中钢设备——鞍钢东烧厂带式球团数字孪生工厂AI Infra数据底座

智臾科技企业

该企业奖由智臾科技投递并参与金猿组委会×数据猿×上海大数据联盟共同推出的《2025中国大数据产业年度AI Infra领先企业》榜单/奖项评选。

钢铁行业正处于“绿色化、智能化、低碳化”转型的关键阶段。以球团生产为代表的高温冶金流程具有工艺链条长、物料状态难以在线追踪、能耗与排放指标约束强、设备运行环境复杂等特点，传统依赖经验的调试与运行方式很难同时满足“稳产达产、降本增效、低碳合规”的多目标要求。为此，中钢设备在承接鞍钢集团矿业有限公司东鞍山烧结厂400万吨/年带式球团EPCO总承包项目的过程中，将“数字孪生工厂”作为项目全周期运营能力建设的重要抓手，面向工艺仿真、工艺参数寻优、全流程实时监控与EDA（探索性数据分析）等核心场景，建设一套能够持续进化的工业智能底座。

数字孪生与工业AI的落地，首先需要“AI Infra”能力作为支撑：即在生产现场与企业IT系统之间，构建稳定、低时延、高吞吐、可扩展的数据采集与融合通道；在统一的数据底座上，提供时序数据与业务数据的一体化存储、实时计算与批量分析能力；并为上层的机理模型仿真、优化算法与工业大屏提供可复用的数据服务、特征与指标体系。2024年，中钢设备联合子公司中宏联工程技术有限公司开展数字孪生规划与信息化建设，并与浙江智臾科技有限公司（以下简称“DolphinDB”）合作，以国产高性能数据库与实时计算能力为核心，构建“采-存-算-分析”一体化的AI Infra数据底座，为球团产线的智慧化运营奠定基础。

时间周期：

项目开始时间：

2024年09月（数字孪生工厂AI Infra数据底座建设启动，需求调研与总体架构设计）

中间重要时间节点：

·2024年09月：完成多源异构数据接入方案与数据标准（点位/标签）梳理，确定采集协议与边缘网关接入规范；

·2024年11月：完成数据库集群部署与核心库表模型设计，上线首批关键工艺时序数据实时入库；

·2024年12月：上线焙烧机关键装备实时监控、报警与工艺指标计算（流式增量计算），进入试运行；

·2025年02月：上线EDA分析；

·2025年03月：探索参数寻优的离线计算链路，形成“监控-诊断-优化”闭环

·2025年04月：完成全流程联调与阶段性验收，产线进入稳定运行与持续优化阶段；

·2025年06月：在智慧化运营阶段持续扩展数据范围与算法模型（持续优化运营）。

项目完结时间：

2025年07月（阶段性完结；后续进入长期运维与持续优化运营，与EPCO项目10年运营服务周期协同）。

当前所处阶段：

■ 持续优化运营 □ 规模化推广 □ 局部试点 □ 概念验证

申报类别：

■ 存储与数据基础设施

■ 数据管理与治理

■ 运维与可观测性

AI Infra应用需求

本项目的“AI Infra应用需求”来自于数字孪生工厂在球团产线的落地目标：在生产现场形成“实时可感知、过程可追溯、异常可预警、参数可推荐、工艺可仿真”的闭环能力。围绕这一目标，客户提出的需求并不仅是建设一套可视化大屏或单点系统，而是需要一套可长期演进的底层基础设施，能够持续承载数据规模增长、算法模型迭代以及多业务系统协同。

我们将客户需求拆解为五类关键AI Infra能力：

1.多源异构数据接入与融合：球团产线涉及DCS/PLC/仪表等OT数据，边缘计算网关输出的汇聚数据，以及MES、质量检验等IT系统中的业务静态数据。客户希望将焙烧机温度、风压等实时工艺参数与物料批次、质量检验结果等静态数据统一对齐，并在同一平台内可关联查询与计算，以支撑后续仿真、分析与监控。明确提出要“构建统一数据接入平台”，解决数据来源分散、格式不一的问题，并给出在焙烧环节整合实时工艺参数与MES静态数据的典型场景。

