利用数字化技术优化生产效率和质量

钢铁行业成功的关键基石是实现一个高效的整体生产流程，经济地成功生产具有竞争力的低成本优质产品。这可以通过数字化和充分的技术诀窍提升到更高的水平。P公司为此开发了一个解决方案：全流程优化（TPO）。TPO结合了现代化的、高度功能化的数字化IT系统、全流程质量控制（TPQC）和数字化的技术诀窍、专业领域专家的经验以及人工智能（AI）算法。TPO实现了钢铁制造商对整个生产链上的生产和产品质量的控制和优化，实现真正的、无缝衔接的全流程优化。利用TPQC对所有自动化系统、检测系统、智能传感器甚至来自操作员的正确数据进行采集，并转化为有价值的信息，即关键绩效指标（KPIs）、决策、建议和动作，使生产和产品质量达到更高水平。本文介绍了TPO的基础和主要组成及其开发背景、未来潜力的总览和展望，介绍了几个客户实施成功的案例。另外，本文还讨论了数字化项目成功实施的经验和关键因素，包括文化因素的影响。

广告

全流程优化和数字化

效率和质量的一个主要杠杆是一个全面覆盖整个工厂的优化过程。深入并成功理解不同流程步骤之间的相互依赖关系的一个先决条件是数据采集和数据阐释。本文提出了一个基于知识的工具箱，称为“全流程优化”，它由两个主要部分组成：新的、智能化TPQC IT系统和全流程技术诀窍（TPKH）软件包。

将这两部分结合在一起的原因是对于高性能大规模数据处理而言，将数据转换为知识绝不是一件容易的任务，包括利用当今和未来的计算机架构的并行性进行数据挖掘。此外，这些数据可能涉及许多不同形式的不确定性。

1 数字基因——人类大脑：专家在全流程优化中的作用

经验丰富的专家是冶金行业内成功钢铁制造商的关键因素。如今，这些专家已经能够强调、讨论和解释那些对竞争力和成功至关重要的最复杂的相互联系。未来，需要额外的限定条件来将人类知识转化为可计算的算法和公式。将知识转化为有用的、永久可用的、数字化技术诀窍的人类专业技能，是实现下一代智能数字化系统的基础。对于此类IT系统的实施以及为了解决特定问题，行业专家的额外支持有助于快速接受和获得回报。

专家服务和IT解决方案必须紧密配合PDCA（Plan-Do-Check-Act，计划—执行—检查—行动）循环。虽然TPO会产生更大的外部循环或更高级的优化过程的影响，但它缓解了IT解决方案中的数据访问，结合人类专业知识，实现面向目标和高效的工作。当然，可以有几个优化循环同时或顺序运行。

根据质量管理标准，异常过程或质量偏差或者报警将会触发所谓的根本原因分析。按照传统的方法，专家团队将收集信息，并使用5W或Ishikawa图等方法，以结构化的方式结合他们的专业知识。这些非常有用，但非常耗时。

由于TPQC规则编辑器中映射了全面的数据和数字化程序，现代方法使得系统可以自动分析具体情况并提供相关信息。结果是一个快速、高质量和高度计算机化的根本原因分析，并额外提出甚至激活基于模型的纠正或补偿措施，以抵消偏差。

2 实施基于技术诀窍的数字化系统的关键因素

在实施基于技术诀窍的数字化系统时，不仅应考虑到技术问题，还应考虑文化和人为因素。数字化可能造成干扰和不稳定，特别是在工艺专家、质量工程师和技术人员之间，他们在生产团队、社会文化环境中的角色可能会发生变化。

首先，数字化系统将大幅提高透明度，人员、团队、班组等之间的竞争将更加明显。自动持续更新的实时KPIs、统计过程控制（SPCs）和其他形式的压缩信息可以提高一个人的压力水平，如果这些信息仅作为一个人的性能指标。这可能会导致不使用新系统的情况，或者由于人员会放大新系统中哪怕是很小的缺陷而不被接受。如果出现这种情况，或者会出现到何种程度，主要取决于企业文化的质量以及个人对创新的态度。在数字化系统对企业成功的贡献方面，支持的数字化工厂管理模式起着至关重要的作用。

