钢铁是我国经济支柱产业，占中国GDP总值的8%左右，行业上下游关联 产业多，在整个经济布局中占有举足轻重的地位。在政策和市场双轮驱动 下，钢铁企业总数处于下行周期，快速兼并重组，向超大型钢企、集中化 方向转移。钢铁企业总数达到5000家以上，其中粗钢产能在100万吨以 上的企业有76家，大量钢铁及周边产业产能规模仍非常分散。
钢铁企业普遍存在高能耗、高污染、粗放式管理、产品偏中低端、人力资 源短缺等问题，成本和质量是企业关注的核心。钢铁企业都在寻求业务转 型和发展升级，呈现如下趋势：
布局日趋合理，产能转移资源集聚：行业发展呈现内地产能向沿海沿港转 移，传统产区向消费地区转移态势，自动化、信息化、数字化需求集中迸 发；
工艺更加先进，技术更加密集：新型生产工艺、生产装备大量应用，生产 模式向网络化、数字化、智能化转变，数字化转型基础良好；
产品结构升级，经营模式变化：精品钢、特种钢产能不断增加，产品营销 从面向库存向面向客户转变，钢铁企业从卖产品向卖材料科学技术服务转 变；
人机料法环，全面精细化管理：企业在成本、供应链、生产、物流和营销 等领域逐步实现全面精细化管理。钢铁企业迫切需要借助数字化、智能化等科技手段来提高企业在新一轮市 场活动中的竞争力，使自己处于不败之地。
行业解决方案概述：
工业大脑钢铁智能引擎借助云计算、大数据、人工智能等技术，对炼钢全 流程相关的生产流程、炼钢工艺优化、设备能耗优化和辅助质量检测等四 大类智能化解决方案。
2018年中国钢铁行业粗钢产能9亿吨，占世界产量的51.3%；阿里云全 套钢铁产品预计可为企业提供5～10元的吨钢成本降低，为单厂（500万 吨产能）创造2500～5000万元/年的效益，市场规模约35亿，具有广阔 的发展空间
**
转炉智能炼钢解决方案
方案描述**
转炉炼钢是钢铁企业产业链的核心工艺。炼钢工艺的产量决定了所有钢产 品的产量上限，而炼钢的成本都会直接和下游钢产品相关。目前在转炉炼 钢过程中，传统的控制方式是根据专家经验分批多次投料及吹氧，难以实 现投料次数的有效控制以及终点的准确把握，最终影响了企业的效益。因 此，需要综合考虑工艺要求、节能、环保以及安全性等因素，研究新的方 法以解决炼钢冶炼过程中的产量、质量和能耗等多目标非线性问题。
转炉智能炼钢产品是阿里云基于工业大脑开发的工艺优化类产品。该产品 基于大数据和人工智能算法，并整合工艺专家、现场一线操作员的实际经 验，定时向现场人员提供转炉工艺参数推荐值，指导现场人员工作。应用 该产品后将显著减低对现场操作人员能力和经验的要求，并可以大幅度提 升企业出钢率，提高转炉生产效率。
架构特点
通过收集原材料投料、辅料添加、吹氧操作、倒炉、出钢水等环节的数 据，以转炉炼钢工艺中较为核心的“投料”和“吹氧”操作为切入点，建 立转炉炼钢操作优化模型，最终在确保钢水温度及钢水成分合格的前提 下，实现转炉钢铁料消耗率量的降低，同时缩短冶炼时间。
现场操作人员采用模型建议操作后的数据会返回优化系统，进行机器学习 算法模型的持续迭代。通过模型持续学习，推荐效果将不断优化，形成优 化过程良性循环，从而促进工艺水平不断提升。
核心价值
基于工业大脑的转炉智能炼钢产品，能在以下两个方面产生价值：
1、节约生产成本：通过算法推荐的智能控制策略，吨钢钢铁料和辅料消 耗均大幅优化，直接降低企业生产成本。
2、提高产品合格率：通过智能预测算法模型，提高终点钢铁碳含量和出 钢温度预测命中率，从而提升产品质量。
脱硫工艺优化解决方案
方案描述
脱硫是钢铁生产过程中的一个重要环节，旨在降低铁水中的硫含量。而脱 硫环节由于扒渣带铁（脱硫剂反应后产生的脱硫渣中含大量的铁）会带走 大量金属料。经测算，每个炉次（以220吨计）的脱硫渣量均值为5吨， 脱硫渣中铁损占比约为40%-55%，假设经过参数推荐优化后能将脱硫 剂的加入量降低10%，理论上测算可降低钢铁料消耗0.8~1kg/吨钢。
工业大脑炼钢脱硫优化引擎，采用最新的大数据和人工智能技术，针对脱 硫过程中的辅料用量、喷吹压力等进行调节，优化脱硫环节工艺，推荐最 优的脱硫剂加入量，提高脱硫剂利用率，降低脱硫环节的铁损。
架构特点
采集脱硫工序流程数据，通过建模分析获得脱硫工艺优化的关键因子，结 合专家知识，依靠脱硫仿真模型与参数寻优模型寻找最优参数。
**
核心价值**
