2026年10月，国家市场监管总局（国家标准委）发布《人工智能 钢铁行业应用场景分类指南》《人工智能 钢铁大模型数据集技术要求》《人工智能 钢铁大模型服务能力成熟度评估》三项国家标准化指导性技术文件，有力支持企业数智化转型，助力人工智能赋能钢铁行业走向规模化落地。
这三个标准构建了钢铁大模型「场景分类—数据集规范—成熟度评估」的完整闭环，旨在利用大模型技术解决钢铁行业的复杂问题，支持企业数智化转型，推动人工智能赋能钢铁从试点走向规模化落地。
人工智能 钢铁行业应用场景分类指南
《人工智能 钢铁行业应用场景分类指南》针对钢铁长流程企业的工艺与业务，给出了研发设计、工序管控、运营管理、经营管理和产业生态中人工智能技术的典型应用场景分类及描述，有助于帮助企业在数字化转型中实施有效的人工智能解决方案。
标准号：GB/Z 224-2026
中文标准名称：人工智能 钢铁行业应用场景分类指南
英文标准名称：Artificial intelligence—Classification guideline for application scenarios of steel industry
| 大类 | 中类 | 小类 | 应用场景描述 |
|---|---|---|---|
| 研发设计 | 材料设计 | 钢铁材料及品种研发多尺度仿真 | 集成原子级到宏观级仿真模型，智能优化计算参数，加速仿真计算，提升预测精度 |
| 钢铁材料及品种逆向设计 | 根据目标性能需求，智能推荐最优成分配比、微观结构和加工工艺，实现从性能到成分和工艺的逆向设计 | ||
| 钢铁材料及品种的工艺设计及优化 | 优化冶炼、轧制、热处理等工艺参数，预测工艺效果，智能调整生产流程，提高产品质量 | ||
| 钢铁材料及品种的数据分析 | 挖掘海量材料数据中的隐藏规律，识别关键影响因素，指导研发决策 | ||
| 制备与试验 | 钢铁材料及品种制备及表征 | 预测最优制备工艺参数，自动识别显微组织特征，智能分析材料性能数据，提高制备效率和表征精度 | |
| 钢铁材料试验及验证 | 设计试验方案，预测试验结果，自动分析试验数据，智能优化试验流程，降低试验成本和周期 | ||
| 生产应用 | 钢铁材料性能预测与评估 | 基于成分和工艺参数预测材料力学、物理、化学性能，快速评估材料适用性 | |
| 钢铁材料生产成本预测 | 预测新材料的生产成本，优化成本结构，提高经济效益评估准确性 | ||
| 研发辅助 | 数据治理与知识构建 | 利用NLP、知识图谱等技术，对海量、多源的研发文献、实验报告等数据进行自动化抽取、结构化治理与关联，构建可计算的钢铁材料研发知识平台 | |
| 科研助手 | 协助文献检索、实验设计、数据处理、报告撰写等科研活动，提高研发效率和质量 | ||
| 钢铁材料知识库及智能问答 | 构建材料科学知识图谱，提供智能检索和问答服务，快速获取专业知识和技术信息 | ||
| 工序管控 | 原料及铁前 | 原料智能管控 | 槽位自动分配、皮带及堆址规划、料堆状态监控、料堆库存量计算等 |
| 炼焦过程优化调控 | 配煤方案智能推荐、焦炉单燃烧室温度预测与闭环调整、焦饼温度与炉顶空间温度智能控制、风料比协同优化、焦炭质量判定等 | ||
| 烧结过程优化调控 | 烧结活性炭循环量预测与动态调整、SCR喷氨量闭环优化、烧结碱度预测与参数优化、烧结冶金性能优化、混匀比例智能推荐、皮带运行状态监测、篦条异常图像识别与预警等 | ||
| 球团生产优化调控 | 球团链篦机布料均匀性检测与参数优化、高压辊磨直料柱自动调整、造球质量图像识别与反馈优化等 | ||
| 炼铁 | 高炉运行优化调控 | 炉温预测与闭环优化、炉渣碱度预测与调整、气流模拟预测与优化、炉况波动分析与预测等 | |
