一个钢铁企业的大数据转型之路

作者/王思宇

来源/数据赋能

最近几年来，大数据的应用一直是制造业的热点话题。

尤其是中国的钢铁企业，很大一部分都具备了较高的自动化和信息化水平，各类数据系统被运用其中，成为企业高效率制造、管理的基础。

图片来源：Unsplash

从2000年开始，中国一些钢铁企业的技术工人就利用数据参与到制造、控制和决策各个方面，并取得不少成果。

如果与其他制造业进行横向比较的话， 钢铁业绝对是在数据、算法和系统研制等相关技术领域均走在前列 。

而今天我们要说的，便是一个传统钢铁企业通过大数据成功完成生死逆转的案例。

1

酒泉钢厂的名字诞生于1958年。

作为国家「一五」计划的重点建设项目，酒钢成为了我国西北地区最大的碳钢和不锈钢生产基地。

它同时拥有嘉峪关本部、兰州榆中和山西翼城三个钢铁生产基地，钢铁产能已经突破1000万吨，主体技术装备属于国内先进水平。

辉煌时期的酒钢，曾为三峡大坝、青藏铁路和北京鸟巢等几个重大项目提供钢材。

然而，辉煌的背后，酒钢也有难以言说的疼痛。

很长一段时间，由于国际市场低迷和频发的生产安全事故，酒钢一度挣扎在生死的边缘。你很难想象，一个有60多年历史的钢铁企业，依然被安全生产事故而搞的狼狈不堪。

在这其中，绝大部分事故都是「高炉」爆炸所导致的。这是一种高温、高压且密闭的熔炉，工人无法直接观察其内部的工作情况，隐患非常巨大。

1990年3月12日，酒钢的一号高炉在生产中发声爆炸。巨大的压力波瞬间将部分炉壁、冷却设备和炉内材料抛向周围。

滚烫的材料和空气热浪，夹杂着倒塌物立刻夺去了19名工人的生命，造成2120万元经济损失。

要知道，钢铁生产企业都会设立「炉长」这一职位，他们由经验丰富的工人来担任。通过多年的经验积累和工作训练，优秀的炉长通过肉眼观察后，可以预估高炉的当前温度与状态，并做到与真实情况相差不到0.005%。

但即便是这样，将10多亿元的生产设备安全寄托在一个经验丰富的工人上，显然已经不再适应现代化的生产安全流程。

根据相关统计，全球大约有1500座炼钢高炉，其中三分之二位于中国。运行中的高炉每年会产生近315TB（1TB=1024GB）的数据量，其中不乏能够直接引起安全生产事故的关键性数据。

对于酒钢来， 一方面，无法全面、科学和精准的收集这些数据，数据价值被白白浪费掉；另一方面，炉长的口头总结，无法将安全生产的专业知识完整的传承下去，导致事故反复发生 。

两难的境遇之下，酒钢的最大高炉——7号高炉，从启用以来，就经历了178次事故与故障，非常影响生产的有效进行。

2

安全生产陷入停滞，企业发展自然也进入了瓶颈。

为了解决这个困境，酒钢将突破方法转向了大数据，而东方国信则承担了这次酒钢7号高炉的数据化改造工程。

这个100多米高的7号炉体上，布满了近万条管道与线缆，它们的每一处都有可能成为未来生产过程中的隐患。

为了能够将炉长的经验之谈进行数据化统计，传感器成为了非常重要的部件。

工程师首先制作了一个小型炉体，体积只有原炉体大小的三千分之一左右，并通过这个模型计算出7号炉所需要的传感器数量。

在这之后，工程师将根据炉体情况，在相应监测位置安装高温传感器，以监测炉内工作的相关数据。

最后，由2000多个传感器组成的数据采集阵列，每天将收集近600MB炉内数据，囊括水温、压力、温度等参数，来反映高炉工作时的「健康状况」。

图片来源：央视9套大数据时代2

安装之后的7号高炉，犹如被CT扫面一般，实时接收来自总控室的监测。这些数据被后台计算机汇总并记录，通过工业大数据算法分析，甚至可以提前2个小时预测高炉内部的生产情况。

图片来源：酒泉信息中心

炉内温度、燃料用量和矿砂投放等本依靠炉长经验的供需，都在大数据的全面掌握之中实现了精准配比。

通过一系列的大数据改造，酒钢提升了铁水质量稳定性20%，每座高炉每年可以降低成本2400万元，减少碳排放2万吨左右，冶炼效率提升10%。

东方国际工业大数据曾作出预期，整个炼铁行业推广大数据化后，每年将带来至少200亿元成本的降低和2000万吨的二氧化碳减排成效。

3

也许你很难体会，「提升20%的稳定性」和「降低2400万元成本」是什么概念。

我们客观地来说，消费类大数据终归和工业大数据差别巨大。工业大数据可能无法像消费类大数据一样带来「快速」、「巨大」的成功。

但我们需要知道的是： 对于制造行业来说，成本、效率、质量和安全永远是企业最为关心的话题，而数据则是当今提高这些要素的重要手段 。

在钢铁的整个生产过程中会产生巨大的数据，这些数据不仅仅是可以用作于安全生产，更是全面实现工业信息化所必须的条件。

很多企业在数据收集之后，无法汲取价值为自身所用，从而导致大量数据只能单纯存储在硬盘上。此外，一些企业在数据化中一味追求信息化，采购大量硬件设备，加剧资源的消耗与浪费。

与本文中的案例类似，钢铁企业的数据化转型，大部分由专业技术公司在负责实施，而钢铁企业内部的工程师却在做项目主导，这其中的成本风险可想而知。

事实上，企业内部的工程师通常不具备较高的数据处理能力，所以企业不应该急于给他们提供那些过于完整技术，尤其是那些价格高昂的分析工具。

应该先给工程师提供比较触及的数据工具，然后再根据情况购买部分高级工具进行使用。这不但节约了开支，也为后续的企业数据化转型奠定了基础。

相信未来

拥抱未来

collapse06

xiao12239160