金属材料制造过程连续难停机、关键内部状态难以直接测量、操作与质量结果之间存在明显滞后、故障样本稀少而失效代价高,决定了轧制工业AI不能停留于预测与生成层面,而必须走向目标驱动的感知-推演-决策-执行-反馈闭环。本文以目标驱动为主线,剖析人工智能由生成式AI向智能体AI、物理AI演进的能力跃迁,提出在“数据密集-智能涌现-人机协同”科研范式基础上显式引入“目标驱动”要素,形成面向工业控制的新范式;以V(状态表征)-M(记忆预测)-C(推演决策)功能闭环刻画世界模型核心能力,明确世界模型与数字孪生、具身智能、物理AI之间的联系与区别,并归纳全栈支撑、空间模拟与抽象预测三条世界模型技术路线及其瓶颈。在此基础上,构建以云端世界模型为全局“知”、以领域专业智能体与确定性控制为现场“行”、以全栈式垂直整合为工程基础的轧制工业AI系统架构。针对组织性能、外形尺寸和形状质量在可测性、机理成熟度与执行复杂度上的显著差异,分别提出“数据先行-知识赋能”“机理主导-数据补偿”“问题牵引-虚实融合”三条差异化建模路径。典型工程案例表明,相关技术已在单一领域形成可验证的局部闭环,正加速向跨工序、多目标协同的全流程自主决策演进,为钢铁等金属工业及其他大型复杂流程工业的智能化转型提供了理论基础与工程路径。

AI原生钢厂架构旨在解决大模型赋能钢铁智能制造过程中普遍存在的架构割裂、AI外挂、生产安全约束不足等行业痛点。参考架构自底向上分为数字资产界面层(DAS)、智能内核层、应用智能体层3层;架构以行业大模型为全域智能动力,依托DLA(Digital-Logic-Action)数字孪生本体完成产线与生产活动结构化建模,划定大模型推理边界、校验生成输出、约束模型行为,实现大模型能力释放与工业生产安全约束的辩证统一。本文逐层解析3层架构的定位、核心功能与创新价值,为AI原生钢厂的工程落地提供理论指引与实施参考。

随着钢铁工业智能化、绿色低碳转型和工业大数据平台建设持续推进,钢铁生产正由经验驱动与单点自动化,逐步转向数据感知、知识约束与闭环优化协同的智能化阶段。然而,钢铁流程工序长、变量多、耦合强、时滞明显且质量反馈滞后,多源异构数据难以直接用于可靠建模与现场决策。本文围绕“知识—数据双轮驱动”这一主线,综述钢铁工业大数据智能建模、部署与应用的研究进展,着重分析时序、图像、文本、物料谱系及多源异构数据的治理与融合问题,梳理工业知识图谱在语义对齐、知识推理、诊断解释和质量追溯中的作用,评述时序预测、视觉检测、工业自然语言处理、多模态融合、联邦学习、持续学习和云边协同等关键技术在钢铁场景中的适用条件与局限。在此基础上,结合实时检测与诊断、关键质量指标预测、工艺调度优化及全流程质量追溯等应用,探讨知识增强建模、可信部署、工业大模型、数字孪生闭环和绿色低碳决策等发展方向,以期为钢铁智能化从局部模型应用向全流程可信闭环的演进提供参考。

炼铁系统涵盖原料场、烧结、球团、焦化及高炉冶炼工序,是钢铁生产能耗与碳排放最集中的环节,其智能化程度直接影响全流程综合竞争力与绿色低碳发展进程。本文以工业大数据赋能为主线,梳理近50年来炼铁系统数智化技术演进历程,划分为自动化启蒙、数字化转型、智能化升级与全工序协同突破4个阶段,提炼出控制层级跃升、建模范式转变与决策模式演进3条发展主线。在此基础上,从原料场、烧结、球团、焦化、高炉5大工序出发,深入剖析工业大数据与人工智能技术在关键工艺场景中的应用现状,揭示数据驱动与机理模型在不同场景下的融合机制。通过对标国内外主流技术发展路线,指出当前研究在数据-机理-场景三元融合深度与跨工序协同广度方面的不足。立足行业发展趋势,从工业大数据技术、大模型研究技术、智能制造技术及绿色低碳融合4个方向预判后续技术创新路径。本文可为炼铁系统智能制造的理论研究与工程实践提供参考,助力钢铁行业向高端化、智能化、绿色化发展。

