趙 峰， 尹 琛， 吳玉國， 陳夢凱， 李 軼

(1.安徽工業(yè)大學管理科學與工程學院 安徽 馬鞍山 243032；2.安徽工業(yè)大學復雜系統(tǒng)多學科管理與控制安徽普通高校重點實驗室 安徽 馬鞍山 243032； 3.馬鞍山市煙草專賣局 安徽 馬鞍山 243032)

0 引言

板帶產品有著“通用鋼材”之稱，用途極為廣泛，板帶材可根據需要進行剪裁，彎曲沖壓或焊接成各種構件和制品，所以擁有著大量的客戶。板帶產品的客戶個性化需求比較多，且通過“識別-轉化-驗證-固化”轉而進入生產及產品交付的過程極其復雜[1]，到目前為止板帶材的制備仍然面臨著外形尺寸與內部性能控制穩(wěn)定性差，出現內外部質量問題的時候各工序各參數的“交互”影響因素過多的情況。國務院在《中國制造2025》中提出了質量體系TS16949，對過程能力指數評價、流程管控及關鍵工藝參數的查驗要求很高。而板帶高端產品供給能力不足，全流程一體化設計與個性化定制數字孿生模型的驗證討論亟待建立?；仡櫼酝那叭喂I(yè)革命，他們的主要目的是為了提高生產效率，但是這種價值創(chuàng)造模式在供大于求的市場中正遭受嚴峻的挑戰(zhàn)。所以在S鋼鐵廠智能制造工業(yè)4.0的升級改造的項目中，應緊緊抓住3點：產品質量、生產成本和供貨時間。在需求小于供給時，精準供貨與產品質量將成為產品競爭力的主要組成部分，而全流程的大數據分析質量監(jiān)測手段可以及時發(fā)現殘次產品，避免交付到客戶手中，最終實現提升效益的目的。

關于工業(yè)4.0具體技術的實施方案世界各國的研究水平參差不齊，SzilárdJaskó、AdriennSkrop等(2020)[2]在關于MES的文獻綜述提到下一代(即工業(yè)4.0后時代的)MES解決方案將需要具有機器學習(ML)數據挖掘功能。但是本文的項目實施團隊在研究中發(fā)現，MES具有他固有的無法突破的局限性，針對單工廠單車間無法考慮全局，采用的基本上是單變量的統(tǒng)計處理模型工具(層別法、檢查表、柏拉圖、因果圖、管制圖、散布圖和直方圖)。Manabu Kano、Yoshiaki Nakagawa[3]在2008年通過住友金屬公司與京都大學的合作項目中對未來鋼鐵行業(yè)展望時就指出，統(tǒng)計學模型不適用于大數據量級的處理，所以基于統(tǒng)計學理論的控制圖的研究方法并不是未來鋼鐵企業(yè)的實際應用發(fā)展方向。

那么是否要推倒以往的所有質量管理信息系統(tǒng)，重新設計和架構一個全流程的信息化管理系統(tǒng)且非閉環(huán)(MES管理在單車間中閉環(huán))，以包容以后企業(yè)因為不斷擴大(鋼鐵行業(yè)未來趨勢，不斷聯合重組)所導致增加的新工廠中新的工序的數據變量從而來完成工業(yè)4.0徹底的革命。

依據S Joe Qin (2012)[4]在質量診斷領域文獻綜述提出由于Statistical Process Monitoring (SPM)方法基于數據的性質，與基于系統(tǒng)理論或嚴格過程模型的其他方法相比，SPM相對容易應用于大規(guī)模的實際生產過程。現有MES系統(tǒng)并不適用于大規(guī)模的工業(yè)級數據量的處理，且MES中的QC工具大部分是單變量控制圖法，他們的主要機理是基于統(tǒng)計學理論的，所以必須在工業(yè)工程管理工具開發(fā)過程中逐漸舍棄，也符合機器學習理論將來的研究熱度，這將超過統(tǒng)計學理論的學術趨勢，并將廣泛運用于工業(yè)大數據分析。經過工信部指定專家以及相應的科研研究單位的認真討論，考慮到信息系統(tǒng)建設投入巨大，且短期經濟收益回報小的因素，決定重新建立一套全流程的數據采集分析系統(tǒng)(開環(huán)平臺)，輔助工藝專家使用，利用工藝專家經驗共同開發(fā)，同時適配原有的MES、ERP系統(tǒng)，將原有專家系統(tǒng)搭載于全流程平臺下(等后續(xù)全流程數據系統(tǒng)不斷完善后逐步將原MES系統(tǒng)下線)，利于前后工序的工廠的專家工程師在線參與分析，提高效率，以解決多工藝多變量耦合，數據之間互相影響的問題。

