“数智化”助力钢铁行业高质量发展
为了解决人工智能在钢铁行业落地难、门槛高等问题，华为基于自身对资源行业的理解，以及30多年的技术积累，为了钢铁行业打造了人工智能解决方案，以具备通用人工智能能力的盘古大模型作为底座，结合行业知识和场景数据进行训练微调，能有效应对碎片化和多样化需求，并大幅缩减研发、定制、部署、调优等工程化过程中的人力、时间、费用等成本投入，也能解决好数据安全问题。
“数智化”助力钢铁行业高质量发展
钢铁行业是我国国民经济发展的重要支柱产业，为国家建设提供了重要原材料保障，有力支撑了我国工业化、现代化进程。近年来，钢铁行业作为中游制造业受到上游铁矿石和焦煤的双重挤压，叠加下游行业需求变动带来的产品结构变化，钢铁行业的总量及结构面临较大挑战。然而，随着新能源汽车等新兴产业的蓬勃发展，钢铁行业也逐步迎来新的增长点。
文 / 胡罡
华为油气矿山军团矿业冶金业务总经理
2024年9月
在这样的行业背景下，钢铁企业要想走出困境，必须坚持数智化转型、坚持科技赋能，坚定不移走以高端化、智能化、绿色化为目标的高质量发展之路，提高自身核心竞争力。
在助力钢铁企业数智化转型的实践中，我们发现大部分钢铁企业面临的主要挑战有以下几个方面：
1. 信息系统多，互通难。由于过去的信息化建设很多没有统一规划，信息系统的建设厂家不一，导致架构不一，烟筒式的系统繁多，各系统硬软件独立，维护工作量大；
2. 缺乏统一标准与统一的数据规范。没有建设统一数据采集和存储的规范，导致不同生产设备的接口和采集协议不同，数据集成难，另外由于数据格式差异大，系统间数据共享成本很高；
3. 数据未充分清理，难以驱动智能决策。很多钢厂都建立了大数据中心，采集了大量的数据，但没有经过加工处理，异常或无效数据多，无法充分发挥数据的价值 大部分决策依旧靠人工干预，无法由数据驱动；
4. 人工智能门槛高，落地难。人工智能赋能钢铁行业过程中，往往面临着需求碎片化、多样化的问题，过去的模型参数量小、泛化性差，一个模型大多只能对应单个场景，开发成本高、升级难。另外，算法训练需要将生产单位的数据导出到开发环境进行训练，存在数据泄露等安全性问题。
构建基于工业互联网的智慧钢铁架构
支撑智能化持续演进
从2020年，华为与钢铁行业各界开启交流与合作，逐步理解行业的需求，现在已经深度参与到行业的智能化进程中。这个过程中，我们通过大量实践发现，要解决上述痛点，需要从底层架构着手。
钢铁行业传统的系统架构都是基于ISA-95的标准，但随着智能化的到来，传统架构已经无法支撑行业向智能化方向演进。通过构建“统一标准、统一架构、统一数据规范”的工业互联网架构，平台先行，应用迭代，保护投资，避免重复建设，才能探索出一条有效的升级路径。
我们认为，采用云原生技术构建钢铁行业的新应用是行业的趋势，同时，使用微服务架构和零代码、低代码的DevOps模式，能让开发更加敏捷。
构建以数据平台为核心的数据世界入口
持续数据治理，夯实数据资产
高质量的行业数据是基础，是驱动智能化转型实现高质量发展的新动能与核心资源。企业希望通过人工智能实现工艺优化、产品性能预测、金融风险智能监控、智能决策等智能化诉求时，可用的、准确的、高精度的数据是前提，反过来，通过人工智能场景化应用规模落地，可以使数据资产价值最大化。
非数字原生企业是以物理世界为中心来构建，围绕生产、流通、服务等具体经济活动展开，天然缺乏以软件和数据平台为核心的数字世界入口。对于钢企而言，基于统一架构、统一标准、统一数据规范设计思想，构建企业级自主可控的企业数据中台，向下支持多种协议适配插件、统一数据格式，支撑数据统一入湖和治理，向上基于数据治理，提供原子化微服务能力，支撑应用跨系统协同。
构建具备全联接的融合网络
实现实时在线的智能工厂
当前，绝大部分的钢铁企业都存在辅助生产一张网，办公一张网，安防一张网等多张网络的情况，面对这种烟囱式建网，不仅信息共享困难而且运维复杂，且随着数字化业务激增，业务体验保障不足、安全防护不足等问题突出，难以满足数智化发展要求。构建云网边端的融合工业网基础设施，采用切片实现辅助生产、办公、安防等多业务统一承载，横向覆盖研产销、纵向满足各类终端业务诉求。
连接是工厂数字化的前提，也是实现全要素各环节深度互联的关键，在工厂连接正由有线为主向有线无线相辅相成过渡。通过充分利用具备高可靠、低时延、大带宽能力的5G网络，基于工业互联网新型基础设施，新建或改造产线、车间、工厂等生产现场，形成生产单元广泛连接、IT/OT 深度融合、数据要素充分利用、创新应用高效赋能的智慧工厂。
