鞍钢鲅鱼圈厚板全流程智能工厂建设实践

李新玲，王若钢，赵立军，姚震，张坤，应传涛

（鞍钢股份有限公司鲅鱼圈钢铁分公司，辽宁 营口 115007）

所谓智能工厂，不同时期有不同定义，当下的智能工厂应该是精益、柔性、绿色、节能和数据驱动，是一个可不断挖掘灵活性、互联性和透明度等多种特性的解决方案。《中国制造2025》战略明确主攻方向是推进完备的制造业+互联网的创新，支持依托优势企业建设重点领域智能工厂、数字化车间。鞍钢集团适时制定“数字鞍钢”建设总方案。鲅鱼圈钢铁分公司全面落实 “数字鞍钢”整体规划，推进厚板工序数字化车间建设，积极推动中厚板领域智能工厂创新发展。

1 智能工厂策划

1.1 策划目标

智能工厂策划的目标是建设国内首条智能制造示范、人工智能应用示范中厚板生产线，目的是让产线“效率更高、成本更低、质量更优和愉悦交付”。

1.2 策划思路

厚板智能工厂按照“一个网络、两类融合、三种集成、四种支撑”的建设思路，运用移动物联网、数据传感监测等先进技术，建成全工序生产运行自动化、设备故障预控化、管控决策智能化、工厂管理可视化、全要素协同化的“五化”智能工厂。

（1）一个网络：面向智能工厂的工业互联网；

（2）两类融合：信息系统与智能装备的深度融合、虚拟制造与实物制造的融合；

（3）三种集成：数字化工厂垂直集成、产品全生命周期集成、制造网络集成；

（4）四种支撑：云计算平台、大数据平台、互联网应用及工业互联网络安全保证。

2 智能工厂建设实践

智能化工厂建设从质量管理、设备管理、制造协同、安全环保和仿真预测五个维度开展工作，共形成工艺在线控制、数字化精益研发、设备运行监测与分析、工序负荷平衡等21个智能化项目，见图1所示。

图1 智能工厂项目Fig.1 Intelligent Factory Project

2.1 全流程数据汇聚融合

在推进智能工厂建设时，按照三个层级进行构架：

第一步搭建一个网络平台,让全工序设备具有计算、通信、精确控制、远程协调等功能，具备与虚拟网络融合的基础条件。

第二步是过程数据汇集，对炼钢到轧钢的18个工序的质量、设备、生产制造、能环进行全流程数据汇聚融合，动态数据采集，规范数据管理。

第三步做好三个集成，即围绕 “低碳绿色制造、愉悦交付体验”的目标实现从设计到交付纵向集成、钢轧多工序一体横向集成及产品全生命周期端到端集成。

2.2 工序动态实时管控

在完善基础网络搭建和汇集数据后，开展工序动态实时管控，首先利用海量数据建立大数据产品全流程质量管控平台，实现炼钢到厚板产品制造过程关键工艺参数的在线监控和报警。其次，在设备管理上对轧机主电机、主轴、压下、机架辊等关键设备的温度、振动、位移和扭矩等208个重要指标进行在线实时监控，动态感知设备运行状态。如厚板轧机主轴的扭矩是非常关键一个控制参数，轧钢过程中经常出现瞬间超出极限值的情况，而操作工看到的只是计算平均值，瞬间的峰值无法监测，长期疲劳服役状态下导致设备运行风险剧增，在大数据设备精准运维项目中，在主轴上增加数据传感装置，实现了动态监测和采集，并形成趋势预警反馈给生产操作人员，这样显著提升了设备运行的安全性。第三，对全工序水、电、煤气等能源介质消耗进行动态监测，对环保指标排放实现实时监控和预警。

3 数据挖掘建模

以构建基于“状态感知-实时分析-自主决策-精准执行-学习提升”的智慧制造系统为主线，从制造协同、智能设备、智慧质量、能环分析四个方面开发了设备远程运维和故障智能诊断等28个数学模型，下面重点介绍其中6个模型。

3.1 产品质量数字化评级判定系统

产品质量数字化评级判定系统的功能是根据实际产品质量结果与预设目标差异进行评分判定，并找到改进空间和关键影响因子。

（1）产品质量在线多维智能评判

建立了基于规则/机器学习的厚板产品多维产品质量在线精准评判知识库与评判引擎，对产品特性在线评级判定。

（2）工艺参数自学习优化模型

基于数据驱动的工艺与产品质量一致性分析，通过知识样本库进行自学习，持续完善工艺规范。

（3）工艺质量耦合判定

工艺质量耦合判定主要对合金成分、连铸坯断面、加热炉温度、开轧温度、压下量、辊缝、轧制速度、冷却流量、热处理温度等关键因素进行判定。

3.2 基于AI技术的视觉识别系统

基于AI技术的视觉系统模型可实现对钢板表面质量进行连续检测和判定，对表面缺陷的尺寸、位置、类型和缺陷图像等信息进行视觉识别和分析，表面缺陷检测率可达到95%，缺陷识别率可达到90%，这一技术的应用彻底改变了传统人工抽检的方式，也大幅提升了缺陷检测、识别的精准度。

