高爐專家系統開發有關問題的探討

畢學工 李鵬 彭偉 周進東

(武漢科技大學，鋼鐵冶金及資源利用省部共建教育部重點實驗室)

0 前言

自2010年以來，中國鋼鐵工業的經營較為困難，為了降低生鐵成本，各鋼鐵廠近幾年來高爐配礦的特點是品位逐步降低。但過多使用品位低、有害元素含量高的低價礦，以及循環使用有害雜質不斷增多的鋼鐵廠固體廢棄物，卻可能破壞高爐的穩定順行，并對高爐長壽帶來威脅。很明顯，在這樣的外圍條件下，高爐操作特別需要專家系統的指導。

國內外的經驗證明，專家系統技術特別適合應用于高爐這種復雜過程系統的控制，能夠在以下幾個方面發揮巨大的作用：①適應大數據時代的要求，對大量檢測數據和人工錄入數據進行快速的綜合分析和判斷;②應用企業中的頂尖操作經驗，實現標準化作業;③綜合應用人類專家的經驗和數學模型。因而能夠對爐況判斷和調節動作做出更科學、更可靠的決策。

1 概況

世界上第一個高爐專家系統于1986年開始應用在日本NKK公司福山5號高爐上［1］，隨后，世界很多國家都先后開展了高爐專家系統技術的開發應用研究，其中比較著名的有德國的 THYBAS系統［2］、瑞典的高爐智能報警系統［3］、芬蘭的 BFENS系統［4］、法國的 SACHEM 系統［5］和奧地利的 VAiron系統［6］等。法國的SACHEM系統又與盧森堡的PW公司合作，開發了名為BFXpert的高爐專家系統。目前，功能最齊全，真正實現閉環控制，獲得廣泛應用的國外專家系統，只有VAiron。

國內高爐專家系統的應用從引進開始。早期是從芬蘭引進，如武鋼4 號高爐［7］、本鋼 5 號高爐［8］、湘鋼3號高爐［9］、昆鋼 6 號高爐［10］、唐鋼新一號高爐［11］等，后期是從奧地利引進，如太鋼 5號高爐［12］、攀鋼 1 號高爐［13］，而南鋼 1 號高爐上使用的是奧地利和芬蘭合作開發的專家系統［14］。

在吸收借鑒引進系統經驗的基礎上，國內有關高等學校和研究院所通過與企業相結合，先后開發應用了一些高爐專家系統。如武鋼1號2200 m3高爐操作平臺型專家系統［15］、鞍鋼4號1780 m3高爐專家系統［16］、首鋼遷鋼3號4000 m3高爐專家系統［17］、沙鋼 6 號500 m3高爐專家系統［18］、萊鋼6 號750 m3高爐專家系統［19］等，以及近幾年投入運行的寶鋼 1號 4966 m3高爐專家系統［20］、韶鋼 8號3200 m3高爐智能專家系統［21-22］和國豐1780 m3高爐專家系統［23］。目前，能夠實現閉環控制的國內專家系統只有寶鋼1號高爐的專家系統。

引進國外高爐專家系統，對我國高爐煉鐵科學化操作和高爐專家系統技術的發展起到了積極的促進作用，但是目前幾乎所有的引進系統都未能很好地發揮作用。其原因，一方面是因為引進系統核心部分的封裝不可修改，因此，當工藝結構調整、工藝條件(如原料)改變時，就很難保證模型功能的實現;另一方面是因為國外高爐的操作理念和習慣與我國高爐有較大區別。

國內開發的高爐專家系統，也有很大的比例未能達到預期的效果。究其主要原因，一方面是因為專家系統的設計不能適應我國高爐爐況波動頻繁、波動幅度大的實際條件，在長期運行的過程中爐熱和爐況預報的可靠性和準確性達不到要求，失去了操作人員的信任，即可接受度低(Low acceptability);另一方面是由于系統需要的關鍵信息，如爐頂煤氣成分、鐵渣排放信息等，因為檢測儀表出現故障或數據通信網絡堵塞等原因，不能及時提供給專家系統，結果導致專家系統完全失去指導作用，甚至出現計算機死機，即使用率低(Low availability)。

