【流程智造】钢铁流程智能制造系统集成的一点探索工作
一、钢铁工业智能制造的产业政策支撑与背景
《2016-2020年钢铁工业调整升级规划》，将“智能制造”列为行业重点任务，这为钢铁行业转型升级指明了方向。工信部原材料工业司巡视员骆铁军表示，“钢铁工业发展智能制造是行业革命性提质增效、提高有效供给水平的一条重要途径，要积极开展智能制造，促进行业升级发展”。 钢铁行业总体运行形势好转，但也要看到，在我国经济发展进入新常态和世界经济复苏乏力的背景下，钢材价格上涨，企业效益回升的基础仍不牢固，不应对钢铁行业形势发生根本性扭转抱有幻想。
钢铁业是自动化程度较高的流程型行业之一，智能制造发展基础好、空间大，是落实《中国制造2025》战略的重点行业之一。目前，工信部分别选择了宝钢热连轧、鞍钢的矿山、唐钢的棒材作为板材、矿山、棒线型材等方面的示范，力图找出一条钢铁企业智能制造的新路。 目前，我国主要钢铁企业装备达到了国际先进水平，关键工艺流程数控化率超过65%，企业资源计划（ERP）装备率超过70%，信息化程度得到了跨越式发展。“但与工业发达国家相比，我国钢铁行业还有一些主要差距。”骆铁军表示，这主要体现在发展不均衡，不同企业发展差异大，宝钢等先进企业已达工业3.0阶段，但还有大量钢铁企业仍然处于工业2.0阶段。智能制造整体处于起步阶段，智能制造的标准、软件、信息安全基础薄弱，缺少行业标准，共性关键技术亟待突破。智能化尚未成为主要生产模式，造成产品质量的均一性、稳定性、效率低。
当前，新一代信息技术与制造业深度融合，正在引发影响深远的产业变革，智能制造已成为全球主要国家的竞争热点。钢铁工业作为我国国民经济重要的基础产业，规模占全球的近50%，具有较强的国际竞争力。目前钢铁产业面临着产能过剩、市场需求疲软、资源、环保压力突显、个性化定制与服务要求日益苛刻严峻的行业形势，钢铁工业转型升级迫在眉睫。多年来，我国钢铁工业在冶金过程优化控制、钢铁生产实时动态管控、企业信息化管理等新方法、新技术的研究开发与集成应用取得很大进步，逐步形成了包括过程控制系统、生产管控系统和企业管理信息化系统等多层次整体解决方案，但与新时期智能制造所具有的自感知、自决策、自执行、自学习等功能的新型生产方式的要求上还有较大差距。
中国金属学会联合中国自动化学会、中国人工智能学会和中国金属学会自动化分会于2017年7月12日-14日在唐山召开“2017年中国钢铁工业智能制造协同创新发展论坛”暨十届一次“中国金属学会生产技术与科技咨询工作委员会”。会议的主题是：“智能协同、质造未来”。重点分析中国钢铁工业两化融合与智能制造发展的现状与存在的问题，交流借鉴相关行业智能优化技术体系建立的实践，探讨钢铁企业智能制造可行的发展模式，钢铁工业智能制造参考架构体系与信息物理系统（CPS）的构建。就大数据、人工智能等前沿技术在钢铁行业中的应用进而加强多学科交叉融合，协同创新，推动钢铁行业智能制造技术体系健康发展，为促进中国钢铁行业转型升级、提质增效、绿色发展服务。会议主要报告：
会议邀请干勇院士做《钢铁工业两化融合与智能制造发展的分析》的主题报告。在报告中，干院士详尽分析了钢铁工业两化融合与智能制造发展的历程与现阶段存在问题及未来愿景。钢铁工业通过六大规划和五大工程打造新材料产业和服务型制造业，充分运用智能化技术与系统基于CPS系统打造流程工业的智能制造示范应用产线。干院士提出的流程型工业和离散型工业智能制造现阶段存在的共性基础性问题：
1、制造企业多级系统的数据交互问题
2、数学模型的适应性亟待加强
3、计划排产、调度水平、流程优化自助排产功能的应用
4、钢铁产品全生命周期质量管控
5、产业链、供应链产业协同、产品前导服务
6、综合型人才问题。冶金工艺、工业软件、接口系统、仿真建模一体化研发人员极度匮乏，无法有效为智能制造提供支撑。
7、基础软件和硬件，实现工业强基工程。加强工业元器件、基础工业软件的自主研发投入和研发深度。为高端装备与制造工程提供系统级的国产化装备保障与信息安全保障。
钢铁产业智能制造愿景：基于CPS物理系统架构的，充分应用工业互联网和工业大数据形成较完整的多层次的基于CPS系统的PCS-MES-ERP体系的数字化、网络化的钢铁智能制造系统。
殷瑞钰院士做《关于智能化钢厂的讨论-从物理系统一侧出发讨论钢厂智能化》的主题报告。在报告中，殷瑞钰院士分析了不同类型智能制造的典型特征，描述了冶金、化工、建材为代表的流程型智能制造的物理特征，指出CPS系统是流程型工业和离散型工业共同的基础。重点诠释了钢厂智能化本质和内涵，提出了钢厂智能化发展思路、发展目标、推进步骤。指出：智能化是钢铁工业的重要发展方向之一；钢厂智能化要与数字化物理融合系统的概念相对接；制造流程物理系统优化是钢厂智能化的重要基础性前提，不可盲目搬用离散型制造的某些概念和方法，不可一蹴而就、盲目上马；“界面”技术的研发是信息物理系统建构中的一个缺失环节，应作为解决智能化钢厂的重要切入点。整个报告思维缜密，在顶层从工程哲学的角度论述了钢铁工业智能化发展方向和总体框架。
桂卫华院士做《冶金工业智能制造与知识自动化》的主题报告。在报告中，桂卫华院士提出对于流程工艺而言智能制造的目的是为了以流程绿色化、高效化为目的的工艺流程优化。从三个方向做流程工业的系统优化。
1、冶金工艺自身的优化
2、生产运行系统优化
3、资源配置与能效优化
冶金工艺自身优化是根本，深度融合冶金工艺原理将冶金工艺原理知识化、模型化嵌入到现有的控制系统当中实现在线冶金工艺过程及冶金参数窄窗口控制，对冶金过程和产品质量实现在线实时优化，从根源上避免很多产品缺陷。这对冶金工作者提出了很高的要求，既要深入冶金工艺又要能转化为工艺模型。当然，这也是国外高等冶金工艺的灵魂。这块要立足于自主解决问题，这也符合乃至可以承接干院士提出的即懂冶金工艺又懂智能制造系统集成的钢铁工业复合型人才的培养问题。因为这种涉及钢铁及新材料高端竞争力的东西任谁也不会把压箱底的送给你，所以更应自力更生。
生产运行系统优化这里不多说，综合运用工业互联网、大数据分析技术优化排产、调度提高效率、促进产业链网络协同制造。资源与能源优化是必然趋势，国家在大力推进节能减排，减少能源消耗，这就是最直接的效益。
做智能制造要讲收益，一部分是直接收益，比如节能减排、生产效率的提高，这是显而易见的，但只是冰山的一角；隐含在水下的部分收益更可观，你用在线的含有冶金工艺知识的PCS系统去保证产品质量和高等级产品的工业化生产，这东西别人干不了也不容易偷去，当然物以稀为贵。
专家表示，推进智能制造是一项复杂而庞大的系统工程，需要不断探索、试错，难以一蹴而就，更不能急于求成，必须坚持不懈，系统推进。要做好顶层设计、统筹发展规划，要加大政策扶持、引导企业创新，还要做好基础建设、培育创新人才，以及鼓励国际合作，实现优势互补。
业内人士建议，发展智能制造，一方面要加快推进钢铁制造信息化、数字化与制造技术融合发展，把智能制造作为两化深度融合的主攻方向。另一方面，在全行业推进智能制造新模式行动，总结可推广、可复制经验。重点培育流程型智能制造、网络协同制造、大规模个性化定制、远程运维4种智能制造新模式的试点示范，总结出钢铁工业智能制造的发展路径，提升企业品种高效研发、稳定产品质量、柔性化生产组织、成本综合控制等能力，来满足客户多品种、小批量的个性化需求。