2.统一存储与数据服务：客户面向产线10年以上的运营周期，需要在不频繁删数、不过度依赖多套数据库拼装的前提下，长期稳定存储海量时序数据与业务数据，并提供面向上层应用的统一数据服务接口，避免数据孤岛带来的跨库关联困难与运维复杂度。

3.低时延实时计算与流式处理：焙烧工艺的关键控制与优化对实时性要求极高，客户希望将关键指标的计算、状态处理、异常检测与预警从分钟级压缩到毫秒级，支撑“高频实时决策”。同时，流式计算逻辑需要支持增量处理与状态管理，避免外部计算引擎带来的数据拷贝与链路延迟。

4.面向工业AI/优化算法的计算底座：客户需要在同一数据底座上支撑工艺仿真、工艺参数寻优与EDA分析。具体包括：基于机理模型与实时数据对生产全过程进行动态模拟与推演；基于机器学习与优化算法对稳态工况进行学习，并在实时工况下推荐最优操作参数；对海量工艺数据进行多维统计、关联分析与可视化挖掘，发现影响质量与能耗的关键因素。

5.可运维、可扩展与安全可控：在钢铁行业的关键生产系统中，客户对自主可控、安全可用、成本可控与运维简化有明确要求。尤其在原有方案存在国外商业软件依赖与技术封锁风险的背景下，客户希望形成“从数据接入、存储、计算到高级分析”的全链路国产化替代能力，并且具备高可用与可观测性能力，以支撑长期稳定运行。

我们对“AI Infra”的理解是：为工业AI与数字孪生提供可复用、可治理、可演进的数据与算力底座。基于此，我们以DolphinDB为核心构建“采-存-算-分析”一体化平台，并通过插件化的数据接入、分布式多模存储、内置流计算与分析函数库，将客户的数字孪生与工艺智能需求在基础设施层面进行统一承载，使上层仿真、优化与监控应用能够快速开发、快速迭代、稳定运行。

面临挑战

在东鞍山项目启动之前，项目团队为满足工艺仿真、参数寻优与实时监控等需求，曾构建过一套传统技术方案：以国外工业软件Ampla为核心进行工艺参数分析与优化，实时链路采用Kafka与Flink进行流处理，业务逻辑主要由Java实现，存储层混合使用SQL Server与InfluxDB分别管理静态数据与时序数据。该方案虽实现了功能覆盖，但在“AI Infra”层面暴露出多重挑战，严重制约了数字孪生与工业AI的规模化落地：

1.核心软件依赖与供应链风险：工艺参数分析与优化高度依赖国外商业软件 Ampla，授权费用高昂，且存在潜在断供与“卡脖子”风险；同时在大规模数据处理下性能瓶颈明显，难以支撑更大范围的工艺计算与参数寻优。对于需要长期运行的关键生产系统而言，安全可控与可持续演进是硬性要求，必须在AI Infra层面实现国产化替代。

2.实时计算链路冗长、时延难以下降：传统方案中实时数据需依次流经采集、Kafka、Flink、Java业务层、存储与服务等多个组件，产生大量数据拷贝与序列化开销；在Java中实现增量计算与状态化处理难度大，最终导致实时计算延迟超过1秒，无法满足球团焙烧工艺对“个位数毫秒级”实时计算与控制辅助的要求。

3.存储架构扩展性差、运维复杂：SQL Server与InfluxDB的组合使得系统同时承担关系型与时序数据的高并发写入与复杂查询压力。随着运行时间延长，数据量持续攀升，读写性能与运维复杂度迅速上升，甚至需要通过删除历史数据来维持系统性能，与“全周期运营数据资产沉淀”的目标相违背。对于数字孪生工厂，历史数据是仿真标定、模型训练与工艺优化的基础资产，不能轻易丢弃。

4.数据孤岛与跨域关联困难：时序数据、工控配置数据、生产管理数据分别孤立存储在不同系统中，使得EDA分析、原因追溯与优化建模需要频繁跨库关联，带来复杂的ETL与口径不一致问题，导致分析效率低、结论复用难。AI Infra需要提供“统一数据底座+统一口径治理”，才能支撑上层算法持续迭代。

