在人工智能加速向千行百业渗透的当下，各企业如何将AI技术落地为实际生产力？

为探寻答案，6月6日，“智见新局・AI—— 人工智能 ToB 场景落地研讨会”在金现代成功召开。

中国信通院、国网信产集团、中航工业航空研究院、华润江中、上海建科、日照钢铁、金现代等众多企业代表齐聚，分享AI在不同业务领域的高价值落地场景。

上期分享了日照钢铁的 “AI + 招投标文档审查” 实践经验。本期跟随金现代董事长黎峰的演讲，深入工业过程控制场景，解码AI重新定义工业生产的逻辑和路径。

以下为演讲精华实录：

前面大家聊的AI应用大多集中在管理软件领域，其实 AI 在工业过程控制中同样效果显著。今天我想分享的，就是 AI 在工业过程控制中的实际应用案例。

 金现代信息产业股份有限公司董事长 黎峰

电厂燃煤锅炉氮氧化物含量预测

第一个案例是燃煤锅炉氮氧化物含量预测。燃煤锅炉产生的氮氧化物是火电厂主要污染物之一，必须进行脱硝处理。但实际操作中存在多重延迟：氮氧化物含量检测延迟，脱硝剂阀门控制有延迟，药剂在管道中流动也有延迟，整个系统延迟累计约三分钟。

因此，我们需要精准预测三分钟后排烟中的氮氧化物含量 —— 这仅凭人工经验是很难实现的，于是我们引入大模型，通过建模预测180秒后的氮氧化物含量，以此来确保脱硝剂投放比例精准、投放时机及时。

因为如果脱硝剂投加量不足，脱硝的效果就不达标；如果过量，会导致结垢、堵塞、阻力增加，同时增加脱硝剂成本。这是我们与某热工院合作的实际项目，非常具有现实意义。

在模型选型阶段，我们对比了Transformer、RNN、CNN、TimeLLM四种架构（参数量均小于10亿），算力配置要求不高，仅需1张4090显卡即可运行。

另一个关键环节是参数筛选：我们从锅炉20项原始监测参数中，通过相关性分析精选出总风量、温度、CO含量、锅炉O₂含量、煤量这5项核心参数，用于模型训练。

在数据处理方面，我们从DCS系统获取100万条原始数据，通过降频处理至10万条，同时完成空值、异常值处理及数据降噪。并且对历史窗口长度、预测窗口长度等训练参数进行了调优。

从模型训练结果对比来看，PATCHTST 模型精度表现突出，均方误差为0.9%；TimeLLM 模型与TST模型效果接近，考虑到大模型技术的快速迭代的优势，我们最终选择了TimeLLM 模型。

从预测结果来看：左图中，模型对180秒后氮氧化物含量的预测曲线与实际监测曲线几乎完全重叠（左推3分钟后对齐），均方误差小于1，预测精度已经达到工业应用标准。这个案例充分证明，大模型在工业过程控制中完全能够发挥关键作用。

钢铁厂烧结工艺优化

第二个落地场景是钢铁厂烧结工艺优化。矿石磨粉后不能直接送到高炉冶炼，需要与石灰粉、粘合剂、水等混合成糊状（含水量约7.8%），烧结成块状物后才能用于炼铁。整个烧结工艺包含原料配混、烧结、烟气处理三大核心环节。

那么在这个场景下，大模型能发挥哪些作用呢？

①配矿大模型：矿石的原料来源是多种多样的（如澳大利亚、巴西、印度等），不同矿石含铁量和杂质差异很大。怎么配矿比例最优？现在钢厂的做法是依赖工程师的经验，开会讨论，左调一点，右调一点，基本靠经验。

但其实我们通过历史数据训练出配矿大模型，就能智能生成最优的配矿方案。钢厂有个强烈诉求：不想只买好矿石（虽然炼铁效果好但贵），而是期望降低矿石采购成本的同时，还能炼出高质量铁水，现在通过大模型就可以帮助钢厂实现这个诉求。  

②烧结控制大模型：当前烧结工艺主要控制四个参数：辅料厚度、点火温度、风箱负压抽风速度、烧结机运行速度，都依赖工人经验调节。我们完全可以通过历史数据来训练一个烧结大模型，控制好这四个参数，使质量更好、更稳定，同时更节能。

③氮氧化物预测大模型：和上一个案例讲到的电厂的锅炉是一样的，它也有一个烟气处理的问题，所以说也可以把氮氧化物的预测模型用到这个地方来。

烧的矿好不好，传统方式是怎么判断的呢？靠烧结工听矿翻车落到地上的声音，声音越脆，说明强度越高、质量越好；另外就是看烧结断面的红外成像，看烧得匀不匀、透不透。

④翻车声音大模型：其实我们可以用声纹，让老师傅标注，用大模型做一个质量声音传感器。这样工人不用跑到现场听翻车声音 —— 我去过现场，环境很热，工人很辛苦，有了这个就能实时反馈烧结质量。

⑤断面成像大模型：断面成像现在用红外技术，图像已经取过来了，但一直是靠烧结工肉眼观察。我们可以通过预训练处理，训练出质量判断模型，让大模型自己判断烧结分布均匀还是不均匀。

我们还可以有个更大的设想：做冶炼全过程的大模型控制，比如做一个大Agent 把这些小模型串起来，控制全程。现在钢铁厂特别看重吨成本，吨成本比别人低，在市场上就有竞争力。所以，大模型在工业控制里可大可小，小到模拟一个声纹识别传感器，大到吨成本的控制，都可以一步步突破。

多模态、时序大模型进入生产过程控制

传统的PID调节（比例 - 积分 - 微分），看这三个字母就知道有积分、微分，它靠物理和化学机理形成数学模型。但在非线性、高阶、高延迟、长周期、多变量耦合的环境下，PID很难发挥作用，还得靠人工经验。

但人遇到复杂情况也只能 “约莫着来”（估计着来）：这次水加多点，下次添加剂多一点，因为人没有办法完全把握数据和参数的关系，尤其对高阶和高延迟的系统。

所以现在流行的技术趋势是 “大模型 + 先进过程控制（APC）”：大模型能从海量历史数据中学习规律，不需要深度理解物理机理，就可以实现工艺优化。这里我们有个关键优势：中国工业广泛部署的 DCS 系统每秒产生海量运行数据，为大模型训练提供了充足 “养料”，这使得AI在复杂系统控制中超越人类经验成为可能。

另外一个优势是：即使初期训练使用的是前三个月的历史数据（这些数据可能基于人工经验设置，导致初期精确率不足），但随着系统运行不断产生新数据，模型可通过滚动优化、持续迭代，准确率会越来越高。

这就是我想表达的“换道超车”—— 大模型切入生产过程控制，弱化了对物理和化学机理的依赖。在过去，不懂工艺的人没法优化工艺，现在搞计算机的人没见过烧锅炉，也能做高炉烧结的大模型，进行工艺优化。

这听起来好像有点 “玄学”，不懂怎么实现优化？其实是回归了老师傅经验的本质：老师傅的经验是数据加训练得来的，大模型的核心逻辑仍然是数据驱动与算法训练，本质是一样的。所以，从实践和直觉来看，这条技术路线完全可行，AI 必将在工业控制领域实现对人类经验的超越。