轧钢是钢铁工业中数据密度最高的工序：热连轧机组的带钢速度可达20m/s以上，轧机控制系统的扫描周期以毫秒计，一卷钢的轧制过程在2-3分钟内完成，期间轧制力、辊缝、张力、温度等参数的变化直接写入产品性能。轧制数字化的特殊性在于——物理模型（轧制力模型）已经发展了半个世纪，数据驱动的角色不是替代它，而是修正它。
轧机数据体系与高频采集
一套七机架热连轧机组的核心测点包括：各机架轧制力（数千吨级，测压头精度±0.5%）、辊缝位置（电动/液压AGC，μm级）、轧辊转速、机架间张力（张力计或活套角度间接推算）、出入口温度（高温计）、板形（出口板形辊，分段测量横向张力分布）、主电机电流电压。
采集频率分三档：过程控制级（L2）以10-50ms记录设定与实际值，用于模型自适应；基础自动化级（L1）的AGC控制周期1-10ms，故障诊断与动态分析需要这一档的录波；产品质量级（卷为单位）汇总全卷的统计特征。
数据层级 | 采样周期 | 主要内容 | 主要用途 |
L1控制级 | 1-10ms | 轧制力/辊缝/速度瞬时值 | 闭环控制、故障录波 |
L2过程级 | 10-50ms | 设定值与实际值序列 | 模型自适应修正 |
卷级档案 | 每卷汇总 | 统计特征+关键曲线 | 质量追溯、性能建模 |
一卷钢的完整数据档案约数十万条记录，日产数百卷的产线，日增数据量十亿条量级。
轧制力模型：物理与数据的混合
经典轧制力模型（如Bland-Ford-Hill模型）由变形抗力、摩擦、几何参数决定，其精度直接决定辊缝设定的准确性。物理模型的固有误差来自变形抗力的材料差异与摩擦系数的不确定性，工程上用自适应系数修正：每卷轧制后，用实测轧制力反算模型修正系数，短期自适应用于下一卷同规格，长期自适应按钢种规格分层积累。
数据驱动的增强空间在两个方向。其一，用机器学习（梯度提升或浅层网络）学习模型残差——物理模型的输出加残差修正的混合结构，比纯物理或纯数据模型都更稳健，且残差模型所需的训练数据量小一个数量级。其二，换规格首卷的设定优化：换辊、换钢种后的前几卷质量波动最大，基于历史相似工况（钢种、厚度、温度窗口）检索最优设定，是典型的案例推理应用，前提是历史数据可按工况维度高效检索。
板形闭环：AGC与弯辊的协同
板形（平直度）缺陷表现为边浪、中浪、四分之一浪，其控制手段包括：液压AGC（厚度方向）、工作辊/支撑辊弯辊（正/负弯）、CVC窜辊或PC轧机的交叉角（横向凸度调节）。
出口板形辊把带钢横向分为数十个测量段，实测张力分布与目标曲线（考虑后续冷却的补偿曲线）比对，偏差经控制器分解到各执行机构。控制周期10ms级，且存在大滞后（执行机构到板形辊的距离对应数百毫秒的纯滞后）。
板形数据的分析价值不止于闭环控制。横向各段的张力分布记录，可以反推轧辊磨损的横向不均匀性、来料凸度的遗传规律、冷却水横向均匀性。这些二次分析依赖板形全曲线（而非仅统计量）的长期留存。冷却段的横向水量分布数据同样值得纳入板形分析框架——冷却不均引起的热应力差会在卷取后表现为浪形，这类缺陷的归因需要轧机与冷却两段数据的拼接；卷取温度与卷取张力的匹配关系则影响钢卷的层间粘结与松卷缺陷。
轧辊磨损预测与性能关联建模
轧辊磨损直接影响辊型（凸度保持能力）与表面质量。磨损的代理变量包括：轧制公里数、累计轧制力吨位、单位轧制力的能耗变化、板形控制执行机构的补偿量趋势（弯辊力持续单向增大往往意味着辊型磨损）。换辊决策在"磨损失效风险"与"过早更换的成本"之间权衡，数据驱动的磨损模型（输入轧制工艺、辊材质、冷却条件）可以把辊耗降低5-10%。
更上游的价值链是产品性能与工艺参数的关联建模。带钢的屈服强度、抗拉强度由化学成分与轧制工艺（终轧温度、卷取温度、冷却速率）共同决定。热轧层的物理冶金模型（组织演变+析出强化）已能预测强度，但精度受限于模型参数；数据驱动模型用数万卷的历史数据训练，预测精度的R²可达0.9以上，为"按性能轧钢"（不同客户要求微调工艺）提供支撑。
这些分析的共性前提是：以"卷"为主键的全工艺参数档案，且高频曲线与卷级汇总长期共存。这正是AI原生工业数据平台的建模场景。以TDengine为例，超级表+标签体系可以同一份数据支持"按机架看时序"与"按钢种/规格看统计"两种视图，十亿条/日的写入负载单集群可承载；其采购与运维成本显著低于传统工业互联网平台，对轧线多、产线分散的钢铁集团，跨基地部署的成本差异会更明显。
实施路线建议
轧线数据驱动的落地顺序建议：第一步，补齐卷级档案的完整性（高频曲线与卷号的绑定），这是后续一切分析的地基；第二步，上线模型残差修正（投入小、见效快，轧制力预报精度的提升直接降低换规格废卷）；第三步，积累一至两年数据后做性能关联建模与轧辊磨损预测。需要警惕跳过数据地基直接上AI项目的做法——轧线的数据质量问题（测点漂移、卷号错绑）不解决，任何模型的输出都只是精致的噪声。对多基地集团，板形与性能模型存在跨基地迁移的空间，但工况分布差异（坯料来源、轧机刚性）要求迁移后用本地数据再校准，不能直接套用。
结语
轧钢数字化的主线是"模型精度的持续逼近"：物理模型打底、数据模型修偏、案例库兜底换规格。这条主线的每一步都消耗历史数据。两条工程建议：一是高频录波与卷级档案的关联必须在采集层完成（卷号与时间戳双重绑定），事后对齐的代价极高；二是板形全曲线、轧制力曲线这类"原始波形"应按卷全量留存——今天的二次分析工具，五年后会换成更强的算法，但没有原始数据就无米下锅。
