高炉炼铁过程监控与异常炉况诊断

我的博士课题研究的是“数据驱动的高炉炼铁过程异常炉况诊断方法研究”,在这个过程中我对高炉炼铁过程的基本原理、异常炉况的特征和影响、异常炉况诊断的方法都有一定了解,做了简单的总结。这篇博客的主要内容来自我的博士论文。

背景介绍

随着科技水平的逐步提高和工业技术的不断进步,现代工业生产规模日益扩大、工艺流程愈发复杂,对工业生产的可靠性、安全性、经济性等都提出了更高的要求。工业生产过程发生故障后如果没有被及时发现和正确处理,就有可能发生连锁反应,导致严重事故的发生,造成重大经济损失,甚至造成环境污染和人员伤亡。例如,1984年12月3日,设于印度博帕尔市的美国联合碳化物公司的一家农药厂发生氰化物泄漏,该事故在三天内导致超过8000人死亡,共造成超过55万人中毒[1];又如,2013年11月22日,青岛市中石化输油管线发生泄漏,在处置过程中发生爆燃,造成62人遇难、9人失踪、136人受伤[2]。

实际上,很多灾难性事件的发生都是因为系统的微小异常或故障没有能够在早期被及时发现,随着时间推移最终演变为重大事故。因此,对工业系统进行实时监控,及早检测异常并确定其异常原因,对于保证工业过程的安全稳定生产具有重大意义。

20世纪70年代以来,故障诊断逐渐成为国内外学者研究的热点[3]。故障诊断的基本思想是寻找过程测量数据中的解析冗余关系,以解析冗余代替硬件冗余,通过分析过程数据与异常数据的区别、不同类型异常之间数据的区别,实现故障的检测、分离和辨识等[4]。在几十年的发展历程中,故障诊断领域涌现出了许多方法。而其中,以石油化工[5]、制药[6]、半导体[7]等过程工业为研究对象的过程故障诊断,更是故障诊断的研究和实践的重要领域[8]。

钢铁工业是现代工业的支柱,随着我国工业化进程的推进,我国的钢铁产量也迅速增长,1996年我国钢铁产量突破一亿吨,至今已经连续20年占据世界首位,其中我国的生铁产量占到全世界总产量的一半以上;而近年来,在我国的国民经济生产中,钢铁行业占我国的GDP比重达到10%以上[9]。由此可见,钢铁工业在我国工业与经济中的重要地位。然而,虽然我国是钢铁生产大国,但是我国的钢铁生产水平与世界先进水平相比还有一定的差距。在未来很长一段时间内,工艺流程的优化和生产技术的创新,将是我国钢铁工业发展的重要任务[10]。

钢铁工业是一种典型的流程工业,流程工业的特点是其工序是上下串联连接的,其中某一个工序出现问题就会影响整个流程;而钢铁工业与其它过程工业的一个重要区别是,其整个流程是高温冶金过程,一旦发生事故,可能会造成重大的财产、人员损失。

而在整个钢铁工业流程中,高炉冶炼又是其中控制难度最大、能耗占比最高的环节[11],显然高炉炼铁过程至关重要。社会经济的发展,要求高炉冶炼不断提高工艺水平、降低能源和资源消耗,而保证高炉冶炼稳定、有序进行,是提高生产效率和水平的重要举措。但是高炉炼铁生产环境恶劣、原燃料性能和质量变化、周边设备的故障、操作人员存在失误等原因,使得炼铁过程中时常发生异常炉况,这些异常炉况如果不能被及时发现和处理,就可能进一步发展为重大事故。可以说,高炉异常炉况与事故是钢铁工业发展道路上的重大阻碍[10]。因此,高炉炼铁过程的异常炉况早期检测和诊断,对于保证高炉炼铁生产的安全稳定进行、提高高炉冶炼的工艺水平具有重要意义。

但是,高炉炼铁的异常炉况诊断也存在着许多困难。例如,高温、粉尘的恶劣生产环境,使得难以对高炉内部进行有效测量;复杂的物理化学反应,使得难以构建高炉炼铁的精确模型。因此,高炉炼铁的过程监控和异常炉况诊断,不仅具有重要的实践应用价值,也具有非常高的学术研究价值。但是,与石油化工等行业故障诊断方法得到深入研究和广泛应用的情况不同,高炉炼铁过程中异常炉况的早期检测和诊断,无论是在应用上还是在研究上都相对有限。

