1 方案背景与目标

本项目旨在利用西门子最新研发的工业时间序列基础大模型（General Time Transformer，GTT），对某钢铁行业头部客户的连铸产线的3号RH精炼炉过程相关参数进行预测。RH真空精炼技术将真空室真空脱气与钢水循环流动结合起来，具有处理周期短、精炼效果好、适应性好、处理能力强等特点，同时还有着改进钢铁品质，升级产品结构的优点。在RH精炼过程中，钢水温度对钢铁的品质和产量、真空室的使用周期、钢包的寿命都有重要影响。因此，钢水的温度是衡量钢铁质量、检验精炼工艺和指导冶金生产的最重要的标准之一。3号RH精炼炉作为该客户连铸产线的重要组成部分，其冶炼终点温度控制的复杂性和精确性直接影响产品质量和生产效率，以及生产安全。综上所述，整个精炼过程的钢水温度应当被全程控制，而钢水温度预测正是精炼过程优化控制的最重要组成部分。

针对钢水温度的预测，现有的温度传感器还无法做到长时间在高温状态下对钢水温度进行测量。因此，业内通常通过机理方式或数据建模的方法，例如采用逐步回归法从众多因素中筛选出对钢水温度影响显著的主要因素，以确定温度预报模型的关键输入参数，包括钢水重量、初温、精炼时间、含氧量和金属铝加入量等。在此基础上，再根据钢种和RH精炼工艺的不同，对终点时刻钢水温度进行预测。利用实际冶炼数据作为样本，结合算法模型进行训练，优化模型的权值和阈值，提高预测精度。

根据对客户连铸产线目前初步调研信息，当前预报模型尚未建立对钢水温度的直接预测，而是选取了纯脱气时间、脱碳时间、进站氧含量、脱氧前氧含量等相关因素建立了对出站Tfe（表征钢渣氧化性强弱的变量）的预测模型。因此有必要进行进一步终点温度预测，以满足最终应用的需求。

总结而言，进行此次项目验证，具有以下的必要性与复杂性。

RH精炼炉在钢铁生产中扮演着至关重要的角色，其冶炼终点温度控制的复杂性体现在以下几个方面：

（1）多变量、强耦合、非线性：RH精炼炉是一个具有大时滞、多变量、强耦合、非线性的复杂冶金过程，这给冶炼温度的预报带来较大困难。

（2）大数据量与实时性要求：工业时序数据体量庞大、写入并发量高，完全基于历史数据训练模型是较为困难的。处理零样本预测任务将直接决定模型的泛化使用能力，需要模型具备强大的特征提取能力。

（3）高质量数据的需求：工业数据的质量和可得性一直制约着当前AI规模化应用。在工业制造现场，数据种类纷繁复杂，质量参差不齐，只有大量且高品质的工业数据才能训练出可靠的工业模型。

面对上述挑战，传统的预测模型往往难以满足需求，而西门子目前所发布的自研时间序列分析基础大模型以其独特的优势提供了解决方案。 西门子利用在工业数据上积累的天然优势，积累了大量的跨工业领域的时间序列数据。受到大语言模型的启发，西门子自研了基于Transformer架构的时间序列基础模型General Time Transformer (GTT，当前版本为2.0，并保持持续迭代中)，架构见下图：

 图 西门子时间序列基础模型General Time Transformer (GTT 2.0)架构图

GTT作为西门子自研的首款工业时序数据基础模型，由西门子中国研究院主导研发，其训练数据集的规模和质量在业内均处于领先地位。目前，GTT 1.0已经由超过350亿高质量时序数据点训练而成，这些数据不仅覆盖了离散制造、流程工业、能源、交通、楼宇等多个领域，而且在多个公开域测评任务中展现出了无需微调即可进行优秀预测的能力。这种广泛的数据覆盖和强大的预测性能，使得GTT 1.0能够解决工业场景中的趋势预测、异常检测等时序分析问题，实现工业数据的快速理解与分析以及工业人工智能解决方案的规模化应用。

