科技新进展：融合大模型和人工智能技术的钢铁智能决策分析平台

一、研究的背景与问题

在国家制造业数字化转型与智能化升级的战略部署下，钢铁行业作为支撑国民经济发展的核心基础产业，亟需依托大模型、人工智能等前沿数字技术重构生产管控体系，突破传统流程制造的发展桎梏，实现产业由信息化、自动化向智慧化的进阶升级。在此背景下，构建大模型与人工智能深度赋能的钢铁全流程智能决策分析平台，成为破解行业智能化短板、推动产业高质量发展的关键技术路径。

现阶段，国内钢铁企业已全面完成信息化基础建设，积累了涵盖冶炼、轧制、设备运维、质量检测等全生产链路的海量数据，但传统数字化体系存在显著技术局限，数据、算法与业务场景无法深度融合，诸多深层次技术难题制约着行业智能管控水平与决策效能的提升。

在数据价值挖掘方面，钢铁生产产生的海量数据具备多源异构特征，存在数据标准不统一、融合共享率低、时序对齐精度差、因果关联挖掘不足等问题。传统数据分析仅能完成基础统计工作，无法深度挖掘工业数据内在规律，致使生产质量监控存在明显滞后，工艺优化与异常调控响应缓慢，难以实现批量生产的动态风险管控，无法适配精细化生产的发展需求。

在生产决策领域，当前钢铁生产排产、物流调度、设备运维等核心业务仍高度依赖人工经验，传统决策模式主观性强、协同性弱，各生产环节联动不足、运行割裂，整体运营效率偏低，易引发非计划停机、产能错配与资源浪费等问题，造成持续性生产损耗与经济损失。

在智能视觉应用层面，在高温、高粉尘、强干扰的极端工况下，传统机器视觉算法抗干扰能力与泛化性不足，识别稳定性难以保障。同时行业AI视觉应用多为单点碎片化部署，形成严重的技术应用孤岛，模型迭代速度慢、部署周期长，难以实现规模化复用与全域智能化感知。此外，行业整体智能信息应用能力薄弱，传统系统无法实现领域专业知识的自动挖掘、沉淀与复用，数据分析、决策研判效率低下，难以支撑生产场景实时、精准的智能化决策需求。

从国内外技术应用现状来看，现有钢铁智能化改造方案多聚焦于局部环节自动化优化与单点模型应用，普遍采用传统控制图开展静态质量监测、部署独立视觉单元完成单品检测，技术架构碎片化问题突出。此类方案不仅无法破除行业数据孤岛壁垒，且所用模型参数静态固化、迭代能力弱，各系统协同联动性不足，缺失大模型驱动的全局智能决策能力，难以实现生产全流程一体化管控与动态敏捷决策，无法满足钢铁产业规模化、精细化、智慧化的发展需求。

二、解决问题的思路与技术方案

在制造业数字化、智能化升级浪潮下，钢铁行业传统生产模式存在数据治理困难、协同决策滞后、视觉应用碎片化、知识流转低效等问题。当前，钢铁领域大模型正从单点辅助工具向全流程自主决策载体演进，垂直化微调、工序黑箱破解、人机融合智能、全链路自主调控成为主流前沿方向，为产业变革提供全新技术路径。

本项目紧扣行业技术发展趋势，以行业大模型为核心牵引，融合大数据、数字孪生、机器视觉等技术搭建一体化智能决策分析平台，依托大模型强大的语义理解、知识推理、数据处理与智能生成能力，贯穿钢铁生产全流程，串联数据治理、质量管控、生产调度、视觉感知、知识服务各大业务板块，构建全链路协同的智能技术体系，推动钢铁生产从经验驱动向全域智能决策转型。

全流程多源异构数据繁杂、融合难度高、潜在关联难以挖掘，是制约质量管控的首要瓶颈，也是钢铁垂直大模型落地的基础场景。本平台顺应行业数据驱动模型微调的前沿趋势，以大模型能力为支撑搭建统一数据基座与质量预测体系，整合边缘计算、云计算架构打通炼钢、连铸、轧钢全工序数据通道。借助知识图谱技术梳理生产全要素实体，并结合关联规则算法挖掘数据内在逻辑，大模型依托海量工业数据完成特征学习与规律提炼，为全流程质量溯源提供底层支撑。针对特殊钢种样本稀缺、传统模型易过拟合的问题，平台采用特征降维与迁移学习思路构建多级预测架构，由大模型完成跨工况、跨钢种的知识迁移与泛化适配，深度解析原料成分、工艺参数与产品性能的耦合关系。同时结合流处理框架、动态控制算法与异常检测模型搭建实时质量监控闭环，契合当前大模型破解冶炼 “黑箱”、实现工艺自主调控的发展方向，由大模型根据实时工况动态优化调控逻辑，联动生产执行与控制系统自动下发工艺指令，实现生产质量的动态管控。

围绕生产排产、物流调度、设备运维、高炉冶炼等协同管控场景，大模型承担全局统筹、智能研判与辅助调度的核心角色，这也是行业向多基地协同、柔性生产演进的重要依托。项目搭建“产品-设备-工序-工厂”四级数字孪生体系，破除各环节数据壁垒，依托数字孪生底座打造全厂智能决策驾驶舱。大模型整合全域生产数据，结合智能优化算法重构排产逻辑、规划物流路径，同时依托时序分析模型构建设备健康评估体系，基于设备运行数据自主生成智能巡检方案，实现设备故障提前研判与主动运维。针对高炉工况多变、数据异常频发、传统预测模型适配性不足的问题，大模型配合动态特征筛选算法与双阈值预警机制，自动识别、清洗异常采集数据，持续迭代预测模型，贴合智慧高炉自主运行的前沿应用方向，保障铁水温度、出铁量等关键指标预测的稳定性，完成全厂区生产资源的统筹调度与协同决策。

