一、研究的背景与问题
钢铁生产流程的智能感知是行业智能制造的基础性核心问题，是生产调度、质量管控、能源优化及智慧运维的根本支撑。然而，当前钢铁行业的智能感知仍面临严峻挑战：在宏观层面，生产流程数据普遍高度碎片化，对物料实时状态的监测手段匮乏且精度不足，跨环节信息孤岛现象严重，致使调度决策严重滞后；在中观层面，对钢材质量缺乏精准监控与深度分析手段，对产品质量管控造成显著干扰；在微观层面，对材料微观结构的认知与分析高度依赖人工经验，主观性强，严重阻碍材料研发进程。这些问题深度制约着钢铁行业的智能化升级，行业亟须一种能够实现全面感知与精准分析的革命性技术。
另一方面，大模型作为当前人工智能领域的前沿技术，展现出巨大的潜力，却始终未能深度赋能钢铁行业等传统重工业的核心主流程。究其原因，在于通用大模型缺乏与专业知识及行业数据的深度融合，难以适应复杂多变的工业环境，导致应用效果欠佳。因此，有必要构建钢铁行业流程感知大模型，以显著提升感知与分析能力，全面推动钢铁行业智能化水平的革命性提升。
二、解决问题的思路与技术方案
针对冶金行业流程感知能力完整性、准确性、实时性难题，中国钢研以冶金对象（object）、时间（time）、空间（space）三元组为基础的OTS理论体系实现对生产的精准描述，采用“感侧大模型”+“知侧大模型”双塔结构，构建冶金行业时空智能，通过在时空表征、工况认知、轨迹生成等任务上的训练与微调，为流程智能化提供了微观、中观和宏观尺度的感知能力。
依托流程感知大模型，中国钢研形成了高质量数据集与知识库，打造了行业AI工具链，通过模型预训练、监督微调、知识蒸馏等基础技术，与混合检索、多模态提示工程、智能体联邦协同技术深度融合，结合知识图谱、数字孪生、机理数据融合等关键技术形成闭环增强机制。通过虚拟－实体双模态数据融合的混合式训练策略，孵化了面向冶金行业各项专业任务的垂域大模型矩阵，支撑金相智能分析、钢材表面质量检测分析与溯因、全流程跨域纯视觉物料跟踪、工况模式深度挖掘、生产过程软测量等高难度高价值业务场景，构建“AI+钢铁”的新质生产力范式，为冶金行业提供高质量低成本解决方案，助力钢铁智能化升级和数字化转型。
三、主要创新性成果
1、基于冶金垂域语义特征的数据-知识关联，融合机器学习、深度学习和自然语言处理等多种人工智能技术，构建了行业数据集管理体系，打造了冶金行业高质量多模态数据集。
针对冶金行业长期面临数据集多源异构汇聚难、数据长尾问题、场景数据缺乏、可复用高质量数据资产少、数据血缘关系错杂、大模型训练数据需求难支撑等传统瓶颈。中国钢研自主研发的行业数据管理体系，从业务场景、数据体系、数据类型、数据质量、数据来源以及数据对象六个维度全面构建行业数据集管理体系，通过先进的数据治理技术和标准化流程提升数据质量，充分挖掘数据价值，应用于大模型高价值应用场景，为冶金行业智能应用的训练微调与能力研发打下了坚实基础，从而有效促进冶金行业的智能化转型和可持续发展。
目前已建成冶金行业高质量多模态数据集，涵盖了结构化数据、非结构化数据及半结构化数据，数据来源来自热轧表检数据集、金相图像数据、冶金物料跟踪数据、冶金产品生产过程数据，可为缺陷检测、金相分析、物料跟踪、工艺优化等场景智能化研发提供有效支持。
2、针对通用AI工具不会用，不能用，不好用，这一先进人工智能技术落地钢铁行业过程中的痛点问题，基于流程感知大模型构建了一系列行业专属的AI工具链。
冶金数据半自动标注平台通过搭建多人协同标注工作流，实现“大模型预标注，人工复核干预”的工作模式，有效提升了数据标注的精度与效率。
冶金数据生成工具基于扩散模型、机理模型、数字孪生等多项先进技术，通过物理数据与真实数据结合，实现了全类型数据的高质量扩充。
冶金对象分割工具可以精准识别图像和视频中的冶金对象，为冶金视觉技术提供了强大的技术支持，提升研发效率。
3、基于流程感知大模型，研发了金相分析大模型，结合视觉大模型、语言大模型与知识库技术，实现了微观组织精准分割、检测和分析。
基于物理机理约束的跨尺度复杂特征金相样本生成技术、知识融合的易混淆金相特征精准识别技术、先验知识强化的Mat-DiT晶界重建技术，解决了冶金行业复杂微观组织的精准分割、晶界连通与晶粒度评级全过程自动化的世界级难题，首次实现了基于多种标准的钢铁材料晶粒度的智能化评级，推动了金相分析的智能升级。金相分割大模型支持铁素体、珠光体、马氏体、奥氏体孪晶的晶界分割、连通与评级，准确率达到96%以上。面向材料检测知识，基于特色语言大模型与知识库技术（向量语义聚合及距离纠偏技术、基于多步推理的冶金材料检测任务生成与优化技术、基于知识图谱增强的冶金语义混合检索算法）实现了材料知识库建设，覆盖产品检测标准数量达到700余份，对比人工标准解析效率提升3倍，为行业提供产品标准检测认证与计划生成的智能化服务。