| 炼钢 | 脱硫过程优化调控 | 目标硫含量预测与脱硫剂添加量闭环优化等 | |
| 转炉冶炼优化调控 | 转炉热平衡预测与氧枪控制策略优化、停吹温度预测与动态设定、钢水目标成分预测与闭环控制等 | ||
| 电炉冶炼优化调控 | 电极消耗预测、供电曲线智能推荐与闭环优化、脱碳速率预测与吹氧策略优化、合金添加量智能推荐与闭环控制等 | ||
| 精炼过程优化调控 | RH炉闭环优化控制、LF炉闭环优化控制、LATS闭环优化控制等 | ||
| 钢包调度优化 | 基于多目标约束的钢包智能匹配、钢包动态调度等 | ||
| 连铸过程优化调控 | 钢坯编号识别、调宽过程闭环控制、拉速动态优化、钢坯质量缺陷预测与工艺干预、钢坯重量智能预测等 | ||
| 热轧 | 加热炉优化调控 | 钢坯温度预测与炉温设定优化、炉内温度预测与动态调整等 | |
| 粗轧过程优化调控 | 抛钢控制优化、翘扣头识别与压下量闭环调整等 | ||
| 精轧过程优化调控 | 飞剪异常监测与预警、轧制力预测与参数自适应调整、带钢表面缺陷检测等 | ||
| 卷取过程优化调控 | 带钢端部缺陷识别与分切策略优化、带钢头尾缺陷识别与标记等 | ||
| 冷轧 | 酸洗过程优化调控 | 基于表面清洁度预测的酸洗参数动态调整等 | |
| 焊机工艺优化调控 | 焊接参数智能设定、焊缝质量识别与缺陷智能判定等 | ||
| 轧机过程优化调控 | 轧制参数智能设定、规格切换控制参数自适应调整、速度变化扰动预测与张力补偿、板形预测与弯辊力闭环控制等 | ||
| 退火过程优化调控 | 退火温度预测与实时优化、炉内张力动态控制等 | ||
| 涂镀过程优化调控 | 气刀参数预测与闭环控制、辊涂/彩涂膜厚检测与反馈优化等 | ||
| 卷取过程优化调控 | 基于卷径与速度预测张力动态设定、卷形缺陷识别与卷取策略优化调整等 | ||
| 运营管控 | 制造管理 | 质量管理 | 以钢级推荐、工艺自动设计、统一放行设计为代表的冶金规范设计相关模型，以表面质量自动判定、性能预测、取样优化为代表的多工序工艺动态优化和产品质量管控、质量问题根本原因分析、质量追溯及阻断分析等 |
| 生产管理 | 以合同归并、合同准发预测、材料申请、物料与合同匹配、材料处置为代表的生产合同管理、以产能平衡、物流平衡、自动排程、调度控制、跨机组/工序生产协同、组炉及连浇优化、组板及切割优化为代表的生产计划管理等 | ||
| 资源综合利用管控 | 焦炉煤气生产决策、全流程硫平衡、炼焦配煤优化、合金结构优化、废钢比决策、铁钢经济生产规模测算、高炉炉料结构综合需求、铁矿石性价比模型、煤炭功能计价、废钢性价比、铁矿石质量趋势、煤焦质量趋势、副原料质量趋势、废钢质量趋势等 | ||
| 运输管理 | 原料进厂 | 排港计划模型、卸船减载模型、输入输出自动排程模型等 | |
| 厂内运输管控 | TPC智能调度、机车无人化、天车调度与协同、车辆/物料追踪与识别、物料堆放与取料优化等 | ||
| 运输调度优化 | 运输队列优化、路径优化、到库预测、车辆调度等 | ||
| 成品及材料出厂 | 车船配载、船期匹配、多式联运协同等 | ||
| 仓储管理 | 出入库智能管控 | 出库/到库预测、垛位分配、智能单据检验等 | |
| 仓库布局优化设计 | 仓库布局设计、路径优化等 | ||
| 库区智能作业 | 物料识别、库位识别、定位控制等 | ||
| 库区调度优化 | 天车调度、堆垛优化等 | ||
| 设备管理 | 智能运维 | 操检一体化管理、设备状态综合管控、预测性维护管理等 | |