3.3 基于数据驱动的性能预报模型

中厚板生产过程中组织演变为“黑箱”状态，这是长期困扰整个行业的一个技术难题。此数学模型就是通过建立了钢板生产过程中组织演变数字映射系统，以快速获得全局域最优工艺参数，用于生产过程精准控制，从而实现了产品从试错研发向精益研发的巨大转变，大幅提升了产品研发效率、精确度。数据驱动的性能预报模型见图2。

图2 数据驱动的性能预报模型Fig.2 Data-driven Performance Prediction Model

3.4 质量异常一键式追溯与诊断模型

质量异常一键式追溯与诊断模型对产品质量异常可实现一键式分析与异常诊断，对保证产品质量的稳定性意义重大。例如，2022年2月初，鲅鱼圈钢铁分公司厚板部在生产过程中发现个别牌号产品的力学指标出现波动，在工艺人员对各工序关键参数确认未发现异常后，通过质量异常一键式追溯与诊断模型进行分析，发现加热炉煤气热值是影响此性能的关键因子，并计算给出最佳控制范围。由于高炉休风后厚板加热炉煤气由高焦混合变成了焦炉煤气，热值同比升高了20%左右，后期将此参数完善到了质量控制方案中，目前这套模型已经作为工厂产品质量异常分析的重要工具。

3.5 设备精准运维及故障智能诊断系统

设备精准运维及故障智能诊断系统模型的作用是通过关键设备状态的大数据监测，对设备运行能力、状态及功能精度、薄弱环节进行分析，确 定故障诊断结论。远程故障智能诊断模型见图3。

图3 远程故障智能诊断模型Fig.3 Intelligent Remote Fault Diagnosis Model

3.6 维修策略科学预测模型

维修策略科学预测模型的作用是基于设备状态、功能精度分析以及历史变化趋势等数据信息，对设备状态的变化趋势与故障案例进行匹配和判断，为生产线提供设备智能管理与维修策略的科学预测。设备点检人员也可以在手机APP客户端实时获取设备关键数据和运行状态。

4 虚拟仿真工厂

4.1 建立数字孪生工厂

建立数字孪生工厂就是在真实轧钢的同时，基于丰富的历史和实时数据、先进的算法模型模拟出一个同步虚拟轧钢的仿真工厂，实现从实到虚数字孪生，从而使基于数据驱动的生产运行、物料跟踪、设备监测和能源消耗等清晰可视。

4.2 基于大数据的虚拟工厂运营

在建立工厂实时模拟仿真基础上，开展工序协同优化、仿真模型预测及客户服务价值延伸等可视化运营管理模式，工厂管理部门可实现科学决策，客户可获取预测交期。基于大数据虚拟工厂运营见图4。

图4 基于大数据虚拟工厂运营Fig.4 Virtual Factory Operation Based on Big Data

5 智慧运营集控

经过四年来智能工厂建设，完成了预设70%的项目，此时需要一个集中展示的平台。按照“先聚集、后远离、云管理”的设计理念，建设了一个智能化生产运行集控中心，将5500产线、3800产线、热处理生产线主要操作岗位深度融合。集控中心内设有三套操作台、一组大屏幕可对生产关键环节高清晰监控、生产设备远程操作，还设有两个智慧岛，可根据产线生产运行、产品质量和设备状态等大数据监测结果，进行科学分析、诊断和预警，是目前国内中厚板首个跨产线、跨区域生产运行集控中心。同时，增加了取样机器人、无人吊车等无人化、少人化项目的投入，部分区域已实现了无人化值守。

6 结语

当下建设智能化工厂可借鉴的经验非常少，为了避免走弯路，首先要规划好具有前瞻性的未来场景。围绕目标场景，展开工作就会减少无效的投入。鲅鱼圈中厚板未来的场景是，积极践行中厚板智能工厂新模式，努力完成鞍钢数字化转型升级和打造数字生态，在制造端实现云管理，由中心计算机来控制生产，改进质量、指导停机等。产品端通过数字孪生实现工厂与用户零距离交往，让用户实时了解其所订购产品的生产状态，从而不断提高产品质量与服务。