钢铁工业是现代制造体系和国民经济的重要基础产业，具有流程长、能耗高、设备密集和质量约束严格等特点。随着工业4.0、绿色低碳转型以及高端制造需求的叠加，钢铁企业的发展重点正由规模扩张和自动化效率提升，转向质量稳定、成本控制、柔性生产与低碳协同的综合优化。钢铁生产涵盖炼铁、炼钢、连铸、轧制、热处理、检验与物流等多个连续工序，系统变量维度高、耦合关系强、时滞明显，部分关键状态难以直接观测。王国栋等指出，质量、成本、环境与运行稳定性方面的不确定性已成为制约钢铁生产优化的重要因素，数字化基础设施与数据驱动分析为识别、评估和降低这种不确定性提供了关键支撑。高炉作为典型复杂冶金反应器，内部存在气、液、固多相共存状态，原燃料条件、操作参数、炉况变化与产品质量之间关系复杂，传统经验方法难以支撑实时预测、状态诊断与优化决策。因此，钢铁企业所需的不只是局部预测模型，而是能够融合传感数据、图像信息、文本记录、物料谱系与专家知识的智能建模与决策体系，以支持缺陷识别、性能预测、根因追溯、工艺优化、生产调度、能源平衡和设备维护。

近年来，钢铁领域的人工智能研究快速发展，其应用已由单点预测逐步扩展到过程监测、异常诊断、运行优化和车间调度等多层级工业场景，并在终点质量预测、缺陷检测、能耗优化、动态调度及数字孪生辅助监测中体现出一定的工程价值。钢铁制造过程覆盖原料处理、炼铁、炼钢、连铸与轧制等多个连续工序，数据类型包括图像、时序信号、显微组织及工艺过程变量，卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN)等深度学习模型已被用于缺陷检测、状态识别、材料组织分析与数据增强等任务。然而，复杂工业场景中的模型性能仍依赖数据质量与特征构建，冶金机理知识和专家经验在数据筛选、特征设计与结果解释中不可或缺。

与此同时，绿色低碳转型正推动钢铁AI应用由传统质量与效率问题扩展至能源和碳排放协同优化。钢铁节能覆盖焦化、烧结、炼铁、炼钢、连铸与轧制等全流程，并逐步与氢冶金、多能源协同及数字化系统融合;低碳冶金智能方法还需兼顾过程预测、排放估计、能耗优化与调度决策，以支撑碳中和目标的实现。在知识层面，钢铁工业本体和知识图谱可缓解跨系统、跨组织数据之间的语义不一致问题，支持知识共享与信息互操作;在过程层面，工业大数据分析、机理建模、软测量和状态诊断方法共同推动钢铁生产由传统“黑箱模式”向可预测、可评价与可优化方向演进。

表１ 现有钢铁工业智能化相关综述与本文覆盖范围比较

现有综述多集中于单一技术路径或局部应用场景：深度学习相关综述主要关注模型类型及任务分布，性能预测综述侧重材料性能建模，节能综述强调工艺节能与碳减排，数字孪生与资源管理研究则聚焦云边端协同和资源调度。这些工作为钢铁智能化发展奠定了基础，但尚缺乏从“知识—数据双轮驱动”角度对钢铁大数据类型、知识建模方法、智能系统部署和生产应用闭环的统一梳理。因此，本文从数据、知识、模型与应用贯通的角度展开综述，聚焦钢铁生产过程及其质量、设备、能源与管理等典型场景，系统讨论工业大数据、知识图谱、机器学习与深度学习、多模态融合、联邦学习、云边协同、数字孪生和工业大模型等关键技术的应用逻辑。本文不讨论通用算法的数学细节，也不以单一工序案例为主线，而是围绕“数据基础—知识融合—智能建模—系统部署—工程挑战”的技术链条，对相关研究进行结构化梳理，并明确其工程适用边界。表1比较了现有钢铁工业智能化相关综述与本文的覆盖范围；在文献筛选方面，本文优先纳入钢铁工业大数据分析、性能预测、节能降碳、数字孪生和知识图谱等方向的代表性研究，并结合数据形态、知识融合、模型部署与应用闭环进行组织。本文的总体框架如图1所示。

图 １ 知识—数据双轮驱动的钢铁工业智能建模与闭环应用框架

1 钢铁大数据类型与特征

钢铁制造具有流程长、工序耦合强、热态连续演化及质量反馈滞后等特点。与离散制造相比，其数据生成环境更为复杂，通常在高温、高粉尘、强扰动和跨系统协同条件下产生，涵盖高频传感序列、图像视频、设备状态，以及检化验结果、物料谱系与工艺文本等多源数据。这些数据在时间、空间、批次、设备和工艺语义上高度耦合，因而需要结合其工艺位置、质量响应和决策任务进行分类与治理。

1.1 时序大数据

时序数据是钢铁过程感知与控制的核心。高炉、烧结、加热炉和轧制产线持续采集温度、压力、流量、风速、成分和料层状态等多种变量，并已积累了可支撑质量指标预测的海量运行数据。然而，不同变量的采样尺度并不统一，热风压力、炉顶压力、炉顶温度和风速等变量可达到秒级采样，而原料成分、烧结粒度等变量通常以分钟级记录，多时间尺度输入成为模型设计的基本约束。在加热炉中，热电偶温度曲线可与炉内多变量过程序列结合，表征板坯受热状态。设备振动等运行信号可用于在线监测、状态评估、故障诊断与预测性维护温度、压力、气体成分及装料信息等传感器序列还可与图像数据结合，用于高炉异常工况识别。这类数据的主要难点在于时延、非平稳性及数据质量问题：变量传输与反应滞后要求进行时标对齐和多重关联时延估计;离线检测造成的标签稀疏与反馈滞后则需要时延补偿和趋势特征提取。同时，强噪声、非线性、强耦合、时变动态及异常值干扰使原始数据难以直接用于建模，因此需协同开展数据治理、降噪解耦、特征筛选、时间对齐与在线更新。

