钢铁行业智能化转型关键技术研究与应用——2021广州市人工智能与机器人应用高峰论坛论文精选四

一、我国钢铁行业发展现状

       钢铁工业是国民经济基础产业，是衡量一个国家综合国力和工业化程度的重要标志。我国钢铁工业为国家经济快速发展提供了重要支撑，现已成为我国最具全球竞争力的产业之一，正在引领世界钢铁绿色革命，并将长期引领世界钢铁工业发展。

       2020年以来，国内钢材市场需求保持旺盛，超大规模的内循环市场为我国钢铁行业发展提供了有力支撑。根据工信部公布的数据，2020年1-12月全国生铁、粗钢和钢材产量分别为8.88亿吨、10.53亿吨和13.25亿吨，同比分别增长4.3%、5.2%和7.7%。[1] 
 
       进入新发展阶段，我国钢铁工业迎来了重要发展机遇：一是打造数字经济新优势，推动高质量发展开新局；二是低碳发展重塑钢铁行业新格局；三是工业化和城镇化深入发展提供市场空间；四是“新基建”投资加快创造新需求。但同时，我国钢铁工业也面临着诸多严峻挑战，包括：逆全球化和贸易保护主义抬头，低碳环保政策日趋加严，产业链安全仍存在严重挑战，“卡脖子”技术有待突破。
 
       2016年2月，国务院印发《关于钢铁行业化解过剩产能实现脱困发展的意见》（国发 [2016]6 号），拉开了钢铁行业供给侧结构性改革的序幕。2017年开始，我国钢铁行业从粗犷式向精细化、智能化转变，大型钢铁企业纷纷带头开始数字化转型，两化融合水平显著提升。作为我国全面供给侧结构性改革的首个行业，截至到目前，钢铁行业供给侧改革取得了阶段性成果，重塑了行业发展形态，为行业加速转型升级打下了坚实基础。
 
       “十四五”开局之际，国家有关部门开展钢铁去产能“回头看”和粗钢产量压减工作，充分表明了国家要钢铁行业继续深化供给侧结构性改革的决心。钢铁企业应加快推进信息化、智能化、绿色化，持续调整流程结构和能源消费结构，不断推进碳减排，加速推动钢铁行业向碳达峰和高质量发展同步迈进。

二、钢铁智能化转型的关键是增强预测性

       钢铁行业转型的目标是构建以钢铁制造为核心的智能信息服务。它以数字化作为驱动，智能制造为核心，围绕钢铁企业为中心，对内形成包含智能制造、智能装备、智慧能管和智能决策在内的智能钢铁应用服务；同时，因为有了信息化交互，对外又可以形成贯穿上游原物料、矿山到下游消费市场，面向产业链的服务体系。
 
       对于钢铁制造过程，通过智能化手段辅助决策，可以体现在设备、质量、效能这三个方面。基于工业互联网平台，对钢铁制造过程工艺设备开展实时运行监测、故障诊断、能源调度管理；通过将经验和知识模块化、软件化为员工赋能，不断探索基于平台的按用户需求的制造模式；把工业智能和工业互联网技术真正用于钢铁制造业的提质、降本、增效、减耗，最终实现制造行业从以产品为核心到以服务为核心的价值转型。
 
       钢厂调研发现，一个钢厂三年的设备维护费用就高达数亿，设备运行安全是重中之重。传统的被动维护已经不能满足智能设备管理的发展趋势，而是要转向预测性维护；同时，钢铁是一个高能耗高污染的行业，但德国的钢铁厂可以建在莱茵河上，美国的大河钢厂则运用了很多AI分析技术提升生产运营效率。

       现在国内很多钢铁企业已经在向数字化迈进，纷纷在做精益管理、能源可视化看板等，但是这些系统缺乏预测性，智慧能管的目标则是要建立一个具备预测和协同优化能力的智能系统。钢铁企业通过智能化转型，可以降低运营成本，提升效率，提高竞争力，还可以在此基础上不断地创新价值链和业务模型，创造新的商业模式。

三、设备智能管理，以PHM为驱动的生产全生命周期管理
         基于美国IMS智能维护系统中心李杰教授提出的Product of Future理论[2]，本文提出了以PHM为驱动的质量的全生命周期管理。核心理念是，管设备不是目的，管设备最终是为了对产品质量负责，提升良品率及产品竞争力，也就是实现质量的全生命周期管理，从而实现零宕机、零次品、零浪费的目标。
         有很多人将状态监测与预测性维护与健康管理（PHM）混淆，虽然他们都是以数据为基础进行判断，但其解决问题的原理和目标是不同的。状态监测以振动监测为主，定期采取人工诊断的方式，利用专家经验给出设备故障诊断报告。
 
