2. 复杂系统先进控制与智能自动化湖北省重点实验室, 湖北 武汉 430074
2. Hubei Key Laboratory of Advanced Control and Intelligent Automation for Complex Systems, Wuhan 430074, China
0 引言
钢铁工业是一个国家发展的命脉，是国民经济的支柱产业.当前资源和环境问题对实现全球可持续发展的约束日益凸显，“可持续发展”、“绿色制造”和“低碳经济”的发展理念被越来越多的国家所接受.近几年钢铁行业“产能过剩”的问题越来越引起注意.中国在“十三五”计划中明确指出，“去产能、增效益”是钢铁行业发展的重点.通过采取“六位一体”举措，促进钢铁工业绿色发展，实现钢铁工业转型.在《京都议定书》第二阶段期间，中国承诺一定完成规定的节能减排任务[1]，钢铁冶金作为CO2的主要排放源，面临巨大的节能减排压力.
铁前炉料制备过程是钢铁冶金的一个重要过程，主要包括炼焦过程和烧结过程，分别生产焦炭和烧结矿，为高炉炼铁提供燃料和原料.通过铁前炉料制备过程的先进控制与智能优化，不仅可以提高焦炭和烧结矿的质量和产量、降低生产能耗和成本，而且有利于后续高炉炼铁的稳顺运行、实现钢铁冶金节能减排和绿色制造.
炼焦过程生产的焦炭不仅为高炉炼铁提供能量来源，而且能确保炼铁具有良好的透气性.随着国民经济的高速发展，炼焦工业发展迅速，生产技术达到了较高水平，也对焦炭质量和炼焦能耗提出了更高要求.通过提升企业自动化和信息化水平，建立焦炉过程基础自动化系统和信息管理系统，可以实现炼焦过程综合生产目标.
烧结过程生产的烧结矿是高炉炼铁的主要原料，烧结矿质量对高炉生产有直接影响[2].烧结生产本身也是钢铁行业中仅次于高炉炼铁的耗能环节，烧结工序能耗在吨钢综合能耗中约占10%[3].在烧结生产中能源消耗主要体现在焦粉燃烧、燃气点火和电能三个方面，其中固体焦粉约占80%.因此，降低烧结过程能耗，有利于降低吨钢能耗，节约生产成本，降低钢铁行业的温室气体排放.
本文对铁前炉料制备过程的先进控制与智能优化进行综述，包括炼焦配煤过程智能优化与控制、焦炉火道温度集成软测量、焦炉加热燃烧过程智能控制、炼焦生产全流程优化及烧结配料过程建模与优化、烧结热状态参数控制、烧结生产全流程优化与控制、烧结碳效建模与优化.最后展望铁前炉料制备过程控制与优化的发展趋势.
1 炼焦过程控制与优化炼焦炉是铁前炉料制备过程中的复杂工业炉窑，它由多个炭化室和燃烧室交替配置构成.煤气和空气经蓄热室预热后进入燃烧室扩散和燃烧，产生的热量经炉墙传给炭化室，煤在炭化室中进行高温干馏形成焦炭.炼焦过程是一个复杂的传热和化学变化过程，由于炼焦炉结构复杂，操作环境恶劣，检测手段少，相比其它工业窑炉，炼焦过程的控制与优化较难实施.目前大多数焦炉燃烧室火道温度和炼焦时间主要依靠人工经验给定，难以根据工况变化进行实时调整.如何通过炼焦过程控制与优化，提高焦炭质量和产量，降低燃烧能耗和生产成本，这是铁前炉料制备亟需解决的问题.
1.1 炼焦配煤过程智能优化与控制配煤过程是焦炉炼焦的原料准备过程，它根据炼焦生产对焦炭质量的要求，将各种品质的单种煤按照一定的比例混合，得到符合标准的配合煤.由于自然煤不能满足炼焦过程要求，需要把不同品质的单种煤进行配合，获得焦炉炼焦所要求的配合煤，从而获得高质量焦炭.传统的方法是凭经验确定单种煤的配比，利用经验公式预测焦炭质量.这种定性的、凭经验的操作不能准确定量地保证配合煤质量和预测焦炭质量，造成配煤准确性不高，计算和验证周期长，难以保证配合煤质量，配煤效率低.通过实现配煤过程智能优化与控制，可以有效解决这些问题.
配煤过程是一个发生了一系列物理和化学变化的复杂工业生产过程，各单种煤质量、配煤比与配合煤质量、焦炭质量之间的关系很难用简单的数学模型来进行描述，为此需建立准确的焦炭质量预测模型，再进行配煤比的优化控制，从而实现配煤过程智能优化与控制.
在焦炭质量预测方面，Wu等人提出一种基于神经网络模型、机理模型和规则模型的配合煤质量预测模型来预测配合煤质量，能够实现配合煤质量的准确预测[4].进一步考虑生产成本，邓等人根据各单种煤组分、配煤比和配煤条件等参数，依据线性回归预测配合煤质量，再根据配合煤质量和炼焦条件等参数，建立神经网络预测模型来预测焦炭质量[5].在配煤比优化和控制方面，Wu等人提出一种决定目标配比的专家推理方法，使用一种分布式PI控制方案，跟踪决定的目标配比[4].杨等人采用径向基函数神经网络建立配煤过程的非线性动态模型，基于该模型提出配合煤灰分的神经内模优化控制策略，这种控制方法能够有效地控制配合煤灰分[6]. Guo等人提出一种基于客观经济效益的混合煤调度模型，采用自适应模拟退火遗传算法来优化混合煤参数，这种优化方法对炼焦生产具有指导意义[7].
配煤是决定炼焦性能的关键前提，由于单种煤来源复杂，配煤的智能优化与控制发展必然呈现两个方面的结合：一方面是利用煤的专有特性(例如通过岩相分析获得相关的岩相数据)开发更加准确的配合煤预测模型和焦炭预测模型，充分考虑配煤成本和单种煤库存的配比优化，使配煤过程智能优化与控制向着精细化和网络化方向发展[8].另一方面，将人工经验和多种智能优化与控制算法相结合，在保证配合煤产量和质量的前提下，实现炼焦配煤过程的智能优化与控制，在源头上促进钢铁冶金节能降耗.
1.2 焦炉火道温度集成软测量方法在炼焦过程中，焦炉火道温度是与生产密切相关的工艺参数，如果火道温度不稳定、波动大，将导致焦炭加热不均匀，直接影响焦炭质量和炉体寿命.
为了获得火道温度的变化规律，最直接的方法是在每个燃烧室都安装测温热电偶，利用热电偶获得火道温度的实时数据.但是，炼焦的独特结构使得热电偶的安装比较困难，并且火道的温度高达1 300 ℃左右，热电偶很容易因为高温而损坏.因此，这种方式由于成本高和维护困难在实际应用中很少被采用，需要寻求一种间接测量的方法，利用易于获取的其它测量信息，通过建立软测量模型来实现焦炉火道温度的在线检测.
