面向智慧钢铁的设备智能运维系统建设研究

陈磊 高江明 刘星光 刘爱涛 徐晖 潘春雷

（1.汉威广园（广州）机械设备有限公司，广东 广州 510700；2.广东省冶金长材装备制造与运维工程技术研究中心，广东 广州 510700；3.武汉钢铁有限公司，湖北 武汉 430080；4.广东中南钢铁股份有限公司，广东 韶关 512100；5.安徽智寰科技有限公司，安徽 合肥 230601；6.日照钢铁控股集团有限公司，山东 日照 276806）

设备是工厂生产的主体，设备的稳定性、安全性、持续性直接影响工业企业的生产产值。在数字化浪潮下，设备智能运维成为生产企业数字化转型的重要一环。通过物联网、云计算、大数据、数字孪生等技术手段的融合，对设备进行智能化管理和维护，能有效提高运行效率、降低运维成本、增强企业竞争力。

钢铁工业具有生产流程连续、工艺体系复杂、设备结构及工况复杂、产品中间态多样化、大型高温高压设备集中、人员安全要求高等特征，属于典型的流程型制造业，如图1 所示。钢铁生产流程大致分为：选矿→烧结→炼焦→高炉（炼铁）→转炉或电炉（炼钢）→连铸→热轧（如：板带、型钢、棒材、线材）→冷轧等过程；辅助系统有：制氧/制氮、循环水系统、烟气除尘及煤气回收等。生产线内的关键设备一旦突发故障停机，会直接造成较大的生产效益损失，给企业的高效生产带来严峻挑战。一方面，会造成整线停机，产生重大损失；另一方面，存在安全隐患，威胁人员安全。在实际工作过程中，由于长时间连续运行、运行工况恶劣、设备负荷设计冗余度偏低、转动部件的润滑可靠性差以及制造、安装等原因，机组设备经常出现诸如不平衡、不对中、轴承损坏、齿轮故障、紧固件松动等旋转机械常见故障。因此，企业需要及时发现设备隐患，监控和掌握设备状况，可以根据设备状态、生产需要，制定预测性维修计划，明确设备维修范围和工作量，使企业由计划性维护转变为预测性维护，有效减少非计划停机，降低维修费用，减少库存资金占用。

图1 钢材生产工艺流程图

一、钢铁行业设备智能化发展现状与问题

钢铁行业大部分企业生产线受限于规划设计与技术资源投入局限性，普遍存在关键、重点设备监测点不足、缺乏振动检测与诊断，缺少诊断模型，检测方法、手段有限等问题，长期沿用以人工点检为主线的点检定修设备运维体系。点检依靠“五感法”，该法在人的行为、经验、对异常的敏感性等方面存在稳定性不高的情况，导致点检工作量大、效率低等问题。企业在设备连接维度，存在设备感知手段薄弱、高频数据处理困难、多源多维数据难融合、“信息孤岛”众多等问题；在预警诊断和决策方面，存在状态识别效率低、诊断准确性差、劣化趋势无法把握、维检决策可靠性低、经验转化知识困难等问题；在同类设备、同类产线设备运维对标中，存在设备术语不统一、故障描述不一、设备颗粒度不一、设备表征数据无序、数据处理差异大等问题[1]；在无人化、少人化的运维机制下，在线监测仪器及技术缺失，无法满足现场设备维护管理需求。继续采用原有管理模式和技术方法，往往造成设备欠修或过修，严重降低了设备的利用率和可靠性。

在“制造强国、数字中国”战略规划的大背景下，随着新型工业化步伐有序推进以及信息技术、分析诊断技术的发展，前述不足更加突出。因此，为科学准确地掌握设备实时状态，实现公司级整体设备远程智能运维的需要，同时，从提高产能、降低非计划停机、节约成本、提高经济性角度考量，有必要采用预测性维护管理模式，推进“面向智慧钢铁的设备智能运维系统”的设计与建设。

解决前述问题是一项极具挑战性的复杂系统创新工程。本文主要研究通过在设备上安装在线监测系统和配置检测仪表，对设备的振动等信号进行及时收集、处理，结合设备工作原理、结构特点、运行参数、历史状况，对可能发生的故障进行分析、预报，对已经或正在发生的故障进行分析、诊断，以确定故障的性质、类别、程度、部位和趋势，为生产设备的正常运行和合理检修提供科学的技术支持[2]。