       而PHM则在探索机理数据分析与行业知识相结合的手段，利用智能模型量化设备的故障严重程度，乃至预测剩余使用寿命。进一步结合时间、人员、备品备件等客观因素，给出最经济、最恰当的“确定性”的运维时机和方式。
 
       所以，对于工业用户而言，状态监测远远不够。PHM可以从数据获取，到转化成信息，再到支持我们的决策和反馈控制，形成完整的闭环，这样才能真正给用户带来价值。
 
       现就PHM的健康评估、故障预诊、剩余寿命预测三个核心技术点在关键设备上的应用做阐述和案例分析。

       健康评估
 
       在对设备进行健康评估时，数据分析师以及现场的设备维护人员通常会面临以下诸多痛点：

• 单点监控：现有的技术一般是单点的阈值监测，缺乏关联性，而且仅凭单点的阈值报警难以诊断设备故障[3]。
• 没有整体性能评价：现在的设备复杂程度越来越高，设备宕机可能不是简单的部件故障导致的这么简单，包含了工艺和设备的共同影响，所以我们要对设备进行综合评价，不能仅监测某个部件，而要透过现象看本质，抓住根本原因。比如大型压缩机机组轴承涡轮断裂，原因却可能是过程中参数控制得不好导致喘振造成的。
• 缺乏历史数据和故障样本。

 
       针对这三个痛点，现以大型泵组健康评估与异常监测为例。大型泵组，通常可能是全新的设备，没有历史数据也没有故障样本。因此，我们采用多源信号（振动、DCS数据等）的相关性分析与异常监测技术获取多源数据信息并进行信息融合；进行部件级、设备级分级健康评估，采用不同的评估模型，给出相应的健康度指标；根据当前工况与监测数据建立基线模型，异常监测模型可自动生成健康度，以及各应变量的风险系数。以此实现了实时监测泵组运行参数异常，并预警关键子部件潜在故障模式与风险。

       故障预诊
 
        对设备做出准确的故障预测信息对智能运维来说至关重要，然而，故障预诊过程中同样遇到各种挑战：

• 数据质量：“坏”数据严重影响到分析的准确性[4]
• 复杂工况：生产工艺的多变，复杂的外界环境影响因素[5]
• 对专家经验的依赖

         针对故障预诊，以传动系统齿轮箱故障预诊为例。传动系统的齿轮箱故障预诊，综合了振动和转速、电机电流信号，并结合DCS数据中获取工况信息，例如负载，转速。通过多源数据的信息融合，多维度的特征分析，集群对标，发现齿轮箱的故障特征及其谐波在阶次谱上表现明显，且特征趋势呈现逐步上升形态，均已超过预警范围，从而诊断出齿轮箱故障早期迹象，提高诊断的准确率。每一条预警信息，系统都会提供异常状态预警的判据给设备维护人员辅助决策，相比于事后的专家诊断分析报告，维护人员完全可以直接从系统中一键自动生成诊断分析报告。

       剩余寿命预测

       剩余寿命预测作为PHM最难的技术环节之一，在实践中面临着完整全生命周期数据匮乏和复杂工况这两大痛点。

• 缺乏大量的完整全生命周期数据，且使用寿命因所处的不同工况而不同[6]
• 传统基于状态监控的特征易受到工况影响，并不直接反映设备本身的性能衰退状况[5] 

         在关键设备轴承的剩余寿命预测案例中，我们通常是通过振动信号、转速信号来获得轴承的工况信息，在数据累积的过程中，我们一方面要监测整个过程中所经历的不同工况类型，另一方面通过实时的数据来计算设备的健康度。不同工况对应不同的应力，借鉴可靠性学科理论，建立应力、健康评估、剩余寿命三者之间的关系，不断提高剩余寿命预测模型的准确率。

       除了单体设备的管理，设备运维人员更期望的是全厂级的设备集群监控，监控系统能够把设备都管起来，给出客观的故障判据，并对设备健康分级评估，给出维护建议，形成完整的业务闭环。针对这一需求，天泽智云推出了平台级应用——设备智慧运维管理系统。
 
