在金属行业，人工智能（AI）正通过让更广泛的用户群体更便捷、更直观使用先进技术，来加速数字化的转型进程。从辅助编程到自主工艺优化，AI正在重塑钢铁与金属制造工厂的设计、运行与维护模式。
西马克集团自动化、数字化与服务解决方案执行副总裁Thiago Maia指出：“我们看到人工智能的作用正沿着两个维度拓展：深度与广度同步提升。”从深度而言，先进的AI模型正在提升仿真精度与控制系统的效能。新型计算能力能够引入更多工艺参数，从而使模型更有效、更稳固，进而实现冶金工艺的实时优化。
从广度而言，AI正通过打破内部壁垒不断拓展应用边界。集成模型现已覆盖多个生产阶段，从而实现：
- 跨流程优化：统筹考虑上下游参数
- 场景化规划：通过仿真评估不同执行策略
- 全面能源管理：降低能耗、碳足迹和运营成本
"AI不仅是一种工具，更是重塑工业自动化方式的变革力量。"Thiago Maia补充道，"它使我们从被动的响应式运营转向主动、全面的决策模式。"擅长理解自然语言的大型语言模型（LLM）的影响力尤为突出。它理解与生成类人文本的能力，使其成为编程、文档编辑与沟通的强大工具。这类通用模型正在快速渗透工业领域，工程专用AI也在持续发展，以应对复杂的工程与运行挑战。
除语言外，面向图像、视频、音频的其它基础模型，正在推动机器视觉、语音识别和内容生成技术的融合。随着这些通用模型日益主流化，下一阶段将迎来工程专用AI的部署——这些模型能够理解并生成电气设计、机械布局、管道及仪表图等专业工程文档。
无论是通过提升自身生产力，还是通过优化客户运营，人工智能将在未来数年持续改变整个行业。
Viridis Dispatch：气体平衡优系统
我们应用AI的主要目标是将其融入产品，助力客户提升生产效率、降低成本、提高质量并开发新钢种。另一核心目标是降低能源消耗与碳足迹——这一挑战正通过Viridis Dispatch系统有效解决。Viridis Dispatch是一款用于优化联合钢铁厂气体平衡的软件，旨在协助现场操作人员制定最优决策。在联合钢厂中，高炉煤气（BFG）、焦炉煤气（COG）和转炉煤气（BOFG）被用作发电、加热炉、烧结、球团、煅烧等环节的燃料。合理调度炼钢用气十分复杂：气体生成过程高度可变，并与上游冶金工序紧密耦合，且多个不同类型的用气终端对流量、热值要求各异，所有决策必须满足气柜、管道、汽轮机和安全约束。因此，气体调度的可靠运行依赖于精准预测、快速仿真和多角度的运行评估。
Viridis Dispatch在优化流程的各个环节引入AI以应对这些挑战。为提升气体生成预测的精度，开发了基于机器学习的时间序列模型，用以预测气体产量、气体消耗、混气方案以及各个工艺区中替代气体的使用。随后，基于AI的仿真模型对全厂进行质量与能量平衡计算，精确考虑气柜液位、混合气体成分等细节参数，使每项决策都能在运行约束（如气柜容量限制、管道流量上限、涡轮机稳定性）下被评估。这些仿真能快速且逼真地评估在预测周期内，潜在的操作方案是否会违反约束。最后，启发式多目标优化器在滚动时域规划中利用预测与场景仿真，识别经济与运行层面上的最优调度决策。通过预测、仿真与优化的协同，基于AI的Viridis Dispatch系统在大型钢铁厂实现了天然气消耗约17%的可量化减排，并相应减少了碳排放，同时将人工决策逐步替换为自主闭环控制。
BlueControl：冶金工艺优化平台
BlueControl是西马克集团为冶金工艺开发的AI实时过程控制与优化平台，最初在有色金属厂试用验证，现已计划将其拓展至其他金属领域。该平台将严谨的物理/热力学仿真与深度学习、代理模型技术相结合，能够对从倾斜精炼炉熔炼到氧化还原的多步骤冶金工艺给出快速且物理一致的预测，从而实现对原料配比、熔剂添加、出钢周期、产品质量及排放的在线优化，同时支持操作员人机界面（HMI）可视化与关键绩效指标（KPI）的追踪。
该架构利用高精度的物理模型生成训练数据，再训练代理模型（元模型），使优化程序能在秒级评估运行场景（而非小时/天级），从而在生产过程中实现实时控制与优化。平台原型已在客户现场成功测试。产品路线图将扩展至适配的厂型，并计划推出基于绩效的服务方案。BlueControl通过将热力学信息融入机器学习输出，确保物理一致性，避免出现违背物理规律的预测结果。
电弧炉：出钢口堵塞预防
另一个案例是为电弧炉（EAF）开发的出钢口堵塞预防方案，该方案旨在解决出钢口过早失效的问题。传统方法效果有限，因此需要采用新思路：在某个客户案例中，出钢口寿命仅为20-50个炉次，远低于行业标准的100-150次。频繁发生的堵塞导致必须用氧枪穿孔，这是导致出钢口提前失效的因素之一。我们的目标是延长出钢口的使用寿命，并减少穿孔操作。为此西马克集团开发了能够在单炉生产过程中评估出钢口堵塞风险的预测分析系统，并基于根因分析识别影响因素。
数据集包含约1000个电弧炉的信号，覆盖8000个炉次，采样频率为每200毫秒1条记录。我们运用机器学习模型将出钢口堵塞事件按行为特征聚类为不同的特征段；这些特征段揭示了偏离正常工况、可能引发堵塞的关键行为。随后，我们构建预测模型，整合各个特征段的风险，量化出钢口堵塞的概率；并利用可视化工具突出高风险段的信号特征，助力深入理解诱因并支撑工艺改进决策。最终，我们帮助客户将无故障出钢率从约80%提升至94%以上。
展望未来，全自主化、AI驱动的智能钢厂愿景已触手可及。AI将在各个环节持续提升生产效率与运行效果，推动人员角色的逐步转型——从直接操作转向监督管理，从常规执行转向异常处理，从危险环境转向更安全的监管岗位。