杨春伟

（天津天钢联合特钢有限公司，天津 301500）

1 全流程质量管控过程

全流程质量管控顾名思义就是对整个生产流程进行全方位的质量管控，从接受到客户的订单起，从产品的质量设计环节、产品的生产加工环节开展在线质量监控、质量预测、质量判定、离线质量追溯、质量大数据分析和质量改进等，实现一个闭环的质量管理流程，真正做到PDCA循环（见图1）。

图1 全流程质量管控流程

1.1 质量设计

伴随着市场经济的不断发展，市场竞争态势愈加激烈，用户的各方面要求也变得更高，甚至可以用苛刻来形容，诸如对于品种、质量、成本以及服务等各个方面，均有着较高的要求。对于产品生产企业而言，用户满意才是其不懈追求的目标，也是企业长盛不衰的重要基础。这就要求企业不断生产逐渐从符合标准朝向满足用户需求的方向转变。对于钢厂而言，大多数都依据“标准+α”的模式进行生产，所谓α主要指的是在产品行业规范标准之外所提出来的附加技术要求。因此，当企业在接到客户的订单之后，就应该结合用户的实际需求和产品行业中本来的规范标准展开生产。产品行业标准主要包括产品的品种、规格、产品质量判定标准等等，从原材料的采购开始，经历烧结、球团、铁水到最终的产品阶段，每一个环节均有着严格的质量判定标准[1]。

1.2 质量监控

该环节主要是利用现代化监测技术和手段，在线实时的对钢铁产品生产工艺过程中的所有参数进行实时的采集和监控，诸如几何尺寸、表面质量、力学性能等各项参数指标，以此来和工艺标准进行对比，并判定产品的质量是否合格[2]。

1.3 质量预测

在钢铁产品的生产过程中，利用在线监测收集到的产品质量信息，以此对产品的最终质量进行科学的预测，并将收集到的实时参数信息、质量判定标准等信息及时的反馈给操作人员和质检人员，同时针对部分质量存在隐患的产品进行预警，以便于及时调整生产工艺，以此来提升产品的质量水平。

1.4 质量判定

结合产品的质量规范标准以及用户需求等，在生产现场开展产品质量检验工作，并判定产品的质量是否合格，最终生成质保书。

1.5 质量追溯

在离线环境下，全流程产品质量追溯启动，主要是将产品生产过程中存在的一些质量问题、客户投诉等情况进行收集，找出其中存在的问题，以便于对这些问题进行改进优化，从而对生产过程进行稳定，确保产品的质量达标，且能够满足客户对于产品的相关需求。在这个过程中，需要用到质量追溯系统，来将产品生产过程中的所有数据进行集成，例如将生产线上的过程工艺曲线、表面检测缺陷、过程参数等进行展示。根据实际检测需求，结合订单的具体状况，批次、钢种以及时间段等各方面的信息，来追溯各个生产工序中的产品质量弹性，利用每一个物料号所对应的上游物料好，来追溯到各个生产线的实际生产工序和工序的采集点，并将详细的数据信息予以导出，从而获得产品质量的相关信息。技术人员利用该追溯系统，就可以对产品质量产生的各种相关因素进行直观的分析，还能够对产品质量产生的症结进行上下游的追溯，诸如单工序多参数、单参数、多批次和多工序等在位置轴、时间轴等方面进行对比，从而获取更为详尽的质量要素，为工艺优化提供基础数据。

1.6 质量分析

质量分析则可以利用两种分析方法：其一为统计工序控制即（SPC）法，其二为大数据分析法。SPC法主要是利用系统平台所提供的样本散点图、样本运行图、等值线图、相关性散点图等一些常用的统计分析图来对产品的质量进行探索性的分析，以获得产品的质量诊断、质量控制和质量改进等目标。大数据分析法则是借助聚类算法、关联规则、决策树扥类等办法，来科学的分析产品生产工艺，对产品质量问题进行深度剖析，以便于查到产品缺陷的关键节点，并找到其和工艺参数之间的关系[3]。

1.7 质量改进

通过上述质量诊断分析，查找到质量问题的症结点，从而探寻到最佳的工艺改进措施，进而全面优化生产工序，提升产品质量，实现产品质量的持续改进。

2 全流程质量管控平台

全流程质量管控系统功能架构见图2。

（1）主数据管理。质量主数据管理主要分为产品规范管理和工艺规范管理。产品规范管理则囊括了钢厂生产产品的具体品种、规格、相应的质量判定标准等。工艺规范则重点在于规范各个生产线上相应钢产品的生产工艺和操作要点。

图2 全流程质量管控系统功能架构

（2）质量设计。当客户下达订单之后，系统依据指令对产品质量相关的各种要素进行综合的分析，并及时匹配到柱数据之中的产品规范和工艺规范等，从而明确该产品的具体执行标准、工艺路线等，并生成相应的生产信息，并将该信息传递到具体的生产工序中，以便于操作人员有一个清晰的认知，能够严格遵循质量标准开展产品生产。

（3）实时数据采集。利用质量大数据平台，全面采集和存储全流程生产数据信息，确保各个生产工序的工艺数据、多个工序的工艺数据等，均能够和产品的质量数据保持一致，这样就能够更好的监控和预测、追溯产品的质量信息。

（4）在线质量预测。第一，构建质量预测模型。应将每一道产品生产工序的历史数据、相关关联工序的质量数据等信息进行全面的收集，同时借助聚类分析、神经网络等办法，建立完善的质量预测模型。将实际生产过程中采集到的数据信息作为原始值输入到模型之中，从而借助一系列统计分析办法，对该道工序产品质量进行预测，根据预测结果，来对工艺操作要点进行微调。第二，工艺质量预测。在上述预测模型的预测下，获得每一道生产工艺产品质量预测结果，进而结合客户的实际需求，对产品的质量改进提出意见，并在线予以调整。

（5）质量自动判定。该步骤主要是借助聚类分析、数据特征识别和机器学习等现代化的数据分析方法，来对产品的生产规则进行优化，从而根据规则，来对产品的生产质量进行自动的判定和评级，最终生成一份完善的产品质量评估报告。

（6）质量分析与优化。在质量大数据的支撑下，质量分析和优化功能能够对产量的质量进行全面综合分析评判，其主要功能如下：①质量关联分析。追溯产品质量缺陷、质量异常等状况的原因，利用现代化的特征识别技术以及数据挖掘技术，来对产品质量影响最主要和关键的因素进行提取，构建产品工艺参数和产品质量关联数据库，并对数据库进行不断的优化改进。②工艺参数优化。根据上一个步骤中建立的质量关联数据库，找出工艺中影响质量的主要因素，并对这些关键性的工艺参数进行调整改进，以此来进一步指导实际生产。③控制模型优化。能够通过全面系统化的分析研判大量的质量历史数据，能够进一步优化调整现有的控制系统模型，在深度强化的基础上，不断来调整生产的精度和效率。在优化改进过程中，对训练复杂度以及任务复杂度等耦合关系进行进一步的调整，全面评估优化的性能，对产品质量提升提供助力。