冶金工业规划研究院院长李新创认为，钢铁行业要打造面向制造业的 “互联网＋”产业生产体系，推动产业融合，从而构建钢铁全流程智能制造系统，力促钢铁转型升级。个性化、定制化、多品种、小批量将成为钢铁企业生产组织的趋势。智能制造将钢铁生产模式由大规模生产转为定制生产，在加快推进钢铁行业转型升级、引领钢铁产品迈向中高端的同时，还能大幅提升企业发展质量和整体效益。
二、钢铁智能制造系统及数据流支撑下的“钢铁+...”新局面
内生动力：
钢铁工业作为重要的传统产业钢铁工业面临着节能减排等诸多挑战，与此同时也迎来了钢铁工业转型升级的新机遇。将现代冶金工艺原理及前沿人工智能技术研发成果应用于钢铁工业生产实际为生产高品质钢材提供机理、装备、工艺、质量的保证，铸就企业核心竞争力以应对挑战、提质增效、完成钢铁工业转型升级。
外部动力：
工业与ICT技术结合的重要性，早已被世界各国政府和企业界充分、深刻地认识到，自从德国提出工业4.0战略后，迅速地成为全球关注的热点。
如何在激烈的市场竞争中保持自身产品的竞争力是每个制造企业永恒的话题。置身于当前竞争日益激烈的全球化环境中，市场对于生产线的要求越来越高。现场需要的是完全智能化的、将工艺过程先进原理与现代测控技术集于一身，并具有高可靠性、高速、高扩展性的流水线，用以满足用户对于不同产品的特殊需求。
钢铁工业面临前所未有的挑战，主要体现在下述三方面：
1、提升生产效率
• 能源和原材料的利用效率是竞争力的决定因素之一。
2、加快钢铁产品上市速度
• 更短的创新周期
• 更复杂的产品
• 更大的产品数据量
3、日趋增加的钢铁产品复杂程度
• 个性化的大规模制造
• 易变的市场
• 更高的生产率
当前制造业绿色智能发展的国际大背景下，处于转型升级关键时期的国内钢铁企业积极应用数字化、智能化技术围绕工业转型升级来帮助应对这些挑战，钢铁工业亟需在目前的绿色化、自动化、数字化技术基础上进行二次创新构建符合国情的绿色智能化关键、共性钢铁生产技术。将数据测控、人工智能和机器学习等智能化技术集合起来。建设深度信息感知、智慧优化决策和精准网络协同的具有CPS架构的智能化钢铁工厂。实现以网络化、数字化为基础的智能制造。
钢铁工业大数据系统与技术全方位展示了巨大的潜在经济效益和其对传统钢铁工业流程的再制造升级能力，如何让基于行业大数据与工业4.0相关技术与系统与钢铁冶金工艺与生产流程深度融合，让相关技术与系统在钢铁行业落地生根并形成符合自身产线实际情况的技术与体系进而产生经济效益，促进钢铁行业两化深度融合与产业转型升级，为钢铁业供给侧产品与质量的提升奠定基础。尽管前期做了智能制造的相关基础工作和系统集成实践但未来任重而道远，特整理如下：
1、工厂全面数字化
全面的智能制造要依赖于全面的数字化，工业信息通讯系统用于工业全流程的数据采集、存储、管理、发布与应用。奠定工业流程数字化基础。系统支持广泛范围的传感器高速测量，实现与不同制造商的控制设备或其他自动化设备间实时工厂数据通讯及过程控制级、企业MES、ERP信息化系统数据的互联互通。数字化系统需要兼容第三方系统,无障碍融入原有自动化、信息化系统，充分盘活企业存量自动化设备、信息自动化系统资源；最大限度降低企业产线改造、转型升级的成本和周期压力。稳定、高速的数据链保证恶劣环境和系统控制临界点的可靠性和实时性。实现数据驱动的制造企业和多系统多维度端到端的工程集成。
2、钢铁流程冶金先进过程控制系统的研发与改进
随着信息技术、互联网、物联网和先进制造等技术的发展与融合，世界正在孕育一场新的工业革命，对于工业革命的划分究竟是第三次还是第四次尽管有不同理解，仅是划分阶段不同，但数字化智能化的趋势是一致的。作为工业智能化的核心组成部分，工业过程软件正在由人机界面和基本策略组态向先进过程控制方向发展。先进过程控制（Advanced ProcessControl）APC指基于数学模型而又必须用计算机来实现的控制算法，统称为先进过程控制策略。工业智能化、数字化发展新阶段是在数字化工厂基础上，利用物联网技术和设备监控等技术，提高生产过程的可控性和对生产环境的自适应性，具有高效节能、绿色环保和可持续发展特点的人性化工厂涵盖了企业生产、质量、物流等各环节，主要解决工厂、车间和生产线以及产品的设计到制造之间的信息传递和控制是两化深度融合以及将数字化智能化制造技术转化为现实生产力的理想模式。冶金先进过程控制系统是复杂的系统工程，深入融合冶金工艺流程的前沿原理和现代测控技术通过数学方法和编程技术开发成高度集成的工业应用系统，实现冶金工业化生产条件下工艺流程的动态智能控制。架起冶金工艺过程宏观条件与控制系统的桥梁，为冶金工艺流程工作者提供一个集验证新原理、新构想；研发新技术、新工艺简洁高效、实用有力的高端工程实现平台。
3、基于工业网络物联技术的智能化车间系统
智能化车间系统通过建立工厂车间级的工业通讯网络，实现车间无纸化办公及系统、装备、人员间的信息互联互通，建立覆盖全厂的信息管理与交互、电子记录的系统，电子调度指令等子系统、行车调度指令系统。融合基础自动化、计算机数据网络、工业现场总线、自动识别、传感、跟踪、扫描、在线检测、自动存储、排序及流向智能控制等技术手段,使整个生产流程从工艺到质量的全过程具备生产管理调度、柔性智能加工装配控制和质量安全管理等功能，真正实现生产管理的信息化、数字化、节能化以及柔性智能化车间生产的功能。
4、冶金能源管理系统先进技术与系统
能源管理决策子系统是专注于企业生产运行管理中能源管理和公用能源管理，是企业节能减排工作，降本增效的核心模块。该决策子系统包括了能源管理总览、能耗对标分析决策子系统，能源差距分析等决策驾驶舱，用最直观的方式找到能耗差距最大的装置，便于及时改进。
5、冶金流程数字化制造与APS系统（含大数据中心）
工业企业智能制造平台涵盖公司生产、计划、质量、安全、环保、能耗等各种相关的业务，并通过与MES等各类信息系统的数据集成，能够更好、更全面地整合计划、生产、质量、安全、环保等各类生产信息，经过科学的归纳与汇总为公司生产调度及业务管理人员提供及时、准确的决策信息，更好地为工业企业生产决策和调度提供有力的支持。
通过适当的设备和软件应用机器学习的现代技术，通过统计学方法和SPC管理决策子系统专注于企业生产经营，基于SPC设计的仪表盘，以经济技术指标为核心指标研究影响装置乃至企业生产绩效的SPC，并结合历史数据和外部对标数据对指标进行纵向和横向的对比分析，从而找到差距，及时采取应对措施，提高生产经营绩效。该子系统的实施有赖于一个成熟完善的SPC指标管理体系。
6、冶金新型检测仪表、传感器发展与应用
应用新型智能传感器及仪表，实现多种数据类型数据（常规数据、音视频、射频信号、振动及波形数据）的测控与高速无损网络传输。
物联网（IoT）技术的广泛应用以及基于商业智能技术的跨领域应用提供的附加价值使得冶金专用传感器变得越来越重要；钢铁工业转型与产线升级必须注重新型智能传感器在现代测控系统中的系统集成与应用。
智能化传感测量器件、冶金工业高端过程控制系统、生产流程智能化系统、工业软件与系统集成技术为其高效途径。将计算机过程控制技术与高速控制、精密运动、模拟测量、APS系统、能源管理系统、人机界面（ HMI）等功能集成于工业制造生产线。应用工业软件和模块化硬件，以极高的效率，极大地缩短系统从开发到部署的时间，提高企业的核心竞争力。
