前言
国务院印发《关于深入实施“人工智能+”行动的意见》（以下简称《意见》），明确了人工智能（AI）赋能重点行业的路线图，为推动AI与实体经济深度融合提供了重要指引。作为国民经济的基础性支柱产业，我国钢铁行业正处在高端化、智能化、绿色化发展的战略机遇期，《意见》的出台为我们带来了前所未有的发展机遇和创新动能。
《人工智能赋能行业发展标准化研究报告：钢铁行业》旨在系统性地梳理AI赋能钢铁行业的典型应用场景，展示全过程智能化升级的高价值案例，指导AI技术在钢铁制造各关键环节落地实施。本报告将深入剖析AI贯穿于“研发设计、工序管控、运营管理、经营管理”全业务流程的技术路线，通过翔实的案例分析，揭示AI在提升生产效率、降低能源消耗、保障设备稳定、提高产品质量一致性等痛点问题的巨大潜力。我们坚信，人工智能正在引发钢铁生产制造范式变革，驱动钢铁工业从“经验驱动”迈向“数据与模型驱动”，向高端化、智能化、绿色化的现代化产业体系演进，重塑全球钢铁产业的竞争格局，成为工业皇冠上新的明珠。
PART.01 目的和意义 人工智能技术正在重构钢铁行业研发范式，推动从传统试错法向数据驱动的精准设计转型。AI大模型深度学习和机器学习技术，对钢铁材料的成分、组织结构、工艺参数等进行深入分析和建模，实现材料性能预测与优化。通过将已有的实验数据输入模型进行训练，学习材料成分、结构和生产工艺等之间的关联关系，精准预测新产品性能，如强度、韧性、耐磨性、耐腐蚀性等，从而辅助研发人员进行产品研发。AI大模型的应用显著缩短了新产品研发周期，降低研发成本，提升产品质量，满足市场对高品质钢材的需求，为企业带来了更强的市场竞争力。 尽管应用广泛，钢铁行业智能化仍面临数据孤岛、算法泛化性不足、复合型人才短缺等瓶颈。未来需进一步建立人工智能赋能钢铁行业标准体系，推动“AI+钢铁”从局部优化迈向全域智能。为推动人工智能在钢铁行业实现深度赋能与价值跃升，核心目的在于构建一套引导行业实现系统性智能化转型的框架与支撑体系。 在此过程中，典型场景的智能化分级与标准化梳理发挥着枢纽性作用。其目的是为钢铁行业提供了一套系统化的评估和指导框架，帮助企业在研发设计、工序管控、运营管理等关键环节精准定位自身智能化水平，识别差距与改进方向。通过建立分级评估体系与标准化实施规范，能够引导企业制定针对性地优化策略，推动技术创新与业务场景的深度融合。最终，该工作旨在协同上述探索路径，强化标准体系建设与方法论研究，牵引行业人工智能研发与应用的规范化、高质量发展，从而系统性地推动钢铁行业从“局部优化”迈向“全域智能”，全面提升其运营效率、产品质量与核心竞争力。 PART.02 技术底座与能力体系 报告构建了覆盖全流程、适配钢铁复杂工业场景的人工智能技术体系，明确六大核心能力，形成标准化技术底座： 智能感知能力：依托机器视觉、电磁超声、激光诱导击穿光谱、多模态数据融合等技术，实现高温、强干扰、多相耦合生产环境下全维度数据采集与工况透视，破解关键参数 “测不准、看不见” 难题。 智能认知能力：以行业知识图谱为核心，实现工序、设备、物料、工艺机理、质量指标等要素结构化表达，支撑深度理解、逻辑推理与知识沉淀，提升人工智能应用可解释性。 智能决策与控制能力：运用时序预测、自适应控制、运筹优化、多智能体协同等技术，实现单工序精准控制与跨工序全局优化，推动从局部最优向系统最优跃迁。 智能生成能力：基于生成式人工智能，开展工艺优化、材料设计、策略生成等创新应用，推动行业从经验依赖向智能创造升级。 自学习与进化能力：以具身智能为代表，实现感知 — 决策 — 执行闭环迭代，适配动态工况，持续优化作业策略。 