5.国产替代方案“只补短板、不解决系统性问题”：在选型阶段，团队测试过多款国产数据库，其时序存储能力可替代国外产品，但对复杂流式处理与工业算法（异常值处理、状态处理、滤波计算、流水线处理等）支持不足，且扩展开发多依赖C/Java，开发门槛高、效率低，无法替代原方案中的Kafka+Flink+Java能力；更无法替代Ampla在参数寻优与分析方面的核心价值。也就是说，如果仅替换时序库，技术栈不会简化，核心成本与性能瓶颈仍然存在。

综上，本项目最大的挑战是：在满足“毫秒级实时计算、万亿级数据存储、复杂工艺算法与仿真分析”的同时，构建一套安全可控、运维简单、可持续演进的AI Infra底座，把原本割裂的采集、存储、计算与分析能力在一个统一平台内闭环起来。

战略目标

本项目的顶层战略目标，是为带式球团数字孪生工厂构建可长期演进的AI Infra底座，实现“数据要素化沉淀、工艺智能化决策、运营体系化提效”的三位一体目标，并可复制推广至中钢设备未来国内外（含“一带一路”沿线）焙烧工艺项目。

战略目标具体化如下：

1.打造统一的工业AI数据底座：实现OT实时数据、边缘计算数据与IT业务数据的一体化采集、融合、治理与服务，形成全流程一致的数据视图，显著降低跨系统数据搬运与口径对齐成本，使数据可被持续复用与沉淀为资产。

2.实现关键工艺计算毫秒级响应：通过内置流式计算与增量算子优化，将关键工艺指标计算、状态识别、异常检测与预警的端到端延迟从秒级降至个位数毫秒级，为高频实时决策与工艺闭环控制提供基础能力。

3.支撑工艺仿真与参数寻优的在线化：在同一数据底座上支撑机理模型仿真、稳态工况挖掘、参数寻优与推荐，实现对“调试期”工艺参数的快速收敛与达产提速，降低对老师傅经验的依赖。

4.实现全链路国产化与TCO显著优化：以国产基础软件替代国外核心工业软件与数据库组件，降低授权与运维成本，并形成安全可控的技术体系，支撑关键生产系统长期稳定运行。

5.构建可观测、可运维的工业AI Infra：建立从数据采集链路到计算任务、存储资源、告警闭环的可观测体系，实现问题可定位、性能可量化、容量可预测，保障长期“安、稳、长、满、优”运行。

实施与部署过程

1.总体实施思路：以“采-存-算-分析”一体化为主线，面向数字孪生闭环

东鞍山带式球团数字孪生工厂建设的本质，是把生产现场的连续过程用数据与模型“在线化表达”，从而实现监控、诊断、仿真、优化、决策闭环。为了让上层应用可持续演进，我们将AI Infra建设拆解为四层：

·数据采集与接入层：对接OT现场协议、边缘网关与企业IT系统；

·统一存储与数据模型层：用多模数据模型统一管理时序与业务数据；

·实时计算与批量分析层：提供流式增量计算、批处理计算、交互式分析；

·应用与服务层：为数字孪生三维可视化、工艺大屏、寻优与EDA提供数据服务与指标体系。

交付节奏上遵循“先通链路->再做监控->再上分析与寻优->最后形成闭环”的原则：先确保关键工艺数据稳定入库与可追溯，再逐步叠加实时计算与优化能力，最终与数字孪生应用融合。

2.数据接入与采集链路：插件化接入，兼容OT协议与IT数据库

球团产线的数据具有强异构性：既有高频连续时序（温度、压力、风量、功率、电流等），也有低频事件/批次数据（配料方案、班次、工单、检验结果、设备检修记录等）。我们采用“边缘网关汇聚+数据库侧插件接入+统一标签体系”的策略：

