焦炉的加热过程属于“单个燃烧室间歇、全炉连续”的复杂热工过程，受多种因素干扰。依靠人工经验调节焦炉设定温度的传统模式存在测温周期长、目标温度调节粗放、稳定性差、能耗较高等问题。本文旨在以自动化智能加热控制技术替代人工调节，实现焦炉生产稳定性提升、焦炭质量提升、能源消耗降低，提出一种融合时间序列季节和趋势项分解和Transformer算法的火道温度预测模型(STL-Transformer模型)、基于粒子群优化算法的火道目标温度设定模型和火道温度控制模型，并开发了焦炉智能加热控制系统。基于南钢真实数据的实验结果表明，火道温度预测模型的平均绝对误差为1.82 ℃，低于同类算法；火道目标温度设定模型机侧和焦侧的火道温度平均误差分别为2.49、2.55 ℃，相较于人工控制下降42.23%和40.56%。焦炉智能加热控制系统在南钢上线运行后焦炉整体能耗下降3%，焦炭反应后强度提升0.2%，为稳定焦炉生产、提升焦炭质量和节能降耗发挥了重要作用。

连铸板坯热送热装生产过程中，入炉温度会影响表面裂纹的产生。然而热送板坯入炉温度的测量常采用单点测温方式进行，精度较低且难以与表面裂纹的产生建立联系。为此，本文研发了板坯表面温度测量系统，可获取板坯的全场温度数据，通过处理得到稳定、准确的板坯表面温度。该测温系统可以排除氧化铁皮等因素的干扰，避免单点测温带来的测量波动，为优化入炉工艺制度及后期加热炉温度控制提供数据支撑。通过数据统计发现，板坯入炉温度集中在500~600 ℃内。针对板坯不同区域的统计表明，板坯表面最活跃区域出现在1/4处。结合板坯质量统计数据进行分析，发现板坯入炉时温度变化趋势可能会影响裂纹的产生。

高炉喷吹富氢燃料是高炉实现绿色低碳转型、践行双碳战略的重要举措，富氢后会引起炉料反应行为发生变化，进而影响高炉内炉料还原进程。为了准确评价首钢2 650 m³高炉喷吹焦炉煤气对综合炉料还原行为影响，本文根据现场生产数据，参照国标铁矿石还原性测定方法，研究综合炉料下碳氢比、炉料结构、装料方式及还原温度对高炉富氢还原行为影响。研究表明,随着H2比例从7%增至23%，球团矿和块矿的还原度显著提升至94.48%和94.47%，烧结矿则因析碳反应降低至88.36%；综合炉料配比变化对还原度影响较小，整体还原度稳定在88%左右；随着温度从700 ℃升至1 100 ℃，还原度显著提高，其中球团矿表现最佳(76.57%升至91.09%)，烧结矿次之(75.83%升至90.23%)，块矿略低(75.4%升至90%)，综合炉料的还原度最高达91.7%；碱性球团在900 ℃下结构稳定、还原性能优异，1 000 ℃时表面开始粘结，1 100 ℃时粘结和裂纹加剧导致强度和性能显著下降；矿焦矿装料方式的还原效率最高，综合炉料还原度达92.43%，显著优于焦矿焦(86.61%)和焦矿混合(89.76%)。研究结果为首钢2 650 m³高炉富氢对综合炉料还原行为影响研究提供一定的数据参考。

铁钢界面作为钢铁生产流程中炼铁与炼钢的关键连接部分，其动态调度和优化直接影响到生产节奏的稳定性和资源利用效率。铁运调度对铁钢界面的流畅、高效运行有着至关重要的作用，调度效率和合理性对铁钢界面中的铁水温降等关键指标有直接的影响。本文针对唐钢新区采用“一罐到底”模式的特点，提出了一种铁运调度决策技术，包括铁水包编组运输计划优化、机车任务分配规则和运输任务路径规划。该调度决策技术以出铁安全和钢水冶炼时间要求为目标，结合机车负荷和实时位置等约束条件，对铁水包的编组运输和任务分配进行了优化。并具备异常情况下的动态调整能力，能在设备故障、计划变更等突发情况下优化运输方案，保障生产连续性。在唐钢新区的实际应用表明，铁运调度决策技术显著提升了铁水包的运输效率、路径冲突避让率和整体调度水平，为钢铁企业的智能化与绿色化发展提供了实践支持。