1.2 图像大数据

图像数据扩展了钢铁过程对形貌和空间状态的感知能力，主要来源于在线相机、显微镜和无人机等设备。带钢表面缺陷通常表现为小目标、多类别和复杂灰度结构，并伴随少样本、类别不均衡及现场光照干扰;相关公开数据集为CNN、迁移学习和数据增强提供了研究基础。废钢分类可依据外观、尺寸、形状、氧化程度和表面状态进行分级,高炉料面识别则通过高温内窥、图像增强和光流分析捕捉料面轮廓及运动状态。多光谱与热像技术可用于风口、炉内、连铸坯和高温板材的在线测温,烧结断面中的火焰形态、熔融状态和燃烧带特征也可与过程变量融合，用于FeO等质量指标软测量。显微和纹理图像主要服务于铁矿石、烧结矿和焦炭等物料的晶粒、孔隙、纹理和物相分析。总体而言，钢铁图像具有跨尺度、低对比度、同相异貌和现场退化等特点，需要将视觉模型与成像机理、场景约束和专家知识结合使用。

1.3 文本大数据

文本大数据包括生产记录、检化验记录、运维日志、人员操作记录，以及工艺规程、设备台账、采购订单、标准文件和技术资料等，是钢铁工业知识沉淀与经验复用的重要载体。这类数据可用于过程追溯、异常分析、语义检索、知识问答和辅助决策，但普遍存在格式不统一、语义边界模糊、上下文依赖强和跨系统分散等问题。炼铁大数据智能互联平台已将监控、检化验和生产运行数据纳入统一平台，并强调知识库、数据共享和标准化对经验复用的重要作用;面向工业5.0的缺陷检测研究进一步讨论了大语言模型和多模态大语言模型在数据组织与解释性分析中的作用。结构化及半结构化文本可通过工厂、设备、工艺和参数之间的映射形成知识单元,非结构化技术资料则可经识别、抽取和质量评估形成冶金语料库，用于问答和流程推荐;文献、成分、工艺和仿真数据还可通过检索增强生成、向量检索和重排序等方法组织为交互式知识源。带精炼机制的知识图谱抽取(KGER)方法可利用大语言模型(LLM)从非结构化钢铁文本中抽取关系段落、实体及其关系，并通过实体聚合降低语义歧义,但仍需领域词表、专家校验和可追溯证据链抑制抽取误差与输出噪声。

1.4 物料谱系与件次级大数据

物料谱系与件次级大数据以炉次、板坯、钢卷、钢板和订单等生产对象为索引，记录其来源、流转、加工、检验和处置过程。由于订单、板坯、母板和成品之间存在尺寸、切割和利用率约束，不同对象的规格、成分、在炉时间和过程变量长度也存在差异，因此需要以件或批次为单位建立可对齐的数据视图。在质量管理中，这类数据主要表现为缺陷有无、缺陷数量、缺陷率、缺陷位置及相关事件记录，并可与运行数据和虚拟模型数据结合，用于追踪异常行为和潜在缺陷。缺陷数量通常具有高偏态、过度离散和大量零值等特点，可采用零膨胀模型、Hurdle模型、泊松混合模型和随机森林等方法进行预测与关键因子识别。其建设难点主要包括跨系统对象标识不一致、批次与单件粒度差异、动态订单插入、缺陷标签稀疏，以及质量事件与过程变量的时空对齐；部分件次级质量信息还需结合全样本、缺陷样本和局部邻域统计进行构造。

1.5 多源异构大数据

多源异构大数据是钢铁过程由单点测量走向全流程认知的重要基础，涵盖传感器时序、工业图像与视频、检化验结果、批次及设备状态、工艺文本、知识图谱和数字孪生模型等信息，其结构形式、时间尺度、采样频率和物理语义存在显著差异。在烧结FeO软测量中，工业相机视频、横截面图像、专家特征、深层视觉特征和过程时序数据可共同参与建模，以弥补单一数据源表征不足的问题;加热炉中不同板坯的规格、成分、在炉时间和加热曲线随批次变化，也要求对多尺度过程信息进行联合建模。

多源数据的有效应用首先依赖跨时空和跨对象对齐。转炉多源异步数据中的时滞、窗口尺度差异和工况变化需要通过多尺度特征提取和注意力机制进行处理;冷轧带钢断裂风险预测则表明，跨工序建模需先解决热轧、酸洗退火和冷轧等数据在对象粒度、时间窗口及工艺链路上的一致性问题。数字孪生和本体知识图谱可进一步将设备、物料、工艺、质量和事件映射至统一语义空间。与此同时，高低频混合测点中的停机缺失、人工录入误差、传感器异常、离群值和频率差异需要在建模前统一处理,数字孪生工厂平台还需配套元数据、主数据、数据质量、安全和资产管理机制。检化验数据需完成字段统一、异常剔除、插值补全和类别均衡处理,标签稀缺和异常样本不足则可借助自监督对比学习与注意力融合缓解。因此，多源异构数据的工业应用应围绕数据清洗、对象对齐、语义统一和持续更新形成闭环，为知识图谱构建、智能建模及现场部署提供可靠的基础。

2 知识图谱驱动的钢铁大数据融合

2.1 工业知识图谱的内涵与钢铁行业价值

工业知识图谱的核心是以“实体—关系—属性—约束”为基本单元，将设备、工序、物料、质量、能耗、操作规则与专家经验组织为可计算的语义网络。钢铁流程具有工序长、层级多、对象命名不一致和知识分散等特点，过程模型、检测系统、设备台账、采购文档和业务数据库之间若缺少统一语义，后续的数据融合与智能建模就容易停留在字段拼接层面。炼钢过程核心参考本体(CROS)围绕炼钢过程、资源、设施和系统功能建立共享概念框架，采购订单知识检索模型(POKREM)进一步把工厂层级、设备分类、采购规格书和采购数据写入图数据库并用于规则推理，从而将分散工业知识转化为可检索、可共享、可复用的语义资产。在此基础上，图嵌入、图神经网络、强化学习和大语言模型开始承担知识补全、关系抽取、路径推理和任务适配等功能，使知识图谱从静态知识库扩展为面向诊断、追溯和工艺规划的智能基础设施。从形式化表达看，知识图谱由实体、关系、属性与约束共同构成；在钢铁场景中，这一结构为炉次、设备、工序、钢种、缺陷、参数和规则之间的关系建模提供了统一载体。在这一结构中，实体可对应炉次、设备、工序、钢种、缺陷或工艺参数，关系可刻画“属于工序”“影响质量”“导致故障”“消耗能源”等语义联系。图谱既能承接结构化数据，也能吸纳规程文本、日志、图像特征和专家经验，为跨系统查询、知识补全、故障诊断和质量追溯提供共同的知识底座。

