概述

钢铁工业作为流程型制造核心领域，生产过程存在多变量耦合、工况动态波动等特性，对控制算法的实时性、适应性要求极高。当前行业广泛应用的 PID 等传统算法，存在显著滞后性，无法实时跟随工况变化调整控制策略，导致生产过程参数波动大，制约能效提升与产品质量稳定性。随着 “双碳” 战略推进，钢铁工业亟需具备自主适应能力的底层算法，通过机理基准构建、精准预测及自评价优化，实现对动态工况的实时响应与智能调控。 钢铁工业底层自适应算法技术研发遇到的技术瓶颈​： （1）机理基准构建难，钢铁生产过程涉及热工、力学、化学等多领域复杂机理，各工艺环节参数耦合性强，难以建立覆盖多场景的统一机理基准模型，导致算法缺乏精准理论支撑；​ （2）自评价优化缺失，现有算法无实时自评价机制，无法动态评估自身在不同工况下的控制效果，也不能根据评估结果自动调整算法参数，导致适配性持续下降；​ （3）自适应响应滞后，传统算法调整周期无法实时匹配工况动态变化，当工况波动较大时，易出现控制失准，导致生产稳定性下降。

需求详情

1.机理基准适配性：构建的多场景统一机理基准模型，对钢铁生产关键工艺参数的基准拟合度≥95%；​2.自评价优化能力：算法自评价频率≥1 次 / 分钟，自评价结果与实际控制效果偏差≤±1%，可自动调整参数，适配工况波动幅度≤±15% 的场景；​3.自适应响应性能：算法响应延迟≤1s，参数调整周期≤2s，在工况动态波动下，关键生产参数控制偏差≤±2%，算法投运率≥99.5%。