首钢股份:“以数赋智”大数据应用助推企业智能决策管理

2024-05-22

中国钢铁业 2024年1期

一、项目背景

（一）当前国内钢铁企业生产发展环境下客观的需要

我国制造业增加值占GDP比重从2011年起呈下降趋势，到2020年，已降至26.18%。2021年制造业增加值占GDP比重27.4%，略有回升，但随之而来的自然灾害、奥密克戎疫情和国际贸易争端对制造业供应链的影响巨大，原材料的价格波动剧烈，企业招工难等诸多不确定因素，都使制造业面临严峻的挑战。面对如此市场环境，我国钢铁工业作为国民经济的基础产业，除采取稳步发展的战略外，需加速推进数字化转型和智能制造，提高供应链韧性，强化供应链协同，以此积极而有效地应对经济下行趋势。

（二）快速响应市场变化提高制造+服务能力的需要

随着近几年制造业与服务业的深入融合，全球经济范围内的制造业出现新的模式，制造业在生产组织形式、运营管理方式和商业发展模式上也发生翻天覆地的变化。单纯的流程化管理不再适应瞬息万变和复杂的业务现状、竞争格局以及个性化需求，探索数据信息成为发现变化、预测变化的唯一解决办法，有利于提升企业对市场的应变能力，提高企业的综合竞争能力。

（三）适应企业战略变革低成本高质量管控的迫切需求

制造业面临严峻形势，利润受到上下游市场双重挤压，首钢股份管理也转变为低成本高质量的管控思路。随着大数据、人工智能等新技术的成熟、数据的积累，加之国家政策的大力支持，钢铁企业的数据时代已来临，势必要进行业务创新，急需利用数据从各个方面挖掘降本增效空间。

首钢股份实施了“智能工厂”“产销一体化”等项目，完成公司级生产、质量、设备、能源、物流、财务等各个专业数据在线管理及大数据平台集成共享，完成了由信息化到数字化的转变，积累了到智能化的基础，具备数字化转型条件。首钢股份顺应数据发展趋势，率先开启探索数字化管控道路，将数据应用融入管理与决策，加速重构生产和价值网络，打造工业智能、商业智能、管理智能的数字化体系，实现钢铁企业数字化转型升级。

二、主要内容

（一）构建高效项目推进体系，发挥资源互补促进协同创新

在数字化转型发展过程中数据应用人才是项目顺利推进的关键保障。然而在现下态势中，企业员工的两极分化日趋严重：业务人员关注业务管理，用丰富的经验进行决策；IT开发人员不懂业务过程，单纯从数据本身出发，难以寻找业务落脚点。此外，固有的项目推进模式存在技术壁垒、业务壁垒；业务人员应用数据意识淡薄；业务效果推进的持续性差等。为发挥资源互补优势，加速创新人才培养，提高业务人员与信息化管理人员以及技术开发人员的协同创新能力，助推产品研发、工艺技术、制造管控能力进一步提升，由信息化数据应用管理专业、业务和工艺工程师、IT开发单位联合组建协同创新团队，共同开展的创新攻关项目，以达到IT语言与业务语言更好地转化、业务人员主动并善于发现问题以及模型迭代优化输出等目标，更深入挖掘企业数据价值。

（二）构建数据主题架构，保证高效稳定的应用

首钢股份在数据仓库的建设过程中，针对线下业务活动链条中的典型场景，建立基础主题和应用主题并对应构建了主题数据表，实现了关系型结构化业务数据从模块化制造过程视角向主题化业务分析视角的转变，同时激活了业务数据的整合及利用，为组件化业务模型提供了必要支撑。

（三）实施“自助式”的敏捷化数据分析，革新数据分析模式

首钢股份通过“人、器、术、平台”四要素一体化推进自助式分析的数据应用模式。构建以业务人员为主的数据应用敏捷组织，发挥“人”在自助分析中的核心作用；推广简单易用的BI分析工具，在数据层建立健全数据仓库、构建业务主题数据集市，实现“器”作为技术支撑的关键作用；将数据自助分析工作在公司数字化工作推进方案中进行明确，举办季度示范会和年度数据可视化大赛来搭建业务人员开展数据自助分析的交流平台，通过管理措施的“术”和学习激励的“平台”互相促进，激励业务开展数据自助分析，给公司海量数据赋能，驱动业务模式和工作方法不断迭代，从而提高企业经营管理效率。

