鞍鋼鲅魚圈厚板全流程智能工廠建設實踐

李新玲，王若鋼，趙立軍，姚震，張坤，應傳濤

（鞍鋼股份有限公司鲅魚圈鋼鐵分公司，遼寧 營口 115007）

所謂智能工廠，不同時期有不同定義，當下的智能工廠應該是精益、柔性、綠色、節能和數據驅動，是一個可不斷挖掘靈活性、互聯性和透明度等多種特性的解決方案。《中國制造2025》戰略明確主攻方向是推進完備的制造業+互聯網的創新，支持依托優勢企業建設重點領域智能工廠、數字化車間。鞍鋼集團適時制定“數字鞍鋼”建設總方案。鲅魚圈鋼鐵分公司全面落實 “數字鞍鋼”整體規劃，推進厚板工序數字化車間建設，積極推動中厚板領域智能工廠創新發展。

1 智能工廠策劃

1.1 策劃目標

智能工廠策劃的目標是建設國內首條智能制造示范、人工智能應用示范中厚板生產線，目的是讓產線“效率更高、成本更低、質量更優和愉悅交付”。

1.2 策劃思路

厚板智能工廠按照“一個網絡、兩類融合、三種集成、四種支撐”的建設思路，運用移動物聯網、數據傳感監測等先進技術，建成全工序生產運行自動化、設備故障預控化、管控決策智能化、工廠管理可視化、全要素協同化的“五化”智能工廠。

（1）一個網絡：面向智能工廠的工業互聯網；

（2）兩類融合：信息系統與智能裝備的深度融合、虛擬制造與實物制造的融合；

（3）三種集成：數字化工廠垂直集成、產品全生命周期集成、制造網絡集成；

（4）四種支撐：云計算平臺、大數據平臺、互聯網應用及工業互聯網絡安全保證。

2 智能工廠建設實踐

智能化工廠建設從質量管理、設備管理、制造協同、安全環保和仿真預測五個維度開展工作，共形成工藝在線控制、數字化精益研發、設備運行監測與分析、工序負荷平衡等21個智能化項目，見圖1所示。

圖1 智能工廠項目Fig.1 Intelligent Factory Project

2.1 全流程數據匯聚融合

在推進智能工廠建設時，按照三個層級進行構架：

第一步搭建一個網絡平臺,讓全工序設備具有計算、通信、精確控制、遠程協調等功能，具備與虛擬網絡融合的基礎條件。

第二步是過程數據匯集，對煉鋼到軋鋼的18個工序的質量、設備、生產制造、能環進行全流程數據匯聚融合，動態數據采集，規范數據管理。

第三步做好三個集成，即圍繞 “低碳綠色制造、愉悅交付體驗”的目標實現從設計到交付縱向集成、鋼軋多工序一體橫向集成及產品全生命周期端到端集成。

2.2 工序動態實時管控

在完善基礎網絡搭建和匯集數據后，開展工序動態實時管控，首先利用海量數據建立大數據產品全流程質量管控平臺，實現煉鋼到厚板產品制造過程關鍵工藝參數的在線監控和報警。其次，在設備管理上對軋機主電機、主軸、壓下、機架輥等關鍵設備的溫度、振動、位移和扭矩等208個重要指標進行在線實時監控，動態感知設備運行狀態。如厚板軋機主軸的扭矩是非常關鍵一個控制參數，軋鋼過程中經常出現瞬間超出極限值的情況，而操作工看到的只是計算平均值，瞬間的峰值無法監測，長期疲勞服役狀態下導致設備運行風險劇增，在大數據設備精準運維項目中，在主軸上增加數據傳感裝置，實現了動態監測和采集，并形成趨勢預警反饋給生產操作人員，這樣顯著提升了設備運行的安全性。第三，對全工序水、電、煤氣等能源介質消耗進行動態監測，對環保指標排放實現實時監控和預警。

3 數據挖掘建模

以構建基于“狀態感知-實時分析-自主決策-精準執行-學習提升”的智慧制造系統為主線，從制造協同、智能設備、智慧質量、能環分析四個方面開發了設備遠程運維和故障智能診斷等28個數學模型，下面重點介紹其中6個模型。

3.1 產品質量數字化評級判定系統

產品質量數字化評級判定系統的功能是根據實際產品質量結果與預設目標差異進行評分判定，并找到改進空間和關鍵影響因子。

（1）產品質量在線多維智能評判

建立了基于規則/機器學習的厚板產品多維產品質量在線精準評判知識庫與評判引擎，對產品特性在線評級判定。

（2）工藝參數自學習優化模型

基于數據驅動的工藝與產品質量一致性分析，通過知識樣本庫進行自學習，持續完善工藝規范。

（3）工藝質量耦合判定

工藝質量耦合判定主要對合金成分、連鑄坯斷面、加熱爐溫度、開軋溫度、壓下量、輥縫、軋制速度、冷卻流量、熱處理溫度等關鍵因素進行判定。

3.2 基于AI技術的視覺識別系統

基于AI技術的視覺系統模型可實現對鋼板表面質量進行連續檢測和判定，對表面缺陷的尺寸、位置、類型和缺陷圖像等信息進行視覺識別和分析，表面缺陷檢測率可達到95%，缺陷識別率可達到90%，這一技術的應用徹底改變了傳統人工抽檢的方式，也大幅提升了缺陷檢測、識別的精準度。