| 设备智能点检 | 设备点检实绩自动生成、检修标准智能优化化、点检任务路径规划与优化、点检终端智能辅助等 | ||
| 故障预警与诊断 | 设备异常监测与识别、故障根因分析等 | ||
| 设备运行优化 | 工艺参数和控制模型优化、隐性参数自适应优化与控制、多设备工艺参数协同优化、设备数字孪生等 | ||
| 设备管理助手 | 基于设备操作、维护相关手册构建知识库，提供设备操作、维护等智能辅助应用 | ||
| 能源管理 | 能源监测与评估 | 能源监测、损耗点预警与分析、基准能耗分析、设备组合运行模式下的能耗评估等 | |
| 能源计划与调度 | 单介质/多介质能源系统智能调度与协同优化、短时能源负荷预测、生产与能源平衡、应急能源调度决策等 | ||
| 能碳联合协同优化 | 工艺过程能碳分析与优化、典型设备能碳协同优化、耗能工序生产参数优化、排产计划优化、物料采购决策等 | ||
| 能源回收与再利用 | 余热余能评估与再利用、能源再利用匹配优化决策等 | ||
| 能效提升 | 蒸汽系统智能运行、空压系统能效优化等 | ||
| 安全管理 | 安全教育培训 | 基于数字孪生的安全体感教育，基于大模型的安全知识、行为规范、作业标准的智能问答助手等 | |
| 标准化安全管理 | 基于物联网、机器视觉的集中监控、动态跟踪、电子围栏、智能预警、联动处置等 | ||
| 智能监测与预警 | 温度、烟雾浓度、粉尘、火焰监测与预警等 | ||
| 安全作业监测 | 现场安全感知、作业规范监测、违章行为和异常状况识别等 | ||
| 智能消防 | 烟雾、火焰监测，以及基于高精度传感器协同的实时烟雾浓度监测等 | ||
| 环保管理 | 环保监测、预警与治理 | 环境监测与流程监控、环保数字地图、环境应急风险管理、可视污染物排放智能识别、油污识别、空气质量预测管控、无组织排放监测与管控等 | |
| 固废循环利用 | 固废智能分拣、固废利用配比优化、固废特性分析、固废价值预测等 | ||
| 原料、废料抑尘管理 | 原料/废料识别分选、扬尘监控与预测性抑尘、炼焦过程与烟气净化装置联动优化等 | ||
| 碳管理 | 碳排放监测与预测、基于全流程能耗数据的生产工艺参数低碳优化、碳捕捉与封存的过程优化技术、碳配额管理与交易辅助决策等 | ||
| 经营管理 | 采购管理 | 采购分析 | 对钢铁原燃料及备品备件的市场价格趋势、国际运力、汇率变化、供应商产能及库存水平等因素进行综合分析，为大宗原燃料与备品备件的采购决策提供辅助支持 |
| 库存优化 | 针对高值易耗品和战略物资，动态预测库存水平，结合生产节奏优化采购批次与库存周转率 | ||
| 供应商管理 | 结合供应商的历史交付表现、质量波动、区域政治风险等，构建钢铁行业专属的供应商风险模型与智能寻源体系 | ||
| 销售管理 | 订单全生命周期管理 | 辅助从接单、排产、发货到售后全过程追踪，特别适配钢材规格多样、订单交期刚性和产销匹配复杂的钢铁销售模式 | |
| 客户管理 | 针对下游客户构建采购行为画像、用钢强度分级、信用状况动态评估，实现精细化客户运营 | ||
| 销售合同管理 | 基于快速判别订单可制造性的技术评审；基于钢铁行业合同中常见的价格浮动条款、交货方式、税率处理等潜在风险与条款缺陷自动识别的合同审核；基于订单优先级动态排序、紧急订单插单优化的订单协同与合同变更管理；基于响应效率提升、风险自动监控的合同结算管理 | ||
| 资源计划 | 基于历史数据进行资源智能配置与优化排产 | ||
| 物流管理 | 物流计划 | 根据产地、仓库、客户位置动态规划路径、调度运力，实现超长/超重运输、多式联运，提高物流效率 | |
| 物流结算 | 实现对运输单据、重量单、到货单等信息的自动识别与匹配，提升结算准确性与效率 | ||