其次，在某些情况下，智能系统的实施可能会在轧钢专家中产生一种冷漠或不愿意的态度，他们害怕向计算机化的系统提供其专业知识，因为他们认为这可能会降低他们在团队中的地位。相反，这些系统对个人来说是一种充实，因为数字化系统可以帮助专家获取更多信息，并提供更好的机会来提高做出正确决策的可能性。因此，专家的作用是透明地依赖可靠的数据、方法和数学算法，其分析和决策会高度准确。

3全流程质量控制

在系统内，每个独立加工产品都有丰富的信息谱系，使得检索产品每个部分的每一步生产过程数据成为可能。系统允许所有用户以极小的时间单位跟踪质量问题，并通过审查所有相关生产工序的工艺数据来进行分析，这是快速解决故障和追责管理的关键。嵌入自动化和IT环境中的TPQC系统，可以覆盖整个生产链。

TPQC系统的基本功能是利用定义的质量检验关，通过监控整个生产过程中所有与质量相关的工艺参数，确保所需要的产品性能，提高质量水平。除了从不同生产工序采集到的纯工艺数据之外，谱系信息还将该数据在所有相关工序中互相关联，即谱系信息持续跟踪延伸率、头部/尾部变化、上下表面互换变化以及切割和焊接操作等可能在生产链上不同工序之间发生的变化。

4 质量控制系统功能

质量检查是通过使用生产数据的特定规则系统进行的，结果将根据质量问题的种类和在工厂的位置分别显示给操作员和质量工程师。TPQC通过规则编辑器提供灵活的质量检测方法，为将来的适应和扩展铺平了道路，而不必对系统源代码的任何部分进行修改。图1显示了这个工艺/质量检测的原理。绿色的交通信号灯表示（针对一个生产工序）所有的值都在设定范围内。黄灯表示有小问题，需要进一步检查。红灯表示更严重的问题，绝大多数情况下需要更加复杂的补救措施和最终决策计划。至于哪些应该定义为小问题，哪些定义为大问题，必须根据工艺经验进行开发，并且最终定义为专家规则，再次给出技术诀窍数字化的示例。

5 偏差和根本原因分析

根本原因分析（RCA）是托管式的、基于方法的结构化的解决问题方式，用于找出故障或问题的真正原因。TPQC提供动态的根本原因方法：1）如果检测到偏差，根据工厂位置和组织职责，向操作员和质量工程师显示最有可能的根本原因。负责偏差管理的人员将会自动获知可以排除那些可能由于非异常检测引起的根本原因。2）每个根本原因包括一条特定的检定描述，以便在可能存在不止一个根本原因的情况下排除疑问。3）确认实际的根本原因后，负责人在界面上打一个钩，从而确认给出的质量偏差的根本原因。4）系统对任意检测到的质量偏差的根本原因保持跟踪，并对根本原因进行统计计算。

此外，可以对任意时间段的根本原因统计进行计算，从而计算出长期趋势。因此，根本原因统计的特性有助于为持续改进质量管理的有效性提供有说服力的证据。特别是对于工厂管理者来说，这是一个有用的工具，可以对偏差发生的频率进行严格的监控，以识别出最频繁和成本最高的偏差。这些识别出来的偏差可以另行采取解决方法和修正措施。

6 修正和补偿措施

修正措施指在特定条件下消除引起质量偏差的一系列措施。不幸的是，生产环境受到许多因素的影响，如各种外部干扰、原料未知因素以及人为因素和其他不确定性事件。因此，要永久消除质量问题的原因不太可能。出于这个原因，修正行为的定义范围必须扩大至那些仅限适用于过去特定条件下，已知可能绝对和永久消除质量偏差的根本原因的修正行为，即便如此，也不是所有的修正措施都可以作为决策或被实施并存档。

补偿措施指修复已经影响半成品质量的措施，例如通过切除钢卷有缺陷的部分或者通过板坯表面清理的方式，如图2所示。由于系统为操作员和质量工程师提供指导，因此该工具也可以看作是一种学习工具。事实上，真正参与根本原因分析的员工有时将会了解更多影响质量的因素，使得他们甚至可以在相关质量事故发生之前采取预防措施，而不必无论如何在任何事故情况下都要等待质量根源分析给出建议。