二、钢铁行业设备智能运维系统总体架构规划

本文认为钢铁企业设备运维从“感官判断、经验决策”向“数据判断、知识决策”转变是设备智能运维的核心，并以此为总体思路开展设备智能运维技术的系统创新。围绕设备智能运维，形成以开放且一站式的智能运维工作平台、自我进化的专家系统、生态协同且标准化体系的核心技术架构、面向钢铁全流程的智能运维体系为载体的技术路线。着重研究以实现设备状态精准把握，维持设备功能和精度等原有性能为主要目标，构建面向公司各产线重要设备的智能运维系统，通过设备状态及相关数据的采集，实现产线关键设备的智能诊断应用。

设备智能运维系统在获取在线监测数据、离线精密诊断数据和工艺过程数据的基础上，通过对设备各类相关数据状态的采集、分析、统计、预测，发挥平台系统集中各类资源的优势，对设备异常进行综合分析，做出状态判断并提出处理方案，从而提高设备状态管理的准确性、有效性，提升对设备状态的控制能力及人员作业效率。另外，设备智能运维系统能够打通检测、分析、诊断、维护、检修及备件制造等环节的专业界限，形成设备智能运维技术闭环。同时，以设备、工艺、生产、经营等多维数据为基础，利用大数据、人工智能模型、远程专家系统等技术手段全面开展设备智能运维。

面向智慧钢铁的设备智能运维系统主界面，详见图2，系统架构采用“端一边一云”协同的主流架构模式，“端”是终端设备，如轧机设备、各类传感器及数据采集器等；“边”是云计算的边缘侧，为基础设施边缘，可实现分厂级设备运维需求；“云”是云端数据中心，支持集团公司级的资源集成应用。“端—边—云”的有效协同提高数据流动和使用效率，充分发挥平台工业数据管理、工业知识建模、数据价值分析和工业应用创新优势，高效灵活地满足企业智能化需求。各现场设备检测点、数据源作为端，在各产线设立高频数据采集、处理及预警作为边缘计算，将公司设备智能运维平台作为云，实现“端—边—云”协同架构下的预警、预测、诊断、分析[3]。该系统主要是通过对关键、重点设备增加在线检测点，在设备智能运维平台上部署设备机理模型、大数据分析模型，预测设备状态、发展趋势等，为检修人员提供维修决策支持；同时，未来可根据技术发展情况，逐步考虑投入成熟的设备巡检机器人、不同场景在线监测、执行设备及机械人等。此外，考虑在数字化运维平台基础上，基于人工智能自学习、自适应，强化模型的训练与优化，建立专家知识库，应用大数据智能分析、智能评价设备健康状况。不仅如此，可利用AI 实现现实场景与虚拟场景的实时交互与映射，对现场数据进行及时展示、报警，预判设备与物料的残余寿命，通过大数据云计算提供具体场景解决方案。

图2 设备智能运维系统部署网络架构简图

三、设备智能运维系统功能设计与实现

（一）功能设计原则

设备智能运维平台系统架构规范以“保障设备可靠运行、提高劳动生产率和优化维修成本”为目的，融合智能传感、大数据、故障机理分析、机器学习、物联网等技术，实现设备运行状态判定、性能分析和故障预警。围绕设备精准维护的业务实施需求，整个运维平台分为三层架构：端（E1）—边（E2）—云（E3），形成“端侧数据源收集、边缘侧产线级报警诊断、云侧可视化综合决策”，详见图3。

图3 设备智能运维平台系统架构图（端—边—云）

E1 层覆盖系统监控的设备主要通过采集模块获取实时状态数据。同时也可以从现场PLC，DCS，L2 等系统中获取设备运行、工艺量、生产数据，并通过其他专业分析系统获取分析结果，为顶层分析提供数据支撑。

E1 层（底层）设备信息来自几个系统：一是新增传感器部分，信号通过现场数据采集器上传（传感器信号先进入现场数据采集器，经边缘计算处理并转换后，上传本平台，由平台以相应的方式进行存储）。二是已有智慧能源系统的高压设备、离线振动检测等数据，以及油液状态检测、高压预试等离线数据。三是来自各系统的数据进入平台后，以相应的方式进行存储，包括内存数据库，关系型、实时数据库等多种方式，根据应用功能的需要，提供相应的数据服务。

