中国钢铁智能制造发展前景展望——未来钢铁梦工厂

 智能硬件产品     |      2019-06-28 15:36

  随着“工业4.0”时代的来临,制造技术正逐步从自动化、数字化、网络化向智能化方向发展。“工业4.0”不仅仅是场技术革命,更重●要的是对企业经营理念、组织模式、产品结构等方面进行深层次的改革和转型。目前我国钢铁工业正处于发展战略的转型期,智能制造是实现行业转型的重要抓手。实现钢铁工业智能化制造,既要做强“大脑”——•□▼◁▼智能决策层,实现精准决策、精准管理;又要做巧“手脚”——智能制造层,实现敏捷的柔性制造、高品质的个性化定制,推进行业的战略转型。

  智能制造是基于新一代信息通信技术与先进制造技术深度融合,贯穿于产品设计、生产、管理、服务等制造过程的各个环节,具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。加快发展智能制造,是培育我国经济增长新动能的必由之路,对于推动我国制造业供给侧结构性改革,打造我国制造业竞争新势态,实现制造强国具有重要战略意义。

  当前,瞬息万变的市场需求和激烈竞争的复杂环境,要求制造系统具有柔性化、敏捷化和智能化特征。纵览全球,以德国、美国、日本等发达国家为首的各国政府均将智能制造列入国家发展计划,旨在提升制造业的智能化水平,建立具有适应大规模个性化定制及资源优化配置的智慧工厂;在商业流程及价值流程中整合客户及商业伙伴,以抢占未来制造业核心竞争力的制高点。我国也于2015年印发《中国制造2025》计划,全面部署推进实施制造强国战略。

  钢铁行业作为我国国民经济的支柱产业,在我国工业现代化进程中发挥着不可替代的作用。近三十年,大中型钢企自动化、信息化水平取得了长足的进步,有力地提高了生产○▲-•■□效率、产品质量和企业经营管理水平。在取得卓越进步的同时,也应▲★-●看到我国钢铁行业面临着“大而不强”及产能过剩、产品同质化、新产品研发周期长、劳动生产率低、质量不稳定及企业整体微利等▪▲□◁新的挑战。

  之前,我国钢◇…=▲铁工业的发展模式是以实现规模化的产量扩展、提高生产效率为目标,但在供给侧改革的形势下,尤其在新的互联网技术、工业大数据时代下,如何将钢铁制造业转向以效益最大化为目标,实现大规模个性化定制的生产模式已经成为钢铁行业发展的重点方向。特别对于高端产品,面临着订单多样性及市场恶性竞争等复杂形势。随着全球范围内智能制造技术的快速发展,国内外大型钢铁企业也将智能制造作为未来钢铁行业发展的重点方向,以期通过智能制造达到提质增效、减员增效、节能减排、转型升级、增强竞争力的目的。

  我国钢铁工业应以《中国制造2025》、《国家智能制造标准体系建设指南(2018年版)》、《智能制造发展规划(2016-2020年)》等为契机,结合钢铁工业调整•●升级规划,以智能制造为重点,循序渐进,大力推进产品研发数字化、过程管控智能化、价值链全局化等关键技术,构建新型现代化钢铁企业,实现钢铁产业智能化、绿色化的可持续发展。

  随着“工业4.0”的提出,推行领先的供应商策略和主导市场需求策略的双重驱动战略是实现智能制造的主要途径。未来钢铁梦工厂的基本特征是:利用工业互联网技术、重要运营数据,决策者随时可以通过网络实时监控;通过大数据分析,经营决策过程借助数据分析,由数字大脑代替人脑决策;研发信息物理系统,广泛应用无人化/少人化智慧装备,生产过程由智能化装备自主控制,代替人工操作。钢铁智能制造系统将大幅提升钢铁制造过程中,新产品高效研发能力、产品质量稳定生产能力、柔性制造生产组织能力、能效成本综合控制能力,实现产品规模化生产与定制式制造相融合的钢铁智能化制造。

  智能制造技术的体系建设是一项复杂的系统工程,其核心在于“质量、成本、服务、绩效”产品核心竞争力全要素的协同优化。殷瑞钰院士认为:根据流程制造业的特征,其智能制造的涵义应该是以企业生产经营全过程和企业发展全局的制造过程智能化、制造流程绿色化、产品质量品牌化为核心目标研发出来的生产经营全过程的信息物理系统。钢铁智能制造需要站在产业发展战略的新高度,做好顶层设计,构建钢铁智能制造的技术体系,充分挖掘信息物理系统(Cyber Physical Systems, CPS)和工业大数据分析等技术的潜在优势。

