高炉专家系统开发有关问题的探讨

毕学工 李鹏 彭伟 周进东

(武汉科技大学，钢铁冶金及资源利用省部共建教育部重点实验室)

0 前言

自2010年以来，中国钢铁工业的经营较为困难，为了降低生铁成本，各钢铁厂近几年来高炉配矿的特点是品位逐步降低。但过多使用品位低、有害元素含量高的低价矿，以及循环使用有害杂质不断增多的钢铁厂固体废弃物，却可能破坏高炉的稳定顺行，并对高炉长寿带来威胁。很明显，在这样的外围条件下，高炉操作特别需要专家系统的指导。

国内外的经验证明，专家系统技术特别适合应用于高炉这种复杂过程系统的控制，能够在以下几个方面发挥巨大的作用：①适应大数据时代的要求，对大量检测数据和人工录入数据进行快速的综合分析和判断;②应用企业中的顶尖操作经验，实现标准化作业;③综合应用人类专家的经验和数学模型。因而能够对炉况判断和调节动作做出更科学、更可靠的决策。

1 概况

世界上第一个高炉专家系统于1986年开始应用在日本NKK公司福山5号高炉上［1］，随后，世界很多国家都先后开展了高炉专家系统技术的开发应用研究，其中比较著名的有德国的 THYBAS系统［2］、瑞典的高炉智能报警系统［3］、芬兰的 BFENS系统［4］、法国的 SACHEM 系统［5］和奥地利的 VAiron系统［6］等。法国的SACHEM系统又与卢森堡的PW公司合作，开发了名为BFXpert的高炉专家系统。目前，功能最齐全，真正实现闭环控制，获得广泛应用的国外专家系统，只有VAiron。

国内高炉专家系统的应用从引进开始。早期是从芬兰引进，如武钢4 号高炉［7］、本钢 5 号高炉［8］、湘钢3号高炉［9］、昆钢 6 号高炉［10］、唐钢新一号高炉［11］等，后期是从奥地利引进，如太钢 5号高炉［12］、攀钢 1 号高炉［13］，而南钢 1 号高炉上使用的是奥地利和芬兰合作开发的专家系统［14］。

在吸收借鉴引进系统经验的基础上，国内有关高等学校和研究院所通过与企业相结合，先后开发应用了一些高炉专家系统。如武钢1号2200 m3高炉操作平台型专家系统［15］、鞍钢4号1780 m3高炉专家系统［16］、首钢迁钢3号4000 m3高炉专家系统［17］、沙钢 6 号500 m3高炉专家系统［18］、莱钢6 号750 m3高炉专家系统［19］等，以及近几年投入运行的宝钢 1号 4966 m3高炉专家系统［20］、韶钢 8号3200 m3高炉智能专家系统［21-22］和国丰1780 m3高炉专家系统［23］。目前，能够实现闭环控制的国内专家系统只有宝钢1号高炉的专家系统。

引进国外高炉专家系统，对我国高炉炼铁科学化操作和高炉专家系统技术的发展起到了积极的促进作用，但是目前几乎所有的引进系统都未能很好地发挥作用。其原因，一方面是因为引进系统核心部分的封装不可修改，因此，当工艺结构调整、工艺条件(如原料)改变时，就很难保证模型功能的实现;另一方面是因为国外高炉的操作理念和习惯与我国高炉有较大区别。

国内开发的高炉专家系统，也有很大的比例未能达到预期的效果。究其主要原因，一方面是因为专家系统的设计不能适应我国高炉炉况波动频繁、波动幅度大的实际条件，在长期运行的过程中炉热和炉况预报的可靠性和准确性达不到要求，失去了操作人员的信任，即可接受度低(Low acceptability);另一方面是由于系统需要的关键信息，如炉顶煤气成分、铁渣排放信息等，因为检测仪表出现故障或数据通信网络堵塞等原因，不能及时提供给专家系统，结果导致专家系统完全失去指导作用，甚至出现计算机死机，即使用率低(Low availability)。

由以上分析可知，我国高炉专家系统技术的发展方向是立足于国内力量，努力提高专家系统的可接受度和使用率。此外，目前国内钢铁企业资金普遍紧张，对高炉专家系统的开发自然还会提出低成本的要求。笔者针对实现低成本、高接受度、高利用率高炉专家系统开发的五个问题，即系统功能选择、建模技术、运行模式、自学习功能、以及与网络技术的结合等，结合自己的专家系统开发经验进行了比较深入的探讨。

