中厚板轧后冷却终冷温度控制是提升产品质量与生产效率的核心技术，其温度命中率的精准预测与调控备受学术界与工业界关注。早期研究以数学解析模型为主导，基于传热学理论构建牛顿冷却定律修正模型，虽计算效率高，但对复杂工况的适应性有限。随着计算机技术的发展，有限差分法(FDM)与有限元法(FEM)被广泛应用于温度场仿真，通过离散化处理提升了预测精度，但其依赖大量实验数据校准参数且计算成本高昂。近年来，机器学习模型凭借强大的非线性映射能力成为研究热点，BP神经网络、XGBoost模型等算法在终冷温度命中率预测中展现出显著优势。针对模型优化，学者提出超参数自适应调优等创新方法，通过融合机理与数据驱动策略，有效解决了工业数据噪声敏感性与泛化能力不足的瓶颈问题。尽管机器学习技术已在工业生产领域凸显应用价值，但钢铁行业作为典型的传统复杂工业领域，其生产流程具有多环节耦合、动态性强的特征，这导致机器学习技术的引入与落地面临多重适配难题，进一步制约了技术的规模化应用。未来研究需聚焦多模态耦合建模、低碳目标下的节能型冷却工艺优化，以及可解释性人工智能在工业决策中的应用，从而推动热轧冷却控制向智能化、绿色化方向跨越发展。

为提高Ti6411宽厚板产品质量，依据实际轧制生产工艺，通过ABAQUS软件建立三维热力耦合模型来对Ti6411宽厚板多道次轧制过程进行模拟，将模拟所得轧制力数据与现场实际数据进行了对比及误差分析，验证了模型的准确性。通过有限元模拟计算研究了不同轧制工艺参数下的钛合金板平面形状，结果表明，轧辊直径、轧制速度、轧制温度、板坯厚度、板坯宽度、道次压下率以及摩擦系数变化是Ti6411宽厚板头端异形区长度的主要影响因素，基于宽厚板轧制理论分析了轧件头端异形区长度产生变化的原因，进一步采用主成分分析(PCA)法总结了各轧制工艺参数对该长度的影响规律及影响程度，并将分析结果与基于有限元法(FEM)得到的各参数影响系数进行对比。研究结果可为Ti6411宽厚板平面形状控制工艺的优化提供理论依据。

针对连铸坯夹渣缺陷预测过程智能化效果不佳的现状，基于梯度提升决策树(GBDT)算法建立了连铸坯夹渣缺陷预测模型，基于合成少数过采样技术(SMOTE)解决了数据样本不平衡的难题，通过贝叶斯优化技术完成了模型全局最优参数的求解过程，最终基于GBDT算法完成了根据变量重要性排序的夹渣缺陷耦合工艺参数的挖掘。本研究实现了基于连铸坯生产过程参数的夹渣缺陷预测任务，针对预测结果采用沙普利值可加性解释(SHAP)量化了不同过程参数的影响程度，为连铸坯生产过程的参数调控提供了有效的支持。本研究成果已应用于某钢厂，不仅有利于科学的连铸生产过程调控，更可以为后续的连铸工艺优化与新工艺研发提供支撑。

针对高强板矫直中传统预测精度不足导致平直度控制难题，本研究开发了一种高精度预测模型，提出有限元仿真与智能算法协同的粒子群优化反向传播(BP)神经网络模型(PSO-BP)。通过构建基于ABAQUS的11辊矫直机三维动态显式有限元模型，模拟不同工艺参数下高强板矫直全过程的应力应变场演化及平直度变化；同步采集生产线2 000组实测数据，结合500组有限元仿真数据补充样本，经标准化处理后构建跨源异构训练数据集；利用粒子群算法(PSO)优化BP神经网络的初始权值与阈值，有效克服传统BP收敛慢、梯度消失及局部极小值问题。实验验证表明，PSO-BP模型预测性能卓越：训练集相关系数R值为0.957，测试集R值为0.965， 均方根误差(RMSE)降至0.027， 关键预测误差率稳定在3.7%~8.57%； 显著优于传统有限元法18.57%~20%的误差率。本研究融合PSO全局寻优与BP局部逼近能力，在复杂工艺条件下实现泛化性能突破，预测结果与实际高度吻合。后续需扩充数据多样性以增强模型适应性与迁移能力。