E2 层覆盖生产线及区域，主要由边缘服务站构成，具有数据采集、处理、存储、预警、转发五大功能。根据监控设备的数量，可横向扩展，合理编排边缘服务站集群。同时，在收到E3 层预警模型指令后，可及时变换采集频率，对监控设备的异常数据做密集采集。本层级可在现场增加边缘服务器，并将采集的数据传输至设备智能运维平台（E3）。

E3 层是厂部级智能运维平台，包含设备状态数据库、设备检测诊断服务、智能运维服务、移动APP 等6 大核心板块。主要以设备状态数据库为基础，结合检测诊断服务，汇集设备状态、工艺过程、管理过程数据，实现设备之间的互联、系统与人员之间的互联，通过数据分析、智能模型识别和综合诊断机制，为用户提供准确的预警信息、状态判断和处理方案，形成状态监测、分析诊断、维护改善的良性循环，完成对设备运行生命周期全方位状态把握，并利用这些信息指导维修、支撑生产，从而提升效率。

E4 层是集团公司级智能运维平台，通过数据中心对各厂部的数据进行集成与整合、数据价值的深度挖掘、标准规则的优化和确定，集控中心可实现对全公司各产线的风险识别和设备健康管理，形成集团内各产线生产设备状态监测、分析诊断、维护改善的良性循环，支持集团内部资源的协同和集团与外部资源的联动。

（二）设备智能运维系统构建

面向智慧钢铁的设备智能运维系统是用于管理和优化设备运维过程的软件系统，满足广域网（公网）或局域网（内网）两种部署条件，具备可接入测量点多、高可靠性传感器网络、高性能数据采集模块、主流/安全/稳定的系统架构、集成边缘计算与网关、数据实时分析、智能诊断预警、边缘与中心计算结合、数据安全保障等技术条件。该系统是读取、浏览和分析数据的重要人机交互平台，具备良好的开放性和扩展性，具备数据筛选和数据管理功能，系统可显示机组各个测点的振动数据和接入的过程量数据，同时系统是集配置与数据分析于一体的振动分析专业工具，提供丰富的数据分析功能，方便用户对设备机组的健康状态进行评估和故障诊断，详见图4。设备智能运维系统可以提供设备监控与诊断、故障预警与维修计划等多项功能，从而实现设备的智能化管理。例如，支持实时监测设备的状态和性能参数，包括振动、温度、电流、转速、压力、流量等数据指标。同时，系统可以通过数据分析和智能算法判断设备的运行情况，检测可能存在的故障和异常；可以基于设备监控数据和算法模型进行故障预测，提前发现潜在的故障风险，并生成相应的维修计划，与EAM 系统实现工单联动，提高设备的可靠性，避免意外停机[4]。特色功能技术如下。

图4 3D 可视化仿真模型

1.软件架构

软件系统采用B/S 架构，基于Linux 部署，支持广域网运行环境，具有完整的网络功能，支持基于服务器的客户端分析、诊断、管理共享以及基于网络浏览器的客户端浏览和数据共享功能；支持公有部署和私有部署两种部署方式，无论哪种部署方式，系统所有功能均能够在无人工干预（正常系统运维除外）的情形下流畅运行，能够实现对客户设备的智能化监测和智能化分析诊断。

2.数据采集

软件系统支持多类型数据采集策略，如同步振动采集、定时采集、基于转速触发的振动数据关联采集以及振动异常状态下的加密采集，避免故障数据遗漏。有线采集器的数据采集间隔时间采用数据加密采集策略，支持3 项指标数据，即：振动加速度有效值、速度有效值、温度值采集，最低5s，也可选择10s、15s，通过系统将数据直接上传平台系统，更易捕捉设备缺陷。同时，系统具备自检功能：能对网络通信状态、传感器状态及内部硬件信息等进行检查，若自检存在异常，则给出提示信息。

3.数据处理

软件系统具有实时数据服务端的数据清洗、自动过滤异常和跳变等垃圾数据处理的功能。同时，所有振动监测数据在现场服务器上的存储具备合理的数据稀释策略，保存所有报警数据和异常数据，以便进行数据的提取和深入分析。特有的故障信号降噪重构特征识别方法可自动识别并过滤咬钢信号，实现轧钢设备故障的准确诊断。

