过去20年里，尽管中国贡献了全球粗钢增量的80%，但中国钢铁业的发展不容乐观，产能过剩与结构严重失衡、全球经济下滑导致钢铁需求增速放缓、生产质量的不稳定、废品率高、高耗能以及多元化需求，给整个行业都带来了极大的挑战。中国钢企的转型升级迫在眉睫。
在钢铁产业严重过剩、钢企转型压力巨大的背景下， 作为一个传统“老三线”建设的国有企业，攀钢前些年一直处于亏损状态，通过这几年的改革创新，不仅终结了亏损历史，打了一个漂亮的“翻身仗”，去年全年经营性利润创历史最好水平。它究竟是怎么做到的？
依托西部地区丰富的钒钛磁铁矿资源和自主创新建设，攀钢集团有限公司（简称攀钢）已经成为我国特大型钒钛钢铁企业集团、全球第一的产钒企业、国内最大的钛原料和产业链最完整的钛加工企业，以及国内重要的铁路用钢、汽车用钢、家电用钢、特殊钢生产基地。中国的40%的钢轨和高速轨道由攀钢生产的。
尽管行业地位领先，但攀钢一样面对着和行业一样的难点痛点。从2011年到2016年，受国内钢铁产能严重过剩导致的行业普遍亏损，资源不足、位置偏僻、人员多、负担重等多种因素的影响，攀钢持续亏损，企业发展面临巨大挑战。
为此，攀钢确定了提质增效的大目标，开始改革创新：一方面扎实推进品种、市场、原料、产线结构调整，铁血降本；一方面推进产业升级，推动钒钛加快发展、钢铁精品发展、非钢创新发展。此外，人力资源方面推行绩效考核新模式，鼓励自主创新等，打开了一个科技强企的新局面。
新技术降低旧能耗
“炼钢就是炼渣”，这是钢铁生产过程中的一句老话。钢由生铁而来，和生铁的主要区别在于成分不同，所谓炼钢就是通过冶炼降低生铁中的碳、去除有害杂质，再根据钢性能要求加入适量合金元素，使之性能优良。为了将原料中一些不需要的杂质去除，就需要进行造渣。造好渣是实现炼钢生产优质、高产、低消耗的重要保证。其中，钢铁料消耗占整个炼钢厂成本的70%以上，攀钢集团需要通过降低钢铁料的消耗，实现减少原料投入及优化能耗成本，才能提升企业的整体综合竞争力。
据攀钢集团成都钢钒有限公司总经理、积微物联总裁谢海介绍,“经过多年的发展，用传统的工艺、工控手段提升产能、降低能耗、节省人力已经趋于钢铁行业极限，而随着工业大数据、云计算等新技术的成熟，我们看到了新的希望。”
攀钢集团和阿里云工业大脑一起合作，以阿里云为技术载体、以积微物联（攀钢电商平台）为平台、以攀钢集团为场景试点，率先深化ET工业大脑在钢铁生产领域的应用。出于数据采集难度、项目风险性与收益等综合因素考虑，最终决定从冷轧板材表面检测与脱硫工业优化两个场景切入，着手工业智能的尝试。
脱硫是钢铁生产过程中的一个重要环节，旨在降低铁水或钢液中的硫含量。而脱硫环节由于扒渣带铁（脱硫剂反应之后的脱硫渣中带走了大量的铁）会造成大量铁损。工业大脑应用到攀钢西昌钢钒转炉炼钢工艺后，打通炼钢全流程数据，通过建模分析获得炼钢工艺优化的关键因子，结合专家知识，定位提钒、脱硫和炼钢三个关键工序。通过对这三个工序的深入建模分析，聚焦在脱硫工序，依靠脱硫仿真模型与参数寻优模型寻找最优参数。根据实际测算，通过优化的参数推荐，每生产一吨钢可以节省一公斤铁。对于年产值400万吨钢的攀钢来说，一年的成本节省就在700万元以上 。
同时，工业大脑还被应用到了冷轧环节。钢材经过冷轧工艺加工，会形成长度约1千米钢卷。在表面检测环节，质检员通常会在短短5到10分钟内，识别出少则几百个，多则几千个的缺陷，并给出分选度、表面等级、主缺陷和是否合格等判定。但长时间、高强度、重复性且枯燥的质检工作让判钢工程师难以保证判定结果的稳定性，同时，工程师经验的差异也会造成判定水平的参差不齐。最终导致的结果则是客户的服务体验与满意度差，造成巨大的隐性成本。工业大脑的引入，可以辅助人工判断产品缺陷，降低人工依赖性。
“老师傅”们的经验复用和传承
钢铁行业历经上百年的发展，累积了大量的经验。然而，经验都是碎片化地藏在“老师傅”的脑袋里，像一个个黑箱，难以形成经验共享与规模化的复用。工业大脑的使命就是将这些隐性化的知识显性化，并帮助打破人的传统思维框架与认知局限。
工业大脑由四块拼图组成——人工智能（AI）、大数据（Big data）、云计算（Cloud computing）、专家经验（Domain knowledge）。简单地讲，就是利用A、B、C技术将D（工厂老师傅、老专家的经验）抽象成知识，并将知识规范化、模型化与代码化，以数字化的方式嵌入到系统与设备当中，被重复调用，指导或是替代人力进行决策与执行。
未来，随着大数据、算力与算法技术的不断成熟，与数据智能相关的工业应用将呈指数级增长。钢铁企业的核心竞争力不在拥有多少产能或是固定资产，而是在于掌握了多少行代码与核心算法。工业智能应用的场景颗粒度会不断细化，面对焦化、烧结、高炉、热轧、炼钢系统、安保、物流、园区、电商等场景，都有机会开放出爆款的工业SaaS或是工业APP。此外，除了持续加强场景化的算法开发能力以及数字基础设施建设（数据中台），更重要的是加快钢铁企业的数字化组织、数字化领导、数字化文化以及数字化人才的转型，创造工业智能的生长与创新土壤。