平台支撑能力：围绕数据资产化、算力动态化、模型工程化，构建钢铁行业大模型基础设施，保障模型可信、稳定、高效运行。 上述能力体系坚持机理模型与数据驱动深度融合，兼顾工业可靠性与技术先进性，为标准化应用推广奠定基础。 PART.03 智能化分级依据：行业统一评估与转型标尺 报告建立L1 至 L5 五级智能化分级标准，覆盖研发设计、工序管控、运营管理、经营管理四大核心领域，为行业提供统一的智能化水平评估依据： L1 辅助感知级 系统具备基础的数据采集与感知能力，可实现初步的监测与报警。决策完全依赖人工经验，AI仅作为辅助分析工具。 L2 模型辅助级 在单一场景或单项目标上提供分析、预警与辅助决策建议。优化决策仍需人工主导与干预。 L3 自主决策级 在特定场景或工序内，基于多源数据和模型进行多目标协同优化，并实现自主控制与决策，极少人工干预。 L4 系统自治级 系统突破单点边界，实现跨工序、全流程的协同管控与实时优化。具备自我学习与持续优化能力，能在一系列约束条件下自主寻优。人工仅负责设定目标和边界。 L5 生态创新级 具备自主创新能力，可发现新工艺、新材料，形成可复制推广的行业标杆范式。 PART.04 人工智能赋能钢铁行业典型场景图 图谱介绍| 根据以上分级依据，中国电子技术标准化研究院联合中国钢铁工业协会、中国钢研科技集团有限公司、北京科技大学、东北大学、宝山钢铁股份有限公司、上海宝信软件股份有限公司、湖南华菱湘潭钢铁有限公司、南京钢铁集团有限公司、江苏金恒信息科技股份有限公司、首钢集团有限公司、首钢技术研究院等钢铁行业产学研机构的专家代表共同研制《人工智能赋能钢铁行业典型场景图谱》，为钢铁研发设计、工序管控、运营管理、经营管理等场景的智能化升级提供指导。其中，标黄色的场景为L2级，标绿色的场景为L3级，目前按照本报告的分级方法，未出现达到L4级的场景。 获取原图请点击链接：https://www.kdocs.cn/l/caiBdHt32xc8 PART.05 研发设计、工序管控、运营管理、经营管理四大类型 01 研发设计 破解传统“实验试错+现场试制”研发范式导致的试错成本高、研发周期长、产品创新难等困境，建设集成化产品数字化研发平台，深度融合人工智能、专家知识库及材料与工艺仿真等多种知识体系，建立以精准满足客户需求为导向的产品研发新范式及工艺优化新模式。贯通产品研发设计、生产制造、产品服务的全价值链，打通数据驱动的端到端价值链闭环，提升满足国家钢铁产品重大需求、动态响应市场产品定制化的产品研发与工艺优化能力。 02 工序管控 面向钢铁生产中的设备控制、参数优化、质量监控等业务场景，针对钢铁生产品种多、物料成分波动大、设备和环境复杂、工序间关联紧密等问题，融合人工智能进行在线感知与精准控制。通过数据采集与智能分析，实现从基础监控到智能控制和预警，再到局部自主优化，逐步提升为全流程智能化与实时优化。从而实现智能控制、工艺优化、自主决策，推动行业智能化升级。 03 运营管理 面向质量、生产调度、运输、仓储、设备、能源、安全、环保管理等业务场景，将智能感知、智能认知、智能决策等人工智能技术与业务场景深度融合实现生产智能调度、质量智能管控、能源智能优化、设备智能运维等运营管理，从而提升生产效率和产品质量、降低能耗和运维成本、促进绿色安全，达到整体运营的精益化和资源利用的最大化。 04 经营管理 面向采购、销售、成本、财务管理，协同办公、人力资源、审计内控等业务场景，针对市场需求信息获取不及时、营销策略不合理、人力成本高等问题，利用自然语言处理、知识图谱、大数据分析等技术，实现营销策略优化和供需精准匹配，提升营销精准性和销售量，降低企业运营人力成本。 