轧机作为热轧宽厚板产线的关键设备,是一个多维因素相互耦合的复杂系统,特别是在运转过程中,由于各影响因素的强耦合、非线性特点,导致轧机运行过程处于“黑箱”状态,无法实时准确掌握轧机运行状态并制定预防性措施,这已成为制约热轧宽厚板产线高精度和稳定轧制的瓶颈问题。为解决这一行业难题,介绍了数据驱动的热轧宽厚板轧机状态监测与分析技术,在深度感知轧制过程各类数据的基础上,应用大数据算法进行数据关联性分析,并构建多源数据驱动融合机理的轧制过程动态模型和轧机状态在线监测系统平台。在相关产线应用后镰刀弯偏移量模型准确率在95%以上,精轧机振动速度降低了64.8%~72.8%,能够有效识别90%的轧机状态数据,有效提升轧机状态实时精准感知和异常状态分析预测能力。

冶炼强度(smelting intensity,SI)影响高炉内部的物理化学反应,煤气利用率(gas utilization rate,GUR)与送风参数之间的关系随着SI 的变化而变化。忽略SI,即忽略了GUR 与送风参数之间的动态变化关系,对利用送风参数的GUR 预测产生不利影响。本文提出了一种考虑SI 分类的GUR 预测模型。首先,从铁水熔炼机理的角度评价SI 对高炉状态参数的影响。其次,提出一种基于状态参数的加权核模糊c 均值聚类方法(weighted kernel fuzzy C-means method,WKFCM)对SI 进行分类。再次,利用监督主成分分析(supervised principal component analysis,SPCA)对输入数据进行降维并基于支持向量回归(support vector regression,SVR)对GUR 的发展趋势进行预测。最后,利用该模型对不同SI 下的真实GUR 数据进行了预测。对实际生产数据的分析表明,考虑SI 分类的预测方法更适用于高炉复杂的生产环境中GUR 时间序列的预测。

针对现有连铸坯碳含量检测方法的不足,前人基于低倍组织图像灰度与碳含量的对应关系尝试建立了高碳钢连铸坯碳含量预测指数函数模型,但对于碳偏析程度更加难以表征的低碳钢还尚未研究。低碳钢局部区域偏析程度明显,最大偏析指数大于3.0,故有必要展开碳含量高效表征研究。选取典型低碳钢连铸坯试样,首先建立基于低倍组织图像灰度的碳含量预测指数函数模型,函数拟合结果R² 系数为0.62,平均相对误差(average relative deviation,ARD)为 29. 7%。 然后,建立了基于低倍组织图像颜色参数的碳含量预测神经网络模型,训练结果ARD为19.5%。最后,结合神经网络模型和指数函数模型预测结果特点,构建了碳含量预测综合模型,测试集数据的ARD得到了进一步降低,为14.27%。 同时,预测结果平均值与电子探针检测结果平均值的相对偏差为3.43%,与常用的碳含量检测方法相比,误差已基本达到相同的数量级,部分预测结果误差已低于常用检测方法。由于低倍组织图像及其颜色信息获取过程操作简单、成本低、像素尺度可处于微米级且获取范围可针对整个连铸坯断面或大区域范围,故本模型可为类似钢种连铸坯中碳元素偏析状况精细自动检测和评级以及数字化智能分析提供参考。

针对北京首钢股份有限公司连铸生产过程中存在的板坯赋号率偏低的问题,基于生产经验和板坯切割控制规则,开发了具备生产计划管理、切割跟踪与控制、坯号自动生成与打号控制、信息查询等功能的板坯连铸机智能切割系统。该系统重点应用中间坯和尾坯的切割优化,将“按炉生产冶模式转变为“按单生产冶模式, 更好地满足了多品种、小批量订单的生产要求。系统应用后,板坯赋号率由应用前的75%提高到99%以上, 这为企业订单兑现率的提升以及低碳生产的实现提供了技术支撑。

