AI落地實踐連載②｜不止于管理軟件重構，AI正重新定義工業過程控制
在人工智能加速向千行百業滲透的當下，各企業如何將AI技術落地為實際生產力？
為探尋答案，6月6日，“智見新局?AI—— 人工智能 ToB 場景落地研討會”在金現代成功召開。
中國信通院、國網信產集團、中航工業航空研究院、華潤江中、上海建科、日照鋼鐵、金現代等眾多企業代表齊聚，分享AI在不同業務領域的高價值落地場景。
上期分享了日照鋼鐵的 “AI + 招投標文檔審查” 實踐經驗。本期跟隨金現代董事長黎峰的演講，深入工業過程控制場景，解碼AI重新定義工業生產的邏輯和路徑。
以下為演講精華實錄：
前面大家聊的AI應用大多集中在管理軟件領域，其實 AI 在工業過程控制中同樣效果顯著。今天我想分享的，就是 AI 在工業過程控制中的實際應用案例。
金現代信息產業股份有限公司董事長 黎峰
電廠燃煤鍋爐氮氧化物含量預測
第一個案例是燃煤鍋爐氮氧化物含量預測。燃煤鍋爐產生的氮氧化物是火電廠主要污染物之一，必須進行脫硝處理。但實際操作中存在多重延遲：氮氧化物含量檢測延遲，脫硝劑閥門控制有延遲，藥劑在管道中流動也有延遲，整個系統延遲累計約三分鐘。
因此，我們需要精準預測三分鐘后排煙中的氮氧化物含量 —— 這僅憑人工經驗是很難實現的，于是我們引入大模型，通過建模預測180秒后的氮氧化物含量，以此來確保脫硝劑投放比例精準、投放時機及時。
因為如果脫硝劑投加量不足，脫硝的效果就不達標；如果過量，會導致結垢、堵塞、阻力增加，同時增加脫硝劑成本。這是我們與某熱工院合作的實際項目，非常具有現實意義。
在模型選型階段，我們對比了Transformer、RNN、CNN、TimeLLM四種架構（參數量均小于10億），算力配置要求不高，僅需1張4090顯卡即可運行。
另一個關鍵環節是參數篩選：我們從鍋爐20項原始監測參數中，通過相關性分析精選出總風量、溫度、CO含量、鍋爐O?含量、煤量這5項核心參數，用于模型訓練。
在數據處理方面，我們從DCS系統獲取100萬條原始數據，通過降頻處理至10萬條，同時完成空值、異常值處理及數據降噪。并且對歷史窗口長度、預測窗口長度等訓練參數進行了調優。
從模型訓練結果對比來看，PATCHTST 模型精度表現突出，均方誤差為0.9%；TimeLLM 模型與TST模型效果接近，考慮到大模型技術的快速迭代的優勢，我們最終選擇了TimeLLM 模型。
從預測結果來看：左圖中，模型對180秒后氮氧化物含量的預測曲線與實際監測曲線幾乎完全重疊（左推3分鐘后對齊），均方誤差小于1，預測精度已經達到工業應用標準。這個案例充分證明，大模型在工業過程控制中完全能夠發揮關鍵作用。
鋼鐵廠燒結工藝優化
第二個落地場景是鋼鐵廠燒結工藝優化。礦石磨粉后不能直接送到高爐冶煉，需要與石灰粉、粘合劑、水等混合成糊狀（含水量約7.8%），燒結成塊狀物后才能用于煉鐵。整個燒結工藝包含原料配混、燒結、煙氣處理三大核心環節。
那么在這個場景下，大模型能發揮哪些作用呢？
①配礦大模型：礦石的原料來源是多種多樣的（如澳大利亞、巴西、印度等），不同礦石含鐵量和雜質差異很大。怎么配礦比例最優？現在鋼廠的做法是依賴工程師的經驗，開會討論，左調一點，右調一點，基本靠經驗。