2 高炉专家系统开发的有关问题与讨论

2.1 高炉专家系统的功能选择

为了叙述方便起见，将国内外现有高炉专家系统的功能归纳并划分为核心功能、重要功能和一般功能三类。

瑞典Gyllenram和Grip［24］通过分析和总结自己在钢铁厂计算机模型和控制系统研究开发方面的成功经验和失败教训，得出了如下三条重要结论：①找准客户急待解决的问题，避免建立一个无人问津的系统(Find a problem that searches for a solution and avoid a solution that searches for a problem.);②开发工作应该在控制室和操作人员完全参与的情况下进行(The development was made in the control room with total participation of the operators.);③炼铁管理者将模型(专家系统)视为向有关人员提供支持的一种重要工具(Process management saw this model as an important way to support the personnel.)。由此可知，在上高炉专家系统项目以前，必须首先明确企业最需要解决什么问题。

高炉工长和公司各级领导最关心的事情是维持炉况的稳定顺行和优化高炉技术经济指标。因此，高炉专家系统的核心功能必然是准确判断高炉当前的炉热水平与顺行状况，并对炉热与炉况的变化趋势做出准确预测。这里的重点是“准确”，难点也是“准确”。武钢的经验表明［25］，高炉专家系统首先应该起到“系统优化器”，或“小故障诊断器”的作用，及时发现高炉小的波动并进行调整，防止和杜绝大的炉况失常。

其次，高炉专家系统应具有一定的提出操作建议的功能，就调节动作、动作量和动作时机对操作人员进行指导，这是专家系统的第一个重要功能。国外的高炉专家系统追求的目标是，围绕优化的设定点，以较小的幅度和提前较长时间制定操作建议，但这种操作方式和实际操作方式有较大的差距，难以为我国的工长所接受，而且按照卢维高教授的观点［26-27］，高炉自身存在一种自调节机制(self-correction mechanism)，铁水温度、瞬时产量等过程指数总是有一定幅度的周期性波动。因此，对过于微小的炉温、料速波动等无须调节。

炉况的调节，特别是较严重操作事故的调节，在手段、力度和时机的把握上相当困难，不同高炉有不同的操作习惯，而且一开始往往拿不出现成的整体解决方案，需要细心观察和耐心等待，“走一步看一步”。因此，在原燃料条件频繁而大幅度波动的今天，对专家系统在提出操作建议方面的能力不能也不必过于苛求。

专家系统的第二个重要功能是监测炉缸内液体蓄积量的功能，并在必要时发出报警。这是因为渣铁不能及时出净会对料柱下降、气流分布和风口寿命等产生负面影响，严重时还可能干扰铁水运输和炼钢厂的作业。

高炉专家系统的第三个重要功能是监控炉底炉缸内衬侵蚀，这是因为此功能不仅与炉子长寿有关，而且涉及炉内煤气流分布状态的准确判断。由于有关模型的计算量很大，而且运算频度很低(一天一次)，所以不一定将其整合到在线运行的高炉专家系统中去，而最好将其作为在L2上运行的独立模块对待。

高炉专家系统的其他许多功能可归于一般功能类别，包括：①炉料计算，在原料成分变化时修正料单;②炉渣碱度控制，在炉温过高、硅素明显增加时调整酸性料配比;③风口回旋区模型，对不同鼓风条件进行模拟计算;④软熔带模型，帮助了解新的上下部调剂方案对气流、温度分布的作用;⑤全高炉数学模型，提供一种了解高炉过程全貌的可能性;⑥热风炉自动烧炉和换炉功能，作用是稳定风温和节省煤气消耗;⑦能量管理功能，通过热平衡和物质平衡计算，了解高炉当前的能量利用水平和节能潜力;⑧网络服务功能，将专家系统的输出信息以电子邮件、手机短信和语音提醒等方式及时送达操作人员。以上这些功能都很吸引人，有条件时应将它们部分或全部整合到专家系统中去，由于具不具备这些功能对专家系统的核心功能基本上不会造成大的影响，为了控制专家系统的成本，对一般功能的多少不必过于追求。