钢铁行业引入知识图谱，主要是为了同时处理复杂过程机理和分散经验知识。高炉、转炉、连铸和轧制等环节具有强耦合、非线性、动态波动和安全约束，单一数据模型往往只能给出相关性结果，难以解释异常传播路径和工艺响应逻辑；同时，故障案例、操作经验、质量追溯和设备维护知识长期分散在人员经验、文档和孤立系统中，缺少可持续沉淀机制。在各自实验数据和评价设置下，多层高炉知识图谱取得92.76%的诊断准确率;POKREM取得99.7%的文档检索准确率，并将专家评估的文档审查时间缩短约40%。炉窑能耗关联、生产线故障诊断和表面缺陷检测等研究进一步把传感器、工艺参数、缺陷图像、操作日志与专家经验连接起来，用于能耗关联分析、故障知识共享和质量根因追溯。因此，知识图谱的价值并不来自“图”这一形式本身，而来自实体标准化、关系约束、动态更新和任务推理机制的共同作用，整体框架如图2所示。

图２ 知识图谱驱动的钢铁多源数据融合与智能应用框架

2.2 面向钢铁流程的知识抽取与构建方法

面向钢铁流程的知识构建首先需要处理结构化数据的语义映射。过程数据库、检化验记录、设备台账、采购单、能耗表和质量数据库中虽然已经包含字段、编号和时间戳，但这些字段并不天然等同于图谱实体；将炉次、设备、工序、质量指标和能源介质等对象统一编码，并把“所属工序”“采集参数”“影响质量”“关联能耗”等关系显式化，结构化数据才能从业务表转化为可推理的知识单元。POKREM把工厂层级、文档层级、设备分类和采购数据划分为4个域，再通过节点、关系和三元组入库，以支持语义检索和规则推理;能碳预测场景则先分析典型流程并构建能碳过程知识图谱，再结合电力数据、关键设备和碳排放关系开展动态预测。因此，结构化数据入图的关键不是字段搬运，而是对象标识、关系类型、物理含义和数据质量的同步校准。

非结构化文本为图谱增量更新提供了另一类入口。工艺规程、生产日志、专利、故障案例和专家经验中包含大量因果、约束和处置知识，但钢铁文本常伴随术语缩写、同义表达、关系重叠和强语境依赖，直接套用通用命名实体识别或关系分类模型容易把局部词项误当作稳定知识。KGER通过“关系段落筛选—实体识别与语义聚类—实体间关系抽取”的流程，用大语言模型和提示工程降低长文本冗余，并在炼钢数据集上提升抽取效果。生产线故障图谱采用融合全局上下文信息的关系导向联合抽取模型(,ROMGCJE)抽取重叠关系与实体，并通过强化学习和图神经网络分别补全隐含关系与新增实体，使低层图谱逐步演化为可用于故障诊断的高层知识图谱。因此，文本抽取更适合被看作领域约束下的知识筛选与校正，需要领域词表、关系模板、上下文消歧和人工复核共同控制错误传播。代表性知识图谱构建方法如表2所示。

表２ 钢铁工业知识图谱构建方法比较

当图谱从单一数据源扩展到多模态数据时，构建重点转向跨模态语义锚定。表面缺陷知识图谱同时吸收工艺参数、化学成分、缺陷图像、操作日志和经验知识：结构化数值可转化为三元组；文本数据通过双向编码器表征模型、双向长短期记忆网络、条件随机场和卷积神经网络完成实体识别与关系抽取；图像数据则经深层卷积神经网络提取特征，并映射为图数据库中的缺陷实体。高炉预训练语言—知识图谱模型把多源工业数据先向量化并在概念层面对齐，再面向知识补全和工业任务进行多任务学习。转炉工艺规划场景进一步把实时冶炼条件按预定义规则生成资源描述框架(RDF)三元组，与静态工艺知识共同进入大语言模型推理链。由此，多模态知识抽取的难点不是接入更多数据，而是让图像缺陷、文本事件、过程变量和设备状态在同一对象、同一时间窗口和同一工艺语义下建立一致映射。

2.3 跨模态知识图谱对齐与融合方法

跨模态融合首先要解决实体对齐和共指消解问题。把表格、时序、图像和文本同时导入图数据库，无法自动形成知识融合；同一设备、钢种、炉次、缺陷类型或质量指标在材料、冶金、机械和质量管理系统中可能存在不同命名、粒度和属性口径，若缺少本体约束和对象映射，后续检索与推理会把同名异义或异名同义误判为真实关联。钢铁产品开发图谱从工业互联网平台获取多源数据，围绕表格数据、时序数据、图像数据和文本数据挖掘异构开发知识，并通过上下文关联和本体建模融合冶金机理知识与过程知识;CROS也以共享概念框架缓解跨组织、跨系统的语义互操作问题。在转炉工艺规划中，实时冶炼条件需要先确定实体名称字段、抽取RDF三元组并与静态工艺知识融合，才能共同参与大语言模型(LLM)推理。因此，实体对齐不是图谱构建的附属步骤，而是决定跨模态知识可信度的前置条件。