·OT协议接入：

·对于DCS/PLC/仪表等现场数据，通过OPC UA工业协议进行采集；

·对于具备MQTT能力的边缘设备/网关，通过MQTT方式接入；

·IT系统接入：

·对MES、质检等关系型系统，通过ODBC方式接入，同步关键维表与事实表；

·统一标签体系与主数据：

为避免不同系统点位命名不一致带来的后续治理成本，我们在接入阶段建立“设备-部位-测点-单位-采样频率”的标签规范。对于关键设备（焙烧机、风机、除尘脱硫脱硝装置等）建立资产主数据表，统一设备编码、位置、工艺段、维护责任等信息。

3.统一存储与数据模型：多模数据模型支撑“时序+业务”一体化

传统方案往往将时序数据存入时序库、业务数据存入关系库、实时数据存入实时库，造成数据孤岛。为支撑数字孪生的全流程追溯与EDA分析，我们采用分布式多模数据模型，将时序数据与业务数据在同一平台统一管理：

·时序数据建模：

·以“设备测点”为维度，按时间分区（天）存储高频数据；

·对关键指标表采用压缩与列式存储策略，兼顾写入吞吐与查询效率；

·对部分高频测点采用预聚合/降采样表（1s、5s、1min）以支撑不同粒度的监控与分析。

·业务数据建模：

·建立物料批次、配料方案、质量检验、能耗台账、设备事件等业务表；

·将批次与时间戳对齐，支持与时序数据的快速关联查询。

4.实时计算与流式增量处理：将计算下沉到数据底座，缩短链路并提升实时性

球团焙烧工艺的关键在于：过程连续、状态复杂、控制变量多，且优化依赖大量状态化计算（例如累积量滤波、物料状态跟踪、卡边参数计算等）。传统“Kafka+Flink+业务层”的方式不仅链路长，还容易在状态管理、窗口计算与增量更新上产生复杂度。我们采用“数据库内置流计算框架+内存计算+增量优化算子”的方式，将实时计算能力直接下沉到AI Infra底座：

·流式计算任务设计：

·指标计算流：对温度场、风压、风量、机速、功率等关键测点进行实时聚合、窗口统计、趋势计算；

·状态识别流：结合设备开停机信号、阈值与规则，识别工艺段状态（干燥/预热/焙烧/均热/冷却）与异常状态；

·异常检测与告警流：对超限、突变、漂移、分布异常等进行检测，并输出告警事件与定位信息；

·物料状态跟踪流：基于机速、台车位置、热工参数等，推算物料在不同工艺段的停留时间与受热历程，为质量追溯与仿真标定提供输入。

·增量与状态管理：

对于窗口统计、累积量、复位处理等典型问题，采用增量算子避免全量重算；对需要跨窗口记忆的变量（如累计热量、台车段位状态）维护状态表，保证在高频数据流下仍可稳定低时延运行。

·低时延实现路径：

·通过内存计算减少磁盘IO与外部链路传输；

·通过算子增量优化减少重复计算；

·通过统一语言与算子体系，减少跨组件开发与调试成本。

5.工艺全流程监控：以“指标体系+告警闭环+可视化大屏”构建可观测AI Infra

在应用层，我们为产线构建覆盖“设备-工艺-质量-能耗-环保”的监控体系，形成统一的可观测能力：

·设备侧：风机、焙烧机台车、关键传动部件的运行状态、振动/温度；

·工艺侧：温度曲线、风压、风量、机速、料层厚度（如有）等关键工艺参数；

·质量侧：抗压强度、耐磨指数等检验指标与生产过程的关联；

·能耗环保：单位产量能耗、风机功率、脱硫脱硝关键指标等。

监控实现上，实时计算输出的指标与事件流通过统一数据服务接口供数字孪生大屏调用；告警规则采用“阈值+趋势+复合条件”的组合，并支持按工艺段与设备分组展示，做到“告警可定位、处置可追踪、结果可复盘”。