3.3 基于數據驅動的性能預報模型

中厚板生產過程中組織演變為“黑箱”狀態，這是長期困擾整個行業的一個技術難題。此數學模型就是通過建立了鋼板生產過程中組織演變數字映射系統，以快速獲得全局域最優工藝參數，用于生產過程精準控制，從而實現了產品從試錯研發向精益研發的巨大轉變，大幅提升了產品研發效率、精確度。數據驅動的性能預報模型見圖2。

圖2 數據驅動的性能預報模型Fig.2 Data-driven Performance Prediction Model

3.4 質量異常一鍵式追溯與診斷模型

質量異常一鍵式追溯與診斷模型對產品質量異常可實現一鍵式分析與異常診斷，對保證產品質量的穩定性意義重大。例如，2022年2月初，鲅魚圈鋼鐵分公司厚板部在生產過程中發現個別牌號產品的力學指標出現波動，在工藝人員對各工序關鍵參數確認未發現異常后，通過質量異常一鍵式追溯與診斷模型進行分析，發現加熱爐煤氣熱值是影響此性能的關鍵因子，并計算給出最佳控制范圍。由于高爐休風后厚板加熱爐煤氣由高焦混合變成了焦爐煤氣，熱值同比升高了20%左右，后期將此參數完善到了質量控制方案中，目前這套模型已經作為工廠產品質量異常分析的重要工具。

3.5 設備精準運維及故障智能診斷系統

設備精準運維及故障智能診斷系統模型的作用是通過關鍵設備狀態的大數據監測，對設備運行能力、狀態及功能精度、薄弱環節進行分析，確 定故障診斷結論。遠程故障智能診斷模型見圖3。

圖3 遠程故障智能診斷模型Fig.3 Intelligent Remote Fault Diagnosis Model

3.6 維修策略科學預測模型

維修策略科學預測模型的作用是基于設備狀態、功能精度分析以及歷史變化趨勢等數據信息，對設備狀態的變化趨勢與故障案例進行匹配和判斷，為生產線提供設備智能管理與維修策略的科學預測。設備點檢人員也可以在手機APP客戶端實時獲取設備關鍵數據和運行狀態。

4 虛擬仿真工廠

4.1 建立數字孿生工廠

建立數字孿生工廠就是在真實軋鋼的同時，基于豐富的歷史和實時數據、先進的算法模型模擬出一個同步虛擬軋鋼的仿真工廠，實現從實到虛數字孿生，從而使基于數據驅動的生產運行、物料跟蹤、設備監測和能源消耗等清晰可視。

4.2 基于大數據的虛擬工廠運營

在建立工廠實時模擬仿真基礎上，開展工序協同優化、仿真模型預測及客戶服務價值延伸等可視化運營管理模式，工廠管理部門可實現科學決策，客戶可獲取預測交期。基于大數據虛擬工廠運營見圖4。

圖4 基于大數據虛擬工廠運營Fig.4 Virtual Factory Operation Based on Big Data

5 智慧運營集控

經過四年來智能工廠建設，完成了預設70%的項目，此時需要一個集中展示的平臺。按照“先聚集、后遠離、云管理”的設計理念，建設了一個智能化生產運行集控中心，將5500產線、3800產線、熱處理生產線主要操作崗位深度融合。集控中心內設有三套操作臺、一組大屏幕可對生產關鍵環節高清晰監控、生產設備遠程操作，還設有兩個智慧島，可根據產線生產運行、產品質量和設備狀態等大數據監測結果，進行科學分析、診斷和預警，是目前國內中厚板首個跨產線、跨區域生產運行集控中心。同時，增加了取樣機器人、無人吊車等無人化、少人化項目的投入，部分區域已實現了無人化值守。

6 結語

當下建設智能化工廠可借鑒的經驗非常少，為了避免走彎路，首先要規劃好具有前瞻性的未來場景。圍繞目標場景，展開工作就會減少無效的投入。鲅魚圈中厚板未來的場景是，積極踐行中厚板智能工廠新模式，努力完成鞍鋼數字化轉型升級和打造數字生態，在制造端實現云管理，由中心計算機來控制生產，改進質量、指導停機等。產品端通過數字孿生實現工廠與用戶零距離交往，讓用戶實時了解其所訂購產品的生產狀態，從而不斷提高產品質量與服務。