SCI论文（www.lunwensci.com）
北京首钢股份有限公司(以下简称“首钢股份”)是首钢集团所属的境内上市公司，是首钢集团主动融入京津冀协同发展，实施战略性结构调整建设的新一代绿色钢铁企业，具有国际一流的装备和工艺水平，是国内重要的汽车板、电工钢、镀锡板、家电板等高端板材基地。汽车板市场占有率全国第二，电工钢生产规模跃居全国第二，取向电工钢0.20mm及以下超薄规格产品市场国内占有率超过70%，连续3年国内市场占有率第一，广泛应用在乌东德、白鹤滩等国家重点项目。
首钢股份发挥“一院多中心”研发体系优势，构建完善协同开放的科技创新体系。6项产品实现全球首发，29项产品国内首发，EVI产品产量占比商品材总量12%。“十三五”期间，通过国家高新技术企业认证，获得授权发明专利530件，51项成果获得行业及省级以上科技奖，获“北京市知识产权示范单位”称号，入选工信部“绿色工厂”，迁钢成为全国首家、钢铁行业唯一通过全工序超低排放评估验收的企业，助推钢铁行业绿色发展。
一、“以数赋智”大数据应用助推企业智能决策管理的实施背景
(一)当前国内钢铁企业生产发展环境下客观的需要
我国制造业增加值占GDP比重从2011年起不断下降，到2020年，已降至26.18%，2021年制造业增加值占GDP比重27.4%，略有回升。但随之而来的自然灾害、新冠肺炎疫情和国际贸易争端对制造业供应链的影响巨大，原材料的价格波动剧烈，以及企业数字化、自动化的程度低等问题都使制造业面临严峻的挑战。
面对如此市场环境，我国钢铁企业作为国民经济的基础产业，除采取稳步发展的战略外，需加速推进数字化转型和智能制造，提高供应链韧性，强化供应链协同，以此积极而有效地应对经济下行趋势。在此基础上，随之技术的成熟、数据的积累，钢铁企业的数据时代来临，以大数据应用助推企业智能决策管理为基础，可以加速重构生产和价值网络，实现钢铁企业数字化转型升级。
(二)快速响应市场变化提高制造+服务能力的需要
《中国制造2025》为我国建设高端化、智能化、绿色化、服务化制造强国的总体导向，其突出特点为“深度融合”，关键核心在于“创新驱动、智能转型”。随着近几年制造业与服务业的深入融合，全球经济范围内的制造型出现新的模式，制造业在生产组织形式、运营管理方式和商业发展模式上也发生翻天覆地的变化。单纯的流程化管理不再适应瞬息万变和复杂的业务现状、竞争格局以及个性化需求，探索数据信息成为发现变化、预测变化的唯一解决办法，形成一种全面感知、收集、分析、共享的人机物协同制造管理模式，利用建模拓展业务洞察力，挖掘出有价值的信息、知识，为管理者及时掌握相关生产状态信息和定性定量地分析企业运转过程中的各项技术经济指标提供可靠的依据，从而提升企业对市场的应变能力，提高企业的综合竞争能力。
近年来，首钢股份陆续实施了“智能工厂”“产销一体化”等项目，完成企业级生产、质量、设备、能源、物流、财务等各个专业数据在大数据平台的集成共享，实现横向从一个工序到多个工序，从一条产线到多条产线，从一个基地到多个基地，从首钢内部到上下游产业链,纵向从各生产单元管理人员到专业管理再到企业高管的无缝对接。实现了以流程化的管理为基础的企业运营模式，该模式提高了企业的管理效率，促进规模化生产，也为大数据应用助推企业智能决策管理奠定了基础。
二、“以数赋智”大数据应用助推企业智能决策管理的内涵和主要做法
为进一步深化“产销一体化”“智能工厂”数据应用，加快首钢股份从“业务流程驱动”向“数据化驱动”转型。2020年首钢股份初步建立数据人才体系、数据治理体系、数据应用体系三大体系，从各专业业务痛点、难点出发，围绕效率提升、预测应用、知识积累三个目标，开展业务决策模型开发及应用。
