| 工厂名称 | 北京首钢冷轧薄板有限公司 |
| 英文名称 | Beijing Shougang Cold Rolling |
| 所属集团 | 首钢集团（首钢股份） |
| 灯塔编码 | 20013CN08 |
| 入选批次 | 第13批（2025年1月14日公布） |
| 所在地区 | 北京，北京 |
| 国标行业 | 钢压延加工（GBT 3130） |
| WEF行业分类 | 金属加工 |
| 灯塔类型 | 单一（生产效率） |
| 核心产品 | 汽车板、家电板、专用板等高端冷轧薄板 |
| 行业地位 | 全国钢铁行业第3家、全球钢铁行业第7家灯塔工厂 |
| 先期荣誉 | 北京市智能工厂、国家级智能制造标杆企业、工信部首批卓越级智能工厂 |
覆盖20个技术点，跨越8大领域，其中14个为WEF重点关注技术点。67个应用案例中61%运用AI，形成"云边协同+5G+AI+机器视觉+机器人"技术矩阵。
作为面向高端汽车板制造的核心能力，首钢冷轧部署了18个品质相关场景。通过大数据平台汇聚全流程质量数据，构建知识图谱进行质量缺陷根因分析，AI模型实现表面缺陷自动检测与分类，将质量管理从"事后检验"升级为"事前预警+事中控制"。
| 这是什么 | 给冷轧线装上AI眼睛+AI大脑，钢板表面有任何瑕疵自动标记、自动归类、自动追溯到哪个工序出的问题 |
| 解决什么 | 汽车板表面质量要求极高（0.1mm级缺陷也不放过），传统人工抽检效率低、漏检多，出了问题追溯困难 |
| 花了多少 | 18个场景综合投入，公开资料未披露具体金额 |
| 多久见效 | 公开资料未披露 |
| 效果咋样 | 年降低质量损失>2000万元，产品缺陷率↓35%，客户投诉↓55% |
| 能不能抄 | 中门槛。需要：1)全流程数据采集基础；2)有标注过的缺陷样本库（冷轧表检数据量巨大）；3)知识图谱构建团队。适合有表检系统的钢铁/铝加工企业。 |
| 技术架构 | 表检相机阵列 → 边缘AI推理 → 大数据平台 → 知识图谱引擎 → 质量追溯/预警 |
| 技术栈 | 机器视觉（工业相机+光源）+ 深度学习（CNN/Transformer）+ 知识图谱（Neo4j/RDF）+ 大数据平台 |
| 集成方式 | 表检系统与MES/过程控制系统对接，质量数据回流至轧制模型用于前馈控制 |
| 部署方式 | 边缘推理(高速表检需<10ms延迟)+云端训练+云端知识图谱 |
| 技术难点 | 1)冷轧板表面缺陷种类>40种，类间相似度高；2)知识图谱跨工序关联(炼钢→热轧→冷轧→镀锌)数据量大 |
| 前置依赖 | 表检系统硬件投资、全流程数据打通、缺陷标注团队 |
关联技术：强依赖 视觉检测(01.03.02)、大数据分析(05.02.01) | 互补: MES(02.03.01)、知识图谱(05.01.03)
冷轧生产涉及酸洗、轧制、退火、平整、镀锌等多道工序，排产约束极为复杂（宽度跳跃、厚度跳跃、硬度过渡等）。首钢冷轧应用AI开发全流程智能排产与排程系统，自动优化生产序列，减少过渡料、延长工艺辊使用寿命。模型投入率超过95%，意味着95%以上的排产决策由AI自动完成。
| 这是什么 | AI自动排产——订单来了自动安排生产顺序，不用人工反复调整Excel |
| 解决什么 | 冷轧多工序排产靠人工经验，过渡料浪费大，辊期管理靠老师傅 |
| 花了多少 | 公开资料未披露 |
| 多久见效 | 公开资料未披露 |
| 效果咋样 | 模型投入率>95%，减少过渡料，延长工艺辊期，支撑高端产品增长36% |
| 能不能抄 | 中门槛。冷轧排产是业界公认难题，关键是：1)工艺约束要建模准确；2)需要MES/L2系统完备。适合多工序连续生产的金属加工企业。 |
| 技术架构 | ERP订单 → APS引擎(AI约束求解) → 排产方案 → MES执行 → 实时反馈 |
| 技术栈 | AI优化算法(遗传/模拟退火/强化学习)+约束规划引擎+MES集成 |
| 集成方式 | APS与ERP订单系统、MES执行系统、L2过程控制层三级联动 |
| 部署方式 | 云端求解+本地执行 |
| 技术难点 | 冷轧排产的NP-hard特性——宽度/厚度/硬度三重约束下的多目标优化 |
| 前置依赖 | MES/L2系统就绪、工艺约束规则数字化 |
关联技术：强依赖 MES(02.03.01)、ERP(02.02.01) | 互补: 柔性制造(03.03.01)、大数据分析(05.02.01)
