二，數字賦能傳統產業轉型升級的目的和意義

還以酒鋼宏興煉鐵為例。

鐵在鐵礦石中是以化合物（如氧化鐵）的形式存在。煉鐵的原理，是利用鐵及有害雜質硅的熔點不同，通過控制溫度和壓力，讓鐵的化合物還原形成液態的鐵水，有害雜質形成固態的爐渣，實現鐵與雜質的分離。

煉鐵操作中，將原料鐵礦石、焦炭和石灰石按一定比例分層加入高爐中，熱風吹入高爐，焦炭燃燒使溫度上升，并產生一氧化碳，一氧化碳與鐵礦石發生化學反應，鐵的化合物逐步被還原成液態的鐵水。石灰石與熔點很高的脈石（其主要成分是二氧化硅）反應，生成硅酸鈣浮于鐵水之上，形成爐渣。

脫硅以后，還需要進行脫硫脫磷處理。最后的鐵水：一般含鐵90％～95％，碳3％～4.5％，和少量的硅、錳、硫、磷等，含量都有嚴格的要求。硅、錳有一定的范圍，硫、磷越低越好。

進入轉爐煉鋼的鐵水，溫度一般不低1250度，而且要穩定，還要有穩定的化學成分。鐵水和廢鋼進入轉爐，進一步減少碳、硅、磷等雜質，可得各種成分的鋼。加入鉻、鎳等，可得更高性能的鋼。

所以，鐵冶煉的干凈程度，即生鐵中的含碳量以及其它雜質的含量，是鋼材質量和性能的決定性因素。

酒鋼宏興煉鐵廠對高爐的數字化改造，并沒有對于鐵水的內在質量（工藝量），即含碳量及硅、錳、硫、磷含量進行預測和控制。即使提前知道了爐溫和鐵水溫度，由于高爐內部多變量、時變、非線性因素，對于鐵水化學成分的控制，總有一種隔靴搔癢的感覺，用了很大勁，但撓不到關鍵點上，打蛇沒有打到七寸上。

那么如何破解這個難題？ iAnn工業人工神經網絡對于高爐這樣的系統，處理起來得心應手。

iAnn工業人工神經網絡，原理來源于人工神經網絡，借鑒人腦神經網絡處理信息的方法，包含多層神經元，神經元之間有可變權重連接。通過反復學習訓練，逐步調整改變神經元的連接權重，模擬輸入輸出之間的關系，具有自學習、自組織、自適應以及很強的非線性函數（數學模型）逼近能力。iAnn工業人工神經網絡也可以說是用數學模型模擬神經元的活動。

其最大的優勢，是不需要知道輸入輸出之間的確切關系，不需要大量的參數，只需要知道引起輸出變化的非恒定因素（輸入）。通過輸入和輸出數據就可辨識神經元的權重（相當于數學模型的系數）。與傳統的數據處理方法相比，iAnn可以很優秀地處理非線性數據系統，建立數學模型，實現預測和逼近控制。

高爐的輸入是鐵礦石等來料、熱風及外部能夠測量的數據，輸出即高爐出口的鐵水溫度、化學成分。輸入輸出都是可測量的（以前工業數字化的數據）。iAnn工業人工神經網絡通過輸入輸出辨識爐內的狀態量或工藝量，運用高等數學的函數關系，建立高爐的動態模型（數學模型）。

經過仿真訓練，由AI算法找到在冶煉周期內為約束條件下的最佳狀態量或工藝量（溫度或化學成分），成為參考模型。這樣就能控制高爐按照參考模型來運行。

通過數學模型的穩態和動態，進一步得到狀態觀測器（或工藝觀測器），來觀測高爐內部動態的狀態量或工藝量（溫度和鐵水化學成分）。

為了減少各環節的運行慣性，觀測器對鐵水溫度和化學成分的觀察值，反饋到全狀態反饋控制（或工藝控制器）實行積分控制，高爐出口的鐵水溫度和化學成分就能跟蹤參考模型的理想輸出，實現時時在線的閉環控制。由于參考模型不受來料、室溫、熱風等的影響，冶煉的鐵水溫度和化學成分也不受這些因素的影響。

在限定條件下，想要什么樣的結果，就設定什么樣的結果。并且不論在哪個高爐上，不論在哪個生產基地，不論在什么季節，鐵水的溫度和化學成分穩定性不變，實現“三個一致”：批批一致，處處一致，時時一致。

這樣的鐵水，什么樣的好鋼煉不出來。同時的道理，應用在煉鋼的轉爐上，什么高性能的鋼煉不出來，什么樣的特殊用途鋼煉不出來？產品結構就能實現跨越式提升，酒鋼宏興就不用再打價格戰，高端設備用鋼的企業會排著隊來，也可以出口高端鋼，揚眉吐氣走出國門。

