高炉炼铁过程关键质量指标软测量是国际公认的挑战性难题。本书从数据驱动的角度，系统性总结和阐述了作者及其团队10 余年来在高炉炼铁过程关键质量指标软测量技术的系列研究成果，主要包括高炉铁水质量软测量、烧结矿质量软测量与工业应用三个部分。针对高炉炼铁过程数据的滞后性、非线性、高维共线性、动态性、多源异构以及标签稀少等特征，在高炉铁水质量软测量部分，重点介绍Elman 神经网络、Adaboost 集成学习、模糊神经网络和循环神经网络等软测量方法；在烧结矿质量软测量部分，重点介绍Transformer 模型和多模态信息融合软测量方法；在工业应用部分，主要阐述工业互联网平台搭建、数字孪生体构建和应用实例。
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，也可供相关专业的工程技术和设备运维人员参考。

第1章 绪论001
1.1 引言001
1.2 高炉炼铁过程软测量问题描述005
1.2.1 软测量技术的必要性005
1.2.2 过程数据的特征归纳007
1.3 高炉炼铁过程软测量研究现状008
1.3.1 现有数据驱动软测量方法008
1.3.2 数据驱动的高炉炼铁过程质量软测量方法研究现状011
参考文献014

第2章 高炉铁水质量软测量的Elman 神经网络方法019
2.1 高炉炼铁过程的多尺度特性辨识019
2.1.1 多尺度概念019
2.1.2 Hilbert-Huang 变换020
2.1.3 高炉铁水硅含量的多尺度分析022
2.2 铁水硅含量预测建模的理论基础025
2.2.1 变量的选择026
2.2.2 Elman 神经网络031
2.3 过程变量驱动的EMD-Elman 铁水硅含量预测035
2.4 质量变量驱动的EMD-Elman 铁水硅含量预测036
2.5 案例分析037
2.5.1 基于过程变量的改进型EMD-Elman 神经网络在铁水硅含量预测中的应用037
2.5.2 基于质量变量的改进型EMD-Elman 神经网络在铁水硅含量预测中的应用051
参考文献057

第3章 高炉铁水质量软测量的Adaboost 方法059
3.1 神经网络与Adaboost 算法理论基础059
3.1.1 反向传播神经网络与Elman 神经网络概述059
3.1.2 Adaboost 强回归器算法060
3.1.3 Adaboost 强分类器算法062
3.2 高炉铁水硅含量的Elman-Adaboost 回归预测模型064
3.2.1 问题描述064
3.2.2 多变量Elman-Adaboost 强回归器065
3.2.3 单变量Elman-Adaboost 强回归器066
3.2.4 案例分析068
3.3 高炉铁水硅含量的Elman-Adaboost 分类预测模型073
3.3.1 问题描述073
3.3.2 多变量Elman-Adaboost 强分类器073
3.3.3 单变量Elman-Adaboost 强分类器076
3.3.4 案例分析077
3.4 回归预测与分类预测信息融合的模糊逻辑控制方法082
3.4.1 问题描述082
3.4.2 模糊逻辑控制介绍082
3.4.3 回归预测与分类预测信息融合084
参考文献087

第4章 高炉铁水质量软测量的模糊神经网络方法090
4.1 互信息法特征选择090
4.1.1 特征选择090
4.1.2 熵增定义091
4.1.3 互信息法092
4.2 滑动窗口模型093
4.3 模糊神经网络算法094
4.4 案例分析096
参考文献102

第5章 高炉铁水质量软测量的循环神经网络方法104
5.1 循环神经网络理论基础104
5.2 门控循环神经网络理论基础105
5.3 注意力机制理论基础106
5.4 高炉铁水质量的改进循环神经网络软测量方法108
5.4.1 处置门门控循环神经网络108
5.4.2 嵌入特征-时间注意力的门控循环神经网络110
5.5 案例分析117
5.5.1 处置门门控循环神经网络在硅含量软测量中的应用117
5.5.2 嵌入特征-时间注意力的门控循环神经网络在硅含量软测量中的应用119
参考文献126

第6章 烧结矿质量指标软测量的循环神经网络方法127
6.1 动态时间特征扩展与提取的门控循环神经网络127
6.1.1 烧结过程质量指标127
6.1.2 动态时间特征扩展和提取预测模型128
6.1.3 案例分析132
6.2 半监督动态时间特征扩展与提取的门控循环神经网络137
6.2.1 半监督动态时间特征扩展和提取模型137
6.2.2 案例分析142
6.3 多源数据融合的烧结质量预测模型148
6.3.1 烧结多源异构数据特性148
6.3.2 多源数据融合的软测量模型151
6.3.3 案例分析157
参考文献160

第7章 多源数据与知识融合的烧结矿质量软测量方法161
7.1 专家知识图像特征提取理论基础163
7.2 深层图像特征提取理论基础164
7.2.1 残差学习模块164
7.2.2 压缩-激励模块165
7.2.3 SE-ResNet 166
7.3 Autoformer 理论基础167
7.4 MIF-Autoformer 烧结矿软测量模型170
7.5 案例分析172
7.5.1 数据采集与多源信息融合172
7.5.2 图像特征提取173
7.5.3 实验结果分析177
7.5.4 消融实验178
7.5.5 超参数设置与调整181
参考文献182