首钢冷轧建立了智能控制模型体系，覆盖轧制、退火、镀锌等关键工序。通过ML算法优化轧制力设定、张力控制、温度曲线等核心参数，实现关键设备控制的智能化。云边协同架构确保模型推理在边缘侧完成（毫秒级响应），模型训练在云端进行。
| 这是什么 | 轧机、退火炉这些关键设备的参数设置不再靠操作工手动调整，AI模型自动给出最优参数 |
| 解决什么 | 操作水平参差不齐导致产品质量波动，不同班组生产出来的钢板性能不一致 |
| 花了多少 | 公开资料未披露 |
| 多久见效 | 公开资料未披露 |
| 效果咋样 | 模型投入率>95%，产线效率↑21.2%，质量一致性显著提升 |
| 能不能抄 | 中-高门槛。需要：1)L1/L2控制系统具备外部接口；2)有大量历史工艺数据；3)工艺+数据复合型人才。适合已实现基础自动化的流程工业。 |
| 技术架构 | L1传感器数据 → 边缘AI推理 → 过程控制L2 → 执行机构；云端模型训练+知识库 |
| 技术栈 | 边缘计算(工业PC/服务器)+ML模型(轧制力/张力/温度预测)+OPC UA通信 |
| 集成方式 | 边缘AI推理结果通过OPC UA写入L2过程控制系统，L2下发至PLC执行 |
| 部署方式 | 云边协同：边缘推理(低延迟)+云端训练(大规模计算)+云端监控 |
| 技术难点 | 1)轧制过程非线性+多变量耦合；2)边缘推理<100ms的实时性要求 |
| 前置依赖 | L1/L2系统具备数据接口(OPC UA/Modbus)、设备联网 |
关联技术：强依赖 IoT设备(01.01.05)、5G(07.01.01) | 互补: 大数据分析(05.02.01)、机器视觉(01.03.01)
首钢冷轧连接1200余台套设备，建立数字化设备管控和预测性维护平台。通过IoT传感器实时采集振动、温度、电流等参数，利用大数据分析建立设备健康模型，预测关键部件（轴承、轧辊、齿轮箱）的剩余寿命，实现从"计划检修"到"状态检修"的转变。
| 这是什么 | 给轧机、电机等核心设备装上"健康手环"，实时监控运行状态，提前预警什么时候该修 |
| 解决什么 | 设备突发故障导致非计划停机，抢修成本高、影响交期 |
| 花了多少 | 公开资料未披露 |
| 多久见效 | 公开资料未披露 |
| 效果咋样 | 非计划停机时间↓37%，从计划检修转向状态检修 |
| 能不能抄 | 低-中门槛。IoT传感器+数据分析平台是成熟方案。关键是：1)设备关键度分级(先做核心设备)；2)积累足够的正常/故障数据来训练模型。 |
| 技术架构 | IoT传感器(振动/温度/电流) → 边缘采集 → 云平台 → ML模型训练 → 预测引擎 → 维护工单 |
| 技术栈 | IoT传感器阵列+边缘采集网关+时序数据库+ML(随机森林/LSTM)+CMMS集成 |
| 集成方式 | IoT数据经OPC UA上传云平台，预测结果自动触发CMMS（设备管理系统）维护工单 |
| 部署方式 | 边缘采集+云端分析+移动端告警 |
| 技术难点 | 1)冷轧设备故障模式多样；2)从"计划检修"到"状态检修"的管理制度转变 |
| 前置依赖 | 关键设备安装IoT传感器、CMMS系统就绪、故障历史数据积累 |
关联技术：强依赖 IoT设备(01.01.05)、5G(07.01.01) | 互补: 云边协同(05.03.03)、大数据分析(05.02.01)
首钢冷轧开发了库区智能仓储系统、智能调度系统、RGV运输系统和外发系统，实现钢卷从入库、存储、倒运到外发的全流程自动化和智能化。RGV（有轨穿梭车）自动完成钢卷的搬运和上下料，智能调度系统根据生产计划和库存状态实时优化物流路径。
| 这是什么 | 从轧机下来的钢卷不再靠人工开行车搬运，RGV小车自动送到指定库位，系统自动安排出库装车 |
| 解决什么 | 钢卷重达20-40吨，人工吊运效率低、安全隐患大，库位管理混乱导致找卷困难 |
| 花了多少 | 公开资料未披露 |
| 多久见效 | 公开资料未披露 |
| 效果咋样 | 外发效率↑15%，实现厂内物流自动化智能化 |
| 能不能抄 | 中门槛。RGV/AGV方案成熟，但需要：1)库区改造(地面/轨道)；2)WMS/WCS系统配套；3)安全联锁设计(重载物流安全要求极高)。 |
| 技术架构 | WMS/WCS → 智能调度引擎 → RGV控制系统 → 钢卷识别(RFID/二维码) → 外发系统 |
| 技术栈 | WMS+WCS+智能调度算法+RGV控制系统+RFID钢卷识别 |
