1    方案背景与目标

1.1方案背景

钢铁行业作为国民经济的重要基础产业，为国家建设提供了重要的原料保障，有力的支撑了国民经济的健康发展，推动了我国工业化、现代化进程。面对钢铁行业严峻的形势，钢材产能过剩，价格竞争激烈。在此高产能、高成本、低利润的形势下，钢铁行业的发展已不再是追求数量的问题，要想持续赢得市场竞争优势，必须全面提升产品质量控制水平，实现产品质量持续改进，以满足客户提出的个性化需求，强化控制过程中的每一个环节，提供更符合用户需求的产品，最终提升企业的竞争力。首钢品种结构以电工钢、汽车板等高端板材为核心，对产品质量有着极致的追求。在目前上下游市场双重挤压环境下，如何满足跨基地生产管控模式以及高标准高质量的产品要求，又能满足企业低成本高质量战略变革，这对全流程质量管控提出了极大的挑战。跨工序多品种的质量管理在数据集成分析、质量成本、工作效率及管控风险等方面均存在着诸多瓶颈。

1.2 方案目标

在总体思路上，股份以质量特性、工艺控制、质量缺陷等为核心，横向对产品工艺过程控制、质检处置及分析优化等环节的痛点及瓶颈点，纵向从顶层业绩指标管控到指标分解、根因分析再到控制措施，利用在知识图谱、图像识别、数据建模等技术，进行质量全流程智慧管控。在技术架构上，整体遵循设备端、边缘、云端、平台数据、企业应用5层架构设计，基于设备采集及解析、建立数据及算法中台，实现了多结构数据的采集、存储、处理、到数据建模、可视化的整个过程，支撑上层质量管理全面应用。辅助企业对成品性能、表面、板型、尺寸等进行大数据分析挖掘以减少质量损失，助力企业提高成材率、减少现货及余材。通过数字化手段统计、分析、反馈质量异常及改进措施，通过智能化手段防范“人、机、料、法、环”异常状态，是钢铁企业质量管理数智化转型的路径。

2    方案详细介绍

2.1技术方案

（1）全面质量管理业务流程及解决思路

质量管理以满足用户需求为前提，通过对各个生产节点的管理控制来提供符合用户要求的产品。在需求识别环节通过产品规范智能推荐模型，快速识别客户的质量需求和风险订单。通过性能相关性分析、性能预测等模型辅助新产品研发设计。通过合同处理和出钢标记推荐实现内外设计的自动转换。在工艺过程控制环节实施工艺监督、过程检验、异常跟踪。在质量检验与处置环节，围绕工艺质量在线判定、表面质量智能诊断、产品性能判定等三方面进行自动化、智能化检验与处置。在分析优化环节涵盖跨工序交互式质量分析、表面缺陷的遗传性追溯、性能分析等。在服务跟踪环节建立质量异议知识库，实施质保书预检及质量异议一键式分析。确保从需求接收开始，到成品出库的全过程的质量管理控制，实现产品质量的持续改进。方案流程图如图1所示。

图1 方案流程图 

（2）基于工业互联网平台的技术架构

打造了“标准统一、自主可控”的工业互联网平台，采用云和边协同架构设计。云端为公司数据中心，按照数据业务构建公司级数据集市，为数据应用提供标准的服务接口。边缘层面向高频数据的采集、计算、存储和服务，完成时空转换、特征值计算等，满足数字孪生、智能控制模型、关键参数监控、在线监控等场景的数据需求。中台层，提供数据的管理与治理、算法建模、低代码开发等技术产品及组件，基于此技术底座开展辅助表面、外观、性能等质量管控应用建设，为质量管理业务人员提供精准数据决策支撑，有利于提高产品质量。方案技术架构图如图2所示。