从20世纪80年代开始,日本、欧美等国开始研究高炉炼铁异常炉况诊断[12],可以在一定程度上避免异常炉况的恶化和严重事故的发生,提高了高炉炼铁的自动化水平和生产效益。早期的高炉监控和异常诊断主要以专家系统为主,但是由于我国原燃料质量较差且波动大,从国外引进的专家系统在我国的炼铁生产中应用效果不佳,目前我国的高炉生产中仍然以人工操作为主。近年来,有学者研究基于模式识别的高炉异常炉况诊断方法,但是受到了历史样本稀缺等问题的限制。因此,高炉炼铁过程的异常炉况诊断中有许多问题有待研究和解决。

总之,高炉炼铁异常炉况诊断相对起步较晚,但无论是在理论研究上还是在实际使用中都有重要价值。本文以高炉炼铁过程为研究对象,针对高炉炼铁过程故障诊断问题,研究如何利用多变量统计分析、机器学习等数据驱动的方法处理高炉炼铁过程监控、异常炉况分类以及高炉历史过程数据挖掘等问题。

高炉炼铁过程基本知识

高炉炼铁过程简介

高炉炼铁是钢铁工业最重要的工序之一,是用焦炭、煤等还原剂在高温下从含铁原料(包括铁矿石、球团矿、烧结矿等)还原出液态生铁的连续生产过程[13]。一个完整的高炉炼铁系统如图1.1所示,包括高炉本体、供料系统、燃料喷吹系统、煤气处理系统和渣铁处理系统等[14; 15]。其中高炉本体作为炼铁过程各种物料发生物理化学反应的容器,是高炉炼铁过程的核心。
在高炉炼铁过程中,含铁原料、焦炭和熔剂等固相原料,按照一定的配料比从高炉上部送入高炉,而热风、富氧、喷吹燃料(如煤粉或燃油)等则由高炉下部送入高炉。在高炉内部,上部送入的固相原料向下运动,而下部送入的气相原料则向上运动,在物料相对运动的过程中,焦炭与氧气反应燃烧,产生还原性气体,放出热量,含铁氧化物被焦炭、还原性气体等逐步还原;最终液态铁水和固态的炉渣从高炉底部排出,并按照密度的不同被分离,而反应过后的高炉煤气则由高炉顶部排出[16]。

因此,高炉本质上是一种竖炉反应器,从传输原理的观点来看,高炉炼铁的本质是在高温、高压的竖炉内,相向运动、相互反应的物质流和能量流的传热、传质和相变过程,而参与其中的物理流与能量流的任何变化都会对炼铁过程产生影响[10]。如下图所示,在这一过程中,高炉内部的温度、物相等的变化剧烈、分布复杂,例如炉顶上部加入的含铁原料和焦炭全部为固相、其温度接近室温,而炉料随着下落逐步软化形成固液气三相混合的软熔带,继续往下则逐渐成为液相,温度可以达到 [11]。

高炉炼铁的目标是稳定均衡、高效率地生产优质铁水,实质上就是要求高炉内部尽量保持优化平衡的状态。因此,高炉操作的首要任务是保持炉况顺行,以较低的资源消耗取得较高的产量。高炉操作制度按照控制方式,可以分为四类,即送风制度、装料制度、造渣制度和热制度。在高炉操作的基本原则是“四稳一活”,即四种操作制度要稳定、炉况工作要均匀活跃[18]。

高炉炼铁工艺流程示意图

但是,高炉内部反应复杂,受各种因素影响,经常会出现异常炉况,具体表现为炉料顺行被破坏、炉内热量失衡等现象,引起生铁的产量和质量下降、炼铁能耗升高、休风停产等后果,严重时会演变为重大事故,造成设备损坏,缩短高炉炉龄。

高炉内部结构示意图

高炉异常炉况简介

在高炉炼铁过程中,造成高炉炉况波动主要有以下几种因素[19]:

  1. 原燃料物理性能和化学成分的变化。例如,我国许多钢铁厂采用的矿石品位较低、炉料结构不稳定,同时焦炭的强度、水分、灰分等也存在波动。
  2. 气候条件的变化。外界大气的温度、湿度会影响原燃料的含水量,水分进入高炉会影响炉况。
  3. 人工操作的失误或偏差。目前我国大多数高炉的炉况判断和控制主要依靠人工操作,而人的判断失误或者操作的偏差可能会导致炉况波动。
  4. 高炉相关设备的故障。如炉顶装料设备故障、煤粉喷吹设备发生堵塞等。