时序数据接入图谱后，关系不再只是静态边，还会随采样频率、时滞和工况切换而变化。高炉综合评价—预测—追溯模型在建模前对多源异构数据进行缺失值处理、标准化和频率对齐，将5分钟、小时、日／批次等不同尺度数据统一到可建模视图，并进一步用最大信息系数量化0~4h范围内的工艺时滞。高炉异常工况识别中的时序—图像联合驱动深度神经网络(TSIN)用高斯函数对齐时序数据与图像，再通过联合特征提取识别管道、悬料、滑料和崩料等异常状态，平均识别准确率达到96.99%。转炉动态—静态知识图谱则把实时冶炼条件转化为结构化三元组，使LLM在生成工艺方案时同时检索历史工艺知识和当前动态条件。不过，动态融合仍会受到数据延迟、噪声累积、概念漂移和跨工况分布差异影响；加权特征对齐迁移方法从质量预测角度表明，工况切换时需要显式校正源域与目标域的特征分布，不能默认历史图谱关系可直接迁移到新工况。

2.4 知识推理及其在诊断与追溯中的应用探索

知识推理使图谱从静态关联表转向面向诊断、追溯和控制的解释型模型。高炉等强耦合过程既需要识别异常，也需要解释异常如何沿变量、设备和工序传播；单纯数据驱动模型通常可以提高检测精度，却难以给出符合工艺机理的异常传播路径。知识增强图神经网络(GNN)将过程知识模型嵌入故障检测与诊断框架，在检测到异常后学习故障数据中的候选因果结构，并用过程知识约束削减冗余边，使其更接近实际机理。多层级知识图谱(MLKG)则以异常节点为中心，按照if⁃then语义模板采样过程变量、故障、控制动作和生产管理节点，形成面向诊断任务的目标子图。钢铁诊断任务的关键并不只是完成邻域聚合，还在于用工艺路径、本体约束和专家规则限定邻接关系，避免把统计相关误写成因果联系。

质量缺陷和设备故障往往呈现多因多果结构，需用路径推理和子图搜索表达候选根因链。钢铁生产线故障图谱把非结构化文本抽取出的三元组组织为钢铁生产线设备故障诊断知识图谱，并通过强化学习补全隐含关系、通过GNN补全新增实体，使诊断结果从单点标签扩展为包含故障现象、原因和维护建议的子图。面向钢表面缺陷检测的强化学习知识图谱推理方法(DuAK)融合工艺参数、成分、缺陷图像、操作日志和经验知识，通过双智能体从相反方向探索缺陷实体与潜在工艺原因之间的可解释路径。三智能体强化学习方法(TARL)进一步协同事实抽取、关系选择和实体选择，在图谱稀疏和不完整条件下扩展行动空间并寻找高置信路径。面向高炉故障诊断的大语言模型微调方法则将监测数据改写为结构化自然语言提示，并生成候选诊断推理链，但仍需领域模板、输入数据和物理机制一致性约束，避免产生缺乏工艺依据的解释。在此类路径推理任务中，奖励设计还需综合考虑路径有效性、实体距离、关系方向和领域先验，避免搜索结果被短路径或高频关系误导。

3 钢铁大数据智能建模与部署技术

衡量钢铁工业智能化的水平，除模型精度外，还要关注模型能否将复杂流程中的数据证据、工艺知识和现场约束组织为可部署、可追溯、可持续更新的建模体系。高炉与烧结软测量面临高温、强耦合和变量时滞，视觉检测受制于小样本、类别不均衡和边缘算力限制，联邦协同需要处理多基地数据异构与隐私治理，云边部署则须兼顾时延、通信、能耗和模型维护。因此，本章以“核心建模—迁移更新—联邦协同—云边部署”为主线，讨论数据轮如何提供可学习证据，知识轮如何限定工艺边界、解释模型行为并支撑现场闭环。

3.1 面向多模态数据的核心建模方法

在知识—数据双轮驱动框架下，核心建模方法首先要回答“不同来源、不同模态的钢铁数据如何转化为可计算表征”。高炉铁水质量、烧结终点、FeO含量和关键绩效指标等任务依赖时序过程记忆；板带材表面质量检测和废钢类别识别依赖视觉纹理、缺陷形态及目标外观特征；规程、日志和故障记录需要转化为实体、关系、规则及可验证的知识路径；多源融合则要求时序、图像、文本和图谱在同一质量判断中相互印证。据此，本节将核心建模方法归纳为时序建模、图像建模、工业自然语言处理和多模态融合四条路径。它们的差异不仅在网络结构，更在于对过程动态、空间纹理、语义知识和跨模态证据参与预测、诊断与追溯的建模假设不同。

时序模型主要服务于高炉铁水质量、烧结终点、FeO含量和设备状态等动态变量，其任务不是简单拟合历史曲线，而是在滞后、非平稳和强耦合工况中表征过程动态与长期依赖。高炉软测量综述将数据驱动模型视为封闭高温过程质量估计的重要路径，同时指出样本质量、变量时延和工况漂移是影响可靠性的关键因素。在模型选择上，长短期记忆网络(LSTM)等循环结构擅长捕捉长期依赖，Transformer和Autoformer借助自注意力机制则更便于建模长程依赖与多步预测；EnvFormer通过序列分解处理烧结燃烧终点预测中的趋势项与扰动项，多时间尺度Inception⁃Time网络利用多尺度一维卷积补充局部波形和不同采样尺度的信息。需要强调的是，钢铁时序模型中的注意力权重并不天然等同于工艺因果，仍须结合变量时延、工序耦合和质量指标机理进行解释。

图像模型面向板带材表面质量检测、废钢类别识别和烧结截面分析等空间数据，其核心是将边缘、纹理、形状和局部异常转化为层级特征，并与缺陷形态知识相互校验。以VGG网络和残差网络为代表的卷积神经网络通过卷积共享权重形成空间归纳偏置，改进VGG19结合ROI增强和迁移学习，可缓解少样本与类别不均衡下的带钢表面缺陷识别问题;废钢束识别则借助预训练CNN微调，提升了复杂现场图像的分类效率。对于钢铁视觉任务，模型深度并非唯一决定因素，样本规模、类别不均衡、边缘照明扰动和部署算力同样会影响最终效果。因此，轻量骨干网络、迁移学习和缺陷形态先验往往比单纯堆叠网络层数更具工程意义。