至于“产品质量控制”功能，主要是对［Si%］和［S%］实行控制，它系通过控制炉温和炉渣碱度实现，因此不是专家系统的一个单独的功能。

2.2 高炉专家系统运行模式的选择

专家系统的运行模式分建议模式(advisory mode，又叫开环模式)和闭环模式(closed loop mode)两种，闭环模式是在建议模式的基础上发展起来的。建议模式是向操作人员提出建议，而是否接受建议由操作人员决定。闭环模式则不同，专家系统提出的建议直接下载到L1执行，无需操作人员的同意。目前，世界上开发出的高炉专家系统基本上都属于建议模式，只有 SIEMENS VAI公司［28］和宝钢［20］开发了闭环模式高炉专家系统。PW公司的BFXpert系统仅在热风炉系统和高炉上料方面具有在线控制功能［29］。

SIEMENS VAI公司的观点是只有闭环模式专家系统才有长时期的节省焦炭的能力［28］。但我国几座高炉上引进的该公司开发的VAiron高炉专家系统，实际上均没有实现闭环运行，要么是如攀钢1号高炉［13］那样改用建议模式运行，要么如太钢5号高炉和南钢2500 m3高炉那样被弃置不用。VAiron闭环系统在中国实际应用效果不佳原因是多方面的，一是因为闭环模式适合用于工艺过程的精调，而当需要进行大的调整时，就得转为人工调节，而专家系统操作与我国现实高炉操作不一致;二是因为目前我国大多数高炉所测的铁水温度受多种因素影响有时候不够准确，有时高炉操作人员对出铁、出渣相关数据输入不够及时;第三也可能是最重要的原因是我国高炉的原燃料条件普遍比国外高炉差。

我国高炉炼铁信息化水平偏低的现状短时间内难有根本改变，而原燃料条件还在不断变差，所以从国外引进闭环模式专家系统，花钱很多却达不到预期的效果。开发应用建议模式的高炉专家系统应是我国绝大多数钢铁厂的首选。

2.3 高炉专家系统建模技术的选择

炉热模型是高炉专家系统的核心模块。高炉炉温受过程的热平衡控制，而无论是热收入，还是热支出都在不断变化之中，其影响因素众多且难以全面把握。问题的极端复杂性使得已开发的相当多的炉热模型实际运行结果不够理想。国内外研究者采用过的建模技术主要可分为五类，即统计回归、时间序列模型［30］、神经元网络［31-32］、物质平衡和热平衡［33］和模糊逻辑［34］。以下对各类建模技术进行分析比较。

回归分析是指对具有相关关系的现象，根据其相关关系的具体形态，选择一个合适的数学模型(称为回归方程式)，用来近似地表达变量间的平均变化关系的一种统计分析方法，具体又分为简单线性回归、多元线性回归，和非线性回归。文献［35］介绍了一种以复杂积分方程形式出现的系统优化模型，但这种模型的运行最终归结为求解一个包含料速、透气性、风量、风温、喷煤比等5种过程变量的简单代数式，而各过程变量的系数则通过回归统计方法获得。很明显，这种模型实际上也是一种统计回归模型。

时间序列预测是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型，分析其随时间的变化趋势，对预测目标进行外推的定量预测方法。常用的时间序列方法为移动平均、指数平滑等，但近年来还出现了一些变种，如以［Si%］为唯一变量的 AR(2)模型［36］、三重尺度的小波模型［37］等。

人工神经元网络就是模拟人脑细胞的分布式工作特点和自组织功能，实现并行处理、自学习和非线性映射等能力。神经网络的学习算法，是针对一组给定输入，通过外部校正(调整权系数)，使网络产生相应的期望输出的过程，并分为有导师学习和无导师学习两类。还尝试过神经元网络以外的其它网络技术，包括贝叶斯网络［38］、模糊贝叶斯网络［39］等。

统计回归模型的优点是简单明确，容易为高炉操作者所接受，其缺点是其有效性严重依赖于建模时使用的数据集。时间序列模型适用于短期预测，但缺点是不能很好地反映出未来趋势，建立模型时需要大量的过去数据的记录。神经元网络等网络模型的优点是能够很好地模拟各种变量之间的复杂关系，但从本质上说同样具有统计回归模型的属性，因此对高炉过程变化的适应性较差，在长期运行的过程中，当高炉内衬严重侵蚀、原燃料性质和传热、化学反应等炉内现象发生较大变化时预报效果很差［32］。

