王者荣耀外围,王者荣耀kpl外围押注

联系方式:010-65256519

专题解读

大数据技术在钢铁行业质量管理中的应用研究

  钢铁行业是一个资源密集型、资金密集型行业,其生产过程主要呈现出生产流程长、自动化程度高、质量要求高的特点。一方面,我国钢铁行业由高速发展转向高质量发展阶段,在环保、质量等多方面均承担着更高的要求。另一方面,由于钢铁行业市场需求转变,生产特点逐渐由传统的大规模批量生产向多品种小批量定制开发模式转变。从而导致钢铁企业产品设计、原材料选择、质量把控等产品生产的质量管理周期进一步缩短,钢铁产品质量管理凸显出越来越重要的作用。

  随着云计算、大数据、物联网等新兴技术的不断发展成熟,基于工业大数据构建全流程质量管理体系,对生产过程中的质量数据进行收集、存储、分析、预警等,深入挖掘产品质量相关信息,发现隐匿在数据背后的一些规律性、趋势性关系,可以更加科学地指导产品生产、质量标准修订及其他产品质量管理工作。因此,运用大数据技术推进企业全面质量管理日益受到钢铁行业的青睐。

  一、 钢铁质量管理存在的问题

  产品质量管理,是随着现代化生产的发展而逐步形成和发展起来的,目前已经发展到全面质量管理阶段,由企业的全体人员参加,运用现代化科学和管理技术,预先把整个生产过程中影响产品质量的各种因素加以控制,从而保证和提高产品质量,使用户得到最满意的产品。在产品质量管理过程中,存在着大量未能充分挖掘的数据价值,造成钢铁行业质量大数据资源的浪费。其存在的问题主要有信息孤岛、数据质量低下、存储机制落后、数据价值利用低等。

  (一)数据采集信息孤岛问题严重

  目前,大部分钢铁企业都在产线上加装了各类传感器、监测仪等相关设备,以实现生产过程的相关参数检测和数据存储。但是,由于受缺乏统筹、分步上线以及传统信息技术限制等因素的影响,各产线往往建有单独的数据收集系统,且各系统之间缺乏有效的相互沟通及数据共享,造成上下游数据孤岛问题严重。下游生产环节无法及时得到上游质量数据,造成生产成本、废品率居高不下。因此,质量数据的生产全流程管控、上下游数据充分共享对于建设大数据质量分析具有非常重要的作用。

  (二)数据质量控制面临巨大挑战

  在数据质量方面,钢铁行业的质量大数据存在着大数据的普遍特征,即“二八定律”,也就是20%的结构化数据占有80%的价值,而80%的非结构化数据占有20%的价值。在工业大数据的收集、处理过程中,由于数采系统链路、硬件故障、人为因素等主客观因素的影响,数据质量问题广泛存在,而此类数据的大量存在将直接导致大数据分析结果的偏差,不利于质量管理的有效分析。

  (三)海量数据无法确保有效存储

  钢铁行业内各种状态监测仪器逐渐向多功能、系统化、智能化方向发展。随之产生的大量生产质量数据,如铁水含量、高炉温度、气体含量、加热温度、轧材规格、轧材硬度等,正以秒级单位迅速增长,传统的关系型数据库和集中式文件管理效率已经无法实现对海量数据的有效保存与查询、计算的功能。因此,若实现海量数据下的质量数据分析、挖掘,需对钢铁行业传统的数据存储技术更新优化。

  (四)数据价值尚未得到充分挖掘

  智能制造时代,数据已成为企业最优价值的资产。虽然我国钢铁企业基础自动化水平较高,数据收集仪器较全,但是大部分企业只是将海量质量数据作为产品缺陷的追溯基础,无法为自身带来可视的经济效益。对于数据的重要性并未得到充分的认识,造成大量数据遗失,数据利用单一化、局部化,数据价值无法得到充分的挖掘。

  二、钢铁质量大数据相关技术

  质量大数据是指具有能够反映质量特性的各类数据,钢铁行业质量大数据是在目前质量数据的基础上拓展到大数据范畴,范围涵盖了产品研发、工艺设计、生产过程等产品的全生命周期。其主要特点及相关应用技术与工业大数据相似,即数据量巨大(Volume)、数据处理速度快(Velocity)、数据多样性(Variety)和数据价值密度小(Veracity)的特征。此外,针对钢铁行业质量大数据的收集特点、数据结构等方面特点还表现在:数采设备繁多,数据流通协议复杂;以结构化数据为主,声音、图像等非结构化数据较少;非正常数据较多,数据降噪困难。

  大数据技术在钢铁行业质量管理方面应用的主要技术包含数据采集、数据处理、数据分析和数据展示。质量大数据处理的基本流程如图1所示。

  图1 质量大数据处理的基本流程(钢铁行业)

  数据采集是大数据应用的前提条件,钢铁行业质量大数据的采集涵盖产品设计、研发、采购、生产的全流程,需要对产品全生命周期的质量信息进行全面精细采集,以得到尽可能完整的数据云,从而为数据的处理提供必要基础。

  数据处理针对数据采集信息的可用性及边际价值进行必要的清洗,及时准确的分辨信息是否与质量管理工作相关,并确定其相关程度,剔除一些无关紧要的数据,保证相关性较高的数据。

  数据分析主要是针对不同分析目标,多方向、多维度的对产品质量数据进行分析,得到相关设备、工艺、人因等多方面的分析结果,进而为数据展示提供必要的数据支撑。另外,可根据不同的使用目的建立产品质量数据平台,对产品整体的质量控制过程进行相对真实和完善地还原并进行可信度较高的信息预测。