高温、高粉尘工况下机器视觉模型识别准确度差是行业普遍痛点，而大模型与视觉技术的深度融合，已是钢铁智能感知领域的重要发展趋势。项目依托构建低代码AI开发中台，大模型为视觉体系提供数据治理、样本优化与模型迭代能力。平台采用自动化标注结合人工校正的模式完成海量工业图像数据治理，由大模型完成样本筛选、数据增强与特征优化，大幅降低视觉模型开发与调优成本。基于主流目标检测算法开发多场景视觉应用模型，覆盖物流识别、铁水转运、轧钢物料跟踪、厂区安全环保监测等环节，大模型对视觉识别结果进行二次研判、逻辑校验与风险分级预警，让分散的视觉感知节点接入统一智能体系，打破应用孤岛，形成全域联动的视觉智能感知网络，推动传统视觉检测向“感知-研判-预警”一体化智能形态升级。

作为知识密集型产业，钢铁行业存在专业知识流转不畅、数据分析与报告编制效率偏低等问题，领域大模型的知识沉淀、交互与复用能力在此场景中具备广阔前景。项目面向钢铁全业务场景完成多模态数据清洗、脱敏与标注，构建行业专属高质量数据集，遵循“通用基座+领域微调”的主流技术范式，完成基础大模型的领域化微调与专业知识注入，打造冶金知识问答模型。本模型深度融合工艺原理、运维规范、质量标准等行业知识，实现专业问题智能解答、技术经验高效传承。同时依托大模型研发决策辅助智能体，搭建数据对齐、模板生成、智能解读的一体化架构，自动汇总多源生产数据，标准化输出分析报告与决策建议，实现生产经验、分析结论的沉淀复用，为管理层提供实时、专业的决策参考。

项目整体技术方案紧跟钢铁大模型垂直化、自主化、融合化的前沿发展方向，以行业大模型为主线串联钢铁生产全流程，将智能能力渗透至数据治理、质量控制、生产调度、视觉感知、知识服务各个环节。相较于传统单点式技术改造方案，本平台依靠大模型的全局理解、跨场景推理与持续学习能力，实现全工序数据贯通、多系统协同联动与全业务智能赋能，充分适配钢铁产业规模化、精细化、智慧化的发展需求。

三、主要创新性成果

1、构建了钢铁生产多源异构数据驱动基座与质量预测新模式

针对钢铁生产数据孤岛问题，融合多源计算引擎，搭建数据质量分析平台，实现全工序数据高效融合、精准对齐与追溯；基于迁移学习构建三级模型架构，结合特征降维技术，解决小样本跨钢种性能预测难题，使预测精度提升50%;研发动态SPC控制图与多变量异常检测算法，实现质量异常误报率降至4.8%，漏报率≤1%，产品不合格率降低6.3%，生产效率提升4.7%。

2、研发了融合大数据、数字孪生、人工智能的生产智能管控技术

研发低代码轻量化AI中台，破解模型点状部署、研发低效及海量数据管理标注难题，实现高效训练与多环境适配；构建五大机器视觉模型矩阵，适配高温多尘等极端工况，实现物流、铁水运输等全环节精准识别管控，推动管控模式从经验驱动转向智能驱动，支撑数字化转型。

3、构建了基于机器视觉的钢铁生产全流程智能管控体系

研发低代码轻量化AI中台，破解模型点状部署、研发低效及海量数据管理标注难题，实现高效训练与多环境适配；构建五大机器视觉模型矩阵，适配高温多尘等极端工况，实现物流、铁水运输等全环节精准识别管控，推动管控模式从经验驱动转向智能驱动，支撑数字化转型。

4、研发了基于大模型技术的冶金知识问答与决策辅助技术

构建超1TB生产全流程高质量数据集，破解行业大模型研发数据支撑缺失难题；研发冶金知识问答大模型，问答准确率≥95%，高效解决行业知识传递低效痛点；研发决策辅助智能体，将“取数—成文—成稿”从小时级压缩至分钟级，赋能管理高效决策。成果为行业大模型场景化落地提供关键支撑。

四、应用情况与效果

融合大模型和人工智能技术的钢铁智能决策分析平台是由中冶京诚工程技术有限公司、中冶京诚数科技（北京）有限公司、临沂钢铁投资集团特钢有限公司、江阴兴澄特种钢铁有限公司和东北大学共同研发完成。项目申请发明专利14项，登记软著18项，发表论文1篇，制定标准1项。

自2022年项目开始研发，2023年各子成果已在临沂钢铁投资特钢集团逐步上线、调试并投入生产使用，且该项目所有成果还在随着技术的发展不断迭代优化。2023年，智能驾驶舱v1.0版本在江阴兴澄特钢成功上线，2024年数字孪生工厂、大数据质量分析平台也相继成功上线并投入生产使用，受到用户的一致好评。成果不仅在临沂钢投特钢、江阴兴澄特钢投产使用，还成功推广至山西晋城钢铁、河北安丰钢铁、武钢、内蒙古亚新隆顺特钢、凌钢、鲅鱼圈钢铁等数十家钢铁公司成功上线使用。

信息来源：中冶京诚工程技术有限公司