由以上分析可知，我國高爐專家系統技術的發展方向是立足于國內力量，努力提高專家系統的可接受度和使用率。此外，目前國內鋼鐵企業資金普遍緊張，對高爐專家系統的開發自然還會提出低成本的要求。筆者針對實現低成本、高接受度、高利用率高爐專家系統開發的五個問題，即系統功能選擇、建模技術、運行模式、自學習功能、以及與網絡技術的結合等，結合自己的專家系統開發經驗進行了比較深入的探討。

2 高爐專家系統開發的有關問題與討論

2.1 高爐專家系統的功能選擇

為了敘述方便起見，將國內外現有高爐專家系統的功能歸納并劃分為核心功能、重要功能和一般功能三類。

瑞典Gyllenram和Grip［24］通過分析和總結自己在鋼鐵廠計算機模型和控制系統研究開發方面的成功經驗和失敗教訓，得出了如下三條重要結論：①找準客戶急待解決的問題，避免建立一個無人問津的系統(Find a problem that searches for a solution and avoid a solution that searches for a problem.);②開發工作應該在控制室和操作人員完全參與的情況下進行(The development was made in the control room with total participation of the operators.);③煉鐵管理者將模型(專家系統)視為向有關人員提供支持的一種重要工具(Process management saw this model as an important way to support the personnel.)。由此可知，在上高爐專家系統項目以前，必須首先明確企業最需要解決什么問題。

高爐工長和公司各級領導最關心的事情是維持爐況的穩定順行和優化高爐技術經濟指標。因此，高爐專家系統的核心功能必然是準確判斷高爐當前的爐熱水平與順行狀況，并對爐熱與爐況的變化趨勢做出準確預測。這里的重點是“準確”，難點也是“準確”。武鋼的經驗表明［25］，高爐專家系統首先應該起到“系統優化器”，或“小故障診斷器”的作用，及時發現高爐小的波動并進行調整，防止和杜絕大的爐況失常。

其次，高爐專家系統應具有一定的提出操作建議的功能，就調節動作、動作量和動作時機對操作人員進行指導，這是專家系統的第一個重要功能。國外的高爐專家系統追求的目標是，圍繞優化的設定點，以較小的幅度和提前較長時間制定操作建議，但這種操作方式和實際操作方式有較大的差距，難以為我國的工長所接受，而且按照盧維高教授的觀點［26-27］，高爐自身存在一種自調節機制(self-correction mechanism)，鐵水溫度、瞬時產量等過程指數總是有一定幅度的周期性波動。因此，對過于微小的爐溫、料速波動等無須調節。

爐況的調節，特別是較嚴重操作事故的調節，在手段、力度和時機的把握上相當困難，不同高爐有不同的操作習慣，而且一開始往往拿不出現成的整體解決方案，需要細心觀察和耐心等待，“走一步看一步”。因此，在原燃料條件頻繁而大幅度波動的今天，對專家系統在提出操作建議方面的能力不能也不必過于苛求。

專家系統的第二個重要功能是監測爐缸內液體蓄積量的功能，并在必要時發出報警。這是因為渣鐵不能及時出凈會對料柱下降、氣流分布和風口壽命等產生負面影響，嚴重時還可能干擾鐵水運輸和煉鋼廠的作業。

高爐專家系統的第三個重要功能是監控爐底爐缸內襯侵蝕，這是因為此功能不僅與爐子長壽有關，而且涉及爐內煤氣流分布狀態的準確判斷。由于有關模型的計算量很大，而且運算頻度很低(一天一次)，所以不一定將其整合到在線運行的高爐專家系統中去，而最好將其作為在L2上運行的獨立模塊對待。

高爐專家系統的其他許多功能可歸于一般功能類別，包括：①爐料計算，在原料成分變化時修正料單;②爐渣堿度控制，在爐溫過高、硅素明顯增加時調整酸性料配比;③風口回旋區模型，對不同鼓風條件進行模擬計算;④軟熔帶模型，幫助了解新的上下部調劑方案對氣流、溫度分布的作用;⑤全高爐數學模型，提供一種了解高爐過程全貌的可能性;⑥熱風爐自動燒爐和換爐功能，作用是穩定風溫和節省煤氣消耗;⑦能量管理功能，通過熱平衡和物質平衡計算，了解高爐當前的能量利用水平和節能潛力;⑧網絡服務功能，將專家系統的輸出信息以電子郵件、手機短信和語音提醒等方式及時送達操作人員。以上這些功能都很吸引人，有條件時應將它們部分或全部整合到專家系統中去，由于具不具備這些功能對專家系統的核心功能基本上不會造成大的影響，為了控制專家系統的成本，對一般功能的多少不必過于追求。

