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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。