构建以大模型技术为核心的人工智能开发应用
新范式
实现人工智能场景化应用规模落地
为了解决人工智能在钢铁行业落地难、门槛高等问题，华为基于自身对资源行业的理解，以及30多年的技术积累，为了钢铁行业打造了人工智能解决方案，以具备通用人工智能能力的盘古大模型作为底座，结合行业知识和场景数据进行训练微调，能有效应对碎片化和多样化需求，并大幅缩减研发、定制、部署、调优等工程化过程中的人力、时间、费用等成本投入，也能解决好数据安全问题。
同时，行业机理模型对于场景化AI应用使用效果至关重要。以机理为基础，基于历史数据进行残差预测，使得AI模型参数可靠且接近真实工况；以机理为约束，对数据质量进行分析，使AI训练数据更准确。通过机理模型+持续迭代优化的AI模型相结合，使模型控制更精准，越用越好用。
过去一年，盘古钢铁行业大模型已在多个钢铁企业商用，基于大模型开发的创新应用不断地在工厂落地并取得了较高的收益，例如：智能精炼：通过大数据+AI，根据物理平衡、热平衡原理，实现合金辅料添加自动计算、LF炉送电吹氩自动规划、钢水成分实时预测，避免人工操作带来的随意性和不确定性。智慧配煤：通过AI+配煤机理，深度挖掘原料煤之间特征相关性，准确预测焦炭质量，且能在达到质量要求的前提下，优化配比，降低配煤成本。皮带智能监测：通过机器视觉+AI，实现7x24小时实时自动皮带智能检测，降低人工巡检的频次和强度，异常问题第一时间自动告警，可以有效降低皮带故障引起的停机停产风险。废钢智能判级：采用AI分析，实现统一客观准确判级，降低定级的人为依赖，减少人为影响造成的定级偏差损失。
截至目前，华为、钢铁企业和行业伙伴已经基于行业大模型开发了30+算法模型应用，实践证明，以大模型技术为核心的人工智能开发应用新范式，推动人工智能在钢铁行业的大规模落地应用是一条可行之路。
华为始终坚持与“产学研”等机构开展合作，发挥各自优势，以人工智能大模型为基础，构建人工智能场景地图和应用创新，加速人工智能与钢铁行业应用场景的融合，推动人工智能在钢铁行业的大规模落地应用。
为了解决人工智能在钢铁行业落地难、门槛高等问题，华为基于自身对资源行业的理解，以及30多年的技术积累，为了钢铁行业打造了人工智能解决方案，以具备通用人工智能能力的盘古大模型作为底座，结合行业知识和场景数据进行训练微调，能有效应对碎片化和多样化需求，并大幅缩减研发、定制、部署、调优等工程化过程中的人力、时间、费用等成本投入，也能解决好数据安全问题。
“数智化”助力钢铁行业高质量发展
钢铁行业是我国国民经济发展的重要支柱产业，为国家建设提供了重要原材料保障，有力支撑了我国工业化、现代化进程。近年来，钢铁行业作为中游制造业受到上游铁矿石和焦煤的双重挤压，叠加下游行业需求变动带来的产品结构变化，钢铁行业的总量及结构面临较大挑战。然而，随着新能源汽车等新兴产业的蓬勃发展，钢铁行业也逐步迎来新的增长点。
文 / 胡罡
华为油气矿山军团矿业冶金业务总经理
2024年9月
在这样的行业背景下，钢铁企业要想走出困境，必须坚持数智化转型、坚持科技赋能，坚定不移走以高端化、智能化、绿色化为目标的高质量发展之路，提高自身核心竞争力。
在助力钢铁企业数智化转型的实践中，我们发现大部分钢铁企业面临的主要挑战有以下几个方面：
1. 信息系统多，互通难。由于过去的信息化建设很多没有统一规划，信息系统的建设厂家不一，导致架构不一，烟筒式的系统繁多，各系统硬软件独立，维护工作量大；
2. 缺乏统一标准与统一的数据规范。没有建设统一数据采集和存储的规范，导致不同生产设备的接口和采集协议不同，数据集成难，另外由于数据格式差异大，系统间数据共享成本很高；
3. 数据未充分清理，难以驱动智能决策。很多钢厂都建立了大数据中心，采集了大量的数据，但没有经过加工处理，异常或无效数据多，无法充分发挥数据的价值 大部分决策依旧靠人工干预，无法由数据驱动；
4. 人工智能门槛高，落地难。人工智能赋能钢铁行业过程中，往往面临着需求碎片化、多样化的问题，过去的模型参数量小、泛化性差，一个模型大多只能对应单个场景，开发成本高、升级难。另外，算法训练需要将生产单位的数据导出到开发环境进行训练，存在数据泄露等安全性问题。
构建基于工业互联网的智慧钢铁架构
支撑智能化持续演进