在人才培养方面，随着数字化转型探索与实践，急需既懂业务又懂技术的复合型人才的培养，因此通过联合业务、技术、信息化部门，组建协同创新团队，共同挖掘数据内在价值，实现数据有效应用。
在数据质量方面，不仅仅做数据的“搬运”，更是以数据治理保证作为数据管控的目标，从数据标准检验、数据质量监控及管控流程固化三方面开展工作，整体提高数据治理以及关键信息利用效率，为用户带来高质量的数据服务。
在数据应用方面，通过数据挖掘技术和人工智能技术的集成应用，针对生产流程和经营决策过程，开发覆盖全业务流程的采购供应链优化模型、产品及客户营销价值评价模型、制造效率及质量提升模型，深度挖掘生产经营数据，有效提升业务决策效率和准确性(见图1)。
(一)构建高效项目推进体系，发挥资源互补促进协同创新
1.组建协同创新团队，助力企业数据应用
在数字化转型发展过程中数据应用人才是项目顺利推进的关键保障。然而在当前形势下，企业员工的两极分化日趋严重：业务人员关注业务管理，用丰富的经验进行决策,技术开发人员不懂业务过程，单纯从数据本身出发，难以寻找业务落脚点。此外，固有的项目推进模式存在技术壁垒、业务壁垒,业务人员应用数据意识淡薄,业务效果推进的持续性差等。
为发挥资源互补优势，加速创新人才培养，提高业务人员与信息化管理人员以及技术开发人员的协同创新能力，助推产品研发、工艺技术、制造管控能力进一步提升，由信息化管理单位、业务管控单位、技术开发单位联合组建协同创新团队，共同开展的创新攻关项目，以达到IT语言与业务语言更好地转化,业务人员主动并善于发现问题,以及模型迭代优化输出等目标，更深入挖掘企业数据价值(见图2)。
2.建立项目全生命周期评价标准，辅助成果迭代推进
为了持续挖掘项目价值，发挥价值最大化，建立全生命周期的统一的评价标准体系，更好地推进结果的落地。大数据应用助推企业智能决策管理在项目的前、中、后期均设置有效的评价标准。项目初始阶段根据各模型预计效果设定相应的指标，同时明确模型应用带来的管理及经济效益，从而保证项目实施的重要性。项目中期的评价是针对已开发模型进行中期汇报评价，及时调整模型研究方向，为业务决策提供指导，有效保证项目实施思路与初始设定不偏移,项目的后评价是在模型上线应用后，对模型的实施过程、结果及影响进行调查研究和全面系统回顾，与项目初始确定的目标以及技术、经济、指标等进行对比，找出差别和变化，分析原因提出对策和建议，并研发应用评价分析模型，持续对模型进行迭代优化。
(二)搭建数据治理体系标准，提供高质量数据服务
搭建数据治理体系，解决各业务数据存在的准确性、完整性、一致性、有效性等数据质量问题，提升基础数据的质量，降低数据管理的成本，规划、构建数据标准化管理体系，建立数据管理架构、管理组织、管理流程、管理制度，强化数据精细化管理，打通数据从采集、管理到利用的价值链。
1.建立数据标准校验，规范数据源头操作
逐步梳理数据资产，结合元数据属性，规范数据标准，同时在数据源操作上研发辅助纠错、去重等校验规范，从而降低数据源头错误风险，降低管理成本。
例如，排查采购重复物料。采购物料数据量庞大且存在数据填写不规范、存在重码等问题，易引起同一物料重复采购、增加库存成本，不便于备件联储推荐。因此，建立采购物料代码管理模型，首先，完成期初物料数据纠察，完善空值字段及不规范的定义，完成超过1万项物料数据治理,其次，完成物料查重后管控，对9千多物料进行查重推荐，并进行了去重和非重复标记,最后，规范录入标准，并建立校验机制，对于不标准和异常数据拒绝录入，大大降低了重复、冗余库存，降低采购成本的同时，也为多基地备件联储管理奠定基础。