热轧带钢作为工业领域的关键材料，其力学性能预报精度对下游制造质量具有直接影响。然而，在实际应用中，受限于数据样本量不足，模型的预测性能难以提升；若考虑多产线或多工厂协同建模，又会面临数据异构性与隐私保护的双重挑战。针对上述问题，本文提出一种基于联邦学习的热轧带钢力学性能预报方法。该方法首先完成特征维度对齐，在确保数据隐私安全的前提下，实现对热轧带钢抗拉强度、屈服强度及伸长率的多方协同预测，并将其结果与基于单产线数据训练的模型预测结果展开对比。实验结果表明，该方法在各项力学性能预报任务中均表现出良好性能。此外，为进一步优化方案，本文引入基于特征重要性的联邦维数优化方法，协同筛选出对力学性能影响显著的关键因素。

针对高炉铁水量预测对铁水包调度与生产效率提升的重要性，以及传统机理模型预测精度不足的问题，本文提出一种基于机器学习的铁水量预测方法。研究以某钢厂2024年1月至2025年3月的高炉生产数据为基础，通过缺失值填补、异常值处理与Z-Score标准化构建高质量数据集，结合皮尔逊相关性分析与随机森林特征重要性评估，筛选出软水压力、煤气利用率、煤量等19项关键参数,并对AdaBoost、随机森林、支持向量机、神经网络与线性回归等模型性能进行了对比。结果表明，AdaBoost模型在铁水量预测中表现最优，其拟合优度(R2)达0.78，均方误差(MSE)为13.59，预测精度在±10 t范围内达87.2%，±15 t范围内达94.1%，采用Stacking集成框架后的模型预测精度±15 t范围内达100%，能够有效支撑实际生产调度需求。该方法为高炉铁水量的精准预测提供了可行的数据驱动解决方案。

厚板产线的板坯号识别受高温、粉尘、强反光与遮挡等工况影响，非规整粉笔手写体导致显著域偏移，使通用光学字符识别(OCR)在困难样本上大幅漏检/错检且跨厂泛化弱，同时精细标注代价高。为此，本文提出一套与工程约束兼容的两阶段流程：在训练阶段，先由两级检测自动裁剪侧边区域与字符框，并引入垂直投影先验以增强细弱与连笔笔画的可分性；随后通过自监督分类—核心样本选择—自训练更新的闭环，驱动视觉变换器(ViT)分类头迭代优化。在检测阶段，复用侧边/字符框检测与分类模型，结合领域规则与字符框位置进行序列约束，再由多模态串级后处理完成纠错、缺失位补全与候选重排，输出结构化结果。其中，多模态串级后处理模块仅接收前端检测/分类产生的字符候选、置信度、空间顺序与工艺规则等结构化信息，在约束可行域内进行串级纠错与重排；不直接处理图像像素，也不替代前端视觉识别，当前端候选缺失/漏检时仅输出“需复核/拒绝下发”而非凭空生成字符。基于真实产线构建的遮挡、擦拭、反光、低照度与倾斜子集评测表明：相较通用 OCR 与小样本强监督基线，所提方法在字符级与串级指标上取得显著提升，尤其在困难子集上显著降低漏检；在边缘算力预算下同时兼顾分辨率、吞吐与置信度校验；标注工作量约降 70%，并在加热炉前环节明显减少人工抄录/复核成本与错装风险。该范式可推广至连铸号、钢卷号与炉号等冶金标识任务。

