攀钢—钢铁是怎样用AI炼成的

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,产能过剩与结构严重失衡、全球经济下滑导致钢铁需求增速放缓、生产质量的不稳定、废品率高、高耗能以及多元化需求,给整个行业都带来了极大的挑战。中国钢企的转型升级迫在眉睫。

攀钢—钢铁是怎样用AI炼成的

在钢铁产业严重过剩、钢企转型压力巨大的背景下, 作为一个传统“老三线”建设的国有企业,攀钢前些年一直处于亏损状态,通过这几年的改革创新,不仅终结了亏损历史,打了一个漂亮的“翻身仗”,去年全年经营性利润创历史最好水平。它究竟是怎么做到的?

攀钢—钢铁是怎样用AI炼成的

依托西部地区丰富的钒钛磁铁矿资源和自主创新建设,攀钢集团有限公司(简称攀钢)已经成为我国特大型钒钛钢铁企业集团、全球第一的产钒企业、国内最大的钛原料和产业链最完整的钛加工企业,以及国内重要的铁路用钢、汽车用钢、家电用钢、特殊钢生产基地。中国的40%的钢轨和高速轨道由攀钢生产的。

尽管行业地位领先,但攀钢一样面对着和行业一样的难点痛点。从2011年到2016年,受国内钢铁产能严重过剩导致的行业普遍亏损,资源不足、位置偏僻、人员多、负担重等多种因素的影响,攀钢持续亏损,企业发展面临巨大挑战。

攀钢—钢铁是怎样用AI炼成的

为此,攀钢确定了提质增效的大目标,开始改革创新:一方面扎实推进品种、市场、原料、产线结构调整,铁血降本;一方面推进产业升级,推动钒钛加快发展、钢铁精品发展、非钢创新发展。此外,人力资源方面推行绩效考核新模式,鼓励自主创新等,打开了一个科技强企的新局面。

新技术降低旧能耗

“炼钢就是炼渣”,这是钢铁生产过程中的一句老话。钢由生铁而来,和生铁的主要区别在于成分不同,所谓炼钢就是通过冶炼降低生铁中的碳、去除有害杂质,再根据钢性能要求加入适量合金元素,使之性能优良。为了将原料中一些不需要的杂质去除,就需要进行造渣。造好渣是实现炼钢生产优质、高产、低消耗的重要保证。其中,钢铁料消耗占整个炼钢厂成本的70%以上,攀钢集团需要通过降低钢铁料的消耗,实现减少原料投入及优化能耗成本,才能提升企业的整体综合竞争力。

据攀钢集团成都钢钒有限公司总经理、积微物联总裁谢海介绍,“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。”

攀钢集团和阿里云工业大脑一起合作,以阿里云为技术载体、以积微物联(攀钢电商平台)为平台、以攀钢集团为场景试点,率先深化ET工业大脑在钢铁生产领域的应用。出于数据采集难度、项目风险性与收益等综合因素考虑,最终决定从冷轧板材表面检测与脱硫工业优化两个场景切入,着手工业智能的尝试。

攀钢—钢铁是怎样用AI炼成的

脱硫是钢铁生产过程中的一个重要环节,旨在降低铁水或钢液中的硫含量。而脱硫环节由于扒渣带铁(脱硫剂反应之后的脱硫渣中带走了大量的铁)会造成大量铁损。工业大脑应用到攀钢西昌钢钒转炉炼钢工艺后,打通炼钢全流程数据,通过建模分析获得炼钢工艺优化的关键因子,结合专家知识,定位提钒、脱硫和炼钢三个关键工序。通过对这三个工序的深入建模分析,聚焦在脱硫工序,依靠脱硫仿真模型与参数寻优模型寻找最优参数。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一公斤铁。对于年产值400万吨钢的攀钢来说,一年的成本节省就在700万元以上 。

攀钢—钢铁是怎样用AI炼成的

同时,工业大脑还被应用到了冷轧环节。钢材经过冷轧工艺加工,会形成长度约1千米钢卷。在表面检测环节,质检员通常会在短短5到10分钟内,识别出少则几百个,多则几千个的缺陷,并给出分选度、表面等级、主缺陷和是否合格等判定。但长时间、高强度、重复性且枯燥的质检工作让判钢工程师难以保证判定结果的稳定性,同时,工程师经验的差异也会造成判定水平的参差不齐。最终导致的结果则是客户的服务体验与满意度差,造成巨大的隐性成本。工业大脑的引入,可以辅助人工判断产品缺陷,降低人工依赖性。

攀钢—钢铁是怎样用AI炼成的

“老师傅”们的经验复用和传承

钢铁行业历经上百年的发展,累积了大量的经验。然而,经验都是碎片化地藏在“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。工业大脑的使命就是将这些隐性化的知识显性化,并帮助打破人的传统思维框架与认知局限。

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。

未来,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。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。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,都有机会开放出爆款的工业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。

作者王岳,阿里云研究中心高级战略专家

上一篇:多核时代:并行程序设计探讨(9)——数据分解模式Data Decomposition


下一篇:基于SQL Server的打车系统数据库分析与设计