文[9]提出了一种基于线性回归和神经网络模型的火道温度软测量集成模型，并利用误差最小法将线性回归模型和神经网络模型集成，提高软测量精度，实际运行效果验证了所建模型的有效性.为进一步提升实际过程中软测量模型的运行精度，曹等人在分析焦炉火道温度特性的基础上，建立了一种基于误差预测的焦炉火道温度软测量模型，应用于实际焦炉生产过程的模型预测误差在±8 ℃以内的超过90%[10]. Wu等人针对60孔焦炉5-2串序推焦的特征，利用10%机测和焦测孔数的蓄顶温度热电偶测量信息，提出一种基于线性回归、监督分布式神经网络和专家协调的集成软测量方法来建立火道温度集成软测量模型[11]，实际运行结果不仅说明该方法能够有效预测火道温度，而且有利于构成焦炉火道温度闭环控制.
总的说来，由于焦炉燃烧温度高，火道温度软测量是检测焦炉热状态参数的主要途径，有助于利用尽量少的辅助温度测量点，获得尽可能高精度的火道温度测量值，使基于高精度火道温度检测的火道温度闭环控制成为可能，另一方面尽量降低测量成本.
但是，焦炉本身体积大，燃烧室多，燃烧过程复杂，且与工艺流程紧密相关，单模型或单一结构的软测量模型在多种推焦工艺和工况条件下的模型泛化性差.因此，基于推焦工艺分析，多种回归模型或智能优化方法的融合将成为未来火道温度软测量研究的主要方向.这对降低炼焦过程能耗、提高焦炭质量、延长焦炉寿命、减少环境污染和改善劳动条件具有非常重要的意义.
1.3 焦炉加热燃烧过程智能控制焦炉加热燃烧过程是单个炭化室间歇、全炉连续、受多种因素干扰的热工过程，具有纯滞后、大惯性、时变、非线性等特性.实现焦炉加热燃烧过程智能控制，有利于保证焦炭质量，同时减少煤气消耗，保证炼焦的稳顺生产，延长焦炉的使用寿命.
火道温度是焦炉加热燃烧过程中重要的工艺参数，反映了焦炉的整体加热水平，直接关系到焦炭质量和炉体寿命，因此火道温度控制是冶金工业需要解决的关键问题.
传统的焦炉火道温度控制采用的是交叉限幅PID(proportional-integral-derivative)算法，但由于煤气热值的波动和煤气压力的变化，这种传统的控制方法控制精度不高，鲁棒性也不够好.为此，学者们从控制架构、智能控制方法等多角度开展研究.雷等人运用混杂系统的思想，针对焦炉加热燃烧过程进行混杂特性分析，提出包括决策处理级、温度智能控制级和过程控制级的焦炉加热燃烧过程火道温度混杂递阶控制结构[12]；叶凤华等人采用广义预测控制方法对火道温度进行控制[13]；王伟等人针对焦炉火道温度控制受非线性、大时滞、多扰动影响的特点，提出一种基于组合灰色预测模型的改进模糊专家控制方法，该方法具有较好的控制品质，能够有效地削弱了大时滞的影响[14]. Lei等人开发了一种动态建模和优化方法，对焦炉加热燃烧过程火道温度控制的模糊控制器参数进行在线优化，这种控制方法能够适用操作状态的变化[15].李爱莲等人结合焦炉加热燃烧过程强耦合、大滞后的特点，提出基于启发式动态规划算法的焦炉火道温度优化控制方法，该方法能够提高火道温度的稳定性，减少能耗，能更好地指导生产[16].在实现焦炉过程混合优化与控制方面，Lei等人还提出了一种基于焦炉加热燃烧过程特点的火道温度智能混合优化和控制方法，能够稳定炼焦温度，改善焦炭质量，降低能耗[17].
为了保证焦炉炼焦过程的稳顺运行，需要对焦炉集气管压力进行稳定控制，Yang等人提出一种结合前馈控制和专家控制PID控制的混合控制方法，该方法实现了焦炉集气管压力的有效控制[18]. Wu等人提出一种焦炉煤气压力的分层解耦控制方法，该方法能够有效抑制气体扰动带来的影响[19]. Li等人介绍了一种模型预测控制策略来实现集气管压力控制，这种策略具有处理扰动影响的能力和良好的控制性能[20]. Weng等人提出一种结合滑模控制和数据驱动控制的焦炉集气管压力控制方法，实现了集气管压力的稳定控制[21].
为了实现更有效的焦炉加热燃烧过程智能控制，需要对焦炉加热过程的工况进行判断，从而适应不同的工况.针对焦炉加热燃烧过程的复杂性，文[22]提出一种基于信息融合的焦炉加热燃烧过程工况判断方法，该方法能够实现加热燃烧过程实时工况的判断，实际运行过程中取得的显著效果验证了所提方法的有效性.针对焦炉生产过程的连续性和间歇性，文[23]提出一种基于多子系统信息熵的焦炉加热燃烧过程工况识别方法，该方法能够实时判断焦炉加热燃烧过程工况，仿真及应用也验证了该方法的有效性.上述控制方法被应用于焦炉加热燃烧过程中，能够实现焦炉火道温度的有效控制，有利于稳定火道温度，改善焦炭质量，降低能耗.
焦炉加热燃烧是炼焦生产的关键环节，针对化学反应机理复杂的特点，采用结合机理分析和数据驱动进行输入输出关系建模，进而采用智能化方法进行燃烧过程控制成为主流技术方向，并在多个状态参数的控制方面形成了有效的控制机制.但是，焦炉属于长流程、多环节的生产系统，如何解决多个环节之间的复杂耦合，对加热燃烧、集气压力等多环节进行协调优化与控制是未来需要重点解决的问题.
1.4 炼焦生产全流程优化炼焦生产包括配煤过程、焦炉加热燃烧过程和作业计划调度等方面.由于炼焦生产过程伴随着复杂的传热、物理和化学变化，炉体结构复杂，检测手段少，干扰因素多，配煤过程、焦炉加热燃烧过程和作业计划调度之间相互影响和相互关联，如何实现炼焦生产全流程优化，从生产全流程的角度有效降低炼焦生产能耗、提高焦炭质量、延长焦炉寿命和降低操作人员劳动强度，这是目前炼焦生产面临的挑战性课题.目前提出的炼焦生产全流程优化采用分层递阶控制系统结构，包括基础自动化层、先进控制层和全局优化与协调层.
基础自动化层实现过程参数的采集与稳定化控制，一般由传感器、执行机构、PLC和DCS来实现，通过单回路控制方式完成配煤比、混合煤气流量和压力的跟踪控制以及装煤推焦控制.
先进控制层实现炼焦配煤优化、焦炉加热燃烧过程控制和焦炉作业计划与优化调度.除了上述炼焦配煤过程智能优化与控制、焦炉加热燃烧过程智能控制外，焦炉作业计划与优化调度在炼焦生产中特别重要.国内多数企业采用人工方法进行焦炉作业计划与调度，但这种方法过于依赖人工经验，难以适用复杂工况.文[24]开发了一种适合多工况的焦炉作业计划优化调度方法，建立了可以考虑正常工况和异常工况的焦炉作业计划与优化调度系统；结合实际炼焦生产过程需求，文[25]采用计划编制的思想来解决焦炉异常工况下的作业计划优化调度问题，通过采用多旅行商问题作为计划编制的模型并采用遗传算法求得问题的近优解.