高炉炼铁过程中可能发生的异常炉况,主要包括以下几类[10; 18]:

  1. 低料线。当高炉料面低于规定料线0.5m以上,并且持续时间超过1小时,则为低料线。
  2. 滑料。炉料突然塌落的现象称为滑料,也叫崩料或塌料,反映为料尺的突然下降。连续不断或者经常性的滑料称为连续滑料。滑料在发生前,往往有风量和风压曲线不稳定且波动加大、炉顶煤气温度变化频繁、温度带变宽等征兆。
  3. 悬料。炉料停止下降,持续时间超过两批料,称为悬料。连续发生两次以上的悬料,称为连续悬料。悬料发生前,炉况往往开始出现难行,风压和压差持续升高、风量自动下降、顶压和透气性指数降低等均为高炉发生悬料的征兆。
  4. 管道行程。管道行程,简称管道,是高炉内部某一局部区域内气流过分发展的现象。管道发生前,风压和风量逐渐不对称,风压下降,透气性指数相对增大,风量有自动增大的趋势,且波动范围超出正常水平。
  5. 炉凉。高炉出炉铁水的物理热低于正常水平,铁水含硅量偏低而含硫量偏高,同时渣铁的流动性变差、炉况顺行情况变差,视为炉凉。如果炉凉没有得到及时处理,炉温进一步降低,则会导致渣铁无法分离,炉缸变成半凝固甚至凝固状态,则称为炉缸冻结。炉凉时会有风口发暗、风量和风压不稳定、风压升高、风量减少等征兆。
  6. 炉缸堆积。正常情况下,炉料经过加热、还原,最终会以渣铁的形态进入炉缸,而炉缸堆积,是指由于尚未还原的炉料与焦炭一起进入炉缸,形成一个渣焦死料堆的不冶炼区,破坏炉缸正常工作。
  7. 炉墙结厚和高炉结瘤。冶炼过程中,处于软熔态的炉料由于多种因素黏附在高炉炉墙内侧的耐火材料或冷却壁上,黏附物厚度超出正常范围且不易脱落,破坏了正常炉型,称为炉墙结厚。高炉结瘤则是炉墙结厚进一步发展的结果。现代高炉随着原燃料改善、监测系统的完善,一般不易出现炉墙结瘤。

通过现场调研,我们得知高炉操作中最容易出现同时也是操作人员最为关心的异常炉况主要为悬料、滑料、管道等,而如前所述,这些异常炉况往往在发展初期有一定的征兆。如果能够采用故障诊断的方法,比人工监控的方法更早地发现异常炉况征兆,并确定异常类型,则能够指导操作人员及时采取操作,避免炉况恶化。

高炉异常炉况诊断现状

高炉异常炉况诊断难点

高炉异常炉况诊断的难点,很大程度上是由于高炉炼铁过程的生产特点决定的,主要概括为以下几点:

  1. 高炉内部是个非线性、分布式的系统。高炉内部固(炉料)、液(渣铁)、气(煤气)三相的复杂反应,沿高炉的纵向、径向和圆周方向都存在不均匀性,此外高炉可以工作在不同的工作点,不同的工作点之间存在非线性。
  2. 恶劣的生产环境,导致高炉内部直接测量的缺乏。高炉内为密闭的高温高压容器,高炉上部不断坠落的炉料、严重的粉尘,下部超过 的高温,一般的传感器无法正常工作,因此缺少内部状态的直接测量。但是在高炉的顶部和底部以及高炉的外部周边有较多的非直接测量数据。
  3. 高炉冶炼操作手段有限。虽然高炉操作制度包括送风制度、装料制度、造渣制度和热制度,但是实际上可以调剂炉况的主要是送风和上料,同时由于各种反应相互耦合,调节的范围也很有限。
  4. 输入参数的变化在炉况上的反映有很大的滞后性。对于一个容积2000立方米的高炉,其上部炉料的变化,到对铁水质量产生影响约滞后68小时;喷吹煤粉变化的滞后约为23小时;鼓风温度的变化滞后约1~2小时。
  5. 目前我国多数高炉冶炼仍然以人的经验判断和操作决策为主。虽然我国多数高炉都已经引入了过程自动化技术甚至专家系统,但是多数系统主要用于数据的采集、存储和可视化,只是在局部如鼓风流量等实现了闭环自动化,但是大部分的参数设定和操作执行,仍然需要人工操作。
  6. 缺乏异常炉况的历史记录。虽然多数高炉生产系统保留了高炉炼铁的过程数据,但是与正常数据相比,异常炉况的数据所占比例很小,而且许多异常炉况的数据缺乏标签,混杂在海量数据之中。

