2010年代末，制造业工艺和技术开始走向智能化和数据交换，进而促进了人工智能在工业部门的更多应用。

伴随着自动化技术、实时数据收集和可视化等技术的发展，一种全新的数字孪生技术应运而生，借助真实世界的数据和分析、模拟或机器学习模型来收集信息，并作出生产和质量决策。数字孪生常用于回答假设问题，并提供直观的见解，同样通过模拟手段进行工艺设计和改善。在金属行业，数字孪生目前不仅可用于生产线，还可用于材料工艺路线的数据收集。

收获新知识

作为主要优点之一，数字孪生能够在机器学习模型的支持下从数据中获取新知识，此类模型是根据过程的历史数据和结果生成的，通过这种方式，不断被训练、验证，最终可以根据新数据输入来预测结果。

不过，传统的机器学习通常被认为是一个“黑箱”，并不可靠，尤其是对钢铁制造商而言，在工业应用上，“白箱”机器学习才是必需的，而且进展迅猛。在可解释的机器学习模型中，特征之间的相关性被识别、加权并呈现给用户，从而解释过程行为。在某些情况下，领域专家提出的假设可以得到验证和量化。在其他情况下，模型本身可能会提出新的依赖关系。透明的数据科学和领域知识之间的持续互动使得机器学习在钢铁行业的潜力无限。为了实现这一目标，机器学习需要成为工业领域的一种商品，在需要时可用，易于“消费”和部署。

新一代智能供应链

今后数字化钢铁生产管理将更多涉及调度员或堆场操作员等人类代理与智能代理之间的密切合作，这些代理是专注于一组特殊问题的小软件，它们可以作出独立的本地决策，并通过多代理系统（MAS）中的共同交流来通知人类代理或其他共同工作的智能代理来解决更大的问题，通过合并为业务流程工作流的一部分，并可以通过人工智能（AI）进行增强，以便检测其环境的变化，从决策的影响中学习并相应地调整其行为。

受益于“端到端”供应链大数据的实时可用性、计算能力、数字孪生和机器学习算法，由此具备构建智能供应链的所有要素。也就是说，整个供应链能够更快、更好地作出决定，供应链数字化的最大潜在好处就是减少决策延迟和应对流程中断。对任何供应链事件，人类决策者将具备即时可见性。在数字孪生和智能代理的支持下，将能够获得预测性和指令性服务，并有能力执行快速的假设情景标杆管理。通过这种方式，将根据关键绩效指标的优先顺序更快地做出决策。

最后，人工智能将使系统能够从事件中不断学习和自我改进，并捕获非线性和复杂的系统依赖关系，从而更好地了解缺陷、工艺偏差和根本原因。

智能工艺和产品的出现

在过去几年中，业内已经开发了单一解决方案，得以充分利用工业4.0在钢铁生产领域的潜力。

在熔炼车间，德国PSI金属公司开发的在线炉次调度程序（OHS）根据工作计划管理和优化炉次的详细工作计划，对所有必要的处理和运输步骤进行规划，并根据可用产能实时分配生产线和操作设备，从总体上概述了所有炉次的当前进展和计划进展。OHS总是确保向连铸机提供无缝衔接的炉次和序列，并在任何中断或故障的情况下做出反应。利用人工智能模型，PSI Qualicision人工智能技术也被集成于OHS之中，旨在通过智能数据收集、分析，同时平衡目标与标准冲突，进而优化工艺质量。

这种由OHS/PSI Qualicision提供的、基于人工智能的决策支持涉及三个简单的工作流程步骤，旨在优化工艺质量。其中包括输入的自动分析、约束和业务目标的建立、求解器的运行以及使用PSI Qualicision 人工智能对关键绩效指标进行分析和平衡，最后是基于PSI Qualicision人工智能情景管理支持的迭代、比较和炉次计划发布。

在质量控制中，预测算法用于评估目标特征在任何生产阶段的偏差风险，并为算法提供上游工艺现状，同时真实输入数据，而下游工艺的必要预期输入值使算法能够在任何阶段使用。如果对于超出范围的预测，将调用规定的算法，为每个工序提供最佳可能的下游参数，以便对已确定的偏差风险做出反应，并根据现有知识将材料生产推向可能的最佳结果，这是在每个选定的生产步骤之后系统地、动态地完成的。

