钢铁工业数字化、智能化技术路线图

1大数据与钢铁工业智能制造大数据与钢铁工业智能制造高级研修班三、钢铁工业智能制造应用技术五、钢铁工业数字化、网络化、智能化制造技术发展路线图一.智能制造相关概念1.物联网与工业互联网2.大数据3.云计算4.知识自动化5.钢铁智能制造6.流程工业智能制造7.CPS与工业4.08.信息化和工业化深度融合4监控和管理的一种网络概念。计算模式、移动通信等不断融入到工业生产的IndustrialInternet:PushingtheBoundariesofMindsandMachinesGE，PeterC.EvansandMarcoAnnunziata11.26,2012工业互联网:打破智慧与机器的边界,机械工业出版社,2015年6月计算能力和分布式计算能力和分布式机器和工厂的出现扩大了规模和范围机器和工厂的出现扩大了规模和范围56工业互联网的应用通过工业互联网把全球工业系统连接起来，数字世界工业互联网中数据循环88创新、竞争和生产率的下一个前沿McKinsey,May201199大数据“Bigdata”指数据集，其容量超出典型数据库软件工具所能获取、存储、管理大数据及分析技术汇聚、操作、管理和分析,,），大数据带来的思维、商业、管理变革在金融领域，美国股市每天的成交量高达70亿美国金融界比巴菲特更会赚钱的投资大师开始在麻省理工和哈佛大学教数学，随后成为纽约州立大学数学系主数据挖掘技术、统计技术等处理数据，以得到最优的投资组合和投资互联网大数据与工业大数据工业大数据：工业4.0时代的工业转型与价值创造李杰,机械工业出版社,2015.6工业大数据的3B特征（专业性、关联性、流程性、时序性和解析性等特点）之间关联性的机理逻辑，需要数据融合和知识融合。而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。注重数据的“全”，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类条件变化，保证从数据中能够提取出反映对象真实状态的全面性信息。2）工业大数据的价值具有很强的时效性，当前时刻产生的数据如果不迅速转变为可以支持决策的信息，其价值就会随时间流逝而迅速衰退，这就要求工业大数据处理手段具有很高的实时性。BadQuality（低质性）。需要提高数据质量、满足低容错性。工业大数据对预测和分析结果的容错率远远比互联网大数据低得多。互联网大数据在进行预测和决策时，仅考虑显著性大于一定程度（如80%）即可，如推荐书，即使有误也不会产生严重后果。在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次失误都可能造成严重的后果。工业大数据的3B特性与工业应用中低容错性之间的矛盾是工业大数据分析所要解决的最主要矛盾工业大数据的价值（InternetofThings）纵向的价值挖掘（工业大数据思维）。从应用价值的功能与目标,大数据时代维克托迈尔,要分析与某事物相关的所有数据，而不是依靠分析少量的数据样本。乐于接受数据的纷繁复杂，而不再追求精？，。？，。！）你的菜?”实在受不了了才会去医院，同时这个信息传达回疾控中心也需会有一两周的延迟。而且，疾控中心每周只进行一次数据汇总。然而，对于一种飞相关词条和美国疾控中心在2003年至2008年间季节性流感传播时期的数据进4.5亿个不同的数字模型。他们的软件发现了45条检索词条的组合，建立预测模型，他们的预测与官方数据的相关性高达97%。和疾控中心一样，他们也能判断出流感是从哪里传播出来的，而且他们2009年甲型H1N1流感爆发的时候，与习惯性滞后的谷歌流感预测：预测是如何失效的？（故事反面）谷歌工程师们开发的GFT，可谓轰动一时，相关论文发表4年后，2013年2月13日，《自然》发文指出，在最近（2012年12月）的一次流感爆发中谷歌流感趋势不起作用了。GFT预测显示某次的流感爆发非常严重，然而疾控中心（CDC）在汇总各地数据以后，发现谷歌的预测结果比实际情况要夸大了几乎一倍。清楚关联背后的原因，只是在数据中找到了一些统计特征——相关性。为了提高GFT的预测准确性，谷歌工程师们不断地微调预测算法，但GFT每一次算法微调，都是为了修补之前的测不准，但每次修补又造成了另外误差。问题的根源在于，谷歌工程师并不知道搜索关键词和流感传播之间到底有什么关联，也没有试图去搞清。会有媒体报道，就会引发更多相关信息搜索，反过来强化了GFT对疫情的判定。这样下去，算法无论怎么修补，都无法改变其愈发不准确的命运。GoogleFlu:trapsinbigdataanalysis）”，他们对谷歌疫情预测不准的问题做了更为深入地调查，讨论了大数据的“陷阱”本质：大数据的分析是很复杂的，但由于大数据的收集过程,很难保证有像传统“小数据”那样缜密，难免会出现失准的情况，作者以谷歌流感趋势失准为例，指出“大数据傲慢”是问题的根源。《科学》一文还认为，“大数据傲慢”还体现在，存在一种错误的思维方式，即误认为大数据模式分析出的“统计学相关性”，可以直接取代事物之间真实的因果和联系，从而过度应用这种技术。