大數(shù)據(jù)分析和云計算是歐盟鋼鐵行業(yè)數(shù)字化轉型的12個重點科研基金項目之一。大數(shù)據(jù)分析關注基于歷史數(shù)據(jù)的算法，以識別產(chǎn)品質量問題從而減少產(chǎn)品故障。鋼鐵行業(yè)中的傳統(tǒng)數(shù)據(jù)庫技術在完成對大量結構化和非結構化數(shù)據(jù)的捕獲、存儲、管理和分析方面，尚存在一定的困難。大數(shù)據(jù)分析技術采用新的處理模式，從各種數(shù)據(jù)類型中獲取有價值的信息，進而深入了解、獲取信息并洞察和識別其中的內涵，以便做出準確的決策。

　　大數(shù)據(jù)分析和云計算領域有以下6個主要項目：

　　一是“鋼包全過程跟蹤”項目。

　　該項目根據(jù)多目標優(yōu)化（MOO）框架和數(shù)據(jù)分析，采用了包括聲學在內的各類傳感器，以提高工廠產(chǎn)量、提高鋼廠的安全性。項目目標是實現(xiàn)鋼廠作業(yè)環(huán)境中的鋼包的自動跟蹤，涵蓋從煉鋼、連鑄到板坯交付的全過程。準確跟蹤鋼包位置是煉鋼工藝數(shù)字化轉型的基礎之一。鋼包跟蹤系統(tǒng)即要在保證平穩(wěn)生產(chǎn)的條件下，也要確保在生產(chǎn)計劃突然受到干擾的異常情況下優(yōu)化鋼包物流，以確保安全并提高產(chǎn)量。

　　二是“質量4.0”項目。

　　該項目基于高級人工智能（AI）、機器自學習分析方法和大數(shù)據(jù)處理，開發(fā)自適應平臺，允許在線分析大數(shù)據(jù)流，從而實現(xiàn)產(chǎn)品質量決策并提供量身定制、高可靠性的質量信息。對于歐洲鋼鐵行業(yè)來說，產(chǎn)能過剩導致廉價鋼鐵充斥著整個鋼鐵市場，歐洲鋼鐵生產(chǎn)商迫切需要差異化，積極推廣一個通用平臺具有戰(zhàn)略意義。但是，共享錯誤的質量信息可能會導致客戶的嚴重不確定性并且損害客戶的信心。自適應的“質量4.0”項目平臺可以實現(xiàn)整個供應鏈上質量信息的橫向整合，在線分析大數(shù)據(jù)流，采用機器學習算法的創(chuàng)新方法，建模客戶關系并自動交換數(shù)據(jù)自動匹配可用的客戶和訂單信息，通過與客戶雙向交換量身定制的高可靠性信息，以實現(xiàn)差異化的產(chǎn)品質量水準決策并降低成本。

　　“質量4.0”平臺作為面向服務的體系結構（SOA），可以靈活地組合單個模塊并集成到現(xiàn)有的IT基礎架構中，不需要依賴單個產(chǎn)品或技術。“質量4.0”平臺由3個服務模塊組成：一是質量數(shù)據(jù)生成服務模塊（QGS），生成質量數(shù)據(jù)及其合理性值；二是質量分配服務模塊（QAS），將客戶訂單與產(chǎn)品合理分配，并選擇相關的質量數(shù)據(jù)； 三是質量交換服務模塊（QXS），交換為每個客戶訂單編譯的選定質量數(shù)據(jù)。

　　其中，“質量4.0-QGS”的主要功能是估計所有可用數(shù)據(jù)源的質量數(shù)據(jù)，并通過可能值（PV）量化該估計的置信度，以最終保證所提供質量信息的可靠性。可能值的確定可以用一個函數(shù)表達。

　　有效可靠地檢測異常質量指標對“質量4.0”項目起著基礎性的作用。在整個生產(chǎn)過程中收集的與質量有關的數(shù)據(jù)可能因檢測等各種原因出現(xiàn)異常值。由于離群值的類型和多樣性，目前還沒有一種公認的方法可以在任何情況下有效可靠地檢測異常值。離群值概念的非正式定義涉及其偏離正態(tài)性，可分為5類：基于分布、基于深度、基于距離、基于聚類和基于密度。該項目使用了FUCOD算法來檢測異常值，該方法結合了現(xiàn)有的4種離群點檢測方法，利用模糊推理系統(tǒng)（FIS）對每種方法的貢獻進行動態(tài)管理，根據(jù)處理后的數(shù)據(jù)挖掘其優(yōu)點，避免其缺點。FUCOD是為處理多維數(shù)據(jù)而設計的，這意味著離群值水平的計算不僅要考慮構成質量數(shù)據(jù)的單個變量的特性，還要考慮它們之間的相互作用。這些特點使得FUCOD方法特別適用于處理大量任務的工業(yè)數(shù)據(jù)集。該方法已成功應用于歐洲鋼鐵行業(yè)。