随着人工智能(Artificial Intelligence，AI)技术的发展和数实深度融合要求的提高，钢铁行业传统的L1～L5五层体系已不能适应数字化转型的需求。本文从分析集团型钢铁企业数字化转型的内涵与特征出发，阐述了新一代信息技术下集团型钢铁企业的数字化系统架构，以及数字化转型和智能工厂建设中所必须的工业互联网平台、大数据中心和钢铁AI引擎平台三个基础底座，并结合在智慧治理、智慧制造和智慧服务三个方面的实践应用，配以具体场景加以描述。最后，以典型的集团型钢铁企业宝武为例，阐释了在数实融合的基础上，面对钢铁制造模式的变化和AI技术的发展，数字化转型从单体企业层级专业化管控到跨域协同的一体化运营、AI+钢铁的全过程智能以及从单一主体经营到全价值链生态协同的发展提升路径。本文提出的钢铁行业数字化转型路径及系统架构对于推动中国集团型钢铁企业数字化转型具有重要的参考价值。

中厚板在线剪切优化方法是影响剪切质量和生产效率的重要因素。传统方法用单一形状特征指标或拟合参考线的方法判断钢板形状并给出剪切策略，通常只算出单一解或有解误判为无解，容差性低。基于支持向量机(SVM)的剪切优化方法，将去除头尾的轧制大板的两侧轮廓点看作SVM的两个类别，计算超平面和最大间隔，超平面与头尾剪切线构成可剪切最大平行四边形，通过解析法计算出平行四边内的所有剪切优化解，构成解空间，进而根据订单需求选用典型解。最后，选取419个订单进行对比实验，该方法将无效解降低至0，无解比例降低5%以上，验证了方法的有效性和准确性。

在冶金企业的炼钢生产中，工厂运营效率对生产物流的流畅性和工序间的衔接具有直接影响。本研究旨在提升冶金企业炼钢生产中天车调度的效率，提出了一种融合深度强化学习(DRL)和仿真的调度方法。通过构建仿真模型模拟天车作业环境，并设计DRL算法处理实时空间信息，本研究能够在不确定的运输任务中制定出优化的调度方案。历史数据训练使模型在多变情况下具备作出最优决策的能力。利用仿真建模技术，实现了调度策略的动态优化和实时监控，通过奖励函数这一关键指标进行时间维度的监控，显著提升了调度过程的智能化水平与作业效率。实验结果表明，本研究提出的A2C方法在调度效率和任务完成时间上均表现出显著优势，算法最终累计奖励gap值显著优于其他强化学习方法(gap=7.89%)与传统方法(gap大于100%)。

本文提出了一种基于TabNet-XGBoost的钢铁企业生产过程用电量预测方法，旨在提高预测精度与优化效率。本文采用数据增强、异常值处理等预处理技术来优化模型性能，并结合TabNet模型的可解释性和特征筛选能力，识别关键影响因素以进行特征选择。此外，本文通过贝叶斯优化法及网格搜索法对极限梯度提升(XGBoost)进行超参数调优，进一步提升模型效果。同时，本文选用支持向量回归(SVR)、随机森林(RF)、梯度提升决策树(GBDT)和轻量级梯度提升机(LightGBM)机器学习模型进行了对比实验。实验结果表明，二氧化碳排放量、滞后无功功率、距离午夜的秒数(NSM)、周状态及周内的具体日期被确定为关键预测因子，这些因子分别反映了用电量的间接指标、电力系统的效率、非工作时段的潜在浪费以及周期性的生产活动模式。本文通过平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)对模型的预测性能进行评估，结果表明，TabNet-XGBoost模型在测试集上的MAE为0.326，RMSE为1.097，MAPE为1.032，相较于传统方法，预测精度有明显提升。综上所述，本文所提出的模型在解决钢铁行业生产过程用电量预测问题上具有显著优势，为相关领域提供了新的研究思路和技术方案。