优化效果显著：产品采用人工智能方案的投料优化引擎，相对传统L2专 家系统更加精确，能在现有工艺基础上够有降低辅料消耗，进而同时降低 铁损。
适配能力强：引擎产品通过人工智能算法学习实际生产工况，针对企业特 点进行适配，对不同矿品、不同型号装置均有很好的适应性；同时针对计 量装置的准确性具备一定的冗余能力。
应用周期短：传统L2专家系统需要大量的人工经验积累和尝试，需要企 业进行长年累月的优化和更新；而本产品能够基于企业历史数据自主学 习，效果立竿见影。
相关案例
客户名称：攀钢集团
项目成果：
经过为期一年多的项目攻坚，阿里云协同积微物联在攀钢智能 化项目中逐步的完成了项目的阶段性目标，也为攀钢带来了业务价值。经 过测算，实现了钢铁料消耗成本降低：2018年月均钢铁料消耗与2019年 （1-10月）月均钢铁料消耗想比较，通过数据中台及智能算法分析，帮 助攀钢降低了钢铁料消耗近1.28kg/t钢（钢铁料成本2.2元/kg）按钢产 量440万吨/年计算，年节约成本1239.04万元。在另一方面，通过项目 也帮助攀钢实现了合金成本节约，在投用合金计算模型后，合金计算模型 根据终点碳、磷对使用的合金类别、数量进行精准选择（在保证质量的前 提下，使用低价合金替代高价合金），合金节约成本1.2元/吨钢，按钢产 量440万吨/年计算，年节约合金成本约528万元。
加热炉优化解决方案
方案描述
加热炉是轧钢工序重要设备和控制难点之一，一直以来，客户普遍存在如 下业务痛点：
- 由于加热炉控制策略的粗放，造成的煤气使用浪费，进而带来的经济损 失。
- 缺乏稳定可靠的加热炉控制策略，造成炉内温度控制不稳定，影响产品 质量稳定性。
- 加热炉控制依赖于人的经验，控制经验知识无法传承。
阿里云工业大脑以加热炉能耗优化为切入点，利用模型算法对燃烧过程智 能优化控制策略，实现加热炉节约能源、降低烟尘排放，减少钢坯在炉内 的氧化烧损，提高控制精度，改善产品质量，减少修炉次数，提高作业 率。将来可在炉配料优化，生产工艺优化，关键设备故障诊断，产线质量 分析与提升等领域深化应用。
架构特点
依托阿里云工业大脑，基于离线历史数据进行分析，对算法模型训练，在 训练基础上推荐关键参数值。参数值推荐以接口方式直接推送至加热炉控 制系统，实现基于数据智能推荐的自动化平稳控制。
核心价值
节约燃料成本：借助神经网络等AI技术，建立加热炉煤气用量预测模型， 通过对加热炉过程数据进行大数据分析，实现加热炉对煤气使用量的精准 预测，结合先进控制优化算法，实现煤气浪费的降低。
稳定产品质量：借助精准控制模型，在预热段，加热段及均热段实现对炉 温的自动动态控制，保证炉温稳定，稳定钢坯的生产质量。
减轻工作负荷：建立自动烧钢体系，大幅提高加热炉的自动投运率，降低 加热炉控制过程对人依赖，减轻加热炉工程师的工作负荷。
沉淀专家经验：一体化的云边协同，借助云端的自动训练模型，完成对控 制模型的动态优化，以适应不同条件下的控制要求，通过智能模型固化加 热炉控制专家的经验。
冷轧表检定级解决方案
方案描述
冷轧表检定级解决方案面向钢铁行业冷轧板材的表面质量检测场景，构建 表面质量自动判定模型，辅助人工判断产品缺陷，降低人工依赖性、提高 判定准确率。采用缺陷聚合引擎与阿尔法引擎两项独特的人工智能技术， 能够充分考虑对缺陷本身的聚合判断，以及下游客户对特定瑕疵的接受 度，因此最大程度的贴近企业实际情况；而传统应用则机械应用判钢规则 条例，普遍存在判定结果脱离生产实际，而导致大量钢材被错误降级，进 而给企业带来大量损失，导致应用率不高。因此本产品在国内钢铁企业具 备相当的应用价值和拓展空间。
架构特点
通过无监督学习算法，对表检仪识别的缺陷，进行缺陷聚合归纳，更加符 合板材的实际缺陷分布。
通过数据挖掘算法，针对特定瑕疵的接受度进行优化推荐，因此最大程度 的贴近最终客户的需求。
核心价值
降低工人工作强度，减少因判钢工程师疲劳造成的钢材等级判定精度降低 风险。
减少因辅助判级系统不准确造成的判定等级不准率。
提升判级稳定性，降低异议退货情况造成损失。
相关案例
客户名称：攀钢集团
项目目标：
算法模型输出的自动定级结果与人工判定结果对比，表判码准 确率达92%以上，分选度准确率达80%以上，主缺陷准确率达60%以 上。
**废钢定级解决方案
方案描述**