从2020年，华为与钢铁行业各界开启交流与合作，逐步理解行业的需求，现在已经深度参与到行业的智能化进程中。这个过程中，我们通过大量实践发现，要解决上述痛点，需要从底层架构着手。
钢铁行业传统的系统架构都是基于ISA-95的标准，但随着智能化的到来，传统架构已经无法支撑行业向智能化方向演进。通过构建“统一标准、统一架构、统一数据规范”的工业互联网架构，平台先行，应用迭代，保护投资，避免重复建设，才能探索出一条有效的升级路径。
我们认为，采用云原生技术构建钢铁行业的新应用是行业的趋势，同时，使用微服务架构和零代码、低代码的DevOps模式，能让开发更加敏捷。
构建以数据平台为核心的数据世界入口
持续数据治理，夯实数据资产
高质量的行业数据是基础，是驱动智能化转型实现高质量发展的新动能与核心资源。企业希望通过人工智能实现工艺优化、产品性能预测、金融风险智能监控、智能决策等智能化诉求时，可用的、准确的、高精度的数据是前提，反过来，通过人工智能场景化应用规模落地，可以使数据资产价值最大化。
非数字原生企业是以物理世界为中心来构建，围绕生产、流通、服务等具体经济活动展开，天然缺乏以软件和数据平台为核心的数字世界入口。对于钢企而言，基于统一架构、统一标准、统一数据规范设计思想，构建企业级自主可控的企业数据中台，向下支持多种协议适配插件、统一数据格式，支撑数据统一入湖和治理，向上基于数据治理，提供原子化微服务能力，支撑应用跨系统协同。
构建具备全联接的融合网络
实现实时在线的智能工厂
当前，绝大部分的钢铁企业都存在辅助生产一张网，办公一张网，安防一张网等多张网络的情况，面对这种烟囱式建网，不仅信息共享困难而且运维复杂，且随着数字化业务激增，业务体验保障不足、安全防护不足等问题突出，难以满足数智化发展要求。构建云网边端的融合工业网基础设施，采用切片实现辅助生产、办公、安防等多业务统一承载，横向覆盖研产销、纵向满足各类终端业务诉求。
连接是工厂数字化的前提，也是实现全要素各环节深度互联的关键，在工厂连接正由有线为主向有线无线相辅相成过渡。通过充分利用具备高可靠、低时延、大带宽能力的5G网络，基于工业互联网新型基础设施，新建或改造产线、车间、工厂等生产现场，形成生产单元广泛连接、IT/OT 深度融合、数据要素充分利用、创新应用高效赋能的智慧工厂。
构建以大模型技术为核心的人工智能开发应用
新范式
实现人工智能场景化应用规模落地
为了解决人工智能在钢铁行业落地难、门槛高等问题，华为基于自身对资源行业的理解，以及30多年的技术积累，为了钢铁行业打造了人工智能解决方案，以具备通用人工智能能力的盘古大模型作为底座，结合行业知识和场景数据进行训练微调，能有效应对碎片化和多样化需求，并大幅缩减研发、定制、部署、调优等工程化过程中的人力、时间、费用等成本投入，也能解决好数据安全问题。
同时，行业机理模型对于场景化AI应用使用效果至关重要。以机理为基础，基于历史数据进行残差预测，使得AI模型参数可靠且接近真实工况；以机理为约束，对数据质量进行分析，使AI训练数据更准确。通过机理模型+持续迭代优化的AI模型相结合，使模型控制更精准，越用越好用。
过去一年，盘古钢铁行业大模型已在多个钢铁企业商用，基于大模型开发的创新应用不断地在工厂落地并取得了较高的收益，例如：智能精炼：通过大数据+AI，根据物理平衡、热平衡原理，实现合金辅料添加自动计算、LF炉送电吹氩自动规划、钢水成分实时预测，避免人工操作带来的随意性和不确定性。智慧配煤：通过AI+配煤机理，深度挖掘原料煤之间特征相关性，准确预测焦炭质量，且能在达到质量要求的前提下，优化配比，降低配煤成本。皮带智能监测：通过机器视觉+AI，实现7x24小时实时自动皮带智能检测，降低人工巡检的频次和强度，异常问题第一时间自动告警，可以有效降低皮带故障引起的停机停产风险。废钢智能判级：采用AI分析，实现统一客观准确判级，降低定级的人为依赖，减少人为影响造成的定级偏差损失。
截至目前，华为、钢铁企业和行业伙伴已经基于行业大模型开发了30+算法模型应用，实践证明，以大模型技术为核心的人工智能开发应用新范式，推动人工智能在钢铁行业的大规模落地应用是一条可行之路。
华为始终坚持与“产学研”等机构开展合作，发挥各自优势，以人工智能大模型为基础，构建人工智能场景地图和应用创新，加速人工智能与钢铁行业应用场景的融合，推动人工智能在钢铁行业的大规模落地应用。
展开
最新评论
参与讨论
