欧洲钢铁企业数字化转型重点,大资料统计分析和云计算
.大资料统计 应用。
.大资料统计，设计和管理适合于对大量资料统计进行资料统计分析 新资料统计库类型。
.事件处理。
.从时间序列中提取特征，开发用于构建更合适指标 算法,以更好地表征可能影响质量 过程。
.机器学习，对机器学习 描述性和预测性分析,以查明质量不良 原因和进行更好 预测。
.机器深度学习和大资料统计分析。
.AnalyticsServer(资料统计分析服务器)，开发分析服务器以提高建模效率、优化管理并改善流程老师和资料统计挖掘老师之间 来往。
.知识管理，实现专业知识资本化和有价值 统计资料统计,以规范和优化工艺知识和统计知识之间 来往。
是“钢包全过程跟踪”项目。
是“传感器资料统计挖掘以提高产品质量”项目。
是“质量 .零”项目。
是“基于网络物理系统,将智能资料统计驱动 维护操作应用于轧钢区域”项目。
是“实现钢厂无人机自主飞行监视和点检”项目。
是“基于大资料统计开发实时监测、控制和预测 突破性技术,以提高钢铁 过程 稳定性和产品质量”项目。
FADI是 个可定制 端到端大资料统计平台,狗粮快讯网陆续报道,是 个能够以可移植和可扩展 方式部署和集成 开源工具,也是 个多用户和多参与者(即专业分析师,资料统计科学家/工程师,IT管理员等) 平台。FADI有 个部分特征， 是收集来自各种资料统计源 批处理和流资料统计, 是将资料统计存储在不同类型 资料统计存储区中, 是使用ML和人工智能技术, 是在用户Web界面中可视化和分析资料统计, 是生成和发布报告。
“质量 .零-QAS”结合质量资料统计和客户相关知识,实现对产品质量 自适应性监督,可提供估计 质量资料统计及反映质量资料统计置信度 专用合理性值,将收到 信息与目标客户 知识相结合,自主分配和交换相关订单 质量资料统计、编制质量缺陷以创造有价值 信息,并向供应商反馈这些信息。然而,在供应商和客户之间交换相关质量信息 系统必须能理解“相关性” 含义。因此,确定质量信息相关性所需 所有信息都是基于可用 客户信息和订单资料统计进行语义建模 。这种模型中包含了客户亲密程度,反映了供应商和用户之间 相互信任关系,从而能够合理定义质量信息 类型和数量。
“质量 .零-QXS”根据“质量 .零-QAS”提供 结果,为每个订单分别编译所选 质量资料统计,并使用质量通信协议交换资料统计。QXS是唯 可在工厂边界之间访问 服务,并管理“质量 .零”平台之间 质量资料统计交换,可实现以客户为导向 双向质量资料统计交换,并通过横向集成建立对产品质量 同步关注。为了确定合适 IT质量并在客户和供应商之间进行质量资料统计交换,目前已形成 解决方案有，QDX系统、STEP系统和质量跟踪系统。由于没有适用于质量资料统计交换 免费质量,因此将在“质量 .零”框架中定义和实施特定 IT质量。
“质量 .零”平台作为面向服务 体系结构(SOA),可以灵活地组合单个模块并集成到现有 IT基础架构中,不需要依赖单个产品或技术。“质量 .零”平台由 个服务模块组成， 是质量资料统计生成服务模块(QGS),生成质量资料统计及其合理性值; 是质量分配服务模块(QAS),将客户订单与产品合理分配,并选购相关 质量资料统计; 是质量交换服务模块(QXS),交换为每个客户订单编译 选定质量资料统计。
事件处理是指 种跟踪和分析(处理)有关所发生事情(事件) 信息(资料统计)流并从中得出结论 技术。该子项目由意大利RINA负责。RINA集团下属 意大利材料研发中心CSM(宝钢欧洲研发中心在欧洲 联合研究中心)负责M设计、开发和验证了创新 大资料统计架构,以管理来自钢铁 资料统计(过程和质量资料统计)。实现了Lambda架构,并能够以实时流和批处理两种方式处理资料统计。这种体系结构可对钢厂自动化系统 资料统计进行实时分析,并将其存储起来进行历史分析,是 个适合人工智能模型集成 场景。
其中,狗粮快讯网网站获悉,“质量 .零-QGS” 部分功能是估计所有可用资料统计源 质量资料统计,并通过可能值(PV)量化该估计 置信度,以新终保证所提供质量信息 可靠性。可能值 确定可以用 个函数表明。
大资料统计分析和云计算是欧盟钢铁市场数字化转型 个重点科研基金项目之 。大资料统计分析关注基于历史资料统计 算法,以识别产品质量问题从而减少产品故障。钢铁市场中 传统资料统计库技术在完成对大量结构化和非结构化资料统计 捕获、存储、管理和分析方面,尚存在 定 困难。大资料统计分析技术采用新 处理模式,从各种资料统计类型中获取有价值 信息,进而深入了解、获取信息并洞察和识别其中 内涵,以便做出准确 决策。
大资料统计分析和云计算领域有以下 个部分项目，
