中国工程院院士、东北大学教授王国栋认为，钢铁全流程各工序均为“黑箱”，实时信息极度缺乏；物理与化学过程十分复杂，多相共存，多变量、强耦合、非线性和大滞后；钢铁工业各单元为孤岛式控制，尚未做到单元间界面无缝精准衔接……“作为大型复杂流程工业，巨大的不确定性是钢铁生产过程面临的重大挑战。”他说。
“在数字时代，钢铁行业最大的受益点就在于数字技术对“黑箱”问题的破解上。数据科学和数字技术将支撑钢铁行业解决‘黑箱’问题，钢铁行业利用数字驱动恰到好处、恰逢其时。”4月18日，第二届中国轧钢与轧辊新技术推进大会召开，王国栋出席会议并做主旨演讲。王国栋表示，钢铁行业数字化转型的需求极为强烈，特别是丰富的应用场景是钢铁行业数字化崛起的重要机遇。在报告中，他还介绍了钢铁产业优化升级的路径，同时，针对钢铁行业、制造业共同面对的“黑箱”问题做了深入分析。
数字时代来临，钢铁行业怎么办？
“工业互联网、云计算、大数据、人工智能等新一代信息技术快速发展和应用，正式宣告了数字时代的来临。”王国栋介绍，作为数字时代构建数字生产力、推动经济发展的新型生产要素，数据成为数字时代社会发展的重要驱动力，甚至成为全球新一轮产业竞争的制高点。
在此背景下，钢铁行业如何用好数字技术？王国栋认为，钢铁行业拥有数据资源优势，发达的自动化控制系统和研发设施，可以积累并提供海量实验数据，这些数据中蕴含企业生产过程的全部规律。“这是最宝贵的资源，是关键生产要素。”他说。
通过分享美国材料基因组计划、韩国浦项高炉运行五大状态变量数据深度学习、日本JFE智能钢厂建设、美国大河钢厂等案例，王国栋提出，数字技术将为钢铁行业带来超级智能的边缘计算机、绿色化工艺与装备研发创新、高效率及低成本产品创新、5G下全产业链协调管理优化运行等几大功能。
通过比较制造业与材料行业数字化转型路径的不同，王国栋提出，材料行业要发挥场景、数据资源、反馈循环对物料赋能的优势，走特色道路，采用数据/机器学习等数据分析方法，数据驱动，破解全流程“黑箱”难题，实现全流程信息物理系统化。
如何解决工业实践中的“黑箱”问题？
王国栋介绍，在工业时代，由于“黑箱”问题的严重不确定性，只能借助模拟仿真系统CAE/CAD系统，采用理论或经验模型计算，模拟解决。其间，虽然人们不断探寻各种方法解决“黑箱”问题，但均以失败告终。
“这表明，除了数据时代的数据/机器学习方法，任何其他时代的方法都对‘黑箱’问题束手无策。”王国栋强调。
那么，数字时代如何解决工业实践中的“黑箱”问题？王国栋提供了一种思路——数字孪生，即“黑箱”的高保真度建模。他解释道，数字孪生是一系列描述输入（操作变量、材料成分）与输出（组织、性能）之间关系的预测性模型，高保真度数字孪生建模是材料科学与技术研究的关键核心。利用数据/机器学习对“黑箱”问题进行高保真度建模，将有力提升钢铁行业的核心竞争力。
“此外，钢铁企业还可以构建创新基础设施。”他说道。何谓创新基础设施？即基于创新、协调、绿色、开放、共享发展理念，以技术创新为驱动、以信息网络为基础，面向高质量发展，为提高产业核心竞争力而打造的产业升级、融合、创新的基础设施体系。
对于钢铁企业而言，创新基础设施主要包括“一网”（5G工业互联网）、“三大平台”（底层实体设备平台、边缘数字化核心平台、资源配置与管理云平台、“四大功能”（绿色化转型、数字化转型、高质化发展、强链化运行）。
制造业解决“黑箱”问题的方法较落后
通过分析轧辊制造技术、高铁车轮与轮箍的生产工艺过程、齿轮制造过程、轴承制造工艺、全产业链协同一体式汽车结构件热冲压技术等案例，王国栋提出，制造技术的不断创新和进步，使得用钢产品的质量和生产效率都得到了显著提升，为金属加工行业发展做出了重要贡献。
基于此，王国栋提出，钢铁行业和制造业要携手并进，破解共同面对的“黑箱”问题。从制造业使用金属材料的工艺过程来看，“白箱”决定了产品外形尺寸精度，而“黑箱”决定了材料的组织和性能。“黑箱”与“白箱”有不同的评价标准，但都很重要。在制造业使用金属材料过程中，“白箱”与“黑箱”必然并存。
分别来看，“白箱”在制造业使用材料过程中，通常为冷机械加工（车、铣、刨、钻、镗、磨）外形、尺寸高精度加工。“白箱”问题并不引起内部材料组织与性能的变化。而“黑箱”通常为铸锻焊、成形加工、热处理等，不仅涉及材料的外形、尺寸的变化，还涉及材料内部组织和性能的变化。
王国栋强调，“黑箱”问题直接影响着产品内部的组织和性能，即与产品制造的最终质量、效率、成本、环境及后续使用性能等密切相关。目前，制造业“黑箱”问题的解决方法是通过工业时代的理论分析（计算机模拟）或经验，但这远远落后于时代。
“面向数字时代，我们必须把注意力转向‘黑箱’，把制造业实体经济与数字经济、数字技术结合起来。钢铁行业与制造业要携手并进、协同创新，共同攻克‘黑箱’问题，携手走向高质量发展。”王国栋说。
免责声明：tiegu发布的原创及转载内容，仅供客户参考，不作为决策建议。原创内容版权仅归tiegu所有，转载需取得tiegu书面授权，且tiegu保留对任何侵权行为和有悖原创内容原意的引用行为进行追究的权利。转载内容来源于网络，目的在于传递更多信息，方便学习交流，并不代表tiegu赞同其观点及对其真实性、完整性负责。如无意中侵犯了您的版权，敬请告之，核实后，将根据著作权人的要求，立即更正或者删除有关内容。申请授权及投诉，请联系tiegu（400-8533-369）处理。