在某个时间很多人搜索“流感”，不一定代表流感真的暴发，完全有可能只是上映了一场关于流感的电影或流行了一个有关流感的段子。meaningful.”replacement.”lessrobustthantheyinitiallyseem.”5。“Afifthconcernmightbecalledtheecho-chambereffect,whichalsostemsfromthefactthatmuchofbigdatacomesfromtheweb.”Itistruethatthecustomersoreventsoccurringinyourdatasetmaynotberepresentativeofthepopulationingeneral.Butsamplingisaprobleminanystatisticalendeavor.Samplingbias[1]isawell-knownchallengeforstatisticians,andspecialcareneedstobetakentomitigatesamplingbias6。“Asixthworryistheriskoftoomanycorrelations.”Sometimestoomanycorrelationsareasbadastoofew,andthefactthatthedatamayuncovertoomanycorrelationsjustmeansthatthedatascientisthasmorestartingpointstoexploreandtestout.7。“Seventh,bigdataispronetogivingscientific-soundingsolutionstohopelesslyimprecisequestions.”IthinkwhatismeantbythispointisthatBigDataandadvancedanalyticscangivetheillusionofprecisionwhendealingwithnaturallyimprecise,predictedevents.Dealingwithpredictiveanalyticsandforecastingwhatmighthappenrequireanunderstandingofprobabilitiesandconfidencelevels.ItisalsoimportanttotakeintoaccountTypeIandTypeIIstatisticalerrors(seemyblog“UnderstandingTypeIandTypeIIErrors”)toensurethatyouhavestress-testedyouranalyticmodelsenough.8。“FINALLY,bigdataisatitsbestwhenanalyzingthingsthatareextremelycommon,butoftenfallsshortwhenanalyzingthingsthatarelesscommon.”True,buildingpredictivemodelsrequiressomehistoricaldatafromwhichastatisticianordatascientistcantrytoquantifycauseandeffect.However,thatdoesn’tmeanBigDataisuselesswhenanalyzinglesscommonorbrandnewusecases.Onethingthatadatascientistcandoistofindproxiesinthehistoricaldata—activitiesoreventsinthepastthatmightactasareasonableproxyforwhatyouaretryingtoforecast.Forexample,ifyouwantedtotrytounderstandwhatsortofeffecttheChicagoCubswinningtheWorldSerieswouldhaveonthestockmarket(whichwillbehardtomodelsincethathasn’thappenedinover100years),maybeyoulookattheimpactthattheBostonRedSoxwinningtheWorldSeriesin2004(whichtookthem86yearstoaccomplish)hadonthestockmarket.Therearealwaysreasonableproxiestobefound,ifyouarewillingtobecreativeandsearch.9。