第8章 烧结矿质量指标软测量的多模态信息融合方式与拓展184
8.1 多模态信息融合理论基础184
8.2 初步信息融合的烧结矿质量指标软测量模型185
8.3 不对称信息融合的烧结矿质量指标软测量模型186
8.4 深度信息融合的烧结矿质量指标软测量模型186
8.4.1 时间序列分支188
8.4.2 图像分支190
8.4.3 整体模型架构193
8.5 半监督深度信息融合的烧结矿质量指标软测量模型195
8.5.1 时序特征提取198
8.5.2 时序特征交互200
8.5.3 解码与预测201
8.6 后期信息融合的烧结矿质量指标软测量模型203
8.7 案例分析204
8.7.1 烧结矿质量指标多模态融合软测量204
8.7.2 烧结矿质量指标多模态融合半监督软测量210
参考文献215

第9章 基于工业互联网的软测量APP 开发及应用218
9.1 工业互联网平台架构219
9.2 工业互联网平台搭建221
9.2.1 容器化技术221
9.2.2 容器编排224
9.2.3 集群管理227
9.3 数字孪生系统构建231
9.3.1 炼铁流程数字孪生系统技术架构231
9.3.2 数字孪生体构建233
9.4 基于工业互联网的高炉炼铁过程数据驱动软测量的实现235
9.4.1 高炉炼铁过程孪生数据驱动软测量235
9.4.2 应用实例237
参考文献240

钢铁工业是国民经济的重要支柱产业，是关乎工业稳定增长、经济平稳运行、绿色低碳发展的重要领域。我国钢铁工业经过几十年的发展，形成了庞大的生产规模，至2021年末，我国钢铁工业规模以上企业达5640家，粗钢产量连续多年位居世界第一。国家统计局数据显示，2022 年我国粗钢产量为101300万吨。我国已成为世界钢铁生产和消费大国，但是钢铁工业的发展面临着生产综合能效低、环境负荷重、事故风险大等重大共性问题，这是我国由钢铁大国向钢铁强国跨越必须解决的关键难题。
在钢铁制造流程中，高炉炼铁过程是能耗最大、排放最多、成本最高的关键环节。在高炉炼铁过程中，产品关键质量指标由工人定期抽样并经一系列物理化学实验获得，滞后性强且成本较高，严重降低了产品质量控制的时效性。因此，关键质量指标的软测量是钢铁企业智能化提升的重要组成部分，及时观测关键质量指标，为生产现场提供实时的质量参考依据，对炼铁过程平稳运行、提质增效、节能减排具有重要意义。
本书是一本专注于高炉炼铁过程软测量技术的专业著作。针对高炉炼铁过程实际工程问题和需求，作者及其团队在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”、工信部工业互联网创新发展项目“基于工业互联网平台的炼铁生产线数字孪生系统”等支持下，深入实际工业现场开展研究，提出了一系列先进的数据驱动软测量方法，并采用数值实验、实际高炉炼铁过程数据进行了充分验证，部分工作进行了实际工程应用。研究成果已在IEEE Transactions on Industrial Informatics、IEEE Transactions on Automation Science and Engineering、IEEE Transactions on Instrumentation and Measurement、Information Sciences、Journal of Process Control、Industrial & Engineering Chemistry Research 等国际权威期刊发表。本书正是这些已发表研究成果的系统性总结、凝练和进一步提升。
本书共分4部分：第1部分是关于高炉炼铁过程数据驱动软测量的绪论；第2部分详细介绍了数据驱动的高炉铁水质量软测量方法；第3部分总结了数据驱动的烧结矿质量软测量方法；第4部分叙述了基于工业互联网的炼铁过程数据驱动软测量APP的开发及应用。其中，第2部分共包含4章，主要涵盖了高炉铁水质量软测量的Elman神经网络、Adaboost集成学习、模糊神经网络、循环神经网络等方法；第3部分共包含3章，主要介绍了烧结矿质量软测量的循环神经网络、Transformer模型、多模态信息融合等方法。每章均包含多种方法，逐步递进或针对不同问题提出。
本书涉及的研究工作得到了诸多科研项目的持续支持。在此要特别感谢国家自然科学基金重大项目(61290320)和重点项目(61933015)、工信部工业互联网创新发展项目(TC19084DY)、国家“863”计划项目(2012AA041709)等的资助。
本书的研究工作及相关项目执行得到了广西柳州钢铁集团有限公司的大力支持，特别是广西柳州钢铁集团有限公司施沛润副总经理，广西柳钢东信科技有限公司张海峰董事长和苏志祁博士，柳钢炼铁厂莫朝兴厂长、谢庆生书记、首席技术官李明亮高工、2号高炉范磊书记和丘未名主任等给予了坚定支持与无私帮助，在此表示衷心感谢。
在本书涉及的诸多科研工作中，作者的博士和硕士研究生宋菁华、庄田、周恒、李俊方、李宇轩等作出贡献，在此表示感谢。此外，本书撰写过程中，作者的学生孔丽媛、闫夺今、朱雄卓、赵雨辰、牟俊锦、许永泓参与了整理工作，在此一并表示感谢。
本书限于作者的水平和实践经验，难免存在不完善或不妥之处，恳请广大读者批评指正。

著者