在世界经济的大数据时代,数据已成为最重要的经营资源。冶金行业属于典型的流程制造业,由于其自动化和信息化程度高,生产过程中每天均产生大量的生产数据和管理数据,而真正能够用的数据比例少之又少。如何将生产中产生的大数据变成有价值的信息从而指导生产是当前所有制造业管理和技术人员思考和关心的问题。大家对冶金行业大数据的讨论主要是以大数据概念以及技术介绍为主,而能够真正介绍具体应用实践的却很少。笔者结合多年的冶金行业工作经验和信息化建设经历,对冶金行业大数据的特点、数据建模以及具体实践应用等几方面进行讨论,希望能够给制造业予以借鉴。
一、冶金行业智能制造整体架构
针对冶金行业,用友提出了冶金行业智能制造的整体解决方案,主要采用集团整体信息化,工厂分布部署的形式。具体来讲,集团整体部署ERP和商业分析,工厂分布式部署智能工厂,并通过数据分析平台与智能工厂、ERP和商业分析的交互实现对生产数据和运营管理数据的处理和支撑,实现智能辅助决策。
二、冶金行业大数据特点
随着自动化和信息化的快速发展,目前冶金行业大数据呈现为如下特点:包括采集设备众多,协议复杂多样,数据类型多种多样;存在复杂物理化学反应和界面反应;数据以结构化数据为主,非结构化数据较少;产生的数据异常值较多,部分数据难以甄别;需要高速响应以及算法复杂等特点。如何将生产过程中产生的海量、多样的数据通过复杂算法实现快速的处理分析,并指导实践是当前面临的一项重要挑战。
三、冶金行业智能模型建设思路探讨
基于冶金行业的特点,笔者认为智能模型的建立是一个复杂的过程。智能模型不是简单各个工序模型的相加,而应该考虑各个工序间的关系。除此之外,笔者认为智能模型应该是数据模型和逻辑模型的混合过程,数据模型主要负责生产工艺数据的分析处理,逻辑模型主要负责工序间的逻辑运算。由于冶金行业涉及到大量的物理化学反应和界面反应,智能模型中的数据模型需要同时考虑统计分析模型、机器学习模型或者深度学习模型等数学模型和涉及冶金物理化学反应的工艺模型,对于能够用冶金物理化学反应进行解释的不要用数学模型,而对于冶金物理化学反应无法解释的可以尝试用数学模型进行建立。
四、冶金行业智能模型数据流转过程
冶金行业智能模型的流转过程主要包括数据采集、数据存储、数据建模、数据服务等过程,其中数据建模主要包括清洗、归一化、选择数据模型、模型验证等过程。数据模型建立过程中数据的质量至关重要。
五、冶金行业大数据技术应用实践
基于笔者在冶金行业大数据分析和信息化建设方面的经验,目前国内冶金行业在大数据技术应用方面主要包括以下几个方面:
人工智能方面:l转炉红外下渣检测技术l智能缺陷系统检测技术l转炉炉衬侵蚀动态监视技术l钢包编码智能识别技术
数据挖掘、机器学习:l炼钢-连铸过程温度精确控制技术lRH精炼成分及温度精确预测技术l转炉终点磷含量预测技术l设备状态监测与维护预测l产品质量辅助分析模型
智能工艺模型:l转炉炼钢终点精准控制技术l动态配料工艺模型l板坯定尺智能分割模型l钢中夹杂物成分精确预测及控制模型
聚类分析:l基于聚类分析的新钢种变形抗力预测l基于汽车用钢铸坯质量数据挖掘及判级预测系统
六、平台支撑
大数据技术的应用的关键在于将数据通过智能模型发挥出数据的价值,从而指导生产。用友基于精智工业互联网平台打造的智能工厂系统,将会为制造业数据的采集、连接及数据分析等应用提供专业、一体化的服务。
数据就是产品,数据就是资产,用数据驱动转型。用友依托于精智工业互联网平台,结合多年来在制造业的不断努力和在大数据平台建设和应用方面的经验,提供从内通(PLM、ERP、智能工厂、大数据分析等多系统集成统一平台)到外联(采购云、营销云、畅捷支付等)一体化解决方案,从而帮助制造企业实现数字化、智能化转型。