這不正是數字賦能傳統產業轉型升級的目的和意義嗎？在高端產品、關鍵工藝、關鍵軟件上，不但能夠破解發達國家卡我們的脖子的問題，還能走上國際舞臺和發達國家競技。

iAnn工業神經網絡控制系統，不需要采集大量數據，夠用就好。設備在運行中，能夠實現動態平衡，各種資源和能源投入，不需要多，剛剛好就行。能夠最大程度降低成本和能源消耗，以及降低云平臺的租用費用和維護費用。

從iAnn工業人工神經網絡的角度來說，數據模型或者叫數字化模型，仍然是數據擬合，需要采集大量的數據，根據大量的數據擬合出比較合適的模型，來預測規律或趨勢，指導操作或決策。這樣的數據模型不能脫離原數據，耗電量大，數據存儲成本也高。并且數據模型用到別的高爐上，需要重新調整參數，以適應新的環境。

iAnn在產品質量提升的同時，伴隨著降低成本、降低能源消耗、提高生產效率。數據模型是在降本、降耗增效的同時，伴隨一定質量的提升，雖然都采用了模型控制，但是有本質區別。

在一定的約束條件下，降低成本和能源消耗是有天花板的，而產品質量的提升是無止境的，能夠不斷提高產品質量，才算真正實現了脫胎換骨。現代工業化的實質是“量的噴涌而出，質的不斷精進”。

以工信部發布的成熟度模型來衡量，鋼鐵行業數字化轉型起步早，但基本還在三級階段，也就是采集分享和分析階段，這是數據模型階段。用數學模型解決關鍵工序，對核心業務精準預測和優化，形成關鍵技術軟件，才是到了四級，這是一個從硬實力向軟實力的躍升。

（智能制造成熟度等級演進示意圖）

從上圖明確看到，從三級到四級，是重要的分水嶺，是從硬件到軟件的躍升，從裝備升級到知識產權的躍升，從信息化技術手段向數據挖掘的提升，從互聯網+技術向人工智能的提升，從采集外部數據向控制內部數據躍升，從數據采集共享到數據利用釋放價值的躍升，從數據模型向數學模型的提升，從提高管理效率生產效率向提高產品質量的躍升。

關于數據復用的判斷，2024年5月的第七屆數字中國建設峰會，以“釋放數據要素價值，發展新質生產力”為主題，發改委中國數據局發布了《全國數據資源調查報告（2023年）》，明確指出：數據資源管理和利用整體處于起步階段，表現在：

1，我國“互聯網+”的蓬勃發展，產生了海量的數據。2，數據加工能力不足導致大量數據價值被低估、難以挖掘復用；3，大模型、訓練工具等支撐能力不足，海量數據開發利用價值低于存儲成本。

iAnn工業人工神經網絡的應用，將會改善這樣的狀況，真正做到釋放數據要素價值，發展新質生產力。

中國智能制造，就是要通過發展新質生產力，趕上并超過發達國家的制造。比如鋼鐵行業，發達國家在高端鋼材的質量穩定性、性能一致性方面表現更優，其產品能夠滿足嚴苛的技術要求和質量標準，如高強度鋼、超高強度鋼、特殊合金鋼、精密合金等。這些高端鋼材在航空航天、汽車、高端裝備制造等領域應用廣泛。我國鋼鐵制造在這方面有很大差距。

國外在高端制造方面，依靠的是計算機編程語言，創建算法和邏輯來實現精細化控制，這是一種傳統的控制方法。iAnn工業人工神經網絡能夠讓機器具備智能和學習能力，特別是對于不能直接測量的數據，并且具有非線性、時變、多變量等復雜的系統，更具有優勢。這或許是我國在高端制造領域的一個突破口。

舉個例子：神五外罩的一個部件是國產的，冶金部老專家親自出馬，夜以繼日，用革命的精神，試錯的理論，終于達標。也有人說，單批生產，如果有工藝技術人員現場指導把關，什么樣的鋼都能生產出來，但是批量生產，就不行了。

如果在酒鋼宏興的計算機屏幕上，直接顯示鐵水或者鋼水的化學成分控制曲線，那是多么振奮人心！解決了化學成分的精準控制，實現了高端產品的批量生產。這將會成為鋼鐵產業新標準、新標桿。

卷煙工業企業的數字化轉型升級，其核心也是提升產品質量，生產效率和管理效率的提高是副產品。

相關新聞鏈接：

酒鋼的啟示：數字化轉型后上半年虧損9.7億元，卷煙工業企業如何借鑒（上）

酒鋼的啟示：數字化轉型后上半年虧損9.7億元，卷煙工業企業如何借鑒（下）