本文介紹了鋼鐵行業全流程質量管控實踐案例，利用在線檢測、機器學習、圖像識別、數據建模等技術，實現質量過程監控與判定、表面質量智能檢測與判級、全工序質量缺陷追溯以及過程能力評價分析等，以機器智能決策，提升了產品過程質量的管控能力。本案例的建設完善了全面質量管理體系，實現全線自動質檢，簡化了質檢流程，提高工作效率及客戶滿意度，支撐遠距離、跨基地的工序協同。

引言

我國鋼鐵行業高速發展，在高端產品、生產工藝、能耗控制和產品質量等方面與國際先進水平差距逐漸縮小。但與此同時，鋼鐵業面臨著供需不平衡、環境資源約束大、同質化競爭激烈等問題，提升鋼鐵企業核心競爭力并尋求轉型升級的發展方向是擺在中國鋼鐵業面前的重要課題。

鋼鐵產品的質量控制包括質量設計、質量判定、評審處置，質量分析等多個環節，涉及的流程長、環節多、數據量大，以往的信息化系統無法滿足質量管控的需求，主要問題表現在三個方面：一是產品質量過程管控以人工管控為主，檢驗結果依賴檢測人員的經驗，具有片面性， 檢驗效率低，質量事故一旦發生就是批量事故，無法及時調整，損失不可挽回；二是產品對表面質量要求比較高，軋鋼工序表面質量缺陷數量和種類多，傳統表檢儀分類準確率不足80%，需崗位人工評審，嚴重影響后工序的生產，跨工序的質量缺陷追溯異常困難；三是產品質量數據來源眾多，存在大量異構數據，不同粒度數據分布在不同平臺，在進行質量分析中數據收集和整合耗費了分析人員大半的時間，缺少統一平臺和方法對龐大的質量數據開展有效的開發和利用。

面對質量管控需求的不斷升級，建設全流程質量管控智能化系統變得尤為急迫。隨著新一輪科技革命和產業變革深入發展，新一代信息技術與制造業深度融合，數字產業化和產業數字化進程加快，讓實現以上需求成為可能。

總體流程和功能架構

搭建大數據平臺，利用在線檢測、機器學習、圖像識別、數據建模等技術，實現質量過程監控與判定、表面質量智能檢測與判級、全工序質量缺陷追溯以及過程能力評價分析等。

全流程過程質量管控包括智能質量過程判定、跨工序質量追溯分析兩個部分，場景流程圖如圖 1 所示。

智能質量過程判定實現了過程、表面以及性能的判定與監控。將多源異構數據融合，結合數字化的產品質量控制規則，實現在線實時監測產品制造工藝過程是否波動和自動判定產品等級；實現表面質量缺陷的采集、識別、歸類、判級、上下工序缺陷的傳遞以及自動推薦處置意見；實現了性能管控的自動預測、分析與異常推送。

跨工序質量追溯分析實現跨工序質量缺陷統計探索性分析、智能化追溯及快速定位。利用統計分析工具，將工藝過程控制和表面缺陷相關的數據進行深度分析和挖掘。利用過程能力指數、SPC 統計分析、聚類算法等高級分析工具和方法解決快速定位問題，實現產品質量的持續改進。功能架構圖如圖 2 所示。

建設具體方案

智能質量過程判定

為實現煉鋼、熱軋、冷軋全流程質量一體化管控，利用流數據處理、多源異構數據融合、特征提取、關聯分析與預測、人工智能卷積神經網絡等技術，構建質量模型庫、知識庫、規則庫、約束庫、規則庫，實現板帶鋼性能、表面、尺寸、板型、成分、工藝等在線質量自動判定與監控預警。為質量問題定位、產品質量提升提供依據和途徑。

（1）實時數據采集與融合

通過工業大數據平臺，利用實時數據流處理和多源異構數據融合技術，對L1、L2、L3 以及L4 系統中數據進行毫秒級顆粒度采集，實現跨工序、多數據源、差異結構、不同粒度的工藝、質量數據的實時數據流處理及數據融合，實現統一集中信息共享，對物料生產過程中的時間、位置、事件、狀態、圖片等數據進行跨時空融合轉換。

（2）過程質量監控及預警

為實現工藝過程參數的實時預警和機組判定，保證產品質量全程一致性，對重要工藝過程參數、質量參數進行實時在線監控、預警和判定，向操作人員提供作業預警信息，保證批次內產品質量穩定性。預警方法主要提供了簡單的參數超限報警方法、SPC 統計控制方法、神經網絡模型預測方法等，各工藝參數控制限可根據企業技術標準或設定參數等進行靈活配置。另外為了保證產品過程質量一致性，研發了基于規則推理的產品質量在線判定引擎，對過程工藝參數和質量參數進行物料全長的評級，評級結果作為質量判定的重要依據。

