Top
首页 > 正文

钢铁工业智能制造与人工智能实践路径与思考

钢铁工业是我国国民经济的重要支撑行业。调查显示,钢铁工业面临的主要矛盾已经转化为“产业结构与市场竞争需求不适应、绿色发展水平与生态环境需求不适应的矛盾[1]。”因此,智能化和绿色化是钢铁工业转型升级两大方向。
发布时间:2019-10-14 11:12        来源:互联网经济        作者:西门子(中国)有限公司 上海智能制造系统创新中心有限公司 陈江宁 陈廷炯

QQ截图20191014111239

钢铁工业的数字化

2008年国际金融危机发生以来,新一代信息、通信技术的快速发展并与先进制造技术不断深度融合,全球兴起了以智能制造为代表的新一轮产业变革,数字化、网络化、智能化日益成为未来制造业发展的主要趋势。世界主要工业发达国家加紧谋篇布局,纷纷推出新的振兴制造业国家战略,支持和推动智能制造发展,重塑制造业竞争新优势。2013年提出的工业4.0概念,通过持续改变工业结构,未来生产的方法和管理的手段将被逐渐系统化、数据化,并贯穿产品的价值链,以满足产品创新、产品生产、产品优化以及个性化定制的需求。
同时,将工业4.0的推进与企业管理相融合,降低能源消耗提高资源利用率。结合中国智能制造发展规划(2015-2020)和钢铁工业“十三五规划”,基于技术先进、绿色制造、环境友好、服务配套的钢铁数字化发展理念,通过实践逐步建立钢铁工业的智能制造标准,形成以数据为核心的全产业链驱动和全生命周期应用的示范案例。这是我国钢铁工业的数字化之路。
钢铁厂的数字化转型在产业链优化、人员劳动强度和环境改善、质量控制、辅助设计等方面正在发挥积极的作用。钢铁工业本身已经高度自动化,信息化基础也相对较好,通过对劳动资料数字化,结合未来的大数据、云平台的建设,可在区域建立快速配套协调的上下游产业链;通过上下游企业间可贯通的数字化设计和交付能力,帮助产业数据标准真正落地。数字化解决方案能够帮助车间在提升生产效率同时,大幅降低一线工人的劳动强度,提升劳动安全水平,改善他们的工作环境。通过数字化远程运维技术,维护人员、专家可以减少不必要的交通出行,大大提升了工作效率和有效价值。实时数据驱动的数字化孪生能够通过自动学习,在生产过程中优化质量规则,并对产品进行进一步加工和优化;并在允许的范围内实现自主决策,根据实际情况自动调整生产计划。采用数字化资产管理,可实现企业资产的保值增值[2]。
钢铁工业数字化工厂整体方案按照企业实际需求和市场技术发展趋势进行统筹规划、分步实施。数字化工厂整体解决方案,从数字化装备(包括数字化的低压盘柜、现场仪表、变频、电机、DCS、EMS、部分PLC等),数字化设计平台、数字化交付(包括机械、电气、仪表、公辅和厂房)、数字化运营、数字化维护和数字化资产管理着手,在结构化数据的支撑下,实现企业生产全流程可视化、信息技术(IT,Information Technology)与运营技术(OT,Operation Technology)的融合,采用人工智能和大数据技术充分发掘和使用数据的价值,进一步实现系统和过程的优化,提升智能制造能力,并有效减少浪费、提高效率和安全性。