  钢铁智能制造系统应充分利用CPS所具有的“状态感知-实时分析-科学决策-精准执行”功能,通过大数据分析和数字孪生模型建立三个层次CPS(如图1所示),提升SoS级的精准决策▼▼▽●▽●能力,实现企业大规模个性化定制;增强系统级和单元级的自主学习、自主决策、自主控制能力,实现生产过程的精准运管和精准制造。

  SoS级(集团级):围绕产品全生命周期的核心信息和数据,通过数据集成与融合平台,运用大数据分析技术,为企业在运管过程的精益决策提供信息集成和决策支持。通过SoS中的数据挖掘与决策支持平台,实现制造★-●=•▽过程中战略发展规划、市场需求分析、经营决策分析、企业资源规划、产品研发计划、产品质量管理、客户关系管理、供应链管理等环节的协同优化,实现产品与服务过程的全要素、全价值链、全流程、全生命周期的整体协同与优化。

  系统级(产线级):在现有MES和PCS基础上,通过内部的宽带高速互联网、现场总线、无线网络,实现不同工序间生产计划、工艺数据、质量数据、检测数据、物料数据、装备数据、能源需求数据的互联互通,实现点到点的数据集成。系统级CPS的关键在于建立全流程数字化制造系统,通过钢铁智能制造过程的数字孪生模型,实现信息空间与物理空间的整体协同与★◇▽▼•优化。数字化制造系统通过数据挖掘技术与人工智能方法,建立各工序精准的数字孪生模型,实现生产计划、产品质量、生产成本、产线绩效的在线协同优化。

  单元级(工序级):以现有的PCS、PLC和基础自动化系统为基础,主要功能是执行系统级下达的执行指令,对工艺装备进行精准控制,同时负责数据采集与数据推送,装备间数据交互与通信等功能。单元级CPS应具有状态感知能力、控制执行能力、数据计算能力、自主决策能力及数据通信能力。目前,钢铁企业已广泛应用不同类型的PCS和PLC系统,实现了底层的自动化控制,但是缺乏自主感知、自主优化和自主▼▲控制能力。各工序中经过工业验证后的数字孪▲=○▼生模型可以嵌入到单元级CPS中,提升底层单元级CPS的自学习、自适应、自决策、自控制能力。

  1)战略发展决策支持系统。构建“市场—产品—投资”三者关系,寻找链中的薄弱环节和不确定因素,通过论证和优化链间连接,制订企业精益的战略发展规划。

  2)数字化产销一体化系统。建立EVI用户、CRM用户、网络用户接口平台,动态预测市场需求,根据用户订单要求编制相应生产计划,优化集团内企业各种资源。

  3)全流程质量管控系统。建立全流程质量精准管控与动态优化体系,冶金规范与质量协同设计、动态补偿优化、异常原因判定和追溯,提高产品质量稳定性。

  4)数字化产品□◁设计系统。挖掘成分、组织、工艺与性能的对应关系,建立产品研发数字孪生模型,实现相关产品、工艺和质量三位一体的协同数字化设计。

  5)生产成本精益管控系统。将物料位置、数量、状态和价值统一管理,流程之间和地域之间制造成本、资源成★▽…◇本、人力成本协同优化,实现生产成本的精益控制。

  6) 环保、安全与绩效管理。形成环保、安全、绩效等级定量化指标评价系统,实现绩效等级考核、生产运营状态、环保安全事故之间的在线监控和动态预警。

  2.3产线)全流程质量管控。将原来“事后”抽检转变为“事中”管控,通过质量数字孪生模型,实现质量在线判定、诊断、优化和判级,提高产品质量稳定性。

  1)料场智能管理。全厂区内外部物料智能化配送系统;原料堆取策略与无人化装卸装备;RFID射频技术与进出料自动识别;高效、环保、节能的全封闭料仓。

  2)智能炼铁装备。建立数字孪生模型、自动配料与上料系统、料面检测和烟气分析、风口监测、自动出渣出铁技术,实现高炉冶炼过程可视化、数字化与智能化。

  3)智能炼钢系统。采用烟气分析、成分和温度在线检测技术和精准炼钢模型,取消副枪◁☆●•○△;研发自动备料和装料系统、自动出钢系统,实现真正的“一键式炼钢”。

  实现智能制造的前提是建立全要素、全流程、全价值链、全生命周期的大数据分析平台。信息物理系统的核心是建立钢铁智能制造过程不同层面的数字孪生模型,实现信息空间与物理空间的整体协同与优化,而建立数字孪生模型的基础来源于大数据分析技术。大数据分析平台将构建相应的功能模块,实现从数据转换为信息,从信息转换为知识的过程。