PART.06 未来发展趋势 未来，人工智能将持续推动钢铁行业变革：一是提质增效，实现全流程优化，降低成本、提升质量与设备利用率；二是技术创新，加速新材料、新工艺研发，推动绿色低碳转型；三是生态重构，实现全产业链数字化协同；四是管理升级，催生新型组织架构与岗位设置，提升行业治理水平。 本报告为行业智能化转型提供了系统性、规范化、可落地的行动指引。下一步，应以报告为基础，加快核心标准研制与试点验证，强化标准应用推广，推动人工智能技术在钢铁行业深度落地，助力我国钢铁行业迈向高端化、智能化、绿色化发展新征程，为全球钢铁产业智能化转型贡献中国方案与中国智慧。 获取全文请点击链接: https://pan.baidu.com/s/1PLuxzFrsfsQEfbN6tS_8fg?pwd=gpp7 提取码: gpp7 附件：典型场景案例 D2.1：智能配煤（华菱湘钢） （1）场景介绍 炼焦是钢铁行业重要的环节之一，焦炭质量直接影响铁水、钢水的结果，因此焦煤的全生命周期供应管理尤为重要，原料煤采购、库存管理、生产、质量预测需要进行统一的管理。 炼焦全生命周期管理的核心是配煤，且焦炭占据了较大的成本。炼焦工序亟须在保证焦炭质量要求的前提下，综合考虑焦炭价格和产品综合收益，寻找最优配比使得利润最大化。 （2）现状痛点 1) 配煤周期长：配煤时间大约为3天； 2) 配煤比例不精确：需要不断人工试错调整，成本较高； 3) 配煤质量不可控：无法准确判断配煤质量。 （3）场景方案 该场景通过大数据分析及人工智能技术，实现数据的采集更新、模型建立及模型使用，通过系统的智能预测来进行原料煤质量评价、焦炭质量评估预测，以及指导原料煤的采购计划，最终形成以“保质增效”为核心，计划生产采购一体化的炼焦全生命周期精细化运营体系，智能配煤系统技术架构如图所示。 图 ：智能配煤技术系统架构 （4）场景效益 1) 经济效益： A. 成本降低：通过原煤配比优化，降低配煤成本，平均每百万吨焦炭降低500万—2000万元。 B. 效率提升：应用模型后，减少了对人工和小焦炉的依赖，将配煤实验调整周期从3天缩短到1分钟。 2) 社会效益： A. 减少污染物排放：在保证焦炭质量的前提下减少优质炼焦煤使用比例2%，为国家每年可节约数十万吨优质炼焦煤资源，可以结合产物产率及排放物统计进行算法优化，在进行配比时充分考虑排放物的产率，助力实现绿色低碳，响应国家“双碳”目标。 B. 提升配煤效率：帮助企业打通端到端数据，消除多系统数据孤岛的现状，沉淀数据资产，挖掘数据价值。针对不同管理层人员，可以定制生成多种业务报表，减少通过小焦炉实验或者通过大焦炉实际生产试错验证，提升分析决策效率。 F2.2：炼钢智能控制（江苏金恒+南京钢铁） （1）场景介绍 随着新一轮科技革命和产业变革的深入发展，以5G、AI为代表的新一代信息技术正加速向制造业融合渗透，为制造业带来了更高效、更灵活、更智能、更绿色的生产方式，同时也推动了钢铁企业等制造业的数字化、智能化变革。钢铁企业最复杂工序无疑为转炉炼钢工序，目前大部分钢厂炼钢依然靠“经验炼钢”，操作工根据自身经验进行粗略计算热量、合金辅料以及总吹氧量与氧枪控制，往往精度不够，偏差大，造成合金辅料成本增加难控制，钢水过氧化或者磷高等异常较多，另外操作工根据炉口火焰与炉口跳渣粗略判断炼钢过程泡沫渣的厚度情况，对操作工经验知识依赖非常强，控制不好往往容易造成转炉大喷溅，从而发生安全事故，也不利于转炉成本控制与质量控制。