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。
杨春节，浙江大学教授，博士生导师。先后主持或作为主要技术骨干承担国家自然科学基金项目7项、国家“863”计划项目6项、国家科技攻关计划2项。研究成果获2004年度浙江省科技进步一 等奖1项，2005年陕西省科技进步一 等奖1项，2006年国家科技进步二等奖1项，2007年教育部科技进步一 等奖1项，2009年教育部科技进步二等奖1项，2010年中华全国工商业联合会科技进步一 等奖1项，2013年国家科技进步一 等奖1项。授权或公开发明专利30余项、软件著作权20余项，发表学术论文100余篇。被评浙江大学2003年度优秀教师和2007年度先进工作者，2007年入选浙江省新世纪“151”人才计划，2013年浙江省优 秀科技工作者。 主要学术兼职：IEEESeniorMember，中国自动化学会高 级会员，中国自动化学会过程控制专委会委员，技术过程故障诊断与安全性专委会委员，中国通用机械工业协会能量回收装置分会委员，浙江省智能制造专家委员会委员，浙江省节能减排监测控制专委会委员。
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
书单推荐