  PLM(Pr oduct Li f ecycl e Management,产品全生命周期管理)为企业应用系统提供统一的基础信息与数据的表达和挖掘,是连接企业各个业务部门的信息平台间的纽带,支持和扩展企业资源的动态集成、配置、维护和管理。企业应用系统可以通过PLM实现信息和数据的连接和集成。企业重要的业务数据都应按照统一的形式,并将过程模型都集成到PLM中,所有部门都能够通过PLM获得信息服务,从而实现数据的统一管理、挖掘和应用。

  PLM系统将围绕产品与服务中的核心信息、数据和▪•★方法,运用大数据分析技术,为企业在经营与决策过程提供统一的信息集成和分析大平台,为精准决策和精准管理提供重要的支撑。平台将为企业内部和相关的外部信息化系统提供统一标准的并涵盖整个产品生命周期的信息和数据。因此,智能化工厂采用PLM作为智能决策层信息与数据的支持平台,将PLM作为贯穿产品制造与服务过程中各个环节的数据采集、融合、集成、挖掘和应用的统一平台。

  我国钢铁企业现有信息化系统是在不同时间、由不同系统开发商实施的,数据缺少统一、规范的格式,且不同尺度的海量数据分散存储在相对独立的信息化系统中,造成企业内部信息化系统之间的“信息孤岛”和“碎片化”现象,直接影响到数据的获取和使用。

  数据采集与交换的核心是系统间的数据格式映射表。通过映射表,在不同系统中的数据可以实现快速交换。除了数据格式映射表外,大数据分析系统还需在它的后台服务器添加一个对方系统的接口延伸,包括一个映射转换引擎和对方系统的连接器。两个系统间的数据流动,经映射转换引擎中的映射表转换成对方系统的数据格式,再通过双方系统的连接器,发送到对方系统。大数据分析系统应形成统一、规范的数据流,实现系统间的数据交换、存储。

  大数据分析平台对企业的设备、工艺和产品数据、关键工艺参数和质量指标的实时监测数据、产销数•☆■▲据、运营数据等进行采集与融合,并通过私有云和其他云平台获取所需的工业大数据,在此基础上建立数据分析和处理工作平台。

  大数据平台将云计算与数据分析算法进行集成,支持预测、分类、关联、聚类等大◆●△▼●数据分析方法。采用分布式计算、并行计算、网络存储、虚拟化等方法,针对质量、能源、物流、经营等业务主题进行数据计算和分析,保证大数据平台提供高效的计算服务,从而使得大数据分析更加可靠与便捷。以原始数据为基础,按照不同维度进行数据萃取融合和数据特征抽取,形成企业标准数据库、数据集市和主题数据库。对这些数据进行筛选分类、甄别评★△◁◁▽▼价、聚类汇集和关联分析,形成各类专项数据库,构成支撑钢铁工业大数据应用分析的数据资源云平台。

  面对海量、高维数据,数据体量大,存在多层面、多类别、不规则采样中的多样性、多时空时间序列性等特点,利用高通量分析、统计机器学习、数据挖掘算法来挖掘出不规则采样△▪▲□△的多时空时间序列的大数据规律。结合高性能计算技术,实现数据的快速处理和管理。

  研发高通量表征及高性能并行处理技术,实现深度智能数据挖掘,提取高价值知识信息,挖掘出深层次的生产知识、最优操作条件和管理模式,为质量精益管控、成本精益优化、客户◆◁•精益服务、绩效精益管理提供更有效的数据和决策支持,实现钢铁制造过程的在线监测、安全评估、生产管理、市场分析与预测奠定坚实的技术基础决策支持。

  大数据平台将云计算与数据分析算法进行集成,支持预测、分类、关联、聚类等大数据应用分析。采用分布式计算、并行计算、网络存储、虚拟化等方法,针对质量、成本、能源、物流等业务主题KPI指数进行数据计算和分析,保证大数据平台提供高效的计算服务,从而使得大数据分析更加可靠与便捷。

  1)目前,智能制造已成为钢铁企业发展战略的热点,在实现企业战略转型过程中,须针对企业的发展目标,策划推进智能制造的实施步骤,切忌急于求成。企业应针对自身的现状和今后发展战略,规划建设重点和实施步骤。

  2)由于现有信息化系统之间不兼容和数据的异构问题,造成了严重的“数据碎片化”和“信息孤岛”。为了解决系统之间数据不兼容、异构和碎片化等问题,在实现智能制造过程中首先应建立集数据采集、融合、集成、挖掘和应用为一体的大数据平台。3)企业可以根据实施条件和发展需求,选择企业内典型的生产线作为示范,建设全数字化智能生产线。智能生产线对各种要素进行监控,通过研发相应的产线级信息物理系统、数字孪生模型和智能化装备,实现制造过程数字化、可视化、智能化。

  声明▷•●:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。

北京赛车PK拾网上投注信誉网