2.建立数据质量监控体系，实现业务事件提前预判
建立数据质量监控体系，综合数据汇聚、存储、计算、建模等技术，梳理业务数据血缘链路关系，并结合业务流程及事件触发设定时间监控序列，提前预判异常事件。同时对企业产品生产过程控制进行描述、诊断、预测、决策，实现“一键式”原因定位、精准预测与异常情况快速反馈推送。
例如，在质保书预判方面，通过数据通道监控实施，将质保书核验提前，并监控质保书生成通道，分析质保书的生成过程，预防客户因无法打印质保书而产生抱怨。降低质保书异常事件70%，通过率达到99.95%。
再如，在质量在线判定流程方面，基础数据跨二级、PES、产销多级系统容易丢失，建立数据监控通道，提前预判数据丢失，并定位数据丢失点，及时处理未判定的板坯，缩短判定异常原因定位时间，并做到提前预警，同时具备责任归户、自动统计功能，辅助数据质量提升，保障正常的生产节奏。整体首次异常判定率降至0.25%，最低月份可至0.05%。
3.固化业务数据稽查机制，辅助业务管控高效运行
第一，增设代码委员会，并作为首钢股份代码管理的领导和决策机构，其主任由分管领导担任，副主任由各单位业务领导担任，委员由各单位信息系统代码管理人员组成。同时严格规范代码变更流程，在ITOM实现代码变更交互审批功能，实现代码的共同管理，保证代码变更的规范性。
第二，搭建代码稽查平台。首钢股份智能化应用部每年组织两次业务代码全面清查。2020年上半年，线下核对代码1027项，核算数据量大且人为效率低。因此根据数据治理质量稽查需要，结合数据质量稽查规则，开发数据稽查工具，统一由代码委员会排布代码稽查计划，定期执行稽查任务，自动推送异常结果，督促问题改进(见图3)。截至2021年底，对制造、销售、工程、采购、设备、物流、成本等13个系统的9个稽查项，共稽查出跨系统业务代码缺失和不一致数据23.1万条。优化改善主数据分发、接收不一致问题,解决销售、制造、PES等系统基础码值类代码缺失和不一致问题，并通过闭环自动整改，大大降低质量损失。
第三，颁布首钢股份代码管理办法，通过首钢IT运营管理平台固化代码新增、变更等流程，严格审批，并将其纳入日常运维工作，做到严格把控。此外，制定年度数据治理计划，对日常运维事件中的共性问题及常态化数据质量提升工作进行整体规划，由业务、技术、信息化人员共同发现、治理，保证数据的准确性。
(三)构建智能决策模型，由数据决策代替经验决策管理
生产经营决策因素纵横交错，决策者仅凭直观经验难以做出最优的决策。首钢股份在高质量数据服务的基础上，转换思维，带动管理从“业务驱动”向“数据驱动”转变，运用数学工具，坚持问题导向的原则，首先，在关键业务环节的基础上，使用数据分析工具，通过实际数据聚焦业务问题,其次，选择合适的建模方法构建决策模型，辅助业务快速、精准决策,最后，推广应用建模方法，以点-线-面方式，形成全流程全业务链的智能决策模型。
1.搭建制造效率与质量提升智能决策模型，提升生产效率与降本能力
围绕制造效率与质量提升，形成一套贯穿生产管控、质量管控、降本增效到质量改善全工序全流程的业务决策模型，以数据支撑全面且持续的生产管理，体现了企业的“服务能力+数字化能力+制造能力”，实现数字化赋能生产管控提升(见图4)。
(1)构建生产经营管控模型，提高生产组织效率
一是构建物料标准化周期大数据模型，通过物料数据数字化、物料流程线上化、物料规则结构化三项统筹规划，实现物料流转状态化、时间轴数字化、超期推异、模块预警、准发预测以及引入原料产量比、成品产量比等指标革新，极大缩短问题物料排查时间，实现库存管理超前预测、迅速响应，避免出现问题物料滞留的情况，以实现库存的精准控制，增大可周转库存量。准发预测功能，实现物料模型与准发计划相结合，实现物料下线即可参与物料发运计划的编制，优化汽车、火车装载方案，缩短请车等待时间，进一步降低库存，减少库存资金占用。