纯粹的物质平衡和热平衡模型需要大量的原燃料数据和Fe、Mn、S等元素在渣、生铁和煤气之间的分配比。但原燃料数据经常不能准确及时地获得，而各种分配比数据又只能采用回归分析方法计算，这就限制了纯粹的物质平衡和热平衡模型的应用。

模糊性是事物的一种客观属性，在实际生产生活中，经常采取模糊概念的划分来处理问题。模糊逻辑的方式更适合表达人类大脑的思维过程，有如下优点：

1)模糊逻辑基于自然语言，对数据的精确度要求并不高;

2)模糊逻辑能较容易而充分的结合专家信息;

3)模糊逻辑易与传统的控制技术相结合。

因此，模糊逻辑技术最适合用于高炉炉热模型的开发。武钢一号高炉专家系统［15］和韶钢八号高炉专家系统［21-22］的成功经验充分证明了这个观点。基于模糊逻辑技术的炉热诊断与预报模型开发方法作者早期曾有详细介绍［40-41］。

模糊逻辑炉热模型的输入变量当首选Wu、Ec、TQ等炉热指数。这些炉热指数系由炉顶煤气成分和生铁成分计算，代表高炉下部用于炉料加热和硅素还原的“过剩热”，与铁水含硅量和温度的相关性相当好［42-43］。此外，对炉热有重要影响的渣皮脱落、料柱下降速度和冷却器漏水等因素也应在炉热模糊模型中得到体现。

在建立炉况判断和预测模型时同样应该优先考虑模糊逻辑技术。这不仅是因为模糊逻辑推理的概括性很强，可通过使用资格函数大幅度减少产生式规则的数目，更重要的是对系统应用环境有很强的适应性，当专家系统需要推广应用到新的高炉，或现有高炉的原燃料条件、操作理念等发生了大的变化，则只需对有限个数的模糊子集界限值等参数适当修改，即可保证模糊推理模型的正常运行，而创建一批适应新环境的产生式规则却非常困难。

PW公司［29］为了改善BFXpert专家系统的可移植性，采用的方法是通过整理收集某几家高炉工厂的某几位专家的专门知识，建立“一般高炉知识”(general blast furnace knowledge)和“当今最好的高炉诀窍”(the best available process know-how)。但这样的普适性高炉知识即便不是完全不存在，也是少之又少。SIEMENS VAI公司［28］则是将提出适应新环境的产生式规则的重担加在引进VAiron系统的客户肩上，规定在项目的基础系统开发期由客户负责提出操作诀窍，在调试期则由客户承担规则修改和系统优化的全部责任。按照这样的分工，本应由提供产品的商家来“啃”的“硬骨头”却拋给了购买专家系统产品的客户，而客户的企业里通常缺少具备相关能力的员工，更缺少高炉专家系统持续开发的机制。很明显，优先采用模糊逻辑技术建立炉况诊断与预报模型有助于摆脱这样的尴尬局面。

2.4 自学习功能及其实现

一个专家系统要具有活力，必须具有自学习的功能。为了因应操作目标、原燃料条件、操作炉型等的变化，高炉工长必须采取不同的炉况控制策略。反映到高炉专家系统上，就需要对模型规则中的各种参数、界限值进行相应的修改。专家系统更高层次上的自学习功能，是根据数据库中的海量生产数据和专家系统的模型输出数据，采用各种先进的数据挖掘技术，归纳、提炼出新的规则，并自动增添到专家系统的知识库中，使专家系统具备自我更新和自我提升的能力。

初期的自学习功能，是定期或在需要时对数据库中的数据进行对照分析，确定新的模型参数值和界限值。即便是高级自学习功能的实现，在人工智能现有发展水平下，也只能是一种离线的、间歇式的过程，即首先应用数据挖掘技术发现大致的规律，然后通过人类专家深入的、反复的讨论分析，确定新的操作规则(如新的配矿技术，新的上下部调剂技术等)，最后将其增添到专家系统中去。