冶金行业智能制造系统几个关键的技术基础：大数据分析、若干系统集成、物料流、机器人、云计算技术、冶金工艺过程建模与仿真其实质从未离开数据的采集与应用和冶金工艺流程配套的软硬件结合。模型是数据的终端用户，数据是模型的基础，工业网络是分布式测控体系的神经。高端冶金模型是冶金工业知识的载体与积淀，是冶金企业的一种核心竞争力。综合应用新的硬件装备及数字化工业ICT系统，立足于自主的、适用的高端冶金工艺数学模型、基于数字化架构和CPS网络深度改进与升级企业信息化系统。实现软硬一体、综合集成、冶金工业知识和流程布局优化为主要目标的工业软装备推动未来冶金工业创新发展的主要格局。
---------------------------------------------------------------------------------
DEPSoftware通用工业ICT及智慧工厂系统模块化组件
系统中文名称 |
系统编码及介绍 |
系统用途及技术特性简介 |
DEPSoftware工业ICT及数字化工厂通用CPS系统模块化组件 |
||
工业智能化分布式网络化数据通讯系统（分布式单元系统版） |
中小规模系统传感器数据采集与传输，分时中高速率测控及过程控制系统数据通讯，智能车间数字化。基于现场总线的工业以太网分布式CPS系统接入，多个领域分布式底层数字化和数据集成便捷而高效的通用数据集成通讯系统 |
|
智能化分布式网络化数据通讯方舱系统（单进程实时测控版） |
大规模、单进程工业实时测控通讯、传感器数据集成及过程控制系统数据通讯(TSN标准数据通讯网络），智能车间数字化。基于现场总线的工业以太网分布式CPS系统接入，多个领域智能车间分布式底层数字化和数据集成便捷而高效的通用数据集成通讯系统 |
|
智能化分布式网络化数据通讯方舱系统（智慧工厂多进程专业版） |
集团级、超大规模、多进程工业实时测控通讯、传感器数据集成及过程控制系统数据通讯(TSN标准数据通讯网络），智能工厂数字化。基于现场总线的工业以太网分布式CPS系统接入，多个领域智慧工厂分布式底层数字化和数据集成便捷而高效的通用数据集成通讯系统 |
|
智能化分布式网络化数据通讯方舱系统（智能制造产业链协同版） |
集团级、超大规模、多进程、多现场工业实时测控通讯、传感器数据集成及过程控制系统数据通讯(TSN标准数据通讯网络），多个领域智能制造产业链级数字化。基于现场总线的工业以太网分布式CPS系统接入，智能制造分布式底层数字化和数据集成便捷而高效的通用数据集成通讯系统 |
|
工业信息化网络数据通讯系统 |
工业过程控制系统与信息化系统及多级过程测控系统、信息化系统间的交互数据通讯,充分联通企业信息孤岛,多个领域智慧工厂信息化建设的标准信息化数据链 |
|
工业音视频与声音及振动波形特型异构网络数据通讯系统 |
水声信号及音视频、振动及连续波形等工业特型数据窄带网络传输 |
|
超高速瞬态过程数据采集与光同步仿真测控系统 |
DEP-RDAA1.0.3 |
瞬态响应捕集与超高速数据采集分析与同步，超高采样率信号采集与分析处理；超高速极低延时光纤反射内存网络测控系统构建与网络测控数据同步 |
德潽多态通用公共数据中心 |
多态数据链共架客户端；制造公共通用化数据中心（DMC）；多系统公共数据服务中心 |
|
德潽数据链多态数据中继转发器 |
DEP-IMS-RTC2.0.3 |
跨域多态数据流交互与数字化分发。多媒体数据窄带数字化管理与分发，产业链及多工厂网络协同制造过程数据级联 |
以太网统一系统多态数字基带通信系统 |
以太网多态统一系统数字基带窄带数据通讯系统，集成化多态网络数据通讯系统 |
|
德潽工业互联网/物联网系统 |
DEP-NB-IIoT2.0.11 |
交互式窄带工业互联网及物联网（NB-IoT） |
徳潽分布式多态态势感知与边缘计算测控系统 |
DEP-SFSC2.0.3 |
集成化窄带网络化多态传感器（常规数据、音频、视频、振动及连续波形、特型数据）工厂感知系统。搭载常规复杂程度算法构建用户现场多态感知计算单元及系统（用户现场分布式边缘计算测控系统），DEP-SFSC分布式多态边缘计算智能测控系统可直接与APCEW系统和EIIMS级联实现分布式差分等级智能算法与测控和企业信息化系统的交联 |
徳潽分布式泛在多态工业CPS系统 |
DEP-CPS2.2.9 |
徳潽工业数字化分布式CPS系统是一套赛博空间（Cyber）与物理空间（Physical）之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系。基于自主硬件与软件系统，连接工业企业各种智能设备形成一个网络服务。每一个层面，可部署更多的嵌入式智能和响应式控制的预测分析；每一个层面，可部署分布式计算测控系统和工程功能的分布式边缘计算系统。解决工业企业生产制造、应用服务过程中的复杂性和不确定性问题，提高资源配置效率，实现资源优化。与传统工业控制系统严格的分层结构不同，基于分布式的自由交互模式，高层次的CPS是由低层次CPS互连集成、灵活组网而成。DEP-CPS具备高度开放互联和灵活性实现系统的灵活拓展与泛在感知 |
复杂工程原理与人工智能联合仿真及高端APC系统集成部分 |
||
高端工业过程智能控制系统通用工程平台 |
高端工业过程控制系统的核心工程平台，提供高端APC测控模型(内嵌复杂工业模型与人工智能子系统）建模工具与系统集成通用化模组，APC系统在线部署通用化工程平台
|
|
钢铁流程冶金工艺APC测控系统通用工程平台 |
冶金工业过程控制系统的核心通用工程平台，提供高端冶金工艺APC测控模型(内嵌炼钢、轧钢、冶金三传等冶炼及金属塑变过程常用数学机理模型、复杂工业测控模型与冶金人工智能子系统、冶金工艺Simulink子系统）冶金建模工具与系统集成通用化模组，冶金工业L2（PCS系统）测控系统在线部署通用化工程平台 |
|
复杂工程原理与人工智能联合仿真建模工程平台 |
DEP-ETSEW2.0.7 |
复杂工程原理及人工智能子系统、APC测控模型仿真测试通用化工程平台,支持多行业并行仿真，仿真测试成功即可直接搭载于APCEW&MPAPC平台进行载有复杂工程机理模型的高端工业过控系统集成 |
工程数值模拟计算服务平台 |
DEP-ESP1.0.3 |
有限元仿真及流体传热仿真、磁流体工艺仿真,仿真结果应用于APCEW、MPAPC测控系统 |
材料电磁处理过程专家系统 |
材料电磁处理工艺模块化、系列化测控系统应用优化的电磁力精确控制凝固过程及材料铸态组织结构 |
|
网络协同智能制造、企业信息化及多态感知数字化工厂部分 |
||
德潽企业云智能制造及物联网协同制造系统 |
企业云智能制造及物联网协同制造系统工程平台 |
|
企业智能化车间单元及系统 |
智能制造体系中现场级的智能制造单元（NSMU），分布式企业信息中心，可与EIIMS级联组网 |
|
工业企业智能制造工程平台 |
企业信息化系统核心工程平台，流程工业和离散工业及混合流程企业信息化系统公共平台，企业数字化、信息化系统集成、产业链系统整合 |
|
车船及大型工程机械智能化远程测控与集群信息服务系统 |
智能化交通系统ITS (Intelligent Transportation System)、工业企业大型装备远程多态集群测控与信息化作业指令交互调度作业工程平台 |
|
远程网络物联与数据服务系统 |
DEP-iCPSView1.0.6 |
