★北京科技大学设计研究院有限公司邵健，陈超超

1　项目背景

新一轮制造业的变革，其根源是新一代信息通讯技术，尤其是大数据技术的快速发展，促使了制造业向数据驱动阶段转型。随着钢铁企业经营业务的逐步深入，现有的信息化系统在小批量柔性生产、快速响应市场变化、协同供应链管理、保证产品质量一贯制方面主要还存在如下痛点问题：

（1）数据获取方面的痛点：不同维度的质量信息分散在不同的系统中，质量分析需要在各不同的系统获取不同类型的数据，数据获取难度大，整合费时费力，数据孤岛问题突出，难以高效、准确挖掘数据价值；

（2）质量判定和监控方面的痛点：与产品质量相关的冶金规范要求、制造工艺参数、过程控制参数变化等分散在各个独立的系统中，或仅作为指导标准存在于文件之中，且相互之间缺少有效的关联，大多质量问题都是“事后监控”，质量一贯制难以保证；

（3）质量分析方面的痛点：目前钢铁工业各工序遗留的质量问题通常属于多变量耦合问题，现有系统缺乏高效的质量追溯、分析与优化技术，通过简单的阈值分析、对比分析难以发现问题根源，质量缺陷频繁、重复发生；

（4）质量协同控制方面的痛点：协同控制是今后企业精益化生产的必经之路，质量协同通常会涉及到生产、工艺、控制、设备、成本、人员等其他系统，现有的质量相关系统大多关心质量本身，协同机制缺乏，质量提升效率低下。

钢铁企业经过多年的信息化建设，基本形成了从ERP系统、MES系统、过程自动化、基础自动化的多层架构，实现了产、供、销、财一体化信息体系。与此同时，质量管理相应的管理理念也在不断进化，各组织、企业更加强调满足客户的个性需求，以客户为中心，实施质量一贯制管理思想，以实现产品质量的持续改进。但是，多年的实践表明，传统的信息化架构对质量一贯制的闭环支撑困难，未根据用户需求对过程质量进行系统化管理，缺少一个以“质量一贯制”为指导思想，贯穿全流程的质量管理信息系统。

未来国内钢铁行业仍会长时间供大于求，用户对产品质量的要求也越来越高，同时个性化、多样化需求也在不断加剧。通过构建基于工业互联网平台的钢铁全过程质量管控系统，实现钢铁生产全流程的数据采集、数据判异、数据关联、时空变换、数据治理和数据空间建设等功能，在此基础上，完成过程监控、过程判定、数据追溯、质量分析、质量预测、质量协同等功能，构建PDCA质量闭环管控体系，实现产品质量的持续改进。

2　方案介绍

2.1　整体规划

基于对国外先进质量管理理念的吸收消化及实践，国内大型冶金企业在质量一贯制管理理念上也基本达成共识：遵循“集中一贯质量管理”的原则，按“标准+α”组织生产，实行质量“PDCA”全程管控，质量管理与具体业务及工艺配套，坚持“防检结合、以防为主”。

通过推动工业互联网、大数据等新技术与流程行业深度融合，形成一套完整的面向冶金行业的产品全过程质量智能管控技术与平台，技术路线如图1所示。

图1 技术路线整体规划

基于冶金工业互联网平台的全过程质量智能管控解决方案包含如下两部分完整内容：

（1）基于工业互联网架构的质量管控大数据平台：一方面从企业生产过程的控制系统中采集大量工艺与质量数据，另一方面需要与信息化系统（MES、ERP或产销系统等）进行数据交互，重点突破多源异构海量数据清洗、治理与存储、跨领域知识融合模型构建等技术难点。在统一数据访问接口的基础上，实现跨工序各类数据间的逻辑匹配，进而完成全过程生产过程数据的时空统一，并由此开发了一整套可扩展的应用大数据平台框架与微服务、组件化技术，形成多类方法库、模型库和规则库。

（2）冶金全过程产品质量智能管控平台，主要包括离线分析和在线监控两大功能模块，重点围绕质量设计、监控、预测、评价、诊断与优化5个方面进行建设。其中，在线应用系统主要针对各个工序提供具有工序工艺特点的采集、监控、预警、分析功能，面向现场质检人员、工艺技术人员等，强调系统处理实时性、时效性，向现场操作人员、质检人员等提供准实时制造过程工艺参数与质量参数判定与预警信息，便于其在后续操作中进行优化。离线应用系统为工程技术人员和业务管理部门，根据产品制造过程的质量要求，强调全过程质量数据综合分析，从制造流程工艺角度对产品制造全过程的工艺参数、质量目标参数、质量检验与判定结果等进行追溯与分析，解决企业内跨工序的产品制造工艺制度、技术规范、质量判定等分析、优化工作，解决产品质量出问题时责任界定与划分问题。

