今日頭條
官方微信
官方抖音
案例頻道★北京首鋼自動化信息技術有限公司
★首鋼京唐鋼鐵聯合有限責任公司
★首鋼技術研究院
1 項目背景介紹
隨著新一代信息技術的不斷突破和向制造業的加速滲透，鋼鐵產業變革得以深入發展。2021年，國家“十四五”發展規劃明確提出了產業數字化發展要求，同年4月，中國鋼鐵工業協會組織成立了鋼鐵智能制造聯盟，引領和規范鋼鐵企業數字化轉型發展。鋼鐵企業的數字化轉型已不是選修課，而是助推企業高質量發展的必由之路。自“十三五”以來，眾多鋼企一直在探索智能制造發展路徑，研究領域涉及數據平臺研發、裝備、生產及服務等，各領域都有亮點工作，但取得的成效主要體現在供應鏈管理效率提升方面，如采購、營銷、物流、財務等數據信息的貫通與融合。對于生產數據的價值挖掘遠遠不足，現有質量管控多數集中在基于閾值或簡單規則的判定，質量溯源和基于數據的分析模型一直難以落地。近年來，圍繞制造層面的智能化落地問題，寶武集團等先進企業開始探索“云-邊-端”協同體系，首鋼也在同期開始關注車間層級的智能工廠發展，聚焦“生產過程”智能管控體系建設及“云-邊-端”管控架構。
熱軋是鋼鐵生產流程中的重要環節，也是控制變量多、控制難度高、控制功能最為復雜的環節。在熱軋場景下，從原料到加工，最后輸出給下一環節，由于傳統的信息化都是單環節運維控制，單環節分析，最終綜合分析指標數據，反饋產線相對滯后，沒有從整體上考慮流程，做全程把控，一直都存在著資源利用率低，運維成本高的痛點問題。隨著國內鋼鐵產能的持續高位運行，鋼鐵產品的市場競爭也愈加激烈，激烈的市場競爭促使企業更加期望達到生產和設備穩定運行，質量最優可控，成本最少、人員最少。目前來看，傳統的制造方式發展能力有限，很難滿足這些要求。
近年來，大數據、物聯網、移動互聯、云計算等新一代信息技術廣泛普及并推動生產方式變革。利用智能制造解決上述企業難題已經成為當前有效的方法。目前國內各大鋼企爭相開展智能制造，如寶鋼與艾默生、首鋼與阿里等。
因此，如何有效整合熱連軋生產各區域段（加熱爐、粗軋、精軋、層冷及卷取等）的數據，建立全量數據中心，開展各類智能應用研究，快速準確地解決生產、質量、設備、成本、物料等各方面問題，穩定提升產品質量，提高生產和工作效率，是目前各個熱連軋生產廠亟需解決的難題。
2 項目目標與原則
首鋼京唐熱軋智慧管控平臺項目“一平臺七中心”以首鋼工業互聯管控平臺為核心，通過通用數據接口平臺，向上分別適配并賦能七個中心，分別為熱軋設備智能運維中心、熱軋質量智能管控中心、鋼卷無人庫區和智能物流中心、機器人及智能視覺裝備應用中心、熱軋能源管理和成本中心、環保消防監控中心、數據報表中心。該項目為解決如下問題：
（1）熱軋數據分布在分散且不同層的系統或不同物理空間的生產區域中，數據孤島狀況嚴重，數據提取和處理只能靠人工來回拷貝后再進行導入處理，并且數據接口協議繁雜、數據結構類型多樣，不同維度的系統數據無法形成交織關聯，數據關聯分析能力明顯不足，并且缺乏相應的數據采集技術來完成實時、海量、高頻、異構和多接口協議的數據采集；
（2）現場數據體量龐大、數據殘缺和無效項過多，缺乏相應的大數據平臺對數據進行統一且有效的清洗、歸集和存儲。傳統的離線存儲方式需要大量物理硬盤，殘缺數據無法實時還原及重現，并且數據安全性無法得到保證，此問題需要基于數據異構壓縮、糾刪碼技術的數據還原和冷熱備技術，有效解決數據平臺存儲空間大、投資大的問題；
（3）現場數據分層管理和追溯難度大，無法滿足精益生產優化管控方面需求，需要構建可視、可追溯和可應用的數據體系來滿足需求；
