中鋼如何用AI煉成智慧鋼廠

翁芊儒，組織、人才和技術5年布局， 中鋼如何用AI煉成智慧鋼廠，iThome，2021-03-04 

這一場變革，莫約從5年前開始推展。「我們展開數位轉型，是為了提升鋼鐵生產效率、降低成本、縮短交期，來提升產品競爭力。」中鋼技術部門代理副總經理鄭際昭，一句話點出轉型任務最重要的目的。...

不只如此，受到關稅與運輸成本影響，中鋼當前鋼鐵外銷的比例僅佔三成，有近7成的產品，銷往獲利更好的國內中下游業者，但伴隨而來的另一個問題，就是受限於較小的國內市場，必須滿足少量多樣的客製鋼種需求，「所以才會說，中鋼產品的性質是少量多樣，這是我們的宿命。」

面對中國鋼廠的競爭，以及少量多樣化產品造成的生產成本提升，「我們現在已經不能再拼量了，只有發展精緻鋼品來提高獲利，才有競爭生存的空間。」鄭際昭指出，中鋼要在有限的鋼鐵產量下，發展高技術含量、高獲利的產品，而非再走以量制價的路。

不過，打造精緻鋼品的前提，是製程能力的提升。為了持續優化製程，鄭際昭認為：「靠AI打造的智慧鋼廠，就是實現精緻鋼廠的關鍵一步。」這就是為何中鋼大手筆投資上億，也要不遺餘力發展AI，推動智慧製造的最大原因。

另一個原因，則是中鋼在面臨製程優化的壓力之餘，內部也進入退休潮，預計在未來十年內，將有數千名員工退休，規模超過目前員工人數的三分之一，換句話說，近半數經驗老到的技術人員，恐怕在幾年內相繼離職。如何將這些知識經驗傳承下來？不只要提前錄音錄影，將內隱知識數位化，中鋼也靠AI找出生產作業最佳化的解方。...

比如說，中鋼利用多年時間，逐步建立起開發AI應用所需的基礎架構環境，在感知層方面，強調建立資料傳輸的標準介面，來蒐集大量生產資料；在網路層，則是建置私有雲來整合生產資料，並執行連線的AI應用服務，在雲端統一管理AI，來取代過去在個別主機上部署與維運的做法；而在應用層，則是運用了大數據迴歸分析、最佳化應用求解，以及機器學習、深度學習的技術，依據應用特質選擇相應技術來開發。

鄭際昭指出，以高爐的運作情形來看，是從上方加入煉鋼原料，再從下方鼓進熱風，將鐵礦石高溫熔煉製成鐵水與爐渣，整個熔煉過程密閉且高達1,500度。在這個煉鐵反應器中，雖然能間接量測部分溫壓數值，但高爐內部還是個黑盒子，實際的熔融狀況、爐氣分佈、爐渣分佈，都難以量測，也就較難透過AI，精準預測生產狀況。

比如中鋼想發展一套爐熱預測模式，透過現在高爐的布料情形、鼓風溫壓，來預測未來鐵水溫度變化趨勢，若預測到爐熱可能降低，就能即時調整調生產參數來因應，「這是理想的情況。」鄭際昭表示，但礙於許多數據難以測量，AI預測的精準度仍是一大挑戰。

又或是將鐵水運送到轉爐，將鐵煉製成鋼時，生產過程中，鋼胚表面上可能產生缺陷，但生成表面缺陷的生產參數，可能包括過熱度、鋼液溫度跟凝固溫度差、澆鑄速度、冷卻速度、鑄粉狀況等，「如果能確實量測到這些參數，建一個AI模型不難，但問題就在於，很多生產數據是量測不到的。」鄭際昭舉例，比如在鑄模內的鑄粉分布狀況，就量不到，難以發展更精確的AI演算法。

中鋼一位AI工程師，綠能與系統整合研究發展處的研究員許朝詠，則將資料品質視為中鋼AI落地難題。他分享，鋼捲製造過程中，動輒處於900度以上的高溫中，處理過程也可能噴水冷卻，在影像資料的取得上，會有不夠清楚的問題。而且，在開發影像辨識模型時，也可能因工業環境不易控制，造成取得影像的品質差異大，比如在同樣位置不同時間點拍攝的影像，可能因光源不同，導致影像呈現不同效果。

不只如此，部分AI應用場景，也會受限於空間配置，無法擺下GPU伺服器、或高計算能力的設備，甚至連網路線都無法部建。這些情境，對於現場資料取得，或是AI實際部署上線，都會帶來一定程度的挑戰。...