针对特种无缝钢管在“多品种、小批量”生产模式下面临的产品质量在线检测难、单管信息全流程追溯难、生产高效自动排程难以及过程质量管控闭环难等系统性挑战，本文提出并实践了一套“检测-跟踪-排程-管控”四位一体的数智化工厂解决方案。该方案通过构建基于深度学习与多模态视觉融合的质量检测系统，实现了对钢管缺陷与尺寸的高精度在线测量；首创融合“视频AI+事件逻辑”的逐支跟踪系统，攻克了单支钢管全流程数据精准映射的行业难题；研发了基于遗传模拟退火混合算法的动态排程优化模型，显著提升了复杂订单环境下的排产效率与资源利用率；建立了基于策划-执行-检查-处置(PDCA)闭环理念的协同质量管控系统，实现了质量管理的系统化与前瞻性。应用结果表明，该系统使缺陷检出率达到99.95%，物料跟踪准确率达99-98%，排产效率提升超过60%，产品不合格率降低50%，为中国特钢行业的数字化转型提供了具有重要参考价值的典型范例。

轧后冷却是调控热轧带钢组织和性能的重要手段，换热系数作为温度模型中的关键参数，对卷取温度的控制精度具有决定性的作用。传统机理模型计算水冷换热系数的精度有限，难以满足X80管线钢低温卷取的控制需求，导致温度预测偏差较大。为解决这一问题，本文提出了一种数据与机理融合的温度预测模型。该模型基于传热学理论，通过求解一维导热微分方程计算带钢内部传热；同时结合数据驱动方法，构建水冷换热系数预测模型，以提高表面换热的计算精度。在数据驱动模型建立过程中，对比了人工神经网络、梯度提升决策树和支持向量回归3种算法在水冷换热系数预测中的效果，并选择最优机器学习算法建立融合模型。结果表明，基于人工神经网络预测换热系数的融合模型相比于机理模型，卷取温度预测误差降低了5 ℃，均方误差和平均相对误差分别降低了76.8%和49.5%，显著提升了卷取温度的预测精度与稳定性。该融合模型有效弥补了机理模型在换热系数预测方面的不足，为热轧带钢卷取温度的精准控制提供了一种可行的解决方案。

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。

在全球钢铁行业的智能化转型背景下，数字化技术已成为推动热连轧机生产线智能化升级的核心动力。本文系统分析了数字化技术在宽带钢热连轧机生产线中的应用现状与发展趋势。通过结合工业物联网(IIoT)、大数据分析、数字孪生和人工智能等关键技术，探讨了其在过程控制优化、设备智能运维、质量闭环控制、能源效率提升和产销一体化协同等方面的应用路径与创新成果；以1 780 mm热连轧生产线为研究对象，总结了数字化技术对热连轧生产效率、产品质量和成本控制的推动作用，其中，热轧工艺技术人员生产效率提高30%以上，综合成材率达到97.02%；最后，提出了数字化技术面临的挑战与未来发展方向。研究表明，数字化技术与热连轧机带钢生产线的深度融合将推动热连轧工艺向智能化、绿色化方向迈进。

在全球市场竞争加剧、能源和原材料价格波动、碳关税政策实施背景下，兴澄特钢针对企业定制化能力不足、产品质量评判缺乏系统性、高炉炼铁“黑箱”操作能耗高、轧钢工序生产协同性差、能源管理未系统性统筹等问题，利用工业互联网、人工智能、大数据、模拟仿真等数字化技术，借鉴世界经济论坛推动的灯塔工厂建设理念，部署了40余个第4次工业革命用例，实现了定制订单增加35.3%、不合格品率降低47.3%、吨钢能耗降低10.5%的显著改进；通过大数据分析支持的制造工艺定制设计、多模态仿真的高炉黑箱透明化、智能闭环控制支持的炼钢质量提升、AI赋能的轧钢工序高效制造、高阶分析驱动的能水碳资源优化等典型用例实践在提高生产效率、降低成本、创新产品研发、提高产品质量和客户满意度等方面取得显著成效，为钢铁行业数字化转型提供参考。

