兴澄特钢大方坯连铸机原本为国外全套引进设备。为适应新形势下品种开发的需要进行国产化改造后，产品实物质量不甚理想，碳偏指数满足0.95~1.05范围的比例不足90%，影响高质量要求钢材的交付。而当初随整套设备同步引进的凝固数学模型没有得到外方的开源性程序，设备改造后据模型模拟达不到预期的效果，外方借机提出天价条件且关键技术仍受制于人。 为了不受外方“卡脖子”，兴澄特钢决定成立项目组，根据实际生产条件，自主开发一套连铸凝固模型，探索模型校准的新方法，寻找一种对轻压下有效的分析方法，设计适合典型钢种的轻压下工艺，进一步提升偏析质量以满足更高要求的品种开发。

薄带材冷轧过程具有控制参数多、响应时间短及精度要求高的特点，其质量控制水平代表着一个国家钢铁工业的技术水平，可谓是钢铁技术领域的“皇冠”。对于冷轧板形控制而言，其控制过程存在多变量、时变性、大滞后及非线性等特点，全球仅有几个国家掌握相关技术，可谓是“皇冠上的明珠”。随着国民经济的快速发展，汽车、家用电器、电子和航空航天等行业对冷轧带材产生了巨大的需求，同时也对其板形质量提出了更高的要求，如何进一步提高冷轧带材的板形控制精度，是从事冷轧领域技术研究人员需要面对的重要课题。 针对板形控制模型与轧制过程的失配问题，研究将仿真建模、机理建模、知识工程推理与过程数据进行融合建模的理论与方法。通过研究串联结构形式的板形混合建模方法，提高板形控制模型对轧制过程的适应能力，并建立相适应的板形前馈与反馈控制系统间的协调优化控制策略。通过本项目的实施，可为冷连轧过程板形控制精度和稳定性的提高带来新的思路，对于其它复杂工业优化控制过程具有一定的理论参考意义。

本项目所研发的冶金煤气小型化超临界发电技术在是在超高压和亚临界煤气发电技术基础上的进一步发展而来，是低热值煤气发电最新技术标杆。基于低热值煤气的燃烧反应动力学模型，使煤气在锅炉中高效燃烧，产生压力参数高达24.2 MPa、温度参数高达600℃的主蒸汽（超临界状态），随即送入高参数小型化汽轮发电机组高效发电，其发电效率相比现有常规机组可进一步提升8~10%。

通过对国内近百条热连轧生产线的过程控制模型精度和产品质量指标研究发现，造成非稳态过程难以控制的原因，既有板带材轧制本身的工艺因素，又受制于热连轧自身的控制特点，长期面临如下突出问题： （1）热连轧各机架存在着弹性变形和塑性变形的交叉耦合作用。热连轧各机架与带材直接接触并产生压下量时，轧机设备会发生弹性变形，轧件又会发生塑性变形，这种设备弹性状态和带钢压下产生的塑性状态耦合到一起，导致传统数学模型很难对其进行精准计算和表述，尤其在频繁换规格或换钢种状态下，一种弹塑性耦合状态下的模型未完自学习至最优状态，又会过渡到另外一种弹塑性状态，导致整个机组形成长时间的非稳态过渡过程。 (2)非稳态过程难以建立高精度的热轧数学模型。该过程具有不确定性、非线性等特点，存在润滑状态、设备工况等多种多样难以表述的变化，这些对薄带材轧制的影响远超过普通带材。而实际控制过程采用的单一常参数模型难以满足连续变化的要求，模型匹配性差，实际生产过程中轧制力、前滑等关键参数存在很大偏差。 (3)多工序间的过程控制参数波动的影响。热连轧生产过程装备由加热炉、定宽压力机、粗轧机组、精轧机组、控制冷却及卷取机组等多个区域组成，各个工序均具有非线性、快响应以及时变、不确定性、工艺控制模型复杂、过程变量维数高、规模大等特点，这就决定了各个工序的建模过程比一般的工业过程复杂得多。这种非稳态下的过程参数波动，均可对下游工序产生很大的影响，从而导致产品质量问题，如板形、尺寸精度以及工艺性能等。 针对热连轧制造领域内过程精准控制科学问题和相关技术瓶颈，2019年河钢集团有限公司、华为、东北大学在深圳举行联合组建“工业互联网赋能钢铁智能制造联合创新中心”签约挂牌仪式。三方成立的联创中心将作为钢铁行业工业互联网与智能制造产学研用平台，以钢铁全流程产线为基点，着力实现网络化、数字化、智能化的新钢铁，促进钢铁产业转型升级、高质量发展。 项目团队依托河钢邯钢公司邯宝2250mm热连轧生产线，基于现有自动化与信息化系统，深度融合数据驱动模型与机理模型，首次开发了热连轧过程动态数字孪生模型并建立了CPS控制系统平台，提高了轧制工艺对复杂多变工况的原位分析能力，改善了热连轧过程三维尺寸控制指标。