二是加快合同处理效率，缩短生产时间间隔。有效评价合同处理的及时性和稳定性，是对工艺设计合理性和工艺制定人员工作能力分析的有效手段，通过建立准确、全面的合同处理评价机制，量化合同从释放到合同主制程已确认状态的间隔时间，合同自动处理比例，评价各类产品合同处理时效性。通过对三对一即质量内设计控制能力稳健性进行评价，包括性能、表面、板形合格率等指标按照产品大类、牌号、客户等多个维度量化评价质量内外设计匹配的稳健性。同时对出钢标记进行归类，推荐较高的出钢标记替换较低的，辅助减少出钢标记数量，减少短浇次，降低生产成本(见图5)。
(2)挖掘数据应用价值，降低生产经营成本
一是细化测算投料率系数，精准控制投料成本。产销系统中的投料率系数，直接决定了板坯备坯总量，原有系数只根据合同流向设置，管理不够细化，尤其酸洗品种，不同厚度规格，成材率差异较大。搭建投料测算模型，利用历史数据，按照分品种和分规格的维度，精确测算每个牌号的投料率，自动维护到系统，并定期测算更新。新的投料率应用以来，酸洗原料带出比例降低近50%。
二是研发智能余材充当，降低库存资金占用。由于首钢股份自身产线多，轧制工序的计划排程涉及上千块/卷物料、合同上千条，数据量大且规格分散，面向订单生产不可避免地造成余材量多。人工进行物料与合同匹配，不但工作量大，且难以实现多目标库存优化，作业计划不合理将严重影响生产效率及半成品库存占用。为了优化库存结构，减少现货发生，研发余材充当模型对板坯、钢卷、钢板等物料进行合理利用及调配，考虑物料各属性与合同严格的多维匹配要求，同时结合匹配切损量、合同完整性、合同余材量、以优充次成本、重点合同按时交货等多个管理目标要求，优化物料与合同的配置关系，以提高充当的全局合理性，从而提高资源利用率、客户满意度，降低生产成本。系统上线运行后，钢坯、钢卷和钢板的充当比例显著提升，其中钢坯提升25%，钢卷提升2%，钢板提升3%，同时减少了现货带出量约1万吨/月，降低了物料配置时间，大大提升了工作效率，工作时间由1小时/次降至5分钟/次，降幅73%，节省了人员成本。
三是开发带出品管控模型，全流程降低现货发生。带出品的产生涉及从合同接收到产品发货的全过程，涉及的环节多，对造成带出原因的识别依靠人工，需要手工分析全工序履历，对缺陷和余材原因等产生的先后顺序等进行识别，难度系数较高。为提升带出品识别效率，快速定位带出品产生原因，设计实现现货管控模型。带出品管控模型整合炼钢、热轧、冷轧、智新电磁的全流程生产和质量数据。在制造管理系统中建立以物料为主键的主要缺陷、余材原因、封锁原因等字段，对板坯和钢卷的计划、质检、评审和摘挂单过程进行追溯分析，从浇次、轧制单元、出钢标记、合同牌号等维度，对物料在整个生产过程中的情况进行跟踪，针对带出原因进行攻关，带出原因自动判定准确率达98.15%，为精准投料、排程优化、过渡材使用优化、按照出钢标记管控合同提供基础数据支撑，实现了从结果分析到过程管控，再到业务优化的全过程，为质量降损有效赋能。据统计，全口径带出品率降低0.18%。
(3)建立一贯制质量管控模型，提升质量管控能力
