組織、人才和技術5年布局， 中鋼如何用AI煉成智慧鋼廠

鋼鐵身為工業之母，無論在社會、經濟或生活層面，都扮演了重要角色。但一聯想到煉鋼廠，多數人還停留在傳統重工業、操作笨重機具的印象，殊不知，這個超大型的煉鋼機器，已經悄悄配備了人工智慧，正在歷經一場邁向工業4.0的智慧化轉變。

這一場變革，莫約從5年前開始推展。「我們展開數位轉型，是為了提升鋼鐵生產效率、降低成本、縮短交期，來提升產品競爭力。」中鋼技術部門代理副總經理鄭際昭，一句話點出轉型任務最重要的目的。

回憶起當初的決策，鄭際昭就不得不先談到中鋼多年來遭遇的困境。首先，是中國鋼廠崛起，面對更低鋼價的競爭壓力，還有日韓鋼廠強敵環伺，儘管中鋼已經是年產量千萬公噸的世界級鋼廠，還是要設法突圍。

不只如此，受到關稅與運輸成本影響，中鋼當前鋼鐵外銷的比例僅佔三成，有近7成的產品，銷往獲利更好的國內中下游業者，但伴隨而來的另一個問題，就是受限於較小的國內市場，必須滿足少量多樣的客製鋼種需求，「所以才會說，中鋼產品的性質是少量多樣，這是我們的宿命。」

面對中國鋼廠的競爭，以及少量多樣化產品造成的生產成本提升，「我們現在已經不能再拼量了，只有發展精緻鋼品來提高獲利，才有競爭生存的空間。」鄭際昭指出，中鋼要在有限的鋼鐵產量下，發展高技術含量、高獲利的產品，而非再走以量制價的路。

不過，打造精緻鋼品的前提，是製程能力的提升。為了持續優化製程，鄭際昭認為：「靠AI打造的智慧鋼廠，就是實現精緻鋼廠的關鍵一步。」這就是為何中鋼大手筆投資上億，也要不遺餘力發展AI，推動智慧製造的最大原因。

另一個原因，則是中鋼在面臨製程優化的壓力之餘，內部也進入退休潮，預計在未來十年內，將有數千名員工退休，規模超過目前員工人數的三分之一，換句話說，近半數經驗老到的技術人員，恐怕在幾年內相繼離職。如何將這些知識經驗傳承下來？不只要提前錄音錄影，將內隱知識數位化，中鋼也靠AI找出生產作業最佳化的解方。

於是，在種種挑戰下，中鋼決定在2016年展開轉型，要在過去高度自動化的鋼鐵製程基礎上，大步邁向智慧化。

三年摸索期：向外學習，內化AI導入經驗

中鋼從2016年開始，將智能產銷視為一大關鍵營運策略，並在內部成立了智能產銷委員會（PMIC），來系統性地推展工作任務。

鄭際昭指出，PMIC的性質，與中鋼各種任務導向的委員會相同，屬於功能性組織，雖不是正式的行政組織編制，卻是推動公司重要政策的關鍵一環。

但與其他委員會不同的是，PMIC的主任委員，並非由部門副總來擔任，而是在一開始，就由位階更高的執行副總王錫欽來率領，王錫欽升任總經理後，PMIC的主導位階也再提升，委員編制涵蓋了公司所有的一級主管在內，反應出中鋼對智能產銷策略的格外重視。鄭際昭肯定地說：「中鋼下定很大的決心，要推展智能產銷的工作。」

不過，被寄予厚望的智能產銷任務，一開始發展時，也歷經了一段摸索的歷程。當時，中鋼在PMIC成立技術小組，指定綠能與系統整合發展處作為召集人，來導入智慧化最核心的技術──「AI」，然而，在對這項技術還不夠了解的情況下，一方面要培訓內部AI開發的人才，一方面要找出合適導入的場景，更要建立起系統性導入AI的方法，對中鋼來說，每一個環節都是挑戰。

尤其剛開始，為了找出AI導入的場景，中鋼要求各廠區現場主管集思廣益，發想產線上有哪些智慧化的需求，能進一步提升生產效能、降低成本，並於PMIC會議上提出。初期，由於各廠處主管不了解AI的意義，雖然秉持著輸人不輸陣的精神，相繼提出了許多需求，但大多數提案，都是例行性自動化或資訊化的工作，並不屬於AI的範疇。

鄭際昭表示，儘管提出的不是AI問題，自動化也同等重要，「但是，這對於競爭力的提升還是不夠，我們要找到典型的智慧化導入案例。」

為此，中鋼向外尋求學習資源，透過指派員工接受專業培訓，培養出題端人才與解題端人才，前者學習如何定義AI問題、建立起AI導入觀念，後者則學習AI開發能力。一段時間後，各廠區開始提出更具建設性的問題，更能確實根據需求，找出更切合AI應用的場景。