“Wait,wealmostforgotonelastproblem:thehype.”Okay,maybeIdon’thaveacounter-pointtothisissue,butonewaytoavoidthehypeistofocusasmall,business-drivenusecase.CheckoutKPMGSurvey:FirmsStrugglewithBigDataforanexampleofaprocessthatwerecommendtoensurethatwe’releveragingBigDatatodeliverbusinessvalue,andnotjustchasingthehypecurve.云计算是指服务的交付和使用模式，指通过其公共电子医疗政务他管理开应用发工…支撑服务 基础云计算架构其公共电子医疗政务他管理开应用发工…支撑服务 基础云计算带来的云服务平台模式基于云平台的创新（众包、众创）MIT4.知识工作自动化知识工作自动化自动化位居第二,该报告预计到2025年，IntelligentManufacturingforMaterialProcessIndustries有智能的制造链的集成控制，其智能来源于建模、先进控制、认知自动化、诊断和先进维护工具、优化和仿真、专家知识和人工智能等，通过人的智能与人工智能之间连贯交2008年美国科学基金会组织起一个国家级“工程虚拟组织来开发智能流程制造SPM路线图。2011年6月24日奥巴马宣布启动“先进制造合伙计划”,承诺政府拿创造高质量制造业就业工作和提高美国的全球竞争能力数据到知识知识变成运行模型从关键资产到企业应用由关键资产到全球应用人员、知识和模型变成组合的关键性能指标KPI智能流程制造：一种集成的、知识使能的、富于模型的企业，应用最好的可能的信息和广域性能度量来前瞻性地确定和执行所有操作行动。-------SmartProcessManufacturing：AnOperationsandTechnologyRoadmap，2007实施"工业4.0"攻略的建议德国联邦教育研究部复杂度复杂度水和蒸汽驱动的机械制造电力驱动的大规模生产前三次工业革命源于机械化、电力和信息技术。将物联商业背景:确保德国制造业未来的双重战略(dua业构成竞争威胁，美国也正在采取措施应对去工业化，促进功能工业4.0技术背景:CPS(Cyber-PhysicalSystems)美国工程院功能••适应性自重构•应对变化的自调节•应对干扰的自优化•集成仿真和综合•人远程可视化•协同诊断和决策•协同诊断和决策••部件和设备镜像模型•变化识别和记忆时间机•数据挖掘中相似聚类••部件设备健康智能分析•多维数据关联智能分析•衰退和性能预测智能分析•无线通讯•传感网络工业4.0的本质和愿景业，以及在工业生产过程中使用物联网和服务技愿景：工业4.0作为智能、网络化世界的一部分工业4.0的特性：横向、端到端、纵向集成通过价值链及网络实现企业间横向集成工业4.0的特性：横向、端到端、纵向在整个工业生产过程中使现实世界和数字世界在工业4.0的特性：横向、端到端、纵向集成为了实现纵向集成，确保不同层次的执行机满足用户个性化需求在给定资源量（资源生产率）的前提下，得到尽可通过新的服务创造价值机会8.信息化与工业化深度融合融合对象融合对象高级阶段中级阶段初级阶段业务过程技术融合是指工业技术与IT融合，产生新的技术；（CAD、PCS）业务过程产品融合是指将IT融入到工业产品中产品增加产品的信息技术含量；（数控机床、产品技术业务过程融合是将指IT应用到企业生产经营管理过程的各个环节促进技术业务创新和管理创新。（MES、ERP）融合阶段企业融合阶段产业机械、电子、煤炭、家电、炼油、化工等深度融合社会社会形态、经济模式、生活方式、思维方式深度融合融合范围,,,,两化深度融合的不同层次《信息化和工业化深度融合专项行动计划（2013-2018年）》（工信部2013.8）推动信息化和工业化深度融合是加快转变发展方式，促进四化同步发国特色新型工业化道路的必然选择。当前，我国工业正处于转型升级的攻坚日趋激烈，核心竞争力不足、资源环境约束强化、要素成本上升等矛盾日益技革命和产业分工调整对我国工业发展既有挑战，也有实现赶超的机遇。推度融合，以信息化带动工业化，以工业化促进信息化，对于破解当前发展瓶《2015年智能制造试点示范专项行动实施方案》（工信部2015.3）流程制造智能工厂（资源优化配置、实时在线优化、生产管理精细化和智能决策科学化）智能装备和产品（信息技术高度潜入，高档数控机床、智能网联汽车、智能家电等）智能制造新业态（个性化定制、网络协同开发、电子商务、产品信息追溯）用用云计算提供了规模柔性和响应新水准工业4.0互联网+（2013）（2013）（2015）（2012）应钢铁智能制造流程智能制造两化深度融合智能制造2025应（2014）（2010）（2014）（2010）（2009）两化融合（2007）知识自动化物联网云计算(2011）CPS（2008）（2005）(2013)知识自动化物联网云计算(2011）CPS（2008）（2005）(2013)2011）大数据(发展脉络内涵：数据--2011）大数据(发展脉络内涵：数据--信息--知识--智能外延单元系统网络社会结合“国情”nn。