钢材77资讯网

加快推进钢铁行业数字化转型与高质量发展 钢铁数字化创新基础设施如何构建?

王国栋

钢铁行业是国民经济的重要基础产业,是国之基石。自改革开放以来,我国钢铁行业迅速发展,到2021年,我国钢产量已经占世界总产量的53%,可以生产所有门类的钢铁产品。钢铁行业为国家建设提供了重要的原材料保障,有力支撑了国民经济的健康发展,推动了我国工业化、现代化进程,促进了民生改善和社会进步。

用数据技术解决钢铁生产“黑箱”难题

作为大型复杂流程工业,钢铁行业全流程、各工序均为具有多变量、强耦合、非线性和大滞后等特点的“黑箱”,实时信息极度缺乏,各单元为孤岛式控制,尚未做到单元间界面无缝精准衔接。同时,钢铁行业面临的质量、成本、环境、稳定性等方面的问题亟待解决,严重的“不确定性”是钢铁生产过程面临的重大挑战。

钢铁行业具有丰富的数字技术应用场景资源,以及先进的数据采集系统、自动化控制系统和研发设施,可以提供海量的数据资源,让我们可以实现全面的数据采集和丰富的数据积累。

习近平总书记号召我们,要加快建设数字中国。钢铁人要将数字技术与钢铁行业深度融合,充分发挥钢铁行业海量数据和丰富应用场景的优势,在工业互联网、大数据、云计算、5G网络等信息技术的支撑下,借助大数据与机器学习、深度学习等数据科学技术,快速解析海量数据中蕴含的企业生产过程规律,并利用这些规律解决流程工业普遍存在的不确定性等“黑箱”难题,发挥数据技术的放大、倍增、叠加作用,推进钢铁行业数字化转型与高质量发展。

钢铁材料创新基础设施的含义及组成

钢铁材料创新基础设施是以工业互联网为载体、以数字孪生为核心,提供数据全生命周期管理,支持数据治理、大数据存储、大数据分析引擎、大数据流动驱动等“数据底座”。它搭建数据化业务基盘,并构建面向未来的数字化创新应用,依托全流程、全场景数字化转型,软硬件协同,发展最新的工业信息通信技术,实现钢铁行业数字化转型。

钢铁行业必须与数字经济、数字技术相融合,发挥钢铁行业应用场景和数据资源优势,以工业互联网为载体、以底层生产线的数据感知和精准执行为基础、以边缘过程设定模型的数字孪生化和CPS(信息物理系统)化为核心、以数字驱动的云平台为支撑,建设数字技术与钢铁企业实体技术深度融合的数字化创新基础设施,这是钢铁行业的核心竞争力。

创新基础设施的核心功能,就是建立钢铁材料的成分设计、制造工艺与其组织、性能、服役表现、外形尺寸、表面质量或其他各种经过数字化的非结构化数据表征的状态变量之间的关系,即建立钢铁行业信息物理系统的数字孪生,利用自学习、自适应、自组织的数字技术持续优化生产工艺过程,实现钢铁行业绿色化、数字化、高质化、服务化发展的目标。

钢铁材料创新基础设施主要包括4个组成部分:一是由实验中心、中试基地、底层生产线组成的物理空间,二是边缘数字化核心平台(边缘和云平台),三是位于云平台之上的企业资源配置与管理平台,四是管理以上底层物理实体和2个平台的网络系统。

构筑钢铁材料创新基础设施的底层

钢铁材料创新基础设施的底层是由企业实验室、中试基地、生产线组成的物理实体。在物理实体设备上安装的信息感知系统,采集数据并传送到边缘或云平台,对经过预处理的海量数据进行数据分析,并在边缘建立数字孪生模型进行过程控制,或在云平台进行管理和操作指导。

钢铁行业要采用数字化技术实现数字化转型,首要条件是钢铁产线的各个基本单元具有完备、可靠、性能优良的数据采集系统,可以提供精准、齐全的现场有关材料成分和实时操作数据等输入数据,以及材料外形尺寸、组织性能、表面质量等输出数据。同时,各工序的基础自动化系统和执行机构必须以足够的响应性、实时性和控制精度,实现过程控制系统与物理系统的实时交互,完成需要的自动化控制任务。