在钢铁工业中，高炉热风炉的传统PID控制面临非线性迟滞、多工况适应性不足等挑战，难以满足能效优化与环保合规的双重需求。本文基于AI智能体的融合控制方法，构建“预测—知识—优化”三位一体的智能控制系统。通过长短期记忆网络(long short-term memory, LSTM)算法与知识嵌入技术的双层耦合，实现拱顶温度预测平均绝对误差(mean absolute error，MAE)5.3 ℃，较传统自回归积分滑动平均模型(autoRegressive integrated moving average，ARIMA)模型提升58%；建立四维知识表征体系，结合Rete规则引擎实现异常工况9.8 s级响应；开发DeepSeek轻量化决策引擎，实现多目标优化3.2次迭代收敛，使吨铁热风单耗降低14.8%，季度节能收益达900万元。工业验证表明，该系统在3 200 m3高炉应用中显著提升热效率与环保性能，为工业炉窑智能化升级提供理论与工程参考。

在钢铁连铸过程中，由于钢种、铸速和温度等生产条件的动态变化，单一模型在铸坯表面缺陷检测中的适应性较差且往往无法灵活应对不同生产环境下的变化，容易在复杂的实际操作中失去精准性，从而导致误报或漏报问题频发，严重影响铸坯的质量控制。针对连铸过程上述特点，本文提出了一种基于多模型融合的数据驱动铸坯缺陷检测方法。首先利用高斯混合模型对工业过程数据进行聚类，将不同分布下的样本有效区分。接着在各个分布下的样本运用自编码器建立局部异常检测子模型，并确定各个子模型的控制限与重构误差。最后通过贝叶斯推理将各局部子模型的检测结果进行融合，实现对复杂多条件环境下的全局异常检测。利用某钢铁制造企业的连铸过程铸坯数据进行方法验证，通过实验对比分析不同模型检测性能，结果表明本文方法给出的检测效果最优，有效降低了漏报率和误报率。本文方法可以推广到其他场景的工业数据分析与建模，对于利用工业数据提升产品质量具有重要的参考价值。

在制造业高端化和智能化发展的背景下，我国冷轧板带产品结构不断升级，正由以通用板材为主的同质化竞争，转向以先进高强钢和优质镀层板等高附加值产品为核心的高端格局。然而，作为冷轧制造核心支撑的控制系统及其模型长期依赖国外技术，存在重复引进和适应性不足的问题，难以满足复杂工况下对高精度、高稳定性与快速响应的需求。为应对上述难题，本文构建了跨工序协同的冷轧质量数字化建模与动态预控技术体系。依托跨工序工业互联网平台，实现了冷轧与其上下游工序数据的贯通，并提出多源异构数据的融合与治理方法，从而夯实了质量建模与优化的数据基础。在此基础上，进一步利用热轧信息构建头尾剪切优化与堵边预控策略，以增强前馈识别与动态干预能力；同时结合热轧与冷轧工艺参数，开发面向冷轧过程的智能化高精度设定模型，以提高轧制参数设定的准确性和自适应性。最后，通过融合数据驱动与机理建模方法，提出冷轧质量预测与多目标协同优化策略，实现了复杂工况下的工艺动态调节与质量持续提升。上述研究为构建具备跨工序感知与动态调控能力的智能化冷轧质量控制体系提供了系统性技术支撑。

为实现转炉炼钢工序场景知识图谱的快速构建，并兼顾其准确性与实用性，本文提出一种自顶向下与自底向上方法结合的图谱构建模式。该方法一方面基于事理演化思想，在专家经验指导下完成本体类别定义与划分，采用自顶向下方式构建出转炉炼钢工序场景知识图谱的模式层；同时利用基于LLM Graph Transformer的知识抽取工具实现实体、关系与属性的自动化抽取，采用自底向上方式构建转炉炼钢工序场景知识图谱的数据层。通过模式层与数据层的整合，高效的构建转炉炼钢工序场景知识图谱。