本文的研究認為數據的好壞決定了一個模型效果的上限，而無論如何改進的機器學習算法也只是為了讓數據驅動分析的效果不斷的逼近這個上限。工業(yè)大數據分析的算法最終會回歸小范圍而高價值的數據研究。由于生產線上的工藝變量非常多，鋼鐵廠的單日二級系統(tǒng)同步數據量達數十萬級別，非人腦力可以進行跨流程分析，即使通過冶金工藝的經驗縮小了范圍，也需要進一步去確定主要變量，所以選用決策樹算法是為了能夠處理大批量的數據，篩選出主要工藝變量，再通過分析主要工藝變量(此時也要根據不同變量的數據特征)如過鋼速率含的拉速設定值、實際值及相關值做監(jiān)控模型，或者如軋機料形尺寸問題，可直接做料型尺寸分析運用PDCA循環(huán)優(yōu)化人機料法解決異常源。

本文決定采用引入懲罰函數Z改進的ID3算法形成新的Z-C4.5算法去篩選主要工藝變量，懲罰函數Z的作用就是根據冶金數據量工藝采集數據的特征設定的一個取值函數，數據變化范圍過大的數據不具備分析價值可能是設備損壞也可能是PLC工作不正常。據此提出的Z-C4.5算法就是當某個特征對應的取值過多時，此時懲罰函數 Z會取一個相應值去乘以信息增益使得信息增益比偏小，從而使模型自動將該工藝變量排除分析范圍。

冶金工藝變量的數據有自己特定的特征值與目標值 ，而決策樹算法的屬性節(jié)點則可以進行相應的設置，便于以后根據目標值(標簽值)與特征值的變化進行代碼的調整。目標值就比如說我想掌握過鋼速率的影響，可以此作為標簽值也就是目標值設置在屬性節(jié)點的代碼位置，通過下一步判斷循環(huán)我們進一步收集拉速的設定值、實際值等5個因素。過鋼速率就是他們的標簽(如圖1所示)。

圖1 過鋼速率為標簽值的5個相關監(jiān)控變量

而有些冶金工藝數據就只有特征值而沒有目標值，這也可以通過屬性節(jié)點去設置。

但是無論是PCA主成分還是核熵成分分析算法的代碼設置沒有這樣便捷的屬性分類，且都會進行數據降維(模糊了原有數據)，然后做貢獻指標來進一步做主要成分判斷，這都會影響后續(xù)的分析，一般其余模型會采取一部分數據模型用來訓練，另一部分數據用來測試模型好壞。

決策樹算法代碼通俗簡便，且容易增刪參數和改進公式去優(yōu)化算法，由于工藝變量數據的屬性劃分本身也是通過樹狀圖進行歸類分析，所以改進決策樹算法比較合適。

1 S鋼鐵廠現有板帶工藝質量管控系統(tǒng)及其局限性

1.1 現有板帶工藝質量體系存在的問題

圖2為S鋼鐵廠現有質量管控系統(tǒng)建設情況。

圖2 S 鋼廠ERP、MES、PCS系統(tǒng)

(1)現有各管控系統(tǒng)對于最重要的質量判定過程數據缺乏關注，在板帶的整個工序流程作業(yè)過程中各數據相對孤立，影響產品質量的變量具有高維、多變量耦合的特點[5]，只通過簡單的閾值測度難以發(fā)現問題根源，外部問題如表面質量、板型質量缺陷經常發(fā)生, 板帶生產質量缺乏長期穩(wěn)定性，數據追溯效率低下，工序與部門之間界限不清，熱軋、冷軋、煉鋼跟連鑄，由于部門劃分的原因，導致質量問題無法進行有效追溯分析。熱軋出現的問題與煉鋼之間的關系，冷軋出現的問題與熱軋之間的關系等都需要進一步對過程數據進行聚類分析、跨流程關聯分析。

(2)客戶對于板帶的需求與整個產品質量生產的過程缺乏對接，現在主要還是依據紙質協(xié)議來交換意見，板帶一種型號提供給不同客戶，各客戶的質量需求是不一樣的，而整個的板帶生產過程中無法針對不同需求實現相應的質量控制。

