1 項目背景

攀鋼希望能夠以工業(yè)大腦技術為載體，以積微物聯為平臺，挖掘鋼鐵運營、生產過程中的數據價值，實現傳統(tǒng)企業(yè)彎道超車的愿望，有效提升攀鋼集團的行業(yè)競爭力。

經過攀鋼業(yè)務工程師、積微物聯技術團隊與阿里云工業(yè)大腦團隊數據專家的多輪討論與實地現場考察，基于數據采集難度、項目風險性與收益等綜合因素考慮，最終決定從兩個場景入手：從冷軋板的表面檢測與煉鋼脫硫工藝優(yōu)化兩個場景著手工業(yè)智能的嘗試。

項目痛點：

1）脫硫是鋼鐵生產過程中的一個重要環(huán)節(jié)，旨在降低鐵水中的硫含量。而脫硫環(huán)節(jié)由于扒渣帶鐵（脫硫劑反應后產生的脫硫渣中含大量的鐵）會帶走大量金屬料。經測算，每個爐次（以220 噸計）的脫硫渣量均值為 5 噸，脫硫渣中鐵損占比約為40% - 55%，假設經過參數推薦優(yōu)化后能將脫硫劑的加入量降低10%，理論上測算可降低鋼鐵料消耗 0.8-1kg/噸鋼。

2）冷軋鋼帶經過軋制、熱處理等連續(xù)加工工藝后會形成長約千米的鋼卷。在表面檢測環(huán)節(jié)，質檢員通常會在短短 5 到 10 分鐘內，識別出少則十幾個，多則上百個的缺陷，并在表檢儀（表面檢測設備）掃描完畢的 30 秒之內給出表面等級、分選度、主缺陷和是否合格等判定。檢查人員長期從事的高強度、重復且又枯燥工作性質決定了其過程輸出的穩(wěn)定性難以得到保證，同時，檢查人員在對產品標準的理解和把握上存在個人經驗差異勢必也會造成判定水平高下、參差不齊。最終導致的結果則是客戶的使用體驗與滿意度變差或者質量成本提升，無疑，這些都構成企業(yè)巨大的隱性成本損失。

2 項目實施

1)總體實施思路與架構

1.對于煉鋼脫硫工藝優(yōu)化場景：通過分析建模，優(yōu)化脫硫環(huán)節(jié)工藝，推薦最優(yōu)的脫硫劑加入量，提高脫硫劑利用率，降低脫 硫環(huán)節(jié)的鐵損。

2.對于冷軋板的表面檢測場景：面向鋼鐵行業(yè)冷軋板材的表面質量檢測場景，構建表面質量自動判定模型，輔助人工判斷產 品缺陷，降低人工依賴性、提高判定準確率。

2)應用場景與技術方案

1.煉鋼脫硫工藝優(yōu)化場景：

采集脫硫工序流程數據，通過建模分析獲得脫硫工藝優(yōu)化的關鍵因子，結合專家知識，依靠 脫硫仿真模型與參數尋優(yōu)模型尋找最優(yōu)參數。

·仿真模型：基于歷史數據與實時數據，構建脫后硫預測模型。通過結合脫硫劑加入量、 噴吹速率等十多個關鍵參數，模擬脫硫全過程，預測出脫硫后的硫含量，并配合參數 優(yōu)化模型，檢驗不同組參數的合理性及有效性。

·參數尋優(yōu)模型：結合機器學習與老師傅在工業(yè)控制上的經驗，識別脫硫過程中的關鍵 因子（對脫硫結果影響最大的參數），包括鈍化鎂加入量，鈍化石灰加入配比，平均流量，噴吹時長等，通過參數尋優(yōu)模型識別參數間的最優(yōu)關系。優(yōu)化模型提供的多組優(yōu) 化參數再回歸到仿真模型中進行反復驗證與優(yōu)化，最終得到最優(yōu)參數 – 即在滿足脫硫效果的前提下，達到最小脫硫劑加入量的那組“配方”。

2.冷軋板的表面檢測場景：

首先，表檢儀將非結構化數據（圖片信息）結構化，將幾千種產品外觀缺陷歸納為 60-70 大類，例如：平整斑、翹皮、擦傷、壓印、麻點、氣泡等。 其次，表檢數據結合 MES 數據輸入到模型中進行訓練，通過聚類算法、規(guī)則引擎（含用戶需求識別的自學習重構功能）、缺陷嚴重程度量化模型等深度學習技術，對軋鋼分級最初步判定。最后，再結合人工的進一步確認得出最終判定結果。

3 實施效果

對于煉鋼脫硫工藝優(yōu)化場景：鐵水進站后，脫硫優(yōu)化模型將提取相關數據將進行參數優(yōu)化計算。脫硫操作人員將根據推送 的推薦參數，動態(tài)調節(jié)脫硫劑的加入量，減少脫硫劑的消耗。

除了脫硫工藝優(yōu)化場景以外，攀鋼鋼鐵大腦的煉鋼工藝優(yōu)化，還完成了提礬、轉爐、配合金、精煉、連鑄等多個煉鋼工藝相關模型的建立，實現噸鋼生產節(jié)約1.28kg鋼鐵原料消耗，合金成本1.2元/噸的降低。根據實際測算，對年產值 440 萬噸鋼的攀鋼西昌鋼釩基地來說，年成本節(jié)約約為 1700萬元。

對于冷軋板的表面檢測場景：算法模型輸出的自動定級結果與人工判定結果對比，表判碼準確率達 92%以上，分選度準確率達 80%以上。