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。

为应对钢铁行业产能过剩、“双碳”目标约束、客户定制化需求升级及工业4.0技术变革等挑战，西昌钢钒启动精品钒钛钢智能工厂建设，旨在通过数字化转型实现降本增效、柔性生产与可持续发展。针对传统信息系统金字塔架构存在的数据横向孤岛、纵向衰减问题，西昌钢钒开展顶层架构设计，调整业务架构、技术架构、数据架构和应用架构，探索存量应用向云边协同的工业互联网平台迁移，实现系统与数据的深度融合。围绕“工艺数字化设计、工艺动态优化、智能在线检测、在线运行监测、智能仓储、安全风险实时监测与应急处置、环境污染监测与管控和供应链优化“等场景开展数据赋能，建成国内最大规模的钒钛磁铁矿冶炼铁区一体化集控中心，构造了三位一体的质量一贯制管理数字化系统，以客户为中心贯穿产供销运全流程供应链数据和协同优化，显著提升产品质量和企业竞争力。

随着科技的进步与经济的发展，钢铁行业面临新的挑战与机遇。智能工厂是数字技术与制造业深度融合的新型工业生命体，在工业智能化转型升级的关键时期已成为推动制造业升级的核心力量。本文以河钢集团石家庄钢铁有限责任公司(以下简称“石钢”)为例，聚焦生命体式智能工厂的构建与运行，系统研究了数智化技术与工艺创新深度融合驱动下的特钢企业转型升级路径。通过融合工业互联网、大数据和人工智能等前沿技术、智能设备的集群化部署以及全流程实施智能制造，将产线智能化高质量发展推向新高度，让生命体有了强健体魄和聪慧思维。事实表明，生命体式的智能工厂构建，使得石钢在生产效率、质量与成本控制、绿色发展等方面取得显著成效，为钢铁行业的高质量发展提供了可借鉴的新模式。

在现代工业生产中，精确高效的钢种匹配在材料选用、调度排程及工艺优化中扮演着关键角色。然而，面对日益增长的复杂多维度、模糊匹配、相似度排序及加权查询需求，传统基于关系型数据库的查询方法已显现出其固有局限性，导致效率低下且灵活性不足。针对上述挑战，本文提出一种基于向量嵌入与高性能向量数据库的创新性钢种匹配框架。该方法首先对钢种的化学成分、力学性能、热处理状态等多源异构属性进行标准化处理，将其转化为统一维度的向量表示(嵌入)；随后，这些向量被存储于一个采用分层可导航小世界图索引的高性能向量数据库中，通过近似最近邻搜索技术实现快速、准确的钢种查询与匹配。本文详细阐述了如何将目标值匹配、范围匹配、多维度加权匹配以及基于现有钢种的相似钢种查找等多种实际匹配场景，统一转化为向量空间中的检索问题并予以实现。实验结果清晰表明，在处理十万级规模的钢种数据时，所提出的向量化方法能够实现毫秒级的查询响应，在处理模糊匹配和复杂查询场景方面展现出显著的效率提升和能力突破。本研究显著提升了钢种匹配的效率、准确性和场景兼容性，为数据驱动的工业材料智能管理提供了新的技术范式与实现路径。

为保障高端产品制造质量与成材率，构建了基于河钢数字工业互联网平台的数据驱动型质量洞察分析系统。系统通过多源数据采集与智能处理，融合机器学习算法与图像处理技术，实现钢铁生产全流程的质量数据跟踪。系统构建了在线监测-智能诊断-闭环控制的联动机制，对炼钢、热轧、冷轧等关键工序进行工艺参数优化、缺陷溯源及异常工况预判，形成覆盖质量指标预测、过程诊断的数字化管控闭环。系统应用以来，通过全流程质量数据深度分析，显著提升产品合格率，提高指标窄窗口控制水平，有效支撑高端制造的质量保障需求。

针对中压大功率网侧变流器单机开关频率低、电流谐波大等问题，本文提出一种基于变控制周期数字锁相的热连轧网侧变流器多机并网协同控制方法。各机组网侧变流器的分布式控制单元均采样公共电网电压作为同步信号，通过变控制周期数字锁相环将网压同步信号每个基波周期分成若干段并编号，再基于网侧变流器序号在基波周期内相应的分段点控制三角载波增减计数，进而实现各重网侧变流器三角载波的均匀移相，无需各控制器间增加互联线，就能够有效降低网侧电压、电流谐波，保障全工况下的电能质量。最后基于某钢厂1 850 mm带钢热连轧产线现场运行结果验证了所提控制策略的正确性及有效性。