分析和大数据（知识自动化）提供了海量实时数工业互联创造了自动化的个性化的交互新方式。自主传感和执行器网络控制机械动作社交媒体提供了组织内外的新协作方式。数据实时技术使得基于分析的实时决策成为可能。二、钢铁工业自动化信息化现状与发展趋势 ）：设备控制基本采用PLC、DCS、工业PC实现了数字控制，现场总线、工业以太网相结合的网络应用已经普及常规检测仪表的配备比较齐全将工艺知识、数学模型和智能技术结合起来的计算机过程控制覆盖采选、炼铁、炼钢、轧钢等主要工艺的过程控制和过程优化烧结机智能闭环控制系统、操作平台型高炉专家系统、“一键式”全程自动化转炉炼钢、智能精炼控制、热轧和冷轧工艺及模型控制技术等达到国际先进水平MES（制造执行系统）在重点钢铁企业基本普及，实现了冶、铸、轧一体化计划编制及动态调整、事件驱动的全过程合同动态控制与实时跟踪技术、全流程物流跟踪、质量监控、库存动态管理、设备管理等功能现了能源远程监控、集中调配，以及能源计划、质量、设备、成本综合管理等功能深层次专用系统开始应用：高级计划排产、设备在线诊断和预测维护、质量统计过程控制、产品质量分析及新产品工艺设计等随着企业管理水平的不断提高，钢铁企业信息化取得显著进展。基于互联网和工业以太网的ERP（企业资源计划）、CRM（客户关系管理）和SCM（供应链管理）等取得成功应用，在更好地响应客户需求、缩短交货期、精细控制生产成本等方面发挥了作用。一些重点企业在聚集了海量的企业生产、经营管理信息资源的基础上，建立了数据仓库、联机数据分析、决策支持和预测预警系统，着手进行质量、成本等数据挖掘、商业智能等深度开发。出现了集团信息化系统，支持企业并购和异地经营一体化标准化管理。点：提升高性能控制器、高精度板形仪、大功率交直交调速装置主要依赖进口；炼铁、炼钢、轧钢等数学模型的适应性和自动优化控制精度需要进一步提升；高级计划排产、质量闭环控制、设备预测维护等方面需做大量细致务实工作；全流程动态有序协调高效生产还有很大提升空间；基于能量流网络模型的多介质综合优化调配水平有待提高；依据外部环境、现有生产经营数据进行数据挖掘、智能决策等还有很大差距。面：协同 过程控制、生产管控、经营管理钢铁工业自动化信息化发展回顾钢铁工业智能制造的发展，是行业需求拉），CADAPCCADAPCProcessOptimization工业工业4.0：CPS支持下的业务协同集成ProcessDesign供应链全局优化(SCM-ERP-CRM)物质流能量流协同优化(MES-EMS)工艺闭环控制(RTO-APC)可循环流程设计运行产品设计-生产-使用-服务CPSCPS支持下的横向、端到端、纵向业务协同集成供应链全局优化(SCM-ERP-CRM)物质流能量流协同优化(MES-EMS)工艺闭环控制(RTO-APC)可循环流程设计-运行-优化产品设计-生产-使用-服务CADDesignProcessMESProcessOptimization CADDesignProcessMESProcessOptimization 两化融合生产指令作业计划生产计划过程运行生产造全设定直艺技术运行指标指标生产指令作业计划生产计划过程运行生产造全设定直艺技术运行指标指标过程运行控制系统控制系统设定直流程过程运行控制系统控制系统设定直动作控制指标优化运行指标动作控制指标优化运行指标 智能来源于建模、先进控制、认知自动化、诊断和先进维护工具、优化和仿真、专家数据到知识知识变成运行模型从关键资产到企业应用由关键资产到全球应用智能流程制造：一种集成的、知识使能的、富于模型的企业，应用最好的可能的信息和广域性能度量来前瞻性地确定和执行所有操作行动。-------SmartProcessManufacturing：AnOperationsandTechnologyRoadmap，2001ProcessOptimization用户需求不确定性CAD降低成本引起生产过程不稳定发展趋势3：通过预测预警提升前瞻应变能力ProcessOptimization用户需求不确定性CAD降低成本引起生产过程不稳定多品种小批量生产方式多品种小批量生产方式原燃料供应不确定性原燃料供应不确定性ProcessProcessDesign设备故障引起非计划停产Process1workworkProcess2ControllerSensorActuatorBusinesssystems-ControllerSensorActuatorControllerSensorActuatorrealtimewiredand/orwirelesstcommunicaionCorporateOfficeProcess1workworkProcess2ControllerSensorActuatorBusinesssystems-ControllerSensorActuatorControllerSensorActuatorrealtimewiredand/orwirelesstcommunicaionCorporateOfficeEconomics,Economics,environment,healthandsafetyplant-widemonitoring,controlandandoptimizationOperator 