大數據分析和云計算是歐盟鋼鐵行業數字化轉型的12個重點科研基金項目之一。大數據分析關注基于歷史數據的算法，以識別產品質量問題從而減少產品故障。鋼鐵行業中的傳統數據庫技術在完成對大量結構化和非結構化數據的捕獲、存儲、管理和分析方面，尚存在一定的困難。大數據分析技術采用新的處理模式，從各種數據類型中獲取有價值的信息，進而深入了解、獲取信息并洞察和識別其中的內涵，以便做出準確的決策。
一是“鋼包全過程跟蹤”項目。
該項目根據多目標優化（MOO）框架和數據分析，采用了包括聲學在內的各類傳感器，以提高工廠產量、提高鋼廠的安全性。項目目標是實現鋼廠作業環境中的鋼包的自動跟蹤，涵蓋從煉鋼、連鑄到板坯交付的全過程。準確跟蹤鋼包位置是煉鋼工藝數字化轉型的基礎之一。鋼包跟蹤系統即要在保證平穩生產的條件下，也要確保在生產計劃突然受到干擾的異常情況下優化鋼包物流，以確保安全并提高產量。
二是“質量4.0”項目。
該項目基于高級人工智能（AI）、機器自學習分析方法和大數據處理，開發自適應平臺，允許在線分析大數據流，從而實現產品質量決策并提供量身定制、高可靠性的質量信息。對于歐洲鋼鐵行業來說，產能過剩導致廉價鋼鐵充斥著整個鋼鐵市場，歐洲鋼鐵生產商迫切需要差異化，積極推廣一個通用平臺具有戰略意義。但是，共享錯誤的質量信息可能會導致客戶的嚴重不確定性并且損害客戶的信心。自適應的“質量4.0”項目平臺可以實現整個供應鏈上質量信息的橫向整合，在線分析大數據流，采用機器學習算法的創新方法，建模客戶關系并自動交換數據自動匹配可用的客戶和訂單信息，通過與客戶雙向交換量身定制的高可靠性信息，以實現差異化的產品質量水準決策并降低成本。
“質量4.0”平臺作為面向服務的體系結構（SOA），可以靈活地組合單個模塊并集成到現有的IT基礎架構中，不需要依賴單個產品或技術。“質量4.0”平臺由3個服務模塊組成：一是質量數據生成服務模塊（QGS），生成質量數據及其合理性值；二是質量分配服務模塊（QAS），將客戶訂單與產品合理分配，并選擇相關的質量數據； 三是質量交換服務模塊（QXS），交換為每個客戶訂單編譯的選定質量數據。
其中，“質量4.0-QGS”的主要功能是估計所有可用數據源的質量數據，并通過可能值（PV）量化該估計的置信度，以最終保證所提供質量信息的可靠性。可能值的確定可以用一個函數表達。
有效可靠地檢測異常質量指標對“質量4.0”項目起著基礎性的作用。在整個生產過程中收集的與質量有關的數據可能因檢測等各種原因出現異常值。由于離群值的類型和多樣性，目前還沒有一種公認的方法可以在任何情況下有效可靠地檢測異常值。離群值概念的非正式定義涉及其偏離正態性，可分為5類：基于分布、基于深度、基于距離、基于聚類和基于密度。該項目使用了FUCOD算法來檢測異常值，該方法結合了現有的4種離群點檢測方法，利用模糊推理系統（FIS）對每種方法的貢獻進行動態管理，根據處理后的數據挖掘其優點，避免其缺點。FUCOD是為處理多維數據而設計的，這意味著離群值水平的計算不僅要考慮構成質量數據的單個變量的特性，還要考慮它們之間的相互作用。這些特點使得FUCOD方法特別適用于處理大量任務的工業數據集。該方法已成功應用于歐洲鋼鐵行業。
“質量4.0-QAS”結合質量數據和客戶相關知識，實現對產品質量的自適應性監督，可提供估計的質量數據及反映質量數據置信度的專用合理性值，將收到的信息與目標客戶的知識相結合，自主分配和交換相關訂單的質量數據、編制質量缺陷以創造有價值的信息，并向供應商反饋這些信息。然而，在供應商和客戶之間交換相關質量信息的系統必須能理解“相關性”的含義。因此，確定質量信息相關性所需的所有信息都是基于可用的客戶信息和訂單數據進行語義建模的。這種模型中包含了客戶親密程度，反映了供應商和用戶之間的相互信任關系，從而能夠合理定義質量信息的類型和數量。