图2 方案系统架构图 

（3）跨基地全流程的质量管控关键技术

基于综合数据汇聚、存储、计算、建模等技术，结合业务流程及事件触发设定时间监控序列，实现对从质量设计到过程管控再到缺陷识别追溯的质量全流程管理进行监控、诊断、预测、决策，实现“一键式”原因定位、异常预测及快速反馈推送，保证质量设计自动可推荐、生产过程动态可监测、异常信息预警和缺陷全流程可追溯。利用知识图谱技术，固化专家知识，建立制造过程实体与实体之间的路径，形成质量知识库。通过高频时序数据特征提取技术，实现工艺曲线数据等级判定，辅助产品质量评估分析。通过图片AI识别技术，辅助表面的缺陷识别和等级判定。通过相关性分析技术、回归预测模型技术，识别性能关键工艺和预测产品性能。利用自然语言提取技术，实现质量知识的智能问答应用，将知识图谱输出至应用系统，辅助产品质量工程师、客户代表等业务人员处理产品质量问题。基于质量异议和工艺基础知识的质量图谱系统架构图如图3所示。

图3 基于质量异议与工艺基础知识构建质量图谱 

2.3 解决方案功能设计

贯穿炼铁、炼钢、轧钢、钢铁产品深加工全流程，以云边协同方式，运用大数据、AI、视觉识别、机器学习等智能技术，构建质量知识库，定位质量缺陷，自主根因分析，提供优化建议。通过推进信息化、数字化、智能化实现一贯制质量闭环管控。

核心功能1：质量设计自动展开，精准识别客户需求

质量设计精确识别客户需求，自动推理出各工序投入和产出物料的尺寸、数量，并进行各工序的质量参数、工艺参数的设计及形成检化验要求、判定放行标准；可依据成材率最大化、带出品最小化等规则实现生产订单自动合并解决小订单批量生产问题；当质量实绩与质量设计结果有差异时可实时依据知识库对质量设计结果进行动态调整和工艺改进。

材料设计根据生产设计参数表，获取生产设计参数（松卷率、卷内径、卷外径）及板坯重量限制(炼钢能力)，得出板坯重量最大、最小；计算轧线设备能力：各工序按入口重量*成材率换算出口极限重量范围，取得所有工序出口极限重量范围交集，即轧线设备能力，得出最后工序重量最大、最小。质量设计要素示意图如图4所示。

图4 质量设计要素示意图 

核心功能2：全流程过程质量自动判定

1)    基于客户需求的分段判定

基于工业大数据平台采集、融合后的数据，通过特征提取技术，针对不同客户需求、不同品种牌号，以生产过程各工序质量控制要求为基准建立可配置的、分类分段的在线判定规则库，实现炼钢、热轧和冷轧的全流程质量在线判定。质量在线判定对产品质量做出的判断，为产品的降级处理或分段销售打下了基础。

2)    过程质量监控及预警

为实现工艺过程参数的实时预警和机组判定，保证产品质量全程一致性，对重要工艺过程参数、质量参数进行实时在线监控、预警和判定，向操作人员提供作业预警信息，保证批次内产品质量稳定性。另外为了保证产品过程质量一致性，研发了基于规则推理的产品质量在线判定引擎，对过程工艺参数和质量参数进行物料全长的评级，评级结果作为质量判定的重要依据。

3)    基于AI技术的带钢表面识别

板带钢产品的表面质量是最重要的评价指标之一，板带钢保护渣、孔洞等缺陷不仅影响产品的外观质量，而且还会降低产品其它性能。表面判定模块利用高效的数据采集技术、精准的数据标注技术、人工智能卷积神经网络（FCN）、缺陷特征提取，实现板带钢表面缺陷识别及在线判定。带钢表面缺陷识别技术方案实施步骤图如图5所示。

图5 带钢表面缺陷识别技术方案实施步骤图 

核心功能3：全流程质量追溯及分析

1)    自定义SPC分析

全流程质量追溯及分析将智能质量过程判定和表面缺陷检测分类形成的结构和非结构数据，都存储到工业大数据平台中。主要支撑质量关键管控指标监控及分析、产品全流程过程质量综合评价、跨工序产品质量交互分析与异常诊断、质量异议快速反查和表面缺陷跨工序追溯等。同时利用过程能力图、散点图、箱线图、Pareto 图等多种常用统计分析图进行数据探索性分析，实现产品质量的持续改进。