远程监测设备运行状态及远程诊断，SPC统计分析，设备互联工程平台，移动APP应用 |
机器视觉与音频多态感知与系统识别部分 |
||
DEP视觉系统DEP-iVision Camera Server |
用于科研级图像采集、分析、识别实现高端图像处理及视觉，机器视觉光学感知通用工程平台，工业典型应用如油田工况数字化分布式无线视频监控、船舶动态监管、矿山井下无线视频通信等野外或危险场合 |
|
DEP-iVision 高速客户端与机器视觉识别HSC |
实现机器视觉识别及运动控制、视觉闭环测控系统，视觉闭环测控系统,机器视觉算法应用通用工程平台，DEP机器视觉系统应用于精确维数测量、抑制无用信号、增强有用信号、检测特征的尺寸、位置和形状, 识别特征表征的物体、标号或缺陷、确定位置、方向并决策等任务 |
|
材料学金相及显微组织检测与联合分析系统软件
|
深入融合图像处理学、材料学、金相检测技术，集成相关工艺及其相关的硬件装备实现材料显微图像处理与分析 |
|
振动与声学分析 |
DEP-Sound1.0.5 |
高速采集振动与声学信号进行联合分析得出所需结果及预警信息，用于振动化渣、装备振动预测分析等领域 |
注：点击“系统编码及介绍”所在列的系统编码字体可查阅部分系统的详细介绍及应用场景。
钢铁+”模式的现代钢铁业
近年来，大数据的应用一直是制造业的热点话题。尤其是随着《中国制造2025》的实施，制造业企业正在积极推动大数据的应用落地。宝钢研究院首席研究员杜斌最近在内部交流时所作的《钢铁业大数据应用的技术思考》报告，受到广泛关注。3月22日，原冶金部副部长、中国工程院院士殷瑞钰特向中国冶金报推荐这一报告。他指出，在大量开展工业大数据应用的当下，这篇报告所讲述的经验和建议，涉及从技术特征与方法到投资节奏、从工程可行性到管理决策，以及人才条件诸多方面，很值得钢铁行业的专业人士甚至管理人士参考。为此，中国冶金报对其进行整理并刊发，以飨读者。
近年来，大数据技术在人类日常生活及社会管理等领域的应用取得了巨大的成功。比如，流感预测、Alpha Go、广告精准推送等不断冲击着人们的视野，也引起了包括钢铁业在内的工业界的高度关注。不少钢铁企业纷纷策划或开展相关的研究与投入，建立各种规模、不同类型的大数据系统，若干应用案例也迅速涌现出来。
就目前来说，我国的钢铁业已经具有较高的自动化和信息化水平，各类数据系统也是高效率制造和管理的基础。尤其是近20年来，我国钢铁业技术人员利用数据建立的模型，通过编制软件系统，参与到制造的控制和决策各个方面，取得不少成果。与我国其他制造业横向比较，钢铁业在数据、算法、系统研制等相关技术领域均走在前列。目前，新的大数据技术浪潮拓宽了数据的应用范畴和人们的视野，钢铁人应以更大的兴趣投入其中。
杜斌教授针对已建成的钢铁产线而言。
钢铁业大数据有哪些特点？
●客观地说，社会大数据与工业大数据存在较多差异，工业大数据可能无法像社会大数据那样快速带来巨大的成功。而钢铁业永恒的话题依然是成本、质量和效率，数据只是手段。
工业大数据与社会大数据的异同
先进钢铁企业数据目前已经分布在广泛建立的多级计算机管理与控制系统中。这些数据按照生产和管理高效率的原则，具有分层布置和科学有限联通的特征。由于历史、成本和技术发展等原因，20多年来建立的钢铁计算机及数据存储系统大多为满足基本需要而设计。
工业大数据与社会大数据基本相似之处有两点：
一是数据类型基本相似。钢铁业数据以数值型为主。近年随着图像处理等技术的逐步应用，钢铁业在数据类型方面也不断地丰富，有了语音和动态视频数据，可以认为钢铁业数据类型与社会大数据类型基本相似，只是目前数值型数据仍明显占大多数。
二是数据建模的理论和方法基本相同。一般应用型研究的人们主要还是用常规数理统计、回归分析、状态估计等传统统计学方法，近年神经网络、现代数学拟合、线性规划等人工智能方法较为常见，不同问题选择不同的方法，与对象的特征相关。
不同之处有以下几个方面：
第一，对精度的要求不同。从一些社会学成功的大数据应用来看，如广告推送、行为预测等方面精度可以低一些，并不会因此产生重大的副作用。工业大数据就不同，其非常强调精度，如果工业大数据应用的精度低于现有水平，或者不能优于现有水平，就难以被企业接受。这样的例子很多。以过程控制模型来看，如果引入工业大数据建模参与过程控制，就需要新数据模型的精度超过现有的以冶金机理为主建立的控制模型才行。现有模型在局部也往往利用在线数据校正或者补偿（所谓自适应控制），所以用数据模型并不能轻而易举代替原有机理模型，除非是在机理模型难以建立的地方或者范畴。
第二，需求来源不同。从研究的出发点看，社会学领域的研究可以根据已有数据的情况来选择问题，只要取得有意义的结果就会带来价值；如果数据欠缺，社会学领域的研究就可以绕道而行。而工业问题则始终是围绕成本、效率、质量这些不变的问题进行，数据条件不足不能成为回避的理由。人们往往选择任何可行的方法来攻克难题，并不局限于数据方法，比如机理分析、测量校正、操作调整等方法。这个所谓研究需求来源的不同使得工业界对数据的依赖程度低于社会领域。
第三，数据的完整性不同。
一是数据本身的完整性不同。在保证数据本身的完整性方面，工业领域数据的收集成本高于社会领域，这是由两者的现实状况和数据收集方法等的不同所致。社会领域数据收集相对简便，比如智能手机的大面积普及，厂商可以利用手机终端来完成数据的收集，还有很多数据由政府免费提供。工业领域则要复杂得多，尤其是已有产线的数据收集就是一个极其复杂且耗费巨大的事情。比如，要把一台产线上已有特殊测量仪表的数据进行某种特定的收集，可能就要请原来的仪表制造商开放通信协议和接口，这并不容易。另外，工业设备通信协议和网络传送能力均已固化，要针对数据建模需要提出新的要求，实现起来需要时间和成本。这些都是目前工业大数据应用的具体困难，虽然不是不可克服，但要付出很大的努力和必要的成本，这些付出与所得要成比例才能持续。
二是解的完整性不同。在解的完整性方面，工业领域的要求高于社会领域。工业过程的控制必须是对要控制的方方面面均进行控制，比如炼钢就要对整个过程和所有的加料或操作进行控制指导，缺一不可；而社会领域则没有这方面的要求，可以只对一种或若干种商品广告推送进行指导。
第三，初值不同。对于一个工业过程的控制或者决策问题，有时候不能等到数据存在了再去解决。比如，控制总是在钢铁产线建立之初就要起作用，这就是所谓的数据初值问题，也就是工业界往往必须在数据产生之前就要有技术手段为制造提供控制与决策。
第四，风险不同。钢铁业大数据应用风险一般会比社会领域大，有些社会大数据应用比如广告推送、流感预测不会有难以承受的风险，而工业大数据模型可能使废品率上升，甚至危及正常生产和企业生存。
数据模型与机理模型存在较大差异
多数工业大数据应用都是通过数据建模来实施的。我们首先对比一下机理模型与数据模型的差异。机理模型是指主要的模型结构和参数来源于人们对建模对象客观规律的理解。
数据模型的参数解释性高于机理模型。通常机理模型来源于人类对对象的理解，其变量具有清晰的含义，在模型的自变量与因变量之间，专家可以给出物理或化学的解释。这种解释对于工程师对模型的理解十分重要，可以根据对相关模型变量的理解直接修改对应的模型参数。一句话，没有正确的理解就难以有良好的应用。反之，数据模型特别是一些智能模型，其参数因其复杂的数据拟合原理而变得失去了理化意义，工程师完全不能直观地或根据经验进行调整。
