基于时间卷积网络的高炉工况评估与预测系统

《Engineering Applications of Artificial Intelligence》：Blast furnace conditions evaluation and prediction system based on temporal convolutional network

　　

**摘要**

精确的布料（装料）分配是智能炼铁中的核心挑战。然而，大多数现有的高炉工况预测方法仅依赖历史工况数据，忽略了控制变量，从而无法直接指导布料操作。为解决这一问题，本研究利用历史布料矩阵和工况数据，开发了一套高炉工况时间序列评估与预测系统。首先，构建了高炉工况历史数据库，并提出了一种九级分类方法。随后，建立了基于时间卷积网络的评估模型，用于评估高炉工况时间序列。进一步地，设计了一种具有双分支架构和加性融合机制的多维时间卷积网络，分别从历史工况序列和布料矩阵中提取特征，以预测未来高炉工况。最后，选取了五种常用的布料模式用于调节高炉工况，并根据评估结果推荐最合适的一种。仿真结果表明，所提出的方法能够有效评估和预测高炉工况，为布料分配决策提供预测性指导，并显示出提升产品质量和安全的潜力。

**引言**

高炉炼铁是一个复杂的过程，其核心步骤是通过还原反应将含铁量高的矿石转化为铁水。在高炉反应过程中，炉料从顶部装入，热风从底部鼓入。炉料和热风在高炉炉缸中经历复杂的化学反应。这种装料和鼓风操作会瞬间改变正在进行冶炼反应的参数，从而增加了工艺复杂性。高炉生产流程图如图1所示。布料操作直接影响运行稳定性和效率，涉及复杂的多因素、多变量调节，即使微小的波动也可能显著影响稳定性和产量。由于高炉内部状态的"黑箱"特性，精确的工况监测和预测仍然是具有挑战性的任务（Luo等，2023）。

高炉炼铁发生在高温、高压、高粉尘的封闭环境中，这导致系统具有非线性、时滞性和噪声特性。操作人员通常依赖经验，这导致高炉工况在"稳定—恶化—稳定"状态之间振荡。因此，准确评估和预测高炉工况至关重要。在缺乏精确检测方法和数学模型的情况下，数据驱动方法已成为高炉工况监测的主要解决方案（Zhou等，2017；Zhou等，2022；Yu和Shen，2022；Zhang等，2022）。

早期研究主要集中于专家系统。例如，川崎的Go-Stop系统（Yamamoto等，1990）、Voestalpine的VAiron系统（Trofimov，2020）、瑞典高炉的智能报警系统（Xu和Xu，2022）以及SOLLAC监测系统（Shirshov和Druzhkov，2015）。然而，专家系统存在实时能力不足、学习能力有限和适应性差等缺陷。随着机器学习的发展，大量研究已围绕高炉参数预测展开。Jian等利用最小二乘支持向量机和滑动窗口平滑支持向量回归进行硅含量预测（Jian等，2008；Jian等，2011）。Gao等利用模糊规则支持向量机提取规则（Gao等，2014）。前馈神经网络（Saxén，1994）、双目标优化（Nurkkala等，2011）、多变量时间序列模型（Cai等，2012；Saxén等，2013）和TSK模糊模型（Martin等，2007）也已被应用。然而，传统的数据驱动模型仍然难以应对高炉工况的高度非线性和时变特性。

深度学习在工业时间序列建模中展现出强大潜力。长短期记忆网络（LSTM）和门控循环单元（GRU）有效缓解了梯度消失问题，已被广泛应用于高炉透气指数和铁水温度预测（Hochreiter和Schmidhuber，1997；Cho等，2014）。CNN-GRU-注意力混合模型（Han等，2025）和动态注意力深度迁移网络（Jiang等，2023）等混合模型进一步提高了预测精度。基于Transformer的架构（Vaswani等，2017）已被应用于高炉煤气产量预测（Xie等，2025）。然而，Transformer的二次复杂度限制了其实时应用。

近期研究将时间卷积网络（TCN）应用于各种高炉任务。在高炉工况评估方面，已开发出基于TCN的工况分类方法（Guo等，2025）和悬料预测方法（Meng等，2026）。在高炉工况预测方面，TCN已被用于顶温预报（Zhou等，2026）、透气指数预测（Luo和Dong，2025）和热负荷预测（Li等，2024）。然而，这些研究均未同时解决细粒度工况分类和将布料矩阵作为控制变量的整合问题。

尽管取得了上述进展，现有研究仍存在两个主要局限。首先，高炉工况分类目前依赖于粗粒度的三类方案，即正常、异常或故障（Saxén等，2013）。该方案无法捕捉恶化前的细微变化，导致分类准确率较低，且缺乏时间序列建模。目前尚无方法利用时间序列窗口将高炉工况分类为细粒度的多级系统。其次，高炉工况预测模型仅关注工况变量的演变，而忽略了控制变量，特别是布料矩阵。布料矩阵直接决定了矿石和焦炭的分布，但传统方法将其视为外部扰动而非可控输入（Zhu等，2024；Jiang等，2025）。因此，这些模型的预测结果无法回答应采用哪种布料矩阵来维持或改善高炉工况，也不提供将预测结果与布料矩阵推荐相结合的决策支持框架。