转炉煤气是转炉吹炼过程中产生的重要二次能源，在对煤气回收进柜及输送至末端用户的平衡调度过程中，传统模式多依赖人工经验，长期存在界面不协调、满柜放散率高等瓶颈。为提升转炉煤气利用效率，通过解析转炉煤气管网运行特性及回收输配工艺知识，提出产耗预测模型的构建方法及以柜位优化为目标导向的协同调控策略，建立涵盖煤气回收预测、加压机多约束调整、末端用户优化分配的全流程平衡调度模型，并设计模型指令下发至工控系统的闭环执行机制。基于某钢厂实际工况进行现场应用，开发智能调控系统，实现加压机压送量和用户煤气用量自动调节，显著提升了管网的运行稳定性和平衡能力。应用表明：系统投运后，同工况下满柜放散频次从日均4.39次降至0.37次，效果显著。为钢铁企业二次能源智能调度提供了可应用的解决方案，积极响应低碳节能发展需求。

传统人工安装和拆卸连铸滑动水口油缸需直面高温、高噪声及粉尘弥漫等恶劣作业环境，劳动强度大，安全风险高。研发连铸滑动水口油缸自动拆装技术，以上位机为控制核心，PLC负责底层数据采集与逻辑控制，选用高性能工业机器人作为执行器，辅以3D视觉检测系统，检测距离特征值调节油缸活塞行程与安装要求匹配，并向机器人提供实时的目标位姿，实现滑动水口油缸从定位、拆卸到安装的全流程自动化操作。经现场实测验证，该技术成功实现机器人对人工拆装作业的完全替代，各项性能指标均达到或优于生产工艺要求，显著提升了生产效率与安全性，为连铸生产的智能化升级提供了有力支撑。

在热轧盘条生产过程中，物料(盘条)位置跟踪对于准确记录盘条生产过程参数和实现盘条生产的闭环控制具有重要意义。传统上采用安装专用的热金属检测器实现物料位置跟踪，增加了生产装备的成本及维护工作。本文采用生产中既有的轧机电流和辐射测温仪测温值作为物料到位判断信号，实现了盘条的位置跟踪。研究中发现由于存在保温罩遮挡、测温位置偏移等干扰因素，在进行物料到位判断时，若采用固定阈值算法易发生在位状态误判。为克服上述问题，本文设计了一种基于信号跳变的自适应阈值算法，在初始化过程中，通过对信号值归一化处理，获得初始在位判断阈值；对原始信号进行中值滤波后，判断信号跃变类型；在此之后，基于维恩公式对阈值进行自适应计算。现场试验结果表明，采用该算法获得的位置跟踪结果准确、可靠。

冶金炉窑高温、高压、强尘的环境对成像仪器的稳定性和成像质量产生了严重影响，为此，本文设计了防护系统并针对高温、粉尘防护的核心难题提出了对应的结构参数优化方法。首先，构建炉壁稳态传热模型以确定外界热负荷，并据此提出基于稳态热交换的冷却结构参数调节策略，建立了冷却结构参数与冷却介质属性的关联模型，确保成像仪器工作温度稳定。其次，针对粉尘遮挡糊堵镜头的问题，设计了一种利用风幕吹扫粉尘的锥形防尘结构，定义了结合混合约束处理技术的优化目标函数及其约束条件，其涵盖了防护系统的防尘性能、冷却性能、视场角限制及安全惩罚。最后，通过仿真与实际生产环境测试验证了优化后防护系统的有效性。结果表明，该防护系统内部温度稳定且低于无冷却状态，测试期间均温37.6 ℃，同时有效避免镜头糊堵保障图像清晰度，生产期间图像拉普拉斯能量及自相关度与休风期间差异小于5%，所设计系统已在现场稳定运行7个月，有效延长了仪器使用寿命并保障了高质量成像。

因横纵向空间跨度大且存在步进运动及有效辐射等问题，冷床区域圆棒相变过程的测温困难，无法实现冷却工艺的精准控制。为此，本文研发了棒材相变过程表面温度监测系统，利用红外测温图像和视觉检测算法动态捕捉棒材目标，通过棒材位置与温度的双参数测量实现冷床区域棒材温度的逐根识别。此外，该系统能够捕捉并记录每根圆棒的轴向初始温度分布以评估通条温度分布的一致性；并可逐根跟踪圆棒相变全过程的温度演变，可为棒材产品质量问题的追溯分析和新品种开发提供可靠支撑。