全局优化与协调层实现焦炭质量和能耗等综合生产目标的优化与协调.由于炼焦生产涉及众多的过程参数，建立整个过程的模型十分困难，因此可以采用分层建模的思想，首先建立综合生产目标与局部目标之间的关系模型，然后再根据综合生产目标对配合煤质量、结焦时间和焦炉火道温度、集气管压力分配等局部目标进行优化设定，为先进控制层提供设定参数，从而达到优化综合生产目标的目的.
炼焦生产过程是一类具有非线性特性的复杂工业过程，一些控制与优化方法在炼焦生产过程中得到应用，但真正要实现炼焦生产过程全流程优化，特别是将配煤、推焦制度、燃烧控制等多个工艺环节综合考虑，从全流程建模、耦合多系统协调优化和控制等角度开展针对复杂工况的炼焦全过程智能优化控制方法，构建基于现场网络化的炼焦智能优化与控制系统，仍需要开展大量的研究工作.
2 烧结过程优化与控制铁矿石烧结是高炉炼铁的原料制备工序，包括抽风烧结和球团烧结两种不同的生产工艺.抽风烧结过程是将铁矿石原料、熔剂、燃料和烧结循环利用物按照一定的比例，配成粒度合适的混合料，然后偏析铺在烧结机台车上，在燃料燃烧供热、混合料不完全熔化的状态下烧结成块[26].球团烧结过程按一定的比例经过配料、混匀，在造球机上经滚动而制成一定尺寸的生球，然后采用干燥和焙烧或其它方法使其发生一系列的物理化学变化而硬化固结，得到球团矿.目标是生产出成分合适、还原性强、透气性好、粒度组成合理，具有一定尺寸和机械强度的烧结矿或球团矿，以满足高炉熔炼的要求.
针对球团烧结过程，主要研究球团烧结过程建模方法与状态识别技术.如利用机理分析与数学建模方法，建立了铁矿石球团烧结过程的数学模型[27-28]；基于火焰图像的特征提取，研究了球团烧结过程的热状态识别技术[29]；提取火焰图像感兴趣区域局部形态特征，研究了基于变粒度仿反馈机制的回转窑烧成状态智能认知方法[30].但对于球团烧结过程中的先进控制与智能优化研究，学者们涉足较少，本文着重以抽风烧结为研究对象进行综述.
在烧结生产各个环节中，为实现生产稳定，降低能耗，许多学者针对烧结配料过程建模与优化、烧结过程热状态控制和烧结生产全流程优化与控制展开了研究.目前，绿色制造已成为发展趋势，在保证烧结矿质量与产量的前提下，研究烧结碳效建模与优化方法已成为热点.这些研究对钢铁工业节能降耗起到了重要作用，降低了烧结生产成本和能耗，提高了烧结质量和产量，同时减少了污染物排放，保护了环境.
2.1 烧结配料过程建模与优化烧结配料过程的实质就是根据当前铁矿石、熔剂、燃料等原料的物理特性、化学成分和库存量及工艺规定的烧结矿质量要求，确定合适的原料比例，准确推算出这种配比的原料生产出的烧结矿质量[31].烧结配料过程建模的目的是根据原料配比预测烧结矿质量，以便校验配比的准确性和可行性.烧结配料优化的目的是优化原料配比，使其生产出满足质量要求的烧结矿，同时降低配料成本和库存.
近年来，一些学者以烧结配料成本最小为目标，运用线性规划算法优化配比[32].随着神经网络、粒子群算法[33]、遗传算法、专家系统等智能方法的广泛应用，许多学者利用不同智能算法的优越性，把这些算法应用到烧结配料过程建模与优化[34-36]，取得了良好的效果.
从烧结生产节能减排的角度出发，一些学者也展开了一系列研究.文[37]以烧结矿的最小能量值作为优化目标，在烧结过程能量平衡的基础上，建立烧结配比优化模型，得到烧结矿的最优能量值，可以降低烧结生产能耗；Wu等人在研究烧结过程能量转换的基础上，提出一种基于最小二乘支持向量机的升温蓄热能量模型，优化烧结第二次配料中的焦粉配比[38]，获得焦粉最低配比，减少烧结二氧化碳排放.
为了满足烧结生产多目标的要求，运用多目标优化方法来实现烧结配料的优化，这是目前烧结配料建模与优化研究的热点. Wu等人研究了烧结配料过程集成多目标优化方法[39-40]，在保证烧结矿质量的前提下，能够有效降低配料成本；在此基础上开发了烧结配料智能集成优化系统[31]，实际运行结果表明，该系统降低了生产成本，提高了能源利用率.
目前对烧结配料过程的研究，大多是研究降低烧结成本、提高产量和质量等，对于降低烧结能耗、二氧化硫排放、二氧化碳排放等研究较少.未来烧结配料优化应在保证烧结矿冶金性能的前提下，研究以绿色生产、成本最少、能耗最低为目标的智能多目标优化方法，从原料层面降低烧结过程能耗将是重点的研究方向.
2.2 烧结过程热状态控制铁矿石烧结成块的过程经历一系列复杂的物理化学反应.烧结热状态是原料参数、操作参数、设备参数在烧结过程中的综合反映，良好的烧结热状态可以保证烧结矿的质量，提高烧结矿的产量.烧结终点(BTP)和点火强度(或点火温度)是两个重要的烧结热状态参数[41-42]，它们的稳定性直接反映烧结热状态的好坏，实现BTP和点火强度(或点火温度)的稳定控制，可提高烧结矿质量与产量，降低能耗，具有很高的经济价值.
2.2.1 烧结点火控制烧结点火是铁矿石烧结成块的第一道工序.烧结混合料铺于烧结机的台车上以后，在点火炉的一定负压下，混合煤气流(焦炉煤气流和高炉煤气流)引火点燃烧结混合料料面.烧结点火是影响烧结矿质量的重要环节，如果点火强度不够或温度偏低，则表层烧结矿强度差，甚至不能形成烧结矿；如果点火强度太大或温度偏高，则将使表层烧结矿过熔，得不到满意的烧结矿质量[43].有效控制烧结点火强度(或点火温度)，对烧结生产十分重要.
对于烧结点火的控制，早期就有学者基于操作经验进行研究.东北大学提出一种基于模糊控制点火强度主控、温度辅控方案，控制烧结点火空燃比[43]，实现点火稳定控制.陈建等人将Fuzzy-PID控制策略应用于烧结点火温度控制中，取得了良好效果[44].
在工业设备逐渐完善基础上，学者们对基于模型的控制方法也展开了研究. Zhang等人提出基于模糊神经网络的烧结点火温度滑膜控制方法[45]；Endiyarov提出烧结料点火的自适应控制方法[46]；Chen等人通过建立烧结点火的动力学，提出基于改进的等价输入干扰方法的烧结点火先进控制方法[42].
上述这些方法为实现烧结点火控制提供了有效手段，在工业应用中取得了良好效果.
