从浅层到深层：一种基于相关网络表示的回归框架，用于建模和监控高炉炼铁过程中的质量指标（MIQ）驱动因素

铁制造过程实时监控中，基于浅层到深层关联网络回归（Sh-to-De CNRR）的模型创新融合神经网络与典型相关分析，通过浅层关联网络特征学习（CNR）结合双逆网络构建显式模型，并扩展为层次化深度模型捕捉非线性信息，经理论与实际案例验证显著优于现有方法。

　　

摘要：

炼铁过程（IP）对现代钢铁工业至关重要，实时监测对于实现低能耗下的高质量熔铁（MIQ）至关重要。尽管基于神经网络的模型展现了一些有希望的结果，但它们通常受到诸如特征学习可解释性问题等不可忽视的局限性的影响。为了解决这些问题，我们提出了一种基于浅层到深层相关网络表示回归（Sh-to-De CNRR）的新概念。我们的方法，即浅层相关网络表示回归（ShCNRR），结合了神经网络和典型相关分析的思想，通过浅层相关网络表示（CNR）生成可解释的特征。然后通过一个双逆网络得到明确的模型输出，利用了浅层CNR。为了捕捉更深层次的非线性信息，我们将ShCNRR扩展为分层深度相关网络表示回归（DeC-NRR）模型，该模型采用了堆叠的神经网络结构，使我们能够从过程数据中学习更深的CNR。我们的提议的可行性和优势通过理论推导和实际炼铁案例得到了验证，这些案例包括一个MIQ回归任务和三个与MIQ相关的故障检测任务。结果表明，高度融合的统计和神经网络模型比当前的先进模型具有更好的监测性能，而统计测试也验证了特征挖掘的有效性。本文的初步版本在第34届中国过程控制会议（CPCC）上进行了展示，并获得了张中军院士最佳论文奖。在此基础上，本研究显著扩展了理论框架，并结合了全面的实验分析，以增强原始工作。

引言

钢铁生产是人类进步最重要的成就和驱动力之一。从4000年前的熔炉到今天的现代化生产线，钢铁工业已成为所有工业化国家的支柱，形成了一个庞大而复杂的生产系统[1]–[5]。铁矿石从矿山开始，经过烧结后在高炉中还原为热铁。随后，在转炉中转化为钢，最终轧制成各种规格的钢铁产品。这一完整过程可以分为炼铁前准备、炼铁、炼钢和轧制阶段。其中，高炉是最关键的设备，因为它负责将铁矿石转化为热铁。图1(a)展示了一个典型的炼铁过程（IP）示意图。原材料吸收热量，含铁化合物随着炉料逐渐下降而被还原。粉煤和加热空气从底部进入炉内，剧烈燃烧产生大量的还原气体（CO、H₂等）来还原原材料。最终，熔铁在炉腔中积累，而杂质则形成浮在上面的炉渣[6]，[7]。