除了高爐AI，其他廠區也開始競相應用AI來優化製程，比如熱浸鍍鋅廠，就運用兩大製造業典型AI應用，分別是AI製程調參與AI瑕疵檢測，前者用來預測不同參數組合下的鍍鋅膜厚變化，後者用來檢測鋼捲表面瑕疵，光是鍍鋅成本，就預估年省1,600萬，還能進一步提升產品品質。...

比如說，中鋼一次轉爐煉鋼的生產量就高達250公噸，當客戶訂購的鋼品數量過少，只需20噸的特定鋼品，由於製程有其生產條件限制，面對客戶的少量需求，中鋼難以滿足，否則多生產的230噸鋼品，囤積到最後就是回爐重造，無端增加生產成本。因此，過往的作法，會等湊到足量類似鋼品的訂單，才一次啟動煉製。

為了提高生產效益，中鋼開發了鋼種成分分析模型，找出不同鋼種之間共通的成分特性，將原先超過一萬類的鋼種數量簡化為較少種類，再針對不同客戶少量需求的訂單，找出能合併煉製的訂單組合，透過下游的製程參數微調，就能以一種可滿足所有訂單的鋼種，來交付生產，就能更快湊成一爐能煉製的量，來降低生產成本。

在決定接單前的冶金設計與製程模擬上，中鋼也用AI來縮短時程。一般來說，中鋼接到客戶詢單，需要先進行冶金設計、找出製程參數，試製生產後，才能判斷能否生產特定機械結構的鋼品。過去，通常得靠技術人員多年的經驗，確定冶金成分與製程條件搭配可行，才會回覆客戶能否接單。

然而，只靠經驗累積還不夠，從高達數萬筆的冶金設計與製程參數資料中，中鋼分析兩者對鋼品機械性質的影響，釐清錯綜複雜的生產關係，開發了鋼品冶金設計與製程動態調控AI輔助系統。現在客戶詢單時，就能透過找出鋼品機械性質條件相近者，逆向倒推所需的冶金設計與製程條件，來判斷生產參數並試製，更快回覆接單。

這項應用甚至能用於生產當下，若發現前段製程發生變異，恐導致鋼品品質改變，透過AI也能快速找出後段製程生產參數的調整方式，將鋼鐵機械性質補救回來，避免因造成生產時間、成本的增加，降低延遲交貨的風險。

翁芊儒，中鋼AI現場1：1千5百度高熱密閉生產環境如何監控？，iThome，2021-03-04 

由於高爐本身就像是一個黑盒子，為了掌握高爐的生產狀況，中鋼在高爐上裝設了多種感測器，就是要靠各種生產數據，一步步將盒子打開。

比如說，從高爐上方布料時，雖然是均勻旋轉布料，但實際布料情況還是會依據爐內氣流變化而改變，為了監控布料狀況並適時調整，中鋼在布料槽裝設了料面溫度儀與輪廓儀，來掌握布料形狀與高溫氣體的分布情形。在爐壁上，中鋼也裝測了溫度感測器，透過爐壁溫度變化頻率，來預測爐壁冷卻元件是否受侵蝕、內部是否結塊。

不只如此，為了預測爐熱變化，中鋼量測出鐵口的鐵水溫度變化，參考操作條件、鐵渣的化性分析，開發AI預測未來爐熱；也運用爐溫爐壓分布的異常數值，找出發生管道流異常的可能性。透過更即時發現異常並自動預警，就是要讓產線人員盡早發現問題，才能提前調整生產參數來因應。

而且，針對所有開發的生產數據監控與AI應用，中鋼開發了綜合爐況評分機制，能從原料分佈、氣流狀況、目前風量、鐵水產量、爐內溫度等生產狀況，為高爐當下的運行表現評分，讓產線人員可以更直覺、快速地的了解當前高爐爐況，「中鋼自己設定的目標，是要隨時大於89分以上，」許雍達說。...