2.2.2 烧结终点控制在抽风机的作用下，烧结燃烧反应自上而下的进行.烧结终点是混合料在台车上第一次烧透的位置.烧结终点超前，烧结机有效面积没有得到充分利用，利用系数降低；烧结终点滞后，则卸料时烧结料层未烧透，返矿量增加，成品率下降[47].因此，控制烧结终点的稳定对于提高烧结生产的质量与产量具有重要意义.目前关于烧结终点控制的研究主要集中在建模和控制两个方面.
烧结终点是一个不可直接检测的量，需要根据其它检测量来判断烧结终点位置.目前工程上采用的烧结终点判断方法主要有两种：定性判断的图像识别法[48]、定量估算的风箱废气温度法[49].风箱废气温度法可以定量估算出烧结终点位置，逐渐演变为一种烧结终点的软测量方法.
在准确判断烧结终点的基础上，人们开展了烧结终点的建模与预测研究.通过对烧结燃烧过程机理的深入分析，结合烧结现场生产数据，基于数据驱动与机理分析相结合的烧结终点建模与预测方法迅速发展起来.谌等人建立了基于BP神经网络的烧结终点预测模型；Wu等人建立了基于支持向量机的烧结终点预测模型[50]，预测效果优于传统神经网络；Shang等人利用数据驱动方法，建立了烧结终点的经验动力学模型[51]；Song等人提出了基于最小二乘支持向量机和细菌觅食优化的混合烧结终点预测方法[52]，应用这种优化算法的预测精度较好.
关于烧结终点的控制，人们根据现场人员的操作经验，采用智能控制算法，如模糊控制、专家控制、神经网络控制等，实现了烧结终点的控制[53-54].由于烧结终点的控制具有大滞后性，人们提出了基于烧结终点预测的混合控制方法，包括烧结终点混杂模糊—预测控制方法[55]、基于烧结终点闭环识别的广义预测控制策略[56]和基于神经网络预测的烧结终点混合模糊预测控制策略[57]等.
烧结生产不仅需要提高烧结矿的质量和产量，同时还需要保证烧结生产安全，因此人们开展了多目标协调控制策略研究.针对混合料料槽料位的这一烧结生产安全指标，文[57-58]提出基于模糊满意度的烧结过程多目标控制方法，文[59]提出烧结终点和料槽料位的协调模糊控制策略，文[60]提出基于优先级的料槽料位和烧结终点智能协调控制方法.
传统的烧结终点控制是通过控制烧结机台车速度来实现的，但根据烧结机理，通过改变烧结机通风效果来控制垂直燃烧速度，也可以实现烧结终点的有效控制.根据这个思想，Fan等人提出了基于风机频率调节的烧结终点智能控制方法[61]；Chen等人将先进控制方法引入到烧结终点控制，提出了基于烧结终点T-S模糊模型的鲁棒控制方法[62].
烧结终点控制是实现烧结热状态控制的主要方面，如何有效实现烧结终点控制，这是烧结过程控制长期以来需要解决的关键问题.
长期以来，烧结点火和烧结终点等热状态的高精度控制是工业现场需要解决的关键问题.目前，烧结过程热状态控制由基于人工经验的智能控制方法，逐渐发展为基于数据驱动模型的智能控制方法；由单目标或单回路控制，发展为多目标多回路的协调控制；由单一反馈控制，发展为融合工况辨识、模型预测的先进控制方法.未来，针对碳效优化的需求，将更突出对动态优化设定的跟踪控制；强调在多种模型不确定性和扰动不确定条件下具有宽工况适应能力的智能控制；更多融入时滞鲁棒控制、扰动抑制、预测控制等先进方法进行状态参数的高精度控制.
2.3 烧结生产全流程优化与控制烧结生产包括配料、混合制粒、偏析布料、点火烧结、冷却、破碎筛分等过程.与炼焦生产全流程优化与控制一样，烧结生产全流程优化与控制可以采用分层递阶的优化控制系统结构，同样包含基础自动化层、先进控制层和全局优化与协调层.基础自动化层实现烧结过程操作参数的稳定化跟踪控制；先进控制层实现烧结过程状态参数的优化控制；全局优化与协调层实现烧结矿质量、产量、能耗等综合生产目标的优化与协调.
目前，对烧结生产全流程优化与控制的研究主要集中在先进控制层的设计，除了配料过程建模优化和烧结燃烧过程热状态控制外，还包括烧结原料混合制粒、烧结烟气脱硫和烧结余热回收等过程的控制.如何实现烧结过程全流程优化与控制，目前仍然存在很大的困难.
烧结混合制粒过程主要是在混合料中加入合适的水分，使原料充分混合，制成具有一定粒度分布规律的混合料.混合制粒的粒度分布对烧结料层透气性具有直接影响，进而影响生产的烧结矿质量.对于烧结混合制粒过程，人们利用智能控制与传统控制方法相结合，实现了烧结混合料水分的稳定控制，如神经网络PID控制、模糊PID控制、专家控制等[63].为克服烧结制粒过程水分控制存在的纯滞后问题，通过引入Smith控制器，提出了混合治粒水分预测与控制方法[64]. Li等人分析烧结混合料制粒含水的作用及其对烧结过程透气性的影响，提出了以透气性为中心的烧结混合料水分智能控制方法[65].针对烧结混合制粒过程同时存在原料流量波动和时滞的问题，陈等人提出一种原料工况自适应的水分前馈串级控制方法[66].
烧结过程烟气脱硫成为钢铁企业SO2减排的重点，减排形势日趋严峻.文[67]针对烧结烟气脱硫过程存在入门烟气温度波动问题，提出了一种脱硫塔顶温度前馈一反馈模糊控制策略；文[68]针对脱硫剂浓度控制问题，采用模糊预测控制方法实现了稳定控制.
烧结过程余热资源的高效回收与利用成为目前降低烧结工序能耗乃至炼铁工序能耗的重要方向与途径之一.人们采用分析方法[69]对烧结环冷机废气余热回收过程进行分析，对设备操作参数进行优化设定，达到降低烧结能耗的目的；熊等人提出基于余热发电系统中压锅产热量优化的烧结余热回收操作参数设定方法[70]，提高了余热发电效率.
在烧结过程建模、优化与控制的理论和方法研究获得迅速发展的同时，许多学者也探讨了理论与方法的实现技术，在烧结生产基础自动化和信息化的基础上开发烧结过程智能控制系统.吴等人应用智能集成建模与优化控制的理论与方法，针对某钢铁企业烧结过程控制存在的难点问题，开发了烧结过程智能优化与控制系统[31, 41, 56-57].鞍钢在研究开发烧结机尾断面图像分析、烧结终点控制、烧结配料动态优化与控制系统的基础上，应用人工智能和计算机信息技术构建了烧结生产过程综合智能控制系统[71].这些智能控制系统结合了烧结生产工艺，不仅很好地验证了烧结过程建模、优化与控制的理论与方法，也取得了显著的效益.
目前烧结过程全流程的优化与控制的研究，不再局限于提高质量和产量，更趋向于综合考虑全流程的效率和成本，以及节能降耗需求.因此，依托现代企业的网络化过程控制系统，考虑所有工艺环节(配料、加水混合、制粒、布料、点火、抽风烧结、烟气脱硫、余热回收)，面向效率、能耗等多目标的全流程优化与控制系统，是未来烧结过程全流程智能优化与控制研究方向，特别是围绕烧结主要碳基燃料，开展全流程的碳效优化与控制.