通过对国内近百条中厚板生产线的工艺技术装备现状研究发现，产线普遍在关键工艺质量参数感知、多工序协调优化方面，长期面临如下突出问题： 1、生产过程中轧制、剪切等工序的自动化达到较高水平，但是各工序控制系统相对孤立，尚未形成联动，部分工序缺失关键质量参数，不能基于反馈进行动态优化控制，机理模型的预测和控制精度低，严重影响产品质量、生产效率和成材率的提升； 2、缺少钢板轮廓识别和板形检测关键大型仪表，导致轧后钢板头尾形貌、轮廓和板形等关键质量参数难以在线精准识别，仍以人工方式线下测量，无法与轧制过程形成在线反馈控制，难以通过在线工艺优化来保证最终产品质量； 3、依靠人工经验的传统组板系统订单匹配度低、精准剪切控制能力偏低，无法根据钢板实时轮廓信息优化组板策略导致组板余材过多，影响生产效率和成材率。剪切工序也无法根据实时轮廓形状优化剪切策略。此外，剪切工序与轧制过程、组坯过程除基础的产品信息交互之外，无其它过程质量数据交互，迫切需要将轧后钢板实际轮廓形状与订单合同进行实时动态匹配，急需开发面向多目标约束的优化剪切和动态组板策略，以实现减少切损的同时提高订单的匹配度。 针对宽厚板制造领域内过程精准控制科学问题和相关技术瓶颈，2010年由山钢与东北大学等单位组建联合研发团队，在国家十三五重点研发计划《基于CPS架构的多工序协调优化与质量精准控制及应用示范》（2017YFB0304103）项目和山东省《宽厚板智能轧制数字化车间是的试点示范》项目的支撑下，依托山东省山钢王国栋院士工作站科研平台，深入推进开展产学研合作和协同创新，发挥高校基础研究理论创新优势与企业产工程技术优势，联合开展本项目关键共性技术的科研攻关工作。

针对钢铁长流程加工过程中余材种类多、余材数量大、库存控制难等典型问题，宝钢股份于2004年开始着手余材充当技术的研发，历经十几年的探索创新，建立了以规则配置平台和优化决策模型双轮驱动的余材充当系统，逐渐具备了薄板全产品、全工序、全产线的优化充当能力，实现了经济价值和劳动效率的大幅度提升。数年来该技术水平在覆盖面、优化效果、自动化程度、工艺数字化全方位持续保持国际领先。

本系统通过收集市场信息（如网页抓取、行业共享），以人机结合，专家决策为主的方式进行。以冶金机理计算为主，结合生产工艺的要求与过程控制模型，通过分析生产实绩信息建立了多个炼钢厂、多条精炼路径的模型群，有效准确地确定不同钢种的合金消耗标准，从而能精确预测炼钢合金的需求量。

宝钢研究院智能所于2013年及2016年先后开展了ESR及VAR熔炼仿真模型软件自主开发和应用研究。结合特钢冶炼设备和工艺，聚焦高温合金和钛合金特定品种的熔炼计算应用,成功研制了一款工艺参数优化的仿真软件，为特钢新产品研发和工艺改进提供了可自主的技术支持。