| 集成方式 | WMS与MES排产联动，RGV调度与产线节奏同步，外发系统与ERP对接 |
| 部署方式 | 本地服务器+工业无线网络(5G/WiFi) |
| 技术难点 | 1)重载RGV调度安全(20-40吨钢卷)；2)多库区协同调度避免死锁 |
| 前置依赖 | 库区具备RGV轨道安装条件、5G/WiFi覆盖、WMS系统就绪 |
关联技术：强依赖 MES(02.03.01)、5G(07.01.01) | 互补: 智能排产(03.03.03)、端到端可视(04.01.03)
首钢冷轧开发了基于物联网的能源环保系统，实现到钢卷级别的能耗统计和环保在线数据实时采集及预警。钢铁行业是能耗大户（冷轧单吨电耗约80-120kWh），精细化能源管理对成本控制和双碳目标意义重大。
| 这是什么 | 每个钢卷生产用了多少电、多少水、排了多少碳，系统自动算得清清楚楚，超标自动预警 |
| 解决什么 | 以前月底看总电费账单，不知道具体哪个品种、哪个工序耗能最高 |
| 花了多少 | 公开资料未披露 |
| 多久见效 | 公开资料未披露 |
| 效果咋样 | 实现到钢卷能耗统计，支撑能源环保精细化管控 |
| 能不能抄 | 低门槛。智能电表+EMS系统已是成熟方案，钢铁/化工等高耗能行业应优先部署。 |
| 技术架构 | 智能电表/流量计 → 边缘采集 → EMS平台 → 能耗分析(分卷/分工序/分品种) → 碳足迹追踪 |
| 技术栈 | EMS系统+IoT计量仪表+实时数据库+能耗分析看板 |
| 集成方式 | EMS与MES联动，能耗数据与生产工单关联实现分卷统计 |
| 部署方式 | 本地EMS+云端碳足迹平台 |
| 技术难点 | 1)到钢卷级别的能耗关联(需精确时间对齐)；2)多能源介质(电/气/水/蒸汽)统一建模 |
| 前置依赖 | 关键设备安装智能计量仪表、MES工单数据就绪 |
关联技术：强依赖 IoT设备(01.01.05)、大数据分析(05.02.01) | 互补: 碳足迹(09.02.01)、MES(02.03.01)
表检视觉AI→大数据→知识图谱根因分析→质量预警。18个场景覆盖从原料到成品的全流程质量管控，是67个用例中部署最密集的技术簇。
AI排产→MES执行→边缘模型控制→产线自动化。模型投入率>95%，从计划到执行的AI闭环程度在钢铁行业领先。
1200+台套设备IoT连接→预测性维护→RGV智能仓储→能源精细化管理。从设备到物流到能源的全方位数字化管控。
5G网络+云边协同架构，为簇一/二/三提供网络和算力底座。支撑61%的AI应用场景的实时推理需求。
薄弱环节：
| 门槛 | 技术点 | 投入 | 周期 | 适合企业 |
|---|---|---|---|---|
| 🟢 低 | 能源环保IoT监控 | 数十万元 | 3-6个月 | 高耗能流程工业（钢铁/化工/水泥） |
| 🟢 低 | 设备预测性维护 | 数十万~百万 | 6-12个月 | 设备密集型制造企业 |
| 🟡 中 | AI表面质量检测 | 数百万元 | 12-18个月 | 有表检系统的钢铁/铝/铜加工企业 |
| 🟡 中 | AI智能排产 | 数百万元 | 12-18个月 | 多工序连续生产型企业 |
| 🟡 中 | 智能仓储+RGV | 数百万元 | 12-24个月 | 重载物流场景的大型工厂 |
| 🔴 高 | 过程控制AI模型 | 千万级 | 2-3年 | L1/L2自动化基础完备的流程工厂 |
| 🔴 高 | 云边协同架构(5G+边缘计算) | 千万级 | 2-3年 | 有大量实时控制需求的大型工厂 |
首钢冷轧属于钢压延加工（GBT 3130），是全国钢铁行业第3家灯塔工厂（继宝钢上海、兴澄特钢之后），全球第7家。
同为冷轧+汽车板方向，宝钢在数字化研发和智慧供应链方面走得更远。首钢冷轧的优势在于AI覆盖率（61% vs 宝钢约40%）和模型投入率（>95%）。
聚焦特钢（轴承钢/齿轮钢），在AI炼钢和数字孪生方面领先。首钢冷轧在冷轧工序AI控制和表面质量方面更具优势。
全球钢铁行业智能化标杆，在智能工厂和AI应用方面布局更早、规模更大。首钢冷轧在云边协同架构和模型投入率方面有差异化优势。
首钢冷轧>95%的模型投入率是一个硬指标——AI模型不是"试点"或"演示"，而是实实在在地替代了人工决策。
首钢冷轧的18个品质场景实现从"事后检验"到"事前预警+事中控制"的转变——这才是灯塔工厂和普通数字化工厂的本质区别。