GTT的技术优势还在于西门子在工业硬件和软件领域的全面布局与深度融合。西门子凭借其庞大的市场份额沉淀下海量工业数据资源，这些数据不仅体量大，而且在质量、多样性和专业性上具有显著优势，为GTT 的训练和优化提供了坚实的基础。综上所述，GTT 的大规模训练数据集、卓越的预测能力、以及在工业数据分析和人工智能解决方案中的应用，都充分证明了其在工业时序数据大模型领域的重要地位和应用价值。

2 方案详细介绍

开展此次验证项目，有助于我们深入理解未来如何扩大西门子时间序列基础大模型（GTT ）在客户连铸产线落地场景中的应用。通过定义初始的精炼炉温预测标准模型，我们能够为后期的项目复制提供直接可行的模板，实现预测成果的广泛应用，极大程度上提高工作效率。此外，系统化的项目实施也有助于识别、管理和控制项目中的风险，确保项目的顺利进行。

本次验证项目的核心设备为连铸车间的3号精炼炉。验证数据范围将选取某验证时间段（暂定1周）内连续的生产信息，包括对应炉次、精炼站、钢种下的生产参数。时序大模型将根据规范的输入生产参数，预测出站Tfe值，并计算相应的统计偏差指标。

通过结果，我们可以全面评估模型的预测性能，并据此进行模型的优化和调整。此外，验证项目还将考虑以下关键因素：

（1）数据质量与完整性：确保输入数据的准确性和完整性，以便模型能够进行有效的学习和预测。

（2）模型泛化能力：评估模型在不同炉次、钢种和生产条件下的泛化能力，确保模型的稳定性和可靠性。

（3）实时性能：评估模型预测任务的响应速度和处理能力，确保模型能够满足工业生产的实时性要求。

基于以上信息，考虑到本次验证项目的完整性与有效性。在双方约定的测试数据集（暂定针对3号RH精炼炉，连续采集的1周生产数据集）上，将进行以下的验证：

项目的核心是西门子的时间序列大模型，它能够处理和分析大量的历史数据，以预测RH精炼炉的终点温度。为此，西门子将使用客户提供的2024年7月和10月的完整特征变量和历史数据进行大模型微调和验证，相关参数样例如表1所示。

 表1 部分输入输出参数名称及数据样例表

依据炉次号为分割ID，在对时序大模型微调之前，首先对以上相关数据进行绑定，包括但不限于钢种信息，入站温度数据、下枪测定温度、吹氧量、加料量、下部槽使用次数、历史终点温度等：

• 钢种信息：不同钢种（例如镇静钢，非镇静钢）的物理和化学特性对精炼过程的温度变化有重要影响。

• 入站温度数据：记录炉料进入精炼炉时的温度，是控制精炼过程的起始点。

• 下枪测定温度：通过下枪测量的炉内温度，便于监控和调整精炼过程温度。

• 吹氧量：吹入氧气的量，用于控制炉内氧化还原反应，进而影响温度。

• 加料量：加入炉内的原料（废钢）量，影响炉内反应和温度控制。

• 下部槽使用次数：下部槽的使用频率，可能影响炉内温度分布。

• 历史终点温度：以往精炼过程结束时的实际温度，用于模型学习和预测。

接下来，西门子将利用这些绑定后的历史数据进行时序大模型（GTT）的预训练。预训练的目的是让模型学习炉温变化的一般规律，以及各种操作对温度的影响。通过分析用户提供的历史数据，模型将学习起点温度、用户干预操作（如吹氧升温和加废钢降温）以及最终实际的终点温度之间的关系。

图 西门子时间序列基础模型General Time Transformer (GTT 2.0)架构图

预训练完成后，西门子将对模型进行微调，以适应客户现场的具体生产条件。微调后的模型将进行回归测试，观测终点温度预测的偏差。这一测试将评估模型的预测准确性，并为进一步的优化提供依据。

