钢铁企业如何利用大数据应用支撑“一总部、多基地”效能发挥

文｜梅维

钢铁行业数字化转型将体制创新、管理创新、技术创新与信息化充分融合，通过信息化建设及提升改造，改进企业管理效率和经营绩效，提高智能制造水平，实现整体竞争力的提升。数字化管理依托于完备的企业信息化建设，重点聚焦数据的应用、数据与业务的融合、融通，数据的管理已成为钢铁行业生产经营管控的重要要素。作者就自己工作中总结出一些钢铁企业如何利用大数据应用支撑“一总部、多基地”效能发挥的解决方案，供读者参考。

一、基础数据采集

数据是信息系统的基础要素，更是大数据分析应用系统赖以生存和成功与否的前提，要完成大数据应用支撑“一总部、多基地”效能发挥，必须将各个专业所需的数据及时有效地提供给经营决策系统，完成对现场生产，业务过程的管控目标；传统的信息建设架构中，基础自动化系统是所有生产数据的来源，通过加装和新增传感设备，将感知信息数字化进入PLC/DCS系统，实现数据的获取、整理和上传，完成数据的采集。

为了保证数据“不落地”，需要建立数据采集系统，尤其经营决策系统模型参数需求、实时分析数据刷新、数字化产线数据画像要求，对高频数据的及时响应提出了更高要求，需要建立直连现场基础数据源的通讯系统和数据传输路径，为“事中”，“事前”类的应用提供数据保障。

通过四个步骤完成：新增感知设备、信号接入PLC、实现数采(数据处理)、存入数据中心，即在安装缺失的数据感知设备后，改造相应PLC系统，现场传感器信息自动进入自动控制系统模块，工控网中的原有L2系统或新建数采系统与PLC直接通讯获取实时数据，经加工，整理后按要求与经营管控系统（L3）实现电文通讯或者直接写入大数据中心，实现数据自动采集和上传，为经营决策系统提供基础数据建立桥梁作用。

应用系统各专业缺失数据，从PLC系统进入边缘数据库，根据不同采集频率，不同技术路线，通过三个方案可以实现。

方案一：利用已有边端服务器。

利用已有边端服务器实现现场基础自动化数据的采集上传。集团内许多企业已经陆续推进的智慧制造工作，已经完成了各厂集控室的集中和整合，其中很多新建产线在建设时，部署了边端服务器，实现了这些产线PLC数据的自动采集和边端数据存储，具备将数据自动上传至边缘数据中心的条件，本次改造可以直接利用这些资源完成数据的采集，无需增加软硬件投资。

方案二：利用原有L2L3系统。

利用L2L3系统实现PLC基础数据的采集上传。各单位配套建设了许多L2系统，加之产线原有系统利用电文技术，已经实现了与L3系统的通讯，通过新增或者利用已有电文，可以将新增监测点和已有监测点上传至各业务系统，通过通讯交换，可以实时获取后者的数据，实现数据的采集。

如果考虑高频数据对L2系统负荷和数据时效性的影响，可以在原L2网络链路中利用已有通讯前置机完成数采，不通过电文通讯发送经营管控系统，直接利用数据同步技术实现数据上传。

方案三：利用新增通讯前置机实现数据采集和上传。

在既没有进行操作室集中改造又没有L2系统的产线，可通过新建新增通讯前置机，新增网络安全设备，通过新建的网络链路，实现基础数据的采集和上传。

不同的技术路线选择主要依据现场不同时期智慧制造和信息化建设已有软硬件部署情况而定，遵循“充分利旧”和“最小投资”原则，实现数据自动采集传递，打通数据孤岛。

二、边缘数据汇集

边缘数据节点定位于区域级的数据汇聚和高频实时数据处理，实时采集汇聚工厂单个产线、工序的各类工艺过程数据、表面缺陷、设备状态、能源消耗、语，音及视频等信号数据，按照时间和空间维度对数据进行勾连转换对齐处理、特征，值提取加工，为现场提供实时的过程监控诊断和智能模型控制，为云端数据采集提前进行数据预处理和单工序节点数据汇聚，并支撑现场实时监控诊断预警和在线动态优化。边缘数据节点保证生产过程数据和设备采集数据的质量，按照云动统一数据标准对进入边缘的各类现场数据进行加工治理，包括数据项命名统一、数据精度控制、数据单位转换统一等，将治理后的数据送到云端大数据中心。

