈮的溶解和擴(kuò)散不利。

在特征屬性與目標(biāo)標(biāo)簽之間的相關(guān)性方面，單一澆次內(nèi)缺陷鋼板數(shù)量與加鈮鐵后處理時(shí)間、加鈮鐵量以及鑄造速度的皮爾遜相關(guān)系數(shù)分別為-0.35、0.27、0.44。 其中，單一澆次內(nèi)缺陷鋼板數(shù)量與鑄造速度的皮爾遜相關(guān)系數(shù)較大， 超過了0.4，屬于強(qiáng)相關(guān)。

自2010年國(guó)家啟動(dòng)山洪災(zāi)害防治縣級(jí)非工程措施項(xiàng)目建設(shè)以來，陜西省高度重視，加強(qiáng)組織領(lǐng)導(dǎo)，加快建設(shè)進(jìn)度，嚴(yán)把建設(shè)質(zhì)量，提早培訓(xùn)人員，并通過嚴(yán)格的項(xiàng)目管理辦法和制度，確保了項(xiàng)目建成一處、驗(yàn)收一處、發(fā)揮效益一處。在今年汛期，全省已建成的34個(gè)縣區(qū)非工程措施項(xiàng)目發(fā)揮了顯著的減災(zāi)效益。

以皮爾遜相關(guān)系數(shù)0.2（弱相關(guān)）為標(biāo)準(zhǔn)，去掉弱相關(guān)特征屬性。由此，確定六項(xiàng)管線鋼連鑄坯探傷模型的特征屬性，分別為澆次序號(hào)、鑄造速度、加鈮鐵時(shí)溫度、加鈮鐵量、加鈮鐵后處理時(shí)間和氬氣攪拌流量。

2.2 隨機(jī)森林算法建模

使用Python 編程語言， 在Pycharm 集成開發(fā)環(huán)境下，通過Sklearn 庫的Random Forest Regressor實(shí)現(xiàn)隨機(jī)森林算法模型的建模。隨機(jī)森林算法的建模思想是從原始數(shù)據(jù)集中使用Bootstrap 方法有放回地抽取N 個(gè)訓(xùn)練集， 每個(gè)訓(xùn)練集的大小約為數(shù)據(jù)集的2/3[7]。 然后，利用這些抽取的數(shù)據(jù)為每個(gè)訓(xùn)練集建立決策樹，生成一片由n 棵決策樹組成的森林。 在決策樹的生長(zhǎng)過程中，從全部M 個(gè)特征中隨機(jī)選擇m 個(gè)特征（其中m≤M），并根據(jù)Gini 系數(shù)最小原則選出最優(yōu)屬性進(jìn)行節(jié)點(diǎn)分支。 最后，利用全部n 棵決策樹的預(yù)測(cè)結(jié)果采用投票的方式來決定模型的最終預(yù)測(cè)結(jié)果[8-9]。 評(píng)估特征屬性的重要性，需要看每個(gè)特征在隨機(jī)森林中每棵樹上的貢獻(xiàn)度。 貢獻(xiàn)度大小的計(jì)算則基于Gini 系數(shù)。

本研究所使用的隨機(jī)森林算法模型具體的設(shè)置如下：決策樹劃分標(biāo)準(zhǔn)采用Gini 系數(shù)，隨機(jī)森林中決策樹的數(shù)量為80，樹的最大深度為4，分割所需的最小樣本數(shù)為2，樹中終點(diǎn)節(jié)點(diǎn)所需的最少樣本數(shù)為2，每棵樹用到的最大特征數(shù)為0.7。隨機(jī)森林算法構(gòu)建示意圖如圖3 所示。

圖3 隨機(jī)森林算法構(gòu)建示意圖Fig. 3 Schematic Diagram for Construction of Random Forest Algorithm

為了定量描述在給定樣本數(shù)據(jù)范圍內(nèi)各項(xiàng)特征工藝點(diǎn)對(duì)管線鋼連鑄板坯探傷預(yù)測(cè)結(jié)果的影響，引入了基于隨機(jī)森林算法建立的關(guān)鍵工藝診斷模型，并計(jì)算特征屬性重要性指數(shù)。 各關(guān)鍵工藝因素對(duì)探傷預(yù)測(cè)結(jié)果影響的重要性指數(shù)對(duì)比如圖4 所示。

圖4 各關(guān)鍵工藝因素對(duì)探傷預(yù)測(cè)結(jié)果影響的重要性指數(shù)對(duì)比Fig.4 Comparison of Importance Indexes for Effect of Key Process Factors on Prediction Results by Flaw Detecting

由圖4 可以看出， 鑄造速度的重要性指數(shù)為90，位居第一；加鈮鐵后處理時(shí)間的重要性指數(shù)為76，位居第二；氬氣攪拌流量、加鈮鐵量、加鈮鐵時(shí)溫度、 澆次序號(hào)的重要性指數(shù)依次為31、24、19、7。根據(jù)重要性指數(shù)對(duì)比結(jié)果結(jié)合皮爾遜相關(guān)性表明，鑄造速度、加鈮鐵后處理時(shí)間、氬氣攪拌流量、加鈮鐵量、 加鈮鐵時(shí)溫度五項(xiàng)工藝的變化與波動(dòng)會(huì)對(duì)最終X80 管線鋼板探傷預(yù)測(cè)結(jié)果產(chǎn)生明顯影響，其中鑄造速度、加鈮鐵后處理時(shí)間影響效果最為顯著。

