1 方案背景與目標

本項目旨在利用西門子最新研發的工業時間序列基礎大模型（General Time Transformer，GTT），對某鋼鐵行業頭部客戶的連鑄產線的3號RH精煉爐過程相關參數進行預測。RH真空精煉技術將真空室真空脫氣與鋼水循環流動結合起來，具有處理周期短、精煉效果好、適應性好、處理能力強等特點，同時還有著改進鋼鐵品質，升級產品結構的優點。在RH精煉過程中，鋼水溫度對鋼鐵的品質和產量、真空室的使用周期、鋼包的壽命都有重要影響。因此，鋼水的溫度是衡量鋼鐵質量、檢驗精煉工藝和指導冶金生產的最重要的標準之一。3號RH精煉爐作為該客戶連鑄產線的重要組成部分，其冶煉終點溫度控制的復雜性和精確性直接影響產品質量和生產效率，以及生產安全。綜上所述，整個精煉過程的鋼水溫度應當被全程控制，而鋼水溫度預測正是精煉過程優化控制的最重要組成部分。

針對鋼水溫度的預測，現有的溫度傳感器還無法做到長時間在高溫狀態下對鋼水溫度進行測量。因此，業內通常通過機理方式或數據建模的方法，例如采用逐步回歸法從眾多因素中篩選出對鋼水溫度影響顯著的主要因素，以確定溫度預報模型的關鍵輸入參數，包括鋼水重量、初溫、精煉時間、含氧量和金屬鋁加入量等。在此基礎上，再根據鋼種和RH精煉工藝的不同，對終點時刻鋼水溫度進行預測。利用實際冶煉數據作為樣本，結合算法模型進行訓練，優化模型的權值和閾值，提高預測精度。

根據對客戶連鑄產線目前初步調研信息，當前預報模型尚未建立對鋼水溫度的直接預測，而是選取了純脫氣時間、脫碳時間、進站氧含量、脫氧前氧含量等相關因素建立了對出站Tfe（表征鋼渣氧化性強弱的變量）的預測模型。因此有必要進行進一步終點溫度預測，以滿足最終應用的需求。

總結而言，進行此次項目驗證，具有以下的必要性與復雜性。

RH精煉爐在鋼鐵生產中扮演著至關重要的角色，其冶煉終點溫度控制的復雜性體現在以下幾個方面：

（1）多變量、強耦合、非線性：RH精煉爐是一個具有大時滯、多變量、強耦合、非線性的復雜冶金過程，這給冶煉溫度的預報帶來較大困難。

（2）大數據量與實時性要求：工業時序數據體量龐大、寫入并發量高，完全基于歷史數據訓練模型是較為困難的。處理零樣本預測任務將直接決定模型的泛化使用能力，需要模型具備強大的特征提取能力。

（3）高質量數據的需求：工業數據的質量和可得性一直制約著當前AI規模化應用。在工業制造現場，數據種類紛繁復雜，質量參差不齊，只有大量且高品質的工業數據才能訓練出可靠的工業模型。

面對上述挑戰，傳統的預測模型往往難以滿足需求，而西門子目前所發布的自研時間序列分析基礎大模型以其獨特的優勢提供了解決方案。 西門子利用在工業數據上積累的天然優勢，積累了大量的跨工業領域的時間序列數據。受到大語言模型的啟發，西門子自研了基于Transformer架構的時間序列基礎模型General Time Transformer (GTT，當前版本為2.0，并保持持續迭代中)，架構見下圖：

 圖 西門子時間序列基礎模型General Time Transformer (GTT 2.0)架構圖

GTT作為西門子自研的首款工業時序數據基礎模型，由西門子中國研究院主導研發，其訓練數據集的規模和質量在業內均處于領先地位。目前，GTT 1.0已經由超過350億高質量時序數據點訓練而成，這些數據不僅覆蓋了離散制造、流程工業、能源、交通、樓宇等多個領域，而且在多個公開域測評任務中展現出了無需微調即可進行優秀預測的能力。這種廣泛的數據覆蓋和強大的預測性能，使得GTT 1.0能夠解決工業場景中的趨勢預測、異常檢測等時序分析問題，實現工業數據的快速理解與分析以及工業人工智能解決方案的規模化應用。

