摘要：”\u003C\u002Fp\u003E\u003Cp\u003E经过攀钢业务工程师、积微物联技术团队与阿里云工业大脑团队数据专家的多轮讨论与实地现场考察，基于数据采集难度、项目风险性与收益等综合因素考虑，最终决定从两个场景入手：\u003C\u002Fp\u003E\u003Cp\u003E从冷轧板的表面检测与炼钢脱硫工艺优化两个场景着手工业智能的尝试。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E· 参数寻优模型：\u003C\u002Fstrong\u003E结合机器学习与老师傅在工业控制上的经验，识别脱硫过程中的关键因子（对脱硫结果影响最大的参数），包括钝化镁加入量，钝化石灰加入配比，平均流量，喷吹时长等，通过参数寻优模型识别参数间的最优关系。

"\u003Cdiv\u003E\u003Ch1\u003E中国钢铁业发展现状\u003C\u002Fh1\u003E\u003Cp\u003E1996年中国粗钢产量首次突破1亿吨，从此全球钢铁业开启了“中国时代”。在过去20年里，尽管中国贡献了全球粗钢增量的80%，但中国钢铁业的发展不容乐观，一是产能过剩与结构严重失衡、二是全球经济下滑导致钢铁需求增速放缓、三是生产质量的不稳定，废品率高，高耗能以及多元化需求带来的新挑战。\u003C\u002Fp\u003E\u003Cp\u003E中国钢企的转型升级迫在眉睫。如果用工业4.0来衡量当前中国钢铁行业智能制造发展阶段，少数大型钢企已处在工业2.5或是接近3.0的水平。根据中国信息化百人会2017中国数字经济发展报告，钢铁装备自动化水平达到98%以上，智能制造就绪率达到18.3%，在各重点行业当中居于前列，这为钢企进一步向CPS与智能化升级，打下了基础。\u003C\u002Fp\u003E\u003Cp\u003E钢铁业是典型的流程制造的代表，数据的体量大、密集程度高，数据中蕴藏着巨大的经济价值。当前，众多钢企纷纷开启大数据的掘金之旅，利用数据、算力与算法技术将工厂的海量数据转化成新的能源与资产，攀钢便是其中的一位最佳实践者。\u003C\u002Fp\u003E\u003Ch1\u003E攀钢的工业智能之旅\u003C\u002Fh1\u003E\u003Cp\u003E攀钢集团有限公司（简称攀钢）是依托攀西地区丰富的钒钛磁铁矿资源，依靠自主创新建设发展起来的特大型钒钛钢铁企业集团。积微物联总裁谢海表示,“经过多年的发展，用传统的工艺、工控手段提升产能、降低能耗、节省人力已经趋于钢铁行业极限，而随着工业大数据、云计算等新技术的成熟，我们看到了新的希望。攀钢希望能够以工业大脑技术为载体，以积微物联为平台，挖掘钢铁运营、生产过程中的数据价值，实现传统企业弯道超车的愿望，有效提升攀钢集团的行业竞争力。”\u003C\u002Fp\u003E\u003Cp\u003E经过攀钢业务工程师、积微物联技术团队与阿里云工业大脑团队数据专家的多轮讨论与实地现场考察，基于数据采集难度、项目风险性与收益等综合因素考虑，最终决定从两个场景入手：\u003C\u002Fp\u003E\u003Cp\u003E从冷轧板的表面检测与炼钢脱硫工艺优化两个场景着手工业智能的尝试。\u003C\u002Fp\u003E\u003Ch1\u003E脱硫环节工艺优化\u003C\u002Fh1\u003E\u003Cp\u003E\u003Cstrong\u003E痛点：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E脱硫是钢铁生产过程中的一个重要环节，旨在降低铁水中的硫含量。而脱硫环节由于扒渣带铁（脱硫剂反应后产生的脱硫渣中含大量的铁）会带走大量金属料。经测算，每个炉次（以220吨计）的脱硫渣量均值为5吨，脱硫渣中铁损占比约为40%-55%，假设经过参数推荐优化后能将脱硫剂的加入量降低10%，理论上测算可降低钢铁料消耗0.8~1kg\u002F吨钢。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E目的：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E通过分析建模，优化脱硫环节工艺，推荐最优的脱硫剂加入量，提高脱硫剂利用率，降低脱硫环节的铁损。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E过程：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E采集脱硫工序流程数据，通过建模分析获得脱硫工艺优化的关键因子，结合专家知识，依靠脱硫仿真模型与参数寻优模型寻找最优参数。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E· 仿真模型：\u003C\u002Fstrong\u003E基于历史数据与实时数据，构建脱后硫预测模型。通过结合脱硫剂加入量、喷吹速率等十多个关键参数，模拟脱硫全过程，预测出脱硫后的硫含量，并配合参数优化模型，检验不同组参数的合理性及有效性。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E· 参数寻优模型：\u003C\u002Fstrong\u003E结合机器学习与老师傅在工业控制上的经验，识别脱硫过程中的关键因子（对脱硫结果影响最大的参数），包括钝化镁加入量，钝化石灰加入配比，平均流量，喷吹时长等，通过参数寻优模型识别参数间的最优关系。优化模型提供的多组优化参数再回归到仿真模型中进行反复验证与优化，最终得到最优参数 – 即在满足脱硫效果的前提下，达到最小脱硫剂加入量的那组“配方”。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F7900d2909fae406085c7391990d67def\" img_width=\"554\" img_height=\"170\" alt=\"钢铁是如何通过AI练成的？