這三大挑戰，讓中鋼在2019年底，率先在二號高爐場域，規劃建置AIoT智慧分析平臺，更找來研究部門、子公司中冠資訊共同研發，利用二號高爐在去年大修的期間，同步導入該場域。

這套AIoT平臺最主要的目的，是要將分散部署在不同電腦的AI應用，整合到同一個Ｗeb平臺中，讓員工只要以瀏覽器開啟入口網站，登入帳密，就能一站式管理高爐所有的生產資訊。

建置過程中，中鋼不只以Web介面重新設計AI應用儀表板，也將過去難以取得的生產數據整合到一個資料平臺，供技術人員更方便的分析取用資料，更建置了專屬AI應用的硬體資源，取代分散部署到電腦主機的方法。

 翁芊儒，中鋼AI現場2：如何靠微米級控制力年省成本千萬？，iThome，2021-03-04 

熱浸鍍鋅鋼捲，是中鋼的塗鍍產品中的其中一項，年產量約有87.5萬噸。中鋼軋鋼三廠第二熱浸鍍鋅課課長羅萬福就指出，每一批出產的鋼捲，都需根據中下游客戶需求，客製化調整鍍鋅膜厚，或是進行化成處理，在鋼捲表面進行鉻酸鹽、耐指紋處理等動作，來因應不同加工製品所需的特性。

比如說，部分高階電腦、伺服器的外殼，不會再進行烤漆，而是直接裸用鍍鋅後的鋼片，對這些廠商來說，就會要求鍍較薄的鋅層，才能維持產品表面品質美觀。相對來說，生產建材浪板的廠商，對鋼捲表面品質的要求就較低，而且考量到浪板恐架設在環境不佳的地方，反而要用越厚的鋅層，來製造高耐蝕性的產品。

由於不同客戶要求的鍍鋅模厚都不同（內行說法會用鍍鋅模重，以「公克／每平方公尺」來計），如何精準控制鋅層厚薄，就成為中鋼熱浸鍍鋅廠的一大挑戰。

中鋼技術部門代理副總經理鄭際昭指出，不同產品有不同規格的鍍鋅膜厚，若鍍的太多、高於客戶需求的厚度，由於鋅是高成本的原料之一，就會造成成本的浪費；若鍍鋅層不符合產品規格，又將導致客戶無法使用或加工後續問題，造成品質客訴。「如何控制的剛剛好，讓客戶審核過關，又能省成本，這是我們的目標。」...

鄭際昭解釋，要將鍍鋅厚度控制的恰如其分，並不容易，因為鍍鋅層厚薄的生產參數，包括氣刀開口大小、與鋼帶的距離、氣刀的氣壓、鋼帶厚度、鋼帶溫度、產線速度等多重變因，都會影響鍍鋅膜厚。

過去，這些複雜參數的調整，都靠老師傅的經驗來人工調參，羅萬福表示，由於不同老師傅之間又有不同的經驗法則，雖然留存了一本本抄滿生產參數的筆記，但後人看不懂也難以吸收，造成經驗傳承的斷層，「這對於面臨員工退休潮的中鋼來說，是很大的問題。」

而且，過去調整完參數後，需要等鋼帶經過100～200公尺的冷卻，才有辦法進行線上鋅層厚度量測，若量測當下發現鋅層過厚或過薄，回頭調整生產參數時，中間就已經多生產了上百公尺的鋼捲，換句話說，從參數調整到成品量測之間，存在冷卻的時間差，「中間多鍍的鋼帶，就會造成浪費。」鄭際昭說。

為了克服這兩大問題，中鋼約從2年前開始投入製程調參AI的研發，先自動化蒐集生產參數，累積上萬筆大數據資料後，建立了一個AI模型，來歸納在不同參數組合下，所造成的鍍鋅膜厚變化。

去年初上線這項應用後，將參數帶入AI模型中，就能即時預測出鍍鋅膜厚，雖然比不上直接量測的數據精準，但是，以此來即時修正生產參數，能避免冷卻期間造成的鋅層浪費，對於鍍鋅膜厚的控制，也比人為設定更準確。

羅萬福指出，傳統人工調參仍然有約20%會失準，但投入AI後，約只有3%結果失準，準確率達到97%左右，更能減少約4.5%的鋅層的浪費。換算下來，一年就能省下1,600萬元的成本，帶來上千萬元的效益。...