宝武西门子工业 4.0 项目实践

宝武西门子工业4.0项目是以上海宝钢工厂为规划和实施对象,从设备生命周期管理、安全设备监控、产品及物料在线跟踪、工艺及质量控制提升、设备OEE监控、工业信息安全、固定资产管理维护、先进过程控制、能源管理、先进料场管理、智能显示及培训、工业 4.0网络架构等12个方向进行改进提升,以“建设全透明数字化工厂”为目标,逐渐在数字化空间中建立与现实并行一致的虚拟工厂,实现“快速响应并满足个性化需求、且交付高品质产品的制造模式”。宝武工业4.0项目是中德政府间合作示范项目,受到双方高层领导的高度关注[3]。被工信部和德国经济能源部共同认为具有很高的落地性和示范性。
项目结合钢铁工业的痛点以点带面,从宝钢的全生产工艺路线入手,包含数字化实践、大数据、工控安全、AR/VR 技术的应用等每一个具体的项目做起, 也许不像一个大项目那样解渴,但做起来踏实,而且每个项目都是一个细分市场的范例。实施过程中,项目团队充分考虑了新工厂和老工厂的数据的协同,先期规划了数据的标准化,部署了数字化设计平台和数字化交付。最终,通过信息技术、物联网技术与制造业深度融合,知识管理和人、机、物的结合,并运用协同平台实现能源流、物流、信息流的透明管理,形成数字化、智能化工厂示范项目。
数字化本身的转变、IO跟OT融合会产生很多的发展机会,如工厂的生产效率提升、生产关系的重新构建等。
从产品全生命周期的角度,实体工厂是按照原来IEC95架构搭建[4],通过产品数字化和可靠互联,通过数字双胞胎对产品状态进行仿真、优化、校和、回馈,以及知识的管理。项目过程中,数字化的主要目的,一方面是资产的透明化、资产效率的管理是;另一方面是运营跟维护,通过人工智能加管理方式形成模式转变,或许是比传统培训加管理的模式更为经济可行。智能制造不仅仅是技术升级,也是是企业文化、组织架构、精益化和人的变革,而这里恰恰是人工智能最大部分贡献的。如何利用新技术和产业的转型,这个命题在十九大文件中就已经明确了,即工业互联网、大数据和人工智能与产业的深度结合。
从钢铁工业的趋势来看,下一阶段的重点在大数据、数字化交付、远程运维、工控安全等技术应用和复制。与其他行业相比,钢铁是一个高度自动化、信息化的行业,同时也是一个资本、技术、劳动力密集的行业。在中国,钢铁又是一个产业结构非常分散的行业,排名前15位的公司占钢产量的34%,其余由超过300家来分,所以未来一定是“技 术+生产模式”转变来整合钢铁工业,例如 ERH(电弧炉)、人工智能、大数据、工业机器人的应用可以在生产模式上直接改变钢铁工业的发展。在钢铁工业数字化工厂架构中,数字化已经在管理、控制和现场层级的方方面面得到了应用。钢铁工业正如美国大河钢铁(BRS)提出的:“我们是技术公司,碰巧做了钢铁工业”。[5]

钢铁工业智能制造具体实践方向

在项目的实践过程中,总结思考下来,钢铁工业智能制造可以有这样几个深化发展的方向:
一、建设全流程、一体化、无孤岛的智能管控数据平台。利用智能传感技术和系统管理获得参数深度感知,包括工艺质量参数和设备运行参数,实现在线状态感知与精准预报;基于工业大数据对设备健康状态进行诊断、分析、预测,保障生产过程的顺行和产品的质量;建立基于数据采集与处理的全流程质量在线监控、诊断与优化能力,实现质量异常原因跟踪,同步生产工艺的优化;基于CPS架构和大数据、云计算、物联网、人工智能等技术,实现多工序协调优化与质量精准控制;建立产供销一体化协同智能优化决策;建立行业创新研发平台,建立协同创新机制和流程;开发适合钢铁工业生产的各类工业 APP,如点检、运维、资产管理、安全报警等,形成行业标杆。
二、整体工程贯通一体化设计到一体化运维的工厂全生命周期管理理念。设备和产线的数字化,实现数字化设计和数字化交付;建立三维可视化工厂,具有 2D/3D 导航功能用于智能工厂优化管理、培训及全景一体化运维,逐步实现虚拟远程运维;建立数字化资产管理体系,形成实体资产和虚拟工厂的一一对应。
三、建立全厂数据标准,实现数据一致性管理。建立数据平台承载从设计、工程、运营、维护到服务全生命周期的数据管理体系,为基于大数据的人工智能和自主决策、透明决策打下基础,同时也是知识管理的前提。对于企业沉积多年的数据进行梳理,建立基于大数据、人工智能的数据挖掘能力,形成知识管理和深度学习布局。
四、现场层和控制层设备选型符合全集成自动化、数字化理念。现场层的单体成套设备或电仪设备应具有数字化模型且能方便的集成到上位系统中,关键设备具备OPC/UA功能[6];控制层设备如DCS采用全集成模式,要求接口兼容性强。同时采用虚拟调试技术、减少现场安装调试的时间,降低调试成本。
五、生产资料和基础设施持续进行自动化、信息化与智能化。依据生产现场的实际情况,采用机器人、机械手以及智能行车等少人化、无人化智能装备减少劳动强度、提升劳动生产率。全厂工业网 络全覆盖,信息数据全透明、可视化管理和具有组态模式的数据采集功能。
六、强化安全体系和主动防御。建立基于工艺布局特点的独立现场安全管控系统(Safety System),依据国家相关的安全标准,从机械,电气,网络安全总线着手,构建完整的工厂安全生态圈,并落实于现场的检测单元、评估单元与执行系统之中,最终与全厂信息系统对接,形成安全的管控一体化布局战略。整体工控网络设计符合安全要求,避免物理上的信息“孤岛”,建立全厂数据信息的安全纵深防御体系。

