第1章 緒論001 1.1 引言001 1.2 高爐煉鐵過程軟測(cè)量問題描述005 1.2.1 軟測(cè)量技術(shù)的必要性005 1.2.2 過程數(shù)據(jù)的特征歸納007 1.3 高爐煉鐵過程軟測(cè)量研究現(xiàn)狀008 1.3.1 現(xiàn)有數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量方法008 1.3.2 數(shù)據(jù)驅(qū)動(dòng)的高爐煉鐵過程質(zhì)量軟測(cè)量方法研究現(xiàn)狀011 參考文獻(xiàn)014 第2章 高爐鐵水質(zhì)量軟測(cè)量的Elman 神經(jīng)網(wǎng)絡(luò)方法019 2.1 高爐煉鐵過程的多尺度特性辨識(shí)019 2.1.1 多尺度概念019 2.1.2 Hilbert-Huang 變換020 2.1.3 高爐鐵水硅含量的多尺度分析022 2.2 鐵水硅含量預(yù)測(cè)建模的理論基礎(chǔ)025 2.2.1 變量的選擇026 2.2.2 Elman 神經(jīng)網(wǎng)絡(luò)031 2.3 過程變量驅(qū)動(dòng)的EMD-Elman 鐵水硅含量預(yù)測(cè)035 2.4 質(zhì)量變量驅(qū)動(dòng)的EMD-Elman 鐵水硅含量預(yù)測(cè)036 2.5 案例分析037 2.5.1 基于過程變量的改進(jìn)型EMD-Elman 神經(jīng)網(wǎng)絡(luò)在鐵水硅含量預(yù)測(cè)中的應(yīng)用037 2.5.2 基于質(zhì)量變量的改進(jìn)型EMD-Elman 神經(jīng)網(wǎng)絡(luò)在鐵水硅含量預(yù)測(cè)中的應(yīng)用051 參考文獻(xiàn)057 第3章 高爐鐵水質(zhì)量軟測(cè)量的Adaboost 方法059 3.1 神經(jīng)網(wǎng)絡(luò)與Adaboost 算法理論基礎(chǔ)059 3.1.1 反向傳播神經(jīng)網(wǎng)絡(luò)與Elman 神經(jīng)網(wǎng)絡(luò)概述059 3.1.2 Adaboost 強(qiáng)回歸器算法060 3.1.3 Adaboost 強(qiáng)分類器算法062 3.2 高爐鐵水硅含量的Elman-Adaboost 回歸預(yù)測(cè)模型064 3.2.1 問題描述064 3.2.2 多變量Elman-Adaboost 強(qiáng)回歸器065 3.2.3 單變量Elman-Adaboost 強(qiáng)回歸器066 3.2.4 案例分析068 3.3 高爐鐵水硅含量的Elman-Adaboost 分類預(yù)測(cè)模型073 3.3.1 問題描述073 3.3.2 多變量Elman-Adaboost 強(qiáng)分類器073 3.3.3 單變量Elman-Adaboost 強(qiáng)分類器076 3.3.4 案例分析077 3.4 回歸預(yù)測(cè)與分類預(yù)測(cè)信息融合的模糊邏輯控制方法082 3.4.1 問題描述082 3.4.2 模糊邏輯控制介紹082 3.4.3 回歸預(yù)測(cè)與分類預(yù)測(cè)信息融合084 參考文獻(xiàn)087 第4章 高爐鐵水質(zhì)量軟測(cè)量的模糊神經(jīng)網(wǎng)絡(luò)方法090 4.1 互信息法特征選擇090 4.1.1 特征選擇090 4.1.2 熵增定義091 4.1.3 互信息法092 4.2 滑動(dòng)窗口模型093 4.3 模糊神經(jīng)網(wǎng)絡(luò)算法094 4.4 案例分析096 參考文獻(xiàn)102 第5章 高爐鐵水質(zhì)量軟測(cè)量的循環(huán)神經(jīng)網(wǎng)絡(luò)方法104 5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)104 5.2 門控循環(huán)神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)105 5.3 注意力機(jī)制理論基礎(chǔ)106 5.4 高爐鐵水質(zhì)量的改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)軟測(cè)量方法108 5.4.1 處置門門控循環(huán)神經(jīng)網(wǎng)絡(luò)108 5.4.2 嵌入特征-時(shí)間注意力的門控循環(huán)神經(jīng)網(wǎng)絡(luò)110 5.5 案例分析117 5.5.1 處置門門控循環(huán)神經(jīng)網(wǎng)絡(luò)在硅含量軟測(cè)量中的應(yīng)用117 