但其實我們通過歷史數據訓練出配礦大模型，就能智能生成最優的配礦方案。鋼廠有個強烈訴求：不想只買好礦石（雖然煉鐵效果好但貴），而是期望降低礦石采購成本的同時，還能煉出高質量鐵水，現在通過大模型就可以幫助鋼廠實現這個訴求。
②燒結控制大模型：當前燒結工藝主要控制四個參數：輔料厚度、點火溫度、風箱負壓抽風速度、燒結機運行速度，都依賴工人經驗調節。我們完全可以通過歷史數據來訓練一個燒結大模型，控制好這四個參數，使質量更好、更穩定，同時更節能。
③氮氧化物預測大模型：和上一個案例講到的電廠的鍋爐是一樣的，它也有一個煙氣處理的問題，所以說也可以把氮氧化物的預測模型用到這個地方來。
燒的礦好不好，傳統方式是怎么判斷的呢？靠燒結工聽礦翻車落到地上的聲音，聲音越脆，說明強度越高、質量越好；另外就是看燒結斷面的紅外成像，看燒得勻不勻、透不透。
④翻車聲音大模型：其實我們可以用聲紋，讓老師傅標注，用大模型做一個質量聲音傳感器。這樣工人不用跑到現場聽翻車聲音 —— 我去過現場，環境很熱，工人很辛苦，有了這個就能實時反饋燒結質量。
⑤斷面成像大模型：斷面成像現在用紅外技術，圖像已經取過來了，但一直是靠燒結工肉眼觀察。我們可以通過預訓練處理，訓練出質量判斷模型，讓大模型自己判斷燒結分布均勻還是不均勻。
我們還可以有個更大的設想：做冶煉全過程的大模型控制，比如做一個大Agent 把這些小模型串起來，控制全程?，F在鋼鐵廠特別看重噸成本，噸成本比別人低，在市場上就有競爭力。所以，大模型在工業控制里可大可小，小到模擬一個聲紋識別傳感器，大到噸成本的控制，都可以一步步突破。
多模態、時序大模型進入生產過程控制
傳統的PID調節（比例 - 積分 - 微分），看這三個字母就知道有積分、微分，它靠物理和化學機理形成數學模型。但在非線性、高階、高延遲、長周期、多變量耦合的環境下，PID很難發揮作用，還得靠人工經驗。
但人遇到復雜情況也只能 “約莫著來”（估計著來）：這次水加多點，下次添加劑多一點，因為人沒有辦法完全把握數據和參數的關系，尤其對高階和高延遲的系統。
所以現在流行的技術趨勢是 “大模型 + 先進過程控制（APC）”：大模型能從海量歷史數據中學習規律，不需要深度理解物理機理，就可以實現工藝優化。這里我們有個關鍵優勢：中國工業廣泛部署的 DCS 系統每秒產生海量運行數據，為大模型訓練提供了充足 “養料”，這使得AI在復雜系統控制中超越人類經驗成為可能。
另外一個優勢是：即使初期訓練使用的是前三個月的歷史數據（這些數據可能基于人工經驗設置，導致初期精確率不足），但隨著系統運行不斷產生新數據，模型可通過滾動優化、持續迭代，準確率會越來越高。
這就是我想表達的“換道超車”—— 大模型切入生產過程控制，弱化了對物理和化學機理的依賴。在過去，不懂工藝的人沒法優化工藝，現在搞計算機的人沒見過燒鍋爐，也能做高爐燒結的大模型，進行工藝優化。
這聽起來好像有點 “玄學”，不懂怎么實現優化？其實是回歸了老師傅經驗的本質：老師傅的經驗是數據加訓練得來的，大模型的核心邏輯仍然是數據驅動與算法訓練，本質是一樣的。所以，從實踐和直覺來看，這條技術路線完全可行，AI 必將在工業控制領域實現對人類經驗的超越。