GTT的技術優勢還在于西門子在工業硬件和軟件領域的全面布局與深度融合。西門子憑借其龐大的市場份額沉淀下海量工業數據資源，這些數據不僅體量大，而且在質量、多樣性和專業性上具有顯著優勢，為GTT 的訓練和優化提供了堅實的基礎。綜上所述，GTT 的大規模訓練數據集、卓越的預測能力、以及在工業數據分析和人工智能解決方案中的應用，都充分證明了其在工業時序數據大模型領域的重要地位和應用價值。

2 方案詳細介紹

開展此次驗證項目，有助于我們深入理解未來如何擴大西門子時間序列基礎大模型（GTT ）在客戶連鑄產線落地場景中的應用。通過定義初始的精煉爐溫預測標準模型，我們能夠為后期的項目復制提供直接可行的模板，實現預測成果的廣泛應用，極大程度上提高工作效率。此外，系統化的項目實施也有助于識別、管理和控制項目中的風險，確保項目的順利進行。

本次驗證項目的核心設備為連鑄車間的3號精煉爐。驗證數據范圍將選取某驗證時間段（暫定1周）內連續的生產信息，包括對應爐次、精煉站、鋼種下的生產參數。時序大模型將根據規范的輸入生產參數，預測出站Tfe值，并計算相應的統計偏差指標。

通過結果，我們可以全面評估模型的預測性能，并據此進行模型的優化和調整。此外，驗證項目還將考慮以下關鍵因素：

（1）數據質量與完整性：確保輸入數據的準確性和完整性，以便模型能夠進行有效的學習和預測。

（2）模型泛化能力：評估模型在不同爐次、鋼種和生產條件下的泛化能力，確保模型的穩定性和可靠性。

（3）實時性能：評估模型預測任務的響應速度和處理能力，確保模型能夠滿足工業生產的實時性要求。

基于以上信息，考慮到本次驗證項目的完整性與有效性。在雙方約定的測試數據集（暫定針對3號RH精煉爐，連續采集的1周生產數據集）上，將進行以下的驗證：

項目的核心是西門子的時間序列大模型，它能夠處理和分析大量的歷史數據，以預測RH精煉爐的終點溫度。為此，西門子將使用客戶提供的2024年7月和10月的完整特征變量和歷史數據進行大模型微調和驗證，相關參數樣例如表1所示。

 表1 部分輸入輸出參數名稱及數據樣例表

依據爐次號為分割ID，在對時序大模型微調之前，首先對以上相關數據進行綁定，包括但不限于鋼種信息，入站溫度數據、下槍測定溫度、吹氧量、加料量、下部槽使用次數、歷史終點溫度等：

? 鋼種信息：不同鋼種（例如鎮靜鋼，非鎮靜鋼）的物理和化學特性對精煉過程的溫度變化有重要影響。

? 入站溫度數據：記錄爐料進入精煉爐時的溫度，是控制精煉過程的起始點。

? 下槍測定溫度：通過下槍測量的爐內溫度，便于監控和調整精煉過程溫度。

? 吹氧量：吹入氧氣的量，用于控制爐內氧化還原反應，進而影響溫度。

? 加料量：加入爐內的原料（廢鋼）量，影響爐內反應和溫度控制。

? 下部槽使用次數：下部槽的使用頻率，可能影響爐內溫度分布。

? 歷史終點溫度：以往精煉過程結束時的實際溫度，用于模型學習和預測。

接下來，西門子將利用這些綁定后的歷史數據進行時序大模型（GTT）的預訓練。預訓練的目的是讓模型學習爐溫變化的一般規律，以及各種操作對溫度的影響。通過分析用戶提供的歷史數據，模型將學習起點溫度、用戶干預操作（如吹氧升溫和加廢鋼降溫）以及最終實際的終點溫度之間的關系。

圖 西門子時間序列基礎模型General Time Transformer (GTT 2.0)架構圖

預訓練完成后，西門子將對模型進行微調，以適應客戶現場的具體生產條件。微調后的模型將進行回歸測試，觀測終點溫度預測的偏差。這一測試將評估模型的預測準確性，并為進一步的優化提供依據。