数据模型对对象变化的可适应性较弱。工业对象的变化总是难以避免，比如原材料性能、燃料热值、新型处理设备或部件的增加、客户对产品的新要求、产线新增或减少，等等。对象变化通常需要调整模型参数来适应，正因为数据模型的参数解释性差，必然导致调整的难度增加，甚至无法调整。尤其是增加原本不存在的新的添加物时，数据模型几乎无法调整，严重时会使得数据模型失效。
对钢铁业大数据应用的有关建议
●既要积极又要理性地开展钢铁业大数据技术的开发与应用，而理性主要反映在题目选择、技术方法以及循序渐进上。
工业大数据建模的技术方法
尽管目前大数据很热，但考虑到工业本身的特征，工业产品大多数是在人类设计的产线上制造，人们对制造过程积累了大量的知识和经验，在利用工业大数据建模时依然要紧扣问题，既充分利用大数据所含有的对象特征信息，也要充分利用数据之外的机理知识和专家经验，只有综合一切所能够利用的信息建立的模型才能达到最好的效果。通常认为：模型=机理+数据+经验，就是为了追求尽可能高的模型精度。
从工业建模的数据成本和效率角度出发，笔者认为，如果一个问题利用机理方法可以解决，就不一定要靠数据；如果用较少的数据可以解决就不必非要追求大数据。也就是说：机理＞小数据＞大数据。
也许有观点认为，随着深度学习等新技术的发展，上述问题都将不是障碍。这一点在外延明确的问题或领域也许可以较快看到（工业界这样的例子并不多）。对于大多数外延变化的钢铁业问题，我们暂时还看不到上述两个原则有被否认的趋势。
钢铁业大数据应用可从九大领域优先切入
所有这些技术比较或者建议并非是对工业大数据应用前景和价值的否定，而是针对工业问题给出合适的技术方法和路径。尽管与社会领域大数据应用存在诸多差异，但仍然可以选择一些领域开展工业大数据的研究和应用。
笔者首先建议在传统方法难以满足要求的领域或者利于发挥数据长处的领域优先开展。这些领域有：①钢铁全产线产品质量分析与监管；②专用设备诊断；③缺陷图像数据处理与分类；④基于大数据的能源整体调度优化；⑤基于制造大数据的智能采购；⑥基于市场与制造大数据的预测式制造系统；⑦基于大数据的销售决策支持；⑧成本大数据应用；⑨工序间数据建模与决策。
其中，①②④是已经长期利用数据进行工作的领域，是被证实数据应用可行且没有更好的方法可用的领域；③是把图像问题转化为数据后可以称之为大数据应用的领域，其本质依然是图像处理，其方法也是围绕图像处理技术而进行，只是大数据建模技术被认为是有前景的新方法之一；⑤~⑧是笔者较为推荐的所谓"薄而宽"的数据应用领域，宝钢数年来的实践证明了其价值和技术经济可行性，而制造环节的智能化很多是智能优化技术与大数据的结合，前者是难点与核心，故未列入；⑨则是由于大型钢厂过程计算机建设的分工设计特征决定了工序间信息的利用是一个先天的薄弱环节，传统方法是通过一系列工艺设定值来维系上下游工序间的信息衔接与传递，所以在工序间利用实际数据分析和建模可以起到补充和完善的作用。
以上列举的领域未必全面。其中②要注意的是，钢铁业工程师不要去做单体专用设备（如电机、泵阀等）的基于数据的设备诊断，而要把注意力放到工序设备的综合诊断上，因为前者很快会被专业厂商完成，而工序设备则是与钢铁业本身的制造、产品、工艺都有关的设备问题。
另外，说到大数据应用，不能不提到国际上一些把材料科学与钢铁制造相结合的数据应用研究，可算是智能化浪潮的一部分。这类研究更应当首先进行实验室探索，而不是立刻考虑工业界的计算机软硬件的安排。宝钢研究院就此成立了跨学科的年轻科研人员小组，按预研项目安排，这就是一个符合实际的做法。
钢铁业大数据应用应注意三个方面的问题
从企业的角度看，在开展大数据应用时应该注意什么呢？
关于大数据存放的策略，通常没有人反对把数据逐渐集中这一方式，事实上很多企业已经开始这方面的工作。为了全面应用工业大数据技术，人们期待把对象的所有数据都集中到同一个平台上，以便于做各种细致的研究。是否集中、何时集中所有的数据，目前对于新产线已不是技术问题，而是成本问题。数据集中的成本不仅仅是储存成本，对现有的钢铁产线而言，由数据收集带来的对原有仪表等供货商的依赖、对网络和通信设施的改造也许会带来更大的成本和麻烦。
一是建议首先开展"宽而薄"数据的应用研发。通常，制造管理相关（如MES/ERP）的数据属于"宽而薄"的数据，而生产控制数据（如仪表数据、L1控制系统等）往往是"窄而深"的数据。笔者建议工业大数据应用首先开展"宽而薄"数据的应用研发，一方面这里的数据看起来涉及面很宽，但实际上数据量并不大，存储或者"上云"相对容易；另一方面先进钢厂的数据相对比较完整。根据宝钢的实践，这里面可以产生很多数据效益。当然，方法不一定仅仅是人们常见的数据建模，更多的是智能优化等新技术的应用。宝钢在库存优化、产线智能排程、大宗原材料采购决策、战略客户销售协同等方面都取得了十分可观的价值，这些价值很多还都是在大数据云计算概念大规模出现前就开始产生了。至于"窄而深"的数据应用，对于控制界来说不是新技术，国内拥有较好的技术和人才基础，优先的方法是沿着过去已有的技术积累开展研发，在取得明确结果或者技术认识之后，再考虑数据集中，这是更符合实际和低成本的做法。
二是试点研究既是大数据的便利之处，也是必要途径。从笔者比较熟悉的成功数据应用技术成果看，大多数都经历过多次的实验，成功后往往对计算机系统提出了一定的新要求，很难想象在没有试验和一定研究的基础上就把很多数据收集起来，然后寄希望于依靠数据建模或者机器学习带来各种意想不到的成功。这既缺乏科学性，也不是经济的路径。通常而言，缺乏技术验证的东西很难得到工业界的接受。钢铁业已有的数据使我们可以通过简单的方法把有关的数据收集到离线的计算机中，并进行各类分析研究，找到模型，在得出效果（或者精度）和明确价值之后，再开始在线投资，会使风险和成本都小很多。这就是笔者所说的试点方法。
三是加强人才培训，分阶段分层次配置数据处理工具。钢铁业大多数员工并非数据学科出身，要从事工业大数据应用工作还需要补课。即使宝钢这样人才实力雄厚的企业，能够进行复杂数据应用的工程师也很少。熟悉对象且有一定数据基础的人方能较好地与专业数据工程师合作。因此，钢铁业大面积的大数据应用不仅是技术问题，也需要人才队伍建设的配合。
钢铁企业选择什么数据工具呢？笔者的建议是：考虑到企业工程师通常还不具备使用高端数据处理技术的能力，所以不要急于引进那些功能完整（指数据处理与建模、图形化等高级功能）的国外软件。这些软件在多用户的情况下价格十分昂贵。企业应该先给工程师提供简单的数据处理工具，然后再根据情况购买少数高级别工具给高级别人才用。笔者所在的小组就在为宝钢股份开发迷你型的钢铁业专用数据处理工具，不仅为企业节约较多的开支，同时又为后续的在线应用打下了扎实基础。
综上所述，虽然钢铁业大数据应用是技术问题，但大数据应用多数可以用传统方法完成，其载体是大量的计算机软硬件和通信网络等，所以某种意义上也是投资问题。在新技术快速发展、大数据技术日新月异的当下，笔者提出这些技术比较和差异分析，并非对大数据技术的否定，而是在目前"手机媒体"和"有偿培训"的影响力远大于专业人士的情况下，就钢铁业大数据应用提出自己的一些看法供大家参考。就笔者所知，目前钢铁业大数据新应用的项目不少是非钢铁业公司在负责实施，钢铁业内部的若干大数据系统项目有部分是由从未有过数据建模经历的工程师在主导，这里面的成本风险是可以想象的。另外，笔者亲历过一些缺乏行业基础的信息公司为技术基础薄弱的民营钢铁企业给出的大数据或智能化方案，存在明显的问题和风险，所以希望这些观点能够作为目前主流声音的补充。