  数据展示主要是针对不同的用户利用Highcharts、Tableau、jpGraph等相关可视化工具进行关键指标、历史趋势、预测效果等维度的展示。

  三、大数据在钢铁质量管理中的应用前景

  质量大数据管理的应用能够有效提高全面质量管理水平,保证全流程生产管控的协调一致。大数据在钢铁行业质量管理中的应用主要体现在生产过程检测、趋势预测、原因分析等智能模型的应用上,做到事前质量异议风险预测、事中关键环节生产监控、事后质量数据全流程追溯。

  (一)数据质量优化改进

  质量大数据的质量控制体系是一项复杂的系统工程,涉及到管理、技术和流程三大方面因素。由于钢铁行业质量大数据呈现出生产过程复杂、采集设备繁杂、通讯机制众多、异常数据占比大的特点,因此对于钢铁行业质量大数据的质量的提升是大数据处理的必然前提。提高质量大数据的数据质量主要涵盖以下几个方面:

  1.高质量感知数据

  明确设备对质量数据检测的要求,减少多读、漏读、误读的情况。预先设定机器读取数据的标准,采用更加先进的检测设备,从而在设备读取质量数据过程中减少冗余数据的产生。

  2.高效数据清洗机制

  在处理设备读取数据过程中,可通过基于规则发现、关联分析、聚类分析、偏差检测等多种方式发现异常的质量数据,并通过机器学习、冲突数据检测、规则学习等方式删除、修复异常的数据。

  3.建立数据采集标准

  坚持以应用为导向,从数据质量定义、数据质量评价、数据质量分析及数据质量改进等方面进行闭环管理,从而达到数据质量管理的持续优化。

  (二)质量异议风险预测

  无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实,大数据应用与建模、仿真技术的结合则使得预测成为可能。利用大数据技术对产品生产过程中的质量数据进行实时评估,从而能够将事后质量管理转移至事前预测,从而有效的降低企业生产成本。质量异议风险评估主要包含两个部分,分别是:质量异议严重程度预测、质量异议发生概率预测。质量异议严重程度是指,针对预测的可能发生的质量异议的风险程度的评估,是发生的质量异议不足以影响销售、产品降级为二级品、产品发生重大质量异议不能销售等量化后的结果。质量异议发生概率是指在以往产品生产过程中,生产的实际总数量与发生质量异议的产品的数量之间的比例的统计量。质量预测在炼钢生产过程中具有诸多应用场景,如转炉终点磷含量预测技术、设备状态监测与维护预测、基于聚类分析的新钢种变形抗力预测等。

  其风险预测流程如图2所示。

 

  图2 产品质量风险预测流程

  产品质量异议的风险评估能够有效的帮助企业提高风险预警能力,将不合格品数量有效的控制在较低范围内,从而提高企业的生产管理水平,降低生产成本。

  (三)关键环节生产监控

  生产环节监控能够有效的掌握生产现状,起到质量管理的事中检测与管控的作用。一方面,通过运用大数据快速获取、处理、分析的能力,为生产管理人员提供可视化交互引擎、人机交互管控模式、可视化关键信息展示。另一方面,通过传感器网络将生产过程监控与企业运营联系起来,在加工过程中尽早发现存在的质量波动,并通过生产和企业运作的匹配尽早做出反应,实现对最优企业运作的预期并自动调整生产流程。

  在钢铁制造过程中,各工序生产环节复杂,每个环节工艺参数设置较多,造成生产过程中诸多产品缺陷的可能性,如,擦伤、温度过高、边裂、划痕等。通过大数据挖掘,构建一个集成多方面的生产缺陷识别模型,利用图像处理、成分检测等技术分析缺陷类型及原因,及时发现不合格品。在此方面的应用已逐渐发展成熟,如智能缺陷系统检测技术、转炉炉衬侵蚀动态监视技术、转炉炼钢终点精准控制技术等。

  (四)全流程质量数据管理

  全流程质量管理系统采用在线质量管理与离线质量管理相结合的方式,实现在线对生产过程工艺数据、性能数据的监控、质量决策,离线质量追溯和质量趋势分析。全流程质量数据管理涵盖铁水生产、炼钢、铸机、轧钢等钢铁企业生产的全流程的工艺数据、质量数据、生产数据的采集、存储等,实现对数据的抽取、集成、展示,从而为每一批次钢种的质量分析、质量追溯、质量决策提供有力的数据支撑。如图3所示,全流程质量数据平台中高炉炉身温度。

 

  图3 高炉炉身温度示例

  在全流程质量数据的管理方面,采用Hadoop大数据技术,使用多台物理服务器,构建整个系统的数据存储、计算模块。采用分布式文件管理系统,将从各个生产环节采集起来的各种不同类型的质量数据分散存储在HDFS分布式文件系统中,从而满足海量数据的存储和高效访问的需求。

  在数据处理方面,通过构建MapReduce并行计算框架以及HBase分布式数据库,为整个数据管理框架提供高效的数据处理能力,从而减少海量数据处理的难度。

  五、结束语

  在智能制造蓬勃发展的当前社会,数据价值越来越得以重视,利用大数据技术解决全面质量管理的相关问题能够为钢铁企业质量管理提供必要的数据支撑和指导作用,提高客户服务水平,增强企业竞争力,进而为企业带来不可估量的经济效益。