至于“產品質量控制”功能，主要是對［Si%］和［S%］實行控制，它系通過控制爐溫和爐渣堿度實現，因此不是專家系統的一個單獨的功能。

2.2 高爐專家系統運行模式的選擇

專家系統的運行模式分建議模式(advisory mode，又叫開環模式)和閉環模式(closed loop mode)兩種，閉環模式是在建議模式的基礎上發展起來的。建議模式是向操作人員提出建議，而是否接受建議由操作人員決定。閉環模式則不同，專家系統提出的建議直接下載到L1執行，無需操作人員的同意。目前，世界上開發出的高爐專家系統基本上都屬于建議模式，只有 SIEMENS VAI公司［28］和寶鋼［20］開發了閉環模式高爐專家系統。PW公司的BFXpert系統僅在熱風爐系統和高爐上料方面具有在線控制功能［29］。

SIEMENS VAI公司的觀點是只有閉環模式專家系統才有長時期的節省焦炭的能力［28］。但我國幾座高爐上引進的該公司開發的VAiron高爐專家系統，實際上均沒有實現閉環運行，要么是如攀鋼1號高爐［13］那樣改用建議模式運行，要么如太鋼5號高爐和南鋼2500 m3高爐那樣被棄置不用。VAiron閉環系統在中國實際應用效果不佳原因是多方面的，一是因為閉環模式適合用于工藝過程的精調，而當需要進行大的調整時，就得轉為人工調節，而專家系統操作與我國現實高爐操作不一致;二是因為目前我國大多數高爐所測的鐵水溫度受多種因素影響有時候不夠準確，有時高爐操作人員對出鐵、出渣相關數據輸入不夠及時;第三也可能是最重要的原因是我國高爐的原燃料條件普遍比國外高爐差。

我國高爐煉鐵信息化水平偏低的現狀短時間內難有根本改變，而原燃料條件還在不斷變差，所以從國外引進閉環模式專家系統，花錢很多卻達不到預期的效果。開發應用建議模式的高爐專家系統應是我國絕大多數鋼鐵廠的首選。

2.3 高爐專家系統建模技術的選擇

爐熱模型是高爐專家系統的核心模塊。高爐爐溫受過程的熱平衡控制，而無論是熱收入，還是熱支出都在不斷變化之中，其影響因素眾多且難以全面把握。問題的極端復雜性使得已開發的相當多的爐熱模型實際運行結果不夠理想。國內外研究者采用過的建模技術主要可分為五類，即統計回歸、時間序列模型［30］、神經元網絡［31-32］、物質平衡和熱平衡［33］和模糊邏輯［34］。以下對各類建模技術進行分析比較。

回歸分析是指對具有相關關系的現象，根據其相關關系的具體形態，選擇一個合適的數學模型(稱為回歸方程式)，用來近似地表達變量間的平均變化關系的一種統計分析方法，具體又分為簡單線性回歸、多元線性回歸，和非線性回歸。文獻［35］介紹了一種以復雜積分方程形式出現的系統優化模型，但這種模型的運行最終歸結為求解一個包含料速、透氣性、風量、風溫、噴煤比等5種過程變量的簡單代數式，而各過程變量的系數則通過回歸統計方法獲得。很明顯，這種模型實際上也是一種統計回歸模型。

時間序列預測是根據系統觀測得到的時間序列數據，通過曲線擬合和參數估計來建立數學模型，分析其隨時間的變化趨勢，對預測目標進行外推的定量預測方法。常用的時間序列方法為移動平均、指數平滑等，但近年來還出現了一些變種，如以［Si%］為唯一變量的 AR(2)模型［36］、三重尺度的小波模型［37］等。

人工神經元網絡就是模擬人腦細胞的分布式工作特點和自組織功能，實現并行處理、自學習和非線性映射等能力。神經網絡的學習算法，是針對一組給定輸入，通過外部校正(調整權系數)，使網絡產生相應的期望輸出的過程，并分為有導師學習和無導師學習兩類。還嘗試過神經元網絡以外的其它網絡技術，包括貝葉斯網絡［38］、模糊貝葉斯網絡［39］等。