二、钢铁行业大数据系统及数据支撑下的钢铁流程新局面
内生动力：
钢铁工业作为重要的传统产业钢铁工业面临着节能减排等诸多挑战，与此同时也迎来了钢铁工业转型升级的新机遇。将现代冶金工艺原理及前沿人工智能技术研发成果应用于钢铁工业生产实际为生产高品质钢材提供机理、装备、工艺、质量的保证，铸就企业核心竞争力以应对挑战、提质增效、完成钢铁工业转型升级。
外部动力：
工业与ICT技术结合的重要性，早已被世界各国政府和企业界充分、深刻地认识到，自从德国提出工业4.0战略后，迅速地成为全球关注的热点。
如何在激烈的市场竞争中保持自身产品的竞争力是每个制造企业永恒的话题。置身于当前竞争日益激烈的全球化环境中，市场对于生产线的要求越来越高。现场需要的是完全智能化的、将工艺过程先进原理与现代测控技术集于一身，并具有高可靠性、高速、高扩展性的流水线，用以满足用户对于不同产品的特殊需求。
钢铁工业面临前所未有的挑战，主要体现在下述三方面：
1、提升生产效率
• 能源和原材料的利用效率是竞争力的决定因素之一。
2、加快钢铁产品上市速度
• 更短的创新周期
• 更复杂的产品
• 更大的产品数据量
3、日趋增加的钢铁产品复杂程度
• 个性化的大规模制造
• 易变的市场
• 更高的生产率
当前制造业绿色智能发展的国际大背景下，处于转型升级关键时期的国内钢铁企业积极应用数字化、智能化技术围绕工业转型升级来帮助应对这些挑战，钢铁工业亟需在目前的绿色化、自动化、数字化技术基础上进行二次创新构建符合国情的绿色智能化关键、共性钢铁生产技术。将数据测控、人工智能和机器学习等智能化技术集合起来。建设深度信息感知、智慧优化决策和精准网络协同的具有CPS架构的智能化钢铁工厂。实现以网络化、数字化为基础的智能制造。
钢铁工业大数据系统与技术全方位展示了巨大的潜在经济效益和其对传统钢铁工业流程的再制造升级能力，如何让基于行业大数据与工业4.0相关技术与系统与钢铁冶金工艺与生产流程深度融合，让相关技术与系统在钢铁行业落地生根并形成符合自身产线实际情况的技术与体系进而产生经济效益，促进钢铁行业两化深度融合与产业转型升级，为钢铁业供给侧产品与质量的提升奠定基础。尽管前期做了智能制造的相关基础工作和系统集成实践但未来任重而道远，特整理如下：
1、工厂全面数字化
全面的智能制造要依赖于全面的数字化，工业信息通讯系统用于工业全流程的数据采集、存储、管理、发布与应用。奠定工业流程数字化基础。系统支持广泛范围的传感器高速测量，实现与不同制造商的控制设备或其他自动化设备间实时工厂数据通讯及过程控制级、企业MES、ERP信息化系统数据的互联互通。数字化系统需要兼容第三方系统,无障碍融入原有自动化、信息化系统，充分盘活企业存量自动化设备、信息自动化系统资源；最大限度降低企业产线改造、转型升级的成本和周期压力。稳定、高速的数据链保证恶劣环境和系统控制临界点的可靠性和实时性。实现数据驱动的制造企业和多系统多维度端到端的工程集成。
2、钢铁流程冶金先进过程控制系统的研发与改进
随着信息技术、互联网、物联网和先进制造等技术的发展与融合，世界正在孕育一场新的工业革命，对于工业革命的划分究竟是第三次还是第四次尽管有不同理解，仅是划分阶段不同，但数字化智能化的趋势是一致的。作为工业智能化的核心组成部分，工业过程软件正在由人机界面和基本策略组态向先进过程控制方向发展。先进过程控制（Advanced ProcessControl）APC指基于数学模型而又必须用计算机来实现的控制算法，统称为先进过程控制策略。工业智能化、数字化发展新阶段是在数字化工厂基础上，利用物联网技术和设备监控等技术，提高生产过程的可控性和对生产环境的自适应性，具有高效节能、绿色环保和可持续发展特点的人性化工厂涵盖了企业生产、质量、物流等各环节，主要解决工厂、车间和生产线以及产品的设计到制造之间的信息传递和控制是两化深度融合以及将数字化智能化制造技术转化为现实生产力的理想模式。冶金先进过程控制系统是复杂的系统工程，深入融合冶金工艺流程的前沿原理和现代测控技术通过数学方法和编程技术开发成高度集成的工业应用系统，实现冶金工业化生产条件下工艺流程的动态智能控制。架起冶金工艺过程宏观条件与控制系统的桥梁，为冶金工艺流程工作者提供一个集验证新原理、新构想；研发新技术、新工艺简洁高效、实用有力的高端工程实现平台。
3、基于工业网络物联技术的智能化车间系统
智能化车间系统通过建立工厂车间级的工业通讯网络，实现车间无纸化办公及系统、装备、人员间的信息互联互通，建立覆盖全厂的信息管理与交互、电子记录的系统，电子调度指令等子系统、行车调度指令系统。融合基础自动化、计算机数据网络、工业现场总线、自动识别、传感、跟踪、扫描、在线检测、自动存储、排序及流向智能控制等技术手段,使整个生产流程从工艺到质量的全过程具备生产管理调度、柔性智能加工装配控制和质量安全管理等功能，真正实现生产管理的信息化、数字化、节能化以及柔性智能化车间生产的功能。
4、冶金能源管理系统先进技术与系统
能源管理决策子系统是专注于企业生产运行管理中能源管理和公用能源管理，是企业节能减排工作，降本增效的核心模块。该决策子系统包括了能源管理总览、能耗对标分析决策子系统，能源差距分析等决策驾驶舱，用最直观的方式找到能耗差距最大的装置，便于及时改进。
5、冶金流程数字化制造与APS系统（含大数据中心）
工业企业智能制造平台涵盖公司生产、计划、质量、安全、环保、能耗等各种相关的业务，并通过与MES等各类信息系统的数据集成，能够更好、更全面地整合计划、生产、质量、安全、环保等各类生产信息，经过科学的归纳与汇总为公司生产调度及业务管理人员提供及时、准确的决策信息，更好地为工业企业生产决策和调度提供有力的支持。
通过适当的设备和软件应用机器学习的现代技术，通过统计学方法和SPC管理决策子系统专注于企业生产经营，基于SPC设计的仪表盘，以经济技术指标为核心指标研究影响装置乃至企业生产绩效的SPC，并结合历史数据和外部对标数据对指标进行纵向和横向的对比分析，从而找到差距，及时采取应对措施，提高生产经营绩效。该子系统的实施有赖于一个成熟完善的SPC指标管理体系。
6、冶金新型检测仪表、传感器发展与应用
应用新型智能传感器及仪表，实现多种数据类型数据（常规数据、音视频、射频信号、振动及波形数据）的测控与高速无损网络传输。
物联网（IoT）技术的广泛应用以及基于商业智能技术的跨领域应用提供的附加价值使得冶金专用传感器变得越来越重要；钢铁工业转型与产线升级必须注重新型智能传感器在现代测控系统中的系统集成与应用。
智能化传感测量器件、冶金工业高端过程控制系统、生产流程智能化系统、工业软件与系统集成技术为其高效途径。将计算机过程控制技术与高速控制、精密运动、模拟测量、APS系统、能源管理系统、人机界面（ HMI）等功能集成于工业制造生产线。应用工业软件和模块化硬件，以极高的效率，极大地缩短系统从开发到部署的时间，提高企业的核心竞争力。