一是深挖性能波动因素，提升性能稳定性。产品性能控制的稳定性受产品的设计，炼钢工序的成分控制，热轧及冷轧各工序的工艺点控制等多种因素影响，数据跨越产销制造系统、离线分析系统、决策支持等系统。性能风险管控模型实现了各系统数据集中共享，将各模块与性能相关数据进行串联，对数据进行清理分析，最终获取性能控制情况，实现产线性能控制异常点一键分析。通过计算CPK、CP等过程能力指标及过程能力图展示性能的控制水平稳定性，辅助质量工程师借助模型分析查找原因，同时优化质量设计过程。模型多维度统计2分钟之内完成性能稳定性分析，并按照不同品种负责人及时推送异常情况。
二是识别表面缺陷，自动标注、分类缺陷。板带钢产品的表面质量是最重要的评价指标之一，板带钢表面夹杂物、氧化皮、孔洞等缺陷不仅影响产品的外观质量，而且还会降低产品的抗腐蚀性、耐磨性和其他强度性能。目前，我国大多数钢铁企业采用闪频光检测、基于CCD成像检测等表检系统，但表面缺陷识别的准确率均不高，检出率和分类率约为80%，因此，亟待实现高精度表面识别及在线表面判定。表面缺陷识别技术模型利用高效的数据采集技术、精准的数据标注技术、人工智能卷积神经网络(FCN)、缺陷特征提取、依据配置规则的缺陷合并、依据规则的缺陷分级，实现板带钢表面缺陷识别及在线判定，提高缺陷整体的识别率。当自动分类效果与实际有偏差时，或者自动分类效果需要调整时，利用专家宏规则进行缺陷的判定与分类，实现对表检仪分类结果的再次校正。目前该识别技术有效应用于热轧工艺汽车外板识别，有效率达95%以上。
三是追溯表面缺陷传递，挖掘工序遗传因素。引入知识图谱技术，搭建质量处置智能决策知识库，将迁顺产线热轧、平整、酸轧、连退、镀锌等全流程各工序表检信息集成，通过传统规则设定和大数据模型计算两种方式，对带钢厚度检测、表面缺陷分布、工序平移、规格变化、开卷次数、翻面次数等各种与质量相关信息进行综合处理运算，为质量成因形成网状的属性关系，快速定位并自动给出前后工序缺陷对应位置和最佳匹配缺陷，实现缺陷的一贯制快速反查。为快速应答客户质量抱怨诉求、快速追溯抱怨或异议成因分析、产品控制的稳定性以及优化工艺控制提供支撑，实现质量的闭环管控，提升“制造+服务”能力。
四是辅助质量缺陷评审，精准决策处置方式。面向质量缺陷处置环节，利用物料规格、订单要求、尺寸、性能、表面类综合判定结果等数据进行多维度的综合分析及推理。引用时空转换技术、关联分析及预测算法，挖掘曲线特征值和钢种大、中、小类、厚度、宽度规格的评审结果对应关系，考虑物料质量异常部位、分切后产品的完整性、设备计长误差、工序位置平移、表面缺陷、外观缺陷、性能缺陷、分切后订单的兑现等诸多因素，智能给出缺陷处置指令，为热轧精整、重卷等工序智能分切提供支撑，减轻各生产环节产生的质量缺陷对成品的影响。
2.搭建产品及营销供应链动态业务决策模型，提高市场响应能力及客户服务能力
聚合销售职能，以客户为中心，搭建产品及营销供应链业务决策模型，实现对客户的需求和订单全生命周期的跟踪与管理，以及跑赢市场测算。通过模型决策，快速满足客户需要的产品和服务，影响客户价值链从而提高客户感知，为客户创造价值，实现企业自身价值链和客户价值链的双赢(见图6)。
(1)产品智能评价与推荐，提升客服服务能力
为充分了解用户需求，更好地为用户提供服务，制定一套完整的客户需求评价标准，作为评判依据。产品规范码优化及选材推荐模型，基于产销一体化经营决策大数据平台，建立跨基地统一分析和评价标准，集成两个基地的物料实绩、成分、合同、质量异议以及实绩检化验数据。以产品规范码、最终用户码、最终用途码为维度，将数据应用融入管理与决策，形成订单风险识别、质量能力、产品规范智能评价三大主题模型，应用于公差能力制定、询单响应、选材推荐、供货能力分析等业务场景。实现从售前、售中、售后全流程跟踪分析，自动给出外设计等级及评价，支撑技术评审自动应答、辅助营销人员用户选材、标准＋α协议签订等内容，提高用户需求识别效率和准确性。
