每噸省3-6元，年省上千萬：AI如何讓鋼鐵配料又省又好？ | 上海"AI+制造"場景建設指南③

【編者按】

為落實《上海市加快推動"ai+制造"發展的實施方案》，市經濟信息化委會同市工業互聯網協會、中國信通院上海工創中心、上海工業數字化研究院等單位，編制發布了《上海市"ai+制造"場景建設指南（第一期）》，旨在通過指南，提煉重點行業高價值應用場景，并系統描述人工智能技術在相關場景應用時的實施路徑和方法論，為企業提供一套可復制、可推廣的標準化操作方案，降低試錯成本。

本系列逐一解讀12個標桿場景，上一期我們解讀了鋼鐵行業生產制造環節——智能質量控制工藝優化，本期聚焦鋼鐵行業生產制造環節——生產配料智能優化（受限于篇幅，內容有所壓縮，完整版請于文末點擊鏈接下載）。

（配圖由minimax agent 生成）

01鋼鐵配料的五大痛點

配料是鋼鐵制造前端煉焦與燒結工序的核心，直接決定焦炭、燒結礦質量與生產成本，但長期面臨多重挑戰：

（一）質量預測精度不足

缺乏科學多維度預測模型，難以基于煤質特性、礦石成分等海量因子精準預判關鍵質量指標，產品性能波動大。

（二）成本管控壓力大

優質原料稀缺、對高價原料過度依賴、配比組合全局優化不足，配料成本居高不下。

（三）質量溯源體系缺失

數據分散在mes、erp、lims等孤立系統，質量異常難以快速定位，不利于精準追溯與復盤優化。

（四）多環節協同效率低

生產執行、經營管理、配比計算、化驗檢測等環節數據孤立，信息傳遞滯后，決策及時性差。

（五）原料評價數據支撐不足

缺乏貼合企業自身特點的個性化原料評價方法，科學配料策略制定缺乏依據。

02 解決方案：構建“數據感知-智能決策-精準執行”新范式

本場景由華院計算技術（上海）股份有限公司牽頭編制，酒泉鋼鐵、新余鋼鐵、柳州鋼鐵等提供應用實踐。

（一）四大核心能力

（二）三類算法引擎

傳統知識類：巖相信息、流動度區間、灰成分指數等經驗公式模型。

數據驅動類：統計學習、機器學習、深度學習挖掘新規律。

數學建模類：質量波動、配料數據有效性、評價得分優化等抽象模型。

03應用成效：成本與質量雙贏

04實施路徑

（一）數據準備

（二）算法與算力

大模型層：阿里qwen72b基座，支持自然語言交互、意圖識別、推理可視化、方案生成。

算力配置：邊緣層（8核cpu+16gb內存+2gpu），云端私有云+公有云彈性部署。

接口標準：opc ua協議（實時數據），restful api over https（業務數據），json格式。

（三）安全合規

設備與訪問安全：雙向身份認證、數據完整性校驗、日志留存≥2年。

存儲與權限安全：分層加密（國密算法）、分級分權管理、最小權限原則。

合規要求：符合iso 9001、《網絡安全法》《數據安全法》《個人信息保護法》。

05實際案例

新鋼集團下屬焦化廠擁有4座焦爐（6m及7m各兩座），焦炭年產量約263萬噸。該廠承擔著為自家煉鐵廠提供高質量焦炭的任務，對焦炭質量穩定性要求極高，同時需持續響應寶武集團降本增效的總體部署。此外，廠內筒倉兼具儲煤與用煤功能，對煤料堆放與識別管理提出了較高要求。

針對上述痛點，該廠引入基于人工智能算法、智慧工廠數據互聯及煤焦資源數據庫技術的智能配煤系統，構建了覆蓋“數據融合—智能決策—精準執行”的智能化配煤體系。系統結合煤存放分倉規則及采購計劃，可同時滿足月度與日常配比計劃需求，支持單礦點煤種及大類煤種等多場景計算，顯著提升配煤準確性與焦炭質量穩定性，并實現多爐型同時優化與煤料統籌使用。系統運行期間在多個維度取得良好效果。

質量預測精度顯著提升：m40平均誤差≤2%，m10平均誤差≤1.5%；焦炭熱態強度cri平均誤差≤1.5%，csr平均誤差≤2%；焦炭灰分（ad）平均誤差≤0.5%，硫分（st,d）平均誤差≤0.05%。

有意向建設該場景、需要對接場景服務方的企業，請聯系：市工業互聯網協會 趙老師 13816395318

下一篇預告《疵點識別準確率超90%，擋車工效率提30%：ai質檢助力織廠實現0巡檢、免質檢》——聚焦在織坯布智能質量檢測場景。

我們正在研究編制《上海市"ai+制造"場景建設指南（第二期）》

歡迎有行業高價值場景挖掘和建設經驗的企業共同參與

聯系人：市工業互聯網協會 張老師 13621971629

上觀號作者：上海經信委