統計回歸模型的優點是簡單明確，容易為高爐操作者所接受，其缺點是其有效性嚴重依賴于建模時使用的數據集。時間序列模型適用于短期預測，但缺點是不能很好地反映出未來趨勢，建立模型時需要大量的過去數據的記錄。神經元網絡等網絡模型的優點是能夠很好地模擬各種變量之間的復雜關系，但從本質上說同樣具有統計回歸模型的屬性，因此對高爐過程變化的適應性較差，在長期運行的過程中，當高爐內襯嚴重侵蝕、原燃料性質和傳熱、化學反應等爐內現象發生較大變化時預報效果很差［32］。

純粹的物質平衡和熱平衡模型需要大量的原燃料數據和Fe、Mn、S等元素在渣、生鐵和煤氣之間的分配比。但原燃料數據經常不能準確及時地獲得，而各種分配比數據又只能采用回歸分析方法計算，這就限制了純粹的物質平衡和熱平衡模型的應用。

模糊性是事物的一種客觀屬性，在實際生產生活中，經常采取模糊概念的劃分來處理問題。模糊邏輯的方式更適合表達人類大腦的思維過程，有如下優點：

1)模糊邏輯基于自然語言，對數據的精確度要求并不高;

2)模糊邏輯能較容易而充分的結合專家信息;

3)模糊邏輯易與傳統的控制技術相結合。

因此，模糊邏輯技術最適合用于高爐爐熱模型的開發。武鋼一號高爐專家系統［15］和韶鋼八號高爐專家系統［21-22］的成功經驗充分證明了這個觀點。基于模糊邏輯技術的爐熱診斷與預報模型開發方法作者早期曾有詳細介紹［40-41］。

模糊邏輯爐熱模型的輸入變量當首選Wu、Ec、TQ等爐熱指數。這些爐熱指數系由爐頂煤氣成分和生鐵成分計算，代表高爐下部用于爐料加熱和硅素還原的“過剩熱”，與鐵水含硅量和溫度的相關性相當好［42-43］。此外，對爐熱有重要影響的渣皮脫落、料柱下降速度和冷卻器漏水等因素也應在爐熱模糊模型中得到體現。

在建立爐況判斷和預測模型時同樣應該優先考慮模糊邏輯技術。這不僅是因為模糊邏輯推理的概括性很強，可通過使用資格函數大幅度減少產生式規則的數目，更重要的是對系統應用環境有很強的適應性，當專家系統需要推廣應用到新的高爐，或現有高爐的原燃料條件、操作理念等發生了大的變化，則只需對有限個數的模糊子集界限值等參數適當修改，即可保證模糊推理模型的正常運行，而創建一批適應新環境的產生式規則卻非常困難。

PW公司［29］為了改善BFXpert專家系統的可移植性，采用的方法是通過整理收集某幾家高爐工廠的某幾位專家的專門知識，建立“一般高爐知識”(general blast furnace knowledge)和“當今最好的高爐訣竅”(the best available process know-how)。但這樣的普適性高爐知識即便不是完全不存在，也是少之又少。SIEMENS VAI公司［28］則是將提出適應新環境的產生式規則的重擔加在引進VAiron系統的客戶肩上，規定在項目的基礎系統開發期由客戶負責提出操作訣竅，在調試期則由客戶承擔規則修改和系統優化的全部責任。按照這樣的分工，本應由提供產品的商家來“啃”的“硬骨頭”卻拋給了購買專家系統產品的客戶，而客戶的企業里通常缺少具備相關能力的員工，更缺少高爐專家系統持續開發的機制。很明顯，優先采用模糊邏輯技術建立爐況診斷與預報模型有助于擺脫這樣的尷尬局面。

2.4 自學習功能及其實現

一個專家系統要具有活力，必須具有自學習的功能。為了因應操作目標、原燃料條件、操作爐型等的變化，高爐工長必須采取不同的爐況控制策略。反映到高爐專家系統上，就需要對模型規則中的各種參數、界限值進行相應的修改。專家系統更高層次上的自學習功能，是根據數據庫中的海量生產數據和專家系統的模型輸出數據，采用各種先進的數據挖掘技術，歸納、提煉出新的規則，并自動增添到專家系統的知識庫中，使專家系統具備自我更新和自我提升的能力。