工业自然语言处理的对象包括规程、日志、故障记录、诊断提示和工艺问答，其价值在于将非结构化语义转化为可计算知识。KGER通过“关系段落抽取－实体聚类－关系抽取”的流程构建炼钢知识图谱，为钢铁文本中的实体和关系抽取提供了具体路径。基于微调预训练大语言模型的高炉故障诊断方法(LLM⁃BFFD)和工业时序故障诊断方法(LLM⁃TSFD)分别面向不同任务：前者用于生成候选诊断推理链，后者用于辅助管理数据管道、校正候选因果关系并支持诊断决策;动态－静态知识图谱增强大语言模型的方法进一步将实时冶炼条件和静态工艺知识纳入检索边界。因此，钢铁场景下的诊断解释不能只依赖模型自由生成，还应受到实体关系、工艺边界和事实知识的约束，如表3所示。

表３ 面向多模态数据的核心建模方法、知识约束与适用边界

多模态融合集中体现了知识—数据双轮驱动，但其本质不是简单拼接不同数据源。相关方法分别编码烧结时序、截面图像及红外图像特征，并在数据级、特征级或决策级进行融合，用于FeO含量预测;DuAK进一步将工艺参数、化学成分、缺陷图像、操作日志和经验知识连接为表面缺陷追溯图谱，使质量判断能够指向潜在原因。因此，多模态融合需要先由专属模型抽取不同模态的证据，再在时间同步、实体对齐、质量标签一致性和工艺语义约束下，共同服务于预测、诊断或追溯任务。

3.2 模型迁移与持续学习

模型迁移与持续学习关注模型离开原始训练场景后如何保持有效。钢铁现场常见困难包括跨产线图像差异、跨高炉或跨工况时序分布变化、目标场景标签不足、设备老化和操作模式漂移。在这一过程中，数据轮提供少量目标域样本、无标签过程数据和新工况反馈，知识轮则提供可迁移的缺陷纹理、过程动态、工艺边界和历史模型约束。因此，该过程需要在复用已有知识的同时，利用新数据校准模型，并减轻持续更新造成的历史知识遗忘。

迁移学习的核心在于利用少量目标域数据重新校准源域模型。带钢缺陷和废钢图像识别利用预训练CNN微调降低目标场景的样本需求,转炉喷溅识别则通过预训练ResNet和注意力结构提高非均衡图像条件下的识别稳定性。对于过程质量预测，操作模式变化会引起协变量偏移，加权特征对齐方法通过加强源域与目标域重叠区域的特征对齐，并减弱外推区域的强制对齐，以降低负迁移风险，多变量时间序列域适应方法则利用对抗映射探索高炉时序的跨域迁移。这类方法既要确定哪些特征具备可迁移性，也要识别哪些工况不应强行对齐，否则源域偏差可能在目标域被进一步放大。

持续学习关注模型投用后的长期有效性，其本质是在保留历史知识的前提下，用新数据校准当前工况。季节变化、设备老化、操作模式变化和工艺参数漂移都会削弱一次性训练模型的性能，但钢铁领域严格的在线持续学习现场验证仍较为有限。目前，迁移学习、自监督学习和少标签校准为模型持续更新提供了方法基础，多源异构对比学习可利用无标签生产数据学习有效表征，表面缺陷模型的性能评估也表明模型选择和微调策略会影响迁移效果。落实到钢铁现场，还需配套漂移监测、版本管理、人工复核和安全回退机制，尚不具备完全自主更新的条件。

3.3 联邦学习与多基地协同

联邦学习在钢铁领域的意义不在于取代集中式建模，而在于为多基地数据治理提供一种折中路径：工艺经验和模型知识需要在不同基地间共享，但原始数据往往不宜离开属地系统。热轧带钢力学性能预报、电炉／精炼数字孪生、绿色决策和钢厂能源预测等任务，都需借助多产线或多厂经验，同时却又受制于特征异构、测量覆盖差异、数据质量、隐私保护和通信成本等约束。联邦学习通过“本地训练—参数上传—全局聚合”的方式，将协同对象从原始数据转移到模型更新，为跨基地的质量预测、能耗估计和绿色决策提供了可部署的技术框架。

具体来看，在热轧力学性能预报中，单一产线样本不足会限制模型精度，而多产线协同又会遭遇特征维度异构、工艺敏感数据保护和通信效率等挑战。在电炉数字孪生和绿色决策场景下，不同工厂的测量覆盖度并不完全一致，但相似流程之间仍存在可共享的温度演化规律、能耗预测经验和碳排放评估模型。就联邦学习的一般部署而言，非独立同分布数据、通信开销、隐私攻击和模型投毒是公认瓶颈。因此，钢铁场景中的联邦学习不能被简单概括为“数据不出厂”，而应视为多基地数据治理、模型协同与风险控制的整合问题。

针对多产线非独立同分布问题，热轧力学性能预报可先对化学成分和工艺参数进行全局模板对齐，再利用随机控制平均联邦学习算法(SCAFFOLD)校正本地更新方向，并融合差分隐私、秘密共享和联邦特征重要性筛选，实现协同预报。在电炉场景中，ALCHIMIA联邦学习平台采用加权联邦平均算法共享电炉与精炼炉的优化模型参数，但其中一个数据集因覆盖不对称而未纳入联邦训练，说明数据质量、覆盖度和厂际同质性会直接约束联邦效果。对于强异质工业客户端，还可借鉴个性化联邦学习方法，通过个性化层和近端项抑制本地模型偏移。由此可见，钢铁多基地协同的关键并非某个聚合公式本身，而是对特征模板、工艺语义和客户端异质性的系统治理。