實作AI的過程中，中鋼除了培訓AI工程師的實戰能力，建立自己的技術團隊，也尋求外部專家的支援，與大專院校、工研院等單位合作，透過協作AI專案，逐漸內化AI導入經驗。而後，中鋼維持著提案、實作、結案、新提案的循環，滾動式累積AI開發經驗，兩年前開始更有組織、系統性的落地AI。

應用起飛期：確立目標，系統性落地AI

歷經了幾年的嘗試與發展，中鋼從2019年開始，更有章法的推動工廠智慧化。這一年，中鋼訂定了三大發展主軸，分別是建構混合雲智能平臺（Technology）、助集團員工進行AI訓練（Talent）以及全面推動智能方案（Team），簡稱3T，更積極運用雲端、大數據、AI等新興科技，來建構產銷智慧化系統，目的要驅動制度、流程、組織及營運模式的變革。

「那一年，有點像是迎接第二波AI應用的概念，跟第一波相比，執行的會更到位。」鄭際昭表示：「3T也是過去就持續進行的工作，只是會更具系統性地來執行。」

比如說，中鋼利用多年時間，逐步建立起開發AI應用所需的基礎架構環境，在感知層方面，強調建立資料傳輸的標準介面，來蒐集大量生產資料；在網路層，則是建置私有雲來整合生產資料，並執行連線的AI應用服務，在雲端統一管理AI，來取代過去在個別主機上部署與維運的做法；而在應用層，則是運用了大數據迴歸分析、最佳化應用求解，以及機器學習、深度學習的技術，依據應用特質選擇相應技術來開發。

中鋼在導入AI上，也有一套明確的組織分工。在發想AI問題時，會由最了解生產狀況的各廠區主管，來找出產線的智慧化需求，若經評估可行，就會交由電控處的工程師，擔任類似於資料工程師的角色，負責從現場的系統中取出生產數據。

接下來，就會進入AI演算法開發環節，由自動化及檢測系統發展組，擔任資料科學家的角色，來開發AI模型。完成開發後，中鋼的子公司中冠資訊，會接續扮演軟體開發的角色，負責將AI模型開發成應用軟體系統，部署到線上環境，實際將AI應用落地。

AI落地後，中鋼也發展出一套衡量成效的方法，以產程自動率作為衡量指標，來了解第一線人員的使用情形。

自動率，指的是以AI來取代人工，進而達到自動化的比率。舉例來說，過去要檢測成品瑕疵，都是靠人工目檢來判斷，但在剛開始導入AI時，員工可能不信任AI，並無大量採用AI判讀結果，等到時間一長，AI也確實發揮功能後，員工開始願意將工作交由AI執行，原流程的自動化程度才會提升。因此，從產程的自動率，就能快速了解AI是否為產線人員帶來助益。

「AI上線之後，我們會去看有多少比例的操作，是透過AI來影響決策。」鄭際昭表示，AI決策的比例越高，就代表採用的單位越認同AI導入成果，就越能透過AI，來減輕現場員工的工作負擔。

更多AI應用落地後，中鋼在2020年中，舉辦了第一屆AI成果競賽，讓導入AI的單位，向他人分享計畫執行過程，以及實際帶來的效益，一來具有激勵參加者的作用，二來也讓他人觀摩，了解AI可以達到哪些成效，藉此來形成全公司的企業AI文化。甚至在未來，中鋼預計要將AI競賽擴大為集團規模，培養全中鋼集團加速導入AI。

「靠AI打造的智慧鋼廠，就是實現精緻鋼廠的關鍵一步。」中鋼技術部門代理副總經理鄭際昭指出，中鋼要在有限的鋼鐵產量下，發展精緻鋼品來提升競爭力，前提靠AI提升製程能力，邁向工業4.0。（攝影／洪政偉）

AI落地還得克服鋼鐵製造現場的技術難題

除了花費許多時間，來建立中鋼自己的AI開發能力、導入方法與基礎建設，要實際將AI落地煉鋼場景，中鋼也面臨了許多挑戰。

比如說，在煉鐵、煉鋼等高溫熔煉的環境，受限高溫等環境因素，許多生產數據根本無法量測，也就難以發展AI。

鄭際昭指出，以高爐的運作情形來看，是從上方加入煉鋼原料，再從下方鼓進熱風，將鐵礦石高溫熔煉製成鐵水與爐渣，整個熔煉過程密閉且高達1,500度。在這個煉鐵反應器中，雖然能間接量測部分溫壓數值，但高爐內部還是個黑盒子，實際的熔融狀況、爐氣分佈、爐渣分佈，都難以量測，也就較難透過AI，精準預測生產狀況。

