消息 5G 与工业互联网的融合发展，进一步加快了我国钢铁行业自动化、信息化的脚步，推动了数字化、智能化的进程。钢铁行业作为传统流程型行业的典型代表，具有工艺过程复杂、生产周期较长、设备规模庞大、劳动力密集等特点。分析了国内钢铁行业的发展现状以及数字化趋势，聚焦钢铁行业生产和管理现状，介绍了 5G+工业互联网在钢铁行业的两大类十余种典型应用场景，为钢铁行业高质量发展提供思路，拓宽视角。
引 言
“中国制造 2025”和德国“工业 4.0”等战略举措的发布掀起了新一轮制造业转型升级浪潮。钢铁作为制造业的重要组成部分，是我国国民经济的支柱性产业，在工业现代化进程中扮演着不可或缺的角色。而近年来，中国钢铁行业慢慢凸显出一系列问题，如技术水平低、供需不平衡、追求“量”而忽视“质”等。2020年受新冠病毒肺炎疫情影响，钢铁工厂与下游企业供需脱节，使钢铁行业不得不加快转型升级之路，为交上“2030 年碳达峰、2060 年碳中和”满意答卷，走出目前发展困境，钢铁行业需要不断推进供给侧结构性改革，围绕生产、能源等方面积极寻求技术革新，借助5G、人工智能、工业互联网等新技术引擎，共同推进钢铁行业高质量发展。
01
钢铁行业发展现状及数字化趋势
1.1 国内钢铁产业链现状及主要特点 钢铁行业作为传统流程行业，生产流程长、工艺复杂，同时高价值设备多，部分工艺难以优化，整体效率亟待提高。钢铁产业链以冶炼企业为核心，前置流程为铁矿石采选（工艺包括将原料铁矿石分类为富矿和贫矿，进而加工为块矿和粉矿）、燃料制备（使用焦煤经焦化制备焦炭、使用原煤制备煤粉，作为冶炼燃料）；核心流程为冶炼及加工（生铁经转炉炼钢转化为粗钢，粗钢经铸钢、轧钢工艺加工成为螺纹钢、线材、热轧板卷、冷轧板卷、涂镀板、中厚板、不锈钢及其他钢材等工业产品）；同时，生产过程中产生的废钢也通过回收再成为粗钢，也可以通过电炉炼钢制成前述工业产品。钢铁产品主要供给下游建筑、汽车等行业用钢客户。钢铁行业生产能耗、排放高，安全事故频发，面临较大的环保安全政策压力以及产能结构失衡、产品市场需求与生产计划协同优化不足等问题。
1.2 钢铁行业的发展趋势 在钢铁行业需要加快转型升级步伐以及5G、工业互联网、人工智能等技术日益成熟的大背景下，政府大力推进钢铁行业“两化”融合发展，钢铁行业自身应积极推进信息化和工业化深度融合，主动寻求突破，抓住全球制造业分工调整和我国智能制造快速发展的战略机遇期，助力“中国制造2025”战略目标如期实现。
钢铁行业要解决生产设备智能化参差不齐、协同生产弱、人员密集型、能耗污染大、现场网络管理能力差等问题，就要实现数字化、智能化，从单纯的制造走向智能制造。连接是工厂数字化的前提，也是实现钢铁产业流程各环节互联的关键。工厂的连接方式正在从有线向无线过渡，由多种连接方式逐步转为以5G+光纤的新一代连接技术为主，实现低时延、高可靠、大连接的新技术赋能产业。随着钢铁行业数字化和智能化水平的提高，以及人工智能技术的进步，人工智能技术在生产中的应用场景逐渐丰富，对实现钢铁行业生产的高效协同、智能化乃至于无人化运行，提高钢铁行业信息化和智能化制造水平都具有重要的现实意义。随着“中国制造2025”的深入，钢铁行业信息化需求已大量涌现，目前主要集中在生产、管理等方面。
02
创新技术引领行业发展
2.1 5G技术提升通信能力 钢铁属于流程型生产行业，其主要特点为生产作业连续且流程较为规范，一旦作业停止，会对生产造成较大影响，因此保障联网设备的稳定高效运行非常重要。目前钢铁行业设备联网方式有无线和有线 2种，有线一般为工业线缆，其特点为时延低，但建设和维护成本高，柔性生产方式受限；无线为 Wi-Fi、4G和蓝牙，此种方式部署成本较低，但速度和时延难以保证，5G 技术打破了传统网络的困境，可以承载丰富的应用。5G 的高速率打破了 4G 的带宽局限，可支持传输工业现场多路超高清视频；5G的超低时延可实现实时操作设备，例如可以实时远程操控天车、堆取料机、焦化四大机车等设备，做到和生产的无缝衔接；5G 具备高可靠性，不受钢铁企业恶劣环境（如粉尘、高温）影响，能够做到可靠、精准传输。
2.2 边缘计算承载智能应用 5G 时代下，随着钢铁行业设备的逐步联网，工业数据呈现指数级增长，核心网难以满足海量数据的低延时处理要求，此时需要将云端算力下沉至边缘侧来缓解核心网的数据处理压力。边缘计算（MEC）秉承去中心化的思想，将计算资源放在应用侧进行实时响应，与此同时会对数据进行预处理，以减轻后续传输负担。MEC能满足钢铁行业特定场景的低时延需求，边缘侧的数据预处理有效降低了数据传输成本和中心侧的存储成本，同时MEC还能保护客户私密数据不出厂，且具有云边协同的优势。MEC为工业生产制造提供了强大的云网一体能力，如钢铁厂的外观缺陷监测系统、铁水车智能调度系统、天车调度系统、废钢智能判级系统等均可以部署在园区MEC上，云端进行算法的迭代训练，边端侧负责算法的推理执行，算法执行效率和表现得到大幅提升，从而提高企业产能。