传统转炉炼钢依赖人工经验，存在终点碳温命中率低、喷溅/返干频繁、合金辅料与能耗浪费等问题，导致质量波动大、成本高企、环境污染严重。随着钢铁行业绿色化、智能化转型需求迫切，亟须通过融合AI技术、智能感知与冶金机理等技术打造AI炉长系统，它将曾依赖老师傅“眼观六路，耳听八方”的模糊经验，转化为毫秒级响应的精准控制指令，让氧枪与投料在算法指导下按最优路线完成。 （2）现状痛点 1) 高度依赖人工经验，控制精度低：炼钢过程凭操作工个人经验进行粗略计算和火焰、跳渣以及吹炼终点等主观判断，导致热量、合金辅料、总吹氧量及氧枪控制精度不足、偏差大。 2) 成本浪费严重，难以精准控制：合金辅料消耗大且难以精确控制，冶炼过程喷溅频发，导致金属料损失增加，另外冶炼过程不稳定导致能耗增加而浪费，使得生产成本高，不利于成本控制。 3) 质量波动大，异常率高：终点碳温命中率低，钢水过氧化、磷含量高等质量异常频发，产品质量不稳定。 4) 安全隐患突出，环境污染重：喷溅/返干现象频繁，既易引发安全事故，又造成环境污染，与绿色生产目标相悖。 （3）场景方案 针对传统转炉炼钢“经验驱动”模式存在的控制粗放、成本难控、质量波动大等核心痛点，深度融合AI技术、多模态智能感知与冶金反应机理，锻造具备自主认知、精准决策与动态优化能力的AI炉长系统，AI炉长系统覆盖“投料-吹炼-终点-合金化”全流程的智能决策体系，实现工艺参数由人工估算向数据驱动的精准计算，AI炉长将操作模式由主观判断升级为基于炉口火焰视觉、声呐频谱与烟气曲线的多模态认知智能控制，管理决策由经验依赖向算法优化的科学决策三大跃迁，为钢铁企业打造标准化、无人化、绿色化的智能炼钢新范式。 针对传统转炉炼钢经验依赖强、控制精度低、成本质量波动大等痛点，炼钢智能控制场景方案构建了覆盖炼钢全流程的五大核心模型体系，实现从“经验炼钢”到“精准智能炼钢”的跨越。 1) 静态计算模型：深度融合冶金机理与机器学习算法，对炉料结构、目标钢种等初始参数进行多物理场耦合计算，精准预测冶炼过程热平衡与物料平衡，动态生成最优辅料配比、总耗氧量及初始工艺参数，彻底替代传统经验公式与线性回归模型，为全流程控制奠定精准决策基础。 2) 氧枪动态控制模型：创新构建多模态大模型架构，实时融合烟气成分、声呐化渣、炉口火焰、氧枪振动等异构传感数据，结合铁水/废钢/辅料等投料信息，通过时序预测与强化学习实现氧枪枪位、供氧流量的毫秒级动态优化，统一四班操作标准，消除人工经验差异，有效抑制喷溅与返干。 3) 终点控制模型：基于副枪检测数据，运用时序分析、机器学习与专家经验，对熔池反应进程进行数字孪生建模，精准预测副枪测定后所需补吹氧量与冷却剂加入量，实现终点碳含量与温度的同步精准命中，将双命中率提升至90%以上，大幅缩短冶炼周期与补吹率。 4) 终点目标预报模型：采用多模态融合技术，整合炉气分析、音频特征、图像识别等多元信息，通过深度学习网络对冶炼终点碳、磷、温度等关键指标进行分钟级超前预测，提前预警成分或温度异常，支撑炼钢节奏优化与质量前置管控，实现“预知型”快速出钢。 5) 低成本合金优化模型：基于群智能算法与动态收得率预测模型，在满足钢种成分内控标准与质量强约束条件下，对合金加入种类进行全局寻优计算，实现合金成本最小化，同时统一四个班组的配料策略，建立标准化成本管控体系。 五大模型协同联动，形成“感知－预测－决策－执行－反馈”闭环（如图所示），实现炼钢过程数字化映射、智能化决策与精细化控制，推动转炉炼钢向低成本、高质量、安全绿色的智能制造模式转型。 