| 库存管理 | 针对钢中转库、分销库等多层级库存结构，结合区域仓储分布和钢材品种特性以及销售与产量节奏，预测销售销节奏及各节点的库存压力，辅助区域调拨与定制备货，避免积压或断供 | ||
| 成本管理 | 成本核算 | 基于工序归集能耗、人力、材料等数据，实现精细化核算 | |
| 成本分析 | 挖掘影响吨钢成本的核心因子，识别各产线或品种的成本波动原因与优化空间 | ||
| 成本控制 | 针对高成本环节，设定预警阈值，动态预测和监控消耗偏差，支撑成本刚性控制 | ||
| 财务管理 | 总账管理 | 辅助生成财务预测报表，自动识别异常凭证，合规性检查，提高总账管理效率与准确性 | |
| 应收应付管理 | 构建客户信用评分、回款风险预警、供应商绩效评估与付款等模型，实现流程优化 | ||
| 预算管理 | 辅助动态编制年度/季度预算，实现预算滚动调整与实时预警 | ||
| 财务分析 | 对利润、现金流、资产周转等核心指标进行预测分析，帮助钢企管理层把握财务健康趋势与潜在风险 | ||
| 协同管理 | 文会事协同 | 智能公文审核、会议实时语音转写、自动生成会议纪要、智能任务分解等 | |
| 公文管理 | 结合钢铁行业管理制度，实现自动化的公文审核、公文检索、公文排版、公文写作辅助，以及公文内容的智能比对，提高公文处理的准确性和效率 | ||
| 智慧督办 | 对督办事项的执行情况和效果进行实时监控和评估，及时反馈工作进展和问题，提高工作效率 | ||
| 任务管理 | 结合生产班组、技术中心等角色，将任务优先级与产线计划联动，AI辅助动态分配任务和调度资源，提升执行效率 | ||
| 办公助手 | 通过整合内外部知识，提供流程问答、规章制度问答、业务知识问答等智能辅助服务 | ||
| 人力资源 | 员工管理 | 针对钢铁企业从技工到工程师等多岗位群体，辅助完成招聘、定岗、薪酬调整、职业发展及人力资源匹配等工作 | |
| 绩效管理 | 结合一线生产指标与技术类岗位的项目成果，客观量化绩效评价，自动生成考核建议 | ||
| 薪资福利 | 自动化薪酬计算、福利发放、税务处理等，以及智能定薪、调薪，同时提供个性化福利方案等 | ||
| 员工培训 | 结合安全生产、设备操作、技术改进等需求，推荐个性化课程、动态调整学习路径、培训效果评估等 | ||
| 审计内控 | 内部控制 | 基于钢铁行业内控流程，自动生成自评报告、自动生成复评方案、自动生成指标分析报告等 | |
| 风险管理 | 指标变化趋势分析、合同风险与合规性审查等 | ||
| 审计管理 | 结合钢铁行业财务与生产联动特性，自动生成审计初稿以及审计整改等 | ||
| 监测预警 | 自动监控预警模型设置等 | ||
| 项目管理 | 项目群管理 | 项目群并行管理、企业年度计划、动态智能综合统计分析、项目智能监控等 | |
| 业务管理 | 支持工程项目的范围管理、投资管理、进度管理、质量管理等 | ||
| 建设过程管理 | 工程建设的全生命周期管理，支持工程建设过程中的规划、立项、建设、完工业务 | ||
| 法务管理 | 合同管理 | 合同法务审核控制、合同智能抽查、合同备案等 | |
| 法律案件管理 | 立案申请、诉讼案件立案、案件办理、案件开庭、财产保全、案件审理结果、案件执行的全过程管理 | ||
| 合规管理 | 合规管理年度计划、合规管理定期报告、投资项目合规审查管理、企业外规库与内规库、重点合规事项、反垄断管理等 | ||
| 风控预警 | 智能识别合同/案件风险点、动态预警风险、风险指标仪表盘等 | ||