QQ截图20191014111114

对于智能制造和人工智能的思考

一、人工智能趋势研判
人工智能在不同领域行业的应用前景不同,效果有前后。在零售、媒体、金融等领域,已应用在营销、精准投放、量化金融等方面有非常广泛的应用场景和极高的应用价值。在工业领域如设备运维、智能工厂、风电场、燃气轮机、科学研究(电子对撞机)、交通管理预测等,已经采用并实现的技术如规则和模式掘取、神经元网络、智能数据架构( smart data Architecture )、自然语 言分析(NLP),自主学习、模式学习、时间序列数据管理(TSDM)、基于机器学习的设备健康管理、预测预警等,均有实际的案例和明显的效果。但人工智能同样有一定的现实困境存在,据调查在美国排名前50位的公司,在工业实际控制场景的应用非常少;获取数据的困境,由于受个人隐私、制造业技术秘密等限制,难以获得有效的数据,同时受到采样技术、手段、环境、成本的局限,也难以获得大量数据。
制造业与消费或服务领域最大的不同的在于对于数据的梳理和标识,在制造业不仅需要所谓的“数据分析家”,更需要“数据翻译家”,集合行业工艺经验和控制理论知识将数据翻译出来。目前的标识以手工为主,通过开发如强化学习等新的技术手段,可以在使用过程中自然标记。
场景困境,不同行业应用场景的可复制性差,可以说是制造业应用人工智能的最大瓶颈,这带来的是迁移的成本以及重新学习的困难。以基于大数据的深度学习为例,对象识别作为人工智能的主流领域正在发生突破,基本上可以分成三个阶段,第一阶段识别学习,目的是预测和分类,基于标记图形训练和分类可视识别,所采用的技术手段是从标记训练的数据点开始的监督学习;第二阶段适应学习,其目的是优化与控制,基于经验和更早期的意图提供最大的回馈以采取更具预测性的行动,所采用的技术手段是从一个环境中最大化的回馈强化学习;第三阶段是行为学习,目的是推理和语义分析,基于给定的背景知识给出一个最高可靠性的答案,所采用的技术手段是建立基于已有经验的假设与推理系统。
目前国际上人工智能的发展有几个方向值得注意:
(1)向小数据集发展,意味着不需要大量数据收集与训练;
(2)向非标记数据发展,国外有直接采用非标记数据直接使用;
(3)向多种算法融合方向发展,也就是几种算法集合提供串联或并联的学习与训练的模型;
(4)向算法轻量化方向发展,即通过边缘计算、底层架构等技术大幅度降低算法的依赖度和能耗,这也意味着芯片开发需求的变化;
(5)对于基础设施的需求向低消耗方向发展,实施系统轻量化。
二、人工智能应对中国智能制造瓶颈
目前中国企业的瓶颈,一是产品的研发如何迅速转换为生产。生产是个系统的工作,需要IT技术和运营管理的交融。二是面对卖方市场和细分市场的要求,如何做到个性化以及快速响应,这是智能制造模式的终极目标之一。三是如何吸引人才回归工厂,现在的年轻人都不愿意去工厂,因为工厂不酷。但如果工厂里苦活累活由机器人干了,数据都能采集上来,环境整洁绿色,又能实实在在得造出东西,那肯定大家愿意来。四是经验的传承,这个涉及知识的管理,例如老专家退休以后资料都扔垃圾桶,不同部门协同工作等。五是粗放式管理,把数据透明最后达到完美的状态,从采集、物流管理等等,用软件去驱动。以上这些瓶颈,相信人工智能是可以给出答案的。
要谈人工智能,首先需要有一个定义。这里笔者想借鉴下Kurzweil在 1990年的MIT Press上提出的概念,人工智能就是“创造出一些机器具备某些要求智慧的能力,如同人所展示的能力”[7]在这个定义中,既明确了功能要求,也明确了机器与人的关系。其次人工智能是控制理论的一个分支,是计算机科学的延伸,无论对什么行业,它都是使能技术,对智能制造也不例外。行业应用和场景的迭代和加速非常重要,需要提供有针对性的人工智能服务和应用场景。特别是制造领域与消费领域里,人工智能应用范畴和方法差异很大,特别在应用场景、安全性、容错性、可靠性等方面的要求完全不同。鉴于人工智能对于底层数据的高度依赖,我们既要针对不同行业定义底层数据集的架构,有行业特点也要有不同领域(如制造业、农业、服务行业)的特点,又要强化行业数据的标记,从行业的自身特点和基本需求出发,不求一概而论,但求切实提升行业的效率。
中国智能制造人才培养特别是培养顶层架构师和工业数据转换师非常重要;其次强调智能制造是IT与OT融合,这个期间人工智能可以提供大量的使能手段;再次我国的工业体系虽然门类齐全,但缺少核心的工业哲学,或者说价值观,利用智能制造的转型机会建立中国自己的工业哲学至关重要。
智能制造是数据驱动、软件定义的,从电气化、自动化、数字化、网络化、智能化,实现生产效率的提升和生产关系的重构,这个对于人工智能的应用同样适用。图1罗列的是目前企业数字化转型过程中的主要需求和应对方案中,“替代大量重复性劳动岗位”、“知识管理平台”、“智能运营”等方面都是人工智能在工业应用中所面临的挑战和机遇。
三、人工智能与智能制造的结合路径
首先,人工智能作为一个引领产业发展的使能技术,要求在底层数据、算法架构、应用场景上提炼共性需求;消费模式的转变以及技术变革的渴望是开展工作的前提。智能制造的基本需求是建立底层的数据集和架构,通过应用场景给出技术路线,引导企业结合先导项目共同开发,更重要的是理解制造业与人工智能应用范围的层级关系,以推动应用场景的开发迭代、以点带面,持久的投入。
德国工程院院长孔翰宁认为,数字化的第二阶段最重要的一个内容是自主系统,其中有一个环是通过便宜的传感器(Cheap sensors)形成大数据      (Big data),通过人工智能(人工智能)的处理和迭代,生产智能数据(Smart Data),而这个才是人工智形成的有意义的闭环。大河钢铁把大数据、传感器和人工智能技术用在钢铁生产上,其劳动生产率是全球平均水平的2-3倍。这些传感器收集大量数据经过有经验的专家过滤和分析,把这些数据加上经验、数学模型最后变成Smart Data。通过这个方式将生产逻辑从事后管理转变为事前管理;同时员工角色融合操作、运维、工程、管理,从而达到管理透明、知识固化、效率提高。
其次,智能制造是一个系统化的工作,是IT与OT融合的过程,也是知识显性化和固化的过程,宝武项目中,项目组就提出交付的不仅是一个实体钢卷,同时也应交付一个数字化的钢卷,这会大幅度提高高端客户和大客户的黏性和定制化,同时也会成为未来人工智能服务智能制造的数据基础。
从企业层级相对应的应用入手,通过不断迭代融入企业现有的架构中,从而实现人工智能的可复制和价值。前面大河钢铁的例子背后是一个基金,基金有个人工智能的公司,人家说你怎么证明人工智能有价值?他们就建了个大河钢铁厂,实现应用。科技的价值很多时候最后是落到应用场景上。这个生产模式的转变还促使资本对钢铁公司的估值方式产生了巨大的变化,从单一的产能、利润转变为技术与市场潜力的估值。
根据产品全生命周期和“人机料法环”做出的在传统工业场景的人工智能应用场景实例,可以发现在生产实际控制环节中这方面还是没有太多深入研究和实践。所以管理和服务是目前人工智能的主要方向,特别是沿着产品全生命周期的生产链不同的价值流程形成不同的服务模式,这个才是智能制造加人工智能的终极任务。