　　“質量4.0-QAS”結合質量數(shù)據(jù)和客戶相關知識，實現(xiàn)對產(chǎn)品質量的自適應性監(jiān)督，可提供估計的質量數(shù)據(jù)及反映質量數(shù)據(jù)置信度的專用合理性值，將收到的信息與目標客戶的知識相結合，自主分配和交換相關訂單的質量數(shù)據(jù)、編制質量缺陷以創(chuàng)造有價值的信息，并向供應商反饋這些信息。然而，在供應商和客戶之間交換相關質量信息的系統(tǒng)必須能理解“相關性”的含義。因此，確定質量信息相關性所需的所有信息都是基于可用的客戶信息和訂單數(shù)據(jù)進行語義建模的。這種模型中包含了客戶親密程度，反映了供應商和用戶之間的相互信任關系，從而能夠合理定義質量信息的類型和數(shù)量。

　　“質量4.0-QXS”根據(jù)“質量4.0-QAS”提供的結果，為每個訂單分別編譯所選的質量數(shù)據(jù)，并使用標準通信協(xié)議交換數(shù)據(jù)。QXS是唯一可在工廠邊界之間訪問的服務，并管理“質量4.0”平臺之間的質量數(shù)據(jù)交換，可實現(xiàn)以客戶為導向的雙向質量數(shù)據(jù)交換，并通過橫向集成建立對產(chǎn)品質量的同步關注。為了確定合適的IT標準并在客戶和供應商之間進行質量數(shù)據(jù)交換，目前已形成的解決方案有：QDX系統(tǒng)、 STEP系統(tǒng)和質量跟蹤系統(tǒng)。由于沒有適用于質量數(shù)據(jù)交換的免費標準，因此將在“質量4.0”框架中定義和實施特定的IT標準。

　　FADI是一個可定制的端到端大數(shù)據(jù)平臺，是一個能夠以可移植和可擴展的方式部署和集成的開源工具，也是一個多用戶和多參與者（即專業(yè)分析師，數(shù)據(jù)科學家/工程師，IT管理員等）的平臺。FADI有5個主要特征：一是收集來自各種數(shù)據(jù)源的批處理和流數(shù)據(jù)，二是將數(shù)據(jù)存儲在不同類型的數(shù)據(jù)存儲區(qū)中，三是使用ML和 人工智能技術，四是在用戶Web界面中可視化和分析數(shù)據(jù)，五是生成和發(fā)布報告。

　　三是“傳感器數(shù)據(jù)挖掘以提高產(chǎn)品質量”項目。

　　該項目提出了一個基于大數(shù)據(jù)、特征提取、機器學習、分析服務器和知識管理的解決方案，以自動分析感測時間序列數(shù)據(jù)。項目通過開發(fā)新的方法和工具，以幫助工廠提高產(chǎn)品質量并降低生產(chǎn)成本，其方法主要是關注3個方面的質量標準：外觀、內在質量和機械性能。項目的開發(fā)內容一方面包括通過識別質量不良的主要原因，以優(yōu)化制造過程；另一方面包括快速預報產(chǎn)品質量，以更好地表征產(chǎn)品特性并降低成本。

　　這些新方法在從大量復雜數(shù)據(jù)中提取知識，例如，基于相當長一段時間（2年～3年）的和高頻（1Hz～10Hz）的、大量參數(shù)（數(shù)百個）的傳感器時間序列，摘出特定信息（例如，平均澆鑄速度）用于統(tǒng)計分析。為了自動大量分析這些傳感器時間序列數(shù)據(jù)，該項目提出了圍繞5個主軸構建的綜合解決方案：

　　1.大數(shù)據(jù)：設計和管理適合于對大量數(shù)據(jù)進行數(shù)據(jù)分析的新數(shù)據(jù)庫類型。

　　2.從時間序列中提取特征：開發(fā)用于構建更合適指標的算法，以更好地表征可能影響質量的過程。

　　3.機器學習：對機器學習的描述性和預測性分析，以查明質量不良的原因和進行更好的預測。

　　4.Analytics Server（數(shù)據(jù)分析服務器）：開發(fā)分析服務器以提高建模效率、優(yōu)化管理并改善流程專家和數(shù)據(jù)挖掘專家之間的交流。

　　5.知識管理：實現(xiàn)專業(yè)知識資本化和有價值的統(tǒng)計數(shù)據(jù)，以規(guī)范和優(yōu)化工藝知識和統(tǒng)計知識之間的交流。

　　四是“基于大數(shù)據(jù)開發(fā)實時監(jiān)測、控制和預測的突破性技術，以提高鋼鐵生產(chǎn)過程的穩(wěn)定性和產(chǎn)品質量”項目。

　　該項目專注于鋼鐵行業(yè)的應用場景開發(fā)和實施方法，基于鋼鐵工藝、并利用最新技術的數(shù)據(jù)處理和數(shù)據(jù)分析進行性能監(jiān)控。隨著歐洲鋼鐵生產(chǎn)對產(chǎn)品質量和工藝效率要求的不斷提高，工藝和產(chǎn)品的數(shù)據(jù)和信息收集量也在不斷增加。同時，也需要新的方法來分析和控制生產(chǎn)過程、確定和預測中間產(chǎn)品和最終產(chǎn)品的性能。該項目以鋼鐵行業(yè)的專用用例為重點，利用數(shù)據(jù)處理和數(shù)據(jù)分析的最新技術提供的所有技術和科學可能性，綜合利用鋼鐵廠收集的大量信息資源。該項目的最終目標是：1.研究出制造過程分析和控制的開發(fā)和應用方法，以及評估和預測（中間）產(chǎn)品質量的擴展工具；2.提供此類方法的適用性和有效性的證據(jù)；3.發(fā)現(xiàn)在調查用例之外開發(fā)新方法的可能性并提出建議

