“AI+钢铁”技术成果专题 | “数据-机理-知识”混合驱动的智能化炼铁关键技术

东北大学钢铁共性技术协同创新中心（以下简称“中心”）坚持产学研深度融合、科技创新与产业创新深度融合、数字技术与实体经济深度融合，创新提出了采用“人机混合智能（HI）”模式，深度融合工业大数据、传统理论经验、AIGC技术，突破了钢铁行业全流程“黑箱”难题，实现了钢铁行业全流程在线高保真预测，建立起以HI为特色的数字孪生平台和钢铁行业中国式现代化数字底座。为全面展示中心“AI+钢铁”技术成果，本报特组织该专题，以飨读者。

王国栋院士：“AI+钢铁”助力钢铁行业中国式现代化

“AI+ 钢铁”技术成果专题 | 难选铁矿矿相转化技术及装备智能化研究

1

研究背景

炼铁工序作为钢铁生产的核心环节，正面临节能降耗、低碳排放与高效稳定运行的多重挑战。随着炼铁设备大型化、强化冶炼程度加深以及原燃料条件波动加剧，高炉耦合非线性特征显著，传统的基于经验与机理模型的操作方式已难以满足精细化控制的需求。目前炼铁工序已涵盖温度、压力、成分、鼓风、料位等数千个监测点，积累了海量运行数据，为实现数据驱动的智能炼铁奠定了基础。在此背景下，大数据分析与机器学习技术被广泛引入高炉过程。通过无监督分析、集成学习、深度学习、强化学习等算法，研究人员实现了对温度、压力、煤气、产品质量等关键参数的预测，显著提升了预测精度与时效性。使炼铁工序从“经验操作”逐步迈向“数据感知”阶段，为智能决策提供了有力支撑。然而由于炼铁工序数据存在噪声异常问题，机器学习缺乏可解释性，数据驱动模型面对不同原料操作制度需频繁重新训练。因此，仅靠“大数据+机器学习”难以独立支撑炼铁全流程的智能化升级。

“数据-机理-知识”混合驱动的智能炼铁新模式是突破这一瓶颈的有力措施：利用数据驱动模型处理高维非线性关系，捕捉数据中的隐含规律；嵌入机理模型，确保模型输出符合物理规律，提升可解释性与外推能力；引入专家知识库，通过知识图谱、规则引擎等方式实现经验的结构化表达与推理，指导模型在复杂场景下的决策。构建“数据-机理-知识”深度融合的智能化炼铁关键技术，不仅是提升预测精度与决策科学性的必然选择，更是实现炼铁安全、稳定、高效、低碳运行的核心路径，对推动钢铁工业智能化转型具有重要意义。

2

技术路线与实施方案

“数据-机理-知识”混合驱动的智能炼铁技术路线如图1所示：

1）围绕“感-知-控-优”的闭环逻辑展开，构建云边端一体的5G+炼铁智能平台作为基础支撑，打通炼铁多工序、跨层级、全链条的数据体系。构建面向多工序协同的“孪生+边控”一体化智能平台，实现炼铁全流程数据采集、异构信息融合与集中调度控制，打通“料场-烧结-球团-高炉”链条，提升跨系统联动能力，突破传统工序分割与信息孤岛问题，支撑全流程能效协同优化与降碳目标达成。

针对炼铁数据普遍存在的缺失、异常及采样频率不统一等问题，开展系统性数据治理。针对少量、大量、间断性或连续性缺失数据，采用均值填充、向插值、模型预测等策略进行补全；对于异常数据，结合炼铁操作规程与箱型图法识别并修正由人工录入或传感器故障引起的异常值；针对频次不一的问题，通过时间对齐与插值处理，将低频数据映射至高频时间轴，实现全工序数据的统一时序化表达。挖掘关键冶炼指标与原燃料质量、工艺参数之间的关联规则，构建多层级、可扩展的参数关联规则库，支持按层级与主题快速检索变量间的隐性关联。

2）研发了面向铁前复杂原料与装备的智能感知与调控技术，构建原料质量跟踪、烧结状态综合评价与球团配矿控制等关键模型，建立多维工艺参数的实时识别与反馈机制，显著提升原料配置的精准性与装备运行的稳定性，夯实高炉顺行与稳定降碳基础。

配矿智能优化方面，结合现场生产铁前成本核算规则与物料平衡，建立铁矿粉与熔剂的名称、配比相关联的炼铁生产成本预测与配比方案排序模块。设备智能升级方面，融合深厚的现场经验积淀与高阶数据关联规则，提出状态质量综合指数，实现过程整体运作水平的实时量化。开展多维度状态质量系列关键参数自适应预测模型的深度研发，结合机器学习算法，持续对预测模型进行迭代优化，应对多变量非线性工况并提供极高精准度预判与优化建议。

3）打造了融合数据驱动、机理模型与专家知识的高炉智能冶炼系统，实现炉况关键指标的精准预测与趋势分析，集成专家规则实现状态识别、异常预警与自适应调节，构建可解释、可迁移的混合智能模型体系，推动高炉运行从经验控制迈向智能决策。