随着“碳达峰冶 “碳中和冶 “低碳冶金冶等概念的提出,钢铁行业的绿色智能制造已成为大势所趋。 铁前工序是钢铁冶金过程的前端工序,也是主要的能源消耗环节。 因此,实现铁前工序的绿色智能制造具有重要的经济价值和环保意义。 围绕钢铁冶金过程铁前工序绿色智能制造,以“智能碳使用冶的低碳冶金技术为核心,综述铁前工序运行状态智能感知、运行参数智能控制、运行性能智能优化和智能协同管控 4 个方面的研究进展。 运行状态智能感知是获取难以检测运行状态信息的主要手段,包括运行状态监测和运行状态识别。运行参数智能控制是实现铁前工序运行状态正常的前提,包括基于人工经验的智能控制、基于参数预测的智能控制和面向多目标集成智能控制。 运行性能智能优化是提升运行状态的运行性能的主要措施,包括操作参数智能优化和运行指标智能优化。 钢铁冶金过程智能协同管控着重研究感知、控制和优化技术的协同融合。 最后,分析当前存在的机遇与挑战,铁前大数据分析和运行状态智能感知、铁前工序一体化智能协同管控和铁前工序全流程性能提升与优化控制或将成为铁前工序绿色智能制造的前景方向。

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。

钢铁行业在我国国民经济中占有重要地位。 钢铁行业生产流程长、工序间强耦合、生产条件极端、内部 物理变化和化学反应复杂等特性,使得钢铁行业的生产过程建模、运行控制和操作优化等极其困难,进而影 响生产质量和效益的提高。 近年来,工业场景下数字孪生的蓬勃发展为钢铁行业转型升级提供了新思路。 本文首先介绍了数字孪生的定义和内涵,其次对于钢铁行业数字孪生的研究热点进行了分析,梳理了相关的 研究成果,最后分析了当前数字孪生在应用和发展过程中存在的不足,为研究人员的后续研究提供了思路, 以促进数字孪生在钢铁智能制造中发挥更大的作用。

在国家政策和现实需求下,5G 和工业互联网已经与钢铁行业中的许多方面结合应用,为实现钢铁行业 各环节从分散化、自动化向集中化、智能化、绿色化方向发展起到积极的作用。 但是,目前 5G 与工业互联网 基本上都停留在生产辅助环节,尚未进入真正的生产核心环节,信息化和工业化尚未真正深度融合。 从这个 角度详细描述了 5G + 工业互联网和工业控制发展方向以及关键技术,提出了新的网络融合技术架构,包括可 编程逻辑控制器( programmable logic controller,PLC)云化技术,支撑 PLC 云化部署的 5G+时间敏感网络( time sensitive networking,TSN)端到端低时延、确定性网络关键技术。 最后提出了工业控制、计算与通信融合的理 论和技术架构,介绍了 5G+TSN 和云化 PLC 技术相互融合场景试验的最新进展。 

考虑到液压活套控制系统的性能衰退会影响热连轧生产过程的产品质量和生产效率,提出了面向系统 性能修复的液压活套系统的故障检测与容错控制方法。 首先,基于液压活套系统的模型,利用贝尔曼方程给 出了基于观测器的系统性能衰退的预测指标。 其次,基于该性能衰退预测指标,提出了面向性能的液压活套 系统的故障检测方法。 再次,利用故障检测系统提供的信息,研究了面向系统性能修复的液压活套系统的容 错控制方法,该容错控制方法不仅可以在不改变现有控制器的前提下对系统性能进行修复,而且可以提高液 压活套系统的鲁棒性和容错裕度。 最后,通过某热钢生产线的液压活套模型验证了所提出的故障检测与容 错控制方法的有效性。

随着计算机技术的蓬勃发展，AI及大模型在钢铁工业的应用成为推动产业智能化转型的关键力量。主要针对大模型在钢铁工业的应用展开，首先，总结工业大模型的构建方式及典型应用领域；其次，阐述钢铁工业的特点，总结钢铁工业大模型的相关技术；最后，对于大模型的应用场景展开讨论，突出大模型在钢铁生产流程上的典型应用场景，如感知类任务及认知类任务突破。未来钢铁工业有望将大模型深度应用于新产品、新体系开发，以及提供综合决策支持，实现对钢铁企业的能源、原料调度及钢铁全流程监测等应用，推动钢铁工业实现高端化、智能化、绿色化发展，提供数字化发展的新思路。

