近日，我校刘颂副教授团队与江西理工大学、澳大利亚蒙纳士大学合作，在工业人工智能与冶金过程优化交叉领域取得重要进展。团队成功研发一种面向高炉炼铁过程的智能识别方法，为钢铁行业实现智能制造与绿色生产提供了创新技术支撑。该成果已发表于冶金材料领域国际权威期刊《International Journal of Minerals, Metallurgy and Materials》（2026年）。

高炉炼铁是钢铁工业的核心流程，其炉顶煤气流状态的实时精准识别对优化生产效率、降低能耗与减少排放具有重要意义。然而，传统方法依赖人工经验与物理监测，难以实现动态精准感知。针对这一行业共性难题，研究团队提出一种名为FTMT的半监督学习框架，如图1所示。该框架能够在少量标注数据条件下，实现对高炉炉顶煤气流状态的稳定、准确识别。

图1  FTMT结构图

该方法创新性地融合了多类型数据增强与特征损失机制，显著提升了模型在复杂工业场景中的泛化能力和抗干扰性。团队还设计了单次训练与循环训练两种模式，可灵活适配不同企业的数据基础与系统条件，具备较强的工程应用潜力。实验表明，该模型在多个标记比例条件下均表现优异，识别准确率显著优于现有主流方法，在低标注数据场景下仍保持高稳定性与可靠性。这为高炉操作智能化提供了切实可行的技术路径。

该项研究是我校人工智能学院面向国家重大行业需求、开展有组织科研的阶段性成果，体现了我校在“人工智能+工业”交叉方向的研发实力。团队将继续深化与产业界的合作，推动该技术向烧结、炼钢等更多流程工业环节延伸，为我国冶金行业数字化转型与低碳发展注入智能新动能。

论文信息

Song Liu, Qiqi Li, Qing Ye, Zhiwei Zhao, Dianyu E, and Shibo Kuang, Enhanced semi-supervised learning for top gas flow state classification to optimize emission and production in blast ironmaking furnaces, International Journal of Minerals, Metallurgy and Materials. 2026. 33(1): 204-216. 

https://doi.org/10.1007/s12613-025-3233-4 

（人工智能学院供稿；撰稿人：刘颂；审稿人：赵志伟；责任编辑：彭叶）