最后，西门子将基于现场连续采集的3号RH精炼炉过程数据进行实时预测。暂定为期一周的数据采集将为模型提供最新的现场信息，以验证模型在实际生产环境中的表现。通过这一阶段的测试验证，西门子希望能够未来将时序大模型嵌入客户精炼炉的优化控制模块，以提供更精确的终点温度控制，从而优化生产流程，提高产品质量，降低成本，并最终实现智能制造的目标。

 图  RH精炼炉温度变化过程示意

时序大模型将根据规范的输入生产参数，预测目标KPI参数，并计算相应的统计偏差指标用于模型准确度评估，常见的评价指标例如，平均绝对误差（MAE）：衡量预测值与实际值之间差异的平均程度，用于评估模型预测的准确性；均方误差（MSE）：衡量预测值与实际值之间差异的平方的平均值，用于评估模型预测的准确性和偏差；平均绝对百分比误差（MAPE）：衡量预测值与实际值之间差异的百分比的平均值，用于评估模型预测的准确性和偏差。具体评价指标将依据项目需求和实际数据情况进行选择。

     总体而言，本项目建设周期预计6周，初步节点计划如下图所示，具体项目实施计划将在项目启动会上进一步讨论确认。

3 代表性及推广价值

本方案依托西门子工业时间序列基础大模型（GTT）构建的RH精炼炉终点温度预测体系，在工业自动化与钢铁行业数字化转型深度融合的浪潮中，具备鲜明的行业代表性与深远的推广价值，精准契合工信部《原材料工业数字化转型工作方案（2024—2026年）》中关于深化AI与钢铁工业融合创新的发展要求。当前钢铁行业正加速从单点数字化突破向系统性、全局性数字化转型转变，关键工序数控化率提升至80%的目标倒逼核心冶炼环节技术革新。本方案率先打破传统“一场景一模型”的定制化开发桎梏，将通用时间序列大模型技术深度植入RH精炼这一高复杂度流程，通过预训练阶段学习工业通用时间序列规律，仅需接入少量场景化生产数据完成微调，即可实现对钢水温度的精准预测，为工业大模型在流程制造业的规模化、低成本落地提供了可复制的标杆范例，引领行业从“AI+制造”向“AI原生制造”范式跨越。

在技术代表性层面，方案精准攻克了RH精炼终点温度控制的行业共性痛点，展现出显著的技术突破价值。RH真空精炼作为高端钢材生产的核心环节，其温度参数受钢水循环速度、真空度、原料成分等多重因素耦合影响，动态变化极具复杂性，传统控制模式依赖人工经验判断或简单算法模型，常出现预测偏差大、响应滞后等问题，直接制约产品质量与生产效率。本方案基于GTT模型强大的时序特征提取与多变量关联分析能力，预测精度较传统算法提升显著，可提前精准预判终点钢水温度波动趋势，有效规避因温度偏差导致的产品瑕疵、真空室损耗等问题。从产业价值维度看，方案的落地直接推动精炼工艺从经验驱动转向数据智能驱动，经实践验证可显著提升钢铁产品质量稳定性，使中包温度符合率提升3%以上，同时延长真空室与钢包使用寿命，降低能耗与生产成本，单吨钢成本节省可达1元以上，既契合钢铁行业高质量发展需求，也为“双碳”目标下的工业节能降碳提供了技术支撑，其技术路径对转炉、钢包炉等其他高温冶炼场景具有重要借鉴意义。