（3）精準質量在線判定

1）基于客戶需求的分段判定。基于工業大數據平臺采集、融合后的數據，通過特征提取技術，針對不同客戶需求、不同品種牌號，以生產過程各工序質量控制要求為基準建立可配置的、分類分段的在線判定規則庫，實現煉鋼、熱軋和冷軋的全流程質量在線判定。質量在線判定對產品質量做出的判斷，為產品的降級處理或分段銷售打下了基礎。工藝在線制定流程圖如圖 3 所示。

2）基于圖片識別的表面分類。板帶鋼產品的表面質量是最重要的評價指標之一，板帶鋼表面夾雜物、氧化皮、孔洞等缺陷，不僅影響產品的外觀質量，而且還會降低產品的抗腐蝕性、耐磨性和其他強度性能。目前我國大多數鋼鐵企業采用閃頻光檢測、基于CCD 成像檢測等表檢系統，但表面缺陷識別的準確率均不高，檢出率和分類率約為80%，因此亟待實現高準確度表面識別及在線表面判定。

表面判定模塊利用高效的數據采集技術、精準的數據標注技術、人工智能卷積神經網絡（FCN）、缺陷特征提取、依據配置規則的缺陷合并、依據規則的缺陷分級，實現板帶鋼表面缺陷識別及在線判定，提高缺陷整體的識別率。同時針對細小缺陷特征丟失現象，采用多尺度特征金字塔融合算法將自頂向下的上采樣與自底向上的下采樣特征圖按像素融合，對Faster R-CNN 算法進行改進，提高對細小缺陷的檢測和識別率。

3）基于多元回歸的性能預測。利用相關性分析及特征值預測在海量數據中查找產品性能相關的關鍵影響因子，挖掘現有工藝方案、工藝標準中的生產工藝規律和生產指標特性。利用物理冶金學模型和信息化技術，對生產過程中各種物理冶金現象進行綜合數值模擬，依據各關鍵指標之間的復雜關系和作用機制，對其中穩定可靠的品種推導前后工藝環節的性能預測模型。通過數據自動收集與模型運算，直接預測軋后的產品性能，作為軋線“余材充當”和“精準選樣”的依據，取消牌號的開卷、取樣及性能檢驗，降低取樣成本，提高成材率。

4）基于決策模型的智能分切。面向質量缺陷處置環節，利用物料規格、訂單要求、尺寸、性能、表面類綜合判定結果等數據進行多維度的綜合分析及推理。構建質量處置決策模型，引用時空轉換技術、關聯分析及預測算法，考慮物料質量異常部位、分切后產品的完整性、設備計長誤差、工序位置平移、表面缺陷、外觀缺陷、性能缺陷、分切后訂單的兌現等諸多因素，一鍵式得出缺陷處置指令。構建智能分切知識庫，根據質量判定規則，挖掘曲線特征值和鋼種大、中、小類、厚度、寬度規格的評審結果對應關系，確定缺陷點，再根據連續標準將缺陷進行合并，給出曲線處置意見及缺陷距頭尾位置， 指導切頭切尾等后工序任務，為連退、鍍鋅、重卷等工序智能分切提供支撐，減輕各生產環節產生的質量缺陷對成品的影響。

全流程質量追溯及分析

全流程質量追溯及分析將智能質量過程判定和表面缺陷檢測分類形成的結構和非結構數據，都存儲到工業大數據平臺中。主要支撐質量關鍵管控指標監控及分析、產品全流程過程質量綜合評價、跨工序產品質量交互分析與異常診斷、質量異議快速反查和表面缺陷跨工序追溯等。

利用系統提供的樣本散點圖、樣本運行圖、均值運行圖、箱線圖、等值線圖、相關性散點圖、頻度分布圖、Pareto 圖等多種常用統計分析圖進行數據探索性分析，利用過程能力指數、SPC 統計分析、聚類算法、關聯規則、決策樹分類、參數差異性分析、序列模式分析、工藝規則提取等高級分析工具和方法解決快速定位問題，利用仿真和工藝優化功能等實現工藝參數或規則知識的優化，實現產品質量的持續改進。