基地数据中心节点从位于边缘和云的各系统，通过批量抽取、实时发送、日志同步等方式接入生产运营数据，用于后续数据建模，并基于规则引擎进行特征值计算提取、过程监控、符合性判定预警等。基地数据中心节点是数据流转的枢纽，汇聚本基地各工序生产管理、设备管理、能源管理、安环管理等各类业务数据，按需汇聚边缘数据节点的生产过程、工艺质量、能源消耗、安全环保等数据，建立大工序数据域和基地级跨工序大数据应用，同时为钢铁一级子公司总部的同工序统一管理提供跨空间的数据支撑，为生态圈专业化子公司业务运作提供跨产业的数据支撑。

三、跨工序数据匹配和建模

围绕本基地各工序生产、质量、设备、能源等业务，按照产品一贯和工序一贯管控要求，对各类生产运营管理、高频工艺过程和缺陷图片数据进行时空匹配整合、跨工序串接对齐、特征值提取等，构建指标数据模型、特征值数据模型、多工序串接数据模型等，应用于在线监控判定、跨工序数据追溯和缺陷根因分析、现场工程师自主分析等，并赋能业务系统，为其提供数据共享服务和基于大数据的规则计算。

四、大数据应用赋能

公司总部数据中心节点主要通过财务、成本、采购、销售、制造、设备、能源、科研等业务领域数据融合分析，支撑公司管理效率与管理质量提升;依赖大数据中心强大的数据服务能力和模型计算能力在线能业务管理，实现业务运营效率提升，如营销领域的全程物流监控、生产调度的综合管控、科研项目的绩效评价、采购领域的供应商画像及动态资源自动分配、设备管理领域的点检标准自寻优等。

支撑工序专业部和各基地之间的“军区+军种”矩阵式管理模式，虽然矩阵式管理在全球性企业当中比较流行，但是对于钢铁行业这样一个工艺已经非常成熟的流程性行业，要打破原有科层制垂直管理的方式，推行行政与专业协同的矩阵式管理模式，“军种”为一总部多基地的运营管理平台中对“销售”、“采购”、“物流”统一管理，在工序专业管理，为炼铁、炼钢、轧钢、质量、能源介质管理、工艺标准、安全、碳数据管理上做统一专业域，做大数据分析决策管理。

五、数据资产的形成与共享

数据是资产，资产有价值，推进资产共享、价值创造。

通过同类业务数据的汇聚、整合、建模分析、知识库、数据模型共享服务等手段，数据流通共享原则： 原则一：以共享为原则，不共享为例外。大数据中心的数据，在没有法律法规和规章制度前提下，各单位不得拒绝数据共享要求。建议总部进一步推进各子公司数据共享形成的应用成果，加强顶层设计和统筹协调，大力推动企业间数据开放共享，消除信息孤岛。加快同板块业务的数据共享，构建数字化业务协同新生态。制定统一以共享流量制定相关的费用标准，从而鼓励数据共享。

加强核心技术攻关，深化大数据应用赋能高质量发展。举全公司之力，抓住重点领域、关键环节和核心问题，掌握具有自主权的大数据核心技术。加快用户画像、审计线索、风险防控等“通用”大数据算法、模型的研发、共享和推广应用，避免重复建设、重复投资，降低大数据新技术应用门槛。

建立数据共享机制及评价激励机制。主业是数据的提供者，多元产业往往是数据的需求方，目前很多单位希望推进跨产业互通融合，但苦于没有公开的互通机制，建议在大数据中心层面探索建立数据分享机制，一方面建立互通的联络体系，一方面建立数据共享的平台，如数据集市、数据寻源或数据专家服务等，由公司内各单位进行“有偿选购”。同时建立数据分享和奖励的机制，通过数据分享率，数据利用率，数据规范度等指标和对应的激励机制，来提高各单位及数据专家对大数据建设、数据分享和知识分享的意愿。