4、打破了传统系统依赖传感器、定位器等硬件设备的固化思维，创新性采用纯视觉技术，研发了生产物料跟踪大模型，开发了物料跟踪智能体。
物料跟踪是钢铁行业实现生产全流程一体化调度的基础。当前行业的物料跟踪主要采用激光雷达、格雷姆线结合人工跟踪的方式，此种方式的调度信息录入依赖人工程度高，易出现信息错记、漏记等情况，干扰现场调度计划的执行；同时，现场调度计划业务的开展通常依赖计划表、人工计算调度方案+对讲机交流的方式进行数据与信息的传递，此种业务方式缺乏全局性生产调度信息的共享与异常生产事件的及时发现预警机制，同时人工计算调度劳动强度大，对调度员的经验要求极高。
该模型融合了实例分割跟踪技术与多CV-Agent协同技术，能够深度感知现场环境，实时、准确地追踪物料动向，针对不同工况进行调整，提高跟踪的准确性和稳定性。轨迹生成器的引入实现物料、事件、属性等多维信息融合，为生产物料管理提供了更加有效的信息展示方式，实现了对物料的直接、实时跟踪。
5、研发了质检数字工人，结合知识库、规则引擎等技术实现了小样本热轧表面缺陷精准检测与热轧表面质量判定流程的智能化。
热轧产品作为钢铁工业的主要产品之一，对其质量的管控十分关键。热轧产品质量指标主要包括尺寸、表面质量、性能等，其中表面质量由于机理复杂、产生问题频率高，对热轧产品质量的影响最大，是最重要的质量指标。热轧表检业务分为缺陷检测、缺陷分级、钢卷评级、表面质量分析四个步骤，最终形成热轧产品表面质量的综合分析报告。当前，热轧表检业务的开展过程存在如下问题：（1）热轧产品表面缺陷种类繁多，不同类的缺陷形貌的相似性以及复杂生产环境存在的伪缺陷干扰，对缺陷的精准检测带来了极大挑战。（2）产品表面质量的判定过程存在“时间紧，任务重”的特点。（3）表面质量分析需要根据现场生产需求，生成全面、准确、有意义的质量分析信息。
质检数字工人通过基于小样本增强技术的易混淆板材缺陷精准检测算法，可以精准检测热轧产品表面缺陷，结合语言大模型与知识库实现自动化判定与质量报告生成，实现热轧表面典型缺陷检测精度达到90%以上，支持动态标准管理与实时推理，单卷检测效率在90秒以内，为产品质量精益管控提供了强大支持。
6、基于面向冶金生产过程的跨工序多模态数据时空匹配技术，开发了孪生数据引擎，实现数据治理流程化、工具轻量化、资产全息化和共享多元化的新突破。
针对行业数据时空匹配难、治理难度大、价值挖掘不充分的问题，通过两大创新性技术（跨工序多模态数据时空匹配技术与机理数据融合的生产过程工况时序数据生成技术），以“数据泵”“数据刷”“数据剪”“数据资产壳封装”流程为核心，实现了生产过程多源异构数据的标准化治理与智能化封装，为冶金行业数智化转型提供高价值数据，利用大模型+多Agent协同技术，基于数据引擎孵化出新一代质量管控数字工人。冶金数据引擎现有标准化算子30余个，已实现千万级数据量的高质量管理。
“数据泵”利用物模型将设备数字空间孪生，解耦传统数据汇聚方式与数据源，规范化管理，提升多源数据汇聚效率。“数据刷” 结合数据统计、机理与生成算子，实现在线数据治理，自动清洗异常数据，显著提高数据质量。“数据剪” 通过时空匹配模型，实现物料生产流程中的时空数据映射，构建精准的数据模型。“数据流” 基于工作流引擎，优化数据采集与资产开放，实现高效流程化处理，提升工作效率。“数据壳” 根据冶金工艺，构建全息数据资产拓扑图谱，管理整个生产流程的数据“壳资产”，确保全面数据管理。“数据阀” 通过多元化开放模式，支持产品质量管控、能源管理、产品研发等多种应用，实时订阅全息数据资产。
四、应用情况与效果
中国钢研依托冶金流程感知大模型研发的金相智能分析应用平台部署后，金相分析效率提升20～40倍，知识库驱动的自动化报告生成机制，报告生成自动化率100%，将工程师分析工作量压缩90%，同步构建行业首个开放共享的虚拟金相数据集，已沉淀20万组标准样本。多层级模型架构将助力企业实现金相检测数字化升级，推动行业显微组织分析标准向智能化演进，为新材料研发周期缩短40%提供技术支撑。在有效提升材料金相分析精度和效率的同时，可为企业提高营业收入和利润。此外，质检数字工人应用经现场跟踪，实现典型热轧表面缺陷检测准确率达到92%，召回率达到94%；实现了缺陷分级与钢卷评级的智能化，单卷表面质量判定时长为108.17秒，在当前指标情况下，某钢厂热轧产线年产热轧钢卷500余万吨，因夹渣导致热轧产品废降次的比例约为0.5%，本应用对夹渣缺陷的报出率为92%，其中60%可通过修磨、改判来降低热轧卷产品质量损失，若因表面质量缺陷导致的经济损失按200元/吨计算，年直接经济效益276万元/年。
信息来源：中国钢研科技集团有限公司
如需查看科技新进展全部文章，请点击“阅读原文”查看。