為此，中鋼導入了另一個同為製造業的典型AI應用，訓練出瑕疵檢測模型，透過影像辨識技術，在即時的鋼帶影像畫面中自動標記缺陷的位置、形狀、大小、嚴重程度，抓出缺陷後，再經由人工複查是否確實。換句話說，過去要由人工全檢所有鋼捲的查驗流程，現在能以AI自動辨識來取代，人工只需複查經AI標示出缺陷的鋼帶區域即可，不僅大幅省下查驗人力，更提升了缺陷識別的的準確率。

羅萬福指出：「過去用人工檢驗，會有一定的漏檢率，可能5%～10%，真的很難每一個缺陷都看到。」但在加入AI後，幾乎不再發生漏檢，瑕疵辨識準確率提升到95%以上，進一步提升了鋼捲品質。

人工查驗除了有漏檢的風險，更大的問題，則是在於沒有一套記錄的機制，將鋼帶表面的查驗記錄保存下來。

「以前遇到客戶說，在100公尺的地方有一個缺陷，你們怎麼沒看到？我們就只能認了，因為沒有記錄。」羅萬福指出，沒有記錄機制，就無法得知缺陷到底是發生在自家工廠，還是客戶的工廠中。

但現在，透過AI檢查鋼捲表面，自動標示出缺陷位置與種類後，將這些紀錄留存下來，未來遇到客戶反應類似情形，就能提供當初查驗留存的缺陷地圖（Defect Map），來證明工廠出貨時的品質無虞。

「所以我們不只是導入AI，還把整套記錄建立起來。」羅萬福說。

翁芊儒，中鋼AI現場3：數十噸鋼捲裝載一人就能搞定，iThome，2021-03-04 

要打造無人天車，就得想辦法幫天車裝上「眼睛」，中鋼試圖將人眼看到的操作資訊，透過電腦轉換為邏輯控制指令，再交由天車自動化判讀與執行。

剛開始，中鋼先在無人天車上裝設高解析度攝影機，將拍攝到的拖板車板臺二維影像，傳遞給板車駕駛員操作的人機介面中，由駕駛員在畫面上指示鋼捲儲放位置，再由控制電腦將儲放位置自動轉換為座標，拋送到天車指揮系統來吊運鋼捲。

但是，原先座標為二維座標，缺乏高度座標，無法有效指示天車指揮系統執行，也無法與天車使用的三維座標互相轉換。

為了克服這個問題，中鋼在高解析度的攝影機之外，加裝了一部三維掃描器，利用AI連結高解析影像與三維座標間的轉換，進而在二維影像上重建高度座標，完成電腦視覺技術的開發。

同時，也因為司機在操作人機介面時，可能會有不適應或抗拒的情形，中鋼也打造了一鍵裝車的功能，只要確認畫面上自動辨識的鋼捲儲放位置正確，按下確認，就能啟動天車自動作業。

在天車吊運的過程，中鋼運用了多種技術來達成吊運全自動化。除了使用機器視覺系統，來精準定位鋼捲儲位座標，中鋼也開發了各種智慧物流相關技術，比如將鋼捲吊運排程最佳化，並以AI算出最佳吊運路徑，以及建立了無人倉庫排隊優化系統，可以準確預測作業時間，讓駕駛能在合適時間前往倉庫，來執行裝卸任務。

同時，中鋼也分析數十萬顆鋼捲入庫出貨的過程，在倉儲管理系統中，建立了鋼捲最佳化儲位預測功能，讓每一顆鋼捲能在最少吊運次數與最短吊運距離之下，送達客戶端。

在吊運當下，中鋼更設計了多功能的智慧型吊夾，能辨識鋼捲身份、偵測鋼捲中心，精準取吊鋼捲；同時，也會啟動主動式安全防護機制，運用了深度學習技術，在天車吊運範圍內偵測人員移動，並能自動辨識、閃避障礙物。

達到吊運全自動化之後，中鋼也將無人天車系統，串連了物流與資訊流，省去更多人工操作與管理的流程。比如說，將天車串連物流資訊，就能得知隔日需出廠的鋼捲，並在前一晚自動理貨，先將鋼捲吊到接近車到的位置，來縮短隔日出貨時間。

又或是載貨司機到倉庫外報到時，只要刷一張ID卡，確認司機身分、車號後，串連倉儲管理系統就能得知這一趟任務資訊，自動預吊任務指定的鋼捲。