在日益复杂多变的市场中减少全球碳足迹需要新的思维方式、改变的意愿和颠覆性技术的应用。西马克不仅为冶金领域高性能材料的生产提供新工艺和新设备，还提供数字化和互联化技术，作为工业 4.0 的一部分，旨在实现完全自主的钢厂。在下文中，我们将介绍 DataXpert 平台的三个使用案例，并概述其为预测性资产优化带来的机遇，以及为什么不同学科之间的互动对于开发现代数字解决方案至关重要。
数字化应用为资源节约型和可持续生产流程提供了途径，目前在制造业中发挥着越来越重要的作用。它们使工厂操作员能够对生产流程、产品质量和工厂状况做出基于机器学习的准确预测。同样，通过有针对性地计算原材料，也可以预测和优化能源消耗。能够进行准确的工艺预测意味着原材料的使用是按需进行的，从而减少了浪费、停机时间和成本。依靠数字化，企业可以从机器学习等新技术提供的可能性中获得巨大的附加值，从而全面优化生产流程。
另一个重要课题是职业安全，机器学习方法为进一步取得重要发展提供了机会。例如，如今，摄像系统可以在无需人员进入危险区域的情况下检测问题。新的传感器技术有助于更精确地评估生产线的状态。状态和过程监控系统将多种来源的数据结合起来，为工厂操作人员提供有意义的信息和建议。预测性资产管理和自动化将有助于提高钢铁生产设施的安全性并降低风险。数字化工具使我们能够在问题发生之前对其进行预测、响应和解决。我们的目标是创建完全自主、高效和安全运行的下一代钢铁厂。
西马克集团开发了 DataXpert 平台，以促进由软件开发人员、具有工艺和硬件知识的专家以及数据工程师和数据专家组成的跨学科团队之间的合作。那么，利用平台进行高效工厂管理的具体可能性有哪些呢？
利用数字化解决方案提高钢铁生产的可持续性和效率
DataXpert 是一个用于开发和管理状态监测和专家系统的完整平台，可提供实时建议和通知。该平台采用低代码原则，使几乎没有编程知识的用户只需接受少量培训即可使用这些工具。DataXpert 包括三个主要模块：BIXpert、AIXpert 和 RulesXpert，并与一个功能强大的时间序列数据库相结合。每个平台工具都是模块化的，可以通过插件扩展附加功能，如新的数据连接器、新的可视化类型、带有新功能块的模块等。由于采用了网络技术，该平台既可以部署在云端，也可以部署在工厂附近的服务器上。
DataXpert 平台及其组件如图 1 所示。该平台提供以下软件解决方案
- 数据采集、存储、描述、验证和复制（数据湖）。
- 逻辑/模型生成和测试（RulesXpert Designer、AIXpert）
- 逻辑/模型执行（RulesXpert Scheduler）
- 数据可视化（BIXpert）
状态监测应用示例
DataXpert 平台中机器学习模型的集成和利用通过使用案例得到了进一步展示。该平台是保尔沃特公司智能维护计划的组成部分（以下示例即来自该计划），并成为西马克数字化公司钢铁制造工艺的资产优化平台。DataXpert 已被用于将不同编程语言中的各种机器学习模型结合起来，或标记时间序列数据，然后在低代码环境中调用基于该数据的模型。
识别无料钟炉顶的上料模式
第一个示例是用 Julia 编写的模型，用于在 BLTXpert 中检测装料模式。BLTXpert 是一种无料钟炉顶状态监测解决方案，提供关于各种现象或异常的警报和通知，以及设备维护和操作的建议。西马克部署了一个机器学习模型，作为交叉检查料仓信号的规则的一部分。该模型在每次无料钟炉顶上料时执行。一个基于卷积神经网络的模式检测算法，使用 Flux 库训练过，分析旋转和倾动电机的信号，以区分材料类型。
在 BIXpert 中，点击触发的通知，就会收到可能不正确的材料信息通知，并提供一个专门的管理面板，用于说明机器学习输出的合理性。图 3 显示了 BLTXpert 演示中的说明管理面板。数据专家负责开发、集成和维护机器学习模型。设备专家负责定义和实施该用例的规则和通知，从而实现了明确的职责分工，并有效地应用了各部门的可用技能。
出铁口检测
保尔沃特与 TMT 合作开发了一种用于冶炼车间的过程和状态监控系统，名为 Tapman。Tapman 的一条流程规则涉及出铁操作的分类以及 "预钻孔 "和 "开口 "之间的区别。为了检测钻孔后是否立即打开了出铁口，机器学习模型分析了各种信号的形状，主要是进给位置，从而对出铁口进行分类。在分类错误的情况下，随后会在出铁口关闭时对信号进行修正。本例中的模型是使用 Tensorflow 库以 Python 编写的卷积神经网络。该模型由保尔沃特的数据专家开发，而 TMT 则负责定义和实施 Tapman 的规则。在这种情况下，DataXpert 不仅用于区分工作活动和责任，还用于数据标注。TMT 的流程专家在 BIXpert 中对数据进行标注，为数据科学家提供训练目标。该模型的输出是其他几个规则的输入，例如确定出铁口深度和关闭出铁口的推荐粘土质量的规则。
铁水温度预测
第三个机器学习应用实例来自 ProcessXpert。ProcessXpert 是 BFXpert 的一部分，为高炉工艺提供工艺信息和行动建议。作为 ProcessXpert 的可选附加功能，机器学习模型可以提前三小时预测铁水的温度。在出现不理想的温度曲线时，可利用该信息调整工艺。模型组合方法用于预测铁水温度。如前所述，模型集合中的模型在 RulesXpert 中进行部署、调用和组合。其中一些模型是使用 xgboost 和 randomForest 等库以 R 语言编写的，而另一些模型则是在 AIXpert 中训练的。在这里，DataXpert 通过组合和管理所有模型的执行来促进模型的部署和使用。
机器学习如何对此做出贡献？
机器学习使我们能够在数据丰富的决策领域得出更好的结论，帮助我们评估设备健康状况，并从实时传感器数据中检测复杂的异常情况。借助机器学习，我们可以预测设备故障，或至少提前几天评估故障发生的概率。它能发现导致故障的特征和传感器级因素。最后，它还能将海量数据缩减为特定数量的相关信息。最终，数据驱动的状态监测为学习型钢铁厂奠定了基础。通过实时洞察工厂的状态和流程缺陷以及预测机器故障，可以主动采取维护措施，重新安排生产并提高生产率。
结论
DataXpert 平台中的工具有助于开发和部署机器学习模型。DataXpert 的工作流程实现了责任分离，并可在低代码环境中调用机器学习模型。未来，RulesXpert 将以网络应用程序的形式推出，为来自不同背景的人员提供更便捷的访问途径，将他们的知识和模型整合到一个中心位置。此外，ModelManager 中还将集成 Git（一种流行的代码版本控制系统）选项，以便远程自动更新模型。
工厂的高可用性和最高产品质量是工厂运营的关键性能指标。近年来，人工智能和机器学习取得了长足进步，并在工业制造领域得到广泛应用，以实现这些目标。当工厂专有技术、工艺建模经验和现代数据科学巧妙地结合在一起时，钢厂的盈利能力就会显著提高。