2)    性能风险管控

性能风险管控集成业务规则和算法统一“一键式”完成性能分析及预测。提取关键业务流程，建立业务模型，进行数据的收集，算法的集成，实现原本只有工程师们完成的众多人工任务，通过模型“一键式”完成。判断性能不合的原因，为内外设计的优化和现场的管控提供依据。通过企业微信推送工艺异常和性能整体情况。由阶段性统计或者质量异议反查事后行为，转化为事中控制，推送现在针对性查看。由主动查询分析原因到被动接收，直观波动情况。

3)    智能切头尾

质量管控平台利用深度挖掘算法，不断拟合热轧精轧出口处头尾中心线偏移、楔形、平直度、厚度、凸度等关键控制点与缺陷的关系，根据头尾表面及外观缺陷等情况动态调整切刀数，以提高成材率、减少生产断带。

4)    表面缺陷分析

质量管控平台通过对带钢表面保护渣、结疤缺陷产生原因的建模确定缺陷产生工序及产生原因，针对缺陷指标变化情况，快速寻找最优设备工况及工艺状态，以指导关键质量设备改造及工艺优化；针对模型分析结果固化关键工艺及关键质量设备标准，并纳入日常监控，超标时及时报警。

核心功能4：质量异议一键式分析

针对性能、表面、板型三类质量异议，依托大数据将各级可能导致质量异议产生的信息进行集成，包含材料基本信息、过程参数信息、质检判定信息、质量设计标准信息等。实现对质量异议进行快速准确的综合分析，除快速响应客户诉求外，还能及时对质量设计标准或工艺控制进行整改。

方案通过物联网技术实现“人、机、料、法、环”等质量全要素的快速感知；通过对过程质量各要素设定阈值，“事中”实现质量异常的实时报警；通过大数据、人工智能技术，“事后”分析质量异常原因，构建冶金质量知识库，辅助质量工程师进行质量异议一键式分析；通过构建质量自主决策模型，为质量管控自主决策提供依据。

  （1）   典型案例

案例1：产品规范智能推荐

首钢股份随着逐年个性化需求增加，从源头支撑客户需求精准识别困难。通过大数据和建模技术，搭建产品规范智能推荐模型并应用于公差能力的制定、询单的响应、选材推荐、和外设计的管理等业务场景，外设计分析效率提升98%。纠正合同录错75起，降低质量现货0.52%；开裂率从1.02%降到了0.03%，累计修正外设计183个，对应拓展极限规格50条，拓展公差2项，年带来降损：1246万元。功能示意图如图6所示。

图6 典型案例1产品规范智能推荐示意图 

案例2：表面智能判定

 首钢股份对于带钢表面质量的管理措施依靠表检仪进行缺陷检测，现有表检仪分类准确率有待提高。基于图像识别技术识别带钢表面缺陷，降低缺陷漏检率。数据采集准确率达100%，漏取率小于0.05%；判定小于3分钟。投产后热轧产线的彗星状异物压入，异物压入，折叠，边裂等重点缺陷的分类准确率约85%，冷轧镀锌产线产生的保护渣、划伤、结疤、漏镀、孔洞、线性缺陷、锌灰、锌渣、锌压入等重点缺陷的分类准确率达到85%。功能示意图如图7所示。

图7 典型案例2表面智能判定示意图 

案例3：基于数字模型的产品性能管控

 产品质量性能与全流程的工艺参数相关，产品工程师需确定性能问题与工艺控制还是与内外设计相关。分析时效性差。 1）相关性分析算法模型 分析炼钢成分、热轧工艺、冷轧工艺、性能，确定关键工艺参数及重要程度。2）采用随机森林等集成方法对各性能项构建多个决策树并进行回归任务。“一键式”完成性能分析及订单风险预测，由2小时变为10分钟，实现了产品性能预报。功能示意图如图8所示。