2.4 烧结碳效建模与优化焦粉作为唯一燃料物质为烧结过程提供高温所需要的热源，直接影响烧结矿产量、质量和烧结能耗.降低焦炭的消耗，对降低吨钢能耗、降低钢铁行业的温室气体排放有重大意义.如何在不增加烧结能耗的前提下提高烧结矿的品质和产量，已成为目前烧结生产面临的主要问题之一.
近几年，关于烧结过程碳利用率的研究逐渐得到重视.碳效作为衡量生产过程中碳利用率的重要指标，在许多生产过程中都涉及到碳利用率的问题.烧结过程的焦粉能否充分利用受到人们的高度关注. Chen等人用综合焦比定义了烧结过程的碳效[72]，提出了多种烧结碳效的计算与预测方法，包括基于产量预测的烧结碳效计算模型[73]、基于离散小波变换的烧结碳效反馈神经网络计算模型[74]和基于反向传播神经网络的状态参数和综合焦比组合预测模型[75].
在烧结过程碳效预测的基础上，为提高烧结生产全流程的焦炭利用率，Chen等人提出了基于多工况的碳效建模与优化方法[76]，首先采用K均值聚类算法划分烧结工况，然后建立不同工况下的碳效预测模型，最后采用粒子群算法优化碳效，得到最佳生产参数.基于这个思想，Du等人设计了烧结矿绿色制造的碳效优化与控制系统[77]，该系统为烧结过程全流程优化与控制提出了新的思路.
未来，不仅仅对于烧结过程，对于钢铁冶金过程而言，保证质量产量条件下的碳效建模与优化控制技术将是实现产业持续发展的关键，也是钢铁冶金过程智能优化与控制的重要发展方向.
3 结论与展望炼焦过程是一类具有大惯性、非线性特性的复杂工业过程，一些智能控制与优化方法在实际生产中得到了应用.然而，要在炼焦生产中实现广泛应用，真正取得显著效益，还必须进行大量的工作，包括对炼焦过程的深入分析和研究、完善智能控制和优化方法、提升系统实现与应用技术等.随着新一代人工智能技术的发展，先进的智能控制与优化方法为炼焦过程控制开辟了新的途径.在炼焦过程控制与优化中，采用多种方法与技术相结合的策略(例如，可采用基于机理分析、多模型和多层次的混合建模法用于炼焦生产过程建模的研究；可采用多种智能优化算法相结合方式用于炼焦生产过程智能优化的研究；可采用基于过程模型的先进控制方法用于炼焦生产过程智能控制的研究)，可望取得较好的效果，这也将成为炼焦过程控制与优化的主要方向.
烧结过程机理复杂，参数众多，具有强非线性、大时滞等特点，人们对烧结过程智能控制与优化的研究是从无模型的智能控制方法到基于模型的预测控制方法，由简单的单目标优化方法到复杂的多目标智能优化方法；在烧结配料过程建模与优化、烧结过程热状态控制方面，都着重考虑了当前过程的目标与环境，大多忽略了烧结过程整体目标与要求.如何考虑各个过程之间的关联，实现各个过程的智能协调与优化，这是烧结生产全流程优化与控制的主要任务.
在保证产品性能和安全生产的前提下，以低成本、低能耗和低排放为目标的绿色制造将是未来铁前炉料制备过程控制与优化的主要方向，开发智能多目标优化与协调控制方法和技术、建立全流程优化与控制一体化系统将是实现绿色制造的主要手段.
| [1] |
《京都议定书》第二期明年实施被批"软弱无力"[EB/OL]. (2012-12-09)[2017-10-21]. http://green.sohu.com/20121209/n359887707.shtml. "Kyoto Protocol" the second phase of next year was approved "weak"[EB/OL]. (2012-12-09)[2017-10-21]. http://green.sohu.com/20121209/n359887707.shtml.2012. |
| [2] |
上官方钦, 张春霞, 胡长庆, 等.
中国钢铁工业的CO2排放估算[J]. 中国冶金, 2010, 20(5): 37–42.
Shangguan F Q, Zhang C X, Hu C Q, et al. Estimation of CO2 emission in Chinese steel industry[J]. China Metallurgy, 2010, 20(5): 37–42. |
| [3] |
周继程, 郦秀萍, 上官方钦, 等.
我国烧结工序能耗现状及节能技术和措施[J]. 冶金能源, 2010, 29(2): 23–26.
Zhou J C, Li X P, Shangguan F Q, et al. Status of energy consumption and energy-saving technical measures of sintering process in China[J]. Energy for Metallurgical Industry, 2010, 29(2): 23–26. |
| [4] | Wu M, Nakano M, She J H. A model-based expert control strategy using neural networks for the coal blending process in an iron and steel plant[J]. Expert Systems with Applications, 1999, 16(3): 271–281. DOI:10.1016/S0957-4174(98)00076-1 |
| [5] |
邓俊, 赖旭芝, 吴敏, 等.
基于神经网络和模拟退火算法的配煤智能优化方法[J]. 冶金自动化, 2007(3): 19–23.
Dend J, Lai X Z, Wu M, et al. Intelligent optimization method for coal blending based on neural network and simulated annealing algorithm[J]. Metallurgical Industry Automation, 2007(3): 19–23. |
| [6] |
杨东平, 王蕾.
神经内模优化控制策略在配煤过程中的应用[J]. 工业仪表与自动化装置, 2008(5): 23–26.
Yang D P, Wang L. The application of a neuro-internal model-based optimal control strategy to a coal blending process[J]. Industrial Instrumentation & Automation, 2008(5): 23–26. |
| [7] | Guo X J, Chen M, Wu J W. Coal blending optimization of coal preparation production process based on improved GA[C]//Proceedings of the 6th International Conference on Mining Science & Technology. Amsterdam, Netherlands: Elsevier, 2009: 654-660. https://www.researchgate.net/publication/248614006_Coal_blending_optimization_of_coal_preparation_production_process_based_on_improved_GA |
| [8] | Li Z, Cao W, Chen L, et al. Coke quality prediction based on Gaussian model feature extraction and xgboost feature selection algorithm[C]//The 5th International Workshop on Advanced Computational Intelligence and Intelligent Informatics. 2017. |
| [9] |
曹卫华, 侯少云, 吴敏.
基于集成模型的焦炉火道温度软测量技术研究与应用[J]. 计算机测量与控制, 2006, 14(2): 149–151.
Cao W H, Hou S Y, Wu M. Research and implementation of coke oven flue temperature measurement via soft-sensing based on integrated models[J]. Computer Measurement & Control, 2006, 14(2): 149–151. |
| [10] |
曹卫华, 陈泰任, 吴敏, 等.
基于误差预测的焦炉火道温度软测量模型[J]. 信息与控制, 2009, 38(2): 206–210.
Cao W H, Chen T R, Wu M, et al. An error-forecasting-based soft-sensing model for coke oven flue temperature[J]. Information and Control, 2009, 38(2): 206–210. |
| [11] | Wu M, Lei Q, Cao W, et al. Integrated soft sensing of coke-oven temperature[J]. Control Engineering Practice, 2011, 19(10): 1116–1125. DOI:10.1016/j.conengprac.2011.06.001 |
| [12] |
雷琪, 吴敏, 曹卫华.