(3)工藝輸入條件的外部擾動對于質量的影響依然很難控制，在生產現場，工藝窗口的制定如速度、溫度、加熱溫度、到站時間、到站成分等都仍然依靠經驗判定，這些對于板帶表面質量的影響一直未納入關聯分析。

1.2 S鋼廠現有設備信息系統(tǒng)

板帶的制備過程流程長、工藝工序復雜[6]，全國大部分鋼鐵廠板帶產品基本的工藝工序如圖3所示。圖中所示所有的工藝都會單獨建立一個廠區(qū)，一般間隔比較遠。

圖3 基本板帶產品冶煉過程涉及的工藝

S鋼廠現有設備信息系統(tǒng)主要包含兩部分。第一部分是基礎自動化系統(tǒng)(L1)，主要在板帶生產線上用于設備自動化控制的PLC控制單元，該類系統(tǒng)主要用于記錄工藝曲線數據、關鍵事件狀態(tài)數據。第二部分是過程自動化系統(tǒng)(L2)，主要是指板帶生產線上各數學模型及一些物料跟蹤系統(tǒng)，存儲物料與工藝參數設定值、實測值(反饋值)、統(tǒng)計量等邏輯對應關系，同時記錄產品在各設備加工處理的時間信息。

煉鋼區(qū)包括(轉爐-脫硫-倒灌-KR-精煉-火焰清理機-1、2#連鑄機、3#連鑄機)-熱軋區(qū)-冷軋區(qū)(酸軋-1號鍍鋅-2號鍍鋅-罩退-平整-剪切)。

本文對于全流程質量管控的數據追溯目標設想是通過大量的數據采集、數據標準化、數據分析工作形成一鍵獲取制造全生命周期多源異構強關聯數據，實現產品的全息數字化，且該模型可以推廣應用至大部分板帶產品鋼鐵生產廠。

1.3 板帶產品工藝流程質量問題分析

板帶鋼材如熱軋、冷軋鋼卷、板坯在連續(xù)化生產過程中，由于操作控制不當，比如斷面溫度不均或高溫軋制過程操作問題，就會給帶鋼表面帶來各種各樣的缺陷[7]。 板帶鋼材的質量問題各種各樣，主要可以分為幾個大類：表面氧化行為、析出行為、再結晶行為。這些主要可以通過氧化鐵皮結構與氧化鐵皮厚度的對應關系來研究。而相變行為則是成分-工藝-組織-性能的互相對應關系，還有諸如軋機軋輥等設備物理磨損導致的表面損傷。而且客戶對于帶鋼的力學性能要求也各有不同。

冶金工藝過程造成的各種質量問題千變萬化，客戶的個性化的需求越來越難以達到，例如某高端品牌車企提出汽車板的力學性能要求，需要數位專家根據多年的工作經驗來分析，并不斷調整和控制設備。近年來，因為鋼鐵行業(yè)的周期性變化與調整，一些企業(yè)逐漸整合成立了特大型聯合的企業(yè)，生產線從最初的鋼水處理，一直到后續(xù)的生產工序越來越多，但是相應的工廠可能間隔非常遠，有時甚至在不同的地區(qū)。隨著工業(yè)4.0模式的到來，原有的MES系統(tǒng)已經不能滿足現有的信息化工廠管理的要求[8], 而且如冷軋工藝專家也可能只熟悉冷軋廠的工序和設備，對于前一工廠的生產工序缺乏分析與認識，對于新增設的后一工序生產廠無法快速地建立起有效的質量管理經驗。

工業(yè)4.0的實現需要通過一系列的建模、設備仿真。數據是數字孿生模型的血液，本文只是介紹了初期的數據處理方法，后續(xù)針對不同的需求會相應地運用各種改進的算法去適配數據實現功能。

2 全流程大數據算法處理數據工具(輔助工藝專家使用)開發(fā)研究

板帶表面質量的判定一直是質量預測的難點，主要是因為表檢儀的各供應商不一，提供的數據接口以及識別的準確率不一且缺陷識別準確率較低[9]。本文嘗試通過大量的實測樣本數據進行數據挖掘測度，從而推斷可能產生問題的工序過程，嘗試利用改進決策樹算法來處理全流程數據，為以后板帶質量的判定預警和在線評級研究奠定基礎。