冶金行业智能制造系统几个关键的技术基础：大数据分析、若干系统集成、物料流、机器人、云计算技术、冶金工艺过程建模与仿真其实质从未离开数据的采集与应用和冶金工艺流程配套的软硬件结合。模型是数据的终端用户，数据是模型的基础，工业网络是分布式测控体系的神经。高端冶金模型是冶金工业知识的载体与积淀，是冶金企业的一种核心竞争力。引用一下专家的观点继往开来的开展工作：“传统冶金工业是靠工业硬装备来发展，未来冶金工业的发展是要靠工业软装备来推动其创新发展”。
部分内容来源：中国冶金报。 DEPSoftware编译整理
参考文献：
【1】2018《钢铁业大数据应用的技术思考》报告宝钢研究院首席研究员杜斌
【2】2016年人工智能在钢铁工业的应用技术研讨会部分报告。
【3】2017第十一届中国钢铁年会智能制造分会场部分报告
工业大数据-----新一代工业体系
一. 关于工业大数据
工业领域切入大数据是一件很有意思的事情，在我们开展的时候，如果是计算机的人去搞工业大数据的时候，会发现很多的业务流程障碍；同样很多搞自动控制的工作人员也发现诸多障碍，为什么？这恰恰是由于工业大数据的特性，工业大数据是什么，一个是工业装备在运营使用过程中产生的数据，而它将很大的这个影响到我们装备如何去使用和控制的问题；第二是企业管理组织中产生的管理组织，这两个在工业领域中有大量的交联和交互，在工业大数据的诞生中会出现新的分支，既有IT的特点又有OT的特点，数据的采集分析和应用的方法和手段，以及相应的这个商业形态和商业的产业链的态势。
(一)、工业大数据特征：
价值性：工业大数据更加强调用户价值驱动和数据本身可用性，包括：提升创新能力和生产效率，以及促进个性化定制、服务化转型等职能制造新模式变革
实时性：工业大数据主要来源于生产制造和产品运维环节，从数据采集频率、数据处理、数据分析、异常发现和应对等方面均具有很高的实时性要求
准确性：指数据的真实性、完整性和可靠性，更加关注数据质量，以及处理、分析技术和方法的可靠性。
闭环性：包括产品全生命周期横向过程中数据链条的封闭和关联，以及智能制造纵向数据采集和处理过程中，需要支撑状态感知、分析、反馈、控制等闭环场景下的动态持续调整和优化。
(二)．工业大数据产生的价值：
有了数据基础，如何通过数据分析产生价值，数据是不是越多越好，工业数据本身具有高速性，海量性，实时性的特点，当你用的时候是一种灾难。所以，一定是以业务为主导，价值位驱动，传统技术，机理驱动，穷举，静态。实际上来说，海量实时的要求，必须实现新的方法和手段来进行相应的分析。因此它必须基于机器自主学习的数据分析能力，常规的方法和手段是无法进行解决的，如何达到综合自主分析，评估与预测，进而实现自主高效有价值的决策，这才是能力的核心。
(三)．工业大数据的表征：
工业大数据的表征是什么，是价值。工业大数据是一种规模化的方式，解决个性化的需求。这才是我们对数据使用的基本原则，其产生的价值主要表现为以下几个方面。
万物互联。这个万物不是仅在装备，是人、活动、物、环境等等，我们需要关注的是物在环境中的活动结果和目标的差异。
数据驱动。通过数据流动手段来解决问题。
自主能力。机器学习和认知计算将会产生核心的作用，而最终表征是价值，买的东西一定要有价值，不去用，是毫无意义的，所以说解决当前的问题是开展工业大数据的发展重要前提，谈梦想对于企业来说是没有意义。
(四)．流程工业的探索与实践：
1.工业大数据的现实意义：
大家知道08年之前流程制造业是相当的火，全行业那个时候盈利的，现在好多的传统行业企业要么破产了，要么是惨淡经营，出现这种问题是多方面的原因，但从工厂制造产品方面去谈，核心的问题是我们制造业传统来说是单纯商品的性能，缺乏满足多元化活动时能力。产品交付的时候，它的性能是固化的，是在不断的衰退的，这与用户多元化需求之间的差距，如何弥补，这就是业大数据产生的价值所在。通过实现工业智能的转型升级，企业不再卖产品，用户需要的不是产品，而是产品价值的体现，这个对我们制造业来说是具有革命性的变化。
2.CPS在实际生产过程中的作用：
具体如何实现过程中，就是实体世界和虚拟世界的融合，也就是Cyberspace，用户看的是实体的装备。需要的是在Cyberspace实现他的目标和业务，基于CPS的智能系统实现决策的和新的边际效益产能的释放。CPS在实际生产过程中的作用用于实现物的智慧，主要表现在执行能力、统筹能力、推理能力、分析能力、感知能力。
首先是自感知。我们所说的数据中心、数据仓库，我们的数据是什么，可能是原始的数据，存在里面有用吗。我举一个例子，我们的船有多少的数据量，难以想像，怎么样采集数据、传输数据固然重要，但我们更需要的是知识，是经验。自感知解决的核心问题是去采集什么样的数据，并且这些数据对使用者来说是有用的，这个十分重要。
第二是记忆的问题，也就是刚才说的是自记忆问题。
第三是数据信息的转换，解决海量信息的持续存储，形成自认知的能力。我们的船在开的过程，会形成的这个规律，然后机器来学习的时候，持续不断的学习、成长。
第四是自决策，什么是智能装备，只有机器可以自主决策、灵活引用并自动运行的时候，那才是真正的自决策能力，而现在自决策是我们的目标，目前还没有做到，我们只是有这种自决策的服务支持。
最后是自重构，当决策能够实现的时候，那么重构就实现了。本地数据系统，企业数据的分析，信息服务平台，传统的信息化平台，有自主的感知、认知、学习的这个能力，会把所有的装备数据，环境数据，应用数据，全部收集起来之后会自主学习和分析挖掘这些东西，进而按照需求来进行服务。
工业大数据体系的出现，并不是对已有的东西的颠覆，而是再升级，CPS是很好的解决数据利用的办法，在这个体系当中，人是作为一个关键要素，发挥重要的能动作用，该体系有很强的认知形成，包括行为认知，启发认知，也有迁移学习的能力，也有群体认知，在过程中构建新模式的转变。数据是各行各业普遍广泛关注的资源与技术，随着信息技术、互联网、物联网和先进制造等技术的发展与融合，世界正在孕育一场新的工业革命，虽有不同理解，仅划分阶段不同，但万变不离其宗,数字化、智能化的趋势是一致的。现代制造业、科研系统、航空航天、军工测控通信、城市生活等众多领域的数据汇集在一起呈现出 “4V”的特征，即数据量巨大(Volume)、多样化(Variety)、快速化(Velocity)和价值化(Value)这对制造企业和数据集成商提出了新的数据通信需求。如何实现工业多态数据的统一系统数字化传输与感知计算已成为流程工业转型升级必须要解决的关键共性问题。
工业大数据体系的目标，是实现价值的再度融合，在这个体系之下实现两个端的规范性，首先是控制端，未来流程工序、装备未来都无人自主化了，这是以控制为核心的智能化数据的应用，第二是管理端，流程工业信息化管理，强调的是支持系统，远程端解决的是控制中心和辅助决策。以云平台、控制端、管理端三大核心，实现数据私有化、服务定制化、资源集约化和基于工业数据的网络协同制造 。
二．工业大数据的价值与应用领域
数据到位了，那么数据如何体现出价值呢，这是千淘万漉虽辛苦，还是为了吹尽黄沙拾到金。数据真正的价值与意义体现在其客户端的应用上，这样数据才会开口说话，创造价值！废话不多，上具体应用场景！
(一)．基于数据的的远程监测与数字化工厂系统：
工业测控系统网络化、数字化的多态分布式感知能力为企业MES、ERP信息化系统提供系统性的精密感知能力。打通企业信息化最后一公里，完成工业企业生产经营深度数字化、信息化转型升级。工业测控系统支撑基于前沿工艺研发成果的高端工业过程控制系统（APC系统）网络化应用部署。为生产高品质产品提供机理、装备、工艺、质量的保证，铸就企业核心竞争力以应对挑战、提质增效、完成流程工艺智能化转型升级。