5.5.2 嵌入特征-時(shí)間注意力的門控循環(huán)神經(jīng)網(wǎng)絡(luò)在硅含量軟測(cè)量中的應(yīng)用119 參考文獻(xiàn)126 第6章 燒結(jié)礦質(zhì)量指標(biāo)軟測(cè)量的循環(huán)神經(jīng)網(wǎng)絡(luò)方法127 6.1 動(dòng)態(tài)時(shí)間特征擴(kuò)展與提取的門控循環(huán)神經(jīng)網(wǎng)絡(luò)127 6.1.1 燒結(jié)過程質(zhì)量指標(biāo)127 6.1.2 動(dòng)態(tài)時(shí)間特征擴(kuò)展和提取預(yù)測(cè)模型128 6.1.3 案例分析132 6.2 半監(jiān)督動(dòng)態(tài)時(shí)間特征擴(kuò)展與提取的門控循環(huán)神經(jīng)網(wǎng)絡(luò)137 6.2.1 半監(jiān)督動(dòng)態(tài)時(shí)間特征擴(kuò)展和提取模型137 6.2.2 案例分析142 6.3 多源數(shù)據(jù)融合的燒結(jié)質(zhì)量預(yù)測(cè)模型148 6.3.1 燒結(jié)多源異構(gòu)數(shù)據(jù)特性148 6.3.2 多源數(shù)據(jù)融合的軟測(cè)量模型151 6.3.3 案例分析157 參考文獻(xiàn)160 第7章 多源數(shù)據(jù)與知識(shí)融合的燒結(jié)礦質(zhì)量軟測(cè)量方法161 7.1 專家知識(shí)圖像特征提取理論基礎(chǔ)163 7.2 深層圖像特征提取理論基礎(chǔ)164 7.2.1 殘差學(xué)習(xí)模塊164 7.2.2 壓縮-激勵(lì)模塊165 7.2.3 SE-ResNet 166 7.3 Autoformer 理論基礎(chǔ)167 7.4 MIF-Autoformer 燒結(jié)礦軟測(cè)量模型170 7.5 案例分析172 7.5.1 數(shù)據(jù)采集與多源信息融合172 7.5.2 圖像特征提取173 7.5.3 實(shí)驗(yàn)結(jié)果分析177 7.5.4 消融實(shí)驗(yàn)178 7.5.5 超參數(shù)設(shè)置與調(diào)整181 參考文獻(xiàn)182 第8章 燒結(jié)礦質(zhì)量指標(biāo)軟測(cè)量的多模態(tài)信息融合方式與拓展184 8.1 多模態(tài)信息融合理論基礎(chǔ)184 8.2 初步信息融合的燒結(jié)礦質(zhì)量指標(biāo)軟測(cè)量模型185 8.3 不對(duì)稱信息融合的燒結(jié)礦質(zhì)量指標(biāo)軟測(cè)量模型186 8.4 深度信息融合的燒結(jié)礦質(zhì)量指標(biāo)軟測(cè)量模型186 8.4.1 時(shí)間序列分支188 8.4.2 圖像分支190 8.4.3 整體模型架構(gòu)193 8.5 半監(jiān)督深度信息融合的燒結(jié)礦質(zhì)量指標(biāo)軟測(cè)量模型195 8.5.1 時(shí)序特征提取198 8.5.2 時(shí)序特征交互200 8.5.3 解碼與預(yù)測(cè)201 8.6 后期信息融合的燒結(jié)礦質(zhì)量指標(biāo)軟測(cè)量模型203 8.7 案例分析204 8.7.1 燒結(jié)礦質(zhì)量指標(biāo)多模態(tài)融合軟測(cè)量204 8.7.2 燒結(jié)礦質(zhì)量指標(biāo)多模態(tài)融合半監(jiān)督軟測(cè)量210 參考文獻(xiàn)215 第9章 基于工業(yè)互聯(lián)網(wǎng)的軟測(cè)量APP 開發(fā)及應(yīng)用218 9.1 工業(yè)互聯(lián)網(wǎng)平臺(tái)架構(gòu)219 9.2 工業(yè)互聯(lián)網(wǎng)平臺(tái)搭建221 9.2.1 容器化技術(shù)221 9.2.2 容器編排224 9.2.3 集群管理227 9.3 數(shù)字孿生系統(tǒng)構(gòu)建231 9.3.1 煉鐵流程數(shù)字孿生系統(tǒng)技術(shù)架構(gòu)231 9.3.2 數(shù)字孿生體構(gòu)建233 9.4 基于工業(yè)互聯(lián)網(wǎng)的高爐煉鐵過程數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量的實(shí)現(xiàn)235 9.4.1 高爐煉鐵過程孿生數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量235 9.4.2 應(yīng)用實(shí)例237 參考文獻(xiàn)240