(1)首先將采集的數據按照工序段進行歸檔(包含設定數據、實測數據)，主要是因為鋼鐵企業(yè)中，收集的為多源異構數據，大部分來源于ERP、MES、L2、L1(L1中的PLC或DCS數據)、大型儀表(多功能儀、表檢儀、線材中的測徑儀)，還有一些特殊的數據采集系統(tǒng)(如S鋼廠的iba系統(tǒng))，對這些數據進行重整后才能進行相應的分析。

(2)改進決策樹模型：懲罰參數Z改進的ID3算法形成新的Z- C4.5算法更適合于工藝變量篩選。本文選用決策樹算法對從S鋼鐵廠獲取的歷史數據進行處理，工藝專家根據經驗選擇13個生產工藝參數操作變量進行特征選擇，從這些變量中篩選出3個最具代表性和獨立性的操作變量，從而為下一步的模型訓練保留主要特征，忽略一些次要因素。 根據實際生產環(huán)境需要，各操作變量實際數據都被限定在一定范圍。 依據60000個樣本數據，記錄合格樣本的品質為1,不合格品的品質為0，節(jié)選部分數據如表1所示。

表1 板帶產線工藝參數

本文在篩選關鍵因素時使用的決策樹算法是一種非常經典的機器學習算法，適合集成學習如隨機森林算法，可作為回歸算法，同時也可被用作分類。決策樹模型是典型的樹狀結構，其學習的過程由特征選擇、決策樹生成和剪枝3部分組成。由于本文將決策樹算法應用于篩選對質量問題起主要影響的工藝變量，因此文中不考慮剪枝過程。

決策樹算法采用的是樹形模型。線性模型是所有特征給予權重相加得到一個新的值，而樹形模型是一個一個特征進行處理。決策樹與邏輯回歸的分類區(qū)別也在于此，邏輯回歸是將所有特征變換為概率后，大于某一概率閾值的劃分為一類，小于某一概率閾值的為另一類；而決策樹是對每一個特征做一個劃分。另外邏輯回歸只能找到線性分割(輸入特征x與logit之間是線性的，除非對x進行多維映射)，而決策樹可以找到非線性分割，樹形模型更加接近人的思維方式，可以產生可視化的分類規(guī)則，產生的模型具有可解釋性(可以抽取規(guī)則)，樹模型擬合出來的函數其實是分區(qū)間的階梯函數。這非常適合用于對各工序屬性的不同引起板帶質量問題的數據進行分析。

決策樹從根節(jié)點開始，樹的最高層就是根節(jié)點，自頂向下經過迭代會產生多個內部節(jié)點和葉子結點。樹內部的每一個節(jié)點代表的是對一個特征的測試，樹的分支代表該特征的每一個測試結果，而樹的每一個葉子節(jié)點代表一個類別。

通常情況下，每個內部節(jié)點都會進行最優(yōu)屬性的選擇，并據此劃分出多個樣本子集，每個樣本子集作為新的父節(jié)點再次進行特征選擇并劃分，直至不能分裂，最終形成的不能分裂的子節(jié)點就稱為葉子結點，能代表最終的類別。由上可知，決策樹算法的核心在于如何進行最優(yōu)屬性的選擇，目前決策樹的最優(yōu)選擇標準主要有3個，它們是最大信息增益、最大信息增益比和基尼系數。與此三大準則相對應的算法分別為ID3算法、C4.5 算法以及CART算法。

信息增益定義為集合D的經驗熵與特征A給定條件下集合D的經驗條件熵H(D|A)之差。H(D)表示數據集D的經驗熵，H(D|A)表示特征A給定條件下集合D的經驗條件熵，g(D,A)表示信息增益，信息增益的計算如下。

設A是其中一個工藝變量取有限個值，其概率分布為

P(A=xi)=pi,i=1,2,…,n

(1)

則此時隨機變量A的熵的定義為

(2)

條件熵函數定義為：隨機變量A的條件下隨機變量樣本集合D的不確定性——H(D∣A)

H(D∣A)即A在給定條件下D的條件概率分布的熵對A的數學期望

(3)

其中p(a)表示A=a發(fā)生的概率

g(D,A)=H(D)-H(D∣A)

(4)

(5)

(6)

對于樣本集合D來說，隨機變量A是樣本的類別，即，假設樣本有k個類別，每個類別的概率是|Ck|/|D|，其中|Ck|表示類別k的樣本個數，|D|表示樣本總數。H(D)表示數據集label類別的熵，即每個label取不同類別的值的時候的不確定性。H(D|A)表示在選擇特征A的條件下，數據集label類別的熵。此時也可以表示類別label與特征的互信息。

