随着中国钢铁行业数字化转型快速发展，钢铁企业沉淀了海量知识资产和数据资产。如何深度挖掘知识和数据价值，逐步实现从数字化到智能化的过渡和升级，成为钢铁行业的挑战性难题。大模型(Large Model)已经进入规模应用阶段，行业大模型是其深入垂直领域的关键。钢铁行业作为典型流程工业，场景资源和数据资产丰富，亟需行业大模型赋能，打造知识、数据和智能融合驱动的新业态新模式，实现智能化升级与高质量发展。本文首先提出了钢铁行业大模型的架构设计思路，研究了数据架构、平台架构和应用架构；介绍了知识引擎应用、深度研究智能体、金相检测大模型和具身智能大模型，探索了自然语言大模型、视觉大模型和视觉语言动作大模型的应用模式；最后从行业数据空间、大小模型协同体系和应用安全防护等方面对钢铁大模型未来发展进行了展望。

板坯号是钢铁生产中用于工艺追踪与智能物流的关键标识，但实际应用中常因打印不清或工业干扰导致图像信息受损，严重影响编号识别准确性。为提升受损图像的识别能力，本文提出特征识别推理网络(FRI-Net)，通过融合残缺区域识别、上下文特征推理与注意力机制，实现对钢板编号图像的高质量修复与精确识别。FRI-Net采用模块化设计，引入特征反馈优化机制与知识一致性注意力(KCA)，增强了对复杂缺陷区域的恢复能力。实验结果表明，FRI-Net在多个公开与工业数据集上均优于现有主流方法，在准确性与容错性方面展现出显著优势，有效提升了钢板追踪系统的稳定性与智能化水平。

针对热连轧规格切换和停轧换辊等非稳态轧制过程厚度控制精度低的问题，本文建立了一种基于Stacking集成学习的热连轧规格切换过程厚度数据驱动模型，通过贝叶斯优化算法确定了基学习器与元学习器的最优超参数配置，并将Stacking模型与其他主流模型进行了对比分析。同时，引入SHAP方法对Stacking模型进行解释分析，评估输入特征变量的重要性。研究结果表明，所构建的Stacking模型能够有效融合基学习器的预测结果，显著提升了厚度预测精度。所建立的Stacking模型的性能评价指标中，均方根误差(RMSE)为0.019 9，平均绝对误差(MAE)为0.014 9，决定拟合系数(R2)为0.999 9。模型预测厚度与实际厚度的误差控制在±35 μm以内的概率达到94.8%，控制在±50 μm以内的概率达到97.8%，实现了对热连轧规格切换过程厚度的高精度控制。

轧机是钢铁生产中的关键设备，其转子健康状况直接影响设备安全与生产效率。然而，实际中故障数据稀缺且类别不平衡，限制了传统诊断模型性能。为此，本文提出基于SN-WGAN-MMD的数据增强方法，用于提升转子故障诊断效果。该方法融合Wasserstein损失与最大均值差异(MMD)损失，从全局分布与高维特征层面生成拟真样本，并通过光谱归一化(SN)提升训练稳定性。生成样本用于补充原始数据集，缓解类别不平衡。实验在两个数据集上进行，结果表明：该方法在样本相似性、平衡性和诊断精度上均优于GAN、WGAN与WGAN-GP，最高准确率达97.3%，较原始数据提升15%，验证了其在全局匹配与局部特征表达方面的优势，为转子故障检测提供了高效数据增强方案。

烧结矿存在FeO含量检测频次少、周期长的问题，本文建立了烧结矿FeO软测量模型，以烧结过程的常规检测参数为输入变量，对烧结矿FeO含量进行在线软测量。该模型构建过程首先通过随机森林算法(RF)筛选出影响因子较高的变量，然后采用多层神经网络(MLP)拟合输入变量与烧结矿FeO含量的复杂映射关系，并通过野马优化算法(WHO)来对MLP的超参数进行优化，提高模型拟合和泛化能力。通过实际生产数据的建模结果表明：在±0.5%的误差范围内，模型的软测量准确率可达91.26%，能够为生产现场提供有效的参考，对降低烧结矿FeO含量波动以及提高烧结生产操作水平具有重要意义。

纵裂是板坯生产中常见且严重的质量缺陷，准确预测纵裂对提高铸坯质量和生产效率具有重要意义。但实际生产中纵裂样本远少于正常样本，导致数据分布极度不均衡，影响模型训练的效果，为模型构建带来了巨大的挑战，如何提高模型的泛化能力和预测精度成为关键难题。为此，首先基于大量结晶器铜板热电偶温度实测数据，应用滑动窗口技术提取纵裂和其他工况的温度样本。然后，提出一种基于网格搜索优化卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的板坯表面凹陷型纵裂预测方法，将样本输入CNN-BiLSTM网络中，使用CNN获取时间序列局部特征，BiLSTM获取长期依赖特征，最后通过全连接层进行板坯纵裂预测输出。实验结果表明，提出的网格搜索优化CNN-BiLSTM模型在测试集上的性能明显优于其他模型，对纵裂温度波形的预测命中率达到99.29%，误报率为0.71%，马修斯相关系数(MCC)高达0.96，且该模型的训练和预测速度较快。研究结果为板坯表面纵裂识别提供了可靠的理论依据。