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。

当前,新型技术革命浪潮正全球范围内兴起,以人工智能、大数据及工业4.0等工业技术为代表,传统化工厂管控模式已无法满足数字化制造需求,钢铁工业中生产流程复杂且协同作业难度较大等典型问题逐渐凸显,企业也存在信息化水平不均衡及信息孤岛现象严重等现象。对此,基于数字孪生技术、物联网、机器学习及视频智能识别等新兴技术,对厂房及生产产线精准建模,接入视频画面、传感器监测数据、系统控制数据、外部图纸信息及管理系统等,实时展现产线设备状态与物料等信息,对产线内数据信息实现可视化联动,消除信息孤岛。同时采用人工智能算法将庞杂分散的视频画面融合拼接,将产线监控画面进行拼接,对于重点特定的大范围区域,以“一张图”形式实现实时监控。

钢铁行业面临的质量、成本、环境、稳定性等方面的问题亟待解决,严重的“不确定性冶已成为钢铁生产 过程面临的重大挑战。 随着数字经济和数字技术的发展,数据分析技术成为解决不确定性问题的最有效方 法。 充分发挥钢铁行业应用场景和数据资源的优势,以工业互联网为载体,以数字孪生为核心,攻克关键共 性技术,形成面向未来发展趋势的数字化创新。 依托钢铁全生产流程、全应用场景数字化转型,加速建设钢 铁材料创新基础设施,掌握企业核心竞争力,促进我国钢铁行业实现数字化转型与高质量发展。

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。

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。

无人天车控制需要解决运行速度与防摇摆之间的矛盾,从而在保障安全运行下提升天车运行效率。本文提出了一种基于多运行状态下人工经验进行控制器参数切换的冶金无人天车防摇全程速度控制方法。该方法首先规划防摇摆前提下的大小车联动天车全程速度控制,然后根据不同运行状态下的人工天车操作经验切换控制器PID参数以优化天车防摇摆控制,总体形成对无人天车的前馈-反馈混合控制。仿真实验表明,相比人工操作常用的大小车联动控制,该控制方法整体运行时间大幅度缩短24.9%;现场实验显示,最大摇摆角度控制0.45°~0.85°以内,定位精度控制在10mm以内,相关指标在国内同类场景下处于领先地位。目前该方法在国内某钢厂已实现工程应用与成果验证。

钢铁行业领域标准建设作为产业转型的关键支撑，对于推动产业高质量发展和提升竞争力具有重要意义。为提升钢铁行业标准知识的查询效率和使用准确性，促进标准实施与技术创新的深度融合，开展了基于检索增强生成（retrieval-augmented generation，RAG）技术的智能问答平台开发研究。本研究选取60份具有代表性的钢铁行业标准作为基础数据源，运用DeepSeek-R1模型对标准文本进行解析和知识抽取，构建了钢铁行业标准知识图谱，为智能问答提供结构化的知识支撑。在LangChain开发环境下，设计并实现了GraphRAG和LightRAG两种不同架构的问答系统方案，并从查询精度、回答范围全面性、技术解析深度等多个维度进行了系统性能评估。研究结果表明，两种问答系统在不同评估指标上各有优劣。GraphRAG系统在处理复杂知识查询和关联推理时表现出色，能够提供更具深度和全面性的回答；而LightRAG系统则在查询响应速度和简单问题处理上具有一定优势。本研究开发的智能问答平台有效提升了钢铁行业标准知识的查询效率和使用准确性，为行业标准的实施和技术创新提供了有力的工具支持。未来，可进一步优化知识图谱构建和问答系统架构，结合更多领域数据和先进技术，推动钢铁行业智能化发展。

随着工业4.0和智能制造的快速发展,炼钢行业面临着转型升级的巨大机遇与挑战。炼钢智能化技术的应用,不仅提升了生产效率、优化了产品质量,还显著降低了能耗与环境污染,推动了钢铁行业向绿色、智能、可持续方向发展。文章综述了炼钢智能化的研究现状与未来发展趋势,重点分析了在电弧炉、转炉及精炼过程中,人工智能、大数据、物联网等先进技术的集成应用。详细阐述了炼钢智能化的关键技术,包括智能控制系统、数据采集与监控技术、机器学习算法、精炼过程优化等,并总结了各类智能化技术在提高钢水成分控制、冶炼过程精度、能源利用效率等方面的应用案例。此外,还探讨了炼钢智能化在实际应用中的挑战与瓶颈,如数据质量、系统集成、实时性和适应性问题。最后,展望了智能炼钢技术的未来发展方向,特别是在数字孪生、自动化控制、智能预测与优化等领域的潜力,旨在为钢铁行业的技术革新与智能化转型提供参考和指导。