图 4炼钢智能控制技术路线 （4）场景效益 1) 经济效益： A. 成本降低：通过精准计算合金辅料以及精准控制冶炼过程枪位调整与氧气流量调整，有效降低了辅料成本、合金成本以及钢铁料成本。辅料降低约1kg/t.s，合金成本降低了2元/吨钢，钢铁料消耗降低了2kg/t.s，辅料合金以及钢铁料合计降低了7.5元/吨钢，按钢厂150吨转炉计算，年产量约150万吨，年经济效益可达约1125万元。 B. 产量提升：应用该系统后，冶炼周期每缩短1分钟，在大规模炼钢生产中，时间的节省意味着更多的产品产出，按每天90炉，则每天节省90分钟，那么每天可多产2炉钢水，产量提高2.22%。 2) 社会效益： A. 减少污染物排放：智慧炼钢系统通过实时监测炉口火焰与渣况以及通知智能氧枪控制模型，精准预警喷溅风险以及给出最佳调整策略，显著降低喷溅频次（较传统模式减少20%以上）。喷溅减少直接带来效益，厂房内PM2.5浓度下降40%，年减少含氧化铁粉尘排放；有害气体抑制：CO、SO₂等有害气体排放量降低20%，消除“黄烟”现象，改善厂区及周边空气质量。 B. 智能化转型加速：炼钢智能控制为钢铁行业树立了标杆，其在多个钢铁企业的成功实践证明了智能化技术的巨大潜力。这种示范效应激励更多企业积极探索智能化转型路径，加速了钢铁行业整体的数字化升级进程。通过推广智能炼钢技术，行业内的企业能够共享技术红利，提升整体竞争力，推动钢铁行业在全球市场中保持领先地位。 A-K 3.4 质量追溯（中国钢研） （1）场景介绍 连铸是钢铁生产流程中连接炼钢与轧制的中间环节，工艺复杂，影响因素多，难以建立精确的物理模型。为控制表面与内部质量缺陷，通过集成炼钢－连铸－热轧全流程数据，结合低倍检验与表面检测结果，构建面向典型缺陷的主题数据集市。基于机器学习平台开发质量追溯模型，可分析缺陷影响因素及其权重，并对在线生产铸坯的缺陷进行工艺原因诊断。该系统支撑工艺优化与在线调整，从而提升铸坯质量稳定性。 （2）现状痛点 1) 热轧钢带内外质量的高要求对连铸质量控制提出了更严格的要求，但由于连铸坯质量影响因素复杂，检验成本高且效率低，当铸坯有质量缺陷发生时，难以在线确定质量异常的原因并及时加以调整改进； 2) 炼钢连铸过程具有多态性、时变性、多变量、强耦合、实时性及非线性的特点，通过统计方法难以分析缺陷的影响因素。 （3）场景方案 图：连铸铸坯质量缺陷智能追溯分析场景说明图 1) 数据集、知识库：建立炼钢－连铸－热轧表面质量工艺质量数据仓库涵盖了大量工艺参数与质量缺陷数据。进而通过数据治理，建立了面向典型质量缺陷的主题数据集。同时，构建了包含工艺控制标准与异常处置措施的结构化知识库，将专家经验规则化并集成至规则引擎，为质量分析、模型训练与优化提供数据与知识支撑 2) 模型构建及训练：基于随机森林的铸坯质量缺陷溯源分析模型（采用随机森林嵌入式特征选择方式对影响板坯夹渣缺陷的影响因素进行影响因素分析，并对变量对夹渣缺陷的影响因子进行排序），和基于DNN-MIV算法的铸坯质量缺陷溯源分析模型（构造深度神经网络映射铸坯表面夹渣与其影响因素之间的关系）。 3) 模型服务边缘部署及迭代优化：模型通过机器学习平台开发，部署后以API提供服务。基于持续更新的生产数据对模型进行动态测试与评估，不达标时自动触发重训练与发布，实现闭环迭代优化。 4) 场景示例：连铸夹渣缺陷溯源分析。 （4）场景效益 1) 经济效益：产品实施后，提高质量管理效率、释放人力资源、提高质量判定的可靠性、降低质量损失、提高客户满意度。年产500万吨钢铁企业，直接经济效益每年提升达500万元。 2) 社会效益： A. 