（4）現場數據歸集多采用時間維度，相應的數據時空轉換技術不成熟，難以滿足實物質量分析和溯源過程中使用空間維度數據的需求。
一個平臺七個中心是熱連軋廠區的核心框架，在此基礎上，向下不斷優化采集匯聚數據，泛化數據接入能力，向內整合梳理數據，積累模型經驗、精準數據指標、規范主題分類、沉淀數據價值，向上以多元多能數據賦能各中心，持續優化中心應用，深度適配場景需求，最終達到七個中心覆蓋熱軋全流程軋制流程，全面把控生產成本、進度、質量，成就一流熱軋產業。
3 項目實施與應用情況
為解決項目中的科學和技術難題，項目團隊研究開發了以下技術來解決：
（1）基于多維技術協同的工業互聯網平臺技術；
（2）全量數據統一采集存儲與實時融合服務模型技術；
（3）面向數據資產血緣關系可追溯治理的技術；
（4）時空轉換與全息化“數字鋼卷”開發技術。其具體工作內容如下：
3.1 基于多維技術協同的工業互聯網平臺
基于項目現場實際情況和自有技術群，深度構建基于多維技術協同的工業互聯網體系，整合了多協議轉換技術體系、大數據接入體系以及大數據存儲體系等多維復雜關鍵技術，使各平臺達到了縱向聯動L0-L4級數據，橫向聯動各工序、多物理空間的設備及系統，從而實現全面細粒度管控要求，平臺架構如圖1所示：
圖1 工業互聯網平臺整體架構
工業互聯網平臺自底向上主要分為三個核心層級，設備物聯層、平臺層以及應用層，具體細分為物聯感知層、物聯數據層、數據規范化管理層、數據總線層、數據中臺層、業務中臺層、服務總線層及應用層。通過不同層次之間的技術疊加實現對數據、業務、管控和迭代的多維度服務能力。針對在熱軋現場，數據來源眾多，使用各種類型協議進行數據傳輸，導致各個系統間進行數據通信基本都需要進行深度解析開發，而由于很多軟件都是外國廠家提供的，軟件更新周期長，甚至遙遙無期，并且現場的系統不能統一更換，也無法在短周期內做到協議統一。
為了解決現場數據孤島和多維協議的問題，項目團隊研發了多協議轉換技術體系、設備協議統一管理體系以及數據通信統一設計體系。協議轉換功能結構圖2所示，核心工作內容如下：
（1）多維協議轉換體系建設：項目團隊集成常用協議諸如TCP/IP、OPC、MQTT和多種JDBC到一個功能模塊中。
（2）設備協議統一管理體系：項目團隊兼并融合了現場設備和機組所用軟件常用SDK和接口，為軟件與多協議轉換模塊中的協議建立映射關系。
（3）數據通信統一設計體系：項目團隊為現場設備和機組所用軟件、設備協議統一管理功能模塊、多協議轉換功能模塊構建統一的數據通信結構和網絡拓撲。
圖2 協議轉換功能結構圖
項目團隊在覆蓋工業現場全協議的基礎上，實現了多源異構數據接入的協議轉換配置即用功能，只需要配置來源數據所用協議和地址等相關信息，就可以將數據從原有系統中抽出，降低了使用門檻。該技術體系成功解決了現場數據孤島和多維協議問題，使各系統數據具備統一進入一個平臺的基本能力，達成了數據統一匯聚使用的目標。
此外，引入數據總線模塊來實現整套架構的數據采集和數據傳輸功能。根據平臺整體管控設計和要求，任何維度、層級、體量和結構的數據都需要經過數據總線來進行內容的傳輸，從而實現統一化管控。項目團隊研發的數據總線可以實現靈活配置以應對不同類型的數據與大數據平臺交互。為了實現這個功能，項目團隊構建數據交換共享平臺來作為數據總線，承接底層的數據源，并做整合和預處理，提供給中層的存儲組件或計算框架使用。通過對數據總線的功能強化和配置，使其在不同場景下可以做到無縫切換、彈性伸縮和數據可追溯，提供了超越傳統數據總線的總線服務能力。