再设计·与治末新设计焕发春智能再设计·与治末新设计焕发春智能机械装备健康能效监控科技发展路线图（北京化工大学高金吉院士）热轧卷价格指数生产成本废钢价格焦煤价格息税折旧前利润率矿石价格可持续发展钢铁工业智能制造技术需求可持续发展业务需求：业务协同、知识智能、前瞻应变技术需求业务需求：业务协同、知识智能、前瞻应变技术需求钢铁工业自动化信息化发展趋势 智能制造钢铁工业智能制造的发展，是行业需求拉钢铁工业智能制造的作用•推动电子商务和供应链协同发展，支撑实时精细供应链全局优化(横向)物质流能量流协同优化(纵向)工艺闭环控制(纵向)可循环流程设计(端到端)计算材料设计(端到端)物料投入设定、能量输入设定成分、几何尺寸机械性能成分、纯净度物料投入设定、能量输入设定物料投入设定、能量输入设定物料投入设定、能量输入设定成分、几何尺寸机械性能成分、纯净度物料投入设定、能量输入设定物料投入设定、能量输入设定间优化物料投入设定、能量输入设定组织结构以产品质量要求为出发点，以各工艺过程指标为设定值，通过各种检测装置、软测量从全过程中抽取有用的信息，基于这些信息建立机理分析和智能模型，控制生产过程和产品质量，提升物料收得 ,热平衡和温度预报工艺要求ANN电气线路能量设定点动态优化仿真模型智能调节器u,i,热平衡和温度预报工艺要求ANN电气线路能量设定点动态优化仿真模型智能调节器u,i,。，工艺参数工艺参数计算信号予处理信号予处理信号予处理EFEF/LF机理+大数据分析检测化学成分和轧制过程数据预报板材的机械性能在线连续监视保证产品质量对工艺优化提供支持动态预测温度损失和获得动态在线检测钢水温度的变化钢包跟踪动态预测温度损失和获得动态在线检测钢水温度的变化钢包跟踪下游铸机接受钢水的温度和时间计算目标计算目标出钢温度钢包的热量状态钢包的热量状态分析构建钢铁企业物质流、能量流协同优化模型，钢铁企业物质流、能量流协同优化模型工业互联大数据驱动统计模型群体智慧支撑的交互场景仿真借方借方贷方优化结果：单目标优化和多目标优化基于大数据分析的多场景统计优化 综合考虑原燃料供应（上游）、企业生产计划（中游）），（Volatility）、透明度（Visibility）和价值（Value）问题，实现供应链之间有机协同和全局优化。供应链上游中游下游支撑技术市场分析预测（Volatility）原燃料价格走势分析生产能力分析产品需求预测BI物流实时跟踪（Visibility）GPS,GIS流程物流跟踪GPS,RFID,电子商务物联网,互联网供应链全局优化（Value）采购成本和物流成本综合优化 小批量多规格生产计划,配料优化,综合生产成本优化库存控制,交货期控制,客户业务协同供应链协同模型,多目标优化摆脱主要依靠经销商和中间运作实现销售的模计划与调度协同11可循环流程多尺度集成模型2可循环流程动态仿真技术云平台支撑的流程场景模型工业互联大数据驱动统计模型 SVAI流程仿真SVAI流程仿真5 材料基因组计划，美国2011理解和预测钢铁材料的微观结构演变和机械性能理解和预测钢铁材料的微观结构演变和机械性能原子尺度：分子动力学（MD）；蒙特卡罗法（MC）微观结构：以连续介质概念为基础的计算；用热力学方法预测材料的相变过程及相变产物的微观结构宏观尺度：与材料或材料部件工业生产有关的仿真计算107基于实验线/生产线采集的过程和质量数据，分析工艺过程不同阶段素，建立产品质量预测模型，为新产品开发提供支持。同时 从运行数据构建统计质量模型，分析质量缺陷原因，选择操控变的产品质量。首先，通过建立统计质量模型分析操作条件对产品义明确便于实际应用，建模方法采用主元回归或偏最小二乘法；合关系。然后，基于统计质量模型实现操作条件的Aschematicdiagramofhierarchicalqualityimprovementsystem(HiQIS 四.钢铁工业智能制造支撑技术数据：体温知识：+化验信息（细菌/病毒），治疗方案智慧：场景分析，预防疾病不一定拘泥固定格式，有时数据（信息）~知识据。分析数据间的关系获得了信息。信息关联形成知识。智慧是在知识的基础之上，形成功能功能••适应性自重构•应对变化的自调节•应对干扰的自优化•集成仿真和综合•人远程可视化•协同诊断和决策•协同诊断和决策••部件和设备镜像模型•变化识别和记忆时间机•数据挖掘中相似聚类••部件设备健康智能分析•多维数据关联智能分析•衰退和性能预测智能分析•无线通讯•传感网络从数据到信息再到知识的实现从数据到信息再到知识的实现+管理与控制（Management&Control）功能，从而实现了一个闭环的信息流和智能系统的搭建，其目标是能够达成整个系统的自重构能力+人的职责和活动目标（Role/Goal）的因素，将数据分析的结果按照不同人员的职责和活动目标的需求进行最直观的表达，其核心是帮助用户制定最优的决策。网络化内容管理。