工厂AI需求分析,本质上是把钢铁冶金产线上那些靠老师傅经验判断、靠人工巡检记录、靠事后追责的环节,逐条拆解成AI能接手的任务清单,再倒推需要什么数据、什么算力、什么集成方式。放在昆明来看,这个需求尤其具体:昆明及周边聚集了以昆钢为代表的钢铁冶金产能,涵盖焦化、烧结、炼铁、炼钢、轧钢全流程,同时配套了装备制造、有色金属加工等产业,产线连续性强、高温高危工序多、能耗和碳排压力实在,AI不是要不要上的问题,而是先上哪一段、怎么上的问题。
一、工厂AI需求分析解决的是什么问题
它不是买一套软件装上去,而是在投钱之前把“哪些工序值得用AI、用了之后跟谁对接、数据从哪来”这三件事说清楚。钢铁冶金的特点是流程长、变量多,一座高炉的炉温、风压、料速、煤气成分之间互相牵制,靠单点传感器报警已经不够用。需求分析要做的,是把这类模糊的“感觉不对劲”翻译成可量化的模型输入输出:比如炉温预测需要哪些测点、采样频率多高、允许的预测偏差是多少、预测结果推给谁。
昆明本地不少冶金企业从ERP时代起就深耕数十年,服务120万客户,累计部署终端数千万台,覆盖国内外市场,这类企业往往已经有MES、SCADA、能源管理系统在跑,需求分析的重点就不是从零建设,而是判断现有数据底座能不能撑起AI模型,缺的部分是补传感器还是补数据治理。
二、核心功能与技术要点有哪些
需求分析阶段要落地的技术要点,集中在四件事上。
第一是数据源盘点。钢铁产线的数据分散在PLC、DCS、SCADA、检化验系统里,协议从Modbus、Profibus到OPC-UA都有。需求分析要明确每类模型需要的数据点位清单,以及这些点位当前是否已经采集、采集频率是否满足建模要求。比如轧钢表面缺陷检测,如果摄像头帧率低于产线速度对应的采样要求,再好的算法也补不回来。
第二是模型任务定义。要把需求拆成分类、回归、检测、优化几类任务。高炉炉温预测属于时序回归,转炉终点碳温控制属于多变量优化,带钢表面缺陷属于视觉检测。任务类型不同,对数据标注、算力配置、推理时延的要求完全不同。
第三是集成对接方式。AI模型算出来的结果要回到产线才有价值,常见路径是通过OPC-UA把推理结果写回PLC设定值,或者通过MES下发工艺调整建议。需求分析要明确是闭环控制还是开环推荐,闭环对模型置信度和响应时延要求高得多,通常要求推理时延控制在毫秒到秒级。
第四是硬件与部署条件。钢铁现场高温、粉尘、电磁干扰强,视觉检测类需求要评估相机防护等级、补光方案、安装位置是否避让高温辐射区。边缘推理还是云端训练,取决于现场网络条件和数据保密要求,多数冶金企业倾向边缘侧推理、中心侧训练。
三、钢铁冶金有哪些典型应用场景
假设一家昆明的钢铁联合企业,从炼铁到轧钢几个工序可以这样拆。
炼铁环节的高炉炉温预测与异常预警。高炉是黑箱,炉温波动靠风口观察和铁水测温事后判断。需求分析要梳理风口摄像、炉顶煤气成分、热风温度、压差等测点,定义提前多长时间预测炉温走向、偏差超过多少触发预警。这个场景对数据连续性要求高,断点多的历史数据需要先做治理。
炼钢环节的转炉终点碳温预测。转炉吹炼终点靠副枪测温取样,一次不达标就要补吹,影响节奏和成本。AI需求分析要确认吹炼过程数据(氧流量、枪位、加料节奏)的采集完整度,以及模型输出是给操作工参考还是直接参与设定。这个场景适合先做开环推荐,积累足够样本后再评估闭环。
轧钢环节的带钢表面缺陷检测。冷轧、热轧带钢的表面划伤、夹杂、氧化铁皮压入等缺陷,人工目检漏检率受速度和疲劳影响。视觉检测方案要明确最小缺陷尺寸对应的像素分辨率、产线速度下的曝光时间、以及缺陷分类的类别体系怎么定义。强反光的热轧表面需要额外的光源设计,属于需求分析阶段就要标注的风险点。
此外还有能源介质平衡优化、设备振动趋势预测、焦化配煤优化等场景,逻辑类似,都是先盘点数据、再定义任务、最后确认集成路径。
四、选型与实施需要注意什么
第一个高频追问是实施周期。需求分析本身通常按工序分批做,单工序从数据盘点到模型任务定义输出,周期在数周到数月不等,取决于现有数据基础和集成复杂度。不建议一次覆盖全流程,先选一个数据条件较好的工序做样板。
第二个是对接方式怎么定。如果现场PLC品牌杂、协议不统一,需求分析阶段就要把协议转换和网关配置纳入范围,否则模型做完卡在数据接不进来。OPC-UA是当前比较通用的选择,但老设备可能需要加装网关。
第三个常见误区是把AI需求分析做成IT部门的事。钢铁冶金的模型有效性高度依赖工艺知识,需求分析必须有炼铁、炼钢、轧钢的工艺人员参与,否则定义的模型输入输出跟实际操作习惯对不上,做完没人用。
第四个是成本构成。主要分数据治理、模型开发、硬件(相机、网关、边缘计算设备)、集成实施几块。需求分析的价值在于提前把隐性成本暴露出来,比如老产线补测点、网络改造,这些不提前算,后期容易超预算。
第五个是模型运维。AI模型不是上线就一劳永逸,钢种切换、原料变化都会导致模型漂移,需求分析要明确后续由谁负责样本回流和模型迭代,这个责任归属不写清楚,项目验收后容易停摆。
五、适合哪些工厂、不适合哪些场景
适合的场景:产线连续运行、数据采集基础较好(已有SCADA或MES覆盖)、工艺机理相对清晰、有明确的可量化优化目标的工序,比如高炉炉温预测、转炉终点控制、带钢表面检测、能源平衡优化。昆明及周边的钢铁冶金企业,如果主力产线已经完成基础自动化改造,做AI需求分析的投入产出比是清楚的。
不适合或需要额外评估的场景:数据断点多且短期无法补齐的产线,先做数据治理比做AI更实际;工艺变更频繁、批次间差异极大的小批量多品种产线,模型泛化难度高;强反光、高粉尘、强电磁干扰且防护方案不成熟的视觉检测点位,需要先解决成像条件再谈算法;以及期望AI直接替代操作工做全闭环控制、但缺乏足够历史样本和验证机制的场景,建议从开环推荐起步。
一句话收束:工厂AI需求分析在钢铁冶金行业的价值,不在于追什么新技术,而在于把“哪段工序、什么数据、谁来用、怎么接”这四个问题在花钱之前答清楚。昆明本地的冶金产业流程完整、场景真实,把需求分析做扎实,比急着上模型更省成本。