3.2 全量數據統一采集存儲與實時融合服務模型技術
熱軋工業現場數據異構、高頻、海量、統一接入難度大，此外數據質量整體水平較低，缺失項較多，項目團隊基于開源消息中間件Kafka進行重構開發，優化了原有Kafka能力，與此同時引入流計算、分布式計算及批處理等多框架，實現對數據的高效接入、清洗、存儲與應用等功能；使用自研優化的Kafka集群接入高頻高吞吐量數據，經過幾輪迭代和優化，該功能模塊目前能夠達到熱軋現場要求的以10ms頻率接入“10萬+”一級點位數據。而對于低頻的關系型數據，根據數據適配的數據結構，通過協議轉換模塊抽取到數據后，寫入到集群對應的Mysql、Postgres等數據庫中。
在數據處理層面，項目團隊結合大數據Lambda和Kappa數據處理架構，基于熱軋數據和業務特性，構建針對不同維度數據進行快速處理和出入庫處理操作的處理流程。當數據進入自研Kafka集群后，數據處理后移，通過流處理組件實時拿到數據，離線應用的數據持久化到HDFS分布式集群中做周期性數據分析匯總，并定期導出存入外部介質做災備，實時應用的數據經過清洗、脫敏、標準化和自研算法服務分析后進入到緩存中，由前端調取展示。該處理流程能夠高時效并發和快速響應多元異構數據業務要求。
在殘缺數據還原方面，項目團隊引入全新一代糾刪碼技術實現對數據的補償還原。糾刪碼技術的底層核心理念就是借助矩陣計算理論進行實現的，Erasure-Code算法的最底層的基本的數學原理：行列矩陣中一種特殊矩陣的性質：即任意M×N（M行N列{M<N}）的行列式，其任意M×M的子矩陣都是可逆，以實現數據恢復運算。基于此，我們對特定關注數據進行糾刪碼伴隨式計算，實時進行數據校驗以及數據還原工作。結合首鋼京唐熱軋現場生產環境、計算資源環境以及數據特點，引入RS+Stripe PlaceMent結合的聯動方式，合理的StripeUnit的方案作為底層的糾刪碼方案來落地相關領域應用。
在數據存儲方面，引入差值存儲、異構存儲和比對存儲的不同存儲方式來進行優化存儲體量和邏輯，在保證可以快速檢索數據的前提下，實現最小體量的存儲，做到絕不浪費“1KB”資源。
在數據安全方面，不僅配置了網絡軟硬墻，也解決了軟件接口調用數據的隱患，引入數據加密技術對特定核心數據進行加密處理，結合實際情況選擇MD5、SHA1、HMAC、AES和DES等多種不同加密算法，從而做到“因數施法”的基本能力。
3.3 面向數據資產血緣關系可追溯治理的技術
眾多工廠的設備管理工作都很完善，但是對基于設備產生的數據和生產的全量數據的管理則參差不齊。熱軋現場原有數據管理體系無法跟蹤數據血緣，數據存在缺失和丟失后無法準確定位的問題；同時無法清晰明了地對數據進行年度盤點工作，不能有效分析數據使用率，判斷或利用數據價值；更嚴重的情況是故障發生時，故障分析中經常需要調用大量人力、物力來協調溝通查看數據，故障恢復時間長，進而影響生產。
項目團隊研發了數據資產可視、可溯源及可操作三位一體的完整管控體系，通過“大數據資產大盤”收集、匯聚、整理和展示平臺的計算資源、存儲資源和一鍵溯源數據血緣。數據資產大盤可視化如圖3所示。
圖3 數據資產大盤可視化
項目團隊圍繞數據狀況、數據使用邏輯、數據來源判定與梳理等多個維度，設計血緣網絡拓撲、數據治理邏輯與規則、數據統一管控邏輯以及數據生命周期監控邏輯等，通過對數據血緣的細粒度劃分達到對數據管控的統一設計、分步實施、邏輯合并和對數據高效應用的深度與廣度。