工业互联构建的大数据平台为全过程产品质量在线管控提供完备的生产过程数据、方法库、模型库和规则库；而管控技术对大数据平台提出数据适配与规则适配的新要求，并对方法库、模型库和规则库不断的优化迭代更新，使得工业互联大数据平台能够更全面地响应钢铁生产过程的实际需求，为企业的“数据赋能”提供强有力的数据支撑。

2.2　建设内容

2.2.1　系统架构

根据钢铁行业产品质量管控方面的业务需求、信息化系统软、硬件选型等综合考虑，系统技术架构图如图2所示。

图2 系统架构

（1）边缘层：基于边缘计算技术实现人、机、料、法、能、环等生产要素的数据采集以及协议转换，并提供函数计算、数据缓存、任务调度等模块，形成一体化管理工具。

（2）数据存储层：支持海量多源异构数据（包括过程参数、实时曲线、表检图片、断面轮廓、智能装备图像、视频等）的分类存储和快速检索，满足大数据的存储需求并提供统一的数据访问接口。

（3）平台层：通过提供工业数据管理能力、可复用的工业微服务组件库、应用开发环境实现工业应用的快速开发，有效支撑上层智能应用和服务的运行、开发、运营与维护。

（4）应用层：基于数据模型、知识模型、数理模型、应用需求等，依托开发环境、平台工具开发过程判定、过程监控、数据追溯、质量分析、质量预测、质量协同等应用功能。

2.2.2　网络方案设计

建立多层级防护的管理/控制网间隔离机制。网络架构如图3所示，包括三层交换网络、数据中心服务器群、网络交换、边缘层数据采集网络。数据中心服务器群采用虚拟化/物理机方式部署，主要包括数据库服务器、数采服务器、应用服务器等。在各个生产线的相应机房安放物理机（包括边缘服务器和IOT通讯网关），IOT通讯网关通过防火墙与各区域生产控制网连接，在防火墙中通过白名单配置IOT网关与各控制子网的通讯链路，保证各子网的独立性及安全性。在系统安全体系和软件可靠性保障下，系统的运行率达到99.8%以上，在全部运行企业中未发生因系统接入导致影响正常生产的事故。

图3 网络架构

2.2.3　工业互联网平台建设

围绕产品质量管控需求和高通量、强耦合、多态时变、多源异构的数据特征，设计了面向钢铁特点的工业互联网构架，实现从数据感知到数据转换，再到信息提取和认知，在确保网络、数据、平台安全情况下实现产品质量全流程智能管控和质量持续优化改善。本项目所开发的钢铁工业互联网平台IETLinker功能架构如图4所示，功能上能够充分支撑质量管控系统应用层搭建，并且已扩展到部分企业的智能决策、集中管控、虚拟工厂、业务协同等多种新型制造模式下的数据管理和业务交互需求。

图4 冶金工业互联网平台

（1）IOT通讯网关与边缘计算相结合的数据采集方案。利用不同类型通讯网关（高频实时数据、关系型数据、非结构化数据等）完成不同自动化设备/系统、信息化系统的通讯接入、协议转换等，实现多源异构数据实时采集、转换成平台内部统一、规范的数据协议、格式，并在边缘计算平台进行数据汇集、融合，满足全过程产品质量智能管控中各类业务场景需求，以及平台层构建的全流程数据统一存储模型的数据需求；

（2）实时边缘计算的多源数据融合与预处理技术。基于多粒度数据融合与统一存储模型在边缘计算平台实时进行多源数据融合，即可赋予各高频数据、仪表数据等物料关联的语义信息，便于在线用户进行应用。同时，向中心数据平台存储时即可按物料族谱实现物料已经历工艺过程的数据融合，实现边采集、边融合、边服务的多源数据融合工业过程数据采集、服务的目标。另外，利用边缘计算平台提供预处理、缓存等功能，为网络边缘层用户就近提供存储、预处理计算能力服务，解决数据采集网络传输异常、数据可采时刻变化等难题，对数据全面采集造成的影响，通过数据缓冲、动态作业调度等技术手段提高数据可采集性、有效性。

平台覆盖主流冶金控制系统，兼容常用工业通讯协议，并且适配国际通用硬件接口，以及高分辨的数据采集频率与管理能力。

（3）可扩展应用平台框架与微服务、组件化开发技术。采用模型驱动的统一服务框架，面向多种业务角色，提供开发服务框架和部署运营服务框架，可根据业务需求动态扩展服务计算能力，并引入容器技术新型架构和微服务池，实现平台和工业应用的灵活部署和快速迭代，以适应工业场景中海量个性化开发需求。