随着DeepSeek等通用大语言模型的快速发展，工业领域的研究重心正逐步从基础模型探索转向其在垂直场景的深度应用。以转炉炼钢过程为典型研究对象，系统梳理了语言模型、视觉模型及时序模型等工业大模型的技术演进脉络，并提出面向转炉炼钢的多模态大模型架构设计的初步设想。该架构通过融合文献资料、火焰视频、烟气成分与铁水成分等多源异构数据，探索复杂炉况发现、终点动态预测及过程实时控制等关键技术路径，旨在突破传统方法在高温复杂反应解析、多变量耦合预测及实时决策优化等方面的瓶颈。在此基础上，本文进一步分析冶金大模型在应用过程中面临的挑战与应对策略，并对其未来发展方向进行探讨，为冶金工业智能化转型提供支撑。

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。

烧结是高炉炼铁的前置工序,烧结矿的质量直接影响炼铁过程的铁水质量与产量。对烧结过程关键参数的智能预测与控制是提高烧结矿质量的重要保障。因此,本文首先介绍了烧结工艺流程并分析了其主要过程特性,然后对烧结过程的质量指标和状态参数的预测建模研究进行了综述。在此基础上,本文详细阐述了烧结终点和点火温度等关键参数的控制方法。最后,对烧结过程关键参数预测建模与控制研究进行了总结与展望。

提升机是干熄焦装焦系统的关键设备,其负载大、启停频繁、工况不稳定,提升机减速机结构复杂且减速比大。因此,提升机的连续性和可靠性一直是生产和设备管理人员关注的重点。本文提出了一种基于多维感知和神经网络的人工智能算法来实时识别提升机设备的瞬时故障以及监测提升机生命周期的方法。通过提取和识别提升机减速机的声振特征,结合卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)神经网络算法,提取振动空间特征和时间工况特征,判断及预测设备运行的状态,从而实现对设备运行状态的实时监测、故障诊断和预测性维护。工程应用实践表明,该方法可有效实现95.3%的故障识别准确率,能够量化提升机处于机器运转生命周期的具体阶段,以提醒维护人员及时响应设备故障。实现提升机的预测性维护,降低设备故障率,减少维修成本,实现连续安全生产,推进设备专业化管理和智能工厂建设。

钢铁行业作为国民经济的重要支柱，面临高成本、低效率、工艺复杂等挑战，亟需通过智能化转型突破发展瓶颈。大模型技术凭借其跨模态理解、多场景泛化能力，为钢铁行业提供了数据价值深度挖掘与生产流程优化的新路径。提出了“五位一体”的钢铁行业大模型平台总体建设框架，并详细阐述了构建适应行业需求的大模型平台所需的十项关键技术。通过平台、算力、数据、模型、场景的深度协同，融合通用模型与钢铁行业知识，形成一体化、集成化的人工智能+钢铁解决方案，大幅降低钢铁行业模型研发门槛与成本，让人工智能技术更好融入行业。最后，结合钢铁行业的业务特点与实际探索经验，对应用场景进行了展望。

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。

当前，新型技术革命浪潮正全球范围内兴起，以人工智能、大数据及工业4.0等工业技术为代表，传统化工厂管控模式已无法满足数字化制造需求，钢铁工业中生产流程复杂且协同作业难度较大等典型问题逐渐凸显，企业也存在信息化水平不均衡及信息孤岛现象严重等现象。对此，基于数字孪生技术、物联网、机器学习及视频智能识别等新兴技术，对厂房及生产产线精准建模，接入视频画面、传感器监测数据、系统控制数据、外部图纸信息及管理系统等，实时展现产线设备状态与物料等信息，对产线内数据信息实现可视化联动，消除信息孤岛。同时采用人工智能算法将庞杂分散的视频画面融合拼接，将产线监控画面进行拼接，对于重点特定的大范围区域，以“一张图”形式实现实时监控。

