简介：数字化与智能化技术正作为一种新质生产力助力我国高炉炼铁的智能化转型升级。目前，以通用大模型(Universal large language models, U-LLMs)作为基础框架，利用领域语料库进行二次训练构建行业垂直大模型(Vertical large language models, V-LLMs)指导工业生产已成为一种新态势。尽管已涌现出面向钢铁生产全流程的V-LLMs用于生产，但针对性面向高炉工序构建V-LLMs的研究尚处于初步阶段。近年来，我国高炉炼铁智能化取得了重大进展，从早期依靠机理模型指导人工操作，到基于简单逻辑规则搭建专家系统以指导生产，再到利用人工智能(Artificial intelligence, AI)算法对高炉“黑箱”问题进行建模，实现智能分析，高炉炼铁智能化水平不断提高。特别是随着LLMs的迅速发展，其在高炉炼铁领域的应用能够进一步引领前沿技术创新，为我国高炉炼铁智能化转型注入新动力。总结了高炉炼铁智能化的演进路线，从基于机理的辅助判断，到基于规则的专家系统，基于AI的智能分析，一直到基于LLMs的深度思考。
作者：刘然，段一凡，刘小杰，吕庆
完成单位：华北理工大学冶金与能源学院；燕赵钢铁实验室；

引言
数字化与智能化技术正逐步作为一种新质生产力促进我国钢铁行业的高质量发展与转型升级。作为我国经济发展的重要支柱产业之一，钢铁是传统、典型的能源、资源密集型行业，在我国传统工业数字化转型中扮演重要角色。
目前，围绕高炉开展的智能化转型工作主要集中在“原料调配”、“关键参数预测”、“工艺诊断+决策制定”以及“专家系统开发”四个方面。尽管先前研究在一定程度上完成对高炉的局部解耦工作，如预测，诊断等智能应用，但高炉系统的黑箱结构仍未被完全明晰化。传统围绕高炉工序的智能化研究聚焦于机理驱动或数据驱动的简单结构范式建模，数据利用效率差，知识融合程度低，实际应用效果受限。随着深度学习的快速发展以及硬件算力的不断提升，大模型技术](Large language models, LLMs)的应用为解决上述问题带来了新方向，如湖南钢铁——“盘古大模型”、宝武钢铁——“宝联登钢铁行业大模型”、河钢集团——“威赛博钢铁大模型”等。

高炉炼铁智能化技术的历史演进

• 基于机理的辅助判断
  高炉炼铁是复杂的物理化学过程，涉及多种物料、能量与反应的动态耦合平衡。在高炉炼铁智能化早期阶段，机理模型能够将复杂的冶金过程转变为可量化的数学表达式，成为辅助高炉生产操作优化的一个重要手段。最早可追溯至20世纪50年代的前苏联拉姆配料计算模型，美国内陆钢铁公司的物料平衡计算模型等。自此以后，国外钢铁企业便开始高炉机理模型的开发，如法国钢铁研究院提出Rist操作线，是一种利用图解方法评估工艺参数对燃料比影响的机理模型；日本新日铁提出炉热指数模型，即理论焦炭燃烧温度，但那树人后续对其做了修正与简化。
  我国最早的机理模型是1987年由清华大学与鞍钢合作开发的铁水硅含量预报模型，用于判断炉温趋势。随后，首钢、宝钢等企业陆续开发了如软熔带推理、高炉布料、高炉操作线Rist模型等。但我国对高炉机理模型的研究相对较晚，对理论性计算依赖性大。因此在面临频繁波动的高炉冶炼状况时，机理模型的自适应性差，同时由于数据采集与处理方面的困难，我国后期相继开发的一些机理模型均未得到广泛推广与应用。

• 基于规则的专家系统
  基于规则的专家系统是利用预先设定的知识规则集合(规则库)模拟领域专家决策过程的软件系统，常见形式包括“If-else”和“If-then”，最早由日本提出并于1986年成功开发应用于日本钢管公司福山高炉。国外典型的高炉专家系统主要包括日本GO-STOP、芬兰Rautaruukki和奥钢联VAuron，在目标预测和决策建议等方面均具有良好效果。20世纪90年代以后，我国钢铁企业纷纷开展对高炉的基础自动化改造，采用计算机系统解决了数据难以采集获取的困难，也为高炉专家系统在我国的应用提供了技术支持。
  首钢在1991年成功开发AI高炉冶炼专家系统并投入使用，包括高炉顺行判断和炉体状态判断两个子系统。1996年，武钢同芬兰Rautaruukki公司合作开发了4号高炉过程冶炼专家系统，通过增加监测点位并搭建知识库，实现对高炉炉况的在线监测。与国外用高炉专家系统相比，我国高炉的原燃料性能相对较差，致使我国钢铁企业内部自建的规则库难以与高炉冶炼炉况实时匹配，泛化性能低。同时，由于人力问题，规则知识库也往往无法得到有效的实时维护与更新，因此，国内初期研发的高炉专家系统大多数以应用失败或搁置告终。