针对传统轧钢行业生产效率低下、信息协同不畅等问题，本研究基于工业互联网平台，开展轧钢数字化工厂建设实践。通过构建集中操控中心、升级数字化产线、推进生产作业全流程数字化、实现生产管控智能化决策、建立业绩可视化对话机制、强化工序能耗精准管控、实施设备全生命周期数字化管理以及完善安全环保数字化监测体系等一系列举措，全面完善工厂智能化体系。实践过程中，有效打通生产各环节数据壁垒，实现全流程数据流与信息流的深度共享与融合，成功推动企业从传统重工业模式向自动化、信息化、科学化水平显著提升的新型创新发展模式转型，产品能耗降低12.7%，成材率和合格率分别提升0.1%和0.7%，生产效率提高18%。本研究为轧钢行业数字化升级提供了切实可行的实践经验与理论依据。

实现高线全流程物料跟踪系统能够有助于企业更好地管控线材的生产过程以及质量，也有助于企业向特钢转型。线材在连铸、加热、轧制和精整区域物料跟踪存在人工依赖、难以实现逐支逐盘全流程跟踪、准确性和稳定性不足等问题。用于炉号识别、C型钩号识别的机器视觉技术准确率不足100%，使得工业实践下的高线物料跟踪稳定性不足。本文提出了构造状态机、使用多系统数据比对、增加检验位等方法提升环境感知的准确性，进而提升物料跟踪的稳定性。以C型钩号识别为例，增加检验位这一方法将系统稳定性提升了600余倍。本文通过串联“炉号-铸坯号-线材材料号-C型钩号”之间的对应关系，不局限于单工序物料跟踪，实现了稳定可靠的全流程物料跟踪系统。实际应用效果表明此方法和系统有效，便于支撑质量追溯、跨工序协同等工作。

针对传统轧制力模型精度不足的问题，本文提出融合轧制机理与工业实测的方法。首先，基于轧制变形区几何特征建立椭圆速度场(elliptical velocity field，EVF)模型，为克服机理模型固有的预测偏差，在模型中引入了指数平滑法，提高模型预测精度。同时，为进一步提升自适应修正效果，引入趋势调整因子对误差进行动态补偿，最终得到高精度的双参数指数平滑法预测(double parameters exponential smoothing prediction，DPESP)模型。Q345钢生产数据验证结果表明，DPESP模型平均误差仅为2.83%，显著提高了模型的预测精度。该研究结果可为高精度轧制力模型的构建以及热轧板材轧制规程的优化提供科学指导。

钢铁材料国家标准解析的智能化升级面临多维度技术挑战，主要表现为标准文本具有多版本迭代特性、条款间语义耦合性强等特征。针对检索增强生成(retrieval-augmented generation，RAG)技术在处理标准时存在的知识碎片化与语义关联弱化等局限性，本文提出融合层级语义递归的RAG。首先，建立基于文档结构特征的多级语义解析模型，实现标准文本的层级化分解与结构化语义表征；其次，设计递归式语义聚合算法，通过自底向上的摘要生成技术增强上下文语义连贯性；最后，开发动态关联发现模块，利用大语言模型的命名实体识别与语义推理技术实现跨层级约束关系的深度挖掘。实验评估表明，相比于基线RAG方法，该方法在专业测试集上问答结果的BERTSore指标平均F1值提高14.46%，多跳问答场景下的ROUGR-L平均指标可达43.69%。为钢铁材料国家标准智能化解析提供了新的技术路径，对推动行业数字化转型具有重要实践价值。