（四）构建业务智能决策模型，形成数据应用体系，持续赋能

首钢股份大数据应用发展从2007年至今，历经“信息化基础-数据化驱动-智能化创新”三大阶段，开启了流程性制造业数字化转型进程的新篇章。其中，“智能化创新”阶段以业务决策模型的构建为主，根据钢铁制造流程，基于大数据技术，实施从销售客户应答、上单到计划排产、质量过程控制再到库存管控、发运全流程的智能决策管控。

1.围绕客户服务能力，形成基于客户需求智能推荐的新服务模式

聚合销售职能，以客户为中心，围绕提升客户服务水平及产品盈利能力，搭建产品及营销供应链业务决策模型体系，贯穿客户服务、合同、分配、物流以及结算，形成一套基于客户需求智能推荐新服务模式。通过模型决策体系，实现对客户需求智能识别、订单跟踪预警、市场盈利测算、物流智能装配以及异议服务智能推荐，快速满足客户需要的产品和服务，影响客户价值链从而提高客户感知，为客户创造价值，实现企业自身价值链和客户价值链的双赢。

（1）客户需求智能评价与推荐。基于产销一体化经营决策大数据平台，集成三个基地的物料实绩、成分、合同、质量异议以及实绩检化验数据，建立跨基地统一分析和评价标准。以产品规范码、最终用户码、最终用途码为维度，将数据应用融入管理与决策，形成订单风险识别、质量能力、产品规范智能评价三大主题模型，应用于选材推荐、询单响应、风险识别、公差能力制定、供货能力分析等业务场景。实现从售前、售中、售后全流程跟踪分析，自动给出外设计等级及评价，支撑技术评审自动应答、辅助营销人员用户选材、标准＋α协议签订等内容，提高用户需求识别效率和准确性。

（2）建立全流程质量异议知识库。质量异议应答速度，是体现客户服务的关键衡量标准。钢铁产品流程长，质量异议可能发生在各个工序的工艺控制，需要上下游基地人员进行全流程生产分析和汇总，消耗资源精力大，信息反馈滞后。另外不同客户对异议分析报告的模板要求不同，对分析人的能力要求高，而且不同分析人出具的报告水平和模板不同，造成报告不标准不规范不统一，无法达到客户满意。

依托汽车板产品，基于知识图谱理念，通过工程师对既往性能、工艺、缺陷数据、规则、关联关系等知识的整理，形成质量异议知识库，利用高效、易用的检索机制实现智能问答系统，将质量知识库输出给相关客户服务工程师，提升质量问题整改效率。基于质量异议知识库，研发了一键式质量异议模块，将各工序的工艺数据有效集成，根据产品工程师日常工作中的使用率，针对不同最终用户，不同质量异议类型，根据用户提供规则，可快速、全面的一键导出定制质量异议报告，第一时间答复提出质量异议的用户。

2.围绕生产组织效率，形成以生产实绩为指导的新管控模式

钢铁企业生产关联因素多、管控环节多、生产流程长，以优化智能生产与现场作业管控为抓手，纵向贯通生产管理与现场作业活动，实现生产全过程、作业现场全场景集成互联和精准管控，以实现数字化运营管理为目标，横向打通各环节生产经营活动，实现运营管理各项活动数据贯通和集成运作，提升数据驱动的一体化柔性运营管理和智能辅助决策等能力。实现生产与运营管控全价值链、全要素的动态配置和全局优化，提高全要素生产率。