专家系统的主要任务是对工长操作高炉提供在线帮助，因此不应该、也不可能将高层次自学习功能整合到高炉专家系统中，现阶段能够做到的一般是：①通过创建高性能一代炉龄数据库，为分析和修正模型参数、界限值以及创建新规则提供基础条件;②优化数据库设计，以方便模型参数和界限值的修改;③优化人机界面设计，以方便客户有关人员对关键过程参数随时间的推移实施跟踪，对模型参数进行修改和更新。

2.5 高炉专家系统与MES等网络技术的结合

MES系统是ERP或商务系统层与车间现场过程控制系统之间的一个计算机系统，包括单元时间表安排、生产记录、库存管理和质量管理等许多模块，在生产执行时期负责收集和汇总现场的生产详情以及生产单元间的物质流动，并将结果上传到商务系统，因而对整个生产过程起到一种关键作用［44］。铁前系统生产的主要特点是产线长、工序多、工序之间关联度非常大，仅靠人工的手段难以实现铁前生产的统一协调、集中管控和信息集成共享。铁前MES以支持生产高品质、高产量、低成本的铁水为目标，着重于实现铁前生产作业过程的综合管制和在线调度。

基于铁前MES开发高炉专家系统最大的好处是信息共享。渣铁排放信息，如铁口号、开铁口和堵铁口时间、见渣时间、估计铁量、铁水温度、铁水硅硫锰含量、炉渣碱度与 MgO和Al2O3含量等，这些专家系统正常运行不可缺少的管理信息，都可以从MES中直接得到，不再要求工长在繁忙的操炉作业中抽时间重复键入，从而不仅提升了专家系统的“人气”，同时还有利于提高系统可靠性和消除计算机死机现象。从MES中还容易获得各种高炉事件(如休风、复风、管道行程、崩料、悬料等)的信息，有利于提高专家系统的准确性。

对于还没有上MES的厂家，可以考虑搭建一个专用网络，将负责人工录入和处理相关操业和管理信息的值班工长管理系统、L1基础自动化系统、L2过程控制系统与高炉专家系统连接起来，以实现基本的信息共享。网络的规模依需要而定，按照面向值班工长、炉长、炼铁厂长的顺序，逐步扩大网络的规模。

此外，铁前MES还对专家系统性能扩展提供支持，包括：①整合并应用全高炉物质平衡和热平衡模型、RIST操作线和C-DRR图等理论模型，帮助工长了解当前高炉的能量利用水平、降焦潜力和降焦途径;②跟踪本高炉实际使用原燃料性能的变化，以便及时实施有效的前馈控制;③利用MES的软硬件资源开发高性能的高炉一代炉龄数据库，提高专家系统对工作炉型、外围条件变化的适应能力。

3 结束语

一个成功的高炉专家系统必须具备双HA，即High Acceptability和High Availability的特征。为了使开发出的高炉专家系统能够为钢铁企业真正创造效益，以下两方面的问题需要引起特别关注：

1)围绕炉温、炉况的准确判断预测这一核心功能进行系统设计，系统采用建议模式运行;

2)长期运行的稳定性是对专家系统的基本要求，也是实践中最难解决的问题之一，应该通过与MES系统等网络技术的紧密结合，优化系统的设计，提高炉顶煤气分析等关键检测信息的精度和可靠性，确保高炉专家系统数月、数年，直致全炉龄的无故障运行。

［1］ R.Nakajima，T.Sumigawa，A.Maki，K.Wakimoto，K.Hahimoto，A.Sakai，M.Sakurai.Development and Application of Blast Furnace operation Control Expert System Making Use of Artificial Intelligence.铁と钢，1987，73(15)：298-305.

［2］ 杨文龙.高炉自动化系统——THYBAS.冶金信息，1999(4)：18-20

［3］ Zuo Guangqing，Börkman Bo，An Expert Network For Prediction And Control of the Silicon Content of the Hot Metal，The International Conference On Medelling And Simulation In Metallurgical Engineering And Materials Science，Edited by Yu Zhongsen，Xiao Zeqiang and Xie Xishan，June 11-13，1996，Beijing，China，417-422.

［4］ Pekka I，Antti K，Matti S.Computer systems for controlling blast furnace operations at Rautaruukki［J］.Iron and Steel Engineer，1995，72(8)：44.