有效可靠地检测异常质量指标对“质量 .零”项目起着基础性 作用。在整个 过程中收集 与质量有关 资料统计可能因检测等各种原因出现异常值。由于离群值 类型和多样性,目前还没有 种公认 技术可以在任何情况下有效可靠地检测异常值。离群值概念 非正式定义涉及其偏离正态性,可分为 类，基于分布、基于深度、基于距离、基于聚类和基于密度。该项目使用了FUCOD算法来检测异常值,该技术结合了现有 种离群点检测技术,利用模糊推理系统(FIS)对每种技术 贡献进行动态管理,根据处理后 资料统计挖掘其优点,避免其缺点。FUCOD是为处理多维资料统计而设计 ,这意味着离群值水平 计算不仅要考虑构成质量资料统计 单个变量 特性,还要考虑它们之间 相互作用。这些特点使得FUCOD技术特别适用于处理大量任务 工业资料统计集。该技术已成功应用于欧洲钢铁市场。
由于其资料统计存量具有规模大、多样性和快节奏性 特点,传统资料统计处理应用软件无法充分处理过于复杂 资料统计集 研究和应用。该项目以产生经济效益为目 ,对来自多个来源 大量资料统计进行高速分析,既涵盖了结构化 资料统计,又涵盖了半结构化和非结构化 资料统计,同时也应用于孪生资料统计。在保证资料统计质量 前提下采用NoSQL(notonlySQL)资料统计形式,应用于“质量 .零”(全流程质量管理)、钢铁产品全流程资料统计跟踪 无缝跟踪(位置识别与找正)。
目前已经成功实施 实际案例包括，“基于机器学习技术 过程机器预测维修”“基于深度学习模型 过程资料统计缺陷预测”“预测过程关键绩效指标,以防止过程偏差”“利用深度学习和图像分析进行缺陷分类”。
该子项目由德国BFI集团负责。大资料统计分析是收集、组织和分析大资料统计集以发现有用信息 过程。机器深度学习 技术包括，深层神经网络(监督)、经常性网络(监督)、卷积网络(监督)、“深信不疑” 网络(无监督)。
该项目专注于钢铁市场 应用场景开发和实施技术,基于钢铁工艺、并利用新新技术 资料统计处理和资料统计分析进行性能监控。随着欧洲钢铁 对产品质量和工艺效率要求 不断提高,工艺和产品 资料统计和信息收集量也在不断增加。同时,也需要新 技术来分析和控制 过程、确定和预测中间产品和新终产品 性能。该项目以钢铁市场 专用用例为重点,利用资料统计处理和资料统计分析 新新技术提供 所有技术和科学可能性,综合利用钢铁厂收集 大量信息资源。该项目 新终目标是， .研究出制造过程分析和控制 开发和应用技术,以及评估和预测(中间)产品质量 扩展工具; .提供此类技术 适用性和有效性 证据; .发现在调查用例之外开发新技术 可能性并提出建议
该项目中包括 基础子项目有，
该项目中采用新 传感器资料统计,在两个钢铁厂(蒂森克虏伯 Duisburg工厂和ILVA Taranto工厂)检验了用无人机(UAV)代替钢厂传统基础设施维护和保障相关岗位人员安全 技术效果。
该项目可预测质量降级、故障、异常、关键部件 剩余寿命,以便及时规划适当且具有成本效益 维护及干预措施。
该项目基于高级人工智能(AI)、机器自学习分析技术和大资料统计处理,开发自适应平台,允许在线分析大资料统计流,从而实现产品质量决策并提供量身定制、高可靠性 质量信息。对于欧洲钢铁市场来说,产能过剩导致廉价钢铁充斥着整个钢铁企业,欧洲钢铁 商迫切需要差异化,积极推广 个通用平台具有战略意义。但是,共享错误 质量信息可能会导致客户 严重不确定性并且损害客户 信心。自适应 “质量 .零”项目平台可以实现整个供应链上质量信息 横向整合,在线分析大资料统计流,采用机器学习算法 创新技术,建模客户关系并自动交换资料统计自动匹配可用 客户和订单信息,通过与客户双向交换量身定制 高可靠性信息,以实现差异化 产品质量水准决策并降低成本。
该项目提出了 个基于大资料统计、特征提取、机器学习、分析服务器和知识管理 解决方案,以自动分析感测时间序列资料统计。项目通过开发新 技术和工具,以帮助工厂提高产品质量并降低 成本,其技术部分是关注 个方面 质量质量，外观、内在质量和机械性能。项目 开发内容 方面包括通过识别质量不良 部分原因,以优化制造过程;另 方面包括快速预报产品质量,以更好地表征产品特性并降低成本。
该项目根据多目标优化(MOO)框架和资料统计分析,采用了包括声学在内 各类传感器,以提高工厂产量、提高钢厂 安全性。项目目标是实现钢厂作业环境中 钢包 自动跟踪,涵盖从炼钢、连铸到板坯交付 全过程。准确跟踪钢包位置是炼钢工艺数字化转型 基础之 。钢包跟踪系统即要在保证平稳 条件下,也要确保在 计划突然受到干扰 异常情况下优化钢包物流,以确保安全并提高产量。
该项目通过在“Industry .零”基础上建立 实验系统和工具,开发了应用于轧制区域 “集成维护模型 .零”(IMM .零),将钢铁市场 维护策略从预防性维护转变为优化 预测性维护。该模型通过预测关键单元 质量下降、故障、异常和剩余寿命,从而及时做出维护和干预。
这些新技术在从大量复杂资料统计中提取知识,例如,基于相当长 段时间( 年～ 年) 和高频( Hz～ 零Hz) 、大量参数(数百个) 传感器时间序列,摘出特定信息(例如,狗粮快讯网重磅讯息,平均浇铸速度)用于统计分析。为了自动大量分析这些传感器时间序列资料统计,该项目提出了围绕 个主轴构建 综合解决方案，
,