\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E收益：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E铁水进站后，脱硫优化模型将提取相关数据将进行参数优化计算。脱硫操作人员将根据推送的推荐参数，动态调节脱硫剂的加入量，减少脱硫剂的消耗。根据实际测算，通过优化的参数推荐，每生产一吨钢可以节省钢铁料约1kg。对年产值400万吨钢的攀钢西昌钢钒基地来说，年创效预计700万元。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp9.pstatp.com\u002Flarge\u002Fpgc-image\u002F47840d87bdba473d834d65b4d0ef8d83\" img_width=\"925\" img_height=\"125\" alt=\"钢铁是如何通过AI练成的？\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Ch1\u003E冷轧板材表面AI检测\u003C\u002Fh1\u003E\u003Cp\u003E\u003Cstrong\u003E痛点：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E冷轧钢带经过轧制、热处理等连续加工工艺后会形成长约千米的钢卷。在表面检测环节，质检员通常会在短短5到10分钟内，识别出少则十几个，多则上百个的缺陷，并在表检仪（表面检测设备）扫描完毕的30秒之内给出表面等级、分选度、主缺陷和是否合格等判定。检查人员长期从事的高强度、重复且又枯燥工作性质决定了其过程输出的稳定性难以得到保证，同时，检查人员在对产品标准的理解和把握上存在个人经验差异势必也会造成判定水平高下、参差不齐。最终导致的结果则是客户的使用体验与满意度变差或者质量成本提升，无疑，这些都构成企业巨大的隐性成本损失。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E目的：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E面向钢铁行业冷轧板材的表面质量检测场景，构建表面质量自动判定模型，辅助人工判断产品缺陷，降低人工依赖性、提高判定准确率。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E过程：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E首先，表检仪将非结构化数据（图片信息）结构化，将几千种产品外观缺陷归纳为60-70大类，例如：平整斑、翘皮、擦伤、压印、麻点、气泡等。 其次，表检数据结合MES数据输入到模型中进行训练，通过聚类算法、规则引擎（含用户需求识别的自学习重构功能）、缺陷严重程度量化模型等深度学习技术，对轧钢分级最初步判定。最后，再结合人工的进一步确认得出最终判定结果。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F4749ffc2eb8842efbb47f584bf1bf637\" img_width=\"916\" img_height=\"302\" alt=\"钢铁是如何通过AI练成的？\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E收益：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E算法模型输出的自动定级结果与人工判定结果对比，表判码准确率达92%以上，分选度准确率达80%以上，主缺陷准确率达60%以上。\u003C\u002Fp\u003E\u003Ch1\u003E钢铁大脑的A、B、C、D\u003C\u002Fh1\u003E\u003Cp\u003E钢铁行业历经上百年的发展，累积了大量的经验。然而，经验都是碎片化的存在“老师傅”的脑袋里，像一个个黑箱，难以形成经验共享与规模化的复用。ET工业大脑的使命就是将这些隐性化的知识显性化，打破人的传统思维框架与认知局限。ET工业大脑由四块拼图组成 - 人工智能（AI）、大数据（Big data）、云计算（Cloud computing）、专家经验（Domain knowledge）。简单地讲，就是利用A、B、C技术将D（工厂老师傅、老专家的经验）抽象成知识、并将知识规范化、模型化与代码化，以数字化的方式嵌入到系统与设备当中，被重复调用，指导或是替代人力进行决策与执行。\u003C\u002Fp\u003E\u003Cp\u003E钢铁行业的数据与算法红利还远未得到释放。随着大数据、算力与算法技术的不断成熟，与数据智能相关的工业应用将呈指数级增长。未来，工业智能应用的场景颗粒度会不断细化，面对焦化、烧结、高炉、热轧、炼钢系统、安保、物流、园区、电商等场景，都有机会打造出爆款的工业SaaS或是工业APP。 此外，除了持续加强场景化的算法开发能力以及数字基础设施建设（数据中台），更重要的是加快钢铁企业的数字化组织、数字化领导、数字化文化、以及数字化人才的转型，创造工业智能的生长与创新土壤。\u003C\u002Fp\u003E\u003Cp\u003E未来，钢铁企业的核心竞争力不在拥有多少产能或是固定资产，而是在于掌握了多少行代码与核心算法。同时，大量能够真正解决业务痛点的工业SaaS与工业APP将有效激活钢铁工业互联网平台的流量与活跃度。围绕工业智能应用开发将形成一个包括数据开发商、软件开发商、算法开发商在内的工业大脑生态，驱动平台真正成为一个知识共享、知识共创与知识交易的钢铁行业的“淘宝”。\u003C\u002Fp\u003E\u003Cp\u003E来自阿里研究院\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E"'.slice(6, -6), groupId: '6718304855485579784