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。

钢铁工业是国之基石，中国是名副其实的钢铁大国，但高端产品制造仍面临着质量稳定性差、产品质量合格率低、定制化能力弱等重大共性问题。自2007年始，项目团队在国家科技支撑计划、863和国家自然科学基金等国家级课题资助下，以面向产品质量智能管控的工业互联网平台为依托进行全过程质量协同管控，重点研发了钢铁产品质量智能管控的工业互联网平台架构设计、全流程产品质量在线管控、跨业务/跨工序的质量协同优化，研发了具有自主知识产权的模型库与方法库等核心关键技术,形成一整套基于工业互联技术的全过程产品质量智能管控技术与平台解决方案。

以产品一贯制为主线，以数据挖掘技术为基础，构建面向全体系质量人员使用的，从用户需求识别到用户使用的质量跟踪管理平台。质量管理从结果向过程、从定性向定量，从点线向全面、从人工向自动、从事后向预防转变，显著提升管理水平和效率，加速知识积累传承，有力支撑提升产品质量。 系统按照质量管理的PDCA思想进行构建：在P环节，接收产品质量控制计划（CP），作为过程监控和分析的依据。在D环节构建在线判定、质量信息传递和工艺过程监控与预警等系统，提高过程执行和监控效率。在C环节构建跨工序产品质量交互分析与异常诊断系统，提高质量检查的技术水平，分析结果为CP的优化完善提供信息支撑。在A环节构建全流程工艺产品质量综合评价、可制造性评估等系统。

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。