［5］ J-M.Libralesso，J-M.Steiler，J-L.Lebonvallet，C.C.Thirion.The Blast Furnace Operation under High Supervision.1998 Ironmaking Conference Proceedings，231-236

［6］ G.Brunnbauer，B.Rummer，H.Nogratnig，H.Druckenthaner，B.Schürz，M.Schaler，K.Stohl.The Fully Automatic Blast Furnace-Only A Vision?.The 60th Ironmaking Conference Proceedings，March 25-28，2001，Baltimore，Maryland，U.S.A.，677-687

［7］ 陈令坤，傅连春，于仲洁.武钢4号高炉专家系统的应用.炼铁，2001，20(增刊)：71-74.

［8］ 孙洪军.本钢5号高炉专家系统应用实践.本钢技术，2003(增刊)：23-26

［9］ 史旭华.湘钢4#高炉专家系统的应用与改进.湖南冶金，2005，33(2)：18-21.

［10］ 谢伟.计算机专家系统在昆钢2000 m3高炉的应用.昆钢科技，2008(增刊)：75-77.

［11］ 石培花.高炉专家系统在唐钢新一炉生产中的整合应用.数字技术与应用，2010(6)：102.

［12］ 赵新民.太钢炼铁厂五高炉专家系统应用实践.山西冶金，2012(5)：56-58

［13］ 谢俊勇，刁日升，唐炜.攀钢1号高炉专家系统的建立与运行.炼铁，2007，26(3)：1-5.

［14］ 余朝晖，徐红阳.2500 m3高炉专家系统的功能与应用.南钢科技与管理，2009(3)：30-33

［15］ 于仲洁，陈令坤，杨天钧，左海滨，国宏伟.武钢1号高炉冶炼专家系统开发的新进展.钢铁研究，2006，34(4)：1-5，9.

［16］ 安云沛，车玉满，刘方，宫海瑞.鞍钢4号高炉热状态专家系统.鞍钢技术，1997(8)：6-11

［17］ 马富涛，周检平，吴建，刘莎莎.迁钢3号高炉专家系统的研发与应用.冶金自动化，2011年S2，510-513

［18］ 马竹梧，徐化岩，钱王平.基于专家系统的高炉智能诊断与决策支持系统.冶金自动化，2013，37(6)：7-14+37

［19］ 刘祥官，刘显著，蒋美华，等.智能控制专家系统在莱钢高炉的应用［J］.冶金自动化，2002，26(6)：15-18

［20］ 陈贺林，陶卫忠.宝钢高炉智能控制专家系统的研发.宝钢技术，2012(4)：60-64

［21］ 毕学工，李鹏，彭伟，周进东，何矿年，鈡树周，鈡晓兵，刘克辉.基于MES的韶钢八号高炉智能专家系统［J］.炼铁，2013，32(2)：11-16.

［22］ 柏德春，陈开泉，潘伟恩.韶钢8号高炉智能专家系统的应用［J］.南方金属，2014(3)：41-44.

［23］ 张建良，杜申，国宏伟，曹英杰，闫炳基.国丰高炉专家系统控制系统模型开发及应用.北京：第九届中国钢铁年会论文集，2013：1-6.

［24］ Gyllenram，R.，Grip，C..User Friendliness-Why are some beautiful models used while others are thrown in the wastepaper basket? ［C］.Proc.of Scanmet III Vol.，1，8-11 June，2008，Luleå，Sweden，315-322.

［25］ 熊亚非，度敦辉，董遵敏.武钢1号高炉专家系统的应用［J］.炼铁，2007(6)：9-13.

［26］ Yung-Chang Ko，Harry Gou and W-K.Lu.The Steering of a Drifting Blast Furnace［C］.AISTech 2011 Proceedings，2-5 May，2011，Indianapolis，Ins.USA，A Publication of the Association for Iron and Steel Technology，579-593

［27］ W-K.Lu，Yung-Chang Ko and Harry Gou.Intrinsic Periodic Changes in Operating Conditions in Blast Furnace［C］.AISTech 2011 Proceedings，2-5 May，2011，Indianapolis，Ins.USA，A Publication of the Association for Iron and Steel Technology，641-652.

