分享：人工智能在钢铁能源管控中的应用

随着能源管理系统（Energy Management System，EMS）的发展和推广，钢铁工业已收集了各类能源相关产、消、存等环节的海量数据，并进行了集中管理、分析预测和调度优化等研究应用工作，从系统层面上取得了一些初步进展。然而，随着生产流程日趋复杂、个性化产品需求日益强烈，传统的模型方法与技术体系已遇到瓶颈，无法有效应对大数据、物联网等新场景、新模式带来的挑战。而人工智能热潮的到来，为上述问题的解决提供了新的途径。

1.   钢铁工业能源管控的现状与发展需求

钢铁生产是我国国民经济的重要支柱产业，也是能源消耗大户。据2017年统计数字，我国钢铁协会会员单位吨钢能耗（折合标准煤消耗）570.5 kg/t，较上一年度降低了2.16%。2020年这一数字下降到了545.27 kg/t，同比下降1.18%，2021年吨钢能耗达到540 kg/t左右。此外，我国单位GDP能耗落后于世界平均水平，更是远低于美国、日本、德国、英国等工业强国，行业整体能源效率与国际先进水平亦差距明显^[1]。

为了提升钢铁节能降耗水平，改善我国能源利用率远落后于发达国家的现状，除了装备、工艺等技术革新外，如何实现余热余能高效回收利用成为问题关键。而对诸如煤气等二次能源的感知估计、优化调度等工作，则是支撑上述工作的重要基础和先决条件。考虑到企业已普遍积累了海量真实数据，基于数据驱动的模型技术逐渐成为解决上述问题的首选方法。然而，由于钢铁制造流程日趋复杂，综合能源系统各变量间关系耦合程度不断加深，传统的浅层神经网络等模型已难以挖掘深度特征。此外，钢铁产品个性化需求的日益增加，也为能源管控带来全新挑战，一般数据驱动方法建立的模型已无法有效应对。

作为当前第四次工业革命的技术代表，人工智能（Artificial Intelligence，AI）迎来全面发展机遇，其已广泛成功应用于电子商务、无人驾驶、智慧生活等各个领域^[2]。结合时下钢铁工业能源管控遇到的瓶颈问题和迫切发展需求，借助人工智能技术解决感知、决策、评估及优化等问题，已成为行业的研究共识和应用导向。而在具体解决方案上，人工智能往往还需要与其他框架、技术和模式相结合，以形成系统化的应用产品。其中，信息物理系统、工业互联网及云服务模式等是将人工智能应用于钢铁能源管控的几个主要着力点和核心内容。

2.   信息物理系统——钢铁能源管控智能化的关键基础

2.1   CPS网络

信息物理融合系统（Cyber Physical System，CPS）是在对环境有充分感知的基础之上，在系统计算、通信以及网络控制力等方面的可拓展的网络化物理设备系统^[3]。CPS通过对物理进程和计算进程相互反馈循环以实现信息和设备的深度融合进而增加或拓展系统的新功能，以达到对物理实体的安全、可靠、高效的实时控制。最终实现物理世界和信息世界的完全融合，并为工业现场构造一个可控、可信、可拓展且安全高效的CPS网络，从根本上改变现有的工程物理系统的构建方式。

2.2   钢铁企业CPS网络构成

CPS网络的基本组成结构包括传感器、执行器和决策控制单元。如图1所示，基本组件之间的循环控制结构构成了CPS的基本功能逻辑单元，执行CPS网络最基本的检测与控制功能。

图  1  CPS基本功能单元

CPS系统是由众多异构元素构成的复杂系统，典型CPS系统可以分为物理层、网络层和应用层。本文考虑钢铁行业实际，构建CPS系统架构如图2所示。其中，基础物理层考虑炼钢、炼铁等各工序，以及煤气、氧气等各能源介质；网络层则通过新一代网络将底层传感器采集信息做高效传输；最终的应用层涵盖钢铁工艺知识库等多方面资源，并以软件或云服务等形式提供给最终用户。

图  2  钢铁企业CPS系统架构

随着自动化程度的提高，钢铁企业已具备建立CPS的基础，但由于钢铁生产中存在大量时滞环节，工艺之间又联系紧密，导致钢铁企业往往存在管控脱节、信息化和自动化结合相对不够紧密等问题，信息无法及时反馈到控制系统中。因此，钢铁企业建立CPS系统，不但要满足钢铁生产工序内物理环境与生产信息的融合，还应对工序间数据信息整合给予高度重视。对于已建立生产制造系统（MES）、企业资源管理系统（ERP）且实现车间内、各车间之间的信息交互，或已建立过程控制系统（PCS）且实现车间内物理设备之间信息交互的钢铁企业，其CPS架构可按照应用层、网络层和物理层等设计：

