中國鋼鐵業發展現狀
1996年中國粗鋼産量首次突破1億噸，從此全球鋼鐵業開啟了“中國時代”。在過去20年裡，盡管中國貢獻了全球粗鋼增量的80%，但中國鋼鐵業的發展不容樂觀，一是産能過剩與結構嚴重失衡、二是全球經濟下滑導緻鋼鐵需求增速放緩、三是生産品質的不穩定，廢品率高，高耗能以及多元化需求帶來的新挑戰。
中國鋼企的轉型更新迫在眉睫。如果用工業4.0來衡量目前中國鋼鐵行業智能制造發展階段，少數大型鋼企已處在工業2.5或是接近3.0的水準。根據中國資訊化百人會2017中國數字經濟發展報告，鋼鐵裝備自動化水準達到98%以上，智能制造就緒率達到18.3%，在各重點行業當中居于前列，這為鋼企進一步向CPS與智能化更新，打下了基礎。
鋼鐵業是典型的流程制造的代表，資料的體量大、密集程度高，資料中蘊藏着巨大的經濟價值。目前，衆多鋼企紛紛開啟大資料的掘金之旅，利用資料、算力與算法技術将工廠的海量資料轉化成新的能源與資産，攀鋼便是其中的一位最佳實踐者。
攀鋼的工業智能之旅
攀鋼集團有限公司（簡稱攀鋼）是依托攀西地區豐富的釩钛磁鐵礦資源，依靠自主建立立設發展起來的特大型釩钛鋼鐵企業集團。積微物聯總裁謝海表示,“經過多年的發展，用傳統的工藝、工控手段提升産能、降低能耗、節省人力已經趨于鋼鐵行業極限，而随着工業大資料、雲計算等新技術的成熟，我們看到了新的希望。攀鋼希望能夠以工業大腦技術為載體，以積微物聯為平台，挖掘鋼鐵營運、生産過程中的資料價值，實作傳統企業彎道超車的願望，有效提升攀鋼集團的行業競争力。”
經過攀鋼業務工程師、積微物聯技術團隊與阿裡雲工業大腦團隊資料專家的多輪讨論與實地現場考察，基于資料采集難度、項目風險性與收益等綜合因素考慮，最終決定從兩個場景入手：
從冷軋闆的表面檢測與煉鋼脫硫工藝優化兩個場景着手工業智能的嘗試。
脫硫環節工藝優化
痛點：
脫硫是鋼鐵生産過程中的一個重要環節，旨在降低鐵水中的硫含量。而脫硫環節由于扒渣帶鐵（脫硫劑反應後産生的脫硫渣中含大量的鐵）會帶走大量金屬料。經測算，每個爐次（以220噸計）的脫硫渣量均值為5噸，脫硫渣中鐵損占比約為40%-55%，假設經過參數推薦優化後能将脫硫劑的加入量降低10%，理論上測算可降低鋼鐵料消耗0.8~1kg/噸鋼。
目的：
通過分析模組化，優化脫硫環節工藝，推薦最優的脫硫劑加入量，提高脫硫劑使用率，降低脫硫環節的鐵損。
過程：
采集脫硫工序流程資料，通過模組化分析獲得脫硫工藝優化的關鍵因子，結合專家知識，依靠脫硫仿真模型與參數尋優模型尋找最優參數。
· 仿真模型：基于曆史資料與實時資料，建構脫後硫預測模型。通過結合脫硫劑加入量、噴吹速率等十多個關鍵參數，模拟脫硫全過程，預測出脫硫後的硫含量，并配合參數優化模型，檢驗不同組參數的合理性及有效性。
· 參數尋優模型：結合機器學習與老師傅在工業控制上的經驗，識别脫硫過程中的關鍵因子（對脫硫結果影響最大的參數），包括鈍化鎂加入量，鈍化石灰加入配比，平均流量，噴吹時長等，通過參數尋優模型識别參數間的最優關系。優化模型提供的多組優化參數再回歸到仿真模型中進行反複驗證與優化，最終得到最優參數 – 即在滿足脫硫效果的前提下，達到最小脫硫劑加入量的那組“配方”。
收益：