比如中鋼想發展一套爐熱預測模式，透過現在高爐的布料情形、鼓風溫壓，來預測未來鐵水溫度變化趨勢，若預測到爐熱可能降低，就能即時調整調生產參數來因應，「這是理想的情況。」鄭際昭表示，但礙於許多數據難以測量，AI預測的精準度仍是一大挑戰。

又或是將鐵水運送到轉爐，將鐵煉製成鋼時，生產過程中，鋼胚表面上可能產生缺陷，但生成表面缺陷的生產參數，可能包括過熱度、鋼液溫度跟凝固溫度差、澆鑄速度、冷卻速度、鑄粉狀況等，「如果能確實量測到這些參數，建一個AI模型不難，但問題就在於，很多生產數據是量測不到的。」鄭際昭舉例，比如在鑄模內的鑄粉分布狀況，就量不到，難以發展更精確的AI演算法。

中鋼一位AI工程師，綠能與系統整合研究發展處的研究員許朝詠，則將資料品質視為中鋼AI落地難題。他分享，鋼捲製造過程中，動輒處於900度以上的高溫中，處理過程也可能噴水冷卻，在影像資料的取得上，會有不夠清楚的問題。而且，在開發影像辨識模型時，也可能因工業環境不易控制，造成取得影像的品質差異大，比如在同樣位置不同時間點拍攝的影像，可能因光源不同，導致影像呈現不同效果。

不只如此，部分AI應用場景，也會受限於空間配置，無法擺下GPU伺服器、或高計算能力的設備，甚至連網路線都無法部建。這些情境，對於現場資料取得，或是AI實際部署上線，都會帶來一定程度的挑戰。

開花結果期：解決生產痛點，朝精緻鋼廠邁進

歷經重重難關的洗禮，砸下破億元的投資，中鋼AI發展邁入第5年，終於交出一張漂亮成績單。

5年來，中鋼主要運用AI來優化生產流程，聚焦開發產線AI應用。最重要的進化里程碑，莫過於在高爐場域導入27項智慧應用開發，不只有高爐本身爐況的AI監控，也開發周邊設備如原料輸送帶的預測維修、熱風爐生產效率與耗能監控、現場人員的安全監控等應用，中鋼估計，光是在二號高爐導入AI，每年就能降低約3,270萬元的成本，更別提中鋼現行四座高爐中，都部署了AI應用。

除了高爐AI，其他廠區也開始競相應用AI來優化製程，比如熱浸鍍鋅廠，就運用兩大製造業典型AI應用，分別是AI製程調參與AI瑕疵檢測，前者用來預測不同參數組合下的鍍鋅膜厚變化，後者用來檢測鋼捲表面瑕疵，光是鍍鋅成本，就預估年省1,600萬，還能進一步提升產品品質。

中鋼也早在2018年，就整合了多項機器學習技術，打造了能全自動吊運鋼捲的無人天車設備，換句話說，拖板車司機僅靠自己一人就能在數分鐘內，完成數十噸鋼捲的裝卸任務，過程中甚至只需要刷卡報到、一鍵確認後就能自動執行。這套無人天車系統，2019年甚至外銷超過10套，說明了AI開發不僅能自用，更有機會對外服務、銷售。

面對少量多樣的鋼種需求，所帶來的高生產成本問題，中鋼也試圖以AI作為解方。

比如說，中鋼一次轉爐煉鋼的生產量就高達250公噸，當客戶訂購的鋼品數量過少，只需20噸的特定鋼品，由於製程有其生產條件限制，面對客戶的少量需求，中鋼難以滿足，否則多生產的230噸鋼品，囤積到最後就是回爐重造，無端增加生產成本。因此，過往的作法，會等湊到足量類似鋼品的訂單，才一次啟動煉製。

為了提高生產效益，中鋼開發了鋼種成分分析模型，找出不同鋼種之間共通的成分特性，將原先超過一萬類的鋼種數量簡化為較少種類，再針對不同客戶少量需求的訂單，找出能合併煉製的訂單組合，透過下游的製程參數微調，就能以一種可滿足所有訂單的鋼種，來交付生產，就能更快湊成一爐能煉製的量，來降低生產成本。

在決定接單前的冶金設計與製程模擬上，中鋼也用AI來縮短時程。一般來說，中鋼接到客戶詢單，需要先進行冶金設計、找出製程參數，試製生產後，才能判斷能否生產特定機械結構的鋼品。過去，通常得靠技術人員多年的經驗，確定冶金成分與製程條件搭配可行，才會回覆客戶能否接單。