4.图谱分析

针对设备的振动信息具备22 种图谱分析工具，包括趋势分析、时域分析、频谱分析、转速趋势、温度趋势、位移趋势、包络解调、自适应包络、滤波分析、EMD 分析、小波滤波、SVD 分析、相关分析、时频分析、阶次分析、交叉相位、倒谱分析、轴心轨迹、瀑布图、高级频谱分析、声音播放、多维数据分析等，且工具中包含了特征频率识别功能，能识别特征频率并在频谱中标记位置和阶数。趋势分析工具中可选择多种测点指标，包括温度、歪度、裕度、有效值、峭度、转速、峰值、峭度密度、脉冲和冲击能量比，可查看多类指标的历史趋势分析。专业工程师可通过实时分析设备的振动波形，进行设备健康状态的诊断，出现检测异常可以实现画面闪烁报警，详见图5。

图5 振动图谱分析

5.多样化报警体系

（1）支持告警阈值：软件系统支持告警阈值配置功能，可根据需求对每台设备或每个测点单独设置报警值，能够对机组进行持续的在线振动监测，可自动设置振动测量参数和报警值，且允许用户自定义，并对异常状态及时报警。系统具备基于国际振动标准（ISO-10816）设置报警门限功能，经过一段时间的数据积累之后，可设置新的报警门限，能避免反复穿越报警线、重复报警问题，并且不遗漏真实报警。经过一段时间的数据积累之后，系统可根据设备的当前状态自动设置相应门限值；如设备有劣化过程，通过修改报警门限把控设备的劣化趋势。

（2）支持智能算法预警：软件系统上线后，算法会根据设备实际运转特点自动敷设报警门限值。同时，可以将振动有效值、峭度，峭度密度等指标，以及加速度有效值、速度有效值、冲击能量比、谐波数量、谐波能量5 项综合指标，用于动设备早中期损伤的监测。此外，多专业数据融合报警体系以设备对象为核心，可以实现多种类别关联数据的汇集，提供设备状态数据、相关工艺过程数据的分析功能，为智能决策提供优质、足量的数据，避免预警过于频繁或缺位。

6.设备健康度机理模型

通过机理模型和AI 智能算法对设备监测对象的数据进行总结对比，实现设备的状态评估及预测，为运维人员提供重要的数据参考。在分析模型迭代升级方面，基于设备结构模型、振动机理两个维度构建诊断算法，诊断结论精确到零件级，软件系统中的无参数诊断算法可在无参数输入的前提下实现部分轴承、齿轮、工频故障（基础松动、不平衡、不对中、共振）的分类判断。本文研究的软件系统中设备大类机理模型共11 个，其中：轴承故障4 个，齿轮故障3 个，工频故障4 个。对于单台设备进行“一机一模型”健康管理，实现设备的状态评估及预测，为运维人员提供重要的数据参考。

7.可拓展设计

软件系统支持本地及远程访问，能够查询相关监测数据；具备移动端设备管理功能，系统在开通广域网的情况下，通过安装移动客户端手机APP，可以随时了解设备运行状态和报警情况，支持移动端服务请求功能。系统具备标准数据接口，可访问系统内所有监测数据，且第三方软件可通过数据接口实现与系统的通信及数据采集输出。同时，开放接口程序，包括PC 端、移动端源代码/接口等程序，部分业务数据库表结构及说明等。并开放PC 端服务器数据库的数据，包括原始数据、特征数据、报警数据、故障数据，具有API 接口协议。应用软件应能通过局域网与机组的有线数据采集器通过以太网通信，实现远程管理各个数据采集器的设置定义；能够远程在线显示所有在线数据采集器的数据处理结果及其报警状态信息；支持基于服务器的客户端分析、诊断、管理共享及基于网络浏览器的客户端浏览。

（三）设备智能运维系统实施

1.设备状态实时监测

设备智能运维系统通过与专业子系统的集成对接，实现对各类设备状态的实时监测，及时给出相关报警或故障提示信息。系统可以对全公司生产、设备状况进行实时监视，实时显示各工序、机组及辅助设备的主要运行参数和设备状态；设备智能运维系统只监测不控制，系统运行操控不会影响现场实际操控设备DCS/PLC 的正常运行。如需设备联锁保护和报警，设备联锁保护装置可采用振动速度传感器+传输线直接连接到PLC 上，0～20mA 间设定电流值。

