The integrated methods of on-line monitoring,diagnosis and optimization of product quality is proposed,in which the abnormal point of product quality by the soft hyper-sphere method based on Support Vector Data Description(SVDD)is identified on-line and the process parameters through contribution chart are diagnosed.Then,optimizing in real time the abnormal process parameters via local projective transformation of neighbor points is achieved.The process parameter setting model based on manifold learning by multi-class neighborhoods is established to extract the manifold of process parameters, and process specification model based on the maximum inner rectangle of soft hypersphere is established to obtain an effective control interval of the process parameters. By means of system integration with the proposed methods,using industrial internet technology and big data analysis methods, the system of on-line intelligent monitoring of product quality has been successfully developed.At present,the system has been applied on more than ten production lines in iron and steel enterprises.The accuracy rate of online quality determination is 99.2%.and the online detection time is less than 0.1 second. KEY WORDS Big Data Analysis;Machine Learning:On-line Monitoring of Product Optimization of Quality:Product Quality Design; 钢铁工业是典型的流程工业，产品在制造过程中涉及多个逢续衔接的工序。目前，企业对产品质 量管控的主要手段是通过制定合理的工艺规范，并采用“事后抽样检测方式来判定产品的品质。这 种依赖于生产经验制订的工艺规范及“事后”抽检的方式容易出现批量的产品质量判废，或导致用 户由于质量异议提出索赔和退货。我国钢铁企业每年仅质量判废和质量异议所造成的经济损失近百亿 元，如何利用机器学习方法实现产品质量的在线监在线优化，制定科学的工艺规范和质量设计， 是钢铁企业亟待解决的关键技术。 随着“工业4.0”时代的来临，制造技术正逐步从伯动化、数字化、网化向智能化方向发展。以 大数据分析、人工智能、信息物理系统、工业东联闷为代表的新一代智能技术已成为企业向绿色化、智 能化转型的重要途径。机器学习作为实现人工智能的重要途径，在人工智能领域的应用引起了广泛 的兴趣，如何从海量的高维数据中提取出有价值的信息，并将信息转化为知识是目前机器学习的重 要研究方向4。 近年来，机器学习已在不同领（被广2应用，在材料研发领域，通过高通量计算、高通量表征及 高通量数据分析，实现了基于材料基因组的材料数字化研发6和材料逆向设计0：在化工和高分 子材料领域，通过机器学分法对分子结构和材料实现精准设计”：在医药研发领域，采用多变量 过程统计分析和机器学灾头实现药物的快速研发和质量控制刘，在机器视觉和智能识别领域， 主要通过深度学习实现人脸，语音、图像、字符等识别、自动驾驶和智能机器人。 机器学习方法在业领域也有广泛的应用前景，基于多变量的过程统计分析已用于生产过程控 制和产品质量在线监测2，并利用信息物理系统和机器学习方法建立数字孪生模型，实现制造过程 的无人化2自前，这些方法大多应用于离散制造业的智能制造，不仅提高生产效率且实现客户个 性化定制93。但由于钢铁生产过程的数据具有多元、强耦合、非线性的特征，因此在利用大数据分析 和机器学习方法挖掘数据内在的信息和知识，实现产品质量在线监控还存在一些困难2)。 针对钢铁企业在产品质量在线监控中存在的问题，提出基于软超球体算法的质量异常点在线识 别和异常原因诊断方法、基于流形学习和邻近点局部投影变换的工艺参数在线优化方法，并利用机器 学习方法制定质量设计和工艺规范，提高产品质量的稳定性。这些方法已应用于钢铁企业十余条工业 生产线，证实了方法的有效性和准确性。 1质量在线智能监测与控制方法 实际工业生产中，需要确定不同工序的工艺参数控制范围，即制定不同产品的质量设计和工艺The integrated methods of on-line monitoring, diagnosis and optimization of product quality is proposed, in which the abnormal point of product quality by the soft hyper-sphere method based on Support Vector Data Description (SVDD) is identified on-line and the process parameters through contribution chart are diagnosed. Then, optimizing in real time the abnormal process parameters via local projective transformation of neighbor points is achieved. The process parameter setting model based on manifold learning by multi-class neighborhoods is established to extract the manifold of process parameters, and process specification model based on the maximum inner rectangle of soft hypersphere is established to obtain an effective control interval of the process parameters. By means of system integration with the proposed methods, using industrial internet technology and big data analysis methods, the system of on-line intelligent monitoring of product quality has been successfully developed. At present, the system has been applied on more than ten production lines in iron and steel enterprises. The accuracy rate of online quality determination is 99.2%, and the online detection time is less than 0.1 second. KEY WORDS Big Data Analysis; Machine Learning; On-line Monitoring of Product Quality; On-line Optimization of Quality; Product Quality Design; 钢铁工业是典型的流程工业，产品在制造过程中涉及多个连续衔接的工序。目前，企业对产品质 量管控的主要手段是通过制定合理的工艺规范，并采用“事后”抽样检测方式来判定产品的品质。这 种依赖于生产经验制订的工艺规范及“事后”抽检的方式容易出现批量的产品质量判废，或导致用 户由于质量异议提出索赔和退货。我国钢铁企业每年仅质量判废和质量异议所造成的经济损失近百亿 元，如何利用机器学习方法实现产品质量的在线监控、在线优化，制定科学的工艺规范和质量设计， 是钢铁企业亟待解决的关键技术。 随着“工业 4.0”时代的来临，制造技术正逐步从自动化、数字化、网络化向智能化方向发展。以 大数据分析、人工智能、信息物理系统、工业互联网为代表的新一代智能技术已成为企业向绿色化、智 能化转型的重要途径[1-3]。机器学习作为实现人工智能的重要途径，在人工智能领域的应用引起了广泛 的兴趣，如何从海量的高维数据中提取出有价值的信息，并将信息转化为知识是目前机器学习的重 要研究方向[4-5]。 近年来，机器学习已在不同领域被广泛应用，在材料研发领域，通过高通量计算、高通量表征及 高通量数据分析，实现了基于材料基因组的材料数字化研发[6-9]和材料逆向设计[10-12]；在化工和高分 子材料领域，通过机器学习方法对分子结构和材料实现精准设计[13-17]；在医药研发领域，采用多变量 过程统计分析和机器学习方法，实现药物的快速研发和质量控制[18-20]；在机器视觉和智能识别领域， 主要通过深度学习实现人脸、语音、图像、字符等识别、自动驾驶和智能机器人。 机器学习方法在工业领域也有广泛的应用前景，基于多变量的过程统计分析已用于生产过程控 制和产品质量在线监测[21-24]，并利用信息物理系统和机器学习方法建立数字孪生模型，实现制造过程 的无人化[25-28]。目前，这些方法大多应用于离散制造业的智能制造，不仅提高生产效率且实现客户个 性化定制[29-31]。但由于钢铁生产过程的数据具有多元、强耦合、非线性的特征，因此在利用大数据分析 和机器学习方法挖掘数据内在的信息和知识，实现产品质量在线监控还存在一些困难[32-33]。 针对钢铁企业在产品质量在线监控中存在的问题，提出基于软超球体算法的质量异常点在线识 别和异常原因诊断方法、基于流形学习和邻近点局部投影变换的工艺参数在线优化方法，并利用机器 学习方法制定质量设计和工艺规范，提高产品质量的稳定性。这些方法已应用于钢铁企业十余条工业 生产线，证实了方法的有效性和准确性。 1 质量在线智能监测与控制方法 实际工业生产中，需要确定不同工序的工艺参数控制范围，即制定不同产品的质量设计和工艺 录用稿件，非最终出版稿