(2)多渠道现货智能分配，实现销售利润最大化
现货分配以营销中心业务人员手工统计为主，整理市场价格、运费、已分配量、结算量、在途量、当前库存等数据，按照分配比例总量手工进行现货分配，存在人为主观性、缺乏科学依据的问题，同时过程效率极低。
构建现货分配模型，实时掌控市场动态Mysteel价格，欧冶平台的历史成交量、价、周期，分析历史成交价格趋势，预计各地区现货价格走势,同时搭配标准成本与运输标准周期及众多人工调整因素，按最大利润计算出分基地、品种、牌号现货的最佳分配策略，将运算结果推送给业务系统指导流向分配操作。综合考虑各种复杂因子限制条件，实现迁钢、顺义、京唐三个基地中，制造申报现货的利润最大化(见图8)。
纠正75条订单三码选用错误，降低损失21万,分析月订单时，由原来的2小时提升至10分钟内完成，同时三码分析处置缩短到1分钟以内，工作效率大幅提升,根据客户的特殊需求，可快速按照车型、零部件、客户等多维度进行性能稳定性分析工作，支撑产线能力拓展额外承接订单2.5万吨(见图7)。
通过智能分配，分配时间由5小时缩短至30分钟，分配前统计及分配后评价由2天缩形短至1小时，整体效率提升93%，上海、广州、山东、天津各分中心跑赢成交时净价提升平均100元/吨钢。
(3)建立产品认证模型，有效管控认证过程
2020年前认证项目的转化率和转化量完全靠人工确认和统计，认证项目的履历情况未成规范的知识库，只能靠品种工程师和销售业务员口口相传。以酸洗为例：有4个品种工程师，每个月花50%以上的时间来跟踪和评价认证的转化等，工作效率极低且人为因素影响很高。搭建认证模型，建立认证知识库、认证的转化情况评价与跟踪，多维度的认证评价，提高认证计划的兑现率，便于快速地进行市场的切换和开拓,将认证工作由线外转为线内，解脱全流程人工系统外参与的劳动强度,增加高端客户、高端市场对首钢产品的认可。
(4)一键式质量异议，提高客服响应速度
质量异议应答速度，是体现客户服务的关键衡量标准。客户发生质量异议后，客户要求尽快提供分析反查整改报告。钢铁产品流程长，质量异议可能发生在各个工序的工艺控制，受到工艺特点的限制，需要上下游基地人员进行全流程生产分析和汇总，消耗资源精力大，信息反馈滞后。另外不同客户对异议分析报告的模板要求不同，对分析人的能力要求高，而且不同分析人出具的报告水平和模板不同，造成报告不标准不规范不统一，无法达到客户满意。
首钢股份研发了一键式质量异议模块，将各工序的工艺数据有效集成，根据产品工程师日常工作中的使用率，针对不同最终用户，不同质量异议类型，根据用户提供规则，可快速、全面的一键导出定制质量异议报告，第一时间答复提出质量异议的用户(见图9)。
(5)运输自动配载模型，提高物流发运效率
自动配载模型是对铁运出厂计划、铁运车辆配载以及铁运现场装车组织过程的信息可视化，优化铁运计划的编制，实现铁运配载的自动生成管理。根据装载方案中的规格限制、批车结果、铁运可发资源的材料规格等信息，自动材料在车皮上的装载位置、材料和车皮的匹配关系，提高满载值。结合库内库存的铁运发运流向，对轧线下线钢卷进行提前火运备料的准备，根据流向和各跨对车的发运流向对下线钢卷进行垛位码放优化，减少铁运装车组织过程中的过跨、倒垛业务，提高装运过程的效率(见图10)。
3.搭建设备精益化管理提升智能决策模型，提高设备全生命周期管控能力
通过搭建模型实现设备全生命周期管控，实现设备的精益化管控，提升设备稳定运行。通过点检员评价模型、设备运行稳定性等模型，规范点检员操作，指导设备专业对点检标准实施过程的管控，监控设备运行稳定性影响因素，并制定相应解决措施并进行跟踪反馈，形成“PDCA”管理循环(见图11)。