［28］ Angelika Klinger，Thomas Kronberger，Martin Schaler，Bernhard Schürz.Improving the Ironmaking Process With Expert Systems in Closed-Loop Operation［C］.AISTech 2012 Proceedings，7-10 May，2012，Atlanda，Ga.，USA，A Publication of the Association for Iron and Steel Technology，395-405.

［29］ Bermes，P.，Simoes，J.P.，Tockert，P.，Odicino，G.，Hansen，F.，Hausemer，L.and Morelli，C..BFXpert--Improvements in Blast Furnace Operation Using Paul Wurth’s Integrated Level 2 System［C］.AISTech 2011 Proceedings，2-5 May，2011，Indianapolis，Ins.USA，A Publication of the Association for Iron and Steel Technology，665-676.

［30］ 毕学工，曾小宁，罗廷和，刘坤庭，郑武生，张文志.湘钢铁水含硅预报模型的开发和应用［J］.武汉冶金科技大学学报，1996，19(4)：395-400.

［31］ 毕学工，邱剑.高炉炉温预报神经网络模型结构优化的研究［C］.北京：2001中国钢铁年会论文集(上卷)，中国金属学会，2001：368-370.

［32］ Avinash Kumar，Mrunmaya K P，Sudeep Maharana，Subrata Ku-mar Chowdhury，Rameshwar Sah，Marutiram Kaza.A REAL TIME MODEL FOR PREDICTION OF BLAST FURNACE HOT METALTEMPERATURETHROUGHNEURALNETWORK［C］.Proceedings of International Conference on Science and Technology of Ironmaking and Steelmaking(STIS-2013)，16-18 December，2013，Jiamshedpur，India，1-11.

［33］ Peter Goldworthy，Tony Skimming Campbell，Cripps Clark.APPLICATION OF AN ON-LINE MASS AND ENERGY BALANCE TO BLAST FORNACE THERMAL CONTROL［C］.IRONMAKING CONFERENCE PROCEEDINGS，1992，Toronto，159-162.

［34］ 国宏伟，陈令坤，左海滨，杨天钧，于仲洁.基于模糊推理的高炉炉温预报模型［J］.钢铁研究，2007，35(2)：22-24，32.

［35］ 刘祥官，曾九孙，郝志忠，鹿智勇.多模型集成的高炉炼铁智能控制专家系统［J］.冶金自动化，2007，41(3)：1637-1642.

［36］ 贺诗波，刘祥官，郜传厚，黄丽英，黄雅彬.高炉硅含量预测控制的时间序列混合建模［J］.浙江大学学报(工学版)，2007，41(10)：1739-1742.

［37］ 刘祥官，王文慧.应用小波分析方法改进铁水硅含量预测［J］.钢铁，2005，40(8)：15-17，37.

［38］ 龚淑华，刘祥官.贝叶斯网络在高炉铁水硅含量预测中的应用［J］.钢铁，2005，40(3)：17-20.

［39］ 刘学艺，刘祥官，王文慧.模糊贝叶斯网络应用于预测高炉铁水含硅量变化趋势［J］.冶金自动化，2005，39(5)：30-32，42.

［40］ Xuegong Bi，Tielu Tian，Development of An Expert System for Blast Furnace Heat Level Control，The International Conference On Medelling And Simulation In Metallurgical Engineering And Materials Science，Edited by Yu Zhongsen，Xiao Zeqiang and Xie Xishan，June 11-13，1996，Beijing，China，423-429.

［41］ Xuegong Bi，Mathematical Modelling 0f Ironmaking Processes，Transport Phenomena in Metallurgical Processes，Edited by Swatantra Prakash and P.Ramachandra Rao，February 15-16，1996，Jamshedpur India，179-191.

［42］ 毕学工.高炉过程数学模型及计算机控制［M］.北京：冶金工业出版社，1996：254-257.

［43］ 计算机连续控制高炉的效果，20-25，于仲洁翻译自：International Meeting on Iron and Steel Making 1976，Vol.Ia，3.2.6.

［44］ Kevin Jackson，Christian Roth，Roberto Resque de Freitas.A Framework for Selecting the Most Appropriate Manufacturing Execution System(MES)for the Metals Industry［C］.AISTech 2013 Proceedings，6-9 May 2013，Pittsburg，P.a.USA，A Publication of the Association for Iron and Steel Technology，2473-2485.