（1）物理层：本层包括CPS单元设备的状态监测和控制指令执行。当前钢铁企业中监测环节多采用含嵌入式操作系统的双校准智能仪表系统，具备实时性的特点，并且可以提高监测系统的准确性，同时多接口开放模式亦可实现更加灵活的生产现场监控和管理。

（2）网络层：CPS系统的基本要求是各个异构物理实体之间可以实现信息交互，因此钢铁企业必须有稳定的网络传输介质，并建立合理的网络传输路径。此外，还需要保证数据的流畅传输及各级子系统的信息安全，最终完成网络融合。厂区内一般选择数据传输效率最高的光纤作为主要数据传输介质，对于主干网络则根据不同厂区的工艺布局设置汇聚网络节点以减小传输延迟，并根据各物理对象数据负载合理选择路由个数，将数据通过主干网络传输至数据中心进行统一处理。

（3）应用层：本层包括钢铁企业的数据管理、资源调配管理、分厂区软件应用以及相应的大型数据计算。CPS下单元的核心是构建以武力环境为基础的制造资源动态控制策略，例如针对高炉冶炼专家系统已经广泛应用于日常生产，且其中的预测调度等模型已经基本可以达到生产需求。另一方面，实现分厂之间的数据共享对全厂的能源分配及整体调度也有重要意义。但对不同信息来源的统一以及保证分厂数据的稳定安全输出是亟待解决的问题之一。现代钢铁企业通过动态数据采集以及实时数据库的建立实现数据共享。数据共享为企业级别的大数据计算、EMS、企业物流管理、能源管理、设备点检等提供了稳定安全的数据服务。

3.   工业互联网——钢铁能源管控智能化的重要支撑

作为物联网等网络互联技术概念在工业界的实体化延伸，工业互联网成为领域应用热点。工业互联网的本质和核心是通过工业互联网平台把设备、生产线、工厂、供应商、产品和客户紧密地连接融合起来，可以帮助制造业拉长产业链，形成跨设备、跨系统、跨厂区、跨地区的互联互通，从而提高效率，推动整个制造业服务体系智能化，还有利于推动制造业融通发展，实现制造业和服务业之间的跨越发展，使工业经济各种要素资源能够高效共享。

2018年起，工信部连续印发“工业互联网平台建设及推广指南”、“工业互联网平台评价方法”等文件，“工业互联网”也成为“热词”并写入“2019年国务院政府工作报告”。考虑到能源产、消、存等环节与生产制造存在的天然密切联系，工业互联网是目前钢铁行业发展的一个主攻方向。2016年，国家发改委、能源局、工信部联合印发“关于推进互联网+智慧能源发展的指导意见”，指明了将工业互联网引入工业能源领域的大方向^[4]。

考虑到钢铁生产制造和能源产消用等实际情况，本文提出将工业互联网应用于钢铁能源管控的平台功能架构，如图3所示。该结构分为边缘层、基础设施层、平台层和应用层等四个部分。作为架构基础，边缘层和基础层完成设备接入、数据处理、云基础搭建等任务，是建立互联网环境的关键步骤。随后的平台层主要对模型方法进行泛化和集成，将考虑钢铁工业能源系统及动力、水、电等子系统产、消、存等环节特征，形成具有一定普适性的组件库和开发工具。在应用层中，不同于一般工业互联网，本文所提出的钢铁工业能源互联网将协同能源侧与生产侧，考虑能效、环保、安全、经济等多指标，在业务运行、增值服务等方面实现全流程的能源优化利用。

图  3  钢铁能源工业互联网架构

此外，5G网络的迅猛发展，也极大助力了工业互联网在各个行业的普及和深入。2019年7月22日，宝武集团董事长陈德荣在距离生产线3000 m外操控，实现远程一键炼钢。传统的炼钢过程需吹炼工、合金工、摇炉工、信号工等多方协作，且须穿戴好防护用品，工作节奏快，劳动强度大。而宝钢股份持续推进智慧炼钢，在国内处于先进行列。以5G为驱动的工业互联网技术为这次远程一键炼钢提供了关键支撑。可以预见，随着5G等新一代通信技术的引入，钢铁工业能源互联网的发展将会进一步加快。

4.   云服务——钢铁能源管控智能化的主要模式

云计算平台为企业提供基于硬件或软件资源的服务以提高企业的计算、网络和存储能力并降低企业在该方面的运营成本。一般根据平台的功能可以划分为：数据存储云平台、数据计算云平台以及存储-计算兼容综合型云平台等。其运行方式也可以根据平台的服务类型分为基础级服务（IaaS）、软件级服务（SaaS）和平台级服务（PaaS）。