高炉异常炉况诊断方法综述

目前,高炉异常炉况诊断的方法主要包括三类:基于机理的方法、专家系统的方法和数据驱动的方法。

基于机理的异常炉况诊断方法,主要是通过高炉内部的动力学和热力学模型,利用料面温度场特征[20]、炉身静压[21]、煤气流量[22]等测量数据,估计高炉内部参数,从而判断高炉的炉况。常用的高炉模型包括高炉布料模型、软熔带模型等。但是,这些模型只是高炉内的局部模型,并不能反映高炉整体的运行情况;并且机理模型是在一定假设条件下的简化,也不能准确反映复杂的实际过程;此外,基于机理的异常炉况诊断方法还存在仿真计算量大等缺点。因此,基于机理的炉况诊断方法主要用于理论研究,很少用于实际应用[19]。

专家系统的方法,根据有经验的高炉冶炼专家的经验知识建立知识库,利用推理机模拟人的操作过程。自20世纪90年代以来,专家系统在高炉冶炼中得到了大力发展,成为应用最广泛的高炉异常炉况诊断方法。

日本川崎钢铁公司最早开发出了“Go-Stop”系统[23],并改进发展出“Advanced Go-Stop”(AGS)系统,具有判断炉况顺行或难行的功能。效仿日本的高炉专家系统,其他国家也开发了类似的专家系统。芬兰Rautamuldd公司在引进AGS系统的基础上,也开发出适用于自身高炉的专家系统[24],西门子和奥钢联合作开发了SIMETAL BF VAiron系统[25],此外还有法国的Sachem[26-28]、印度Tata钢铁公司的产品[29]等。国内也在高炉专家系统领域取得了一定的成果[30-33]。如首钢与北京科技大学自主研发的人工智能高炉冶炼专家系统在首钢2号高炉投入运行,上海宝钢在引进的“Go-Stop”系统基础上增加了高炉的数学模型,增强了系统的功能。

但是,由于以下原因,在我国的大多数钢铁公司,专家系统并没有获得真正的成功应用,人工判断和操作仍然是高炉冶炼的主要方式:

  • 我国炼铁的原燃料尤其是铁矿石品质无法得到保证、质量波动较大,导致炼铁的生产条件经常需要随之调整。
  • 高炉专家系统,只是将专家的经验和炼铁相关的知识以计算机的方式呈现,并不能根据每个高炉的特点、燃料和矿石的条件进行个性化的调整和设置。
  • 高炉冶炼是一个动态变化的过程,对知识和规则的更新有较高要求,但是高炉专家系统缺乏自学习能力,难以满足这一要求。
  • 在我国的高炉装备水平和原燃料质量等条件与国外钢铁公司存在显著差异的情况下,专家系统在我国许多炼铁厂更多用来规范操作和管理,而在异常炉况诊断方面并没有取得令人满意的应用成果。
  • 近年来,随着计算机技术和机器学习等学科的发展,数据驱动的方法在高炉异常炉况诊断上的应用逐渐引起研究者的关注。

通常而言,数据驱动的故障诊断方法包括基于机器学习的方法和基于多元统计分析的方法。在高炉异常炉况诊断中研究较多的是基于机器学习的方法,如基于支持向量机的方法和人工神经网络的方法。文献[34-39]提出了一系列基于支持向量机及其变形的高炉异常炉况诊断方法;文献[40]以最小二乘支持向量机的方法建立高炉十字测温模型,辅助分析炉况;文献[30]构建了基于BP神经网络的异常炉况判断系统。还有学者将神经网络与高炉机理相结合,利用人工神经网络分析高炉料面煤气流[41]、异常炉况规则[42]等,取得了一定的效果。