（1）表面質量缺陷遺傳性追溯

采用多工序工藝質量數據協同處理方法，根據不同工序、不同設備的工藝參數和質量缺陷等的對應關系，進行數據的統一處理和分析，以提高質量追溯和問題定位的準確性，尤其是進行工藝質量遺傳性分析。通過傳統規則設定和大數據模型計算兩種方式，對帶鋼厚度檢測、表面缺陷分布、工序平移、規格變化、開卷次數以及翻面次數等各種與質量相關信息進行綜合處理運算，以滿足跨工序快速定位缺陷的要求，自動給出前后工序缺陷對應位置和最佳匹配缺陷，實現缺陷的一貫制快速反查。技術路線圖如圖 4 所示。

（2）重點管控指標監控及推送

通過數據的清洗以及數據主題的構建，實現跨工序工藝參數、質量數據的交互式正向追蹤、逆向追溯，形成供業務人員進行分析的基礎主題數據，最終通過可視化組件進行圖形化展示，對業務的自定義分析具有很好的效果。另外對于關鍵指標進行自動統計、原因自動定位以及異常主動推送，方便業務人員及時發現異常問題，調整現場工藝。

（3）跨工序產品質量異常診斷

跨工序產品質量異常診斷是對產品工藝過程參數進行全流程跨工序的全面分析的過程，對于把握整體質量控制水平和進行異常診斷具有重要的指導意義。

跨工序工藝曲線與表面缺陷聯合分析，按物料樹， 將鋼后工序的工藝曲線和表面缺陷集成到一個畫面中進行對照分析。并可通過單卷分析和多卷查詢對比進行分析，針對不同物料的同一工藝參數，進行對比，找出差異及異常。

（4）客戶質量異議快速反查

針對表面，尺寸，板型和性能這幾類異議按照可能影響到異議產生的材料基本信息（包含材料的卷號、機組、牌號信息、合同規格要求等數據）、過程參數信息（主要包含各種高頻曲線、曲面數據，以及相應的單值數據），質檢判定信息（包含在線系統判定結果信息以及粗糙度、抗拉強度等實驗信息）進行集成，承接客戶服務系統質量異議及抱怨可以快速地查詢到異議卷的生產、質檢和放行信息，從而進行質量異議的綜合分析。

最終效益

1）完善全面質量管理體系。全流程過程質量管理彌補了質量過程控制的空白，為質量設計和改進提供支撐，實現了從鋼水投入到成品產出整個過程的監控、調整、判定、預測、檢驗和處理，實現了全流程一體化閉環質量管控，并優化了客戶服務、質量異議等處理流程，大大提高客戶滿意度。

2）優化業務流程和組織結構。以過程控制系統的數據為基礎，利用統計方法對生產過程進行監控、診斷、分析和改進，實現全線自動質檢，簡化了質檢流程，提高工作效率及客戶滿意度。

3）支撐遠距離、跨基地的工序協同。基于統一平臺的數據共享，實現跨基地上下游質量缺陷追溯與定位分析，各基地可以直觀了解上下游質量問題，并做出相應改善及工藝調整，解決跨工序質量問題。

該項目的實施，提高了產品過程控制的穩定性，提高了質量過程控制的效率和準確度，自動判定率達100%， 判定周期由30 min 降低到5 min。機器替代人工判定， 實現了由人工管控到全流程自動過程質量監控及預警，臨時封閉率下降了16.84%，現貨發生率下降了4.9%，返修率下降了0.89%。缺陷分類的準確率提高了12%，對各工序表檢數據進行集成，實現對全流程表面缺陷演變情況的快速、準確、便捷定位和追溯，可快速鎖定缺陷來源工序和產生原因，對遷順產品質量的改進提升起到重要促進作用。汽車板PPM 值呈下降趨勢，2021 年奔馳為0 ppm，寶馬月均39.6 ppm，日系產品月均7.3 ppm， 一汽大眾月均6.8 ppm。按照現貨和正品的平均差價計算，全年產品質量提升帶出的經濟效益約為1 733 萬元。

結束語

首鋼產品定位以高端家電、汽車以及制造用鋼為主。高端用戶追求零缺陷交貨，對生產過程中質量穩定性要求更為嚴格，依賴人工過程控制無法實現過程的準確管控，缺陷發生率較大。因此首鋼以“追求零缺陷、實現高準確度、提高客戶滿意度”為目標，建設的全流程質量管控實踐，以機器智能決策，提升了產品過程質量的管控能力，從而在快節奏和大規模生產下提高產品的穩定性，降低成本損失，滿足客戶個性化需求。

該案例中所遇到的問題是長流程制造型企業在產品過程質量管控中的共性問題，從工藝參數的采集到實時判定，再到歷史數據的歸集和開發利用，以及采用卷積神經網絡機器學習的表面缺陷圖片的識別和分類，其解決方案和方法的應用都具有通用性，對于行業內或行業外相似場景中的共性問題具有借鑒作用。

審核編輯 ：李倩