关于ZAKER Skills GEO服务 合作
商业资讯 2小时前

6 万条“沉睡”产线数据被激活,材小模 AI 助力钢企智能化升级

近日,一家营收超千亿的大型民营钢铁企业在产品性能预测上取得突破:借助业界全新推出的智能化材料数据自建模平台——材小模 AI(https://www.matdao.com/mate-model)开展多轮建模,模型测试集 R² 从 0.5 以下提升至 0.95,模型从 " 难以投入实际生产 " 达到 " 可有效支撑实际生产指导 " 的水平。这表明,企业产线上积累的海量数据,不再只是存下来的记录,而是能够在生产完成后快速预判产品性能,为生产提供模型支撑,让海量产线数据真正参与到生产决策中。

据了解,该企业在信息化建设中积累了海量数据,但一直缺少有效的利用方式,大量数据处于 " 沉睡 " 状态。此次建模选取了一条产线的 500 个字段、6 万条样本数据,覆盖从冶炼到检测的全流程。企业此前曾采用传统建模工具,将所有特征全部投入,测试集 R² 始终在 0.5 以下,无法用于生产指导。问题并不出在数据本身——企业的数据底子不差,专家经验也深厚,但传统建模方式难以处理产线数据这种高维度、高噪声、强专业性的场景。

针对这一情况,北京新材道的材小模团队与材料专家合作,使用同样的数据和目标,开展了三轮建模优化。据团队介绍,三轮建模的核心工作并非调整算法,而是逐轮剔除数据噪声、筛选有效特征。

第一轮,材小模 AI 自动筛选特征。将数据交给材小模 AI,全程不做任何人工干预。平台先通过大模型识别各字段的含义,初步判断哪些特征可能与目标性能相关;再用相关性分析做二次筛选,剔除关联弱的特征。经过两轮筛选,参与建模的特征从 120 多个压缩到 50 个左右,R² 从 0.5 以下提升至 0.77。在工业数据建模中,R²0.7 以上已属于可用模型,0.77 意味着模型预测结果与实际值较为接近,已经具备参考价值。

第二轮,专家经验介入。专家在初筛数据中发现,一条碳含量 0.9% 的记录与同组数据普遍 0.2% 以下的水平明显不符,对照成品强度数据后判定为极端异常值;另有一条强度 6000MPa 的记录,远超钢的理论最高强度和现有工艺水平,判定为错误数据。此类异常 IT 人员难以识别,专家可快速判断。专家无需写代码,直接在平台点击操作,即可完成数据清洗和特征筛选。经过筛选后,特征进一步降至 26 个,R² 从 0.77 提升至 0.94。这意味着模型预测已经相当准确,可以支撑生产指导。

第三轮,轧制特征结构化。原来数据里,轧制压下量和压下率的相关信息杂糅在一起,模型无法直接使用。团队将其整理成三个可直接使用的指标:平均压下量、首次压下率、最后压下率,同时保留轧制道次数,R² 进一步提升至 0.95。这一步不仅让预测更准,还增加了可调控的工艺变量——模型不仅能告诉企业 " 这批钢性能如何 ",还能提示 " 调整哪个工艺参数可以改善性能 "。

三轮建模后,R² 从 0.5 以下提升至 0.95,该提升标志着模型预测结果从可靠性不足,转变为可有效支撑实际生产指导。

据团队介绍,该案例反映出行业近年来的共性问题。

· 其一,经过多年数字化改造,大量企业已具备类似的数据积累;

· 其二,工具差异直接影响数据能否从 " 存着 " 变为 " 能用 ";

· 其三,专家经验是模型精度的关键变量,材小模 AI 让专家无需写代码即可将经验注入模型。

公开资料显示,材小模 AI 自主建模平台由北京新材道数智科技有限公司打造,是一款面向材料行业的零代码自建模平台,材料工程师无需编写代码即可完成建模。其核心能力包括产品性能预测、多目标性能优化、质量滤波、自动工艺规程和成本优化。其中 " 多目标性能优化 " 即常说的 " 逆向设计 ",用户设定目标性能范围、成分与工艺约束后,系统可自动搜索并推荐满足要求的成分与工艺组合。

业内人士分析,企业数字化转型的上半场大都由信息化、自动化工程师主导,完成了数据采集、系统建设与流程线上化,积累了规模可观的数据。但数据采集之后如何有效使用、用于解决哪些产品与工艺问题,并非其核心职责所在。传统的模型基座难以引入强化、形变、相变等冶金学、材料学知识,也难以表达其中的因果关系,模型落地应用的 " 最后一公里 " 很难打通。数字化转型的下半场,理应由产品、工艺等业务工程师主导,借助材小模 AI 这类产线具身智能建模工具,让懂业务的人直接上手建模,将专家经验注入模型,实现 AI 引领下的智能化升级。

点击体验材小模 AI 自主建模平台:https://www.matdao.com/mate-model

扫码添加微信

13651158096

相关阅读

最新评论

没有更多评论了

觉得文章不错,微信扫描分享好友

扫码分享

热门推荐

查看更多内容

企业资讯

查看更多内容