尽管我国多数钢铁企业是近年建设的,采用了先进的自动化技术,有较好的自动化基础,但仍然有缺项和短板。因此,必须填平补齐底层生产线的数据采集和执行机构的缺项,消除短板。过去,由于受钢铁行业作业条件和技术水平的限制,一些数据难以检测,甚至检测不了。比如,炼钢过程中的下渣检测、连铸液面波动检测、复杂形状的测量等。而现在可以采用各种新的检测方法来实现信息感知。利用机器视觉技术可以提供多维测量的信息,经过数据变换和分析,可以获得我们需要的尺寸、形状、分布等定量。这方面有很大的创新空间。

执行机构嵌入到3类实验工具的物理实体层上。依靠实验室规模的基础性实验装备提供的信息,可以建立初级数字孪生模型。这组模型经过中试规模实验工具的验证、优化,进一步在实际生产线规模的实验工具上开展生产性验证和优化。优化后的数字孪生模型在生产中承担生产过程设定计算和动态设定计算,并与物理系统(即生产线)进行实时交互、反馈控制、循环赋能。处于模型库中的各钢种模型,具有高度自治的功能,可以在轧制该钢种时,利用实测大数据进行自学习、自适应,实现模型的更新,持续不断提高模型的保真度。

为进一步提高生产效率及成材率、实现稳定生产,需要对传统自动化系统“补课”,大力推进操作的远程化和自动化。对于3D岗位(危险性高、劳动环境差、简单重复劳动的岗位)实行机器人化。这是一个长期工作,可逐步实施。

建立数据驱动的新型IT架构

数据驱动的新型IT架构,通过工业互联网直接将底层数据采集系统获得的数据传输到边缘及云中的数据中心或机器学习平台,在边缘形成数字孪生模型取代原有的机理或经验模型,在云中形成操作指导,对资源配置进行优化与管理。

钢铁企业过程控制系统有数千台至数万台计算机运行,发生大量的数据往来。在传统的钢铁制造工序中,传感器信号汇集到定序器等下位计算机后,再传送到上位机。传统的控制系统没有考虑到整个过程大数据分析的需要。传感器数据经过多次逻辑运算、阈值处理等,再分层汇集,必然会舍弃较多数据。在这样的结构中,大数据的分析和运用非常困难。因此,必须采用数据驱动型的系统架构(Data Driven Architecture)。这种架构将传感器等物联网化,公平收集所有传感器的数据,再送到边缘和云中的数据中心进行处理和分析。对于多厂商环境的课题,可以在边缘服务器等汇集数据后,从优先的数据群开始依次进行结构标准化等操作,以便于数据使用。这种方法在运用原有系统的同时,通过运用最新的数据转换技术和高速通信,可以推进数据驱动型架构的构筑。

在生产线附近的边缘,设置一个数据驱动的原位分析系统。原位分析系统由边缘数据中心和机器学习平台组成。数据中心对来自传感器系统的“粗”数据进行预处理,完成提取、转换、存储等操作。时间序列数据对流程工业特别重要。这些数据包括只有标题加工过的原始数据,分、小时、天等时间数据,以及最大值和最小值等统计数据。

这个原位分析系统的边缘数据中心/机器学习平台对经过处理的生产试验数据进行机器学习、深度学习等数据分析,以足够的精度给出描述材料成分、生产工艺与产品组织、性能、外形尺寸、表面质量、状态量等控制目标之间的关系,即数字孪生,为后续的过程设定提供具有自学习、自适应、自组织等能力的高保真度设定模型系统。

在资源管理与配置云平台,预处理后的数据根据需要,可以使用BI(商务智能)工具进行可视化处理,再输出到屏幕显示或操作指导。BI工具很容易缩小数据范围,切换可视化部件,实现可视化部件之间数据联动等,容易进行灵活分析。可视化部件包括时间序列图表工具、散点图工具、工艺流程可视化工具等。