(1)推进点检闭环管理，提高异常发现和处理效率
设备点检管理实行PDCA闭环管理线以来，结合点检业务过程以及点检员操作要点，建立点检员评价机制，设定每一个点检环节评分标准，制定每月测评考核制度。有效评价监控点检员的工作效率与质量，促进点检员有效完整的完成设备的点检任务，保证设备的良好运行。系统上线以来，点检员工作效率大幅提升，工作质量明显提高，点检计划的异常发现率提高97.7%，异常处理及时率提高98%。
(2)实时运行状态管理，提高设备运行管控能力
首钢股份拥有18218台套设备(单体设备)，重点设备分散，实时掌握运行状态难度较大，为了减少设备故障时间，降低维修成本，确保设备稳定运行，建立重点设备的状态监控模型。在线获取37条主要作业线、36条重要作业线设备作业信息，应用设备运行状态判定算法，开发设备运行状态的在线监控和可视化展示画面，为各级人员实时掌握产线生产状态提供有效支撑，提高了产线运行管控能力。
4.搭建采购供应链价值提升智能决策模型，降低采购成本
(1)构建物料管理模型，实施物料前置管理新模式
备件物料编码与描述是采购的关键依据。产销上线后搭建了统一的物料，但存在同类产品描述不一致，跨叶类重复、期初数据不规范、编码唯一性校验规则不统一等问题，跨基地差异化等问题，造成重复购买，备料库存增加。为了更好地支持多地协同，仓存共享，采购策略优化,建立物料管理模型，深化物料管理的可视化、规范化、集约化。
物料管理模型按物料分类形成物料标准的特征值和特征量。一方面根据形成的特征量库，在物料新增时，进行跨基地跨叶类前置查重，编码定期清晰等功能，以保证物料代码在业务使用新增、迭代时不会出现重复，从而稳定整个物料代码体系,一方面形成行业物料标准模型，为集采、联储等奠定基础。同时对物料进行长期的价格跟踪、品牌使用情况跟踪后，可以优化采购业务，并对高价值的备件重点监管。
(2)构建废钢价格预测模型，合理调整采购策略
废钢价格预测模型依据回归预测、时间序列预测等算法，筛选终端价格、相关品价格、废钢价格、库存、到货和需求等影响因子，同时剔除市场信息及季节性补库等场外因素影响，综合预判价格趋势。通过对南北采购价格、港口库存价格、到港废钢数量分析价格未来趋势，为采购专业调整废钢采购策略提供依据，有效降低采购成本，达到跑赢市场的目标。
三、“以数赋智”大数据应用助推企业智能决策管理的实施效果
(一)管理效益
根据钢铁制造流程，基于大数据技术，以现代化、信息化、智能化手段打造了从采购供应链、销售客户服务、制造效率、质量提升再到物流管控，以及整个过程中设备稳定运行全流程的智能决策管控体系，深度挖掘产销研用经营数据，形成专门的业务知识图谱，有效提升业务决策效率和准确性，为生产经营管理流程管控提出新思路、新方法。
一是销售客户价值提升。聚合销售职能，以客户为中心，实现对客户的需求与订单实现全生命周期的跟踪与管理。通过快速响应满足客户需要的产品和服务，影响客户价值链从而提高客户感知，为客户创造价值，并提高客户忠诚度，实现企业自身价值链和客户价值链的双赢。
二是制造效率及产品质量提升。在订单、计划、质量、库存、检验、物流等方面构建管控模型，解决制造流程工序多、流程长、影响因素多、判定条件复杂等问题，实现对各个生产制造过程的有效管控，直观展示订单执行进度、库存、周期等信息，预测后续生产节奏以及物流发运，辅助质量判定，从而缩短生产周期，降低库存周转，提升产品质量。
三是采购供应链降本提质管理提升。通过物料管理模型，整合多基地物料编码，构建统一物料架构体系，规范物料编码与描述管理，保障采购环节基础数据的可用性,通过原燃料价格预测模型，驱动废钢等大宗原燃料经济性采购，整体促使企业采购降低成本。