基于混杂递阶结构的焦炉加热过程火道温度智能控制[J]. 信息与控制, 2007, 36(4): 420–426.
Lei Q, Wu M, Cao W H. Hybrid-hierarchical-structure-based intelligent control for flue temperature in coke oven heating process[J]. Information and Control, 2007, 36(4): 420–426. |
| [13] |
叶凤华, 洪海波.
基于广义预测算法的焦炉立火道温度控制系统[J]. 安徽工业大学学报(自科版), 2010, 27(2): 191–194.
Ye F H, Hong H B. Research on the temperature control system for flue of cove based on the generalized predictive algorithm[J]. Journal of Anhui University of Technology (Natural Science), 2010, 27(2): 191–194. |
| [14] |
王伟, 吴敏, 曹卫华, 等.
基于组合灰色预测模型的焦炉火道温度模糊专家控制[J]. 控制与决策, 2010, 25(2): 185–190.
Wang W, Wu M, Cao W H, et al. Fuzzy-expert control based on combination grey prediction model for flue temperature in coke oven[J]. Control and Decision, 2010, 25(2): 185–190. |
| [15] | Lei Q, Wu M, She J. Online optimization of fuzzy controller for coke-oven combustion process based on dynamic just-in-time learning[J]. IEEE Transactions on Automation Science & Engineering, 2015, 12(4): 1535–1540. |
| [16] |
李爱莲, 聂宇航, 孟冠杰.
焦炉加热燃烧火道温度优化控制仿真研究[J]. 计算机仿真, 2017, 34(8): 337–341.
Li A L, Nie Y H, Meng G J. Simulation research of coke oven heating flue temperature optimization control[J]. Computer Simulation, 2017, 34(8): 337–341. |
| [17] | Lei Q, Wu M, Cao W H, et al. Operating-state-based intelligent control of combustion process of coke oven[J]. IFAC Proceedings Volume, 2008, 41(2): 1851–1856. DOI:10.3182/20080706-5-KR-1001.00316 |
| [18] | Yang C, Wu M, Shen D, et al. Hybrid intelligent control of gas collectors of coke ovens[J]. Control Engineering Practice, 2001, 9(7): 725–733. DOI:10.1016/S0967-0661(01)00035-1 |
| [19] | Wu M, Yan J, She J H, et al. Intelligent decoupling control of gas collection process of multiple asymmetric coke ovens[J]. IEEE Transactions on Industrial Electronics, 2009, 56(7): 2782–2792. DOI:10.1109/TIE.2009.2018438 |
| [20] | Li K, Li D, Xi Y, et al. Model predictive control with feedforward strategy for gas collectors of coke ovens[J]. Chinese Journal of Chemical Engineering, 2014, 22(7): 769–773. DOI:10.1016/j.cjche.2014.05.013 |
| [21] | Weng Y, Gao X. Data-driven robust output tracking control for gas collector pressure system of coke ovens[J]. IEEE Transactions on Industrial Electronics, 2017, 64(5): 4187–4198. DOI:10.1109/TIE.2016.2613509 |
| [22] |
雷琪, 吴敏, 曹卫华.
基于信息融合的焦炉加热过程工况判断方法及应用[J]. 信息与控制, 2008, 37(5): 609–614.
Lei Q, Wu M, Cao W H. An information-fusion-based method for operating-state judgment of coke oven heating process and its applications[J]. Information and Control, 2008, 37(5): 609–614. |
| [23] |
雷琪, 蔡伟, 吴敏, 等.
基于多子系统信息熵的焦炉加热燃烧过程工况识别[J]. 信息与控制, 2014, 43(3): 361–367.
Lei Q, Cai W, Wu M, et al. Operating-state identification for coke ovens combustion process based on multi-subsystem-entropy[J]. Information and Control, 2014, 43(3): 361–367. |
| [24] |
蔡雁. 焦炉作业计划与优化调度系统的设计与应用[D]. 长沙: 中南大学, 2007. Cai Y. Design and application of coke oven job planning and optimal scheduling system[D]. Changsha: Central South University, 2007. http://cdmd.cnki.com.cn/Article/CDMD-10533-2007173282.htm |
| [25] | Jia S J, Yi J, Yang G K, et al. A multi-objective optimisation algorithm for the hot rolling batch scheduling problem[J]. International Journal of Production Research, 2013, 51(3): 667–681. DOI:10.1080/00207543.2011.654138 |
| [26] |
徐海芳.
烧结矿生产[M]. 北京: 化学工业出版社, 2013.
Xu H F. Sinter production[M]. Beijing: Chemical Industry Press, 2013. |
| [27] | Fan X H, Wang Y, Chen X L. Mathematical models and expert system for grate-kiln process of iron ore oxide pellet production. Part Ⅱ:Rotary kiln process control[J]. Journal of Central South University, 2012, 19(6): 1724–1727. DOI:10.1007/s11771-012-1199-7 |
| [28] | Wang Y, Fan X H, Chen X L. Mathematical models and expert system for grate-kiln process of iron ore oxide pellet production (Part Ⅰ):Mathematical models of grate process[J]. Journal of Central South University, 2012, 19(4): 1092–1097. DOI:10.1007/s11771-012-1114-2 |
| [29] | Li W, Mao K, Chai T, et al. Gabor filter and eigen-flame image-based burning state recognition for sintering process of rotary kiln[C]//Proceedings of the 50th IEEE Conference on Decision and Control and European Control Conference. Piscataway, NJ, USA: IEEE, 2011: 3216-3221. https://ieeexplore.ieee.org/document/6160229/ |
| [30] |
陈克琼, 王建平, 李帷韬, 等.
基于变粒度仿反馈机制的回转窑烧成状态智能认知方法[J]. 模式识别与人工智能, 2015, 28(11): 1013–1022.
Chen K Q, Wang J P, Li W T, et al. Variable granularity and simulated feedback mechanism based burning state intelligent cognitive method of rotary kiln sintering process[J]. Pattern Recognition and Artificial Intelligence, 2015, 28(11): 1013–1022. |
| [31] | Wu M, Chen X, Cao W, et al. An intelligent integrated optimization system for the proportioning of iron ore in a sintering process[J]. Journal of Process Control, 2014, 24(1): 182–202. DOI:10.1016/j.jprocont.2013.11.012 |
| [32] | Li C L, Lian B, Lu H S. Research on sintering blending cost optimization design for quality loss[C]//Proceedings of IEEE International Conference on Industrial Engineering and Engineering Management. Piscataway, NJ, USA: IEEE, 2011: 957-961. https://www.researchgate.net/publication/252049685_Research_on_sintering_blending_cost_optimization_design_for_quality_loss |
| [33] |
韩红桂, 卢薇, 乔俊飞.
一种基于种群多样性的粒子群优化算法设计及应用[J]. 信息与控制, 2017, 46(6): 677–684.