本文以优质线材柔性生产智能工厂为研究对象，探讨建筑线材产线在智能化、数字化转型方面的实践路径和方法。通过分析线材行业生产特点与智能化、数字化转型痛点，融合5G、数字孪生、工业互联网等先进技术，构建了基于工业互联网的柔性生产智能工厂架构及实施方案，总结智能工厂在柔性生产、效率提升及质量优化中的创新模式，为同行业提供可复制的经验参考。研究表明，智能工厂建设能显著提升线材生产的柔性化、智能化水平，实现质量提升、效率优化与成本降低的多重目标。本研究实现了从研究到生产实践的落地，所有涉及到卓越级智能工厂的元素，例如智能决策、数字孪生、人机协同、生产经营管理、供应链协调、研发设计等功能均可观可用，设备智能化、工业互联网技术、数据管理等代表了行业最新成果，作为入围全国首批235家的19家钢铁企业之一，是行业借鉴的样板工厂。

在工业检测领域，X射线焊缝图像重复性检测对于防止整图或部分区域被人为篡改以及评估训练样本重复性等方面都具有重要意义。已有的研究大多是对整张图像进行重复性检测，难以适应针对焊缝区或母材区进行替换的篡改检测。为解决这一问题，本文提出了一种基于焊缝区和母材区分割的X射线焊缝图像重复性检测方法。首先，结合焊缝区和母材区灰度分布特点，通过比对实际灰度曲线和拟合灰度曲线自适应确定焊缝区边界，进而划分焊缝区和母材区；然后，采用计算效率高并且对亮度、对比度等微小变化具有鲁棒性的感知哈希算法分别计算焊缝区和母材区感知哈希值；最后，通过计算2个待检测图像的焊缝区和母材区感知哈希值的汉明距离来计算区域之间的相似度，进而判定重复性，也可通过区域加权融合策略实现整图相似性评估。使用该检测方法对基于GDXray数据集构建的重复性检测实验数据中的篡改图像进行检测，以检出率为评价指标。实验结果表明，本方法在图像进行区域替换、区域更改以及复合篡改情况下，平均检出率达95%，均具有良好的检测效果。

在钢铁生产中，铸坯跟踪至关重要。传统技术依赖多源传感器，存在信息错误、信息滞后等问题，而现有视觉跨域算法因钢厂场景限制难以适用。为此，本文提出基于Agent轨迹信息关联的跨域跟踪算法，利用铸坯运输轨迹和工序固定的特性，通过天车与辊道Agent在路网结点协同，融合视觉与生产规则，实现跨域轨迹关联。实验基于模拟数据集验证，该算法在辊道和天车跨域工况下实验效果很好，在辊道跨域工况中跟踪准确率(MOTA)达到92.1%，在天车跨域跟踪工况中MOTA达到了82.1%，突破了传统与视觉算法局限，为冶金跟踪提供方案，未来可进一步优化。

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。

连铸坯切割过程中出现的未切透情况严重影响生产顺行，“反枪”现象则被作为判断是否未切透的标准，依靠工人肉眼监测存在劳动强度大和漏判的问题。本文提出并实现一种基于EfficientDet目标检测算法的连铸坯切割反枪检测方法，实现了对反枪现象的实时自动化检测。实验结果表明在建立的反枪目标检测数据集上训练后的EfficientDet-D2模型精确率(Precision)达到97.87%，召回率(Recall)达到92.00%，平均精度均值(mAP)约97.76%，将该方法现场部署后，有效提高了连铸生产自动化监测水平。

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。

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。

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。

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。

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。

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。

在钢铁企业的带钢打磨作业中，采用机器人替代人工虽能显著提升打磨效率、稳定打磨质量并减少漏打磨区域，但机器人与运动带钢的适配性仍需突破，其中核心问题便是机器人打磨运动带钢的路径规划。针对这一实际场景下的关键技术问题，本文首先通过图形化方式分析机器人与带钢的相对运动规律，据此确定了机器人末端采用反向打磨-斜向衔接的打磨路径。在此基础上，建立了机器人运动参数与带钢被打磨区域的宽度、长度及带钢速度等参数之间的关系式，并基于该关系式提出了相应算法。为验证所设计打磨路径的有效性，在Robotstudio中进行了仿真实验，结果显示，该路径能够确保带钢打磨过程中无漏打磨区域，验证了其可行性与可靠性。

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。