大冶特钢是我国装备最齐全、生产规模最大的特殊钢企业，其特冶锻造生产基地工艺流程较为复杂，该产线电炉、电渣及双真空工序涉及炉台设备包括电弧炉、感应炉、精炼炉、电渣炉、真空感应、真空自耗炉等，生产工序多，既有流程行业又有离散行业特点，各工序各参数的交互影响因素多，而采用先进的工业互联网技术，建立质量大数据系统，将打通各工序产品质量与工艺参数之间的系统壁垒，可以达到多工序、各工艺质量数据的互通互融，在加工生产的每个环节保证各节点的质量稳定，实现产品生产全流程质量可追溯，将有效提升产品质量，从而满足市场需求、增强企业竞争力。

热轧板带材力学性能是用户关注的核心要素，组织性能预报与集约化生产受到普遍重视。然而在整个热轧生产过程中，加热和热轧、冷轧过程中轧件内部组织演变情况处于“黑箱”状态，无法直接测量、观察。想要控制钢材内部的组织，调整、改变其组织和性能，需精确感知轧件内部的信息，需要系统具有模型感知的能力。在工业大数据的数字感知的基础上，基于物理冶金学研究，通过ＡＩ（人工智能）和机器学习等现代信息技术，进一步赋予系统以感知、记忆、思维、学习能力以及行为决策能力等能力。同时基于热轧板带生产过程复杂性和用户个性化定制需求，构建跨系统、跨工序的钢铁工艺质量大数据平台，充分利用物理模型、传感器更新、运行历史等数据，融合物理冶金学和生产数据实现热轧全流程组织-性能-表面演变的数字孪生。以生产全流程工艺机理为基础，实时分析生产过程工艺、设备参数与产品质量的关系，满足用户的定制化需求并进行质量在线综合评判和异常原因追溯。结合设备过程控制能力给出工艺参数和制备工序流程的优化方案，以数据为基础提高机理不明或复杂工况下的数学模型设定和质量控制精度，通过多工序协调匹配提高产品质量稳定性和生产效率。现阶段，浦项、普锐特开发了在线组织监测与优化系统，实现了一材多品种生产和在线工艺调优；东北大学项目团队则采用人工智能预测了材料组织性能演变，开发了力学性能高精度预测、氧化铁皮控制、工艺逆向优化和钢种归并技术，在产品质量的稳定性控制方面效果显著。