钢铁工业是国之基石，是关乎国计民生的支柱产业。我国钢铁工业规模非常庞大，至2020年12月末，我国钢铁行业规模以上企业达5173家，粗钢产量自1996年以来一直位居世界第一。国家统计局2021年1月18日公布的数据显示，2020年我国粗钢产量为105300万t，首次突破10亿t大关。《2020—2025年中国钢铁产业行业运营态势与投资前景调查研究报告》指出：虽然自2019年以来，我国钢铁工业去产能“回头看”加速，但钢铁产量将长期保持在8亿t左右的高位水平。
我国是钢铁大国，但还不是钢铁强国。我国钢铁工业历经了几十年的持续改进和优化，比如高炉容积从新中国成立初期的几十立方米发展到现在的五六千立方米，人均产钢量从不到10t发展到现在超过1000t，以及从生产1t钢需要2.52t标准煤发展到现在只需要547.27kg标准煤。但是，与国际先进水平相比，我国钢铁工业仍然面临着环境负荷重、资源利用率低、综合能效低、产品同质化与低值化等重大共性问题。2020年，我国进口中高端钢材2023万t，同比增长64.4%。
近年来，我国钢铁行业付出很大努力节能、减排、降碳，主要污染物和碳排放强度逐年下降。但由于体量大，总量控制压力仍然巨大。目前，我国钢铁工业的能源消耗约占全国总能耗的11%，而碳排放量约占全国碳排放总量的15%左右，且各项主要污染物排放量已超过电力行业，成为工业领域最大的排放源。因此，新时期我国钢铁工业节能减排与提质增效仍然任重道远。2021年开篇的“十四五”是我国实现“碳达峰”“碳中和”目标的关键时期。钢铁行业作为我国制造业碳排放的重点行业，必须有效推动行业绿色低碳转型高质量发展，加快实现钢铁行业“碳达峰”。炼铁系统是长流程钢铁制造的前端核心环节，也是能耗最大、污染排放最高的生产环节。据统计，炼铁系统生产能耗和污染排放占整个钢铁工业的70%左右，而生产成本约占60%。因此，炼铁系统是实现钢铁工业深度节能减排、提质增效和高质量绿色发展的关键。
▲典型钢铁制造流程示意图
不管钢铁工业及炼铁技术如何发展，高炉炼铁由于工艺相对简单、产量大、劳动生产率高等诸多优势，一直是现代钢铁制造炼铁生产的最主要方式。实际上，高炉炼铁是整个钢铁制造流程的前端核心和“卡脖子”工序，起着承上启下的关键作用。从冶炼生产过程来说，高炉炼铁过程铁水质量对后续转炉炼钢有着重大影响，因而对铁水质量调控以获得优质高产的铁水是高炉冶炼过程操作的主要目的。生产实践经验表明，高炉炼铁过程只有长期稳定顺行才能取得高质量、高产量、低能耗和高效益的生产技术指标。但高炉冶炼环境恶劣，缺乏有效的内部检测设备，其冶炼状态很难通过内部的反应状态来获知。因此，高炉的建模、控制与监测一直是炼铁过程以及整个冶炼生产的关键任务和核心工程。
▲高炉炼铁过程示意图
▲高炉炼铁系统及炉内主要物理化学反应示意图
2012年，国家自然科学基金委立项了中国自动化领域首个国家自然科学基金重大项目“大型高炉高性能运行控制的基础理论与关键技术研究”。项目由浙江大学牵头，东北大学、中南大学、上海交通大学和清华大学联合参与，项目负责人为孙优贤院士。项目下设5个课题，分别涉及高炉炼铁过程检测（课题1）、建模（课题2）、控制（课题3）、故障诊断（课题4）与平台开发（课题5）。本书作者王宏教授为课题3负责人，周平教授为课题3执行负责人，柴天佑院士为项目技术顾问。通过该重大项目历时5年的研究以及后续工信部工业互联网创新发展工程项目等多个项目的持续研究，形成了本书的基本内容与素材。本书所有内容的原始工作均已发表和录用在IEEE Transactions onControl Systems Technology、IEEE Transactions onAutomation Science and Engineering、Control EngineeringPractice等权威学术期刊，本书正是这些已发表或在线发表工作的系统性总结和进一步凝练与提升。
数据驱动建模、控制与监测：以高炉炼铁过程为例
周平，王宏，柴天佑 著
北京：科学出版社，2022.11
ISBN 978-7-03-069706-6