GUI(图形用户界面计算机)环境下运行的机器学习工具有两类,即专门用于分析时间序列异常预兆的机器学习工具和进行一般数字数据分析的机器学习工具,将依据需要分别在云平台和边缘平台使用。在GUI环境下运行的深度学习工具,可以处理声音、图像、文本等非结构化数据。

为适应“无编程化”发展趋势,采用“低编码应用程序开发”等新的应用程序编程工具,实现编程工具简易化。这样有利于加速数字技术的传播与普及,使数字技术成为钢铁等非信息领域专家手中的有力工具,加速在钢铁企业中发展、壮大数字化创新人才队伍,形成数字化创新的生态。

打造边缘数字化核心平台

边缘数字化核心平台的关键技术是边缘过程设定模型数字孪生化和边缘—生产线互相映射的过程控制的信息物理系统化。

钢铁生产过程全部冶炼—加工过程是“黑箱”。传统的边缘主要使用基础理论数学模型和经验模型,来完成基础自动化控制等。此外,原系统的边缘处还有过程监控系统、质量追溯系统、数据库系统等,近年还有少许的局部智能化控制环节。由于环境状况和操作条件波动及设备运行状态变化,加之过程输入条件、状态变量和控制系统之间的关系十分复杂,这些机理模型对于全流程“黑箱”的复杂动态过程适用性很差,预报精度不高,难以准确透视工艺、设备、质量等关键参数之间的复杂关系。

目前,传统的钢铁生产过程存在3类问题:一是产品质量、成材率、新品开发效率等商品与服务问题,二是提高产量与效率、降低成本、防止事故等工艺过程问题,三是提高劳动生产率、技能传承、人才培养、安全、操作水平等生产现场问题。这3类问题均集中在以“黑箱”为特征的主流程生产过程中。

针对上述影响企业经营的重大问题,我们必须围绕制造主流程,建立边缘数字化核心平台(简称边缘平台),实现数字孪生系统与实际过程实时融合的一体化和全流程的CPS(信息物理系统)化。边缘云平台的任务是,利用大数据/机器学习的数据分析方法,打开贯穿钢铁全部主流程的“黑箱”,找出隐藏在“黑箱”中的规律,将“黑箱”变“透明”,给出全局性的数字孪生过程控制模型,实现边缘设定模型的数字孪生化。

因此,与加工、装配为主的机械制造业不同,钢铁等流程工业必须将云端业务能力向边缘延伸,发挥边云协同能力,实现分布式云功能,强化边缘低时延、实时性工业控制。构筑在边缘设施上的边缘云计算平台,具有和传统私有云一样的安全性,在用户机房内就近部署,满足数据不出厂的需求。

数据驱动的边缘数据中心,必须提供大数据/机器学习必需的全部数据,并对这些数据进行提取、转换、存储等数据处理。与此相对应,在边缘部分设置大数据/机器学习解析平台(I),可以利用数据科学、人工智能等技术解析建立数字孪生过程模型,实现过程可视化、App开发等功能。生产过程数字孪生模型要传送到过程控制系统,代替传统的机理—经验模型,进行生产设备的设定和动态设定。

钢铁生产流程上各个不同的应用场景,比如烧结、球团、高炉、转炉、精炼、连铸、热轧、冷轧等,有各自特点,需要采用不同的数据分析方法。所以,要注意根据各个场景的特点,采用不同的机器学习算法,解决各自的问题。这是我们需要依据各单元特征突破的技术难点。

这样一来,我们在作为物理实体的物理底层和作为数字虚体的边缘之间,形成数据闭环自动流动的4个环节,即状态感知、实时分析、科学决策、精准执行的闭路循环中,实现资源优化配置。在这个循环过程中,大量蕴含在物理空间中的隐性数据经过状态感知被转化为显性数据,进而能够在信息空间进行计算分析,将显性数据转化为有价值的信息。不同系统的信息经过集中处理形成应对外部变化的科学决策,将信息进一步转化为知识。最后以更为优化的数据作用到物理空间,构成数据的闭环流动。这个闭环赋能过程具有“数据驱动、软件定义、虚实映射、泛在连接、异构集成、系统自治”六大特征。也就是说,我们建立了钢铁生产各工艺单元的CPS,将全流程各单元的CPS集成起来,就实现了全流程CPS化。