面向设备集群和整个公司运维与经营活动的横向数据挖掘。+信息逻辑（Logic）的要求，体现在大数据分析流程、数据相关性解析、利用数据建立设备镜像模型（TwinModel），以及利用所建立的模型进行数据分析的触发机制等。从隐匿性、碎片化、低质性数据到高质量和高价值密度的信息的分析过程。面向单个设备或单元的纵向分析。+情景(context)建立统一的数据环境。不是简单的数据采集，而是一个多数据融合的数据环境，使产品全生命周期的各类要素信息能实现同步采集、管理和调用。工业大数据：工业4.0时代的工业转型与价值创造李杰,机械工业出版社,2015.6113 故障发生概率 故障发生概率不是简单的数据采集，而是一个多数据融合的数据环境，使产品全生命周期的各类核心功能之一：尽可能地采集设备产品全生命周期的各类要素相关的数据和信息，打破以往设备独立感知和信息孤岛的壁垒，建立一个统一的数据环境。核心功能之二：按照活动目标和信息分析的需求选择性和有所侧重的数据采集，实现以分析状态监控+设计改进更多备件21故障报警34智能感知++巡检或即时更换预测性维护2.信息挖掘层：从数据到信息的分析过程从隐匿性、碎片化、低质性数据到高质量和高价值密度的信息的分析健康评估、健康预测以及可视化智能维护系统（IMS）设备故障诊断与健康管理PHM)技术）：在上一层面向单个设备的纵向数据分析基础上经营活动的横向数据挖掘。在内容和情景两者基础），络空间构建实体体系的映射，使实体的信息被量化和透明化。在构建完成这种映射对实体状态信息的切片化管理。设备运行数据连续+设备状态离散标签，实现对连续数据流的离散化管理，建立简洁而又全面的产品全生命周期信息库，并能够按照状态-特征信息-数据进行快速建立与实体系统相互映射的镜像模型。利用实体系统产生的数据建立反映实体系统状态的数学模型，将实体系统“不可见因素”进行预测和透明化过程。两个作用：一是对实体系统状态的量化表达，二是建立输入-输出的预测传递系统。间关联关系进行信息推送，利用信息作为桥梁建立和管理实体之间关系。（打车软件）集群分析和大数据挖掘。基于不同实体不同时间内的大量状态样本，按照状态参数相似性进行聚类分析，对不同聚类中的TwinModel进行横向纵向比较。横向比较是指在相同时间、相同运行条件下的状态参数比较，了解同一集群内设备的差异性，判断哪一设备处于异常状态。纵向比较是TwinModel在时间轴上的相互比较，对同一设备根据当前状态与历史状态差异量化其状态衰退；对于同类设备在相同运行环境下的纵向比较，可以通过一个设备与另一个设备历史状态的相似性判断它目前所处4.认知层（Cognition）：对信息的识别与决策支持多平台的远程数据可视化工具。用户需要对不同层次对象的信息进行解读并给出相应的决策的协同优化分析。在基于多智能体系统的仿真与推理基础和约束条件后，认知层会通过智能优化算法找到系统最佳的匹配和决管理模式转变为自动根据公司运营与生产目标进设备集群中的一个设备性能下降时，集群中从数据到信息再到知识的实现从数据到信息再到知识的实现+管理与控制（Management&Control）功能，从而实现了一个闭环的信息流和智能系统的搭建，其目标是能够达成整个系统的自重构能力+人的职责和活动目标（Role/Goal）的因素，将数据分析的结果按照不同人员的职责和活动目标的需求进行最直观的表达，其核心是帮助用户制定最优的决策。网络化内容管理。面向设备集群和整个公司运维与经营活动的横向数据挖掘。+信息逻辑（Logic）的要求，体现在大数据分析流程、数据相关性解析、利用数据建立设备镜像模型（TwinModel），以及利用所建立的模型进行数据分析的触发机制等。从隐匿性、碎片化、低质性数据到高质量和高价值密度的信息的分析过程。面向单个设备或单元的纵向分析。+情景(context)建立统一的数据环境。不是简单的数据采集，而是一个多数据融合的数据环境，使产品全生命周期的各类要素信息能实现同步采集、管理和调用。专家系统工业以太网测量企业运营制造执行工艺闭环控制全局数据库实时仿真专家系统工业以太网测量企业运营制造执行工艺闭环控制全局数据库实时仿真执行执行智能仪表智能仪表产品流程设计产品流程设计预测模拟仿真 数据挖掘2混合模型与数据分析数据重构数据仓库1.基于工业互联网数据集成数据重构数据仓库针对具体应用(1-1)为可能应用做准备(空间、逻辑标签全局数据运筹数据仓库对应用解构--事务处理信息-动态过程由数据组成业务事件定义基础结构化数据定义基础结构化数据定义—千—千 新日铁基于IT的操作支持技术测量预测工业以太网全局数据库测量预测工业以太网全局数据库专家系统实时仿真实时仿真执行执行企业运营企业运营制造执行工艺闭环控制产品流程设计智能仪表智能仪表多源、多场景）扰动PS扰动PS•通过模型和/或仿真，预测过程未来行为•建立输入-状态-输出间的关联，对物理系统进行控制:•建立目标函数和约束条件间的关联，对物理系统进行优化:M•通过调整模型结构或参数，适应环境或物CC析中，不仅能有效提高建模过程的寻优效率，也对样本数据要求苛刻的问题，降低模型训练的难低低 冶金制造流程多尺度业务模型结构炼钢工序模型炼钢工序模型炼铁工序模型轧钢工序模型拓宽系统模型的表征形式和信息来源，丰富系统建模的方法手段机理分析法：数学描述扩展为更广义的知识模型，如专家经验规则，以及其它定性方法等。