当前许多钢铁企业的废钢采购量大、废钢质量一致性差，现场环境复杂， 长期依赖人工观察与个人经验作为质量评估的依据，难以量化和标准化。 同时其作为重要生产资源，正确定级对于后续工艺的使用及原料成本的控 制极其重要。应用的精细化要求与业务的粗放型现状格格不入，且人力密 集的废钢定级方式造成质检员工作负荷大难以合理调度等问题。
阿里云废钢定级方案基于机器视觉算法为钢铁企业提供智能识别技术，对 货车内废钢进行逐层判级、异物识别，并对全车货物或已卸货的部分进行 定量的扣杂指导，提高质检效率，大幅降低质检员的工作负荷。
架构特点
提供废钢定级的完整解决方案，实现算法识别结果与废钢定级平台的数据 同步和业务流程闭环。
核心价值
提高定级的准确率与一致性，节约定级偏差造成的成本损耗。
快速准确识别废渣含量与拒收品，降低废钢原料的整体采购成本。
质检员远程控制与监督的方式降低质检员安全隐患，提升质检工作效率， 减少人力投入。
**热轧表检解决方案
方案描述**
热轧板，即热轧钢板和钢带，俗称热板。
热轧板卷表面瑕疵检测项目整体技术方案基于阿里云的板卷表面瑕疵检测 系统进行建设和实施。该系统使用先进的光源照明技术和高清成像技术， 结合快速检测和分类软件来实现板卷表面瑕疵的快速识别和标记，能够协 助质检人员或操作人员实现质量管理，优化工艺，提升生产效率。
板卷表面瑕疵检测系统使用线阵LED光源均匀照明板卷待检测区域的表 面，并使用线阵CCD相机对板卷表面待检测区域进行成像，检测并分类 薄板表面的各种瑕疵，质检人员或者操作人员可以在显示屏上得到有关瑕 疵的信息。板卷表面瑕疵检测系统建立在以太网架构基础之上，所有部件 通过以太网与主计算机连接，因为使用较少的电缆和更紧凑的硬件结构， 使得安装成本减少。
系统能够识别的缺陷包括：划伤，麻点，麻坑，夹杂及其他瑕疵，并能够 结合热轧产品定级标准，利用大数据建模形成自动化的定级输出。
架构特点
整个系统分3大模块（如图所示），光学设备模块、智能检测模块、展示 及管理模块。
光学设备模块:
主要功能是基于光学成像原理进行图像采集，用高清相机将板材表面的图 像高速采集出来，确保可以拍摄出清晰的上表面以及下表面图片。
智能检测模块：
对光学设备模块拍摄出来的图像进行识别，可以检测出钢板中有瑕疵的地 方，并进行记录。 展示及管理模块：
首先在显示屏上对钢板实时检测情况进行展示，并对智能检测模块记录下 来的瑕疵图片以及对应钢板位置进行管理，方便复查以及统计。
核心价值
国内钢铁企业对于热轧板卷的表面瑕疵的检测一般多采用人工方式进行， 这样的检测方式往往需要耗费较多的人力资源，且存在以下一些问题：
1、人工检测容易疲劳，劳动强度大，质量难以保证。
2、人工检测需要相关人员长期盯视热轧板卷以做判断和信息确认，较容 易引发近视等健康问题，且长期处于污染、噪音环境。
3、人工基于经验判定等级，需要一定的培训周期。
** 连铸坯表检解决方案
方案描述**
在连铸坯中常见的缺陷一般疏松、中心疏松、锭型偏析、一般点状偏析、 边缘偏析、皮下气泡、内部气泡、缩孔残余、翻皮、白点、轴心晶问裂 缝、非金属夹杂物、异金属夹杂物、表面裂纹、1/2半径（或对角线）处 裂纹和心部裂纹等。
本方案主要通过搭建一套软硬件结合的工业视觉检测系统，实现对板坯、 方坯及矩形坯的表面缺陷进行检测，为用户的铸坯质量管理提供全套的自 动化管理方法。系统能够对连铸坯的擦伤，划伤，压痕，开口，裂纹，表 面夹渣等铸坯常见缺陷的识别分析，并提供缺陷样本标注等功能。
架构特点
系统包括两部分：硬件系统及软件系统。
- 硬件系统由工业摄像头、工业光源、高速图像采集卡、边缘工控机、显 示设备以及网络设备和配套安装设备组成。硬件系统实现对连铸坯表面缺 陷图像进行实时采集和存储，并通过内部网络传输到云端服务器中，为后 续的模型训练及运行提供数据源。
- 软件系统由云端模型训练系统和边缘模型实时运行及结果展示系统两部 分组成。云端模型训练系统通过获取硬件系统的各类图像数据进行模型训 练，实现对连铸坯各类缺陷的实时检测模型的训练。边缘模型实施运行及 展示系统主要是承载云端训练好的模型在边缘端进行部署，并实时反馈检 测结果到用户端。
核心价值
1.保障连铸坯产品质量，提高产品检测效率，减少缺陷漏检产品输出到后 续工艺造成的产品损失。
2.降低连铸坯编码检测的人工成本和工作量，降低企业管理难度。