针对辊式淬火过程中的板形预测问题，提出了一种基于聚类分析和改进双向门控循环网络的辊式淬火板形预测方法。针对淬火过程中影响钢板板形的关键工艺参数，采用K-means聚类法对样本数据进行分类，以识别不同钢种和规格钢板的特性分布。对于连续生产的钢板批次，为了提取淬火过程变量的高维特征，使用了双向门控循环网络来处理前后板形所依存的时序关系，结合卷积神经网络和双向门控单元构建了基于改进双向门控循环网络(CNN-BiGRU)的板形预测模型。应用实验结果表明，使用K-means聚类指导的改进双向门控循环网络预测模型在工艺误差范围内实现了有效的板形预测，为钢板淬火工艺的板形控制提供了可靠支撑。

热连轧的精轧机架之间装有活套来保证轧制过程中金属秒流量平衡和带钢张力的稳定，因此活套控制系统的调控精度和动态响应特性直接决定了成品带钢的质量。针对液压活套系统多变量强耦合、非线性时变特性而导致的控制难题，本文设计了一种融合改进粒子群优化算法(IPSO)与反向传播神经网络(BPNN)比例-积分-微分(PID)的复合智能控制策略。通过构造前馈补偿解耦控制回路来削弱系统存在的耦合效应；构建惯性权重和学习因子动态调整机制的改进PSO算法，解决传统BP神经网络PID存在的权值初始化随机性强、容易陷入局部最优且收敛速度慢等问题。基于MATLAB/Simulink平台的仿真实验证明，本文提出的IPSO-BP-PID算法相比于反向传播神经网络(BP) PID和传统PID在单位阶跃输入信号作用下都具有更好的控制效果，验证了IPSO-BP-PID算法的有效性。

本文聚焦数字孪生技术在冶金工程领域的创新应用与发展趋势。作为工业4.0的核心组成部分，数字孪生在钢铁行业展现出巨大的应用潜力和广泛的前景。首先，本文回顾了数字孪生技术的定义、背景与核心发展技术，阐述了其在冶金领域的重要意义。其次，结合钢铁制造体系的生产流程，系统梳理了数字孪生技术在冶金领域的实践路径和应用场景。最后，基于多维视角剖析了钢铁数字孪生工业化实施进程中的技术瓶颈，并结合行业特点及技术发展，展望了其未来发展方向。值得注意的是，本文追踪了生成式人工智能算法、大语言模型及智能代理等前沿技术的最新进展，分析了它们与数字孪生技术在不同层面的融合潜力，为构建具备智能认知的下一代冶金数字孪生系统提供理论方向。

铁水运输是钢铁企业生产中连接炼铁和炼钢的关键环节，其效率受制于铁钢界面多机车路径规划算法求解质量、速度等多方面。针对现有算法存在的计算效率低、易陷局部最优等瓶颈问题，本文提出了一种用于铁钢界面多机车路径规划的鲸鱼优化动态权重时间A*算法(WODWT-A*)。首先，本算法通过引入动态权重机制，将代价比例与差异函数进行线性组合，从而改进启发函数，显著提升动态环境下路径搜索的时效性与精准度，突破传统A*算法在复杂场景中的效率瓶颈。此外，为提高路径规划的全局优化能力，本方法引入鲸鱼优化算法(WOA)。通过模拟座头鲸的群体捕食策略，实现初始解的动态优化与参数自适应调节，增强对复杂解空间的多维探索能力，有效规避局部最优陷阱。这使得WODWT-A*算法可以通过全局搜索与局部优化的协同机制，显著提升路径规划的稳定性与解的质量。实际案例验证表明，WODWT-A*算法在多任务并发、路径拥堵及动态环境中表现出高效的适应性与可靠性，为铁钢界面多机车协同调度提供了优化解决方案。

矿渣粉磨过程是生产矿渣微粉这种绿色原料的关键，其指标的好坏直接影响整个过程的经济性与安全性。然而，该过程具有多个被控变量，同时还存在强非线性、大反馈滞后、频繁工况波动等问题，导致其质量、产量和温度指标难以控制。为此，本文设计一种基于模型预测控制的矿渣粉磨智能控制系统。该系统先通过现有平台对控制目标进行智能优化， 再基于模型预测控制方法对质量、 产量和温度指标进行控制。实际运行结果表明， 该系统的投用使整个过程的单位气耗和单位电耗分别由35.7 m3/t和40.4 kWh/t降低至34.1 m3/t和38.7 kWh/t，表明所提方法能在稳定产品质量的同时显著降低能耗，具有实用性和有效性。

针对高强无取向硅钢热连轧过程轧制力计算与工艺优化问题，通过热模拟实验与真应力-真应变曲线分析，研究了变形温度与变形速率对高强无取向硅钢热轧变形过程中的影响规律，构建了相应的变形抗力模型，求解得到了变形抗力曲线回归系数。基于轧制力模型，分析了不同轧制速度、变形温度对轧制力变化差值的影响，进一步，以均衡各机架轧机的设备能力，提高产品性能质量与产线生产效率为目标，建立了轧机设备能力剩余占比均衡情况目标函数与热连轧过程控温控速目标函数，开发了高强无取向硅钢轧制工艺优化技术，实现了对入口温度与轧制速度的合理设定，并取得了较为显著的应用效果。