针对高炉出铁前铁水产量未知导致铁水包难以高效中转与调度的问题,使用遗传算法优化的极度梯度 提升树(genetic algorithm optimized extreme gradient boosting,GA-XGBoost)算法构建并训练了铁水产量预测模型。经过测试与多模型对比,所提方法在多特征数据集的铁水产量预测问题中具有一定优势,在误差10t的范围内取得89.64%的预测准确率。首先修正了实验数据集的缺失值和异常值,在归一化后获得结构化的数据用于模型训练;然后,采用灰色关联分析方法筛选了铁水产量的主要影响因素,并结合工艺原理去除冗余参数;最后确定15个特征变量用于构建模型的输入向量。同时,针对预测结果,采用沙普利值可加性解释 (Shapley additive explanations,SHAP)原理量化了不同操作参数对铁水产量的贡献程度,为高炉的参数调控工作提供数据支持。本研究实现了基于炉次特征的铁水产量预测任务,不仅有利于更高效的高炉调控以促进 铁水产量的提高,同时结合预测结果,工作人员可以提前部署铁水包的运输路线,减少铁水包的热量耗散,进一步实现高炉冶炼的降本增效。

随着材料科学研究进入第四范式 ,人工智能技术正重塑该领域的研究 。 当前 , 大语言模型(large language models ,LLMs) 凭借其海量数据训练基础和超大规模参数优势 ,通过多任务集成 、智能生成与决策等能力 , 突破了传统机器学习在文本处理和人机交互方面的技术瓶颈 , 为钢铁工业的智能化转型提供了新的突破路径 。本篇综述系统梳理了大语言模型的技术特点 、研究方向及应用领域 ,结合钢铁行业的数据特性 ,详细阐述了面向钢铁行业的大语言模型框架 ,并提出了钢铁行业大语言模型的评估标准 。针对钢铁领域的特定需求 ,深入探讨了其在数据提取与保护 、性能建模与预测 、材料逆向设计及钢铁智能冶炼等方面的应用潜力 。最后 ,对钢铁行业大语言模型的发展现状进行全面分析 , 明确指出其可能面临的挑战 ,并提出相应的应对策略 。

针对传统吹氩控制中人工调控主观偏差大和透气性衰减的问题，分析了钢液面暴露区域的动态特征与氩气搅拌强度的关系，研究了一种基于机器视觉的氩气强度间接量化方法。该方法通过实时捕捉钢液面动态特征，采用人工智能大模型技术计算液面暴露率（surface exposure ratio, SER），并根据实时SER与理想SER的关系建立吹氩自动控制策略，实现了氩气流量的精准调节。研究结果表明，该方法克服了传统流量预设和人工调整的局限性，有效提升了搅拌强度的控制精度，并在实际VD精炼生产系统中进行了应用验证，证明了其工业可行性和工程推广价值，为精炼过程的智能化升级提供了可工程化落地的解决方案。

在新型工业化背景下，数字化与智能化转型已成为钢铁行业突破效率瓶颈、实现高质量发展的核心路径。与此同时，大模型作为近几年蓬勃发展的人工智能技术，在各行各业正在取得显著的成效。因此，如何使用通用大模型加速钢铁行业智能化转型成了一个重要的研究和应用方向。重点探索了三种构建钢铁领域大模型的主流方法：一是领域持续预训练方法，利用钢铁领域专业语料持续预训练以提升模型对专业知识的理解；二是场景任务监督微调方法，利用专业领域内的具体任务数据对模型进行监督训练，提升模型在领域任务上的表现；三是知识蒸馏方法，借助强的教师模型从钢铁领域语料中蒸馏出知识提供给小的学生模型训练，提升模型对专业知识的记忆。最后通过构建的钢铁知识评估集来评测这三种方法的优缺点。基于对三种方法的系统分析与综合比较，本研究为钢铁行业及其他垂直领域构建专用大模型提供了实践指导与方法论参考，助力产业智能化升级。