6.EDA分析与数据洞察：用数据驱动工艺机理理解与持续改进

在具备统一数据底座后，EDA（探索性数据分析）成为连接“现象->规律->优化”的关键环节。我们围绕以下方向开展EDA能力建设：

·多维统计与关联分析：

·原料配比、焙烧温度曲线与球团质量指标之间的相关性分析；

·不同工艺段参数波动与能耗/排放指标的关系；

·设备状态与质量波动、告警事件之间的关联。

·根因分析与复盘：

当质量波动或设备异常发生时，通过批次主键与物料跟踪结果回溯到具体工艺段，结合历史相似案例对比，快速定位可能原因，显著缩短故障排查时间。EDA分析结果以报表、交互式分析界面与指标库的形式沉淀，并可反哺告警阈值与寻优模型。

7.工艺仿真与数字孪生联动：实时数据驱动的动态模拟与推演

工艺仿真要求“模型与现场一致、可随工况动态更新”。本项目采用“机理模型+实时数据校正”的思路：

·机理模型负责表达干燥、预热、焙烧、均热、冷却等阶段的物理化学过程；

·实时数据用于模型参数校正与边界条件更新（例如风温、机速、料层工况等）；

·仿真输出用于预测质量趋势、定位异常段位与支撑工艺优化。

在系统实现上，AI Infra数据底座提供高质量、时序对齐的数据输入，并支持仿真计算结果的落库与回放，形成“现场-模型-回放-优化”的闭环。

8.工艺参数寻优：让算法“在线化”，缩短调试期并持续优化能耗与收得率

在球团新产线投产到稳定运行的调试期，传统方法依赖经验与人工试错，周期长、成本高。项目通过“历史数据学习+优化算法推荐+现场验证反馈”实现参数寻优闭环：

·离线建模：

·基于历史稳态数据构建训练集，提取原料配比、环境条件、关键控制变量与结果指标（质量/能耗/产量）之间的映射关系；

·采用机器学习回归/分类模型构建“性能预测器”，并用交叉验证与在线监控保证模型可用性。

·优化算法：

·在多目标约束下（质量、能耗、产量、环保），采用启发式搜索/贝叶斯优化/遗传算法等方法，输出候选参数组合；

·引入工艺约束与安全边界，保证推荐方案可执行、可解释。

9.安全、可靠与运维：面向关键生产系统的工程化保障

AI Infra作为关键基础设施，必须满足高可用、安全与可运维要求：

·高可用与容灾：

·采用分布式集群部署，关键服务组件冗余；

·建立定期备份与恢复演练机制，确保数据资产安全。

·权限与审计：

·按角色划分访问权限（生产、工艺、运维、管理等），实现最小权限原则；

·关键操作审计与日志留存，满足合规要求。

·性能与容量管理：

·对写入吞吐、查询延迟、存储占用、任务队列等关键指标建立监控；

·建立容量预测与冷热分层策略，保障长期数据增长下的成本可控。

10.与传统方案对比：技术栈简化与能力跃迁

通过以DolphinDB为核心的一体化AI Infra建设，本项目在以下方面实现系统性跃迁：

·组件数量显著减少：减少Kafka、Flink、外置实时库等链路组件，降低运维复杂度；

·实时性大幅提升：端到端延迟从秒级降至个位数毫秒级；

·数据融合能力增强：时序与业务数据在同一平台统一管理，EDA与追溯效率显著提升；

·成本与风险降低：实现国外核心软件替代，降低授权与存储成本，并提升安全可控。

以上实施路径确保了本项目不仅“做出了应用”，更“建成了可复制、可扩展、可持续运营的AI Infra底座”，为中钢设备在球团及其他冶金工艺线的数字孪生与工业AI推广奠定了基础。

生态伙伴合作

本项目采用“总包方牵头、信息化专业公司统筹、基础软件厂商深度共创”的生态协作模式，形成多方优势互补的交付体系：

1.中钢设备有限公司：作为项目EPCO总承包与运营服务主体，负责生产工艺体系与现场资源统筹，提供设备清单、点位信息、工艺约束与验收标准，并推动数字化能力与10年运营服务体系融合，确保AI Infra建设能够服务长期运营，而非停留在阶段性试点。