初期的自學習功能，是定期或在需要時對數據庫中的數據進行對照分析，確定新的模型參數值和界限值。即便是高級自學習功能的實現，在人工智能現有發展水平下，也只能是一種離線的、間歇式的過程，即首先應用數據挖掘技術發現大致的規律，然后通過人類專家深入的、反復的討論分析，確定新的操作規則(如新的配礦技術，新的上下部調劑技術等)，最后將其增添到專家系統中去。

專家系統的主要任務是對工長操作高爐提供在線幫助，因此不應該、也不可能將高層次自學習功能整合到高爐專家系統中，現階段能夠做到的一般是：①通過創建高性能一代爐齡數據庫，為分析和修正模型參數、界限值以及創建新規則提供基礎條件;②優化數據庫設計，以方便模型參數和界限值的修改;③優化人機界面設計，以方便客戶有關人員對關鍵過程參數隨時間的推移實施跟蹤，對模型參數進行修改和更新。

2.5 高爐專家系統與MES等網絡技術的結合

MES系統是ERP或商務系統層與車間現場過程控制系統之間的一個計算機系統，包括單元時間表安排、生產記錄、庫存管理和質量管理等許多模塊，在生產執行時期負責收集和匯總現場的生產詳情以及生產單元間的物質流動，并將結果上傳到商務系統，因而對整個生產過程起到一種關鍵作用［44］。鐵前系統生產的主要特點是產線長、工序多、工序之間關聯度非常大，僅靠人工的手段難以實現鐵前生產的統一協調、集中管控和信息集成共享。鐵前MES以支持生產高品質、高產量、低成本的鐵水為目標，著重于實現鐵前生產作業過程的綜合管制和在線調度。

基于鐵前MES開發高爐專家系統最大的好處是信息共享。渣鐵排放信息，如鐵口號、開鐵口和堵鐵口時間、見渣時間、估計鐵量、鐵水溫度、鐵水硅硫錳含量、爐渣堿度與 MgO和Al2O3含量等，這些專家系統正常運行不可缺少的管理信息，都可以從MES中直接得到，不再要求工長在繁忙的操爐作業中抽時間重復鍵入，從而不僅提升了專家系統的“人氣”，同時還有利于提高系統可靠性和消除計算機死機現象。從MES中還容易獲得各種高爐事件(如休風、復風、管道行程、崩料、懸料等)的信息，有利于提高專家系統的準確性。

對于還沒有上MES的廠家，可以考慮搭建一個專用網絡，將負責人工錄入和處理相關操業和管理信息的值班工長管理系統、L1基礎自動化系統、L2過程控制系統與高爐專家系統連接起來，以實現基本的信息共享。網絡的規模依需要而定，按照面向值班工長、爐長、煉鐵廠長的順序，逐步擴大網絡的規模。

此外，鐵前MES還對專家系統性能擴展提供支持，包括：①整合并應用全高爐物質平衡和熱平衡模型、RIST操作線和C-DRR圖等理論模型，幫助工長了解當前高爐的能量利用水平、降焦潛力和降焦途徑;②跟蹤本高爐實際使用原燃料性能的變化，以便及時實施有效的前饋控制;③利用MES的軟硬件資源開發高性能的高爐一代爐齡數據庫，提高專家系統對工作爐型、外圍條件變化的適應能力。

3 結束語

一個成功的高爐專家系統必須具備雙HA，即High Acceptability和High Availability的特征。為了使開發出的高爐專家系統能夠為鋼鐵企業真正創造效益，以下兩方面的問題需要引起特別關注：

1)圍繞爐溫、爐況的準確判斷預測這一核心功能進行系統設計，系統采用建議模式運行;

2)長期運行的穩定性是對專家系統的基本要求，也是實踐中最難解決的問題之一，應該通過與MES系統等網絡技術的緊密結合，優化系統的設計，提高爐頂煤氣分析等關鍵檢測信息的精度和可靠性，確保高爐專家系統數月、數年，直致全爐齡的無故障運行。

［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.鐵と鋼，1987，73(15)：298-305.

［2］ 楊文龍.高爐自動化系統——THYBAS.冶金信息，1999(4)：18-20

［3］ Zuo Guangqing，B?rkman 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］ 陳令坤，傅連春，于仲潔.武鋼4號高爐專家系統的應用.煉鐵，2001，20(增刊)：71-74.

