本报记者 米飒

　　6月26日~27日，由中国钢铁工业协会、中国钢研科技集团有限公司、河钢集团有限公司共同主办的第二届钢铁工业智能制造发展论坛的主题会议——新兴技术在钢铁生产场景的应用与实践，在河北石家庄燕山大酒店召开。会上，多位钢企大咖分享了他们对新兴技术在钢铁行业中应用与实践的看法和心得。

　　聚焦未来智慧钢厂

　　“当前，智慧钢厂发展主要有5大方向、12个模块，分别是有机循环、绿色制造、个性定制、服务转型、智能生产；数字化工厂——一体化工程实施运维及仿真、工业大数据、工业信息基础架构及安全、PLM（产品生命周期管理）行业应用与物流仿真、智能制造运营管理、系统化节能、产线级节能、设备状态监控诊断、操作少人化/无人化、传感与检测技术、智慧物流、智慧营销。”西门子数字化企业创新发展中心高级咨询顾问赵海涛在做以《西门子数字化理念助力钢铁行业智能制造实践》为主题的报告时表示。

　　那么，打造这样的智慧钢厂需要什么样的新技术？赵海涛认为，企业应运用以下数字化新技术，挖掘未来的生产潜力。其一，大数据应用。应探索应用大数据分析工具分析影响冷轧板带表面质量原因的方案。其二，数字化交付。推动从一体化设计到一体化运维的数字化交付的实现。其三，远程监控诊断APP开发。开发具有高通用性的覆盖典型自动化和驱动产品，应用于不同行业的监控诊断APP（基于本地服务器/云服务器）。其四，应用AR（增强现实）技术进行设备维护。探索AR技术在工业领域的应用，支撑现场运维管理的可视化，建立虚拟远程运维数字化平台。其五，无人驾驶和绿波交通。开发应用于框架车运输的无人驾驶技术，并对重载卡车实行信号优先原则，以期提高运输效率，降低运输能耗。

　　同时，在打造智慧钢厂时，企业还应注重相关人才的培养。他表示，在人才培养方向上，主要有4类，分别为顶层方案架构师、系统方案设计师、应用方案设计师、数据分析师。

　　AI及大数据在钢铁行业的应用

　　AI（人工智能）及工业大数据是当前钢铁行业较为火热的话题。针对此话题，宝钢股份中央研究院智能制造研究所所长张群亮在做以《AI及工业大数据在钢铁中应用设想与实践》为主题的报告时表示，钢企实施“钢铁+人工智能”有需求、有条件、有挑战。

　　他进一步表示，有需求是因为钢铁生产流程长、问题影响因素多，各环节相互关联，常规方法难见效；有条件是因为海量数据资源为人工智能应用提供了重要的基础条件；有挑战则是因为客户的要求日益严苛，对技术精度、可靠性和稳定性都有着极高的要求。

　　在谈到AI及大数据应用的方向时，他表示，主要有以下几个：一是智能装备。通过执行装备+“视觉”“听觉”“触觉”等，扩展装备功能，实现装备智能化，自动匹配产品差异化要求。二是设备预测性维护。利用人工智能技术对设备使用、维护及质量相关数据进行学习，分析设备性能衰减趋势，实现设备从计划式维护向预测式维护转变，提高效率和产品质量。三是产品缺陷检测与分析。四是产品性能预测。基于大数据与机器学习的深度结合，建立产品性能预测模型，实现数字化产品性能管控。五是全流程生产过程预控。对生产过程进行分段、分级监控，对可能影响产品质量的因素和现象及时报警，及时发现质量问题，减少批量缺点。六是智能控制模型。目前，钢铁过程控制基本采用“冶金机理计算+过程控制”，其控制模型不具备在生产中不断自我优化和进化的能力，发展方向是打造基于AI自主学习能力的过程控制系统，使控制模型具有动态学习能力，能够根据外部条件变化自行调整，并具备知识积累能力。七是产品数字化设计。人工智能和材料设计的结合目前已经起步，未来或将带来产品设计的革命。八是产品表面质量智能管控。原有检测方式是人工记录产品表面质量状况，事后查询记录。这种人工质检往往受制于质检人员即时的身体状态和心理状态、质检人员的经验是否丰富、不同质检人员的知识背景，其结果是不稳定的，容易造成缺失。

　　综合来看，AI及工业大数据在钢铁行业的深度应用是趋势，目前已具备了可行性与经济性。同时，他也提醒，企业在应用AI及工业大数据过程中，既要关注机会，也要避免“陷阱”，特别要注重提高模型应用的可靠性。

　　工业互联网如何在钢铁行业落地

　　“传统制造系统存在的痛点主要有以下几个：一是感知深度不足。传统仪表自动化系统仅感知过程变量，信息维度低，难以反映物理过程深层次动态特征。二是互联广度不足。跨领域信息孤岛难以互联互通，无法准确描述领域间复杂的互联关系，决策全局性差。三是分析的综合预见性不足。对工业运行数据的挖掘深度不够，导致决策不明确、盲目。当前，制造业的需求是以互联网为代表的新一代信息技术与制造系统的深度融合，即工业互联网。”主题会议上，江苏金恒信息科技股份有限公司副总经理章红波在做以《工业互联网在钢铁企业中的探索与应用》为主题的报告时表示。

　　她进一步表示，工业互联网的使用场景主要有以下几个：一是面向工业现场的生产过程优化，包括优化工艺参数、生产绩效管理服务优化，以及良品率的自动诊断设备的预测性维护、能耗优化等；二是面向企业运营的管理决策优化，包括优化供应链管理、经营绩效分析、供应链一体化协同及排产、仓储物流、订单管理等；三是面向社会化生产的资源优化配置与协同，包括协同制造、个性定制、产融结合；四是面向产品全生命周期的管理与服务优化，包括产品溯源、产品设计反馈优化等。

　　她指出，工业互联网平台需要解决多类工业设备接入、多源工业数据集成、海量数据管理与处理、工业数据建模分析、工业应用创新与集成、工业知识积累迭代等一系列问题，涉及七大类关键技术，分别为数据集成和边缘处理技术、LaaS（基础设施即服务）技术、平台使能技术、数据管理技术、工业数据建模与分析技术、应用开发和微服务技术、安全技术。

　　工业互联网的平台架构分别为：应用层、工业PaaS层（平台即服务）和边缘层。其中，应用层是为了解决工业实践及创新问题。一方面进行工业应用部署，通过工业SaaS（软件即服务）和APP的方式实现设计、生产、管理等环节的价值提升；另一方面进行工业应用创新，借助开发社区等方式塑造良好的创新环境，推动基于平台的工业APP创新。工业PaaS层是为了解决工业数据处理和知识积累沉淀等问题，形成良好的开发环境。边缘层则是为了解决数据采集集成问题。

　　《中国冶金报》（2019年07月04日 03版三版）