Han H G, Lu W, Qiao J F. Design and application of particle swarm optimization algorithm based on population diversity[J]. Information and Control, 2017, 46(6): 677–684. |
| [34] |
向齐良, 吴敏, 侯奔, 等.
基于成分预测模型的矿石烧结配料专家优化方法[J]. 山东大学学报(工学版), 2005, 35(4): 43–46.
Xiang Q L, Wu M, Hou B, et al. An expert optimization method based on ingredient prediction models for the blending and sintering of iron ore[J]. Journal of Shandong University (Engineering Science), 2005, 35(4): 43–46. |
| [35] |
吴敏, 丁雷, 曹卫华.
基于混合粒子群算法的烧结配料优化[J]. 信息与控制, 2008, 37(2): 242–246.
Wu M, Ding L, Cao W H. Sintering blending optimization based on hybrid particle swarm algorithm[J]. Information and Control, 2008, 37(2): 242–246. |
| [36] |
孔玲爽, 袁川来, 肖会芹, 等.
流程工业配料过程的随机优化模型及求解算法[J]. 信息与控制, 2016, 45(1): 40–44.
Kong L S, Yuan C L, Xiao H Q, et al. Stochastic optimization model and solution algorithm for blending procedure of process industrial[J]. Information and Control, 2016, 45(1): 40–44. |
| [37] | Liu C, Xie Z, Sun F, et al. Optimization for sintering proportioning based on energy value[J]. Applied Thermal Engineering, 2016, 103: 1087–1094. DOI:10.1016/j.applthermaleng.2016.04.158 |
| [38] | Wu M, Ma J, Hu J, et al. Optimization of coke ratio for the second proportioning phase in a sintering process base on a model of temperature field of material layer[J]. Neurocomputing, 2018, 275: 10–18. DOI:10.1016/j.neucom.2017.05.003 |
| [39] |
吴敏, 廖环宇, 曹卫华, 等.
烧结过程智能优化控制方法及应用(上)[J]. 冶金自动化, 2010, 34(2): 6–9.
Wu M, Liao H Y, Cao W H, et al. Intelligent optimization and control methods and their application in sintering process (A)[J]. Metallurgical Industry Automation, 2010, 34(2): 6–9. |
| [40] |
李勇, 吴敏, 曹卫华, 等.
基于线性规划和遗传-粒子群算法的烧结配料多目标综合优化方法[J]. 控制理论与应用, 2011, 28(12): 1740–1746.
Li Y, Wu M, Cao W H, et al. A multi-objective optimization algorithm for sintering proportion based on linear programming and genetic algorithm particle swam optimization[J]. Control Theory & Applications, 2011, 28(12): 1740–1746. |
| [41] | Wang C S, Wu M. Hierarchical intelligent control system and its application to the sintering process[J]. IEEE Transactions on Industrial Informatics, 2013, 9(1): 190–197. DOI:10.1109/TII.2011.2179663 |
| [42] | Chen X, Jiao W, Wu M, et al. EID-estimation-based periodic disturbance rejection for sintering ignition process with input time delay[J]. Asian Journal of Control, 2017, 20(5): 1–14. |
| [43] |
宋迎, 徐志伟, 王福利.
烧结点火模糊控制[J]. 基础自动化, 1997(4): 11–13.
Song Y, Xu Z W, Wang F L. Sintering ignition fuzzy control[J]. Basic Automation, 1997(4): 11–13. |
| [44] |
陈建, 陈至坤, 王连.
Fuzzy-PID控制策略在烧结点火温度控制中的应用[J]. 黑龙江科技信息, 2012(28): 9–9.
Chen J, Chen Z K, Wang L. Application of fuzzy-PID control strategy in sintering ignition temperature control[J]. Heilongjiang Science and Technology Information, 2012(28): 9–9. DOI:10.3969/j.issn.1673-1328.2012.28.027 |
| [45] | Zhang C, Jing H, Long Y, et al. Intelligent temperature control of ignition furnace in sintering machine[C]//Proceedings of the 2004 IEEE Conference on Cybernetics and Intelligent Systems. Piscataway, NJ, USA: IEEE, 2005: 224-228. https://www.researchgate.net/publication/4151898_Intelligent_temperature_control_of_ignition_furnace_in_sintering_machine?ev=auth_pub |
| [46] | Endiyarov S V. Adaptive control of the ignition of sintering batch[J]. Steel in Translation, 2016, 46(10): 728–732. DOI:10.3103/S0967091216100028 |
| [47] |
吴敏, 廖环宇, 曹卫华, 等.
烧结过程智能优化控制方法及应用(下)[J]. 冶金自动化, 2010, 34(3): 1–4.
Wu M, Liao H Y, Cao W H, et al. Intelligent optimization and control method and application in sintering process (B)[J]. Metallurgical Industry Automation, 2010, 34(3): 1–4. |
| [48] |
周芳.
在线判断烧结矿烧结点的图像识别法[J]. 自动化与仪表, 2005, 20(4): 7–11.
Zhou F. Image discriminating method for deducing the BTP of sinter on-line[J]. Automation and Instrument, 2005, 20(4): 7–11. |
| [49] | Li M H, Wang J. The research for soft measuring technique of sintering burning through point[C]//Proceedings of IEEE Conference on Industrial Electronics and Applications. Piscataway, NJ, USA: IEEE, 2006: 1-4. https://www.researchgate.net/publication/251826119_the_research_for_soft_measuring_technique_of_sintering_burning_through_point |
| [50] | Wu X, Fei M, Wang H, et al. Predictionof sinter burn-through point based on support vector machines[J]. Multichannel News, 2006, 344: 722–730. |
| [51] | Shang X Q, Lu J G, Sun Y X, et al. Data-driven prediction of sintering burn-through point based on novel genetic programming[J]. Journal of Iron and Steel Research, International, 2010, 17(12): 1–5. DOI:10.1016/S1006-706X(10)60188-4 |
| [52] | Song Q, Wang A M. A hybrid algorithm based on LS-SVM and bacterial foraging approach for burning-through-points (BTP) prediction in sintering process[J]. Journal of Theoretical & Applied Information Technology, 2013, 49(1): 231–240. |
| [53] |
马建平. 基于模糊控制的烧结终点控制技术[D]. 武汉: 华中科技大学, 2006. Ma J P. The technology of sintering terminal control based on fuzzy control[D]. Wuhan: Huazhong University of Science and Technology, 2006. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=J009734 |
| [54] |
向婕, 吴敏.
一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用[J]. 信息与控制, 2008, 37(2): 235–241.
Xiang J, Wu M. An improved genetic algorithm based fuzzy neural network controller and its application to burning through point control[J]. Information and Control, 2008, 37(2): 235–241. |
| [55] |
曹卫华, 段平, 吴敏, 等.
基于分级递阶结构的铁矿石烧结过程智能控制[J]. 仪器仪表学报, 2010, 31(3): 553–557.