［8］ 孫洪軍.本鋼5號高爐專家系統應用實踐.本鋼技術，2003(增刊)：23-26

［9］ 史旭華.湘鋼4#高爐專家系統的應用與改進.湖南冶金，2005，33(2)：18-21.

［10］ 謝偉.計算機專家系統在昆鋼2000 m3高爐的應用.昆鋼科技，2008(增刊)：75-77.

［11］ 石培花.高爐專家系統在唐鋼新一爐生產中的整合應用.數字技術與應用，2010(6)：102.

［12］ 趙新民.太鋼煉鐵廠五高爐專家系統應用實踐.山西冶金，2012(5)：56-58

［13］ 謝俊勇，刁日升，唐煒.攀鋼1號高爐專家系統的建立與運行.煉鐵，2007，26(3)：1-5.

［14］ 余朝暉，徐紅陽.2500 m3高爐專家系統的功能與應用.南鋼科技與管理，2009(3)：30-33

［15］ 于仲潔，陳令坤，楊天鈞，左海濱，國宏偉.武鋼1號高爐冶煉專家系統開發的新進展.鋼鐵研究，2006，34(4)：1-5，9.

［16］ 安云沛，車玉滿，劉方，宮海瑞.鞍鋼4號高爐熱狀態專家系統.鞍鋼技術，1997(8)：6-11

［17］ 馬富濤，周檢平，吳建，劉莎莎.遷鋼3號高爐專家系統的研發與應用.冶金自動化，2011年S2，510-513

［18］ 馬竹梧，徐化巖，錢王平.基于專家系統的高爐智能診斷與決策支持系統.冶金自動化，2013，37(6)：7-14+37

［19］ 劉祥官，劉顯著，蔣美華，等.智能控制專家系統在萊鋼高爐的應用［J］.冶金自動化，2002，26(6)：15-18

［20］ 陳賀林，陶衛忠.寶鋼高爐智能控制專家系統的研發.寶鋼技術，2012(4)：60-64

［21］ 畢學工，李鵬，彭偉，周進東，何礦年，鈡樹周，鈡曉兵，劉克輝.基于MES的韶鋼八號高爐智能專家系統［J］.煉鐵，2013，32(2)：11-16.

［22］ 柏德春，陳開泉，潘偉恩.韶鋼8號高爐智能專家系統的應用［J］.南方金屬，2014(3)：41-44.

［23］ 張建良，杜申，國宏偉，曹英杰，閆炳基.國豐高爐專家系統控制系統模型開發及應用.北京：第九屆中國鋼鐵年會論文集，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，Lule?，Sweden，315-322.

［25］ 熊亞非，度敦輝，董遵敏.武鋼1號高爐專家系統的應用［J］.煉鐵，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］ 畢學工，曾小寧，羅廷和，劉坤庭，鄭武生，張文志.湘鋼鐵水含硅預報模型的開發和應用［J］.武漢冶金科技大學學報，1996，19(4)：395-400.

［31］ 畢學工，邱劍.高爐爐溫預報神經網絡模型結構優化的研究［C］.北京：2001中國鋼鐵年會論文集(上卷)，中國金屬學會，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］ 國宏偉，陳令坤，左海濱，楊天鈞，于仲潔.基于模糊推理的高爐爐溫預報模型［J］.鋼鐵研究，2007，35(2)：22-24，32.

［35］ 劉祥官，曾九孫，郝志忠，鹿智勇.多模型集成的高爐煉鐵智能控制專家系統［J］.冶金自動化，2007，41(3)：1637-1642.

［36］ 賀詩波，劉祥官，郜傳厚，黃麗英，黃雅彬.高爐硅含量預測控制的時間序列混合建模［J］.浙江大學學報(工學版)，2007，41(10)：1739-1742.

［37］ 劉祥官，王文慧.應用小波分析方法改進鐵水硅含量預測［J］.鋼鐵，2005，40(8)：15-17，37.

［38］ 龔淑華，劉祥官.貝葉斯網絡在高爐鐵水硅含量預測中的應用［J］.鋼鐵，2005，40(3)：17-20.

［39］ 劉學藝，劉祥官，王文慧.模糊貝葉斯網絡應用于預測高爐鐵水含硅量變化趨勢［J］.冶金自動化，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］ 畢學工.高爐過程數學模型及計算機控制［M］.北京：冶金工業出版社，1996：254-257.

［43］ 計算機連續控制高爐的效果，20-25，于仲潔翻譯自：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.