大數據在鋼鐵行業質量管理中的應用研究

◎ 王悅曉 施燦濤 楊星 吳秀婷

鋼鐵行業屬于典型的資源密集型、資金密集型行業。伴隨著多品種小批量定制化發展趨勢以及高質量發展的必然要求，如何縮短產品制造周期、提高生產命中率、降低生產成本成為鋼鐵企業面臨的重大問題。隨著云計算、物聯網等新興技術的不斷發展成熟，基于工業大數據構建全流程質量管理體系，對生產過程中的質量數據進行收集、存儲、分析和預警等，可以更加科學地指導產品生產、質量標準修訂及其他產品質量管理工作。因此，運用大數據技術推進企業全面質量管理日益受到鋼鐵行業的青睞。

鋼鐵質量管理存在的問題

產品質量管理是隨著現代化生產的發展而逐步發展起來的，目前已進入到全面質量管理階段。在產品質量管理過程中，存在著大量未能充分挖掘的數據價值，造成鋼鐵行業質量大數據資源的浪費。

1.數據采集信息孤島現象嚴重

目前，大部分鋼鐵企業都在生產線上加裝了各類傳感器、監測儀等設備，以實現生產過程的相關參數檢測和數據存儲。但是受缺乏統籌、分步上線以及傳統信息技術限制等因素影響，各生產線往往建立單獨的數據采集系統，各系統數據共享困難，導致上下游業務之間存在嚴重的數據孤島。下游生產環節無法及時得到上游質量數據，難以在生產環節及時發現質量問題，造成生產成本、廢品率居高不下。因此，質量數據全流程管控、上下游數據充分共享對于建設大數據質量分析具有非常重要的作用。

2.數據質量控制面臨巨大挑戰

在數據質量方面，鋼鐵行業的質量大數據也適用“二八定律”，即少量的數采點位在質量數據分析方面占有較大的使用價值。在數據收集、處理過程中，受數據采集系統鏈路、硬件故障和人為因素等主客觀因素的影響，數據質量問題廣泛存在，而此類數據的大量存在將直接導致大數據分析結果出現偏差，不利于質量管理。

3.海量數據無法確保有效存儲

鋼鐵行業內各種狀態監測儀器逐漸向多功能、系統化和智能化方向發展，隨之產生的鐵水含量、高爐溫度、氣體含量和軋材硬度等大量生產質量數據，以秒級單位迅速增長，傳統的關系型數據庫和集中式文件管理效率已經無法實現對海量數據的有效保存查詢與計算的功能。因此，要實現海量數據下的質量數據分析、挖掘，需對鋼鐵行業傳統的數據存儲技術更新優化。

4.數據價值尚未得到充分挖掘

當前，數據已成為企業優良資產。雖然我國鋼鐵企業自動化水平較高，數據收集儀器較全，但是大部分企業只是將海量質量數據作為產品缺陷的追溯基礎，大量數據遺失，數據利用單一化、局部化等使得數據價值無法得到充分挖掘，也無法為自身帶來可視的經濟效益。

構建多源異構質量數據倉庫

1.質量數據特征

大數據在鋼鐵行業質量管理方面的應用是基于全流程、全工序、全品類的綜合性全流程質量管理數據平臺，涵蓋了質量策劃、過程檢驗、綜合判定和事后分析整個生命周期的管理流程。鋼鐵質量大數據是指能夠反映質量特性的各類數據，鋼鐵行業質量大數據是在目前質量數據的基礎上拓展到大數據范疇，其具有數據量巨大、數據處理速度快、數據多樣性和數據價值密度小等特征。此外，鋼鐵行業質量大數據的收集特點、數據結構等還表現為：質量數據來源較多，主要包括設備底層儀器儀表、現場PLC控制系統、二級區域控制系統、MES系統、設備管理系統、ERP系統等；數據采集設備繁多，數據流通協議復雜；以結構化數據為主，同時涵蓋聲音、圖像和視頻等非結構化數據；非正常數據較多，數據降噪困難等。因此，應用大數據技術，構建多源異構的質量大數據倉庫是實施大數據在鋼鐵行業質量管理應用的基礎。

2.質量數據采集

鋼鐵行業質量大數據的采集涵蓋產品設計、研發、采購和生產的全流程，從而為數據處理提供必要基礎。數據采集實施中采用工業網關網閘等安全措施，保證現場控制系統所在工控網絡與管理網絡安全隔離。與周邊系統集成，在數據清洗的基礎上，匹配生產爐次號、軋批號等相關信息，實現數據按照毫秒級、秒級、分鐘級等不同級別的工藝數據的定制化采集方案。

3.質量數據處理

數據處理是針對數據采集信息的可用性及邊際價值進行必要的清洗，及時準確地分辨信息是否與質量管理工作相關，并確定其相關程度，剔除一些無關緊要的數據，保留相關性較高的數據。鋼鐵行業質量數據處理主要包括罐次號/爐次號匹配、軋批號匹配等，用于質量數據分析、追溯等相關業務。同時可支持手工補錄、數據修正和異常災備等相關業務場景。

4.質量數據存儲

數據存儲是構建質量數據倉庫的關鍵。通過系統集成，采用歷史數據庫，將質量數據與配置、事件、概貌和生產業務數據集成起來，通過空間和時間上的整合，實現工藝過程參數（如溫度、壓力、流量等參數）、設備運行參數（如運行狀態、電機溫度、電機電流等參數）、檢測設備數據等多源數據按照不同主題、不同應用場景的自動存儲。

