早在2017年，领先的人工智能（AI）科学家、谷歌大脑项目创始人吴恩达（Andrew Ng）就曾表示，“人工智能是新的生产力”，并在斯坦福商学院的一次采访中解释道，“就像一百年前的电力几乎改变了一切一样，今天我很难想象有哪个行业在未来几年内不会被人工智能所改变。”现在，短短六年后，人工智能已经为钢铁行业带来了革命性的变化，使制造商能够在要求不断提高的市场中占据优势。在这里，人工智能不是未来的承诺；他改变了今天的游戏规则。想象一下，在一家工厂里，机器自行诊断并自动安排维修——防止成本高昂的故障，最大限度地减少停机时间，并优化维护计划。这就是预测性维护，是人工智能的奇迹之一，它彻底改变了运营和生产力。在西马克集团，我们确定了具体的使用情况并在几个项目中成功地实施了该技术，这些项目凸显了此类应用的潜力。
防止出料口堵塞
炉中排出。传统的方法，比如工艺优化已经失败了，所以是时候启动一种新的方法了：在给定的客户用例下，出料口只持续了20到50次加热，而不是行业标准的100到150次。堵塞的出现，需要频繁地用氧气管进行穿刺，是导致过快故障的一个因素。
我们的目标是提高出料口的使用寿命，最大限度地减少切缝的需要。我们开发了一个预测分析系统，该系统可以评估高温期间出料口堵塞的风险，并能够进行根本原因的分析以确定影响因素。
该数据集由大约1,000个来自电炉的信号读数组成，跨越8,000个炉次，分辨率为每200毫秒。根据每次加热结束时是否存在堵塞，将炉次标记为“堵塞”或“畅通”。我们部署了机器学习模型，将出料口堵塞时间聚类为不同的部分，这些部分揭示了偏离规范的关键行为，这有可能造成堵塞。我们开发了一个预测模型，通过整合与每个环节相关的风险来量化出料口堵塞的风险。之后，我们使用可视化工具来突出显示与最高风险段相关的标记的行为。这有助于深入了解影响因素，并支持流程改进的决策制定。西马克集团的过程专家参与了整个模型的开发和验证过程，以利用输出成果并推动改进。对于我们的客户而言，我们能够将无瑕疵出钢利用率从80%左右提高到94%以上。
利用冷却板温度的预测分析优化电炉效率
电炉冷却板温度的上升率（RoR）是影响电炉性能和寿命的关键因素。它指的是在运行过程中炉板温度升高的速度。如果温度上升过快，可能会导致耐火衬里过早失效，并损坏炉板，导致计划外停机和维护成本增加。通常，特定的可编程逻辑控制器（PLC）可以防止面板过热。当触发相应的警报时，PLC能减少输入到熔炉的电能。尽管这一措施防止了面板RoR的增加，但由于必须延长通电时间（电能输入时间），它也会导致出钢时间（从开始熔化废料到出钢之间的持续时间）的增加。对于我们的特定用例，每炉钢平均约有一次RoR，致使能源成本显著提高。
我们的目标是减少熔炉的通电时间，从而提高产量和整体运营盈利能力。我们的数字化、自动化和工艺专家联合利用PLC产生的警报来检测侧壁温度升高情况，并将其与各种传感器输入相结合
基于这些数据，我们开发了一种机器学习分类器，可以在RoR出现前对其进行预测。为了实现这一点，我们开发了一个先进的预测分析系统，用于评估电炉面板温度的上升速度并检测潜在的故障风险。此外，该系统目的是通过识别影响异常升温速率模式的因素来促进根本原因分析。它提出了可操作的建议来防止这种情况的发生，目的是减少过长通电时间的炉次数量。
此外，我们还创建了可视化图表，重点关注可能导致RoR概率增加的特定区域。这使我们能够清楚地了解导致这些风险的因素，并帮助我们为电炉操作做出更好的决策。
该预测模型能够准确地预测RoR事件，具有较高的准确性，从而防止RoR事件的发生。总体来说，该案例表明，预测分析系统可以成功地减少RoR事件的数量，并提高熔炉的生产率。在下一个项目阶段，我们将从PLC逻辑中解耦训练模型，以便将模型从PLC逻辑中的变化中分离出来，从而保持给定的预测质量。