采用SVM或者神经网络等机器学习的方法,需要提供充足的故障样本作为训练集,才能保证测试乃至应用中的准确率,而在实际的高炉炼铁生产过程中,有明确记录的异常炉况往往是很少的。因此,有限的故障样本是限制机器学习方法在异常炉况诊断中应用的重要因素。

此外,与基于多元统计分析的故障诊断方法在石油化工等领域的广泛应用不同,此类方法在高炉异常炉况诊断中的研究相对较少,只有少数学者开展了相关工作[43; 44]。

致谢

感谢国家自然科学基金委员会重大项目“大型高炉高性能运行控制的基础理论与关键技术研究
”的《大型高炉非正常工况诊断与安全运行方法及实现技术》课题的资助。

衷心感谢我的恩师叶昊教授。叶老师为人淡泊名利、为学严谨求实,他的言传身教将使我终生受益。

感谢柳州钢铁集团的大力支持,为我提供了宝贵的高炉现场数据和现场学习的机会,感谢在此过程中张海峰部长、李明亮主任等诸多炼铁专家对我的指导。

参考文献

  1. 杜红岩. 由博帕尔事故分析石化企业工艺安全管理[J]. 安全. 健康和环境, 2011, 11(7): 5-8.
  2. 邹积强. 由中石化青岛管道燃爆重大事故就设备, 管线腐蚀与安全运行问题带给我们的警示和启发[J]. 全面腐蚀控制, 2014, (1): 41-41.
  3. Patton R J, Frank P M, Clarke R N. Fault diagnosis in dynamic systems: theory and application[M]. Prentice-Hall, Inc., 1989.
  4. Frank P M. Fault diagnosis in dynamic systems using analytical and knowledge-based redundancy: A survey and some new results[J]. Automatica, 1990, 26(3): 459-474.
  5. Alghazzawi A, Lennox B. Monitoring a complex refining process using multivariate statistics[J]. Control Eng. Pract., 2008, 16(3): 294-307.
  6. Hong J J, Zhang J, Morris J. Fault localization in batch processes through progressive principal component analysis modeling[J]. Ind. Eng. Chem. Res., 2011, 50(13): 8153-8162.
  7. Cherry G A, Qin S J. Multiblock principal component analysis based on a combined index for semiconductor fault detection and diagnosis[J]. Ieee. T. Semiconduct. M, 2006, 19(2): 159-172.
  8. 吴斌, 于春梅, 李强. 过程工业故障诊断[M]. 北京: 科学出版社, 2011.
  9. Wind资讯经济数据库. 上海: 万得信息技术股份有限公司, 2016.
  10. 张寿荣, 于仲杰. 高炉失常与事故处理[M]. 北京: 冶金工业出版社, 2012.
  11. 贾艳, 李文兴. 高炉炼铁基础知识[M]. 北京: 冶金工业出版社, 2010.
  12. Amano S, Takarabe T, Nakamori T, et al. Expert system for blast furnace operation at Kimitsu works[J]. ISIJ Int., 1990, 30(2): 105-110.
  13. Foundation A S. The Making, Shaping, and Treating of Steel: Ironmaking volume[M]. 2. AISE Steel Foundation, 1999.
  14. Peacey J, Davenport W. The iron blast furnace: Theory and practice. Pergamon Press (Oxford and New York), 1979: 34.
  15. Biswas A K. Principles of Blast Furnace Ironmaking: theory and practice[M]. Cootha, 1981.
  16. Geerdes M, Toxopeus H, Van Der Vliet C, et al. Modern Blast Furnace Ironmaking: An Introduction[M]. IOS Press, 2009.
  17. Zhou P, Yuan M, Wang H, et al. Multivariable dynamic modeling for molten iron quality using online sequential random vector functional-link networks with self-feedback connections[J]. Inform. Sciences, 2015, 325: 237-255.
  18. 周传典. 高炉炼铁生产技术手册[M]. 北京: 冶金工业出版社, 2002.
  19. 刘振. 基于贝叶斯网络 (Bayesian Networks) 方法的高炉故障诊断研究[D]. 武汉科技大学, 2015.
  20. 安剑奇, 吴敏, 何勇, et al. 基于料面温度场特征的高炉炉况诊断方法[J]. 浙江大学学报: 工学版, 2010, (7): 1276-1281.
  21. 李传辉, 安铭, 刘崇慧, et al. 应用炉身静压监测技术判断高炉炉况[J]. 炼铁, 2005, 24(5): 54-55.
  22. 梁剑波. 基于煤气流量的高炉炉况诊断系统设计及实现[D]. 中南大学, 2009.
  23. Okabe K. GO-STOP System- A New Controlling Method for Improving Stability in the Blast Furnace Operation[J]. Kawasaki Steel Technical Report, 1979, 11(1): 34-43.