边缘部分全流程CPS化促成了钢铁创新基础设施的重要特征与绝对优势。CPS实现了钢铁企业控制的下述突破性的进展:感知数据与操作数据全部可视化,不可见部分的可视化;“黑箱”模型数字孪生透明化,动态、实时调整的精准实时虚拟化;异常情况早期预先检测和预测,过程最优状态的预测与检测;完成正确的操作指导,迅速的前馈与反馈,以及精准地执行自动化等控制响应,从而实现对过程的自主控制。

构建企业资源配置与管理云平台

云中的资源配置管理云平台,简称云平台,又称为云端智能层。在传统的工业互联网系统中,承担低实时性的MES(生产制造执行系统)、ERP(企业资源计划系统)和BI生产计划、管理、调度、决策等功能,同时,还可以实现质量、设备能力、成本、资源、能源、人力资源等多个目标的管控、溯源、资源优化配置等支撑和保证作用。

在钢铁创新基础设施中,云平台负责生产计划、调度、质量、效率、稳定性等生产活动,原料、供应、能源、成本、技术创新、发展战略等资源配置和管理功能,是“边缘部分”设定、运行、调度的强大支撑部分和企业管理的重要组成部分。

云平台必须是以数据驱动的。云平台配置有企业大数据中心和大数据/机器学习解析平台(Ⅱ)。该平台也是利用大数据/机器学习等数据技术,分析生产、设备、能源、物流等资源的生产要素,对相应部分的运行和管理工作进行管理和优化,支撑和保证边缘云的最优化运行。

云平台的资源配置与管理系统包括以下7个部分:一是生产计划与调度管理系统(原MES、ERP);二是设备运维、管理、诊断、维护、点检、检修、备件管理、可靠性分析等有关事项;三是物流、原料、介质、能源调度、管理,以及工件跟踪、产品管理、排放管理等;四是安全;五是钢铁材料新品开发、工艺优化;六是人力资源、成本管理、原料管理、市场分析等企业管理事项;七是企业发展战略分析等。

突出网络化与安全

以通信与网络系统连接上述底层的物理实体与边缘平台、云平台,形成工业互联网,将原有光纤网络系统与新型的5G网络混合,形成泛在网络,将“云”“边”“端”的内部和外部连接起来,做到无时不在、无处不在,实现即插即用的泛在连接,保证数据在系统内自由流动。

网络化能够实现工业互联网内部单元之间及与其他网络系统之间的互联互通。应用到工业生产场景时,对网络连接的时延、可靠性等网络性能和组网灵活性、功耗都有特殊要求,还必须解决异构网络融合、业务支撑的高效性和智能性等问题。构成工业互联网的各器件、模块、单元、企业等实体都要具备泛在连接能力,并实现跨网络、跨行业、异构多技术的融合与协同,以保障数据在系统内的自由流动。泛在连接通过对物理世界状态的实时采集、传输,以及对信息世界控制指令的实时反馈下达,提供无处不在的优化决策和智能服务。

5G的先进信息通信技术有3个特性,即增强移动宽带(eMBB)适用于应对互联网流量爆炸式增长;超高可靠低时延通信(uRLLC)适用于对时延和可靠性具有极高要求的垂直行业应用需求;海量物联(mMTC)适合以传感和数据采集为目标的应用需求。这些特性特别适用于钢铁行业的各种特殊场景。