《数据驱动建模、控制与监测——以高炉炼铁过程为例》从数据驱动角度系统性总结和阐述了作者近 10 年在高炉自动化方面的系列研究工作，包括数据驱动建模、控制与监测三部分内容。全书共12章，第1章为绪论，介绍高炉炼铁过程及建模、控制与监测的相关问题；第2章到第5章为数据驱动建模部分，包括第2章基于随机权神经网络的高炉铁水质量建模、第3章基于支持向量回归的高炉铁水质量鲁棒建模、第4章基于子空间辨识的高炉铁水质量建模以及第5章高炉炼铁过程其他数据驱动建模方法；第6章到第8章为数据驱动控制部分，包括第6章数据驱动预测控制方法、第7章即时学习自适应预测控制方法以及第8章无模型自适应（预测）控制方法；第9章到第12章为数据驱动监测部分，包括第9章集成PCA-ICA的监测方法、第10章基于KPLS鲁棒重构误差的燃料比监测方法、第11章基于自适应阈值KPLS的高炉铁水质量异常检测方法以及第12章基于改进贡献率KPLS的铁水质量异常诊断方法。
作者简介
周平，东北大学教授、博士生导师，入选国家“万人计划”青年拔尖人才、辽宁省“兴辽英才”与“百千万人才”百人层次。兼任国际自动控制联合会(IFAC)采矿、矿物和金属技术委员会委员、IEEE计算智能学会神经网络委员会“随机神经网络与学习系统”工作组成员以及IEEE高级会员。主要从事工业过程建模、控制与优化的研究，第一(或通讯)作者发表中英文期刊论文100余篇，获得中国自动化学会自然科学一等奖(排名第1)、教育部自然科学二等奖(排名第2)、首届中国自动化学会优博等奖励。
王宏，英国曼切斯特大学Emeritus教授、IEEEFellow、IET Fellow、IntMC Fellow，曾获国家自然科学基金委海外杰出青年基金和中国科学院海外杰出青年基金。王宏教授曾任国际著名的Manchester Control Systems Centre主任、Manchester大学董事会常务董事、英国国家自然科学基金委员会学院成员。现任IFAC安全过程、自适应学习系统、随机控制三个技术委员会委员，英国自动化学会常务理事。王宏教授创立了非高斯随机系统概率密度函数形状控制的理论，成为国际应用随机控制领域的新方向。先后出版8本中英文学术专著，在IEEE T AC、Automatica等顶级期刊发表SCI论文200余篇。王宏教授曾是IEEE T AC、IEEE T CST、IEEE T ASE等多个国际权威学术刊物的副主编或编委，现为IEEE T NNLS的编委。
柴天佑，中国工程院院士、IEEE Life Fellow、IFACFellow。曾任国际自动控制联合会(IFAC)技术局成员及IFAC制造与仪表技术协调委员会主席(1996-1999)，国家自然科学基金委员会信息科学部主任（2010-2018）。现任东北大学学术委员会主任（2011-）和《自动化学报》主编。长期从事复杂工业过程控制、优化和综合自动化的基础研究与工程技术研究。发表IFAC会刊和IEEE汇刊论文200余篇，其中1篇论文获IFAC-Control Engineering Practice2011-2013最佳论文奖。以第一完成人获国家自然科学二等奖1项、国家技术发明二等奖1项、国家科技进步二等奖3项，以及省部级特等奖和一等奖13项；两次荣获全国五一劳动奖章，2002年获何梁何利基金科学与技术进步奖，2003年获辽宁省科技功勋奖，2005年获全国先进工作者荣誉称号，2010年获第一届杨嘉墀科技奖一等奖。2007年在IEEE系统与控制联合会议上被授予控制研究杰出工业成就奖，2017年获亚洲控制协会Wook Hyun Kwon教育奖。
内容简介
高炉自动化是国际公认的挑战性难题。本书从数据驱动角度系统性总结和阐述作者及其团队近10年在高炉自动化方面的系列研究成果，主要包括数据驱动建模、控制与监测三部分内容。数据驱动建模部分主要针对难建模高炉炼铁过程数据质量不理想和非线性动态时变等问题，重点介绍鲁棒随机权神经网络、鲁棒支持向量回归机以及递推子空间辨识等建模方法；数据驱动控制部分主要介绍面向高炉铁水质量高性能控制的数据驱动预测控制、即时学习自适应预测控制以及无模型自适应（预测）控制等方法，前两类方法为间接数据驱动控制方法，而后者为直接数据驱动控制方法；数据驱动监测部分主要阐述面向高炉优质、低耗与稳定运行的数据驱动监测方法，包括PCA-ICA集成方法、KPLS鲁棒重构误差方法、自适应阈值KPLS方法以及改进贡献率KPLS方法。
本书可作为高等院校控制、冶金、计算机、人工智能等学科研究生和高年级本科生的参考书，也可供自动化、数据科学及冶金领域相关研究人员和工程技术人员参考。
目录速览
前言
第1章 绪论 1
1.1 引言 1
1.2 高炉炼铁过程及建模、控制与监测相关问题描述 3
1.2.1 高炉炼铁过程描述 3
