摘要：”\u003C\u002Fp\u003E\u003Cp\u003E經過攀鋼業務工程師、積微物聯技術團隊與阿里雲工業大腦團隊數據專家的多輪討論與實地現場考察，基於數據採集難度、項目風險性與收益等綜合因素考慮，最終決定從兩個場景入手：\u003C\u002Fp\u003E\u003Cp\u003E從冷軋板的表面檢測與鍊鋼脫硫工藝優化兩個場景着手工業智能的嘗試。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E· 參數尋優模型：\u003C\u002Fstrong\u003E結合機器學習與老師傅在工業控制上的經驗，識別脫硫過程中的關鍵因子（對脫硫結果影響最大的參數），包括鈍化鎂加入量，鈍化石灰加入配比，平均流量，噴吹時長等，通過參數尋優模型識別參數間的最優關係。

"\u003Cdiv\u003E\u003Ch1\u003E中國鋼鐵業發展現狀\u003C\u002Fh1\u003E\u003Cp\u003E1996年中國粗鋼產量首次突破1億噸，從此全球鋼鐵業開啓了“中國時代”。在過去20年裏，儘管中國貢獻了全球粗鋼增量的80%，但中國鋼鐵業的發展不容樂觀，一是產能過剩與結構嚴重失衡、二是全球經濟下滑導致鋼鐵需求增速放緩、三是生產質量的不穩定，廢品率高，高耗能以及多元化需求帶來的新挑戰。\u003C\u002Fp\u003E\u003Cp\u003E中國鋼企的轉型升級迫在眉睫。如果用工業4.0來衡量當前中國鋼鐵行業智能製造發展階段，少數大型鋼企已處在工業2.5或是接近3.0的水平。根據中國信息化百人會2017中國數字經濟發展報告，鋼鐵裝備自動化水平達到98%以上，智能製造就緒率達到18.3%，在各重點行業當中居於前列，這爲鋼企進一步向CPS與智能化升級，打下了基礎。\u003C\u002Fp\u003E\u003Cp\u003E鋼鐵業是典型的流程製造的代表，數據的體量大、密集程度高，數據中蘊藏着巨大的經濟價值。當前，衆多鋼企紛紛開啓大數據的掘金之旅，利用數據、算力與算法技術將工廠的海量數據轉化成新的能源與資產，攀鋼便是其中的一位最佳實踐者。\u003C\u002Fp\u003E\u003Ch1\u003E攀鋼的工業智能之旅\u003C\u002Fh1\u003E\u003Cp\u003E攀鋼集團有限公司（簡稱攀鋼）是依託攀西地區豐富的釩鈦磁鐵礦資源，依靠自主創新建設發展起來的特大型釩鈦鋼鐵企業集團。積微物聯總裁謝海表示,“經過多年的發展，用傳統的工藝、工控手段提升產能、降低能耗、節省人力已經趨於鋼鐵行業極限，而隨着工業大數據、雲計算等新技術的成熟，我們看到了新的希望。攀鋼希望能夠以工業大腦技術爲載體，以積微物聯爲平臺，挖掘鋼鐵運營、生產過程中的數據價值，實現傳統企業彎道超車的願望，有效提升攀鋼集團的行業競爭力。”\u003C\u002Fp\u003E\u003Cp\u003E經過攀鋼業務工程師、積微物聯技術團隊與阿里雲工業大腦團隊數據專家的多輪討論與實地現場考察，基於數據採集難度、項目風險性與收益等綜合因素考慮，最終決定從兩個場景入手：\u003C\u002Fp\u003E\u003Cp\u003E從冷軋板的表面檢測與鍊鋼脫硫工藝優化兩個場景着手工業智能的嘗試。\u003C\u002Fp\u003E\u003Ch1\u003E脫硫環節工藝優化\u003C\u002Fh1\u003E\u003Cp\u003E\u003Cstrong\u003E痛點：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E脫硫是鋼鐵生產過程中的一個重要環節，旨在降低鐵水中的硫含量。而脫硫環節由於扒渣帶鐵（脫硫劑反應後產生的脫硫渣中含大量的鐵）會帶走大量金屬料。經測算，每個爐次（以220噸計）的脫硫渣量均值爲5噸，脫硫渣中鐵損佔比約爲40%-55%，假設經過參數推薦優化後能將脫硫劑的加入量降低10%，理論上測算可降低鋼鐵料消耗0.8~1kg\u002F噸鋼。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E目的：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E通過分析建模，優化脫硫環節工藝，推薦最優的脫硫劑加入量，提高脫硫劑利用率，降低脫硫環節的鐵損。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E過程：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E採集脫硫工序流程數據，通過建模分析獲得脫硫工藝優化的關鍵因子，結合專家知識，依靠脫硫仿真模型與參數尋優模型尋找最優參數。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E· 仿真模型：\u003C\u002Fstrong\u003E基於歷史數據與實時數據，構建脫後硫預測模型。通過結合脫硫劑加入量、噴吹速率等十多個關鍵參數，模擬脫硫全過程，預測出脫硫後的硫含量，並配合參數優化模型，檢驗不同組參數的合理性及有效性。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E· 參數尋優模型：\u003C\u002Fstrong\u003E結合機器學習與老師傅在工業控制上的經驗，識別脫硫過程中的關鍵因子（對脫硫結果影響最大的參數），包括鈍化鎂加入量，鈍化石灰加入配比，平均流量，噴吹時長等，通過參數尋優模型識別參數間的最優關係。