然而，只靠經驗累積還不夠，從高達數萬筆的冶金設計與製程參數資料中，中鋼分析兩者對鋼品機械性質的影響，釐清錯綜複雜的生產關係，開發了鋼品冶金設計與製程動態調控AI輔助系統。現在客戶詢單時，就能透過找出鋼品機械性質條件相近者，逆向倒推所需的冶金設計與製程條件，來判斷生產參數並試製，更快回覆接單。

這項應用甚至能用於生產當下，若發現前段製程發生變異，恐導致鋼品品質改變，透過AI也能快速找出後段製程生產參數的調整方式，將鋼鐵機械性質補救回來，避免因造成生產時間、成本的增加，降低延遲交貨的風險。

系統性累積的專家知識能量，就是AI發展基石

從眾多AI的開發過程，不難發現，中鋼正致力於把「內隱知識外顯化」，也就是將員工的操作製程的經驗，轉為數位化記錄，更有系統性地蒐集專家的知識經驗資料。

蒐集足夠的資料後，下一步，中鋼更要將「外顯知識標準化」，用既有的流程、知識、資料，建立起AI判讀規則，自動找出最佳化解方。比如生產排程AI即是典型一例，透過老師傅的排程邏輯記錄與其他資料，來開發AI，自動在不同生產條件下，找出最佳化的排程邏輯，來輔助決策。這同時也是中鋼面對內部退休潮的應對之道。

鄭際昭表示，找出知識、標準化、優化的過程，是中鋼努力的目標，不過，知易行難，他也坦言，在理想的道路上，還有很長的路要走。

 中鋼AI轉型祕訣： 

 找對問題、創造規模效應 

「如果問我重來一次，要如何改進，來少走一些彎路？我會說，要找對問題來發展，而不是散彈打鳥。」中鋼技術部門代理副總經理鄭際昭點出，出對題目就是加速AI實現的關鍵。尤其，中鋼過去要求各廠處提案，一次就有近百個題目要篩選評估，必須懂得收斂出真正重要的問題，找出產線痛點來聚焦解決，才能更有效率地導入AI。

在選擇問題的過程中，不同層級單位之間也需要密切討論，來評估AI導入的可行性，「不是一個人就能出好題目。」鄭際昭表示，發想一個好題目固然重要，但不能只停留在空泛的理想，若沒辦法集眾人之力，來精準定義問題，了解資料蒐集、AI建模、應用導入等面向的可行性，仍無法將想像付諸實現。

鄭際昭更建議，在導入AI時，「與其到處點火，結果一個點都沒有燒起來，不如聚焦在一個場景，同時開發多個AI應用，形成規模效應。」

這正是中鋼的做法，從單點式的發想AI應用，逐漸串連發展，在各廠區形成各自的智慧藍圖，比起零星分散的AI應用，中鋼透過規模式的開發，更大程度的發揮AI價值。

不只是高爐AI，中鋼也還有其他藍圖在持續進行中，光是智慧工廠，就有高爐、冷軋、熱軋等藍圖，除了製程AI，其他也有智慧設備、智慧營運的藍圖正在發展中。鄭際昭表示：「我們是更全觀的檢視問題，而不是針對單一個案去做。」

 中鋼AI導入大事記 

● 2016年：中鋼為提升集團競爭力，以打造智能產銷為布局，成立智能產銷委員會（PMIC）

● 2017年：PMIC成立技術小組，規劃中鋼AI發展方向；技術部門也建立AI研究團隊，專責AI技術研發，開發示範應用方案

● 2018年：選派了優秀種子人員進入臺灣AI學校，培養出題端人才，同時也由國家網路中心培訓領域專家，培養解題端人才

● 2018年：在智能應用方面，開發完成並正式啟用無人天車吊運鋼捲，至今已完成超過30萬顆鋼捲自動吊運

● 2019年：由各廠處提出一百多件智能化專案，進行全面導入，更聚焦公司級智能方案重點開發。導入過程中，與工研院、成大及中山大學AI中心合作，系統性匯集資源進行聯合開發

● 2019年：以中鋼出題、工研院解題方式，與工研院合作發展智慧工安

● 2020年：建置多個AIoT雲平臺，其中煉鐵智慧中心納入高爐、煉焦、燒結等工廠一站式監控數據，完成多個智能模組開發，並利用AI來監控生產過程，這是中鋼第一個透過場域智慧藍圖規劃的方式，來達成產線智能進化的里程碑

● 2020年：舉辦AI成果競賽，評比各廠區開發完成的AI應用，具激勵與觀摩作用，更藉此培養企業AI文化

● 2021年：中鋼以深度學習，機器學習及電腦視覺等技術，逐步提升鋼鐵製程效率並開創新製程，至今漸獲成效

資料來源：中國鋼鐵，iThome整理，2021年2月

 相關報導  前進中鋼AI大現場