|
— 广告 — 在这里，读懂全球钢铁  JFE钢铁在生产工序中的数字数据应用要追溯到20世纪中叶，当时仅仅引进了几十台计算机。尽管如此，还是展开了对产业界最先进的自动化技术的挑战。当前，正在推进数据科学、人工智能（AI）等技术的研究开发和实际安装应用，以实现生产的物联网（IoT）化和所有事务的数字数据化。本文概述了以数据科学为主轴的JFE钢铁利用数字数据的历史和近年来在这方面所做的努力，还论述了基于最新信息物理系统CPS（Cyber Physical System）的钢铁生产技术革新的方向性和相关课题。 1 前言 日本的钢铁业在二战后的1955年恢复到战前的粗钢产量，其后得到了巨大的发展。其原动力是在日本各地建设的当时在世界上最现代化的钢铁厂。采用高效的工厂布局，引进当时最新的生产设备，开发了大量的独有技术。在各地出现了在品质、生产效率、节能等各方面指标处于世界领先水平的钢铁厂，支持着日本的发展。成为发展核心的共同技术是计算机在生产过程中的应用带来的自动化，可以说这一时期是日本钢铁业数字数据应用的黎明期。其后直至目前，以信息基础设施和计算机及应用软件为主轴的IT有了显著的进步。JFE钢铁也与这一进展同步，不断开展数字数据在生产过程中的应用。本文的前半部分概括了半个世纪以来JFE钢铁在这方面的发展历史。 进入21世纪，随着信息基础设施的发展，数据量呈指数级增长，数据科学DS（Data Science）成为人们关注的解决方案，它通过高级数据分析来解决问题的方法，并且，经过几次突破的人工智能（AI）也进入了爆发性的实施阶段。而且，产业正迎来第四次革命。包含先进的学习、认识、预测方法在内的DS、AI等技术的特点是，无需进行重大设备改造，即可实现最大效率。此外，根据其使用方式，可以同时实现稳定性、节能、低成本、品质提升等多个目的，这是一个大幅超出人智的课题。本文后半部分论述了JFE钢铁对这些技术的应用、目前采取的措施以及今后的发展、存在的问题等。 2 JFE钢铁DS应用历史 2.1 引进过程计算机的黎明期 管理系列商务计算机及操作系列计算机在20世纪40年代开始普及，OA化和利用数据的生产计划自动化也开始应用。另一方面，要求速度的过程控制用计算机的实际应用是从20世纪中叶以后开始的。1969年，当时的5家大型钢铁公司的过程计算机引进数量共计137台，创下了历史记录。粗钢年产量约为9000万吨，与目前基本相同，因此如果包括芯片型处理器，与当前的一条生产线中就运行着无数控制相关计算机相比，数量也极少。现在的仓敷地区和福山地区在当时数字计算机仅有59台，之后发展非常迅速。1973年的文献表明，“引进台数达到了4年前的250%，在证明计算机控制的有效性的同时，在此期间建设的新设备、新工厂均无例外地应用了计算机控制”。即尽管计算机过程控制的有效性尚为未知，但已作为必备技术引入。但当时只是最低限度地控制回路，或者将手动或模拟计算机的动作数字化，而数据利用还只是上一级计算机的世界。 2.2 数字数据应用技术的发展 计算机控制不断发展的同时，网络和存储设备也在不断发展，各种数据也可以大量存储起来。JFE钢铁约从1980年起开始了对生产过程中原始数字数据的利用，正式启动现在所说的使用DS方法的技术开发和实用化。 表1示出了JFE钢铁在DS、AI技术方面所做的工作。白色底色的四边形为目的，蓝字为关键技术。记录了论文主题及内容提要。至20世纪70年代中叶前，起始于通过上一级计算机实现生产计划的自动化及优化措施以及高炉炉顶装料控制、连铸控制等上游工序的过程控制的引进。80年代，微型计算机开始普及后，开始发展在生产过程的任何阶段使用数据分析方法的技术。80年代后期到90年代前期的话题是以专家系统为代表的AI的实现。将工程计划制作等熟练操作人员的知识电子化的AI，在以往的基于物理模型的过程控制中也备受期待，实现了以高炉为首的许多开发性实际应用。但是，基于知识规则的AI在日益复杂的过程控制中无法表现出足够的能力和适应性，能一直应用到后来的系统很少。而另一方面，例如，高炉布料的推测技术、通过局部回归模型实现的钢水流动优化等过程建模技术得到了发展，还能应用于控制以外的课题。局部回归方法是迄今为止被应用于减少产品品质波动等方面、在全公司开展的重要DS关键技术。另外，从90年代后期开始，开发并实际应用了物流优化中的遗传算法、用于操作管理的制约程序等先进的探索算法，发挥了效果。如前所述，由于DS的方法主要作为软件安装，相对于所期待的经济效果，多数情况下仅需较少的投资额即可完成。而且，由于具有可适应性的课题数量庞大，在研究开发方面，2000年左右对DS技术的开发投资大幅超过了以往对控制技术开发的资源分配。