在推广价值层面，该方案具备极强的场景迁移能力与生态赋能价值，市场应用前景广阔。从行业内推广来看，方案采用的“基础大模型+行业微调”轻量化落地模式，可快速适配不同规模钢铁企业的精炼工序，无需企业投入大量资源进行全流程模型重构，大幅降低了中小企业数字化转型门槛，助力行业整体提升核心工序智能化水平。从跨行业拓展来看，其核心技术逻辑可迁移至有色金属冶炼、冶金化工等同类高温流程工业，为相关领域的温度、压力等关键工艺参数预测提供技术参考，进一步拓宽工业大模型的应用边界。更重要的是，方案的推广应用将加速钢铁行业数据资产的积累与复用，通过生产数据与模型的持续迭代优化，形成“数据-模型-工艺优化”的良性循环，推动行业从单一设备自动化向全流程智能决策升级。这不仅有助于培育钢铁行业数字化转型的优质供给生态，更能为整个工业自动化产业提供“基础大模型+垂直行业”的融合创新范本，对推动制造业从自动化向自主化、智能化升级具有重要的引领与支撑作用。

同时，本项目基于本项目基于西门子工业边缘计算平台，做为项目的硬件部署与数据交互平台以及调度中心.西门子工业边缘平台优势特点：

· 开放式技术架构：在现场设备级别运行基于IT容器技术的应用程序，实现强大复杂的功能

· 一体化管理平台：使用边缘管理平台，实现跨地域边缘设备及应用灵活管理

· 丰富的数据通讯：打破自动化和IT系统之间的数据屏障，使数据通讯更简单、更迅速

· 低维护易更新：应用及固件版本根据实际场景维护，批量管理，缩短时间

· 海量硬件设备支持：未来边缘系统将集成到 HMI、IPC 和 PLC 中，最大化满足现场需求

· 打造完整生态体系：突破IT和OT界限，实现软件和硬件的互联互通，吸引不同角色用户构建生态。

目前，西门子边缘生态环境下的APP以功能类型为分类依据，主要分为以下三类APP，各类APP的功能如下所述：

· 通讯连接型APP：基于不同类型的工业通讯协议，连接现场的自动化设备，实现设备内部信号变量的采集和订阅；

· 数据处理型APP：对采集到的信号变量进行集中管理和模型构建，以便上层的边缘应用型APP进行调用；

· 边缘应用型APP：基于前期构建的数据模型，实现工业现场描述性、诊断性、预测性和决策性的分析应用。

边缘应用型APP基于前述两类APP采集存储的数据，通过数据边缘处理分析和可视化展示，安全、高效、灵活地为工业现场提供了一系列描述性、诊断性、预测性和决策性的功能应用，以满足状态监测、工艺监测与控制、预测性维护和质量检测与管控等不同的业务场景需求。

不仅如此，边缘应用型APP之间的依存关系具备以下特点：

· 低耦合：每个边缘应用型App都具备从数据处理层提取数据模型和信号变量的能力，这就意味着，每个边缘应用型App的部署和使用不会受其他应用程序的任何影响；

· 可联动：部分边缘应用型App之间的功能存在联动性，通过配置调用多个APP的联动功能，可以为用户提供更多维度的数据对比分析结果和更多样化的终端交互体验。

基于上述特点，西门子将以复合功能模块为最小单位搭建的工业信息化系统，转化为以独立应用程序为最小单位部署的工业边缘平台，轻松满足工业现场日趋灵活多变的功能需求。

在迈向工业4.0的今天，5G、人工智能、边缘计算等新技术的不断涌现，引领着新一轮的工业变革，驱动着中国工业向产业数字化、数字产业化的方向不断前进。各行各业通过新技术的赋能，最后走向从万物互联到万物智能的新经济业态。

西门子通过工业边缘、人工智能等新兴技术，帮助客户不断挖掘数字化潜力，借助西门子全套的数字化解决方案，实现整个价值链的数字化转型。

西门子工业边缘，融合了信息技术领域的网络、计算、存储和智能应用的核心能力，并将最新的人工智能等技术融入边缘计算，为企业提供安全、实时、灵活的工业现场本地数据处理解决方案。为了使工业边缘场景更加易于落地，西门子提供多种边缘设备、统一的管理平台、丰富的边缘应用及开放的线上应用商店。同时，西门子还致力于建立领先的工业边缘生态，为企业和合作伙伴创造更多价值。