图1 多态数据流驱动下的行业业态新模式
图2 多态数据流驱动下的数字化工厂
二．基于数据及工业网络的流程工业分布式APC系统及集群智能应用：
工业过程控制系统软件作为工业制造系统的智能控制核心控制着制造业的核心工艺过程。某种程度上说决定着制造流程智能化的水准。随着制造业自身的发展和转型升级的需求，工业过程控制系统软件正在由人机界面和基本策略组态向先进过程控制方向发展。先进过程控制APC(Advanced Process Control System) 指基于数学模型而又必须用计算机来实现的控制算法，统称为先进过程控制策略。APC系统搭载自适应控制；预测控制；鲁棒控制；智能控制（专家系统、模糊控制、神经网络）等高级数学功能算法用于解决非线性等常规算法无法解决或测控质量不稳定的工程问题。目前，国际上已经有几十家公司，推出了上百种先进过程控制系统产品，在世界范围内形成了一个强大的工业流程应用软件产业。APC系统由先进过程控制模型和高端通讯系统（实时数据通讯系统）组成，国外对实时通讯数据链和行业APC模型垄断十分严格。由此，自主知识产权的行业先进过程控制模型和配套的高端集成基础数据通讯对于增强工业行业自主创新能力、提升行业智能化水平、稳定高质量产品比率、培育企业核心市场竞争力具有十分重要的意义。
现代工业生产过程的大型化、复杂化对产品质量、产率、安全及对环境影响的要求越来越严格，尤其是流程工业复杂、多变量、时变、MIMO特征的关键过程控制系统常规PID已无法胜任，因此，先进过程控制受到了广泛关注。先进过程控制系统（APC）系统指不同于常规PID，具有比常规PID控制具有更好控制质量的人工智能控制策略的统称。先进过程控制系统用来处理那些采用常规控制效果不好，甚至无法控制的复杂工业过程控制问题。基于现代前沿工业原理和深度智能测控技术的高端流程工业工艺过程控制系统及配套的流程工业过程控制系统软件是流程工业工艺与产品质量智能化的核心 。
高端过程控制系统工程平台底层应用德潽成熟稳定的工业通用ICT及全息多态数字化工厂系统，基于网络化DEP-CPS架构，兼容第三方系统,无障碍融入原有自动化、信息化系统。完成APC模型系统与PLC/PAC/L1系统传感器及企业信息化系统的实时双工数据通讯；充分盘活企业存量自动化设备、信息自动化系统资源；最大限度降低企业产线改造、转型升级的成本和周期压力。
图3 某流程工业智能测控系统集群应用
离散制造-搭载高级核心控制算法系统的复杂测控体系集成与行业应用
图4a-4e 离散工业智能测控系统集群应用
三．基于数据及工业网络的多态智慧工厂：
综合展示按照生产调度及管理人员实际业务需要，以图形化的方式直观呈现公司生产调度业务数据，多维度综合展示公司原料进厂、装置加工、物料库存、产品出厂、能源消耗、质量监测、安全环保、关键绩效指标等信息，并能在公司生产调度大屏幕上进行显示。展示数据能按照公司生产调度业务逻辑进行归并，提供数据图形化抽取查询功能。 综合展示功能需要提供图形化展示配置图库，供用户或二次开发人员进行配置。同时能够按照用户角色对综合展示的内容进行组态配置，满足不同角色用户使用的需要。
图5 基于多态数字化工厂的企业综合指标监控系统集成
生产决策支持动态监控能建立可配置、可视化的动态监控模型，满足公司生产调度对公司级工序管理的监盘，全面掌握公司原材料、库存、能源消耗、生产计划完成、装置开停工、装置运行、中控质量、环保，以及分厂调度业务执行情况等，动态监控公司生产、物料、质量安全及重要设备信息。
通过动态监控，显示公司整体生产运行状况，实现对生产装置非计划停工、装置工艺指标超限、公司外排污染超标等指标的实时监控报警和库存容量超限、中控质量达标、产品质量不合格等重要监控数据的信息提醒与预警。
图6 基于多态数字化工厂的生产运行与质量动态监控
要能对公司生产运营的相关数据按照生产业务和管理流程进行有效地组织、加工和业务化处理，包括关联、汇总、分析、计算、统计等，支持历史数据的查询、对比、分析，具有按事件追溯以及符合业务逻辑的智能追溯功能，为公司生产的科学调度决策提供依据。
以公司生产运行业务信息的数字化为基础，实现信息的挖掘和加工再应用。在生产决策支持体系中主要集成的系括:ERP,CRM,MES, LIMS,APS, HSE, EMS、数字化网络视频系统、走动式巡检、生产异常管理系统等；通过信息系统接口实现与连续型流程工业APC系统的数据交互与系统集成；通过跨域数据通讯系统交互级联大型工业企业生产和运营管理及自身信息系统与供应链上的上下游企业、中小型供应商。实现离散制造分布式、大规模、产业链整体网络协同智能制造。
全面的智能制造要依赖于全面的数字化，工业信息通讯系统用于工业全流程的数据采集、存储、管理、发布与应用。奠定工业流程数字化基础。为构建多态企业信息化系统与网络协同制造系统提供可实施的关键基础。EIIMS系统所用的多态数据通用化自主数据链系统（DEP-EUVFDCS）支持广泛范围的传感器高速测量，实现与不同制造商的控制设备或其他自动化设备间实时工厂数据通讯及过程控制级、企业MES、ERP信息化系统数据的互联互通。稳定、高速的数据链保证恶劣环境和系统控制临界点的可靠性和实时性。徳潽以太网统一系统多态数据链（DEP-EUVFDCS）实现端到端的工程集成。包含对主流实时数据库(PHD&Pi)和关系型数据库(Oracle, SQL Server)的连接访问及数据集成功能，数据的访问接口方式为成熟的通讯技术和成熟的接口产品，在项目的实施过程中只需要配置连接，无需进行大量的二次开发。
图7 基于多态数字化工厂的的企业生产运行和质量管理系统集成
工业智能化、数字化发展新阶段是在数字化工厂基础上，利用物联网技术、设备运行监控、复杂工业模型技术等一系列集成技术，模块化组合成用户应用系统，提高生产过程的可控性和对生产环境的自适应性，建立涵盖企业生产、质量、物流等各环节，具有高效节能、绿色环保和可持续发展特点的人性化工厂。解决工厂、车间、生产线以及产品从设计到制造间的信息传递和控制问题。工业数字化、智能化系统是支持两化深度融合，以及将数字化、智能化制造技术、新原理、新工艺从实验室原理概念和理论研发成果转化为现实生产力的切实可行的理想模式。
智慧工厂工业通用数据链系统及分布式单体数据方舱系统用于完成生产线单体设备的数据交互与工序关联，满足从分布式的中小规模到集团级数据通讯及数据中心构建。系统采用模块化设计，系统支持广泛范围的传感器高速测量，即可以用于高性价比构建车间级生产过程数字化流程，应用数据链技术联通各生产工序上的设备与岗位，也可以用于大集团级不同制造商的控制设备或其他自动化设备间实时工厂数据通讯及过程控制级、企业MES、ERP信息化系统数据的全域双向的互联互通。充分满足不同企业和行业对数据通讯的全面需求，为智慧工厂的实施奠定坚实的数字化基础。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能金融”、“智能零售”、“智能驾驶”、“智能城市”；新模式：“财富空间”、“工业互联网”、“数据科学家”、“赛博物理系统CPS”、“供应链金融”。
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com
相关内容
微信扫码咨询专知VIP会员