联邦学习并不自动等同于安全学习。差分隐私可降低数据反推风险，但会带来精度损失；模型投毒和恶意客户端则直接威胁全局模型的稳定性。区块链安全联邦学习框架通过许可型区块链平台、差分隐私和时序预测模型，在不集中原始数据的前提下实现能耗协同预测，并验证了对模型投毒和推断攻击的防护效果。总体而言，联邦学习要走向钢铁全流程通用部署，仍需以跨基地标准化、通信治理和安全评估为支撑。

3.4 模型轻量化与云边协同部署

模型轻量化与云边协同部署关注模型如何从离线研究进入钢铁生产现场。表面缺陷轻量检测、半监督蒸馏、云边数字孪生和工业边缘计算等技术共同指向同一个问题：现场系统需要在准确率、推理速度、参数量、能耗、通信开销、样本回传与模型更新之间取得平衡。数据侧以在线图像、传感器信号和运行记录支撑轻量模型训练与边缘推理，知识侧依靠数字孪生、规则模型、工艺语义和专家经验来约束模型更新与任务分派。因此，部署需要围绕任务时限、资源预算和风险边界构建可运行的工程方案。

离线模型主要关注准确率、召回率、F1值、mAP或预测误差等性能指标，现场部署还需考虑推理延迟、报警延迟、吞吐量、内存/显存占用、边缘设备功耗、通信带宽、样本回传周期、模型更新时间和异常降级策略等。对于缺陷检测和设备诊断等实时任务，误报率和漏报率会直接影响报警负担和安全风险；对于质量预测和调度优化任务，模型漂移检测、跨工况校准和人工接管机制关系到系统的长期稳定运行。因此，钢铁智能系统的部署评价应从单一精度指标扩展为兼顾性能、实时性、资源、维护和安全的综合评价。

边缘端模型压缩主要围绕轻量骨干网络、特征融合、剪枝和蒸馏展开。YOLO⁃RDP方法通过秩扩展网络、轻量卷积模块、跨阶段部分特征融合模块和稀疏化通道剪枝降低模型参数量与计算量;面向难检带钢缺陷的半监督蒸馏框架在冷轧产线部署学生模型，并以FPS、参数量和GFLOPs等指标综合评估其实时推理能力与计算开销。RLA⁃YOLO、YOLO⁃ACG、Mobile Steel Net和改进YOLOX⁃s等轻量化检测模型进一步引入深度可分离卷积、多尺度注意力、特征金字塔和轻量分类网络，用于钢板或型钢缺陷检测。教师—学生蒸馏框架的核心是由教师模型提供软知识，学生模型面向边缘实时推理，从而实现大模型知识对轻量模型的约束。评估轻量化效果时，除了比较模型尺寸，还需同时考察漏检风险、缺陷类别不均衡及现场照明扰动下的鲁棒性。

云边协同承担着知识与数据闭环衔接的功能。热轧卷端面缺陷数字孪生将云端通用模型训练、边缘实时识别、现场样本回传和缺陷根因追溯串联起来，形成缺陷控制闭环。相关研究进一步将云边协同机制应用于智慧钢铁数字孪生和企业级工业智能基础设施，形成由云端智能服务、本地决策模块和边缘信息物理系统／数字孪生节点组成的协同架构。协同制造数字孪生的数据集成框架采用边缘—雾—云协同架构，将多源异构数据转化为可追踪、标准化、面向决策的数字资产;边缘计算和本地数字孪生亦可支撑分布式制造节点的局部控制与协同优化。因此，云边部署的价值不只是改变模型的运行位置，而在于形成“知识约束数据、数据更新知识”的现场闭环。

实时性要求将模型部署推进到软硬件协同层面。在线缺陷检测、故障诊断和工艺控制通常需要在毫秒至秒级窗口内完成采集、推理、报警和反馈，云端训练虽具算力优势，却难以承担全部低时延推理任务。因此，任务放置需在边缘执行、云端执行和拆分执行之间权衡：边缘侧适合实时检测与局部闭环，云端适合模型重训、知识库维护和跨产线协同；具体部署还需综合考虑时延、资源成本和可靠性风险。

4 面向核心生产过程的智能应用

钢铁工业智能应用的核心在于让检测、预测、优化和追溯沿着真实生产流程形成闭环。当前，钢铁应用主要集中在质量预测、过程监测、异常诊断和操作优化等场景;面向工业4.0的质量管理系统则将合同、材料履历、过程工艺、质量异议、处置记录和反馈改进整合到同一分析链条中，使算法输出能够进入现场管理流程。基于前述建模、迁移、联邦学习和云边部署方法，本章围绕高炉炼铁、炼钢精炼、连铸、轧制和全流程质量管理，讨论智能应用如何连接多源数据、机理知识与现场决策。为避免应用场景碎片化，本文将这些应用归纳为四类：实时检测与诊断、关键质量指标预测、工艺与调度优化、全流程质量追溯。

从工程落地程度看，钢铁智能应用可分为离线分析、在线监测、辅助决策、半闭环优化和自动闭环控制五个层级。离线分析主要用于历史复盘、特征筛选和机理假设验证；在线监测侧重缺陷、异常工况和设备状态的实时识别；辅助决策在模型结果基础上给出报警解释、变量贡献或处置建议，但仍需现场人员确认；半闭环优化将预测或优化结果转化为工艺设定、调度方案或能源平衡策略，并经人工审核或规则约束后执行；自动闭环控制则要求模型输出在明确安全边界、责任边界和故障降级机制的前提下直接作用于执行系统。就当前钢铁现场而言，多数智能应用更适合部署在在线监测、辅助决策和半闭环优化层级，只有在实时性、可靠性、可解释性和安全约束充分验证后，才宜进一步进入自动闭环控制。