信息增益——G(D,A)表示由選擇特征A而使得對數據集分類的不確定性減少的程度，減少的越多，數據集分類的不確定性越低。表示特征A對數據集D 分類影響效果越好。

ID3算法計算所有節(jié)點技術特征的信息增益，并選取信息增益最大的特征進行分裂。ID3算法傾向于選擇有更多取值的特征，而有時這種傾向會在決策樹的構造時帶來一定的誤差。Wang Hongbin等(2019)[10]提出了一種RLBOR算法，該算法考慮了決策樹模型中的節(jié)點數去優(yōu)化該決策樹優(yōu)化比率(Decision Tree Optimization Ratio)但是仍然避免不了誤差，如極端條件下，依據某個屬性分裂后,一個子集對應一個數據，此時信息增益最大，信息熵為0，但這種劃分沒有價值。因為冶金工藝變量由于變量本身的原因，數據變化的范圍比較小，出現了連續(xù)的數據，ID3會傾向于該特征A，為了校正ID3算法存在的這一誤差，提出了使用信息增益比作為最優(yōu)屬性選擇指標的C4.5算法。Mu YS 等(2017)[11]提到了C4.5算法的應用，并且指出在監(jiān)督分類中，大型訓練數據非常普遍，決策樹被廣泛使用[12]。但是，由于內存限制、時間復雜度或數據復雜度等一些瓶頸，許多監(jiān)督分類器(包括經典的 C4.5 樹)無法直接處理大數據。他提出的解決方案是設計一個高度并行化的學習算法。而本文需要C4.5算法對冶金工藝變量進行特征選擇，然后結合冶金數據的特性選用其他機器學習算法進行大數據處理。提出的Z-C4.5算法的就是當某個特征對應的取值過多時，會取一個改進的懲罰參數Z去乘以信息增益使得信息增益比偏小。定義信息增益比為特征A帶給集合D的信息增益與特征A本身的熵之比。信息增益比的計算如下

(7)

(8)

gr(D,A)=Info*G(D,A)

(9)

懲罰參數：Info=1/HA(D)*Z

公式中，R(range)表示所取冶金工藝變量中數據變化范圍，n表示依據特征A分裂后的子集個數，Di表示每個子集的樣本個數。

當采集數據的數值變化范圍小于1%時(即極差R<1%)，代碼設定Z=0，方便寫成模型代碼計算的時候自動篩選無效的工藝變量，減少計算壓力。

當采集數據的數值變化范圍大于30%(此PLC出現錯誤)，此時代碼設定，Z=Null，當Z的數值變化范圍大于30%(此PLC出現錯誤)，此時代碼設定，Z=Null提示數據模型該PLC出現錯誤。

當采集數據的數值變化范圍在1%～30%，表示數據特征正?？梢赃\算，Z=1。

利用C4.5分類樹對上述樣本數據進行特征選擇。由于樣本被分為合格品(記為1)和不合格品(記為0)，因此采用二叉分類樹作為訓練模型。計算出13個特征變量對應的信息增益比，并按從大到小的順序進行排序，根據各特征變量的信息增益比選擇3個主要因素。

本次實驗環(huán)境設置為Intel(R)Core(TM)i5-5200U_CPU_@3.60 GHz，操作系統(tǒng)為Windows 10，使用Python語言jupter notebook編譯器中實現。分析結果如表2所示。

表2 信息增益分析結果

為了更好地去驗證算法的有效性，與現場運管質檢部工作人員的溝通交流調取了該部分的歷史樣本記錄并且進行人工統(tǒng)計數據，針對該組合工序板帶生產的產品采樣的60000個樣本統(tǒng)計不合格產品約為1730個，不合格率在3%左右。(與節(jié)選的樣本不合格概率大致一樣，13個工藝變量的樣本量在4630個左右)此時通過工藝專家經驗判斷設定的閾值，(工業(yè)4.0的升級后續(xù)項目中將通過數據挖掘算法實現數據的動態(tài)閾值實現動態(tài)監(jiān)控)，判斷超限的數據個數，統(tǒng)計的超限變量的次數如圖4所示。