随着国民经济发展和产业结构升级，高铝钢及微合金钢等高端钢铁材料广泛应用于汽车、能源电力、海洋工程、船舶等重点领域，高效连铸生产的技术质量问题日益凸显。如汽车用DP、TRIP钢因钢中Al含量高达1.0%以上，不仅难以实现多炉连浇，而且连铸板坯存在横向凹陷、裂纹、断坯等问题；高等级桥梁钢、高强钢、能源钢、管线钢等因添加Nb、V、Ti等微合金元素，热装铸坯轧后钢板表面容易出现裂纹。这些难题不仅影响生产效率，还会造成资源和能源浪费。此外，随着用户的个性化需求增多，微合金钢品种、规格、连铸短浇次增多，微合金钢连铸漏钢风险增大，直接影响高效连铸过程的稳定性。相对于普通钢材，高铝钢和微合金钢元素多且含量高，质量控制难度大、工艺复杂。原有的高效稳定工艺技术，已无法适应高铝钢和微合金钢生产需求，具体体现在： 1、高铝钢保护渣易反应变性，粘结报警频繁，连铸可浇性差，板坯表面裂纹多，必须下线清理。针对高铝钢板坯连铸，韩国浦项制铁开发了液态保护渣技术，将钙铝系保护渣加热熔化后流入结晶器，控制渣圈达到改善板坯表面质量的目的；国内也有企业直接采用低碱度、低熔点钙硅系保护渣或者直接采用钙铝系保护渣的成功先例。这些技术极大促进了高铝高锰钢的开发与应用，但均未实现常规拉速的多炉连浇。 2、Nb、V、Ti微合金桥梁钢、高强钢、能源钢、管线钢等高等级钢实现高温热装（两相区）难度大，钢板易产生红送裂纹。针对高等级微合金高强钢板的热装红送裂纹，国内外普遍采用板坯下线控温、专用淬火池及铸坯切割后淬火等方式，铸坯热量损失大，生产效率低，表层组织细化和抑制第二相粒子析出的效果不充分。 3、多品种、小批量、多规格的高品质钢连铸短浇次多、混浇坯长。混浇钢种成分差异大，混浇模型判定不准确，不得不下线取样化验，降低入炉效率；多断面板坯连铸，为避免漏钢结晶器在线调宽必须低拉速或者降拉速，降低了生产效率。 首钢与北京科技大学长期开展合作，进行高铝钢及微合金钢板坯连铸关键技术攻关。经过长期连铸工业实践和系统攻关，发现并揭示了高铝钢粘结报警及横向凹陷机理。从工艺上对结晶器振动、保护渣性能以及结晶器表面流动进行了优化，实现300吨钢包产线实现高铝钢（[%Al]≥1.0）单浇次稳定浇铸1500吨以上。连铸拉速从0.8 m/min提高至1.2 m/min。

热轧生产过程是钢铁全流程承前启后的重要工序，也是企业建设“云-边-端”高效协同管控体系的关键，热轧数字化智能制造系统对推进“铁钢轧”全流程高质量智能工厂建设具有重要意义。针对当前普遍存在多源异构数据融合与追溯难闭环、生产过程控制与质量溯源非协同、面向多目标决策的精益化管控不精细等痛点问题，具体体现在： 1、现场数据体量庞大、数据残缺和无效项过多，缺乏相应的大数据平台对数据进行统一且有效的采集、清洗、归集和存储。传统的离线存储方式需要大量物理硬盘，残缺数据无法实时还原及重现，并且数据安全性无法得到保证； 2、现场数据归集多采用时间维度，相应的数据时空转换技术不成熟，难以满足实物质量分析和溯源过程中使用空间维度数据的需求； 3、产品质量异常，无法实现精准定位溯源，控制系统L1/L2大多由第三方承建，底层模型黑箱瓶颈难以突破；监控预警场景定制化差异需求大，关键参数零散分布于不同系统导致现有技术无法统计全流程工艺设备状态； 4、设备运维停留在传统的人工点检+周期更换模式，重点设备监控停留在耳听眼看的阶段，一些先进的设备测振、测温、图像识别技术未能得到应用；复杂设备系统依靠单一的仪表阈值进行报警，缺乏劣化趋势和状态的模型判断； 5、轧线、磨辊间、钢卷库、质检等生产单元自动化程度低，存在着大量可用智能装备代替的人工操作，如加热炉板坯核对、钢卷质量判定等，工作效率低、操作失误多； 6、安全、环保、消防各模块分散管理，设备系统多，系统集控技术落后，后台监控人员多，紧急状态下人员协同慢； 7、能源和成本统计方法简单、粗放，部分能源点统计未能实现自动采集，能源消耗靠简单的系数来进行标准成本的分摊，成本统计无法精确到卷、班组、区域； 8、钢卷入库、下线、装车、作业无自动计划，物流无自动优化，作业流程无信息化跟踪，操作人员多、效率低下； 9、生产管理、质量管理、设备管理、成本管理、KPI指标管理和安全管理等各个维度的数据不同域，无法跨域联合分析，需人工拷贝、合并、分析。 因此，亟需汇聚车间级全流程数据，涵盖轧辊间、设备运维、能源环保、消防安全、运营管理及智慧决策开发需求，支撑主轧线及公辅等生产作业单元智能协同管控，建立基于精益化管理的热轧数字化智能制造系统。