（1）智能推荐标记合并，建立高效合同处理评价机制。客户需求趋于多元化，而提升钢铁生产效益须批量化、集约化。由于品种繁多，工程师内设计各自为政，造成出钢标记较为冗余，增加了生产组织难度。基于历史数据建立合同处理评价，一是对质量内设计控制能力稳健性评价。从性能、表面、板形合格率等指标按照产品大类、牌号、客户等多个维度量化评价质量内外设计匹配的稳健性，优化、封锁不稳定设计。二是对出钢标记智能归并。进行成分集约归并，推荐稳健性较高的出钢标记替换较低的，辅助减少出钢标记数量，减少短浇次，降低生产成本；建立主副出钢标记体系，提高连浇炉数；整合需求，归并和固化轧制工艺，提高设计的稳定性，解决按单设计和生产组织的问题。三是针对特殊需求产品，进行出钢标记智能推荐，辅助质量设计工作。

（2）建立物料标准化周期。通过物料数据数字化、物料流程线上化、物料规则结构化三项统筹规划，实现物料流转状态化、时间轴数字化、超期推异、模块预警、准发预测以及引入原料产量比、成品产量比等指标革新，极大缩短问题物料排查时间，实现库存管理超前预测、迅速响应，避免出现问题物料滞留的情况，以实现库存的精准控制，增大可周转库存量。准发预测功能，实现物料模型与准发计划相结合，实现物料下线即可参与物料发运计划的编制，优化汽车、火车装载方案，缩短请车等待时间，进一步降低库存，减少库存资金占用。

（3）完善全流程带出品管控体系。带出品的产生涉及到从合同接收到产品发货的全过程，涉及的环节多，对造成带出原因的识别依靠人工，需要手工分析全工序履历，对缺陷和余材原因等产生的先后顺序等进行识别，难度系数较高。因此，整合炼钢、热轧、冷轧、智新电磁的全流程生产和质量数据。在制造管理系统中建立以物料为主键的主要缺陷、余材原因、封锁原因等字段，对板坯和钢卷的计划、质检、评审和摘挂单过程进行追溯分析，从浇次、轧制单元、出钢标记、合同牌号等维度，对物料在整个生产过程中的情况进行跟踪，针对带出原因进行攻关，带出原因自动判定准确率达98.15%，为精准投料、排程优化、过渡材使用优化、按照出钢标记管控合同提供基础数据支撑，实现了从结果分析到过程管控，再到业务优化的全过程，为质量降损有效赋能。

3.围绕产品质量提升，形成集分析、定位、预测、报警为一体的新管控模式

质量是企业赖以生存和发展的保证，钢铁工业生产环环相扣，一道工序出了质量问题，就会对整个过程产生重大影响。高端用户追求零缺陷交货，对生产过程中质量稳定性要求更为严格。因此首钢股份以“追求零缺陷、实现高精度、提高客户满意度”为目标，充分利用在线检测、机器学习、图像识别、数据建模等技术，挖掘质量管控数据价值，实现数据决策，由主动查询分析到实时接受质量信息，提升企业“服务能力+数字化能力+制造能力”，从而在快节奏和大规模生产下提高产品的稳定性，降低成本损失，满足客户个性化需求。

（1）产品性能“一键式”分析管控。产品性能控制的稳定性受产品的设计，炼钢工序的成分控制，热轧及冷轧各工序的工艺点控制等多种因素影响，数据跨越产销制造系统、离线分析系统、决策支持系统等。性能风险管控模型实现了各系统数据集中共享，将各模块与性能相关数据进行串联，对数据进行清理分析，最终获取性能控制情况，实现产线性能控制异常点一键分析。通过计算CPK、CP等过程能力指标及过程能力图展示性能的控制水平稳定性，辅助质量工程师借助模型查找原因，同时优化质量设计过程。模型多维度统计可在2分钟之内完成性能稳定性分析，并按照不同品种负责人及时推送异常情况。