因此，TPQC可以作为质量检验和根本原因分析支持的纯粹性能工具，但当它也被用作持续学习工具以提高操作员和质量工程师的技能水平时，其真正好处才得以实现。图2所示为炼钢车间质量问题处理示例。

图2所示为一炉钢水，按计划准备随后送往连铸机。在底吹氧炼钢炉（BOF）工序末端，二级系统显示钢水温度超出特定钢种要求的范围。在此情况下，TPQC通过特定的工艺规则对温度进行评估，并记录质量问题。此外，TPQC系统立即建议对BOF炉重新吹氧。如果操作员确认无误，系统将会给连铸机操作员发送一则消息请求降低浇铸速度。通过降低浇铸速度，TPQC尝试对由于在BOF再次吹氧带来的额外处理时间进行补偿，否则就将增加发生炉次中断或板坯质量问题的风险。

此外，系统再次显示这个问题可能的根本原因列表。在示例中，物料添加中采用了一种新原料，操作员还没有能够及时在二级数据库中对新原料数据进行更新，导致BOF工艺的二级模型进行了不准确的计算，并最终造成温度偏差。

根本原因分析并不限于单个工序或工厂（例如炼钢厂、热连轧厂、冷轧厂等）。通过对根本原因分析的规则进行仔细定义，TPQC还可以跨越工序或工厂界限显示根本原因。通过这种方式，系统支持全流程的根本原因分析，特别是当某些表面缺陷可以追溯到液相产品时尤为有用。

7 产品自动分级

TPQC结合基于规则的模型对钢卷进行分级检定。钢卷分级模型预先进行处理，例如绘出表面缺陷图。随后，分级模型对缺陷图进行深入评估，以立即确定钢卷表面质量是否符合最终用户预先定义的要求，如果不符合，需要采取什么措施。

8 关键绩效指标的评估和可视化

对数据的集中采集支持KPIs指数的生成，体现了关于技术和商务目标相关的信息，以及实施了哪些改善。TPQC为质量和生产部门的员工以及高级管理执行者提供各种图形化的HMI界面，针对与KPIs一致的特定目标，对生产状态进行监控和基准判定。

9 过程控制统计

SPC是一个可靠的经过验证的工具，提供生产过程处于预先定义的操作范围内，并且因此在控制范围内采取行动的统计证据。在质量保证过程中，应用这种过程控制统计具有显著的优势，因为工艺过程值统计数据的较大偏差迟早会对产品质量产生影响。通常SPC的目标是抽样数据，且应该是很长时间内比较稳定的数据，这样才能对不希望出现的工艺动态进行可靠的检测。TPQC可以跟踪单个工序的临界值，也可以结合计算出的性能指标和KPIs指数，提供可选原料/产品相关的检测数据或过程数据的SPC图表。

10 机器自学习能力

TPQC系统中数量巨大的结构化数据非常适合采用数据挖掘和机器学习算法进行分析。它提供了直观的接口来将数据转化为最先进的数据挖掘平台。TPQC中的谱系功能将采集到的数据自动对应到横跨整个生产链（即炼钢钢水、板坯、热轧钢卷、冷轧钢卷、电镀钢板）的正确产品。数据挖掘和机器自学习与TPQC相结合具有以下好处：1）对测量仪表、手动输入等数据的质量、潜在问题等进行快速分析。2）通过可视化TPQC中的原始数据，快速分析多变量问题，例如机械性能的变化。3）通过全流程数据和采用先进的数据挖掘方法对问题的根本原因进行分析。4）通过机器自学习方法对产品的最终特性或工艺稳定性进行预测。

可以根据数据挖掘结果，通过在TQPC中创建新规则、KPIs和SPC图表形成闭环。TPQC的数据挖掘功能为质量和工艺工程师进行产品质量优化和稳定生产过程提供支持。对于整个生产链上的技术人员和工程师在提高生产率方面特别有用。

本文为部分内容，全文请参阅《世界金属导报》2期B15。

内容来源：http://www./