1 引言

近年来，由于供过于求造成供需失衡，钢铁和有色金属行业持续低迷，亟待提振，特别是在结构优化和提升运营效率上面临着巨大压力。为此，业内提供了多种解决方案，通过在整个工厂范围内优化客户运营来应对这些挑战。主要从数据和人工智能（AI）的角度实施了三大解决方案。其中机器学习约束编程（MLCP）通过优化工厂调度来提高运营效率；自组织诊断和分析系统（HITSODAS）通过分析来自高速控制系统的大量数据，从而提高质量和产量，这些数据在时间尺度上运行，时间尺度为数十毫秒；电机预测诊断解决方案采用专利算法分析电机电流信号的预测诊断方法，提高了电机维修效率。

2 利用MLCP优化生产计划

一直以来，钢铁行业的生产计划（调度）只是少数经验丰富的工作人员才能完成的工作，对于特定人员过于依赖，这一现状迟迟无法改观。此外，由于难度系数较高，无法将该项工作进行计算机处理。为了攻克这一难关，正在持续采用人工智能技术，以及计划优化服务MLCP。目前来看，生产计划依赖于特定人员可归咎于以下三大原因。

1）高难度。计划需要考虑到几十项因素。除了设备限制之外，还包括材料、交货时间和客户特定的需求。有些情况下，并非所有条件都能满足。这意味着，为了满足特定程度的质量，只能放宽另一些条件。

2）经常修订计划。诸如订单变更或设备问题每天都会出现，每次都需要修改计划。在不影响计划质量的前提下修订计划，这需要有经验的工作人员作出迅速判断。

3）无法记载技术诀窍。由于钢铁产品是按照订单进行生产的，因此，产品变化复杂，牌号和尺寸多种多样，难以准确记录技术诀窍。相关要求也会随着设备或产品组合而变化，对于工作人员技术诀窍的更新也非常困难。

为了解决这些问题，业内一直在使用大数据分析技术复制有经验工作人员的生产计划，借助MLCP实现计划工作的计算机处理，从而在现场制定最佳计划，如图1所示。该服务使用大数据分析来复制专家制定的计划，可以根据需要产生最佳的计划。

该系统的主要特点如下。

1）机器学习。通过分析计划数据，学习如何复制有经验工作人员的技术诀窍。值得一提的是，这提供了与有经验的工作人员类似的计划灵活性，复制了他们的技术诀窍，即在不能满足所有约束的情况下，如何放松约束。在安装后，该系统还通过继续学习计划数据，从而更新有经验工作人员的技术诀窍。

2）数学优化引擎。优化引擎在满足多个约束条件的同时，确定哪些计划提供了最佳性能，从而提供了更高质量的计划。结合IT技术，从运营技术（OT）控制系统获取运营数据等必要要素，还有进一步提高计划准确性的余地。借助MLCP，客户可以迅速制作高质量的计划书，克服计划过于依赖特定人员的专业性问题。高质量的计划书也使得生产效率更高，减少轧辊磨损和预热材料的数量，进而提高产品质量，并便于可靠的操作。今后的计划是将MLCP并入OT控制系统，从而进一步提升其功能。

3 自组织诊断和分析系统

为了提高扁平材产品的质量和产量，需要减小不合格带钢的长度，防止带钢断裂，以及确保一致的带钢平整度。为了实现这些目标，需要进行深入分析，但问题在于：钢材牌号，以及带钢厚度和宽度多种多样，因此，手工分析海量的时间序列数据非常耗时，而且结果也会因分析人员的技能水平而产生差异。为了应对这些挑战，业内利用其长期以来积累的广泛专业知识，开发并提供了HITSODAS系统，战略性地利用从工厂收集的数据，支持其运营维护。

HITSODAS是由一套数据收集和图形显示的核心功能（HITSODAS-BASE）以及三个扩展功能组成：HITSODAS-QA（质量分析）、HITSODAS-DS（动态协同控制）、HITSODAS-PH（过程人机界面）。

使用HITSODAS来处理数据，可以通过一个反复的循环来进行有效的系统改进，在这个循环中，用户从数据域中提取数据（感知），考虑如何使用这些数据来解决问题（思考），然后对实际控制系统进行改进（行动）。

“感知”步骤包括从数据域中提取和展示工厂数据。数据字段是由HITSODASBASE数据收集系统提供的工厂数据。HITSODAS-PH还可以访问来自工厂摄像机的视频，这些视频可以与数据同步回放，从而提供工厂内发生的、更广泛的视图。“思考”步骤包括使用HITSODAS-QA提供的数据分析和其他工具，在收集的数据中寻找问题的原因及其解决方案。在从工厂收集到的信号中检测出异常行为的迹象，可以帮助快速追踪到产品问题的症结所在。

“行动”步骤是根据“思考”步骤中确定的潜在解决方案对控制系统进行测试。借助HITSODAS-DS提供的功能，可以使得由工厂数据进行控制模型的调整更加有效。

随着HITSODAS版本的不断更新，增强了图形功能和易用性，目前其用户群体正在不断增长，正在大范围使用该软件的运营支持服务。

4 使用电机电流预测性诊断的高效维护

对于工厂使用的电机驱动系统而言，意外的设备停工或更高的维护和检查成本是频发的问题之一。为了解决这些问题，推出了预测性诊断解决方案，利用人工智能分析电机电流，自动检测并关注电机退化或异常运行等问题。

该解决方案所使用的预测性诊断技术借鉴了业界在电机制造和维护方面的经验，结合了OT知识和人工智能分析技术。由于电机驱动系统的退化导致电机负荷的变化，这些变化也表现在电机电流上。通过从电机电流行为的这些微小变化中提取表明系统退化的特征值，并使用机器学习技术，通过识别现有数据中的电机异常，实现高度精确的预测性故障检测。该解决方案使用预测性诊断算法来分析电机电流数据并检测电机的异常行为。

该解决方案特点如下：

1）通过远程进行检查和诊断，因此，工作场所更加安全；

2）通过整合多个电机的监测、分析和诊断，降低了维护工作量和成本；

3）由于每台电机的状况被单独监测，能够单独确定电机维护的优先次序；

4）通过将以前依赖工人直觉和经验法则的工作进行标准化，有利于解决有经验的工作人员短缺的问题；

5）通过在电机制造商的工程知识基础上提取特征值，为高灵敏度的诊断提供便利。

通过使用钳形传感器来测量预测性诊断所需的电流，简化了系统的安装，所有元件都被安装于电气室的控制板中。与过去将传感器安装于电机的做法相比，此举减少了传感器维护所需的现场访问次数。

基于人工智能的预测性诊断算法对当前数据进行分析，便于查明哪里存在电机退化的迹象，提供每个电机退化程度的数据。通过只对那些需要维修或更换的电机进行维护，这有助于防止意外的设备停工，并减少维护工作量。

虽然该服务目前仅限于交流电机，但随着更高级版本的开发，对直流电机的支持力度也正在逐步加大，该解决方案还可以对电机齿轮箱及其相关下游设备的状况进行可视化和诊断。在减少员工工作量的同时，该服务也使维护工作更加有效，并支持安全和可靠的工厂运行。（御风）