最后，西門子將基于現場連續采集的3號RH精煉爐過程數據進行實時預測。暫定為期一周的數據采集將為模型提供最新的現場信息，以驗證模型在實際生產環境中的表現。通過這一階段的測試驗證，西門子希望能夠未來將時序大模型嵌入客戶精煉爐的優化控制模塊，以提供更精確的終點溫度控制，從而優化生產流程，提高產品質量，降低成本，并最終實現智能制造的目標。

 圖  RH精煉爐溫度變化過程示意

時序大模型將根據規范的輸入生產參數，預測目標KPI參數，并計算相應的統計偏差指標用于模型準確度評估，常見的評價指標例如，平均絕對誤差（MAE）：衡量預測值與實際值之間差異的平均程度，用于評估模型預測的準確性；均方誤差（MSE）：衡量預測值與實際值之間差異的平方的平均值，用于評估模型預測的準確性和偏差；平均絕對百分比誤差（MAPE）：衡量預測值與實際值之間差異的百分比的平均值，用于評估模型預測的準確性和偏差。具體評價指標將依據項目需求和實際數據情況進行選擇。

     總體而言，本項目建設周期預計6周，初步節點計劃如下圖所示，具體項目實施計劃將在項目啟動會上進一步討論確認。

3 代表性及推廣價值

本方案依托西門子工業時間序列基礎大模型（GTT）構建的RH精煉爐終點溫度預測體系，在工業自動化與鋼鐵行業數字化轉型深度融合的浪潮中，具備鮮明的行業代表性與深遠的推廣價值，精準契合工信部《原材料工業數字化轉型工作方案（2024—2026年）》中關于深化AI與鋼鐵工業融合創新的發展要求。當前鋼鐵行業正加速從單點數字化突破向系統性、全局性數字化轉型轉變，關鍵工序數控化率提升至80%的目標倒逼核心冶煉環節技術革新。本方案率先打破傳統“一場景一模型”的定制化開發桎梏，將通用時間序列大模型技術深度植入RH精煉這一高復雜度流程，通過預訓練階段學習工業通用時間序列規律，僅需接入少量場景化生產數據完成微調，即可實現對鋼水溫度的精準預測，為工業大模型在流程制造業的規模化、低成本落地提供了可復制的標桿范例，引領行業從“AI+制造”向“AI原生制造”范式跨越。

在技術代表性層面，方案精準攻克了RH精煉終點溫度控制的行業共性痛點，展現出顯著的技術突破價值。RH真空精煉作為高端鋼材生產的核心環節，其溫度參數受鋼水循環速度、真空度、原料成分等多重因素耦合影響，動態變化極具復雜性，傳統控制模式依賴人工經驗判斷或簡單算法模型，常出現預測偏差大、響應滯后等問題，直接制約產品質量與生產效率。本方案基于GTT模型強大的時序特征提取與多變量關聯分析能力，預測精度較傳統算法提升顯著，可提前精準預判終點鋼水溫度波動趨勢，有效規避因溫度偏差導致的產品瑕疵、真空室損耗等問題。從產業價值維度看，方案的落地直接推動精煉工藝從經驗驅動轉向數據智能驅動，經實踐驗證可顯著提升鋼鐵產品質量穩定性，使中包溫度符合率提升3%以上，同時延長真空室與鋼包使用壽命，降低能耗與生產成本，單噸鋼成本節省可達1元以上，既契合鋼鐵行業高質量發展需求，也為“雙碳”目標下的工業節能降碳提供了技術支撐，其技術路徑對轉爐、鋼包爐等其他高溫冶煉場景具有重要借鑒意義。