结论

钢铁工业是传统行业,但也是自动化、信息化程度最高的行业之一,在这样行业探索智能制造和人工智能的实践和路径是有现实意义的。作为基础工业的钢铁工业的智能化,某种程度上是新技术在传统技术企业的重新诠释和定义。推动这一变化的产生不仅仅需要技术本身的提高和升级,更需要企 业文化、考核机制的适应和改变。从管理流程上要效益,在这个时代已经不仅仅停留在口头上,而是可以通过大数据、人工智能、智能制造与企业的深度融合实践并实现的。
参考文献:
[1] 何惠平,王志. 第十一届中国钢铁年会上中国金属学会理事长干勇认为中国钢铁工业面临主要矛盾已经转化[J]. 冶金动力, 2018 年(第 1 期):P65-66.
[2] 中华人民共和国国务院.中国制造 2025[M].国发(2015)28 号.2015.5.19.
[3] 中华人民共和国驻德意志联邦共和国大使馆.中德合作行动纲要:共塑创新[EB/OL].http://www.fmprc.gov.cn/ce/cede/chn/sbwl/t1212296.htm,2014.11.18.
[4] 百度百科.国际电工委员会[EB/OL].https://baike.baidu.com/item/%E5%9B%BD%E9%99%85%E7%94%B5%E5%B7%A5%E5%A7%94%E5%91%98%E4%BC%9A/2876390?fr=aladdin.
[5] 吴勇.这家投产刚半年的钢厂,用 AI 突破了人均产钢量的天际.中国冶金报.2017,6 月 16 日,第二版.
[6] CSDN 博客.OPC 协议认知[EB/OL]. https://blog.csdn.net/vevoliang/article/details/56015712,2017.2.20.
[7] Kurzweil, Ray (1990), The Age of Intelligent Machines, Cambridge, MA: MIT Press, ISBN 0-262-11121-7.

专题访谈

合作站点
stat