       不同等级的设备需要不同的维护方式，不是所有的设备都需要远程监测。天泽智云设备智慧运维管理系统分等级设计不同的监测手段，综合传感器、运行数据等多源数据信息，综合评判，做到故障判据客观化、诊断流程自动化。并在“临界点”给出及时的维护维修建议，保障设备最长时间的在线运行。系统支持在线一键导出分析报告，便于设备维护人员综合分析做出最为合理的维护措施。真正做到及时按需维护，降低备件成本。

       某钢铁厂在运行了设备智慧运维管理系统后，设备备件库存成本降低150万元/年，设备OEE提升1%，新增产能5万吨/年。

四、能源智能管理，实现从经验型到分析型调度职能的转变

       能源智能管理就是通过工业智能系统为能源预测、平衡、优化、诊断提供支撑，实现从经验型到分析型调度职能的转变，实现水、电、气、汽的集中管理，健全能源生产管理体系、能源决策分析体系和能源系统考核评价体系，真正实现“数出一处，量出一门”的基于数据驱动的能源管理模式。能源管理的目标就是从经验型到分析型调度的转变，就是从靠人管到靠系统管，系统提供准确的数据，结合人多年的经验，把这些知识做成模型，固化在系统中，从而变成有理有据，更加合理高效的管理模式。
 
      钢铁行业里的两大能源介质，一个是电力，一个是煤气。电力是钢铁企业的重要能源物质，钢铁企业的电力负荷需量管理往往存在难预测、难降本、难调控和异常难及时定位的痛点。而与电力相关的就是煤气的平衡调度，煤气作为高炉炼铁过程的副产物，供应不足时，影响下游生产；产大于消耗时，会压力超高，导致爆炸的可能风险。压力波动大，下游用户不稳定，阀门开合频率高，燃烧不稳定，不仅影响产品质量，同时也会影响到发电量，电力煤气二者相互影响。
 
       实现高耗能企业电力需量的精确管理，在企业层面，期望做到在电力负荷需量不超标甚至稳中有降的情况下，充分利用自产煤气多发电和多用平谷时段错峰用电优惠电价，在保证稳定生产的同时做到综合用电成本的最优化，避免需电超限，降低能耗费用，提升效益；在政府层面，则可以协助政府保障区域电力负荷的稳定，实现节能减排的整体目标。        目前，天泽智云落地实施了需量智能管理系统和高炉煤气平衡系统。在山东某钢铁有限公司应用的需量智能管理系统实现了精准预测电力需求，实时发生需量成本节约3%，并实现谷时发电节省综合成本大于500万/年，该项目于2021年8月2日被国家科学技术委员会评定达到国际先进水平。
         在500万吨产能钢厂落地应用的高炉煤气平衡系统[7]，通过模型化软件化将人的知识和经验传承下来，指导一线生产人员进行标准化操作，将操作基于模糊经验化转变为科学化，提升决策敏捷性和精准性，系统自动预警产用气异常，并对异常原因进行量化追踪，辅助调度对煤气管网进行精细化管理，实现直接经济价值2300万元/年。

结束语

       泛人工智能是发散性的，主要是在大量数据中寻找关联性，从而创造新的商业模式。而工业领域的工业智能，在于将机理与数据的结合，强调收敛性，解决工业场景中的实际问题。我们要运用云计算、边缘计算、人工智能等新技术，从复杂的工业过程中，提取出核心价值，最终帮助工业客户达到提质增效、降本减耗的根本目标。

参考文献：
[1]    https://www.cqcb.com/wealth/2021-02-05/3691199_pc.html工信部公布2020年全年钢铁行业运行情况
[2]    Ko M ,  Lee J . E-manufacturing-fundamentals, requirements and expected impacts.  2003.
[3]    GE SmartSignal Introduction,2017
[4]    朱瑜, 金超. 监测系统数据质量异常检测方法:, CN110674891A[P]. 2020.
[5]    Jin W . Modeling of Machine Life Using Accelerated Prognostics and Health Management (APHM) and Enhanced Deep Learning Methodology.  2016.
[6]    Liao. L, Jin. W, Pavel. R. Enhanced Restricted Boltzmann Machine with Prognosability Regularization for Prognostics and Health Assessment, IEEE Trans. Ind. Electron., vol. 63, no. 11, pp. 7076-7083, 2016
[7]    李杰，工业人工智能，上海交通大学出版社，2019