在推廣價值層面，該方案具備極強的場景遷移能力與生態賦能價值，市場應用前景廣闊。從行業內推廣來看，方案采用的“基礎大模型+行業微調”輕量化落地模式，可快速適配不同規模鋼鐵企業的精煉工序，無需企業投入大量資源進行全流程模型重構，大幅降低了中小企業數字化轉型門檻，助力行業整體提升核心工序智能化水平。從跨行業拓展來看，其核心技術邏輯可遷移至有色金屬冶煉、冶金化工等同類高溫流程工業，為相關領域的溫度、壓力等關鍵工藝參數預測提供技術參考，進一步拓寬工業大模型的應用邊界。更重要的是，方案的推廣應用將加速鋼鐵行業數據資產的積累與復用，通過生產數據與模型的持續迭代優化，形成“數據-模型-工藝優化”的良性循環，推動行業從單一設備自動化向全流程智能決策升級。這不僅有助于培育鋼鐵行業數字化轉型的優質供給生態，更能為整個工業自動化產業提供“基礎大模型+垂直行業”的融合創新范本，對推動制造業從自動化向自主化、智能化升級具有重要的引領與支撐作用。

同時，本項目基于本項目基于西門子工業邊緣計算平臺，做為項目的硬件部署與數據交互平臺以及調度中心.西門子工業邊緣平臺優勢特點：

· 開放式技術架構：在現場設備級別運行基于IT容器技術的應用程序，實現強大復雜的功能

· 一體化管理平臺：使用邊緣管理平臺，實現跨地域邊緣設備及應用靈活管理

· 豐富的數據通訊：打破自動化和IT系統之間的數據屏障，使數據通訊更簡單、更迅速

· 低維護易更新：應用及固件版本根據實際場景維護，批量管理，縮短時間

· 海量硬件設備支持：未來邊緣系統將集成到 HMI、IPC 和 PLC 中，最大化滿足現場需求

· 打造完整生態體系：突破IT和OT界限，實現軟件和硬件的互聯互通，吸引不同角色用戶構建生態。

目前，西門子邊緣生態環境下的APP以功能類型為分類依據，主要分為以下三類APP，各類APP的功能如下所述：

· 通訊連接型APP：基于不同類型的工業通訊協議，連接現場的自動化設備，實現設備內部信號變量的采集和訂閱；

· 數據處理型APP：對采集到的信號變量進行集中管理和模型構建，以便上層的邊緣應用型APP進行調用；

· 邊緣應用型APP：基于前期構建的數據模型，實現工業現場描述性、診斷性、預測性和決策性的分析應用。

邊緣應用型APP基于前述兩類APP采集存儲的數據，通過數據邊緣處理分析和可視化展示，安全、高效、靈活地為工業現場提供了一系列描述性、診斷性、預測性和決策性的功能應用，以滿足狀態監測、工藝監測與控制、預測性維護和質量檢測與管控等不同的業務場景需求。

不僅如此，邊緣應用型APP之間的依存關系具備以下特點：

· 低耦合：每個邊緣應用型App都具備從數據處理層提取數據模型和信號變量的能力，這就意味著，每個邊緣應用型App的部署和使用不會受其他應用程序的任何影響；

· 可聯動：部分邊緣應用型App之間的功能存在聯動性，通過配置調用多個APP的聯動功能，可以為用戶提供更多維度的數據對比分析結果和更多樣化的終端交互體驗。

基于上述特點，西門子將以復合功能模塊為最小單位搭建的工業信息化系統，轉化為以獨立應用程序為最小單位部署的工業邊緣平臺，輕松滿足工業現場日趨靈活多變的功能需求。

在邁向工業4.0的今天，5G、人工智能、邊緣計算等新技術的不斷涌現，引領著新一輪的工業變革，驅動著中國工業向產業數字化、數字產業化的方向不斷前進。各行各業通過新技術的賦能，最后走向從萬物互聯到萬物智能的新經濟業態。

西門子通過工業邊緣、人工智能等新興技術，幫助客戶不斷挖掘數字化潛力，借助西門子全套的數字化解決方案，實現整個價值鏈的數字化轉型。

西門子工業邊緣，融合了信息技術領域的網絡、計算、存儲和智能應用的核心能力，并將最新的人工智能等技術融入邊緣計算，為企業提供安全、實時、靈活的工業現場本地數據處理解決方案。為了使工業邊緣場景更加易于落地，西門子提供多種邊緣設備、統一的管理平臺、豐富的邊緣應用及開放的線上應用商店。同時，西門子還致力于建立領先的工業邊緣生態，為企業和合作伙伴創造更多價值。