鐵水進站後，脫硫優化模型将提取相關資料将進行參數優化計算。脫硫操作人員将根據推送的推薦參數，動态調節脫硫劑的加入量，減少脫硫劑的消耗。根據實際測算，通過優化的參數推薦，每生産一噸鋼可以節省鋼鐵料約1kg。對年産值400萬噸鋼的攀鋼西昌鋼釩基地來說，年創效預計700萬元。
冷軋闆材表面AI檢測
冷軋鋼帶經過軋制、熱處理等連續加工工藝後會形成長約千米的鋼卷。在表面檢測環節，質檢員通常會在短短5到10分鐘内，識别出少則十幾個，多則上百個的缺陷，并在表檢儀（表面檢測裝置）掃描完畢的30秒之内給出表面等級、分選度、主缺陷和是否合格等判定。檢查人員長期從事的高強度、重複且又枯燥工作性質決定了其過程輸出的穩定性難以得到保證，同時，檢查人員在對産品标準的了解和把握上存在個人經驗差異勢必也會造成判定水準高下、參差不齊。最終導緻的結果則是客戶的使用體驗與滿意度變差或者品質成本提升，無疑，這些都構成企業巨大的隐性成本損失。
面向鋼鐵行業冷軋闆材的表面品質檢測場景，建構表面品質自動判定模型，輔助人工判斷産品缺陷，降低人工依賴性、提高判定準确率。
首先，表檢儀将非結構化資料（圖檔資訊）結構化，将幾千種産品外觀缺陷歸納為60-70大類，例如：平整斑、翹皮、擦傷、壓印、麻點、氣泡等。 其次，表檢資料結合MES資料輸入到模型中進行訓練，通過聚類算法、規則引擎（含使用者需求識别的自學習重構功能）、缺陷嚴重程度量化模型等深度學習技術，對軋鋼分級最初步判定。最後，再結合人工的進一步确認得出最終判定結果。
算法模型輸出的自動定級結果與人工判定結果對比，表判碼準确率達92%以上，分選度準确率達80%以上，主缺陷準确率達60%以上。
鋼鐵大腦的A、B、C、D
鋼鐵行業曆經上百年的發展，累積了大量的經驗。然而，經驗都是碎片化的存在“老師傅”的腦袋裡，像一個個黑箱，難以形成經驗共享與規模化的複用。ET工業大腦的使命就是将這些隐性化的知識顯性化，打破人的傳統思維架構與認知局限。ET工業大腦由四塊拼圖組成 - 人工智能（AI）、大資料（Big data）、雲計算（Cloud computing）、專家經驗（Domain knowledge）。簡單地講，就是利用A、B、C技術将D（工廠老師傅、老專家的經驗）抽象成知識、并将知識規範化、模型化與代碼化，以數字化的方式嵌入到系統與裝置當中，被重複調用，指導或是替代人力進行決策與執行。
鋼鐵行業的資料與算法紅利還遠未得到釋放。随着大資料、算力與算法技術的不斷成熟，與資料智能相關的工業應用将呈指數級增長。未來，工業智能應用的場景顆粒度會不斷細化，面對焦化、燒結、高爐、熱軋、煉鋼系統、安保、物流、園區、電商等場景，都有機會打造出爆款的工業SaaS或是工業APP。 此外，除了持續加強場景化的算法開發能力以及數字基礎設施建設（資料中台），更重要的是加快鋼鐵企業的數字化組織、數字化上司、數字化文化、以及數字化人才的轉型，創造工業智能的生長與創新土壤。
未來，鋼鐵企業的核心競争力不在擁有多少産能或是固定資産，而是在于掌握了多少行代碼與核心算法。同時，大量能夠真正解決業務痛點的工業SaaS與工業APP将有效激活鋼鐵工業網際網路平台的流量與活躍度。圍繞工業智能應用開發将形成一個包括資料開發商、軟體開發商、算法開發商在内的工業大腦生态，驅動平台真正成為一個知識共享、知識共創與知識交易的鋼鐵行業的“淘寶”。