设备智能运维系统在实时监测的基础上还提供：（1）实时报警功能，设备运行参数超限报警；（2）趋势查询功能，可以在线查看实时历史趋势；（3）SOE 事件回溯功能，以事件为线索组织数据、重现事件发生前后的系统各类数据参数的情况。

2.多源数据整合

对振动、温度、转速、电流、电压、流量、压力、液位、油液杂质、视频等多源异构数据信号制定数据分类规则，有序收集处理不同检测数据、业务数据，并按照所制定的数据分类存储规则，以设备对象为核心，进行高效关联，便于各类诊断实施及数据查询。同时，进行可视化功能开发，开发设备板块的3D 可视化内容，主要包括：（1）设备报表/关键设备状态报表；（2）设备监控看板，从而实现设备运行状态趋势及指标/设备关键KPI 指标。

3.特定设备专题分析

软件系统设置特定设备专题分析功能：（1）振动专题分析功能生成12 种高级分析工具，具体包括倒谱分析、包络解调、频谱分析、特征提取、滤波分析、多次谱平均、加窗频谱分析、阶次分析、趋势分析、轴心轨迹相关分析、转速趋势、时频分析等分析图谱，支持编辑诊断报告、预警、预防性维护建议。振动检测故障范围见表1。（2）油液专题分析功能能够对油液的含水量、黏度、金属磨粒等数据进行专题分析，对故障原因进行诊断，提出换油建议。（3）高压设备试验数据专题分析支持电气设备交接试验、绝缘预防性试验数据管理。（4）高压设备运行状态分析、管理。

表1 振动检测故障范围

4.报表与分析

根据用户管理需要，基于对应的模板，围绕所辖的检测设备、人工月运维服务信息，可自动或手动生成班报、日报、周报、旬报、月报、季报、年报等各种统计分析报表，也可以根据监管人员需要，基于时间条件、监测对象等进行自定义分析统计。面向对象和数据主要包括：（1）智能点检结果；（2）设备超温运行情况；（3）备用设备切换情况；（4）重要设备报警、故障信息；（5）设备作业率；（6）设备智能点检数据分析、诊断、预警。采用多维度信息集成及信息关联分析，获取及提炼有用信息，减少误报，提高故障预报的准确性。

5.设备工艺数据的应用

设备工艺数据获取通过软件方式进行对接，满足标准通信接口OPC、Modbus 等要求，具体的对接因涉及产线现有工艺的权限开放、工艺参数数据标签的提供、接口形式、网络通畅情况，须先进行技术细节的交流，再确定接入方案。获取自动化系统中的PLC 数据并进行数据归并：①炼铁区域以煤气鼓风机为例，归并下列PLC数据（括号中代表数据数量）：马达温度（e）、密封氮气流量（a）、润滑油压（a）、消音器进出口压差（a）、润滑油过滤器压差（a）、润滑油出口压力（a）、MCW 水流量（a）、润滑油冷却水流量（a）、加压机振动（b）、马达振动（b）、润滑油油位（a）、润滑油泄露油位（a）、马达电流（a）等。②热轧区域以精轧液压伺服系统为例，对液压缸、伺服阀等实时数据进行综合判断。综合判断规则的制定见表2。

表2 综合判断规则的制定

6.EAM 系统数据接口开发

通过与EAM 系统（企业资产管理系统）接口打通实现读取设备档案以及设备履历，整合设备状态数据，获取设备型号、参数、点检结果、故障、异常、检修、维修、更换等静态信息，与在线实时动态数据相结合，综合分析设备运行状态、倾向管理、健康度评价（建立健康度评价体系）。

（1）设备健康评价智能分析功能：基于不同设备的运行指标、运行特点、参数条件，建立设备监控评价体系与模型，根据不同的设备采集不同的设备和工艺参数，进行相应的处理，并依据专家经验和设备相关信息，结合模型计算其健康度，同时进行长期的数据采集和存储。实时监测设备的运行状态，在设备劣化之前提出设备的维护或更换信息。以带有主动散热设备装置的设备为例，通过对运行时间、转速、系统温度、运行噪声的持续跟踪学习，评估该类型散热设备的健康程度，当发现散热效果异常、噪声增大时，评价设备健康，并预测设备健康走势，对设备的主动维修、更换给出定性指标建议。