5G为增强型的移动互联网,峰值传输速率可达20千兆比特每秒。各制造单元之间在流程方向上的海量数据传输与处理、非结构化数据传输处理、虚拟现实与增强现实的传输处理等,都将依赖于增强移动宽带。钢铁生产中存在大量环境恶劣、高温危险、重复性的现场操作岗位,恶劣和重复性工况下关键设备运维监控与远程装配,急需实现远程和自动化的操作与运维。通过手机/巡检仪等音视频等采集的非结构化数据,应用于对设备运行状态的实时分析、运算、监测、管理。在远程装配场景中,技术专家依托AR(增强现实)的实时标注、音视频通信、桌面共享等技术,远程指导进行生产线装配工作。5G的应用推动了图像、声音、视频、文本等非结构化数据的检测、处理、传输与控制技术的发展,为复杂工况的分析、决策与控制提供了强大的发展动力。

近年来创新提出的5G切片方案,确保统一基础设施能够适应差异化业务需求,是进入垂直行业的关键。5G的多接入边缘计算(MEC),将多种接入形式的功能、内容、应用等同步部署到靠近接入侧的网络边缘,将核心网用户面与应用下沉至离用户更近的位置,可以降低时延至毫秒级,并确保垂直方向上边缘与底层的短时延实时交互。全新的智能边缘云与5G结合,能够降低时延并赋能新的应用与服务,网络性能、安全性和隐私保护能力都得到了提升。5G低时延大数据传输、切片网络架构、多接入边缘计算、智能化的边缘云,为钢铁行业互联网的应用和发展提供了强大的驱动力。

需要掌握的数字化转型关键技术

鉴于钢铁材料创新基础设施的重要性,我国钢铁行业学科交叉、行业协同、产学研深度融合,将数字技术与实体经济融合,大力开展钢铁材料创新基础设施的研究,并在一批企业建设炼铁—炼钢—轧制—热处理全流程、一体化钢铁材料基础设施,目前已在一些重要的生产单元取得重要突破,实际应用成效显著。

笔者梳理出一批重要的数字化转型关键技术,包括以下方面:

数据驱动的IT架构;数据驱动的信息感知:齐全、准确、可靠;数据驱动的数据中心:数据处理功能,提取、转换、存储(突出时间序列的存储);数据驱动的科学分析平台:数据科学分析方法→大数据/机器学习平台→数字孪生或操作指导;数字驱动的智慧决策:全流程数字孪生化的边缘过程设定控制;数据驱动的回馈赋能:执行机构精准、快速、安全;制造主流程、一体化的虚拟模型与实际过程实时融合的CPS化;数据驱动的资源配置与管理云平台;自动化系统补课:远程化、自动化、机器人化;软件定义:高效率、低成本改造,快速实现数字化转型;软件编程方法:无代码编程,形成数字化生态;网络:光纤+5G;安全:万无一失的网络安全,严格标准化管理应对;系统开发与上线:离线开发、调试→在线操作指导→在线运行(安全上线、规避风险),安全、稳妥数字化转型。

总之,钢铁行业数字化是行业发展的大趋势、大方向、大战略。我们要以国家重大需求和企业生产中的问题为导向,产学研用深度融合,攻克关键共性技术,创新颠覆性、引领性、原创性技术,加速建设钢铁材料创新基础设施,增强企业核心竞争力,促进钢铁行业实现数字化转型、高质量发展。我们相信,中国钢铁行业一定会在激烈的国际竞争中占据科技发展的制高点,成为世界钢铁科学技术的领跑者。

(作者系中国工程院院士、东北大学教授)

搜索

复制

最新相关
0.27毫米,质量国内领先!

0.27毫米,质量国内领先!

近日,鞍钢冷轧钢板(莆田)有限公司成功试轧出用于制造纽扣电池内外壳和USB接口端电子零部件等极薄超光面钢板,最薄规格达到0.27毫米,产品各项指标完全满足客户需求,质量达到国内领先水平。该公...

中国十七冶数字化管控中心正式上线

本报讯 9月17日,中国十七冶集团数字化管控中心上线仪式在安徽马鞍山市圆满举行。这也标志着该项目数字化管控中心正式上线启用。中国十七冶集团总经理、党委副书记刘安义启动中国十七冶数字化...