在2018年智博会上，由中冶赛迪搭建的钢铁行业工业互联网云平台CISDigital备受关注，该平台融合了云计算、物联网、大数据及人工智能等前沿技术为流程工业提供包括智能运营、智能生产等服务。平台现已在韶钢智慧中心上线，完成了对韶钢生产区及能介区8大工序、30多个生产系统、40多个中控室的一体化管控，可以集中完成全厂生产的智能感知、智能分析、智能预测和智能决策。在云智慧平台投入使用后，钢厂员工的生产模式发生巨大变化，400多名操作员工可以撤离隐含危险因素的现场，生产作业区数量降低40%，吨钢生产成本降低25元，人工效率提升20%，系统稳定运行后钢厂的产量等生产指标稳步上升。鞍山钢铁厂在现有的ERP系统、MES系统以及LIMS数据库等基础上建立高炉大数据云平台，将原来高炉系统中纷繁复杂的信息进行整合优化，实现大数据的统一采集、分析和处理，并在云端大数据的存储、数据分类和数据挖掘。此外，该云平台还集成了高炉专家系统、高炉冶炼生产过程3D可视化监控、高炉智能配料与上料系统、设备智能化点检系统等为实现炼铁全流程实时监控，提高生产安全性及生产效率，降低劳动强度，为实现绿色、高效、智能炼铁提供有效途径。

作为国内钢铁行业软件的领军企业之一，上海宝信软件公司以宝钢园区为主要对象，开发了“宝之云”系列产品，涵盖包括云基础架构、网络服务、安全服务和基础软件等方面^[5]。宝钢结合宝信云平台建设思想，建设了宝钢私有云平台，制定规范原则、统一规划、集中建设、分步实施。初期控制孤立系统的规模对设备物理集中、资源统一分配，过渡期则为新建系统提供PaaS服务、为迁移系统提供IaaS服务，最终提供SaaS、PaaS为主的云服务，对内实现中心间互备，对外可以向社会提供云服务。总体来看，宝钢私有云投运以来，为集团内各子公司提供了近百套PaaS服务环境，同时，云中心也开始试点对外提供云服务。

目前钢铁能源行业的云平台产品仍以个人计算机为核心。随着5G等新一代无线通信技术的迅猛发展，基于手机、平板电脑等移动端的云服务将是该领域日后的主要发展方向。

5.   人工智能技术在钢铁生产中的应用举例

5.1   群智能（Swarm Intelligence）

群智能概念最早在分子自动机体系中提出，分子自动机中主体在一维或多维网格空间中与相邻个体相互作用从而实现自组织。群智能其实是指任何一种由昆虫或其他动物的群体社会行为机制而激发设计出的算法或分布式解决问题的策略。目前粒子群、蚁群、鸟群、蜂群等都是群体智能的典型示例。拥有社会性的生物群体通过个体的能力叠加获得更好的生存条件，这种社会性导致个体在环境中获得的优质信息在种群中留存下来。通过信息的交互不仅完成了群内部的信息传递，而且可以改变个体自身的行为使得群体获得对环境更好的适应能力，这种适应能力也被认为是一种智能。群智能的思路为在没有集中控制且不提供全局模型的前提下寻找复杂分布式问题求解方案提供了基础^[6]。

目前群智能方法已经广泛应用于工程优化问题中并得到了很好的效果，尤其是在连续空间的组合优化问题中相比其他数学求解方法更为突出。钢铁工业中存在着大量的优化问题，诸如热轧生产计划、副产煤气调度、空分机组调度、库存优化排产、炼钢组炉计划、物流路径优化等。以热轧生产排产为例，宝山钢铁将热轧生产计划优化问题转化为带有板坯选择排产功能的多目标决策的路径规划问题。利用Pareto优化原理结合蚁群算法优化模型，其中对算法的转移策略、局部搜索策略进行平滑机制处理，最大程度上保留了蚁群方法的多样性。并在此基础上采用TOPSIS方法进行多目标决策最终获得生产计划，为科学排产提供有力支撑。梅山钢铁采用基于模拟退火算法的多种群遗传方法优化得到C-Mn钢投料的C、Si、Mn、P、S等元素比例并通过现场累积数据在相同钢成分条件下优化轧钢各阶段的炉温控制参数，将钢坯的合格率由72.4%提高至97.2%，极大地提升了企业经济效益。攀钢提钒炼钢厂针对多扰动动态调度问题，首先对调度计划执行过程中的不确定因素进行分类，在此基础上采用带精英保留策略的多目标遗传算法完成了对包含工序跳跃和加工时间可控特征的钢厂调度计划的编制工作。