图8 典型案例3基于数字模型的产品性能管控示意图 

案例4：首钢股份基于高频时序曲线特征化板形评审

 质量评审过程繁琐，占用人工较大精力，且存在评审不及时，影响物料周转。采用钢卷工艺控制曲线解析方法，将工艺控制过程的高频时序曲线数据进行特征化，建立特征曲线库，同时不断的更新特征库，实时提取高频时序数据特征，采用相关系数法与均方根误差方法相结合，计算曲线相似性，从而对当前曲线进行判定和评级，将评级结果与现场控制系统进行传递，实现曲线等级判定和产品质量进行评估分析，辅助产品质量等级的提升和改进。功能示意图如图9所示。

图9 典型案例4基于高频时序曲线特征化板形评审 

案例5：表面缺陷全流程追溯

股份公司在成品出现表面质量问题时需反查上游表面质量和跟踪下游演变，人工对表检信息逐个比对。通过规则和模型计算相结合的方式，对表面缺陷分布等各种质量相关信息综合运算，实现一贯制数据匹配、缺陷时空转换、缺陷自动追溯，并进行规律分析,从而推算缺陷产生的原因。实现提升上下游质量缺陷原因分析效率30%，减少表面类缺陷造成的带出品量、减少产线停机时间、减少疑难缺陷流出用户造成的质量异议问题，提高产品质量。功能如图10所示。

图10 典型案例5表面缺陷全流程追溯

3    代表性及推广价值

3.1  代表性

1)    形成一种基于知识图谱的客户问题闭环管控方法：基于钢铁质量异议与工艺基础知识，实现对关于机械性能方面的产品特性、质量问题、原因分析、整改方案、质量反查项等固有知识形成质量图谱，辅助客户对产品机械性能质量问题的发现、追溯与整改，形成闭环。同时利用自然语言提取技术，实现质量知识的智能问答应用，将知识图谱输出至应用系统，辅助产品质量工程师。

2)    形成集监控、预测、报警、定位、分析一体的质量管控新模式：综合建模等技术，实现质量全流程管理进行“一键式”原因定位、异常预测及快速反馈推送，保证质量设计自动可推荐、生产过程动态可监测、异常信息预警可追溯，辅助精准决策支持

3.2 推广价值

该解决方案目前有4家企业在用，接入数据39284项，其中现场时序数据8431项、关系型数据16494项，每月磁盘实际增长量约3.23(三副本、有压缩)T。

在效益评估方面，方案围绕质量设计、生产执行、检验委托、质量分析、质保书管理等内容，拓宽传统的制造视角，注重全流程的分析，对降低库存、降低带出品，减少质量异议，提高成材率等方面起到数据支撑和决策辅助作用。

1)    现货管理，自动识别现货发生原因，制定相应改进措施，减少现货发生率，带出品率降低0.81%。

2)    合同一次通过率的不良品分析管控，准确识别不良品问题，溯源发生原因，进行整改，工作效率提升90%，可降低废次降量、返修量和结转量20%。

3)    质量缺陷评审辅助，实现自动分切建议与自动评审处置意见，较人工定尺切损，大大降低了切损量，提高成材率，约0.46%。

4)    质量投诉减少3件/月，质保书一次传递成功率稳定在99.95%以上；按交期集港的物料达95%，降低在港周期15%。

5)    综合项目效益情况，保守估计年直接经济效益为1370万元/年/企，其他由客户服务提升、产品质量提升、制造周期响应等因素带来的隐藏价值更高。

除产生直接经济价值以外，可提升企业的综合管控水平。利用信息化、数字化、智能化手段提高，提高产品和服务质量水平，增加客户满意度，提高市场占有率。同时利用建模挖掘出有价值的信息，智能地反馈给业务决策者，从而实现感知、分析、决策、调整等于一体的主动生产，进而为用户提供个性化的产品和服务，不断提升客户满意度。