2.3 生產(chǎn)數(shù)據(jù)分析和改進(jìn)措施

2.3.1 生產(chǎn)數(shù)據(jù)分析

圖5 關(guān)鍵工藝數(shù)據(jù)分布情況Fig. 5 Distribution of Key Process Data

由圖5 可以看出， 探傷不合格鋼板的鑄造速度最大值、最小值、平均數(shù)、中位數(shù)、上下25%分布數(shù)據(jù)均高于合格鋼板； 在加鈮鐵后處理時(shí)間和氬氣攪拌流量方面， 不合格鋼板的分布整體低于合格鋼板；在加鈮鐵量和加鈮鐵時(shí)溫度方面，不合格鋼板與合格鋼板差異不大。

根據(jù)上述生產(chǎn)數(shù)據(jù)的統(tǒng)計(jì)與分析得出X80 管線鋼板探傷不合格的原因： ①氬氣攪拌流量較低、 加鈮鐵后處理時(shí)間較短和加鈮鐵時(shí)溫度較低等因素疊加造成了鈮鐵未能充分溶解的現(xiàn)象。 上述原因是造成鑄坯內(nèi)出現(xiàn)未溶鈮鐵顆粒的根本原因。 ②較高的鑄造速度使得連鑄時(shí)熔體形成的液穴較深且凝固前沿流動(dòng)性差。 高密度的鈮鐵顆粒隨著鋼液流經(jīng)液穴最深處時(shí)，上浮機(jī)會(huì)小，溶解動(dòng)力不足。 這些未溶解的鈮鐵顆粒在隨后的冷卻過程中被凝固前沿捕獲，進(jìn)而在鑄坯（鋼板）的心部出現(xiàn)鈮鐵顆粒的聚集導(dǎo)致裂紋產(chǎn)生。 故連鑄鑄造速度高是引起探傷不合格的直接原因[10-11]。

2.3.2 改進(jìn)措施

基于數(shù)據(jù)統(tǒng)計(jì)與分析結(jié)果， 提出對(duì)生產(chǎn)工藝關(guān)鍵點(diǎn)進(jìn)行調(diào)整與監(jiān)控。生產(chǎn)過程中，提高氬氣攪拌流量，使其不小于40 L/min，以保證攪拌效果。特別關(guān)注含鈮X80 管線鋼鑄坯在連鑄過程中的鑄造速度， 并控制最大鑄造速度不超過0.9 m/min。另外，通過提高加鈮鐵后處理時(shí)間，確保加鈮鐵后處理時(shí)間不少于40 min。同時(shí)，進(jìn)行鋼包精煉的各個(gè)關(guān)鍵環(huán)節(jié)的調(diào)整與監(jiān)控， 以確保鋼液得到良好的精煉效果。上述措施實(shí)施后，沒有再出現(xiàn)未溶鈮鐵顆粒的問題，裂紋缺陷得到改善。

3 結(jié)論

針對(duì)鞍鋼股份有限公司鲅魚圈鋼鐵分公司5500 產(chǎn)線出現(xiàn)批量含鈮X80 管線鋼心部裂紋問題，通過對(duì)探傷不合格位置進(jìn)行取樣觀測(cè)，對(duì)實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行處理與分析， 并運(yùn)用隨機(jī)森林模型對(duì)鑄坯（鋼板）心部出現(xiàn)的未溶鈮鐵顆粒的產(chǎn)生因素進(jìn)行重要性分析，得出如下結(jié)論：

（1） 在鑄坯（鋼板）心部附近存在較大尺寸的未溶鈮鐵顆粒， 這些顆粒沿鋼板寬度方向的中心線分布， 很容易與基體金屬在軋制和冷卻過程中發(fā)生剝離，導(dǎo)致裂紋的形成和擴(kuò)展，從而導(dǎo)致探傷不合格。

（2） 造成此次鋼板心部存在未溶鈮鐵顆粒的因素眾多。 其中，精煉過程中氬氣攪拌流量低、加鈮鐵后處理時(shí)間短和加鈮鐵時(shí)溫度低是導(dǎo)致加入的鈮鐵未完全溶解的最根本原因。 而鑄造速度高是造成未溶的鈮鐵顆粒聚集在鑄坯（鋼板）心部的直接原因。

（3） 采用數(shù)據(jù)挖掘的方式建立了基于隨機(jī)森林算法的關(guān)鍵工藝診斷模型，用以鎖定工藝不良點(diǎn)。 通過提高氬氣攪拌流量不小于40 L/min、控制最大鑄造速度不超過0.9 m/min、 加鈮鐵后處理不少于40 min以及著重監(jiān)控各工藝關(guān)鍵點(diǎn)以確保精煉環(huán)節(jié)效果，解決了連鑄坯心部集中出現(xiàn)夾雜物和裂紋的問題，對(duì)提高管線鋼產(chǎn)品質(zhì)量與控制水平起到積極作用。