5.2   数字孪生（Digital Twin）

数字孪生技术是将目标的实体模型在虚拟空间中通过数字仿真技术实现实时连接，其最早由美国国防部提出^[7]。在指定产品的设计及生产过程中，首先需要对产品的模型参数进行详细分析建立全三维几何模型，再将模型数据传输到生产线进而加工为真实产品，过程如图4所示。在真实产品的测试过程中，通过数字化测量系统对真实产品进行二次仿真并将仿真结果反馈到设计模型中。通过这种方式保证产品的全生命周期内，产品设计-产品实物的协调一致，减少生产误差累积对产品的影响。西门子公司在提出工业4.0时，也采用数字孪生技术建立了安贝格数字化工厂，最大限度实现了生产自动化与设计自动化，在生产与设计的不断反馈中实现自我提升，大大提高了生产效率，降低了工厂生产及运营成本。美国大和钢铁，通过数字孪生技术对厂内设备及生产情况进行实时模拟，通过实时的3D设备仿真连接到自动化系统，完成系统的测试及提前优化。此外，在数字孪生系统下采用X-Pact@智能分析工具根据经营者的不同生产策略进行仿真得到对应策略下的产能分析结果，这给生产决策提供了自动化评估使系统调试时间减少30%。宝武钢铁集团有限公司采用数字孪生技术结合无人机技术完成了对宝山钢铁厂生产基地中各工厂位置、内部设备以及钢铁生产等实时数据的绑定。操作人员可以通过在全厂的数字模拟地图中，实时直观的掌握各处数据，方便对基地厂部状态进行监督管理。

图  4  数字孪生技术流程图

5.3   大数据（Big Data）

钢铁企业生产过程中会伴随大量的分布式、异构数据、视频、图片等信息，对该大数据信息进一步分析已经成为钢铁企业提高产品质量，提高能源利用率，降低产品成本的重要途径之一。河钢集团有限公司和承德钢铁集团有限公司联合开发的基于大数据智能管控系统打破了以前各生产部门各自为战数据共享困难的局面^[8]。通过构建该大数据系统，管理人员可以对生产全流程、全工序、全部产品的整个生产周期进行管控，并可以对产品的全生产过程追溯并及时反馈过程中出现的问题。在此基础上该平台实现设备状态可视化，质量事件可视化方便对生产班组的管理调配。尤其是在钢材判准问题上，通过对生产过程中大数据的多因素分析，钢材的改判量由2016年的每月5800 t降低至每月1200 t，因此高端钢材产出率也从2016年的28.68%上升至2018年的42.68%，总计为企业创收6518万元之多。唐钢为了完善企业管理体系，提高部门响应速度，在原有ERP系统基础上开发BW大数据挖掘系统，对ERP系统中各模块信息进行进一步的提取、整合以及分析，将海量工业数据转化为可为实际生产提供支撑的可用信息。该系统涵盖唐钢信息对象百余个、信息立方体24个、各分厂数据存储对象19个的信息整合。可以细化为对企业销售管理、采购管理、生产管理、库存管理、财务和费用管理等功能^[9]。基于SAP 进程对大量数据处理，可以快速稳定完成数据的批量处理任务。将分布式存储、大数据计算架构和数据存储相结合的技术目前已经渗透到钢铁企业这种大体量企业中，合理构建数据仓库是创建企业设备智能化管理模式的重要途径^[10]，对整个企业的设备管理、决策分析提高管理水平具有重要意义。

6.   钢铁智慧能源的未来发展趋势

面向企业智能化、绿色化的实际需求，人工智能技术目前已开始深度融入钢铁能源综合管控。考虑到实现钢铁智慧能源这一终极目标，除了本文已介绍和分析的几个核心内容和主要应用举例外，以下几个方向将成为人工智能应用于钢铁能源管控的未来发展趋势：

（1）机理、数据、知识模型的深度融合：目前模型方法的构造方式仍相对单一，仅基于数据、知识等某一资源开展建模工作，所得结果难免有所偏颇，无法全面反映钢铁能源产、消、存实际变化。虽然已有学者进行了融合模型的研究，但采用的仍是简单加权方式，缺少考虑生产制造、能源利用等过程的实际特征。因此，人工智能在钢铁能源管控方面的主要研究应用趋势之一，即如何实现机理、数据、知识等多模型合理深度融合。

（2）运算结果的可解释性提升：现有模型虽然可以给出一些具有指导意义的分析结果，但在应用时因缺乏可解释性而受到实际工作人员质疑，制约了相关方法的实际推广。同时，可解释性也是人工智能领域目前亟待解决的难题之一。鉴于此，未来钢铁智慧能源的主要研究应用方向，将必然涉及运算结果可解释性提升这一问题。

 来源--金属世界