6.6 钢铁行业的大数据分析案例6.6.1 应用场景

随着钢铁企业逐渐完善 MES 和 ERP 系统，钢铁行业已具备了构建大数据智慧工厂的信息系统基础。具体到钢铁行业的实际应用中，需要利用大数据技术，统筹收集业务数据、生产数据、工艺数据、财务数据及用户行为数据，帮助企业挖掘数据资产价值，打造智慧钢厂。

当前，钢铁行业市场竞争正不断加剧，客户对于产品的需求也变得多样化。总体来讲，客户需求呈现出了小批量、多样化的特征。钢铁企业可以通过网络平台收集客户的个性化需求，并利用行业内不同产品的交易数据，优化工厂的排产策略，通过深层次的需求分析和个性化的产品设计，实现定制化生产。此外，在钢铁行业中，无论是炼铁、炼钢，还是轧钢，对生产过程中各个环节的温度、压力、流量、振动等参数都需要进行实时监测和收集。为了监测和收集这些数据，除配备大量的传感器之外，工厂还应配置相应的数据库对运行数据进行收集和管理。

在大数据技术得到具体应用之前，这些数据往往只能静静地躺在硬盘中，而现在，通过对这些历史运行数据的分析和利用，将帮助工厂形成多样多元的分析和结果，如设备故障预警、事故诊断分析、用能安全、能耗优化、智能库存管理等，让工厂的数字资产价值得到充分激活，扩大已有投资产生的效益。

另外，借助钢铁大数据开展模拟仿真，可以节约成本、优化能耗，使工厂焕发全新生产力。在传统的生产过程中，设计、测试、验证等环节均需要先进行试生产，再对实物进行相关的试验和测试。实物的生产周期较长，反复测试则将耗费越来越多的物料成本、人力成本。而利用大数据技术，能综合考虑更多的因素，在模拟仿真的过程中尽早地暴露更多问题，对每一个生产环节都可以进行模拟、评估、验证，从而改善流程和设计方案，极大地减少工作量，帮助钢铁企业在优化生产工艺的同时节约成本、降低能耗。

经上海叔本华智能科技有限公司整理，大数据在钢铁行业的应用场景如下。

1.生产制造过程

钢铁企业在生产制造过程中主要解决安全、质量、环保、效率之间的矛盾。例如，改善质量缺陷识别手段，分析设备和生产状态、原材料和质量之间的关系。加强成本分析与材料、生产、设备、现场关联分析。提升钢铁企业能源管理技术水平，提高生产过程数据分析、处理能力，实现生产安全、稳定、持续运行，达到节能、降耗、环保的目标。

要达到以上目标，采集现场设备、工艺、操作、质量、排放、能耗等信息是基础，之后通过数据处理形成高质量数据湖；按照规则整合数据钢铁公司怎么管理好客户，形成大数据平台；在大数据积累的基础上通过模型分析提炼规律，根据规律反馈优化设备管理、工艺生产、操作规制、质量指标等。

2.供应链营销过程

传统的钢铁行业上下游数据未打通，无法获得准确的市场信息，导致生产效率不高；物流运输也存在不匹配问题，导致物流、信息流、资金流运营低效。

大数据分析可以提高钢材销售、采购、加工、运输、金融融资的效率，让货物交收安全便捷，贸易融资方便快捷。钢铁电商平台通过大数据技术，可以整合钢铁行业的加工配送、资讯服务、客户信息和在线金融，将整个产业链通过数据连接起来。通过大数据风控，可保障货物安全、资金安全、交易安全，有效分配和调节钢铁市场供需。电商平台能将钢铁企业中的研发、销售、服务业务集中起来，成为新的商业龙头。电商平台还能促进传统钢铁企业的专业化分工，使钢铁企业专注于少量钢种的精耕细作，而不再追求万能的生产线。例如，宝钢集团就有自己的宝钢欧冶采购电子商务平台，通过设置采购组织与物料、在线交易、服务中心和网上超市板块，不仅可以密切关注产品的交易情况，还可以收集用户浏览网页的信息。另外，钢铁企业可以将网上客户行为数据与线下购买数据打通，实现线上与线下营销的协同。例如，根据线上咨询线索，服务人员进行电话回访，从而推动线下交易。

3.研发服务过程

钢铁产品研发过程主要是把用户需求转化为产品质量设计，再进一步转化为成分工艺设计，并形成生产控制标准的过程。服务过程主要是将用户需求转化为钢种和加工工艺的过程。围绕两个过程的信息、数据、知识和工具的集成，包括产品数据管理、计算机辅助设计、计算机辅助工艺设计。研发和服务的数字化、流程化、模型化能从根本上促进钢铁行业转型。

6.6.2 应用案例

1.大数据治理

某钢铁企业正在逐步向数据化转型，然而在数据采集、处理，以及将实时数据处理结果嵌入生产流程等方面仍然存在种种问题与障碍，具体表现如下。

（1）数据采集受限。以往用于传统的分析预测的数据源非常有限，无法有效地支持更复杂的分析方法与技术。原有的集成系统并不能很好地支持实际需求。

（2）要求实时处理的数据结果无法嵌入生产流程，导致质检仍然只能靠人工抽检，效率低，成本高。在钢卷生产过程中需要在钢板成卷前完成质量检测，原有质检系统为半自动化，需要大量人工参与检测，而且只能对单个采集点进行缺陷判断，不能判断整卷钢材是否合格。

针对以上数据问题，该企业从以下几方面来改进。

（1）扩充基础数据源。除原来业务系统中包含的生产数据（如生产任务数据、内部质量检测报告和实时生产设备监控数据等）、出货管理数据、销售数据外，还增加了下游汽车销售数据、宏观经济数据、网络数据。聚合内外部多元数据作为数据分析的输入，通过数据管理将新增数据源纳入整体数据管控体系中。