  24. Inkala P, Karppinen A, Seppanen M. Computer systems for controlling blast furnace operations at Rautaruukki[J]. Iron and Steel Engineer, 1995, 72(8).
  25. Klinger A, Kronberger T, Schaler M, et al. Expert Systems Controlling the Iron Making Process in Closed Loop Operation[J], 2010.
  26. Frydman C, Le Goc M, Torres L, et al. The diagnosis approach used in SACHEM[C]. Working notes of the 12th International Workshop on Principles of Diagnosis (DX’01), 2001: 63-70.
  27. Le Goc M. SACHEM, a real-time intelligent diagnosis system based on the discrete event paradigm[J]. Simulation, 2004, 80(11): 591-617.
  28. Le Goc M, Frydman C, Torres L. Verification and validation of the SACHEM conceptual model[J]. International journal of human-computer studies, 2002, 56(2): 199-223.
  29. Ganguly A, Reddy A S, Kumar A. Process Visualization and Diagnostic Models Using Real Time Data of Blast Furnaces at Tata Steel[J]. ISIJ international, 2010, 50(7): 1010-1015.
  30. 杨尚宝,杨天钧. 基于神经网络的高炉异常炉况判断专家系统[J]. 北京科技大学学报, 1994, (06): 517-521.
  31. 刘金琨, 王树青. 高炉异常炉况神经网络专家系统[J]. 钢铁研究学报, 1998, (05): 71-74.
  32. 易粟, 徐用懋, 马竹梧. 高炉异常炉况诊断专家系统[J]. 冶金自动化, 2002, (01): 15-17+32.
  33. 唐芳纯. 基于模糊推理的高炉异常炉况预报专家系统研究及应用[D]. 重庆大学, 2008.
  34. Wang A, Zhang L, Gao N, et al. Fault diagnosis of blast furnace based on SVMs[C]. Intelligent Control and Automation, 2006. WCICA 2006. The Sixth World Congress on, 2006: 5615-5618.
  35. Wang A, Zhang L, Gao N. Fault diagnosis of blast Furnace based on DAGSVM[C]. Intelligent Systems, 2006 3rd International IEEE Conference on, 2006: 571-574.
  36. Tian H X, Wang A N. A Novel Fault Diagnosis System for Blast Furnace Based on Support Vector Machine Ensemble[J]. ISIJ Int., 2010, 50(5): 738-742.
  37. Liu L M, Wang A N, Sha M, et al. Multi-Class Classification Methods of Cost-Conscious LS-SVM for Fault Diagnosis of Blast Furnace[J]. J. Iron. Steel. Res. Int., 2011, 18(10): 17-+.
  38. Liu L M, Wang A N, Sha M, et al. Optional SVM for Fault Diagnosis of Blast Furnace with Imbalanced Data[J]. Isij International, 2011, 51(9): 1474-1479.
  39. Liu L-M, Wang A-N, Sha M, et al. Multi-Class Classification Methods of Cost-Conscious LS-SVM for Fault Diagnosis of Blast Furnace[J]. Journal of Iron and Steel Research, International, 2011, 18(10): 17-33.
  40. 唐振浩, 唐立新, 杨阳. 基于数据驱动和智能优化的高炉十字测温温度预报[J]. 信息与控制, 2014, 43(3): 355-360.
  41. 涂春林. 高炉炉顶煤气温度分布模式识别神经元网络的研究[D]. 武汉: 武汉科技大学, 2004.
  42. 李启会. 高炉冶炼过程的模糊辨识, 预测及控制 [D][D]. 浙江大学, 2005.
  43. Gamero F I, Colomer J, Meléndez J, et al. Predicting Aerodynamic Instabilities in a Blast Furnace[J]. Eng. Appl. Artif. Intel., 2006, 19(1): 103-111.
  44. Vanhatalo E. Multivariate Process Monitoring of an Experimental Blast Furnace[J]. Qual. Reliab. Eng. Int., 2009, 26(5): 495-508.
张da统帅 wechat
扫码订阅我的微信公众号