2.中宏联工程技术有限公司：作为中钢设备子公司与信息化建设牵头单位，负责数字孪生工厂规划与信息化系统建设，组织OT/IT系统接口梳理、数据标准制定、应用需求拆解与联调验收。中宏联在项目中承担了“把工艺语言翻译成数据语言、把业务需求落到系统交付”的关键角色，保障上层数字孪生应用与底层AI Infra协同一致。

3.浙江智臾科技有限公司：作为国产基础软件与AI Infra能力提供方，提供以DolphinDB为核心的数据底座方案，负责集群部署、数据模型设计、流式计算与分析函数库能力落地，并与中钢设备/中宏联共同完成关键算法（如复杂工艺计算、参数寻优、EDA分析）的工程化实现。同时在交付过程中提供培训、运维手册与性能调优支持，降低客户后续自主迭代门槛。

合作服务效果

本项目已完成建设目标并通过验收。依托统一的AI Infra数据底座，项目在社会效益、技术自主可控、成本与性能等维度取得了可量化成果：

1.支撑低碳智能产线建设，形成行业示范效应：在“低碳背景下碱性球团矿生产与应用技术创新”研讨会上，鞍钢集团相关负责人介绍东鞍山400万吨级带式焙烧机球团产线取得显著成效。在此基础上，项目依托DolphinDB数据底座完成了工艺仿真、参数寻优、实时监控与EDA分析等核心目标，形成可复制的数智化解决方案模型，为球团工艺的数智化转型提供了标杆样板。

2.实现全链路国产化替代，提升安全可控：项目以一体化平台替代了原先依赖的西门子Ampla、InfluxDB、SQL Server等多款国外软件，完成从数据接入、存储、实时计算到工艺分析的全链条国产化技术架构，降低供应链风险并提升系统可持续演进能力。

3.显著降低总体拥有成本（TCO）：在软件层面，原Ampla等国外工艺分析软件采购费用高，替换为DolphinDB后，软件授权成本降低约4倍；在存储层面，凭借高压缩能力，存储资源消耗较原InfluxDB+SQL Server方案下降约10倍，有效控制长期运营成本。

4.实时性能跨越式提升，支撑高频决策：通过内置流计算与增量优化，关键工艺参数计算与优化的处理延迟从秒级稳定降至个位数毫秒，响应速度提升超过百倍，为工艺优化与质量控制提供此前难以实现的高频实时决策支持，减少非计划停机风险并提升“安、稳、长、满、优”运行水平。

总体来看，本项目的价值不止于单一系统上线，而是为中钢设备打造了一套面向工业AI与数字孪生的“可复用AI Infra底座”，让数据、算法与运营形成闭环，并具备持续扩展到更多产线与海外项目的能力。

关于企业

·智臾科技

浙江智臾科技有限公司是国产工业数据基础软件与实时分析平台提供商，核心产品DolphinDB面向工业现场高频时序数据与业务数据融合场景，提供“采-存-算-分析”一体化能力，支持分布式多模存储、低时延流式计算、交互式分析与丰富算法函数库，并通过插件机制对接OPC UA/DA、MQTT、ODBC等工业协议与系统接口，服务能源、电力、制造、金融等行业的实时监控、数据分析与智能决策应用。

·中钢设备有限公司

中钢设备有限公司为中钢集团全资子公司，业务覆盖冶金工程总承包、工程技术服务与生产运营服务等领域。在鞍钢集团矿业有限公司东鞍山烧结厂400万吨/年带式球团EPCO项目中，中钢设备负责从详勘至交付的全过程建设，并承担后续10年运营服务，持续推动球团产线向低碳化、数字化、智慧化方向升级。

★以上由智臾科技投递申报的企业奖，最终将会角逐由金猿组委会×数据猿×上海大数据联盟联合推出的《2025中国大数据产业年度AI Infra领先企业》榜单/奖项。

该榜单最终将于1月上旬上海举办的“2025第八届金猿大数据产业发展论坛——暨AI Infra & Data Agent趋势论坛”现场首次揭晓榜单，并举行颁奖仪式，欢迎报名莅临现场。