统计分析法：统计分析法扩展为更广义的基于数据的模型，采用计算智能如神经元网络技术将其扩展到非线性、结构不确定等复杂问题的建模。逻辑推理：除演绎推理、归纳推理外，还要应用形象思维、直觉等思维方式。机理分析(结构确定/参数统计，基于知识或经验)统计分析(结构不确定或无机理解释,基于数据)智能(软计算)专家系统等ANN/SVC等数学(硬计算)代数/ODE/PDE统计分析(回归分析/时间序列/聚类特征),系统辨识129 计算智能机器学习 系统控制理论数据挖掘高炉内部可视化与布料分布、气流分布与控制NipponSteelMonthly.37直接测量高炉内部的探头和传感器基于数学模型与可测数据的机理分析本质原因或因素。借助传热方程，可通过埋入的热偶测的温度值计算无法直接测量的炉底内部的温度场和传热系数。并第一次发现，在耐材温度就要异常上升之前，炉内温度经常上下变化，因此可以可视化炉内变化，并定量掌握炉内异常温度变化。由于这一技术使得控制炉情景空间（外部特征维+内部特征维）分空间特征建模+综合统计判断 宏观趋势宏观趋势扩散 扩散情景组合及概率情景模型（1）情景模型（2）加权综合分析评判实时能源调控能源计划优化能量流网络模型(m)多情景建模示例：能量流网络模型情景组合及概率情景模型（1）情景模型（2）加权综合分析评判实时能源调控能源计划优化能量流网络模型(m)情景特征情景特征m领域知识领域知识ITIT知识运行经验“大”数据分析与挖掘钢铁工业“大”数据特点:CloudcomputingDatawarehouseDistributedsystemExtract,transform,andload(ETL)GoogleFileSystemHadoopHbaseMapReduceNon-relationaldatabaseRelationaldatabaseSemi-structureddataStreamprocessingUnstructureddataVisualization“数据”大，全样本“数据”大，全样本 测量企业运营制造执行工艺闭环控制产品流程设计预测工业以太网全局数据库3.多目标优化测量企业运营制造执行工艺闭环控制产品流程设计预测工业以太网全局数据库专家系统实时仿真实时仿真执行执行智能仪表智能仪表 （1）基于运筹学的优化、、、、、、用能设备的能源需求约束用能设备的能源需求约束=Pi用能设备的工艺约束Qqi_minnkΣΣqiqi_maxX<Yi,jj各介质产量及各能源设备净能耗主流程能量平衡转换分配能量平衡m为主系统单元个数， 销i,j为能源产品产量。物流对能耗影响（钢比、返回料、成材率、作业率等）工序间紧凑性影响（小节奏）产品品种二次能源回收设备网络储存输配设备能源外销不同时段能源价格变化气需求 技术气体-(气需求 技术气体-(根据能源介质间关联程度和转换“链条”电电压缩空气-压缩空气-水多介质多场景能源计划优化计算示例—燃气、蒸汽、电力计划优化蒸汽电力系统主要由4台燃料锅炉（B1-B4）、2台抽汽背压式汽轮机（BT1和BT2）、2套干熄焦发电装置（CDQ2台热电联产机组(CHP)组成，为生产工艺过程提供电力、S1蒸汽(2.0～3.8MPa，450°C)、S2蒸汽(0.78~1.27MP，170～280°C)和S3蒸汽(0.3~0.78MPa，142～170°C)多周期非线性优化F4B,BF,)FFF42F)6根F1t3t4项目优化前优化后外购燃料煤费用（万元）233.6498234.1791副产煤气使用费用（万元）122.0902123.1707给水费用（万元）7.51277.6305设备维护费用（万元）98.9796101.4965外购电费用（万元）23.86389.18634外送电收益（万元）10.640118.7683总费用（万元）475.4562456.8951（2）大数据背后隐性经验的显性表达 如操作规程优化的聚类分析、异常判断的专家系统、预报模型特征分析等。集合映照与优选法操作规程聚类优化的原理和一般过程操作规程聚类优化的问题与应对排除已知的起决定作用的工艺参数。操作规程聚类优化的问题与应对操作规程聚类优化的问题与应对模式识别和聚类主要算法操作规程聚类优化的问题与应对优选区、优化方向、可探优选区、可探优优化区及其数学模型可探优化区和可探优化点零势线T=XR0.1130.0740.0480.0600.2000.0830.2550.052优化、逆映照X1=0.10,X2=0.00,X3=0.20实施效果零势线T=XR0.1130.0740.0480.0600.2000.0830.2550.052优化、逆映照X1=0.10,X2=0.00,X3=0.20实施效果0.1500.2500.0000.2500.0000.0000.1500.0000.2000.1000.2000.2000.2500.2500.3000.15074.376.075.772.42233平均值工艺变量：北方肥煤比例X1、当地肥煤比例X2、焦煤比例X3、瘦煤比例X4、其它类煤比例（非独）。