学习型钢厂的概念：从数据中创造附加值
学习型钢厂的目标只有一个：利用数据实现尽可能可持续性和节约资源的生产。软件从工厂收集数据，将其转化为信息，最后通过人工智能和机器学习转化为附加值。这样就能获得重要发现，以便日后在实践中加以应用，从而节约成本和资源。预测算法有助于检测工厂状况、预测产品质量、调整生产路线和减少停机时间。因此，企业需要能够处理大量数据并对其进行实时分析的解决方案，以确定新的相关性。在数字化和工业 4.0 时代，从工厂和加工路线中获得最大性能至关重要。但如何首先将海量数据有序地整合起来呢？
专家准备数据
为企业创造附加值的关键因素是由数据工程师和数据专家组成的高级分析团队。他们的大部分工作通常都花在数据工程任务上，以清理、收集数据，并将来自不同数据源的数据合并为可消费格式。在许多情况下，只有自动化专家才能选择和理解可用数据，这是因为操作技术 (OT) 系统存储数据的格式只能满足其自身要求，而无法满足数据分析并将其与其他数据源合并的目的。数据源文档的缺乏也为数据的利用增加了障碍。根据需要解决的问题，数据必须以不同的格式提供。数据通常从状态、质量和规划的角度进行查看。对于维护视图，数据通常是通过某些时间事件来检索的。因此，数据必须可寻址，并可通过时间范围进行选择。
谱系在此发挥作用
质量工程师非常注重产品。他们跟踪材料在工艺路线的各个中间步骤中的流转。数据孤岛问题只是需要克服的挑战之一，另一个挑战是跟踪金属在生产过程中的变化。金属从液态转变为固态，板坯、方坯和小方坯在每次轧制过程中被转变为新的几何形状和尺寸，卷材被剪切、焊接和轧制。这几乎使得通过上游或下游加工步骤追溯原因成为不可能。谱系是指材料的父子关系，是使质量能够跨生产线进行追踪的关键信息。
在西马克数据工厂这样的平台中，谱系学可以更容易地确定数据的来源和转换方式。数据分析师可以立即开始处理数据，并从流程路线上的任意线路中选择任何可用信号。西马克数据工厂可确保将任何可用的传感器和时间序列数据映射到它们在板坯、大方坯、方坯、卷材、管材或线材上的位置（如果自动化系统尚未有此操作），并将误差降至最低。这样，任何人都能在最短的时间内对半成品进行跨生产线分析。
为便于规划，系统必须考虑状态和质量数据，以判断在当前投入材料和维护状态下是否能够生产某些产品。
技术与专业知识的结合
有了适当格式的数据，学习型钢厂就能通过 IT 系统分析数据和处理数据。然后用元数据对数据进行充实：数据变得可发现且有意义。在这里，必须将技术诀窍与专业诀窍相结合。在西马克数据工厂中，数据字典使数据分析师能够根据数据的来源、目的和类型，通过相互关联的数据元素深入了解可用数据。在数据工厂中，数据字典可提供特定领域的相关信息，例如连铸机中结晶器液位与塞棒位置之间的相互作用。此外，区分物理量的计算标称值和实际值也至关重要。标准化的命名方案更有助于区分这些差异，而无需考虑不同供应商提供的各种命名方案以及在钢厂中发现的各种命名方案。数据字典的可过滤全文检索功能可缩短从数以万计的数据中查找相应信息所需的时间。这有助于确保数据分析师更快地实施，从而成功实现学习型钢厂。
现在比以往任何时候都更需要一个能够使用金属行业语言的整体数据平台。它可以统一访问工艺、生产、质量、计划和维护数据。西马克数据工厂通过为数据专家、算法和其他数据用户提供同质化和标准化的数据访问，解决了上述问题。这使其成为工业 4.0 革命的众多关键推动因素之一。