辅助连铸工艺改进优化：连铸质量缺陷溯源分析模型实现基于大数据的连铸典型缺陷的影响因素分析，明确典型缺陷的影响因素及权重大小，为工艺改进提供指导。 B. 支撑实现连铸质量在线优化调控：对于在线生产的特定铸坯，当有典型质量缺陷发生时，通过质量追溯模型诊断导致缺陷发生的相关工艺控制参数，并基于知识库给出相关调控建议措施，对发生的质量异常及时采取措施以改进，实现连铸过程质量优化控制。通过场景应用支撑实现连铸过程质量稳定性的持续提升。 A-K 3.24 故障预警与诊断 （宝信软件） （1）场景介绍 设备稳定运行是钢铁企业连续生产的基石，其可靠性直接关系到全线产能与经济效益。因此，实现从被动维修向主动预警的智能化运维模式转型至关重要。 当前，设备运维普遍采用基于TPM理念的“点检定修制”，即依据既定的维修技术标准与周期，对设备进行定期的点检与计划性检修，为保障安全，周期设定通常偏保守，易造成过度维修与资源浪费。其核心痛点在于，现有系统无法对设备健康状态进行精准评估与趋势预测，导致点检人员仅能获知已发生的报警，难以预判潜在故障。报警确认流程仍高度依赖专业诊断人员的人工分析，效率低下。 因此，为实现运维体系的精准化与智能化升级，需要打造覆盖设备状态感知、健康评估、故障预警及诊断决策的一体化新机制，该场景以宝钢股份恒速恒载电机为实施对象，通过引入更全面的特征指标与智能算法，实现对电机劣化趋势的早期预警和故障的智能诊断，从而变定期检修为预知维修，在保障设备可靠性的同时，显著提升运维效率并降低总成本。 （2）现状痛点 1、状态评估能力薄弱：系统所采用的特征指标数量有限，评估逻辑简单，缺乏多维度、动态化的健康状态量化方法，无法有效识别早期故障迹象； 2、预测功能缺失：现有系统仅提供实时报警与简单原因分析，无法输出故障发生概率或未来状态演变趋势，导致点检人员难以制定针对性处理策略； 3、诊断流程依赖人工：报警触发后，仍需专业诊断人员通过频谱分析平台进行二次判断与趋势推测，再线下协调点检员现场确认。 （3）场景方案 该场景基于振动、电流、温度等多源传感器实时数据，通过大数据与人工智能技术，构建了集故障智能诊断、健康状态评估与劣化趋势预测于一体的电机预知检修模型。模型融合电机运行机理与专家经验，采用“整体&单侧”双目标层次评估方法，实现健康状态的精准量化评估。模型输出的量化结果、预警信息将联动维护建议库，自动生成决策建议并推送至设备管理系统（iEQMS），最终形成以数据驱动、覆盖“状态感知－智能诊断－决策推送”全流程的智慧运维闭环体系。预知检修模型技术架构如图所示。 图：基于状态预测的电机预知检修模型技术路线 （4）场景效益 1) 经济效益： A. 成本降低：通过故障早期预警与精准诊断，将电机类设备故障时间降低20%，有效减少非计划停机带来的生产损失，并优化备件与维修资源的使用，降低过度维修带来的浪费。 B. 效率提升：系统诊断结论与处置建议的推送，将报警响应与决策时间从天级缩短至分钟级，大幅降低对资深诊断专家的依赖，使点检人员能快速定位问题并制定检修计划，提升整体运维效率。 2) 社会效益： A. 推动运维模式变革：实现从“定时检修”到“预知维修”的智能化转型，为行业树立设备智能运维新范式，提升钢铁制造业的整体装备管理现代化水平。 B. 沉淀知识资产与促进技术推广：不仅形成了可复用的故障诊断、健康评估与预测模型，更关键的是沉淀了将领域专家经验转化为数字化资产的方法论。此举有效缓解了资深专家经验传承的难题，并为该模式推广至泵、减速机等其他关键设备奠定了坚实基础，具有广泛的行业示范价值。