5.質量數據分析

數據分析主要是針對不同分析目標，多方向、多維度的對產品質量數據進行分析，如采集地工藝參數、設備運行狀態參數等數據信息，通過人工智能、大數據技術等分析采集地大量質量數據，并根據不同使用目的建立產品質量數據平臺，實現質量數據實時分析、預測和判定，為生產制造人員、質檢人員等提供質量信息，同時還可以實現質量預警，保證產品性能更加穩定。

大數據在鋼鐵質量管理中的應用前景

大數據技術在鋼鐵行業質量管理中的應用主要體現在質量實時監測及預警、在線分析及預判、自動判定及放行、質量分析及診斷等方面，實現“事后檢測”向“事前預防”的轉變。大數據在鋼鐵行業質量管理中的應用有助于提升企業全流程質量綜合管控水平和客戶定制化服務體驗，進而在企業轉型、模式變革和生態進化等方面提供強有力的數據支撐。

1.質量在線風險預測

以傳感器、物聯網、數據倉庫和機器學習等技術為依托，通過基于規則的知識庫，搭建質量分析及預判模型，實現生產過程中的質量數據實時分析以及產品故障實時診斷，能夠將事后質量管理轉移至事前預測，有效降低企業生產成本。

質量預判主要包含質量異議的風險評估模型、質量異議嚴重程度評估模型以及質量異議發生概率評估模型。質量異議風險評估主要包含質量異議嚴重程度預測、質量異議發生概率預測。質量異議嚴重程度是指，針對預測可能發生的質量異議的風險程度的評估，是發生的質量異議不足以影響銷售、產品降級、產品發生重大質量異議不能銷售等量化后的結果。質量異議發生概率是指在以往產品生產過程中，生產的實際總數量與發生質量異議的產品數量之間比例的統計量。

質量預測在煉鋼、軋鋼生產過程中具有諸多應用場景，根據生產過程數據對鋼水、鋼坯、軋成品質量進行預判，為生產過程提供科學指導與決策支持，提高精細化管理水平。具體應用場景包含但不限于轉爐終點磷含量預測技術、設備狀態監測與維護預測、基于聚類分析的新鋼種變形抗力預測、精軋厚度命中情況等。產品質量異議的風險評估能夠幫助企業提高風險預警能力，將不合格品數量控制在較低范圍內，從而提高企業的生產管理水平，降低生產成本。

2.質量監控及自動判定

對生產環節實時監控能夠有效掌握生產現狀，發揮質量管理的事中檢測與管控的作用。一方面，運用大數據快速獲取、處理和分析能力，為生產管理人員提供可視化交互引擎、人機交互管控模式、可視化關鍵信息展示。如碳當量、硫含量、軋成品規格、出爐溫度、冷卻速度等相關參數。另一方面，通過傳感器網絡將生產過程監控與企業運營聯系起來，在加工過程中盡早發現存在的質量波動，并通過生產和企業運作的匹配盡早作出反應，實現對最優企業運作的預期并自動調整生產流程。

在鋼鐵制造過程中，各工序生產環節復雜，每個環節工藝參數設置較多，造成生產過程中諸多產品發生缺陷的可能性，如擦傷、溫度過高、邊裂以及劃痕等。通過大數據挖掘，構建一個集成多方面的生產缺陷識別模型，利用圖像處理、成分檢測等技術將工藝參數與缺陷類型進行關聯，分析缺陷類型及原因。通過質量預判模型的自學習特性，及時發現不合格品，實現產品質量分級管控。目前在此方面的應用已逐漸發展成熟，如智能缺陷系統檢測技術、轉爐爐襯侵蝕動態監視技術、轉爐煉鋼終點精準控制技術等。

3.全流程質量數據管理

全流程質量管理系統采用在線質量管理與離線質量管理相結合的方式，實現在線對生產過程工藝數據、性能數據的監控、質量決策，離線質量追溯和質量趨勢分析。全流程質量數據管理涵蓋鐵水生產、煉鋼、鑄機和軋鋼等鋼鐵企業生產的全流程的工藝數據、質量數據、生產數據的采集、存儲等，實現對數據的抽取、集成和展示，從而為每一批次鋼種的質量分析、質量追溯和質量決策提供有力的數據支撐。在數據處理方面，通過構建MapReduce①并行計算框架以及HBase②分布式數據庫，為整個數據管理框架提供高效的數據處理能力，從而減少海量數據處理的難度。

建議

由于鋼鐵行業質量管理呈現出生產過程復雜、數據來源繁雜和通信機制眾多等特點，因此提升鋼鐵行業質量大數據的質量是大數據處理的必然前提。

1.獲取高質量的感知數據

明確設備對質量數據檢測的要求，減少多讀、漏讀和誤讀的情況。預先設定機器讀取數據的標準，采用更加先進的檢測設備，從而在設備讀取質量數據過程中減少冗余數據的產生。

2.構建高效數據清洗機制

在處理設備讀取數據過程中，可通過基于規則發現、關聯分析、聚類分析和偏差檢測等多種方式發現異常的質量數據，并通過機器學習、沖突數據檢測和規則學習等方式刪除、修復異常的數據。

3.建立數據采集標準

堅持以應用為導向，從數據質量的定義、評價、分析及改進等方面進行閉環管理，從而達到數據質量管理的持續優化。

注釋：

①MapReduce是一種編程模型，用于大規模數據集（大于1TB）的并行運算。

②HBase是一個分布式的、面向列的開源數據庫。