（2）设备运维事件诱因分析模块：通过维修事件、维修记录，结合设备操作日志的语义分析，挖掘分析引发设备故障的可能原因，并予以记录归纳，建立事故诱因分析库，实现对设备主动运维方案、故障排查解决方法的总结，为设备选型时的指标参数优化提供数据理论依据。

（3）设备故障知识库、设备维护知识库：基于健康评价、诱因分析模块的结果，以及人工处置日志的智能化分析，打造设备故障与维护的知识库，以便在系统发生故障时，实现自动/人工检索适配，并给出相关处置建议，提升处置效率，优化新人指导的效能。

以设备为主体，通过对设备运行、点检、检维修、故障等业务进行全流程跟踪与管控，为设备运行过程回溯、数据挖掘分析等提供支撑；通过精细化的设备维护管理，有效降低设备故障率，延长设备使用寿命，并且能够全面提高设备管理工作效率，合理管控设备运行和维修成本，切实有效地解决企业设备管理痛点。

（四）面向智慧钢铁的虚拟现实技术应用探索

数字孪生是由物理资产、虚拟镜像和用户界面组成的混合模型。设备智能运维系统在轧钢板块的3.0 版本——《棒线材生产线设备数字孪生运维系统》，如图6 所示。该系统结合当前影响钢铁企业生产设备稳定运行的问题、难点及痛点，聚焦生产设备运行管理和工厂数字化转型升级，建立精准、实时、高效的数据互联体系，通过数字孪生技术、人工智能技术，充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，实现现实场景与虚拟场景的实时交互与映射，在虚拟空间中完成“产线级、设备级、零部件级”映射，反映相对应的实体设备全生命周期过程[5]。面向智慧钢铁的设备智能运维系统将不断迭代，利用虚拟现实技术、数字孪生技术、人工智能技术、物联网技术、网络及运算技术、人机交互技术、区块链技术等多种前沿技术，丰富的功能和优异的用户体验，帮助其实现设备状态管理的水平提升与全面优化。

图6 棒线材生产线设备数字孪生运维系统（虚拟现实）

四、设备智能运维系统建设对钢铁行业的赋能作用

以B 钢铁集团有限公司W 条钢厂为例，通过落地实施棒线材设备数字孪生运维系统，进行一系列技术创新，建立以故障预测和健康管理为核心的设备运维体系，对钢铁企业的赋能作用成效明显。

面向智慧钢铁的棒线材设备数字孪生运维系统通过实时采集设备运行过程中的振动、温度、电流、油液杂质、转速等数据，建立多维度的数据分析与优化功能，以数据和信息分析进行有效的判断和决策，准确预测出设备隐患，根据运行状态，安排检修计划，实现了提升生产设备使用效率，同时节约检修成本、有效避免突发故障和事故发生的目的。有关数据表明，某轧钢生产线使用设备智能运维系统一段时间后，降低维护成本11%，提高生产率7%。

棒线材设备数字孪生运维系统聚焦钢铁工业生产设备运行管理和工厂数字化转型升级，基于生产设备运行状态数据的采集、汇聚、分析，以“产线级”“设备级”“零部件级”数字孪生3D 可视化的仿真方式在Web、APP 实现同步，对各类设备风险进行预警，便于监控和掌握设备状况，判别设备异常，支撑开展预测性维护活动，避免、减缓、减少重大事故的发生，提高生产设备综合运行效率。

五.结论及研究展望

工业设备数字化和智能化的发展，仍需依托设备本身的属性、原理和运行过程，结合设备原理和智能化技术的系统，将获得更多的应用和发展。实践证明，设备智能运维系统在钢铁行业的落地实施，可支撑设备预测性维护策略实施，提高设备状态管理的准确性、有效性。依托系统强大的分析功能，找出故障点、预判残余寿命，归纳设备的故障规律，从而有效减少非计划停机、降低维修费用、减少库存资金占用，提高生产线运行效率和辅助管理决策，助力企业数字化转型。同时，解决了重复投入建设、数字资源分散、设备故障预防应对能力不足等问题[6]。

近年来，设备智能运维系统已逐步成为钢铁企业数字化转型升级的重要引擎，不仅赋予了智能制造新的内涵，而且通过数字孪生生产线的标杆示范作用，为推进行业可持续发展和打造智慧钢铁、推进新型工业化注入了新动能，助力实现高质量发展目标，为智能工厂建设、工业产业结构调整、新旧动能转换不断开展前沿探索。