優化模型提供的多組優化參數再回歸到仿真模型中進行反覆驗證與優化，最終得到最優參數 – 即在滿足脫硫效果的前提下，達到最小脫硫劑加入量的那組“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=\"鋼鐵是如何通過AI練成的？\" 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鐵水進站後，脫硫優化模型將提取相關數據將進行參數優化計算。脫硫操作人員將根據推送的推薦參數，動態調節脫硫劑的加入量，減少脫硫劑的消耗。根據實際測算，通過優化的參數推薦，每生產一噸鋼可以節省鋼鐵料約1kg。對年產值400萬噸鋼的攀鋼西昌鋼釩基地來說，年創效預計700萬元。\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=\"鋼鐵是如何通過AI練成的？\" 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冷軋板材表面AI檢測\u003C\u002Fh1\u003E\u003Cp\u003E\u003Cstrong\u003E痛點：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E冷軋鋼帶經過軋製、熱處理等連續加工工藝後會形成長約千米的鋼卷。在表面檢測環節，質檢員通常會在短短5到10分鐘內，識別出少則十幾個，多則上百個的缺陷，並在表檢儀（表面檢測設備）掃描完畢的30秒之內給出表面等級、分選度、主缺陷和是否合格等判定。檢查人員長期從事的高強度、重複且又枯燥工作性質決定了其過程輸出的穩定性難以得到保證，同時，檢查人員在對產品標準的理解和把握上存在個人經驗差異勢必也會造成判定水平高下、參差不齊。最終導致的結果則是客戶的使用體驗與滿意度變差或者質量成本提升，無疑，這些都構成企業巨大的隱性成本損失。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E目的：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E面向鋼鐵行業冷軋板材的表面質量檢測場景，構建表面質量自動判定模型，輔助人工判斷產品缺陷，降低人工依賴性、提高判定準確率。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E過程：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E首先，表檢儀將非結構化數據（圖片信息）結構化，將幾千種產品外觀缺陷歸納爲60-70大類，例如：平整斑、翹皮、擦傷、壓印、麻點、氣泡等。 其次，表檢數據結合MES數據輸入到模型中進行訓練，通過聚類算法、規則引擎（含用戶需求識別的自學習重構功能）、缺陷嚴重程度量化模型等深度學習技術，對軋鋼分級最初步判定。最後，再結合人工的進一步確認得出最終判定結果。\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=\"鋼鐵是如何通過AI練成的？\" 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算法模型輸出的自動定級結果與人工判定結果對比，表判碼準確率達92%以上，分選度準確率達80%以上，主缺陷準確率達60%以上。\u003C\u002Fp\u003E\u003Ch1\u003E鋼鐵大腦的A、B、C、D\u003C\u002Fh1\u003E\u003Cp\u003E鋼鐵行業歷經上百年的發展，累積了大量的經驗。然而，經驗都是碎片化的存在“老師傅”的腦袋裏，像一個個黑箱，難以形成經驗共享與規模化的複用。ET工業大腦的使命就是將這些隱性化的知識顯性化，打破人的傳統思維框架與認知侷限。ET工業大腦由四塊拼圖組成 - 人工智能（AI）、大數據（Big data）、雲計算（Cloud computing）、專家經驗（Domain knowledge）。簡單地講，就是利用A、B、C技術將D（工廠老師傅、老專家的經驗）抽象成知識、並將知識規範化、模型化與代碼化，以數字化的方式嵌入到系統與設備當中，被重複調用，指導或是替代人力進行決策與執行。\u003C\u002Fp\u003E\u003Cp\u003E鋼鐵行業的數據與算法紅利還遠未得到釋放。隨着大數據、算力與算法技術的不斷成熟，與數據智能相關的工業應用將呈指數級增長。未來，工業智能應用的場景顆粒度會不斷細化，面對焦化、燒結、高爐、熱軋、鍊鋼系統、安保、物流、園區、電商等場景，都有機會打造出爆款的工業SaaS或是工業APP。 此外，除了持續加強場景化的算法開發能力以及數字基礎設施建設（數據中臺），更重要的是加快鋼鐵企業的數字化組織、數字化領導、數字化文化、以及數字化人才的轉型，創造工業智能的生長與創新土壤。\u003C\u002Fp\u003E\u003Cp\u003E未來，鋼鐵企業的核心競爭力不在擁有多少產能或是固定資產，而是在於掌握了多少行代碼與核心算法。同時，大量能夠真正解決業務痛點的工業SaaS與工業APP將有效激活鋼鐵工業互聯網平臺的流量與活躍度。圍繞工業智能應用開發將形成一個包括數據開發商、軟件開發商、算法開發商在內的工業大腦生態，驅動平臺真正成爲一個知識共享、知識共創與知識交易的鋼鐵行業的“淘寶”。\u003C\u002Fp\u003E\u003Cp\u003E來自阿里研究院\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E"'.slice(6, -6), groupId: '6718304855485579784