液压厚度自动控制系统(AGC)是保障板带轧制厚度精度的核心单元,其控制性能直接决定了金属材料的生产质量。本文系统梳理了液压AGC技术的演进脉络,将其划分为基于模拟调节的伺服执行、基于理论模型的计算精控及基于智能算法的自适应补偿3个阶段;深入剖析了各阶段在响应速度、模型精度及非线性补偿等方面的演进特征。针对当前液压驱动端动态特性与机械系统强耦合导致的调控瓶颈,本文提出了深度融合物理机理与实时数据的新型预测管控架构,重点阐述了高保真机理建模、变保真代理降阶、云-边-端协同调控及数字孪生全生命周期感知4大关键技术路径。该体系旨在提升系统在复杂工况下的鲁棒性,为液压AGC系统向数智化与自主化运维转型提供理论支撑。

板带材热连轧过程具有多变量强耦合、非线性与强时变特征,在换钢种、换规格、换辊及加减速等非稳态工况下,三维尺寸、板形和性能稳定性仍难以满足高端产品制造需求。围绕热连轧过程数据驱动建模与三维尺寸高精度控制,本文系统综述了机器视觉感知、机理—数据融合建模、动态数字孪生、CPS协同控制以及质量异常溯源与工艺逆向优化等方面的研究进展。首先,介绍大尺寸、不规则运动钢板图像采集、轮廓识别和机架间跑偏高速检测技术,阐述视觉感知对非稳态过程闭环控制的数据支撑作用;其次,总结轧制力、厚度、宽度、板形等关键模型从传统机理模型向机理—数据融合数字孪生模型演进的技术路线;再次,分析面向三维尺寸控制的热连轧CPS系统在微张力与活套控制、多机架厚度协同控制、头部翘曲与跑偏控制及板形动态优化中的应用;最后,讨论全流程质量预测、异常溯源和工艺动态逆向优化方法。相关研究表明,数据驱动与轧制机理深度融合可有效提升非稳态工况下模型设定精度、尺寸控制精度和质量稳定性,为高端板带材热轧过程智能化控制提供了重要技术路径。

热轧生产计划是钢铁制造流程中涉及产品交货兑现、多产线多工序资源与产能平衡、规格性能质量达成的关键环节,计划优化水平直接影响企业的降本增效、节能降碳效果。论文分别从钢铁生产流程视角进行热轧板卷与中厚板计划方法的现状与进展情况分析;结合研究对象和方法的演进,针对工程化应用的难点问题,从钢铁企业高端化、智能化与绿色化发展新需求,探讨了工业大数据、深度学习等智能优化技术可能的赋能方法;并进一步综合了热轧板卷与中厚板生产计划建模技术发展中的共同趋势,探讨了考虑连铸-热轧协同、板坯库与加热炉协同、虚拟板坯与实物板坯等协同优化的问题,提出需要开展面向多目标价值权衡、复杂约束动态可调的复杂组合排序优化的解决方案研究,以寻求业务规则-智能模型-动态数据耦合驱动的人机协同融合方法。论文可为钢铁热轧生产计划优化方法研究和工业应用提供新思路。

针对高炉炼铁区域人工巡检覆盖不足、响应滞后等问题,本文设计了一套高炉无人机(UAV)智能巡检系统,实现了高炉炼铁区域的实时监测和自动巡检。系统基于工业级无人机与全自动机场构建4级硬件架构与分层软件架构,集成温度、挠度与异常报警等核心功能。在算法层面,建立了红外辐射-温度映射模型与工况自适应阈值复合报警模型,提出了基于机器视觉的管道挠度像素级测算方法。现场运行结果表明,无人机红外测温误差小于10 ℃,下降管挠度测量相对偏差最大为3.11%,系统运行率达100%,验证了所提方法在高炉智能化运维中的可行性与有效性。

针对钢铁企业“一罐到底”工艺下铁钢界面物流紊乱、铁水罐周转率低及温降显著的问题,提出了一种融合物质流层流化与铁水温降耦合机制的动态调度优化方法。首先,基于冶金流程工程学理论,定义了铁钢界面物质流交叉耦合度量化指标,构建了以层流化为导向的高炉-炼钢匹配规则库。其次,通过长达数月的现场连续测温实验,揭示了铁水沟残铁混合、空罐等待及尾罐处理对铁水温降的非线性影响机理,建立了基于动态运行时间的铁水温降复合预测模型。在此基础上,构建了以最小化铁水温降惩罚与铁水罐周转时间为目标的多目标动态调度优化模型,并设计了基于规则引擎与离散事件仿真迭代相结合的混合求解策略。以河钢唐钢新区3座高炉与2座炼钢厂的实际生产数据为背景进行工业验证,结果表明相较于传统经验调度,所提模型使260 t铁水罐平均周转周期缩短44 min,尾罐导致的额外温降降低约38 ℃,脱硫站进站温度达标率(≥1 380 ℃)提升22%,验证了该方法在复杂铁钢界面动态调度中的有效性及显著的经济价值。