优化目标：兼顾原煤价格条件下，提高焦炭质量（抗碎强度M10、耐磨强度M40）。类型1：M10≤9,且M40≥76;类型2:9﹤M10≤10,72≤M40﹤76;类型3：M10＞10,或M40﹤72; No.X1X2X3X4M10M40类型0.1500.1500.2000.1500.1500.1500.1000.0000.0000.1000.2000.1000.1000.1000.1000.0000.3000.3000.3500.2500.30077.977.176.877.278.17.68.28.58.78.82345111160.1500.0000.1500.2508.976.4170.1000.1000.2000.2508.874.9280.0000.1000.2000.3008.975.9290.1000.2000.1500.1508.975.420.0000.1000.3000.2009.276.120.0000.2000.2000.2009.476.820.0000.0000.4000.2509.575.020.0000.1500.2000.2509.975.720.0000.1000.2500.3009.972.720.0000.1000.3000.25074.62标准差产品质量冶金焦合格率M10M40优化前7优化后96.308.677.96零势线PLS降维T=XR零势线PLS降维T=XR优化、逆映照.96420.660.4311.0000.09642假设钢种等条件恒定，每8小时正常生产数据为一个样本，从12个变量中根据特征简单分类贡献比选取6个特征变量，依次记为X1~X6，Y为吨钢能耗，C为分类（以0.087为界）。样本22根据隶属度检测，为迷途样本，删除。优化目标是降低能耗（连续性变量）NO.X1X2X3X4X5X6YC120.560.640.360.3912.4668.84424.432.30.06870.06911130.800.5510.40134.90.0735140.580.339.68036.40.0766150.680.3513.36631.80.0788160.630.3312.29724.40.0802170.590.4110.44542.40.0805180.590.2613.84226.50.0809190.680.3511.16742.70.08210.680.4312.30634.40.084210.600.3313.89529.10.086710.640.3913.06837.90.087420.660.4412.81036.60.087620.800.4010.51841.80.088320.640.4111.00032.30.088920.08890.08890.09110.09150.09340094910.34013.30212.95812.41244.338.240.740.70.440.410.390.390.730.620.590.6022222X1X2X1X2X3X4X5X60.660.4311.000Y（3）基于交互仿真的规程优化 调度规 生产策略算分布仿真资潺库调度规 生产策略算分布仿真资潺库能源优化能源优化案例库UU能源结构生产流程品种规模能源生产能源结构生产流程品种规模能源生产能源转换能源管网能源缓冲正常异常工况工艺操作制度工序能源需求工序能源回收能源环境主生产系统主生产系统描述各能源介质在能源使用能源回收和转换输配环节动态变化和平衡关系分析评估生产系统、能源系统的能效和流程综合效率为钢铁企业能源系统优化和控制策略提供定量分析手段水网络模水网络模型技术气体网压缩空气主生产工序的能量流模型“能量流网络”应包括各类能量流、能量流节点、能量流连结器和能量流中间缓冲系统。分别建分介质能量流网络一般形式—千—千 模拟平台上层分析系统建立能源系统物理模工序/装置功能义模拟平台上层分析系统建立能源系统物理模工序/装置功能义钢厂总体布局态生产调度规程动态控制根据全流程能源需求和可回收计煤气基准输入生产计划确定流程工艺路径及工序单元选择各工序单元能量模型组态 初始化物流、能流库存缓冲用户生成作业计划和维修计划事故假定、工况假定技术气体、压缩空气和确定计算周期（小时、天、周）计算周期+1： 可用煤气情况，形成蒸汽基准方常/异常，工况变化按生产流程顺序依次调工序能量模型可回收量划多场景能量模型.启/停.计算各种异动标志和影响到的输出量.计算各种介质消耗量.计算各种介质可回收量.计算各种异动标志和影响到的输出量根据全流程能源需求和可回收计煤气基准输入生产计划确定流程工艺路径及工序单元选择各工序单元能量模型组态 初始化物流、能流库存缓冲用户生成作业计划和维修计划事故假定、工况假定技术气体、压缩空气和确定计算周期（小时、天、周）计算周期+1： 可用煤气情况，形成蒸汽基准方常/异常，工况变化按生产流程顺序依次调工序能量模型可回收量划多场景能量模型.启/停.计算各种