項目團隊借助數據中臺核心數倉實現了對數據的全生命周期管控、多維數據關聯分析、不同數據間血緣網絡體系建設和“同軸”數據的上下游解析判定等多層次功能。通過處理、設計和組合設備類、控制類和管理類等不同維度數據，開展檢索數據、查驗數據、抽取關鍵數據等多維度聚合的數據應用。
3.4 時空轉換與全息化“數字鋼卷”開發技術
原有業務的高頻曲線、人工數據、海量非結構化數據融合與統一難度大，異常軋制下的帶鋼數據時空轉換難度大，業務響應要求時效高，缺少數據全鏈條關聯關系。
項目團隊研發了時空轉換技術體系，建設以“數字鋼卷”為核心的機理模型和數據模型來解決上述問題，實現了“數字鋼卷”的時空變換、數據判異、物料匹配、分類歸檔、優化跟蹤。該功能上線后，現場一、二級數據追溯分析準備從2小時縮短到5分鐘以內，用戶可清晰獲取物料從第一道工序到最后工序的物料變化歷程，實現多維度數據追溯，進而發現異常。
項目團隊研發了數據倉庫體系，基于大數據技術統一標準化數據中心的數據，解決了熱軋業務需要數據融合和維度聚合的痛點問題，最終將數據歸集到“卷”維度，形成“數字鋼卷”。項目團隊所建數據倉庫中的主題模型層對下連接所有數據，對上承接所有業務，承載了數據融合與維度融合的關鍵內容。
項目團隊構建了基于人工智能技術的基礎理論載體，運用自主研發的深度學習框架豐富填補工業互聯網平臺技術能力和實現多維度模型，自研深度學習框架兼容多個外部公用框架，具備良好的通用性和適配性，算法服務平臺總體架構如圖4所示。
圖4 算法服務平臺總體架構
項目團隊引入了以深度學習技術為基礎的模型體系來構建數值數據分析和工業視覺分析兩個功能模塊。該技術體系除了具備圍繞生產工藝質量、控制的模型自學習能力以外，還支持實現以強化學習為基礎的深度學習模型來實現工業視覺領域的應用賦能。
項目團隊建設的算法平臺和模型體系用來支撐已匯聚數據的數值分析的需求。如圖5所示，圍繞敏捷業務構建基于業務閉環的多維開發智能引擎，方便數據分析人員進行數據開發工作。項目團隊為算法服務平臺引入核心算法庫，實現與數據倉庫的數據主題庫之間的無縫連接，為敏捷業務的迭代與優化提供強有力的支撐；同時引入微服務框架體系，解耦不同業務單元，實現業務單元的敏捷上下線與合并重組，極大提升平臺橫向擴展與業務迭代能力。
圖5 模型體系與智能應用
實現完整的“數字鋼卷”，實現按需分級，成本到卷。在大數據數據倉庫體系的基礎上，通過多維數據協同、時空轉換等技術手段，項目達成了“數字鋼卷”的多維建設。為提升精益制造管控粒度，項目團隊基于多維技術協同的工業互聯網平臺技術，抽象歸納貼源層、明細層、主題模型層和業務層主數據，低成本、高頻數據適配度高，界面友好。在人工智能技術的加持下，賦能數字鋼卷精細化落地，提升了整體的可用度及應用范圍，成果如圖6所示。
圖6“數字鋼卷”可視化展示
通過該4項技術的研究與應用，研究并建立了基于工業互聯網的開源重構數據扁平壓縮體系，首創數據下沉的邊緣側大數據協同管控平臺，攻克了熱軋實時、海量、高頻、異構數據和多接口協議復雜的難點，首次提出面向數據血緣關系可溯源治理的資產大盤可視化技術，解決了L0-L4海量數據的多層次、多維度、多模態等難以融合的問題，實現了多協議適配、邊緣側數據處理以及全流程生產運行數據采集，采集分辨率達50ms-1s，長度方向分辨率20mm-1m，滿足了熱軋生產過程的質量診斷、設備預警、生產過程協同控制的需求。
摘自《自動化博覽》2023年3月刊
北京市公安局海淀分局備案號：11010802023656號