　　該項目中包括的基礎子項目有：

　　1.大數(shù)據(jù)的應用。

　　由于其數(shù)據(jù)存量具有規(guī)模大、多樣性和快節(jié)奏性的特點，傳統(tǒng)數(shù)據(jù)處理應用軟件無法充分處理過于復雜的數(shù)據(jù)集的研究和應用。該項目以產(chǎn)生經(jīng)濟效益為目的，對來自多個來源的大量數(shù)據(jù)進行高速分析，既涵蓋了結構化的數(shù)據(jù)，又涵蓋了半結構化和非結構化的數(shù)據(jù)，同時也應用于孿生數(shù)據(jù)。在保證數(shù)據(jù)質量的前提下采用NoSQL（not only SQL）數(shù)據(jù)形式，應用于“質量4.0”（全流程質量管理）、鋼鐵產(chǎn)品全流程數(shù)據(jù)跟蹤的無縫跟蹤（位置識別與找正）。

　　2.事件處理。

　　事件處理是指一種跟蹤和分析（處理）有關所發(fā)生事情（事件）的信息（數(shù)據(jù)）流并從中得出結論的方法。該子項目由意大利RINA負責。RINA集團下屬的意大利材料研發(fā)中心CSM（寶鋼歐洲研發(fā)中心在歐洲的聯(lián)合研究中心）負責M設計、開發(fā)和驗證了創(chuàng)新的大數(shù)據(jù)架構，以管理來自鋼鐵生產(chǎn)的數(shù)據(jù)（過程和質量數(shù)據(jù)）。實現(xiàn)了Lambda架構，并能夠以實時流和批處理兩種方式處理數(shù)據(jù)。這種體系結構可對鋼廠自動化系統(tǒng)的數(shù)據(jù)進行實時分析，并將其存儲起來進行歷史分析，是一個適合人工智能模型集成的場景。

　　目前已經(jīng)成功實施的實際案例包括：“基于機器學習技術的過程機器預測維修”“基于深度學習模型的過程數(shù)據(jù)缺陷預測”“預測過程關鍵績效指標，以防止過程偏差”“利用深度學習和圖像分析進行缺陷分類”。

　　3.機器深度學習和大數(shù)據(jù)分析。

　　該子項目由德國BFI集團負責。大數(shù)據(jù)分析是收集、組織和分析大數(shù)據(jù)集以發(fā)現(xiàn)有用信息的過程。機器深度學習的方法包括：深層神經(jīng)網(wǎng)絡（監(jiān)督）、經(jīng)常性網(wǎng)絡（監(jiān)督）、卷積網(wǎng)絡（監(jiān)督）、“深信不疑”的網(wǎng)絡（無監(jiān)督）。

　　五是“基于網(wǎng)絡物理系統(tǒng)，將智能數(shù)據(jù)驅動的維護操作應用于軋鋼區(qū)域”項目。

　　該項目可預測質量降級、故障、異常、關鍵部件的剩余壽命，以便及時規(guī)劃適當且具有成本效益的維護及干預措施。

　　該項目通過在“Industry 4.0”基礎上建立的實驗系統(tǒng)和工具，開發(fā)了應用于軋制區(qū)域的“集成維護模型4.0”（IMM4.0），將鋼鐵行業(yè)的維護策略從預防性維護轉變?yōu)閮?yōu)化的預測性維護。該模型通過預測關鍵單元的質量下降、故障、異常和剩余壽命，從而及時做出維護和干預。

　　六是“實現(xiàn)鋼廠無人機自主飛行監(jiān)視和點檢”項目。

　　該項目中采用新的傳感器數(shù)據(jù)，在兩個鋼鐵廠（蒂森克虜伯的Duisburg工廠和ILVA的Taranto工廠）檢驗了用無人機（UAV）代替鋼廠傳統(tǒng)基礎設施維護和保障相關崗位人員安全的技術效果。

　　該項目采用無人機進行點檢，提高了鋼廠工人的安全性并顯著降低了維護成本。該項目在硬件方面改進了無人機的結構，以確保事故發(fā)生時工人的健康和安全；設置了自主充電站，足以適應鋼廠作業(yè)環(huán)境；設立了集成系統(tǒng)，可從無人機傳感器獲取數(shù)據(jù)。同時，該項目在軟件方面采取了用于在復雜區(qū)域中進行自主且穩(wěn)健飛行的算法、協(xié)調激活和調度無人機機隊的策略、適用于基于智能手機的無人機的人機界面。此外，該項目在管理方面開發(fā)了無人機控制/管理人員培訓系統(tǒng)，并確保滿足所有有關無人機的法律要求和公司內部限制條件。

返回列表