多变量优化、动态控制、外部干扰观测器等尖端控制方法的开发，结合了DS要素，还解决了以往控制方面的问题。   进入21世纪以来，信息与通讯技术ICT（Information and Communication Technolog y） 进一步发展，贝叶斯估计系统的新发展，除深度学习（Deep Learning）外，还有AI的突破、通用图形处理单元GPGPU（General Purpose Graphic Processing Unit）等加速DS发展的理论、硬件、软件大量出现。JFE钢铁对此进行了积极应用，开发并实现了曾经因计算能力方面问题而不得不放弃的工序模拟器、基于元启发式算法探索的调度引擎等，推进了依靠熟练操作人员的业务自动化并能提供操作指导。 用于感测的DS应用也进入了实用阶段。在这方面，也开始了利用DS方法对以往需要依赖于熟练操作人员的表面缺陷判别逻辑的构建进行自动化的尝试，其后不久利用分类与回归树CART法（Classification And Regression Trees）进行了安装并在全公司范围内展开。在根据主成分分析进行设备诊断、提高放射温度计精度等方面，硬件不变而使传感精度提高。另外，除Q统计量外，通过DS开展高炉的异常诊断、通过典型相关分析预测钢板断裂等依靠传感器数据的数据科学实现的异常预知技术也在不断进步。近年来，还进行了多项其他应用DS技术的开发和实施。 2.3 长达半个世纪的课题 纵观过程控制计算机的引入和DS技术的历史可以看出，课题的水平、规模、解决的技术水平均得到了发展。近年来，尽管技术人员等减少，但成果在增加。但是在数字数据应用中，还面临大量根本性的课题。 1）过程控制计算机领域中有很多限制，软件资产的继承性方面存在问题； 2）由于考虑利用层面而引入最适合的机型，多供应商环境中网络的连续性方面存在问题（用户自身进行异种机型连接的开发）； 3）大量存在未自动化的领域如落矿处理、去除结瘤等非固定形式作业，系统化不充分的领域如计划、设计领域； 4）CPU功率不足，以及软件无法迅速应对方针变更等问题。 从以上几点来看，1）由于中间件的进化，大体上正在被克服；3）的后半部分和4）也被逐渐解决；但2）在流程层次结构的数据应用方面反而变得更加严重。 3 今后的发展 3.1 数据驱动架构 通过物联网（IoT）和高速大容量的数据基础设施以及高性能计算HPC（High Performance Computing）实施处理的所谓“大数据”的属性被称为3V（Volume-量；Variety-种类；Velocity-速度），与传统的根本区别在于该属性值极大，且不是有意识地选择代表性数据，而是对原始数据的母集本身直接分析并应用于目标系统。如果操作、传感器、产品等所有的数据均通过DS及AI公平分析，那么就有可能发现迄今为止不明的各种事物之间的因果关系、未知的现象及异常的预兆等。随着生产系统及工厂规模的增加，这些数据驱动架构的应用显得更为有效且必要。 2019年JFE钢铁的过程控制用计算机有约4000台，再考虑到CPU运行10台DCS等，实际上有数万台计算机在运行，进行着大量的数据交换，但由于初衷并非对整个工艺进行大数据分析的设计，因此如果要利用数据3V，经反复改造、增建形成的复杂结构将会造成妨碍。虽然也有数据结构、时间轴不一致等问题，但首先需要将数据收集方法改为适合数据驱动型的结构。 在传统的钢铁生产工艺中，如图1左侧所示，将传感器信号集成到顺序控制器等下游计算机后向上一级传送。这时，传感器数据需要经过多个传感器的逻辑演算、阈值处理等再分级集中到上一级，因此会丢弃许多数据。由于这种结构难以进行3V的分析和利用，因此需要近年来被广泛提倡的将传感器等转换为IoT，并有效地收集包括遗留数据在内的所有数据，如图1右侧所示，需要可公平采集全部数据并进行分析的机制。对于上文中提出的多供应商环境的问题，将数据集中到边缘服务器后，按优先级数据组的顺序对结构进行标准化，同时开展数据利用的方法，是高效且现实的。海外钢铁厂多数已经形成了这种数据驱动型的基础设施，JFE钢铁也在利用原有系统的同时，通过利用最新的数据转换技术和高速通讯推进构筑数据驱动型机制。  3.2 过程的信息物理系统（CPS）化 收集数据后，根据各种目的对其进行分析，对结果进行解释和利用，但一般而言，有从数据中导出过程控制的效率和产品质量依存于什么并采取相应对策的利用方法。虽然这是传统的方法论，但在许多情况下，如果增加数据采用DS，能发现人未能注意到的问题点。