（2）全流程跨工序表面缺陷识别与追溯。板带钢产品的表面质量是最重要的评价指标之一，板带钢表面夹杂物、氧化皮、孔洞等缺陷不仅影响产品的外观质量, 而且还会降低产品的抗腐蚀性、耐磨性和其它强度性能。通过引入知识图谱技术，搭建质量处置智能决策知识库，将迁顺产线热轧、平整、酸轧、连退、镀锌等全流程各工序表检信息集成，通过传统规则设定和大数据模型计算两种方式，对带钢厚度检测、表面缺陷分布、工序平移、规格变化、开卷次数、翻面次数等各种与质量相关信息进行综合处理运算，为质量成因形成网状的属性关系，快速定位并自动给出前后工序缺陷对应位置和最佳匹配缺陷，实现缺陷的一贯制快速反查。为快速应答客户质量抱怨诉求、快速追溯抱怨或异议成因分析、产品控制的稳定性以及优化工艺控制提供支撑，实现质量的闭环管控，提升“制造+服务”能力。

（3）精准高效智能的质量评审过程。面向质量缺陷处置环节，利用物料规格、订单要求、尺寸、性能、表面类综合判定结果等数据进行多维度的综合分析及推理。引用时空转换技术、关联分析及预测算法，挖掘曲线特征值和钢种大、中、小类、厚度、宽度规格的评审结果对应关系，考虑物料质量异常部位、分切后产品的完整性、设备计长误差、工序位置平移、表面缺陷、外观缺陷、性能缺陷、分切后订单的兑现等诸多因素，智能给出缺陷处置指令，为热轧精整、重卷等工序智能分切提供支撑，减轻各生产环节产生的质量缺陷对成品的影响。

4.结合采购价值提升、设备管理提升等点状应用，构建全方位业务智能决策体系

围绕采购供应链价值提升，把握内外结合的原则，注重自身业务数据的建模和应用，同时将外部数据进行整合分析，注重走出去，快速获取行业内的相关数据、指标，降低采购源头成本。围绕设备稳定性管理评价，从点检、状态、检修、计量等管理模块，构建一套以生产实绩为依据的新管理评价模式，实现设备全生命周期管控以及设备的精益化管控，监控设备运行稳定性影响因素，并制定相应解决措施并进行跟踪反馈，形成“PDCA”管理循环，提升设备稳定运行，辅助业务生产效率提升。

（1）优化采购物料管理。基于钢铁行业用料基础，借鉴多家物料管理模式，首钢股份已初步建立了科学、高效的物料架构和物料属性管理模型。为了更好地支持多地协同，仓存共享，采购策略优化；以提升管理，提高采购决策能力为目标，特提出进一步优化物料管理模型，以形成行业标准为导向，以板块推广集采为契机，按物料分类形成物料标准的特征值和特征量，结合国标、企标，形成标准特征库；一方面根据形成的特征量库，在物料新增时，进行前置查重；一方面形成行业物料标准模型，为集采、联储等奠定基础。

（2）构建点检员能力评价画像。为持续提升设备点检人员的设备维护能力和专业素质，制订点检能力提升评价标准体系，从点检、检修、物料及故障管理四部分以递进方式开展，提供规范的管理框架和评价的准则，从而引导现场设备管理及时发现短板并持续改进，保障设备稳定运行，提高设备管理效益和效率。

三、实施效果

（一）管理提升

通过数据共享集成，打破专业、共享壁垒，实现数据价值最大化。从客户需求到成品客户质保全过程，实现了全流程闭环质量管控，通过智能推荐、预测、管控、追踪、决策分析，用数字化智能决策代替流程经验化模式，提升质量管控能力及专业工作效率，提高生产效率，降低生产成本，优化了客户服务、质量异议等处理流程，大大提高客户满意度，实现由制造商向服务商转变。工作模式由定期总结分析转成实时接收异常问题，实现生产的动态管控；经营决策由流程驱动转为数据驱动，经验决策变成智能决策。

（二）价值提升

业务决策模型的推进应用，完成了企业数字化转型的初步探索。在增强客户服务及盈利能力、提升产品质量控制水平、降低生产及经营成本、强化业务规范操作以及提高业务工作效率等方面，取得了较大成效，创造6000余万元经济效益，为后续持续大数据应用提供经验支撑。同时，该项目将模型融入到生产经营管理各个业务场景，实现了整体业务流程的数字化分析方法，有利于标准的统一，也为行业内大数据应用方向提供了很好的思路。