融合碳氧平衡、热平衡、物料平衡、机器学习、优化算法和现场经验解析高炉炉况指标之间的耦合非线性影响规律，定量与定性评价高炉状态，应用在线高质量数据在线构建高精度预测模型，反向推演异常工况条件下高炉优化操作反馈方案。以现场炼铁质量、产量、燃耗、炉况为最终目标，以稳产、高产、燃耗、顺行为约束条件。应用级联式搜索方法，从操作、送风、气流和燃料等子状态分析主要和次要异常点，再反馈至数字烧结、球团或高炉在线模型。根据参数关联规则以及机理计算方法等应用分级调节形成多重多步优化案例，实现智能化炼铁在线模型的耦合高效全面利用。

在总体架构上，技术以“混合智能”为核心建模逻辑，确保模型既具备工艺可控性、预测准确性，又具备强解释性与工业可用性。通过构建在线命中率超90%的核心模型，支撑整个系统在动态复杂工况下的稳定运行与碳效协同最优。

3

关键技术介绍

3.1 一体化智能平台的构建与突破

本技术建设了云边端融合的智能平台，集成一体化集控中心和超大规模炼铁数据中心，实现数据上云、模型下沉、平台统筹的运行格局。平台重构了102个控制中心的运行方式，使管理方式更加高效集中，岗位数量减少37%。同时，平台构建了能源介质间的耦合关系，为热风炉煤气消耗降低8%、低品质余热利用率提高至47%提供了支撑，有效提升了能源利用效率和调度智能化水平。

3.2 铁前系统的全域感知与智能协同

铁前智能化方面，技术突破了原料复杂性与装备异构性带来的挑战，实现堆取料装备的无人化运行，年节电超646万kWh，焦比降低3kg。通过自研的铁矿石多维智能配矿模型，系统可根据经济性指标进行高效原料配置，为使经济矿用量提升6%，吨铁成本下降20元提供了技术支撑。烧结过程中，首创烧结状态综合指数与智能调控模型，实现无烟煤单耗降低5kg、电耗下降7kWh，烧结稳定性提高5%。球团系统也建立了在线配矿系统与因果调控模型，显著提升了生产稳定性与强度控制，系统波动明显减少。

3.3 高炉智能冶炼与状态感知的深度融合

在高炉环节，技术实现了图像识别与数据治理的深度应用，突破性地实现对风口、炉顶煤气、炉缸等关键区域的全域感知，提升透视能力40%。通过治理全链条3000余项工艺与运行数据，建立炼铁上下游数据强耦合链条，实现透气性和煤气利用率等关键指标的提前预测与优化。融合有限元数值模拟与机器学习方法，提出炉型-炉况关联的全新管理模式，实现炉缸渣皮动态识别与冷却调控，渣皮稳定性提升7%。同时，构建炉缸活跃性指数和多目标智能协控系统，实现炉热稳定率提高30%、炉缸活跃性提升10%、炉缸状态合格率提升12%。技术最终打造了具备评价、预测、溯因、自愈能力的全工况多维高炉智能系统，整体炉况稳定性提升10%。

4

落实产业与实施效果

东北大学开发的“数据-机理-知识”混合驱动的智能炼铁关键技术已推广应用于国内多家钢铁企业。培养大批大数据与炼铁工艺复合型人才。

抚顺新钢铁应用球团配矿优化技术，提升非主流矿比例助力实现成本下降5元/吨；烧结机智能升级大幅降低过烧欠烧水平，整体稳定性提升5%；智能化高炉技术帮助数据利用率从20%上升至80%，提前1小时关键指标在线预测精度达到90%以上，炉温水平提升30%，炉缸活跃性状态提升11%，炉况稳定性提高10%，异常工况减低18%。

三维渣皮厚度在线智能监测技术首次应用于国内4700立方米级高炉，实现操作炉型多空间角度3D可视化，结果与实际吻合度超过80%。

梅钢首次实现提前1-3小时预测高炉透气性、压差、炉热和综合炉况命中率超过85%，针对异常工况从六大角度反馈操作建议方案，推动了高炉操作稳定性的提升，为碳排放降低5%、吨铁降本30元目标的实现提供了强有力的支撑。

5

结语

在钢铁工业向绿色化、智能化转型的进程中，“数据-机理-知识”混合驱动的智能炼铁关键技术已成为破解传统生产痛点的核心路径。该技术通过深度整合工业大数据、冶金机理模型与专家知识库，构建了覆盖炼铁全流程的动态分析与优化体系，显著提升了复杂工况下的预测精度与决策科学性。这一技术路线的持续创新，不仅为钢铁行业突破能耗与排放瓶颈提供了核心支撑，更通过提升生产效率、降低资源消耗、增强环境友好性，助力我国钢铁工业在全球竞争中占据技术高地。随着“双碳”目标的深入推进，“数据-机理-知识”混合驱动的智能炼铁技术将成为推动行业绿色转型与高质量发展的关键引擎，为构建资源节约型、环境友好型的现代钢铁工业体系注入强大动力。

《世界金属导报》

2025年第30期 B05