对冷轧板卷在其生产路线接近尾声时可能出现的表面缺陷进行预测，是质量预测的典型案例。机器学习算法可以根据成品板卷的历史数据进行训练，并识别在板坯中产生亚表面缺陷，同时在钢卷上确认浇注条件。经过验证，该算法可以用来评估铸坯在下游工艺中出现缺陷的风险，它或许确实能够在板坯加工之前就预测出轧制后会出现哪种类型的缺陷以及缺陷的严重程度。

除了工艺之外，金属产品本身也在变得更加智能化。PSI金属公司的合作伙伴CoilDNA公司开发了一种赋予金属身份的技术，这项技术可以让用户追踪产品的履历，从而使其变成一种智能产品。

通过云通信，制造商可以为生产的母材申请唯一的DNA序列，并可以在生产过程中将该代码打印在材料的表面。所有与材料及其DNA代码相关的MES数据都从制造商发送回CoilDNA系统，被保存于专用的储存库中。通过沿材料长度方向打印DNA序列，可以检索到有关材料成分、制造商、母产品中的位置、性能或质量等相关生产参数，以及碳足迹数据等信息。通过移动设备上的专用应用程序，客户可以扫描任何薄钢板上打印的DNA，并从CoilDNA存储库检索到可用的信息。

扩展智能材料和工艺流程

为了抓住机遇，有效管理智能材料和工艺流程，生产管理系统还需要一些构建块的支撑。第一步是打破传统自动化水平金字塔。这种结构有两个主要限制：

1）交流：一般来说，一个级别只能与其上或下的级别进行交流；

2）数据抽象化和/或转换：这在从一个层传递到另一个层时发生，将数据限制到某些层，而不是其他层，这使得集成或连接需要不同级别数据的机器学习服务变得困难。

下一步是让生产管理系统提供开放的平台体系结构，以实现业务流程的灵活编排。具体来说，专用的工作流程管理服务应该支持定制和自适应的业务流程。这可能涉及来自不同业务领域的本地功能，例如质量控制或生产计划，但也可以集成外部系统和服务，例如基于机器学习的缺陷预测服务。这种面向服务的架构应进一步支持不同的数据库管理系统，并通过专业审计跟踪服务在相关情况下支持数据的复制和映射。

除了核心的高级生产调度和制造执行系统服务外，生产管理系统还需要提供最先进的嵌入式商业智能、用户界面配置、身份验证、授权和事件通知服务，该系统就是专属的金属服务平台。通过该平台，灵活的通信和数据集成支持以对等方式在已注册服务之间进行松散耦合。API集成层和专用适配器允许外部服务注册到平台，并集成于工作流程中。这种集成工具还允许无缝和直接连接使用不同层的数据的服务，其主要来自于传统自动化级别金字塔，从而避免由于层间抽象化和传输而可能发生的数据丢失。

金属生产管理系统赋能集成服务

作为现代生产管理系统（PMS）集成不同数字服务的案例，如果一块或多块板坯在质量、物流或生产方面出现问题，将取消相关板坯的生产计划，并检查剩余轧制顺序的可行性和质量。专业的工作流程管理服务可以根据需要设计和调整物流，例如，可以适时嵌入第三方缺陷预测服务，便于对新分配板坯进行质量检查。

交货期报价规划功能

在电子商务平台上，生产管理系统的许多功能都可以称为一项服务。使用买家的数据作为输入，基于规则的动态订单处理可以实时应答各种咨询。到期日报价计划功能随后可以根据订单处理的详细说明来预估交货日期，并且在购买后，可以通过调用质量管理服务来检索所有的材料数据。为此，电子商务平台需要安全地连接到生产管理服务系统。

在关键绩效指标驱动的生产管理系统中，可能需要在质量、产量、库存或交货期等传统关键绩效指标与高效用能和减少二氧化碳排放等新的关键绩效指标之间取得平衡。这样不仅可以确定最好的情景，而且任何决定对可持续性的影响都将变得清晰，从而使钢铁生产能够持续下去。

综上所述，正在进行的数字化转型将使钢铁材料本身和生产流程更智能、更环保。