Cao W H, Duan P, Wu M, et al. Intelligent control of iron ore sintering process based on a hierarchical configuration[J]. Chinese Journal of Scientific Instrument, 2010, 31(3): 553–557. |
| [56] | Wu M, Wang C, Cao W, et al. Design and application of generalized predictive control strategy with closed-loop identification for burn-through point in sintering process[J]. Control Engineering Practice, 2012, 20(10): 1065–1074. DOI:10.1016/j.conengprac.2012.05.007 |
| [57] | Wu M, Duan P, Cao W, et al. An intelligent control system based on prediction of the burn-through point for the sintering process of an iron and steel plant[J]. Expert Systems with Applications, 2012, 39(5): 5971–5981. DOI:10.1016/j.eswa.2011.11.118 |
| [58] |
向婕, 吴敏, 曹卫华, 等.
基于模糊满意度的烧结过程多目标优化控制[J]. 化工学报, 2010, 61(8): 2138–2143.
Xiang J, Wu M, Cao W H, et al. Multi-objective optimization control based on fuzzy satisfaction for sintering process[J]. CIESC Journal, 2010, 61(8): 2138–2143. |
| [59] | Xiang J, Wu M, Duan P, et al. Coordinating fuzzy control of the sintering process[J]. IFAC Proceedings Volumes, 2008, 41(2): 7717–7722. DOI:10.3182/20080706-5-KR-1001.01305 |
| [60] | Du S, Wu M, Chen X, et al. Intelligent coordinating control between burn-through point and mixture bunker level in an iron ore sintering process[J]. Journal of Advanced Computational Intelligence and Intelligent Informatics, 2017, 21(1): 139–147. DOI:10.20965/jaciii.2017.p0139 |
| [61] | Fan X H, Huang X X, Chen X L, et al. Research and development of the intelligent control of iron ore sintering process based on fan frequency conversion[J]. Ironmaking & Steelmaking, 2016, 43(7): 488–493. |
| [62] | Chen X, Hu J, Wu M, et al. T-S fuzzy logic based modeling and robust control for burning-through point in sintering process[J]. IEEE Transactions on Industrial Electronics, 2017, 64(12): 9378–9388. DOI:10.1109/TIE.2017.2708004 |
| [63] |
李宗平, 孙英, 陈猛胜, 等.
烧结混合加水专家控制模型研究和实现[J]. 烧结球团, 2010, 35(2): 26–29.
Li Z P, Sun Y, Chen M S, et al. Research and realization of expert control model for water addit ion in sintering process[J]. Sintering and Pelletizing, 2010, 35(2): 26–29. |
| [64] |
范晓慧, 甘敏, 李文琦, 等.
烧结混合料适宜制粒水分的预测[J]. 北京科技大学学报, 2012, 34(4): 373–377.
Fan X H, Gan M, Li W Q, et al. Prediction of suitable water content on the granulation of a sintering mixture[J]. Journal of University of Science and Technology Beijing, 2012, 34(4): 373–377. |
| [65] | Li G, Zhang G M, Ling X. Intelligent control of sintering mixture moisture based on RBF model of permeability[J]. Applied Mechanics & Materials, 2013, 437: 686–689. |
| [66] |
陈略峰, 吴敏, 曹卫华, 等.
原料工况自适应的烧结混合制粒水分控制系统[J]. 计算机与应用化学, 2011, 28(7): 816–820.
Chen L F, Wu M, Cao W H, et al. Raw material conditions-adaptive based moisture control system for sintering granulation process[J]. Computers and Applied Chemistry, 2011, 28(7): 816–820. |
| [67] |
王春生, 徐艳阳, 曹卫华, 等.
烧结烟气脱硫塔顶温度前馈-反馈模糊控制策略[J]. 中南大学学报(自然科学版), 2012, 43(8): 3039–3045.
Wang C S, Xu Y Y, Cao W H, et al. A fuzzy control strategy with feedforward-feedback for tower top temperature in sintering gas desulfurization process[J]. Journal of Central South University (Science and Technology), 2012, 43(8): 3039–3045. |
| [68] |
杨新华, 吴利国.
模糊预测控制在烧结烟气脱硫系统中的研究与应用[J]. 电气自动化, 2011, 33(5): 3–5.
Yang X H, Wu L G. Research and application of the fuzzy predictive control on desulphurization technology for sintering flue gas[J]. Electrical Automation, 2011, 33(5): 3–5. |
| [69] |
曹卫华, 蔡伊青, 袁艳, 等.
烧结余热回收系统、效率计算及参数动态优化[J]. 上海交通大学学报, 2014, 48(7): 1046–1052.
Cao W H, Cai Y Q, Yuan Y, et al. Energy efficiency calculation and parameter optimization of the sintering waste heat recovery system[J]. Journal of Shanghai Jiao Tong University, 2014, 48(7): 1046–1052. |
| [70] |
熊永华, 姜云涛, 吴敏, 等.
基于产热量优化的烧结余热回收操作参数设定[J]. 上海交通大学学报, 2011, 45(8): 1119–1124.
Xiong Y H, Jiang Y T, Wu M, et al. Operating parameters setting method of sintering waste heat recovery process based on heat product ion optimization[J]. Journal of Shanghai Jiao Tong University, 2011, 45(8): 1119–1124. |
| [71] |
杨春雨, 宋宝宇, 杨东晓, 等.
鞍钢烧结生产过程综合智能控制系统[J]. 冶金自动化, 2011, 35(6): 1–6.
Yang C Y, Song B Y, Yang D X, et al. Intelligent control system of sinter production in Angang[J]. Metallurgical Industry Automation, 2011, 35(6): 1–6. |
| [72] |
陈鑫, 翁卫卫, 吴敏, 等.
混沌粒子群算法的烧结碳耗BP神经网络模型[J]. 计算机与应用化学, 2013, 30(10): 1223–1226.
Chen X, Weng W W, Wu M, et al. BP neural network model of coke consumption of sintering process based on chaotic PSO algorithm[J]. Computers and Applied Chemistry, 2013, 30(10): 1223–1226. DOI:10.3969/j.issn.1001-4160.2013.10.030 |
| [73] | Chen X, Chen X, She J, et al. Hybrid multistep modeling for calculation of carbon efficiency of iron ore sintering process based on yield prediction[J]. Neural Computing and Applications, 2016, 28(6): 1193–1207. |
| [74] | Chen X, She J, Chen X, et al. Discrete wavelet transfer based BPNN for calculating carbon efficiency of sintering process[J]. Journal of Advanced Computational Intelligence and Intelligent Informatics, 2016, 20(7): 1070–1076. DOI:10.20965/jaciii.2016.p1070 |
| [75] | Chen X, She J, Chen X, et al. Modeling method of carbon efficiency in iron ore sintering process[C]//Proceedings of IEEE International Conference on Industrial Technology. Piscataway, NJ, USA: IEEE, 2016: 1033-1038. https://ieeexplore.ieee.org/document/7474896/ |
| [76] | Chen X, Chen X, Wu M, et al. Modeling and optimization method featuring multiple operating modes for improving carbon efficiency of iron ore sintering process[J]. Control Engineering Practice, 2016, 54: 117–128. DOI:10.1016/j.conengprac.2016.05.007 |
| [77] | Du S, Wu M, Chen X, et al. Design of an optimization and control system for carbon efficiency in the green manufacturing of sinter ore[C]//Proceedings of the 36th Chinese Control Conference. Piscataway, NJ, USA: IEEE, 2017: 4470-4475. |