• 基于人工智能的智能分析
  为了进一步解析高炉的“黑箱”结构，在对生产数据的长期积累下，依赖数据分析高炉冶炼过程的趋势逐渐发展。然而，挖掘高炉海量数据间的隐含信息，实现对高炉未知状态的预判及智能决策仍然是高炉智能化中的一个重大挑战。
  直到2010年，深度学习技术通过构建多层神经网络模拟人脑认知过程，在语义理解、图像识别等领域表现出色，如循环神经网络、门控循环单元等智能算法。自此，利用AI实现对高炉生产过程的智能分析受到了学者们的广泛关注。
  受限于我国高炉当时的数据孤岛弊端，高炉冶炼各子工序之间的数据信息严重缺乏有效整合与统一调度，利用效率差。前述基于数据驱动的AI模型虽然具有一定的自学习与非线性求解能力，但均面向单一任务，难以多维度分析高炉冶炼过程，实现对高炉的精准控制与智能优化。
  与此同时，工业大数据技术的快速发展为解决上述问题提供了新方案。通过与大数据技术的深度融合，基于AI的智能分析在高炉炼铁智能化过程中发挥了重要作用，“大数据+AI”已成为当前高炉智能升级中的主流范式。

• 基于大模型的深度思考
  高炉生产环境恶劣，数据传输常受设备故障、人工操作等因素影响存在大量噪声。而基于数据驱动范式建模的AI模型往往参数规模小，对数据质量要求较高。因此，模型性能易受低质量数据、陌生数据的输入而性能显著下降，上线部署后效果不佳，对实际生产情况的适应性较差。此外，高炉冶炼强依赖专家经验，海量文本化的经验类数据难以被AI模型有效解码与训练。目前，构建以专家经验、领域知识、海量数据三维驱动的智能模型，以实现对高炉冶炼全生命周期的智能监测与调控，成为现阶段高炉智能化转型的关键。
  “预训练+微调”的学习范式解决了上述问题，通过预训练模型在大规模数据集上的通用特征学习，显著减少对标记数据的依赖，增强模型泛化能力。同时，已有研究证明，模型规模的扩展显著影响其下游任务的表现。自2020年以来，采用高算力硬件设备训练的LLMs，如GPT-3(1750亿个参数)，已在知识推理、语义生成、故障检测等领域展现出强大的深度思考与涌现能力。特别是国内DeepSeek LLMs的开源，显著降低LLMs的使用门槛，同时促进了针对特定任务的自主开发与二次训练。
  与传统AI模型对比，LLMs具有如下优势：(1) 更强的多模态数据处理能力；(2) 更好的语义推理能力；(3) 更先进的知识蒸馏技术；(4) 更明确的指令遵循与对齐能力；(5) 更智能的全局思考与决策能力。基于上述优势，我国高炉现存所能提供的海量数据资源、文本化专家经验，以及成体系的领域知识为大模型的高炉工业化扩展应用提供了十分契合的环境基础。

关于大模型与高炉炼铁智能化领域深度融合的几点思考
LLMs指参数规模巨大(数千亿级别)，通过大规模数据(数百TB级别)训练的深度学习模型，在语义理解、多模态信息处理以及智能决策方面已被验证其出色性能。在工业制造领域，LLMs正在从“感知智能”向“认知智能”不断演进，为黑箱系统建模与工艺智能优化提供新范式。综上，在政策支持与技术变革的双重机遇下，以LLMs赋能高炉炼铁智慧决策，推动传统数据驱动范式升级与重构已成为当下我国高炉炼铁智能化发展中的关键任务。然而，在高炉V-LLM开发以及未来部署与应用过程中，存在以下关键问题需要重视：

1. 数据开放与共享：高炉V-LLMs的性能高度依赖海量高质量数据。然而，现有钢铁企业内部的数据存储系统分散，访问权限不一致，并且数据质量参差不齐，难以建立高效的开放与共享机制。
2. 语料库的构建与完善：目前，钢铁行业用于V-LLMs训练的语料库建设相对滞后，存在文本化语料数量不足、质量不高、覆盖范围不广等问题。
3. 算力部署：高炉V-LLMs的训练与部署需要强大的算力支持。然而，钢铁企业的算力资源有限，目前难以满足LLMs对大规模数据处理和复杂计算的需求。此外，算力资源的分配和管理也缺乏协调机制。
4. 人机决策权威性：当高炉V-LLMs的决策与人工决策不一致时，面临决策优先级与责任归属的问题。
   针对上述问题，首先可构建统一的行业级数字化协同平台，对分散的数据存储系统及权限归属进行整合，建立高质量数据开放与共享机制。同时，利用平台汇聚行业专家知识和现场操作数据，为语料库的构建与完善提供支撑。在算力方面，平台可集成云计算与边缘计算资源，优化算力部署，以满足大规模数据处理和复杂计算需求。最后，应构建高炉V-LLMs可解释性与人工评估的协作机制，设计决策审核流程，从而为高炉V-LLMs的应用与推广提供良好的成长空间。

资料来源：刘然,段一凡,刘小杰,等.大模型驱动高炉炼铁智能化范式重构：演进、融合与展望[J/OL].钢铁,1-21.

原文链接：https://doi.org/10.13228/j.boyuan.issn0449-749x.20250139.

基金支持：研究工作得到河北省创新能力提升计划项目（23560301D）；河北省自然科学基金资助项目（E2024209101）；现代冶金技术教育部重点实验室开放基金资助项目（2024YJKF01）；华北理工大学研究生创新项目（CXZZBS2025150）的资助与支持。

版权归作者所有，未经许可请勿转载，商用(或其它具有利益性行为)。