四是设备精益化管理提升。通过搭建模型实现设备全生命周期管控，实现设备的精益化管控，提升设备稳定运行。通过点检标准优化模型，规范点检员操作，指导设备专业对点检标准实施过程的管控，通过设备运行过程中稳定影响因素制定相应解决措施并进行跟踪反馈，形成“PDCA”管理循环。
五是业务管控效率提升。质量投诉减少3件/月，预检卡住物料较之前减少70%，质保书一次传递成功率稳定在99.95%以上。外设计分析与性能稳定性分析，从原来的2小时缩短至10分钟内完成。合同自动处理率由现在88.27%提升至95%以上。点检计划的异常发现率提高97.7%，异常处理及时率提高98%。按交期集港的物料达95%，降低在港周期15%等。通过业务决策模型应用的构建，实现了从设备互联扩展到人、机、物互联，再扩展到全要素、全产业链、全价值链的全面连接，突破性地解决了工业领域知识体系分散的问题，打造了覆盖生产制造主流程的自主感知、自主分析、自主决策、自主执行的数据驱动型生产制造运营，开创基于知识推理的数字化、智能化管控新时代。
(二)经济效益
1.合同一次通过率提升
酸洗合同一次通过率的不良品分析管控，准确识别不良品问题，溯源发生原因，进行整改，工作效率提升90%。年度减少的损失1000万元。
2.成材率提升
质量缺陷评审辅助，实现自动分切建议与自动评审处置意见，较人工定尺切损，大大降低了切损量，提高成材率。同时检验批分析模型，识别检验批取样不合理，规范取样频次，减少检验批次，降低检验成本，提高成材率。全年增加经济效益1318万元。
3.工序库存降低
物料管控模型推广后，各工序衔接更紧密，库存周转率提高，工序库存大幅降低，降低成本850.18万元。
4.带出品率降低
带出品管控模型实现了带出品全流程可追溯，炼钢板坯100%挂单减少了炼钢的余材，同时余材充当功能也有效支撑了各工序带出品率的下降，整体年经济效益3814万元。
5.降低认证成本
认证计划兑现率提升6%，预计盈利60万元,备料一次合格率提升5%，预计减少损失5万元,认证项目通过后可直接提升高端客户、高端品种的市场推广，直接效益巨大。
6.减少质量损失
(1)通过订单风险管控模型，有效识别订单匹配准确性进行核对，降低损失约21万。
(2)2021年累计修正三码183个，优化内设计20个，增效320万元。
7.拓展极限规格和公差能力
质量外设计通过细化钢种、用户，对应设计规格接单能力和公差能力，在能力清单范围内才可以接单。通过大数据分析，科学拓展接单能力，2021年对应拓展极限规格50条，拓展公差2项，有效的推进产线能力的提升，增效905万元。
综上所述，通过智能决策支持项目的实施，按照20%贡献率计算，该项目直接经济效益1658.64万元。
(三)社会效益
在数字化转型推进过程中，大数据应用助推企业智能决策管理加快了创新人才培养及数字化转型进程。一是有利于发挥模型赋能、赋值、赋智作用，通过对业务决策过程的构建、管理、应用等方面进行总结提炼，优化固化实践过程。二是有利于将工业知识挖掘出来、传播开来、传承下去，推动制造行业典型应用业务智能决策应用的自主开发建设，发挥“数据+模型=服务”的效能。此外，该项目面向钢铁制造管控的全流程多模型集成应用，将模型融入生产经营管理各个业务场景，实现了整体业务流程的数字化分析方法，有利于标准的统一，也为行业内大数据应用方向提供了很好的思路。
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/guanlilunwen/60450.html