1.2.2 高炉铁水质量指标 5
1.2.3 高炉铁水质量相关变量分析 7
1.2.4 高炉炼铁生产的基本操作制度 9
1.2.5 高炉炼铁过程动态特性及复杂性分析 10
1.3 高炉炼铁过程建模、控制与监测方法 12
1.3.1 高炉炼铁过程建模方法 12
1.3.2 高炉炼铁过程质量相关监测方法 14
1.3.3 高炉炼铁过程控制方法 16
1.4 本书主要内容 18
参考文献 19
第2章 基于随机权神经网络的高炉铁水质量建模 22
2.1 随机权神经网络理论基础 23
2.1.1 随机权神经网络算法简介 24
2.1.2 随机权神经网络算法实现要点 26
2.2 集成自编码器与PCA的高炉铁水质量RVFLNs建模 27
2.2.1 自编码器简介 28
2.2.2 集成自编码器与PCA的RVFLNs算法 28
2.2.3 工业数据验证 32
2.3 高炉铁水质量鲁棒正则化RVFLNs建模 40
2.3.1 正则化与鲁棒估计简介 41
2.3.2 鲁棒正则化RVFLNs算法 49
2.3.3 工业数据验证 54
2.4 高炉铁水质量鲁棒OS-RVFLNs建模 62
2.4.1 建模策略 62
2.4.2 带有遗忘因子的在线序贯学习RVFLNs算法 63
2.4.3 鲁棒OS-RVFLNs算法 66
2.4.4 工业数据验证 71
2.5 基于GM-估计与PLS的铁水质量鲁棒RVFLNs建模 77
2.5.1 建模策略 77
2.5.2 PLS-RVFLNs算法 78
2.5.3 基于GM-估计与PLS的鲁棒RVFLNs算法 80
2.5.4 工业数据验证 83
参考文献 89
第3章 基于支持向量回归的高炉铁水质量鲁棒建模 91
3.1 支持向量回归理论基础 92
3.1.1 支持向量分类机 92
3.1.2 支持向量回归机 93
3.1.3 核函数 95
3.2 基于稀疏化鲁棒LSSVR的铁水硅含量建模 97
3.2.1 建模问题描述 97
3.2.2 稀疏化鲁棒LSSVR建模算法 97
3.2.3 R-S-LSSVR参数多目标遗传优化 100
3.2.4 工业数据验证 102
3.3 基于多输出鲁棒LSSVR的多元铁水质量建模 107
3.3.1 建模问题描述 107
3.3.2 多输出鲁棒LSSVR建模算法 108
3.3.3 多输出鲁棒LSSVR参数多目标遗传优化 112
3.3.4 工业数据验证 114
参考文献 120
第4章 基于子空间辨识的高炉铁水质量建模 121
4.1 子空间辨识算法理论基础 121
4.1.1 正交投影 122
4.1.2 斜向投影 122
4.1.3 QR分解 123
4.1.4 奇异值分解 123
4.2 基于线性子空间辨识的高炉铁水质量建模 124
4.2.1 系统状态空间描述 124
4.2.2 子空间辨识数据矩阵构造 125
4.2.3 线性子空间辨识算法 127
4.2.4 工业数据验证 129
4.3 基于递推子空间辨识的高炉铁水质量在线建模 132
4.3.1 递推子空间辨识算法 132
4.3.2 工业数据验证 134
4.4 基于递推双线性子空间辨识的高炉铁水质量在线建模 136
4.4.1 递推双线性子空间辨识算法 137
4.4.2 工业数据验证 141
4.5 基于非线性子空间辨识的高炉铁水质量建模 142
4.5.1 基于LSSVM的非线性子空间辨识算法 143
4.5.2 工业数据验证 149
参考文献 153
第5章 高炉炼铁过程其他数据驱动建模方法 155
5.1 高炉十字测温中心温度估计的M-ARMAX建模 155
5.1.1 高炉十字测温过程及建模问题描述 156
5.1.2 建模算法 158
5.1.3 工业数据验证 163
5.2 建模误差PDF形状优化的高炉十字测温中心温度估计 169
5.2.1 小波神经网络算法简介 170
5.2.2 建模策略与建模算法 173
5.2.3 工业数据验证 179
5.3 面向建模误差PDF形状与趋势拟合优度多目标优化的铁水
质量建模 181
5.3.1 建模策略 182
5.3.2 建模算法 183
5.3.3 数值仿真 185
5.3.4 工业数据验证 187
参考文献 188
第6章 高炉铁水质量数据驱动预测控制 189
6.1 预测控制及相关问题 190
6.2 基于单输出LSSVR建模的铁水硅含量非线性预测控制 191
6.2.1 控制算法 192