通过对我国废钢铁利用现状、废钢铁分类情况及分类标准进行分析,探讨了目前我国废钢铁利用及分类分拣概况,提出了存在的问题。在此基础上,对废钢智能识别系统、废钢铁快速检测技术的发展及应用情况进行分析,认为目前废钢铁分类分拣技术的发展水平与钢铁企业的实际需求仍有较大差距,未来要实现电炉智能化冶炼必须做到两种技术的耦合。我国对废钢铁的分类分拣仍相对初级和粗放,还不能做到对废钢铁成分的快速有效识别;在“双碳”背景下,随着我国钢铁工业由规模化高速发展阶段转向绿色低碳、高质量发展的新阶段,废钢铁质量的重要性日渐凸显,我国废钢铁利用水平要尽快得到提升,不仅要提高炼钢废钢比,更要提高废钢铁分类分拣的技术水平,为实现电炉冶炼智能化奠定基础。

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。

全球工业4.0革命不断深化推动了智慧钢铁等计算密集型工业应用场景的发展。钢铁生产具备工艺繁 多、工序复杂、高温高压设备集中等特征,这需要对生产状态进行实时监测与分析以优化生产流程。由于各工序均为“黑箱冶,导致实时状态难以精准获取等难题。数字孪生(digital twin,DT)技术通过创建物理世界的虚拟映射,已广泛应用于辅助钢铁生产过程实现实时模拟、分析和透明化,进而促进生产效率和质量的提升。首先提出了基于DT的云边端工业网络的多层协作调度框架,为实现资源的高效管理和网络安全,从网络层深入分析DT赋能下的工业互联网(industrial Internet of things,IIoT)新型资源调度与网络安全关键技术难点并探讨现有技术方案;然后聚焦物理层与数据链路层讨论孪生数据使能的跨层资源调度策略研究现状。最后指出现有工作不足并展望DT赋能的智慧钢铁的资源管理发展趋势,为钢铁行业的数字化转型提供参考。

天车作为炼钢-连铸区段衔接上下游工序的重要运输工具和辅助作业的核心执行设备,其调度水平直接影响炼钢-连铸区段的物流运输效率及生产节奏。本文介绍了我国炼钢-连铸区段天车调度的研究现状及进展。首先,介绍并分析了炼钢-连铸区段天车调度的特点及存在的问题;然后,总结了炼钢-连铸区段天车调度的研究方法及优缺点;最后,对目前开发的炼钢-连铸区段的天车调度管理系统进行了介绍和归纳,为进一步实现炼钢-连铸区段天车调度任务流程的数字化管理和智能化运行,提高炼钢-连铸区段生产与调度一体化水平提供了研究思路与理论指导。

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。

废钢质量检验一直是困扰各大钢铁企业重要问题。为解决废钢验质过程中存在的主观因素影响大、判级过程难追溯、质量异议等问题,基于人工智能技术的废钢智能判级系统应运而生,并且在钢铁行业得到了极大的关注。作为新鲜事物,很多企业对废钢智能判级系统的理解存在疑虑、不全面、不科学,甚至存在误解。在技术原理和技术架构功能基础上,阐述在图片自动采集、标准统一、压块等特殊料型智能判级、智能扣杂方面的关键技术突破,同时指出在化学成分识别、细小料型识别、压块内部质量检测等方面面临工程化挑战,最后提出废钢智能判级系统在企业应用发展过程和未来趋势。

传统的性能预测和优化方法多基于经验和机理，未充分考虑到数据中蕴含的价值。如何挖掘钢材性能与相关工艺参数之间的线性非线性传递关系，实现高精度的性能预测和工艺优化是目前的研究热点之一。本文以热轧板带制造全过程的高维工艺质量数据集为基础，提出了一种融合机器学习性能预测模型和沙普利加和解释(SHapley Additive exPlanation，SHAP)框架的热轧带钢性能优化方法。该方法首先以最大互信息系数(Maximal Information Coefficient，MIC)相关性评价指标从高维的工艺数据中筛选与机械性能指标存在显著影响关系的有效变量；然后通过对比基于多输出支持向量回归模型(Multiple output Support Vector Regression，MSVR)、支持向量回归模型(Support Vector Regression，SVR)和随机森林的性能预测模型的预测精度，选取最优性能预测模型；最后，基于SHAP解释框架和最优预测模型进行工艺参数评价，度量各工艺参数对最终性能的量化影响，并通过对操作变量按SHAP分析的结果进行调整，以验证性能优化的效果。实验结果表明，本文提出的性能优化方法可显著按需求改善性能指标，对于钢铁生产过程的机械性能管控具有指导意义。