2.2.4　产品质量全过程管控功能建设

基于工业互联网平台，借助数据驱动技术和机器学习算法，建立质量管控应用平台，实现过程判定、过程监控、质量分析、数据追溯、质量预测等功能，推进企业在产品质量过程判定、质量分析与自诊断、工艺模型优化等方面的技术革新。全过程质量管控功能如图5所示。

图5 全过程质量管控功能

（1）基于统计分析、模型预测的可重组的监控/预警引擎。首先，依据冶金规范、专家知识规则为依据设置监控规则，在生产过程中对监控参数进行实时判异，实现在线实时监控与预警；其次从过程稳定性角度出发，利用统计概率模型进行单变量的统计过程控制，利用SPC判异规则对过程重要工艺参数进行在线监控及预警，及时向现场操作及质量管理岗位提供制造过程重要工艺参数变化及预警信息，对质量异常事件实现自动报警功能。

（2）数据驱动与机理模型相结合的产品质量预测技术针对力学性能等难以在线测量的质量变量，通过机理模型和数据驱动模型的结合，通过软测量方式可以实时对相关质量指标进行预测，为产品质量的控制提供新的技术手段和思路。采用可配置方式，集成机器学习算法，用于解决不同的质量问题。采用可动态配置的设计模式，由人工随意配置样本库和变量的选择，从本平台中的关系型数据库和实时数据库进行不同的数据项配置。灵活的参数调优接口，供工艺人员对模型进行精度调试。

（3）满足定制需求的多维产品质量在线精准评判与封锁技术。研发了满足定制需求的多维产品质量在线精准评判和封锁应用功能，该功能与平台所有数据、其他应用无缝集成，并且增加基于AI算法的智能评判和优秀样库对比打分等功能，提高了多维评价的准确性，也可为后续一键式分析自主创建优秀样本库。

（4）质量与工艺的追溯分析技术。系统平台通过数据采集与数据融合，确保系统有机串联炼钢、连铸、热轧、冷轧、成品质量及客户反馈异常质量等重要信息，并关联过程监控预警和质量评级判定结果，给出可疑的可能引发异常的工艺参数，主要包括如下几种追溯方式：全工序关系型数据追溯、全工序工艺曲线追溯、全工序长度基准的时空变换、不同物料同工序之间的曲线比对与分析等。

（5）质量与工艺的优化分析技术

实际生产过程中的工艺参数优化实质是一个多参量的优化问题，尤其是在参数间存在强相关时，挖掘出各工艺参数间的耦合关系，实时预测某些不可测量的工艺参数，给出调整工艺参数的控制策略，利用工艺参数的协同优化确保产品质量。本项目利用工业大数据分析方法，挖掘数据间隐藏的复杂映射关系，从历史数据中寻找引发综合质量优良品和不合格品的差异性特征，从而实现工艺参数的优化。

（6）多业务协同管控技术

将质量信息与生产、设备、能源等数据进行关联，建立一系列定制化模型，实现质量的全局优化控制，满足不同人员和岗位的应用需求。

3　代表性及推广价值

目前该解决方案已推广应用到鞍钢、马钢、新钢、攀钢、南钢、新疆众合等30家大中型钢铁企业、4家铝加工及1家炭材企业，共计60个应用案例，成果从钢铁行业拓展到了有色、炭材料领域，同类型项目市场占有率85%，实现了板材、棒材、轨梁、有色、钢管、高线等类型产线的多次自主首套项目落地，技术和业绩行业双领跑。

企业完成工业大数据平台搭建后，最直接的体验便是数据获取和使用的便利性，和传统工作流程相比，可实现随时随地获取数据、实现数据的个性化配置、形成标准数据集、实现数据的高效存储和处理、实现数据的分级管理等，系统覆盖产线的数据采集率达到90%以上，数据利用率达到60%以上，通过全流程一键式追溯与一键式分析功能，分析效率提升60%，获得钢铁企业各个部门的广泛认同，用最低的时间成本获得数据的价值。

项目提供的过程判定功能，断面、尺寸、温度类实现自动判定，判定准确率大于99.8%，某厂应用后质检每班减少1人，质量缺陷外放风险下降60%，用户质量异议降低50%以上，解决事后质量精确识别。通过过程监控、质量分析、工艺优化等模块，工艺人员的劳动效率提升30%以上，某厂的全年内部质量降级率比上一年度下降26.3%。

摘自《自动化博览》2024年6月刊