| 产业生态 | 供应链协同 | 采购协同 | 联合行业数据服务商、大宗商品交易平台等外部企业，实现采购市场情报洞察、与供应商协作开展采购寻源 |
| 销售协同 | 与客户、经销商、代理商、电商平台第三方数据提供商等企业的联动，实现外部销售市场情报洞察、智能产品报价、客户智能订货、智能客服、订单交付时间预测等 | ||
| 物流协同 | 与外部物流企业、运输商、仓储方等合作伙伴的联动，实现厂外物流执行巡检预警、线路动态调度与决策、厂外物流作业质量风险预警及改进等 | ||
| 金融协同 | 联合外部信用评级机构、行业协会等，整合客商经营数据、履约记录及行业信用档案构建客商信用评价体系，与金融机构协同开展存货融资和订单融资等 | ||
| 绿色低碳协同 | 碳足迹追踪与核算协同 | 产品全生命周期碳足迹的自动采集、核算与共享等 | |
| 绿电与清洁能源采购协同 | 生产负荷与绿电供应匹配度预测，智能优化绿电采购计划与用能调度等 | ||
| 绿色供应链评价与优化 | 供应商绿色绩效评价与优化等 |
人工智能 钢铁大模型数据集技术要求
《人工智能 钢铁大模型数据集技术要求》确立了钢铁大模型数据集的结构，规定了知识融合、数据安全等技术要求，有助于规范钢铁大模型所用数据的管理与应用，确保数据质量和安全性。
标准号：GB/Z 231-2026
中文标准名称：人工智能 钢铁大模型数据集技术要求
英文标准名称：Artificial intelligence—Technical requirements of dataset for steel industry large model
人工智能 钢铁大模型服务能力成熟度评估
《人工智能 钢铁大模型服务能力成熟度评估》提供了钢铁大模型服务能力评估指标，描述了成熟度分级规则及评估方法，有助于指导钢铁行业大模型服务能力评估。
标准号：GB/Z 241-2026
中文标准名称：人工智能 钢铁大模型服务能力成熟度评估
英文标准名称：Artificial intelligence—Maturity assessment for service capabilities of large-scale steel model
| 能力域及权重 | 能力子域 | 权重 |
|---|---|---|
| 硬件平台
6% |
计算资源 | 2% |
| 网络资源 | 2% | |
| 存储资源 | 2% | |
| 软件平台
14% |
训练工具 | 2% |
| 微调工具 | 2% | |
| 模型评估工具 | 3% | |
| 模型部署工具 | 3% | |
| 监测及分析工具 | 4% | |
| 数据平台
15% |
数据采集工具 | 3% |
| 数据处理工具 | 3% | |
| 数据存储工具 | 3% | |
| 数据标注工具 | 3% | |
| 数据生成工具 | 3% | |
| 数据资源
20% |
数据接入 | 4% |
| 数据管理 | 4% | |
| 数据处理 | 4% | |
| 数据生成 | 4% | |
| 数据标注 | 4% | |
| 算法资源
15% |
模型微调 | 3.75% |
| 模型训练 | 3.75% | |
| 模型验证 | 3.75% | |
| 模型部署 | 3.75% | |
| 技术开发
12% |
知识向量库 | 5% |
| 智能体协同 | 5% | |
| 任务编排 | 2% | |
| 模型应用
10% |
场景覆盖度 | 6% |
| 泛化应用 | 4% | |
| 运营赋能
8% |
生态管理 | 4% |
| 安全治理 | 4% |
标准下载
关注本站公众号“智慧城市行业分析”，在对话框输入关键字“钢铁人工智能”获取标准下载地址
www.smartcity.team