炼钢-连铸过程是钢铁生产核心环节,转炉(BOF)出钢延迟是一种典型的生产扰动,极易影响物质流在多工序的动态-有序、协同-连续运行。本文以某家炼钢厂为研究对象,运用Plant Simulation仿真软件构建了炼钢-连铸多工序运行仿真模型,解析转炉出钢延迟扰动对生产运行的影响。通过仿真分析不同生产运行模式下出钢延迟对生产运行的影响,建立应对出钢延迟扰动的炼钢-连铸生产运行调整规则及数学模型。实验结果表明,在LF/RH软吹最多缩短7 min、连铸周期最多延长5 min的约束下,针对3类典型工况分别形成差异化应对方案:仅干扰扰动炉后续工序(延迟 15 min、18 min)、影响同一转炉后续炉次且无需调整浇铸顺序(延迟 5 min、10 min、16 min)、影响同一转炉后续炉次且必须调整浇铸顺序(延迟 33 min),上述方案均可保证连铸机不间断连续浇铸。本文系统解析了不同生产运行模式下转炉出钢延迟扰动对生产运行的影响,提出的运行调整规则可为现场生产优化与扰动调控提供参考,有助于保障炼钢-连铸区段动态-有序、协同-连续运行。

针对宽厚板生产过程中余材规格多样、状态复杂、人工组板效率低且稳定性不足等问题,本文设计研发并在线应用了一套面向宽厚板生产的余材智能组板系统。该系统以余材-订单多约束匹配为核心,构建了基于冶金与工艺规则的可行匹配集合生成模型,并在此基础上建立综合考虑成材率、库存时间、交货期、加工成本及经济效益等因素的多目标协同优化模型。针对问题规模大、实时性要求高的特点,设计了融合领域规则的启发式智能组板算法,实现余材与订单的快速、最优匹配决策。该系统已在多条典型宽厚板生产线得到成功应用,实际运行结果表明,相比人工该系统能够实时进行余材处理,自动处理的余材量相比人工平均多10%以上,并有效提升余材综合利用率2%以上,对提高成材率和推动钢铁企业余材精细化管理有良好的示范作用。

极薄高强带材被誉为“钢铁工业皇冠上的明珠”,其轧制过程复杂、传统机理模型适用性差、多参数控制相互耦合。针对这些问题,构建了高精度模型与厚度、张力、板形控制等智能化技术体系,研发出自主可控的二十辊精密轧制智能化控制系统,满足了极薄厚度、更高精度和更高稳定性的生产需求。攻克了极薄高强带材厚度、板形及高速稳定轧制等控制难题,保障了我国高品质不锈钢、电工钢、精密合金等关键材料的高质量自主供给,应用于国防军工、航空航天、新能源汽车、特变电系统等重点领域。

针对带钢表面缺陷大小不一、种类多样,光照不足等复杂背景干扰导致目标缺陷难以检测的问题,本文提出了一种基于多感受野特征提取(MRFFE)与轻量交叉注意力模块(LCA)的改进YOLOv11(MRFFELCA-YOLO)算法。首先,针对YOLOv11特征提取阶段对多尺度缺陷适应性不足的问题,设计了MRFFE模块,通过多分支并行卷积结合残差流,增强算法对不同尺度缺陷的特征识别能力。其次,针对YOLOv11特征融合阶段简单拼接导致的信息稀释与噪声引入问题,引入LCA模块,通过构建交叉注意力与特征增强层,实现自适应特征交互并抑制背景干扰,以提升缺陷特征的识别精度。第三,针对基于交并比(IoU)的损失函数对小目标敏感、定位精度低的问题,采用具有尺度不变性与联合优化机制的高斯组合距离(GCD)作为损失函数,以提升算法对小目标缺陷的检测能力。最后,在东北大学带钢缺陷数据集(NEU-DET)上进行测试,结果表明所提算法均值平均精度(P_mAP)达到78.61%,较基准YOLOv11提升3.71%,验证了所提算法的有效性。

我国钢铁行业企业已经形成集团化发展模式,“一总部-多基地”管控方式可有效地提升企业应对复杂多变市场的能力。针对集团型钢铁企业集中销售、分布制造、低成本发货等现实需求,本文构建了订单分配与运输方式联合优化的数学规划模型,提出了改进的遗传算法进行求解。遗传算法采用双层编码表示订单-基地-运输方式的优化决策方案,采用轮盘赌和精英保留混合策略实现个体选择,设计了邻域搜索过程作为变异算子,保证解的可行性同时增强局部优化能力。计算实验结果表明,本文遗传算法在大规模案例情况下,在可接受的时间内能够稳定求得满足企业要求的优良计划方案。