然而，已经提出了信息物理系统CPS（Cyber Physical System）作为一种可以更好地利用全部数据并使整个目标系统发展的方法。钢铁生产具有许多动态过程，最大限度地利用各种类型的大数据的技术难度很高，而CPS是作为在此类系统进行数据利用的极佳概念。 1963年，在现JFE钢铁京滨的LD转炉上开始了日本钢铁业最初的计算机控制。与平炉相比，LD转炉难以用人力运行，这也是当时采用最新的计算机控制的动机，但同时也是日本钢铁工艺中通过最初的控制模型完成的自动控制系统。此后，计算机控制系统被广泛推广应用。控制模型一旦完成，即可定量地预测工艺动向。或者说在计算机内部完成虚拟（Cyber）过程，即可进行未来的状态预测或预想之外的异常检测。因此，如果在模型中扩充装备结构、热力学、统计元素、化学反应等要素，将实际过程（Physical）的传感器信息等连接到模型上，就可以构建实际过程和虚拟机并行运行的系统。这就是CPS的基本构想。CPS以可视化（感测）和自动化（建模）为轴，以实现以下功能为目标： 1）过程的过去、现在、未来状态的可视化（健全性监测，异常检测/预知）； 2）自动运行，高度的远程控制运行（实际过程的操作也与假想过程相同：作业人员可通过WEB操作）； 3）稳定运行、生产率提高、降低单位消耗等方面同时优化； 4）假想试验（通过高精度模拟新操作参数、新装备等，大幅提高工艺开发效率）。 图2所示为CPS概念的一个例子。在此将数个要素嵌入模型，将实际工艺中的数据与各模型相连，使Cyber过程整体有机地运行。模型方面可以说是复合数值分析的实时版，越复杂就越需要高性能和高度的HPC（High Performance Computing）。JFE钢铁已在高炉操作指导、钢铁厂能源供需预测以及铁焦的炉内状态再现等方面构建了CPS并开始应用。CPS与50多年前仅依靠控制模型的系统相比，规模巨大且复杂。因此，许多还处于图1中央部分所示的本地CPS阶段，但已计划将人的知识和经验利用AI有机组合，向整个工艺过程推广更高级别的CPS。在CPS中，执行器也是反馈/前馈到实际工艺中必不可少的元素，将机器人物流移动单元和运输设备集成在一起，最终在车间整个流程、钢铁厂整个流程的高级阶段实现CPS。  3.3 DS在过程控制以外的应用 JFE 钢铁正在将DS的使用范围扩大到过程控制以外的其他方面。特别是在难以使用数学公式建模的领域，通过投入适当的数据和较长时间的学习，新一代AI的实用性在稳步提高。在电气维护中，使AI记住以往的故障和处理记录，在出现新的故障时，就能提供适当的对策作为指导。该技术已经在全公司推广。在安全保障方面，如果有作业人员进入厂内危险区域，AI可对运动图像自动识别，自动停止生产线，该系统已经部分投入实际使用。 使用DS的目的范围很广，从单个设备到人类系统，它已成为世界上各种创新的通用方法之一。当然，这不是万能的，但在现有的方法中在遇到困难的课题时，能够找到某种解决方法的情况实际上很多。JFE钢铁也将扩大应用领域，今后也将积极采用这方面的技术。 3.4 DS应用面临的问题 在2016年1月日本内阁会议决定的“第五期科学技术基本计划”中，提出了日本社会的目标形象“Society 5.0”，在经济发展和社会性问题的解决方法中提到了CPS。不仅是制造业，积极应用DS、AI、ICT、机器人已经成为整个世界的潮流。实施这些措施时面临的问题包括对不了解技术可能性的人们的意识、投资额、人力资源、数据目录不足等。但是，在此还有一段前人的文献中关于引进计算机的目的的记述：“可以将管理人员、技术人员等从日常固定业务中解放出来，提供更多的余地开展更高层面的工作。”这与在全社会倡导“工作方式改革”的现代DS和AI导入的主要目的完全相同。也就是说，在这半个世纪里，我们一方面推进各种各样的自动化，另一方面又在不断产生计算机无法完成的业务，直至今日，最终还是没能改变自己的状况。 因此，可以认为相对于实现完全自动化、真正改变工作方式、不做多余的工作、提高劳动生产率等应用DS、AI、CPS的本来目的，我们自身意识的变革才是最重大的课题。JFE钢铁从2018财年开始，分阶段培养数据科学家、开展AI素养教育等，不仅在技术层面上，还将从根本目的层面开展启蒙。 4 结语 本文对JFE钢铁的DS、AI等ICT和数字数据应用进行了说明，与钢铁厂、制造所中庞大的设备和处理数量相比，这些技术的应用还只是少数，在现场还有很多采用人工和纸张的数据处理。将DS应用渗透到全公司预计需要大量的时间和成本。但是，通过持续引进，将逐渐形成正螺旋，将会产生协同效应，今后仍将切实开展这方面的工作。  |
|
|