圖4 不合格品工藝變量超閾值數據個數的統(tǒng)計

圖4中顯示 1、 3、9樣本超閾值的情況較多，分別對應2#軋機料形尺寸、過鋼速率、1#～5#活套套高這3個工藝變量。針對決策樹篩選的異常變量我們進行了現場調查，例如1#～5#活套套高變量的立式活套器是為了避免軋件在易形成活套的地方造成產品最終出現頭尾耳子，一般由活套掃描傳感器實時掃描活套高度，確定此時人為設定的活套套量與實際活套套量之間的誤差。因為具有活套控制的連軋機組，軋件的速度比較快所以此時系統(tǒng)慣量較大引起產生動態(tài)力矩，所以人為設置的固定的套量，是不能解決這個異常的，這是個固有的表面質量異常源，這一結論得到了現場專家的肯定答復。

節(jié)選部分工藝變量數據的超工藝專家給定閾值的監(jiān)控情況如圖5所示。

由于歷史樣本中4630多個樣本的監(jiān)控圖過于密集，無法分辨。所以截取了同一時間窗口的300個樣本進行觀察?？梢钥闯?#軋機料形尺寸、過鋼速率、1#～5#活套套高3個工藝變量的超閾值情況明顯多于其他變量。

此處的閾值一般是由工藝專家根據經驗得出固定值，如之前給定的活套誤差，這是不夠準確的。生產是動態(tài)的過程，將來應該要通過算法(目前考慮使用KECA-DISSIM組合算法)實現前一批次正常批次與異常批次的比較來動態(tài)控制閾值，由人工根據動態(tài)閾值調整設定值，計算機系統(tǒng)直接通過指令下達給現場的二級自動化設備實時調整。解放現在的人工現場操作。這將解決實時性的操作誤差。但是僅這一步就需要計算機系統(tǒng)與自動化設備的進一步升級，需要大量的資金投入，不是光靠算法能夠解決的。

1#～5#活套套高該工藝變量位于預精軋廠，2#軋機料形尺寸該工藝變量在煉鋼廠，過鋼速率該工藝變量采樣來自冷軋廠。位于不同廠區(qū)的工藝變量被篩選了出來，已經初步達到了全流程質量管控數據分析的要求。對于異常工藝變量之間是否會相互影響造成特殊的板帶質量問題還需要與工藝專家一起研究。

此處只統(tǒng)計了不合格品工藝變量數據超閾值的情況，合格品也有數據超閾值的將來可以做對比分析，排除不重要的工藝變量。但是冶金工藝變量變化復雜，可能同時受到人工操作、設備、高溫的影響導致數據采集設備的工作波動導致異常，所以通過大量數據分析可以得到一個基本較為準確的主要變量問題的判斷。

在該批次設備生產過程中影響表面質量的因素主要為2#軋機料形尺寸、過鋼速率、1#～5#活套套高，上線運用到實時數據時主要監(jiān)控該3項工藝特征變量的變化情況并且進行記錄，設定閾值，超過閾值進行報警，進行事中控制從而來降低該類工藝參數出現問題所形成耳子、氧化鐵皮、裂紋等表面質量問題。

圖5 截選部分工藝變量超閾值監(jiān)控圖

3 結語

在鋼鐵行業(yè)供過于求的狀況短期不會改變的大背景下， 工業(yè)和信息化局在2020年之前制定的目標是去除粗鋼產能1～1.5億噸，而根據本文的項目團隊研究預計我國粗鋼消費在2020年后每年還將下滑3%左右，鋼鐵產業(yè)未來發(fā)展的核心矛盾在于供給側改革落實情況及全球經濟的復蘇水平，所以目前提高產品核心競爭力是最迫切的需求，全流程質量管理思想的提出與實踐使企業(yè)質量管理水平不斷升級[13]?，F在，工業(yè)互聯網的發(fā)展是新的契機，我國鋼鐵企業(yè)要實現彎道超車，就需要將信息化的過程與生產工藝進行深度的融合，從而幫助我國在產線自動化信息化進程中開發(fā)掌握更多核心自主技術。我們目前想解決的主要問題在于客戶需求的精準落地、多模塊協(xié)同實現產品質量事中控制和質量一貫制，借助AI技術和可視化技術如數字孿生，實現缺陷一鍵式追溯、工藝參數快速整定和優(yōu)化，提供定制化業(yè)務實現質量、工藝、設備運營協(xié)同制造?，F在國內鋼廠通用的信息化構架主要為5層層級化的質量信息系統(tǒng)構架而我們的研究方向是隨著工業(yè)互聯網的發(fā)展，將其做成扁平化的質量信息系統(tǒng)構架，這樣既能滿足管理上的生產要求，也能滿足生產上的質量需求，符合目前公認較為主流的鋼廠信息化發(fā)展趨勢。