4.1 实时检测与诊断

实时检测与诊断是钢铁智能应用中部署压力较大的方向之一。钢铁现场存在高温成像环境不稳定、背景干扰和噪声水平高、缺陷样本稀缺，以及设备状态、工艺参数与质量结果强耦合等问题，异常工况还会随时间呈现非平稳演化。因此，实时检测与诊断不宜被简单拆分为图像识别、设备健康和过程异常3个孤立任务，而应理解为从“缺陷发现—状态评估—异常解释—处置反馈”逐步延伸的连续链条。在线表面质量检测通常以图像数据为主要入口，但目标并不只是判断图像缺陷类别。带钢表面缺陷往往具有区域小、类型多、灰度结构复杂、样本数量有限和类别分布不均衡等特点。针对这类问题，改进VGG19可通过图像预处理、ROI增强和迁移学习缓解样本不足带来的识别困难;热轧卷端面缺陷控制进一步将缺陷识别、提前预测、异常行为事件和工艺改进纳入云边协同数字孪生闭环。DuAK将缺陷图像与工艺参数、化学成分、操作日志和经验知识关联起来，使缺陷类别不再只是模型输出，而能够成为后续质量追溯的证据节点。需要强调的是，检测输出中的缺陷类别、位置、区域和置信度只能反映模型对缺陷类别及其空间范围判断的置信程度，无法直接解释缺陷成因。面向现场闭环应用时，检测结果还需要与卷号、工艺参数、异常行为事件和知识图谱路径连接，才能进一步服务于缺陷追溯和工艺反馈。

设备健康与过程异常诊断更强调状态评估、安全冗余和解释链条。高炉风口图像大数据可用于识别炉内燃烧状态和异常事件,知识增强图神经网络则通过过程知识约束故障传播关系，使异常检测结果进一步指向可能根因。面向高炉和工业时序故障的大模型方法，可将监测数据组织为结构化提示或人机协同任务，用于诊断解释、推理路径生成、候选因果关系校正和模型管理;只有将专家规则、维护成本、停机风险和安全边界共同纳入决策，风险概率才能转化为可执行的检修、降负荷或工艺调整策略。在生产过程异常识别中，TSIN通过对齐高炉时序数据与图像信息识别多类异常工况,料面运动状态识别则利用图像增强、目标区域检测和光流聚类刻画不同料面状态;厚板板形质量异常检测和铁水质量相关分析分别从少标签多源数据和非平稳特征融合角度缓解数据不足与工况漂移问题。因此，实时诊断的核心不是触发报警本身，而是将报警转化为可解释、可追踪和可处置的工艺信息。

4.2 关键质量指标预测

关键质量指标预测旨在利用在线可获取的数据估计只能通过滞后检测或离线分析获得的质量指标。钢材性能预测中，制造过程参数、成分、组织和性能之间的复杂映射一直是机器学习应用的主要对象，而数据来源、特征构造、算法选择和可解释性等环节仍需冶金专家校验。力学性能预报通常以化学成分、热轧制度、冷却路径和产线状态为输入，输出屈服强度、抗拉强度和延伸率等软测量结果。相关研究将化学成分、轧制力和终轧温度等变量构造成离线强化学习的状态输入，用于估计力学性能;热轧带钢联邦学习预报则在数据不出产线的条件下开展多方协同建模，以缓解单产线样本不足和基地间数据难以共享的问题。上述方法表明，连续生产条件下的性能预报需要根据工况变化持续校准。

成分、组织和质量状态指标更贴近冶金反应及材料状态。转炉终点碳预测可通过炉口火焰光谱和信息物理系统实现非接触动态估计;烧结FeO含量反映烧结热状态和烧结矿质量，可由过程时序、红外或截面图像及多源变量共同完成软测量。显微组织相关研究主要集中于组织或物相图像分割和质量状态表征，光学图像纹理分割可区分反射率相近但形貌不同的物相,特钢连铸数字孪生则将温度场、凝固、应力和成分数据纳入缺陷预判。

质量预测模型还需说明变量如何影响质量。MIF⁃Autoformer通过相关热图分析图像特征与FeO之间的联系知识引导的集成网络将专家经验固化为建模约束，并结合相应的样本生成机制支撑小样本FeO含量预测加权特征对齐迁移则通过削弱外推区域对齐来降低跨工况误迁移风险。因此，质量预测的可信度由精度、可解释性和跨工况稳健性共同决定；任一维度不足都会削弱模型作为现场质量决策依据的可信度。

4.3 工艺与调度优化

工艺与调度优化的作用是将预测结果进一步转化为可执行行动：工艺侧关注连续变量设定，调度侧处理离散资源组合，能源侧将介质平衡、分时电价和碳成本纳入生产节奏。三者相互耦合，使得钢铁优化问题很难由单一算法完整刻画。可将其拆分为工艺参数动态优化、一体化调度和能源介质协同优化3个层次。

CAS⁃OB钢包精炼、连铸二冷和热连轧加热炉均具有强滞后、强耦合和高试错成本等特点。在精炼控制中，Q学习决策支持系统可将历史状态—操作—反馈数据转化为可学习的操作推荐;连铸温度控制借助多模态深度学习构建逆模型，以确定二冷控制量;基于CPS的热连轧加热炉控制则将大惯性、大滞后对象纳入延时优化控制。对于大惯性加热炉，控制对象需要显式刻画滞后动态，其动态特性常被近似为带纯滞后的一阶惯性环节。因此，工艺优化不能仅停留在预测响应和离线误差上，还需在执行前满足实时性、设备能力和能耗约束，并通过安全边界校验。

一体化调度的难点在于需要同时满足离散决策、时间窗口和物料连续性。钢包重调度须协调设备冲突、浇次连续、钢包匹配与运输路径;动态板坯设计则须同步处理订单动态到达、板坯类型、轧制方式、切损和非线性尺寸约束。这类问题通常以等待、延期和切损等代价为优化目标，但现场排程还需应对设备扰动、订单插入和质量约束变化。因此，钢铁调度优化不宜只追求单次最优解，更应关注扰动恢复、在线重算和人机协同确认。在订单动态到达、设备冲突和质量约束并存的条件下，将多智能体强化学习与整数规划、规则推理和启发式搜索相结合的混合框架，更贴近现场实际需求。