本研究的主要贡献有三方面。第一，基于高炉工况历史数据库，考虑多个关键变量，提出了一套九级高炉工况分类系统。通过K-means++聚类验证了该分类的物理可分性，为后续的评估和预测奠定了数据基础。第二，构建了基于时间卷积网络的高炉工况评估模型。TCN算法处理高炉时间序列数据，建立了能够评估当前和未来高炉工况的分类模型。第三，提出了一种多维时间卷积网络（MD-TCN）预测模型。针对布料矩阵与高炉工况变量之间的异质性和强耦合特性，MD-TCN设计了两个独立的时间卷积网络模块，分别从布料矩阵和历史工况数据中提取特征，并采用加性融合策略实现高炉工况变量的精确预测。在此基础上，构建了闭环决策支持策略，根据预测结果为操作人员提供最优布料矩阵的推荐。

• 提出了一种细粒度的九级高炉工况分类系统，突破了传统的"正常/异常/故障"三元划分。通过聚类分析，实现了对高炉运行状态更为精确和可量化的表征。
• 首次将TCN应用于高炉工况时间序列评估。在真实工业数据上，TCN相比LSTM、GRU和Transformer等主流时间序列模型具有更高的分类准确率和更好的计算效率。
• 设计了一种MD-TCN网络。通过采用双分支特征提取和加性融合策略，解决了布料矩阵与高炉工况变量之间的异质性融合问题，提高了多参数预测的精度。
• 实现了一个可部署的闭环决策支持框架，整合了TCN评估模型和MD-TCN预测模型，为智能炼铁提供了可操作的指导。

本文其余部分组织如下：第1节介绍背景和研究动机。第2节描述高炉工况历史数据库的建立和九级评估系统的构建。第3节介绍TCN算法和高炉工况评估模型的开发。第4节讨论MD-TCN算法、预测模型及其验证。第5节展示实验结果。第6节总结全文。

**各章节内容**

**高炉工况历史数据库**

高炉工况取决于多项关键指标。建立高炉工况历史数据库能够更全面、系统地考虑这些变量，从而有助于更准确地评估高炉工况。本节对高炉工况的变量组成及其异常状态进行了简要分析。随后，基于专家经验提出了一种高炉工况九级分类方法，并通过聚类验证了其科学性。

**高炉工况评估模型**

高炉冶炼过程的动态特性导致工况数据具有高维、强耦合和高波动的特点，传统的专家系统和机器学习方法往往难以胜任。TCN支持高效的并行计算，能够有效捕捉长期依赖关系和局部波动，非常适合处理高炉数据。与基于Transformer的模型相比，TCN具有更低的计算复杂度和对不规则数据的更好鲁棒性。

**高炉工况预测模型及验证**

在第3节建立的评估模型基础上，本节进一步开发了一个预测框架，不仅能够评估当前高炉工况，还能预测在可控布料操作下未来工况的演变。核心挑战是将布料矩阵显式地纳入预测回路，使模型能够回答"应采取哪种布料操作来维持或改善高炉工况"。为此，我们提出了一种双分支结构的MD-TCN网络。

**实验结果**

本研究中所有实验均在统一的硬件平台上进行，以确保公平比较。CPU为AMD Ryzen Threadripper 3970X 32核处理器（3.70 GHz），GPU为NVIDIA GeForce RTX 2080（8 GB显存），系统内存为96 GB。软件环境包括Python 3.10和PyTorch 1.12.0，并启用了CUDA加速。以下小节将展示实验数据、评价指标、对比结果、消融实验和超参数设置。

**结论**

构建了高炉工况时间序列数据库，并通过聚类验证提出了一种高炉运行状态九级分类方法。这种细粒度分类相比传统的正常/异常/故障分类能够实现更精细的评估。开发了基于TCN的评估模型，能够准确评估当前和未来的高炉工况，克服了专家系统和传统机器学习方法的局限性。此外，设计了一种MD-TCN预测模型，能够综合考虑布料矩阵和高炉工况变量，为智能炼铁提供决策支持。

**CRediT作者贡献声明**

余泽军：撰写—初稿。张亚仙：撰写—初稿。张森：撰写—初稿。肖文东：撰写—初稿。李正国：撰写—初稿。

**发表同意声明**

已获取所有参与者的书面知情同意，同意发表本文。

**资金支持**

本工作部分得到中国国家自然科学基金资助（批准号62173032、61903028、62003038），部分得到北京市自然科学基金资助（批准号J210005），部分得到佛山市教育局项目资助（批准号BK22BF005）。

**利益冲突声明**

作者声明不存在可能影响本文研究报告工作的已知竞争性经济利益或个人关系。

余泽军 | 张亚仙 | 张森 | 肖文东 | 李正国