01 钢铁质量管控的四大痛点
钢铁生产经历"炼钢-连铸-热轧-冷轧"长流程，工艺链条长、变量复杂，质量管控面临严峻挑战： （一）缺陷根因定位低效 产品质量波动受"人机料法环测"多因素影响，人工排查缓慢且依赖经验，定位耗时数小时，延误处理时机。 （二）追溯精度不足 系统割裂、接口不兼容，难以实现个体级缺陷追溯，只能追溯到批次，问题产品范围大、处理成本高。 （三）风险预警滞后 质量管理以事后追溯为主，缺乏预测性检测与事前预警，批量不合格品时有发生。 （四）知识复用困难 质量分析经验分散、案例沉淀不足，同类问题复发率高，知识传承效率低。 02 解决方案：构建"感知-预测-诊断-优化"智能闭环
本场景由华院计算技术（上海）股份有限公司牵头编制，上海宝钢工程、新余钢铁、湛江钢铁、武汉钢铁、敬业钢铁等提供应用实践。 （一）四层智能体系 （二）核心能力 1. 实时数据采集与融合 在关键工序部署传感器、工业相机，实时采集温度、压力、化学成分、振动频率、图像等数据，形成高精度、可追溯的数据底座。 2. 缺陷预测与分级预警 AI模型实时分析多源数据，自动识别异常工艺参数与潜在质量问题，按风险等级（A/B/C/D级）推送至工程师APP或车间大屏。 3. 根因诊断与精准定位 基于知识图谱和因果推理算法，构建"人机料法环测"全要素关联模型，输出参数影响热力图、因果关系链路图，定位时间从小时级压缩至分钟级。 4. 工艺优化与虚拟验证 自适应调整工艺参数，并在数字孪生环境中验证优化方案可行性后调整，确保安全可靠后再应用于实际生产。 03 应用成效：质量管控质的飞跃
04 实施路径
（一）数据准备 （二）算法与算力 算法层：根因诊断（知识图谱+因果推断）、风险预测（时序预测+非线性建模）、工艺优化（大模型分析建议） 模型层：阿里Qwen72B底座，注入冶金工艺知识，多模态融合训练 算力配置：边缘节点（8核CPU+16GB内存+4GPU），云端私有云+公有云混合架构 （三）安全合规 设备与访问安全：身份认证、数据完整性校验、日志留存≥1年 存储与权限安全：分层加密、分级权限控制、敏感数据脱敏 质量合规：符合ISO 9001及《钢铁行业智能制造标准体系建设指南》
05 实际案例
华院计算与上海宝钢工程技术有限公司合作的连铸质量管控智能体项目，将传统人工追溯方式升级为根因追溯智能体模式。改造后，通过实时表面及内部缺陷信息进行快速的根因追溯，追溯时间从6小时缩短至30秒以内；算法基于因果逻辑，可精准定位10个以上工艺参数项进行多因子关联追溯异动，同时异动值精确到小数点后2位，并获取参数动态偏移范围，准确率超90%。系统实现缺陷事前预警，不合格品和修磨坯率降低40%以上，年创经济效益340万元。 想进一步了解该场景技术细节与实施标准 → [点击下载完整版场景建设指南.pdf] 有意向建设该场景、需要对接场景服务方的企业，请联系：市工业互联网协会 赵老师 13816395318 下一篇预告：《每吨省3-6元，年省上千万：AI如何让钢铁配料又省又好？》——聚焦生产配料智能优化场景
我们正在研究编制《上海市"AI+制造"场景建设指南（第二期）》
欢迎有行业高价值场景挖掘和建设经验的企业共同参与
联系人：市工业互联网协会 张老师 13621971629