能源优化正在改变调度模型的目标函数。炼钢阶段的氧气、电力、自发电和外购电具有时段性与介质耦合特征，能耗导向调度需要同时考虑分时电价、氧气储存和生产阶段差异;连续铸轧及无头带钢生产工艺等紧凑流程通过压缩连铸与轧制之间的热加工路径，减少中间冷却和再加热环节，从而降低系统能耗。电力、能源与碳排放动态预测通过组织典型工序、关键设备和能源介质关系，有助于提高企业级碳排放估计精度。不过，能源目标若脱离钢种、浇次连续和设备能力等实际约束，容易得到形式上低碳但现场不可执行的方案。

4.4 全流程质量追溯

全流程质量追溯的对象不是孤立缺陷记录，而是从炉次、板坯、卷号到订单和客户反馈的连续证据链。在工业4.0质量管理系统中，合同、钢种、规格、客户、板坯号和热轧卷号等信息已被纳入过程追踪，质量异议、过程异常和处置结果也被接入同一分析系统。炉次、板坯、钢卷等物料节点，加热、轧制、检验或处置事件，缺陷节点与相关工艺参数共同构成质量证据链。图3将上述要素纳入同一分析框架，为后续可视化、候选原因追溯和质量异议闭环提供支撑。

图３ 面向质量追溯的物料—事件—证据闭环框架

质量追溯还需由风险值进一步定位潜在原因及其传播路径。DuAK将工艺参数、化学成分、缺陷图像、操作日志和专家经验组织为三元组，并借助强化学习搜索潜在原因路径;多级知识图谱则把过程变量、控制动作、设备、故障和规则纳入同一语义层，使异常节点能够扩展为面向诊断或控制的目标子图。对于难以直接解释的预测模型，可结合SHAP解释方法或变量重要度形成可排序的关键因素证据，但这些排序需要与工艺机制和现场记录共同复核。

追溯的终点不是解释缺陷，而是使处置方案回流到工艺控制。热轧卷端面缺陷数字孪生将缺陷识别、原因追踪、灰色关联分析和控制方案匹配组织为云边协同闭环，灰色关联等方法可量化缺陷与异常行为事件之间的关联程度，并为控制方案匹配提供依据。另一方面，缺陷计数常呈现非负、过度离散和零值过多等分布特征，此时零膨胀模型、Hurdle模型和混合泊松模型比普通线性回归或标准泊松模型更能准确刻画这类数据。因此，质量异议闭环不能只依赖平均缺陷率，还应将异常分布、图谱路径和模型解释共同纳入复核。

5 挑战与未来展望

钢铁工业大数据智能化已在数据治理、知识图谱、建模部署和生产应用层面形成较清晰的技术脉络，但多工序耦合、数据孤岛、机理不完备和低碳约束，使现有研究仍难以从“单点模型有效”过渡到“全流程系统可信”。钢铁智能化仍受限于小样本、单基地数据、可解释性不足和工业部署难度,深度脱碳则需协同推进能效提升、氢冶金、电炉短流程、碳捕集和资源循环等路径。如图4所示，未来发展需要从标准化、可信化、智能体协同、闭环优化和绿色低碳决策等方面推进。

首先，钢铁大数据仍存在“可采而不可用、可存而不可联”的问题，不同系统在命名规则、采样频率、时间戳和物料粒度上并不一致，需要借助统一语义框架提升跨系统信息互操作能力,并通过数据驱动的IT架构、信息感知、分析平台和反馈机制，提高行业数据的共享、复用和分析能力;更为可行的共享路径是建立分层数据标准，并结合知识图谱、联邦学习和数字孪生实现跨基地知识共享。

其次，可信AI需要机理、数据与知识三类约束协同作用，以守恒关系、边界条件、非线性映射、语义解释和专家规则共同约束模型行为; 模型解释也应从事后特征重要度展示转向能够支撑工艺复核与处置决策的解释，可解释模糊推理可提升检测透明度,两阶段解释框架可识别关键影响因素。工业大模型与智能体为钢铁知识复用提供了新入口，但也带来了模型幻觉、领域适配偏差、输出可信度不足和人机责任边界不清等问题,未来可考虑采用“领域路由—检索增强—工具调用—人工复核”的受控架构，并借鉴多智能体协同在钢与合金设计中的探索。

数字孪生是连接数据、机理、模型和控制的关键载体，已用于缺陷识别、原因追踪和控制方案匹配,并可通过动态模型实现不可见状态预测和多目标优化,但模型精度不足、部分运行状态不可测及非线性动态耦合仍是主要瓶颈;未来应推动孪生模型由单设备、单工序走向物料级和流程级，由离线校准走向边云协同在线校正，并使优化结果进入执行系统和质量反馈闭环。同时，绿色低碳智能决策除了追求模型精度，还需兼顾模型自身能耗、数据获取成本、碳核算边界和工艺可执行性,在质量、成本、能耗、碳排放、效率和安全共同约束下，将碳约束嵌入质量控制、工艺优化、能源平衡和生产调度全过程。

6 结论

1)本文从“知识—数据双轮驱动”的视角，对钢铁工业大数据智能建模、部署与应用进行了系统综述。文章梳理了时序、图像、文本、物料谱系和多源异构数据的特征与建模难点，分析了工业知识图谱在实体标准化、跨系统语义关联、故障诊断和质量追溯中的支撑作用；并总结了时序建模、图像建模、工业自然语言处理、多模态融合、联邦学习、模型轻量化和云边协同等技术路径。

2)钢铁工业知识—数据双轮驱动仍面临从单点有效走向系统可信的挑战。数据标准化、语义对齐、跨工序知识共享和工业大模型应用仍需进一步突破。未来研究应围绕标准化数据底座、可信知识图谱、可解释智能模型、云边协同部署和数字孪生闭环优化展开，推动钢铁从单点预测和局部诊断迈向全流程、跨工序、可迁移、可复用的智能决策体系。

原文刊载于《冶金自动化》2026年7月 作者：吴玲玲 张新民 刘小杰 姜庆超 宋执环