6.2.2 工业数据验证 193
6.3 基于多输出LSSVR逆系统辨识的铁水质量预测控制 194
6.3.1 控制算法 195
6.3.2 工业数据验证 198
6.4 基于线性子空间在线预测建模的铁水质量自适应预测控制 201
6.4.1 控制算法 202
6.4.2 工业数据验证 203
6.5 基于双线性子空间在线预测建模的铁水质量自适应预测控制 208
6.5.1 控制算法 209
6.5.2 工业数据验证 210
参考文献 214
第7章 基于即时学习的高炉铁水质量自适应预测控制 216
7.1 即时学习方法理论基础 217
7.1.1 即时学习基本原理 217
7.1.2 即时学习的几个主要问题 218
7.2 基于线性即时学习的铁水硅含量自适应预测控制 221
7.2.1 控制算法 221
7.2.2 工业数据验证 226
7.3 基于快速JITL-R-M-LSSVR的铁水质量自适应预测控制 231
7.3.1 快速JITL-R-M-LSSVR策略 232
7.3.2 快速JITL-R-M-LSSVR算法 234
7.3.3 基于快速JITL-R-M-LSSVR的非线性预测控制 241
7.3.4 工业数据验证 242
参考文献 252
第8章 高炉铁水质量无模型自适应控制 254
8.1 基本MFAC算法及其在高炉铁水质量控制的问题分析 255
8.1.1 基于紧格式动态线性化的铁水质量MFAC设计算法 256
8.1.2 基于偏格式动态线性化的铁水质量MFAC设计算法 259
8.1.3 基于全格式动态线性化的铁水质量MFAC设计算法 261
8.1.4 基本MFAC算法的铁水质量控制效果及问题分析 264
8.2 基于多参数灵敏度分析与遗传算法参数优化的铁水质量MFAC方法 271
8.2.1 多参数灵敏度分析与遗传算法参数优化简述 272
8.2.2 改进MFAC控制策略与算法 274
8.2.3 基于多参数灵敏度分析和遗传算法参数优化的MFAC控制器参数整定方法 275
8.2.4 工业数据验证 281
8.3 高炉铁水质量鲁棒无模型自适应预测控制方法 288
8.3.1 高炉铁水质量扩展MFAPC方法 289
8.3.2 高炉铁水质量鲁棒MFAPC方法 298
8.3.3 工业数据验证 302
参考文献 310
第9章 集成PCA-ICA的高炉炼铁过程异常工况监测 312
9.1 集成PCA-ICA的高炉炼铁过程异常工况监测策略 313
9.2 过程监测算法 316
9.2.1 基于PCA的高炉炼铁过程监测算法 316
9.2.2 基于ICA的高炉炼铁过程监测算法 317
9.2.3 高炉炼铁过程集成PCA-ICA的统一贡献图辨识算法 318
9.3 工业数据验证 320
9.3.1 所提方法过程变量权值参数分配 320
9.3.2 高炉炼铁过程异常监测与辨识效果 322
参考文献 326
第10章 基于KPLS鲁棒重构误差的高炉燃料比监测方法 328
10.1 基于KPLS的非线性过程检测方法 330
10.2 基于KPLS鲁棒重构误差的故障识别方法 333
10.2.1 故障识别算法 333
10.2.2 故障识别指标 336
10.3 数值仿真 337
10.4 工业数据验证 340
10.4.1 高炉燃料比检测效果 340
10.4.2 基于KPLS鲁棒重构误差的燃料比异常识别效果 342
参考文献 344
第11章 基于自适应阈值KPLS的高炉铁水质量异常检测方法 346
11.1 基于自适应阈值的KPLS异常检测算法 347
11.1.1 基于EWMA的自适应阈值 347
11.1.2 异常检测策略与算法 349
11.2 数值仿真 350
11.3 工业数据验证 357
11.3.1 高炉铁水质量异常检测问题描述 357
11.3.2 高炉铁水质量异常检测结果分析 358
参考文献 361
第12章 基于改进贡献率KPLS的高炉铁水质量监测与异常识别 363
12.1 铁水质量相关过程监测的问题分析 364
12.2 高炉炼铁过程质量相关故障识别 366
12.2.1 所提方法基本思想 366
12.2.2 故障识别的贡献推导 367
12.2.3 相对贡献率及控制限 369
12.3 数值仿真 370
12.4 工业数据验证 374
参考文献 380
（本期编辑：王芳）
一起阅读科学!
专业品质 学术价值
原创好读 科学品味