劉小杰，李欣，劉二浩，劉頌，呂慶

（1.華北理工大學(xué)冶金與能源學(xué)院，河北省現(xiàn)代冶金技術(shù)重點(diǎn)實(shí)驗(yàn)室，河北 唐山063210；2.承德鋼鐵集團(tuán)有限公司，河北 承德 067000）

隨著“十三五”規(guī)劃的實(shí)施，工業(yè)大數(shù)據(jù)的發(fā)展成為制造業(yè)轉(zhuǎn)型升級(jí)的重心。隨著新一輪產(chǎn)業(yè)變革和技術(shù)革命的快速興起，鋼鐵制造業(yè)在轉(zhuǎn)型升級(jí)、互聯(lián)網(wǎng)＋的推進(jìn)下，加快工業(yè)化信息化發(fā)展，邁入建設(shè)智能工廠的歷史新階段[1]。

快速發(fā)展的數(shù)據(jù)格局，促使國內(nèi)部分領(lǐng)先的鋼鐵企業(yè)開始通過物聯(lián)網(wǎng)、云計(jì)算、移動(dòng)互聯(lián)網(wǎng)和大數(shù)據(jù)等技術(shù)的應(yīng)用，加快實(shí)現(xiàn)自動(dòng)化、數(shù)字化和智能化制造進(jìn)程，構(gòu)建具有高價(jià)值、低成本、低資源消耗和低污染的新型生產(chǎn)管理模式。

工業(yè)大數(shù)據(jù)是實(shí)現(xiàn)智能制造的基礎(chǔ)，是企業(yè)轉(zhuǎn)型升級(jí)搶占未來制高點(diǎn)的關(guān)鍵。工業(yè)大數(shù)據(jù)是指通過對(duì)工業(yè)生產(chǎn)的大量數(shù)據(jù)的分析，挖掘出工業(yè)生產(chǎn)過程的潛在規(guī)律，實(shí)現(xiàn)工業(yè)的智能化生產(chǎn)、決策和調(diào)控，以及生產(chǎn)過程的可視化。隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，高爐煉鐵生產(chǎn)中已逐漸呈現(xiàn)出各種數(shù)字化和智能化的應(yīng)用，如燒結(jié)終點(diǎn)預(yù)報(bào)模型、高爐煉鐵大數(shù)據(jù)平臺(tái)、鐵水溫度的預(yù)測模型、爐缸工作狀態(tài)的預(yù)報(bào)及反饋系統(tǒng)等。大數(shù)據(jù)技術(shù)在高爐煉鐵生產(chǎn)中的不斷應(yīng)用，體現(xiàn)了鋼鐵行業(yè)加快實(shí)現(xiàn)數(shù)字化和智能化的目的，也為我國鋼鐵行業(yè)實(shí)現(xiàn)綠色制造提供了扎實(shí)的理論和實(shí)踐基礎(chǔ)。

1 燒結(jié)生產(chǎn)中的大數(shù)據(jù)技術(shù)研究現(xiàn)狀

大數(shù)據(jù)技術(shù)在燒結(jié)生產(chǎn)中的研究主要集中燒結(jié)礦化學(xué)成份、燒結(jié)終點(diǎn)、燒結(jié)配料和燒結(jié)礦質(zhì)量等重要參數(shù)方面。研究結(jié)果可為燒結(jié)生產(chǎn)提供在線預(yù)測，克服燒結(jié)過程的大滯后性問題，為燒結(jié)過程的穩(wěn)定生產(chǎn)提供保證。

袁致強(qiáng)[2]研究了基于深度置信網(wǎng)絡(luò)的燒結(jié)礦化學(xué)成份預(yù)測模型，并結(jié)合PGNAA成分在線檢測技術(shù)和DBN預(yù)測模型，實(shí)現(xiàn)燒結(jié)礦化學(xué)成分在線預(yù)測，克服燒結(jié)過程的大滯后，且使系統(tǒng)運(yùn)行順通。

邵慧君[3]研究了基于灰色預(yù)測理論、神經(jīng)網(wǎng)絡(luò)和組合預(yù)測方法的燒結(jié)礦質(zhì)量預(yù)測系統(tǒng)，以TFe含量和堿度為中心的區(qū)間優(yōu)化控制策略為優(yōu)化方法，結(jié)合MATLAB編程技術(shù)開發(fā)了6#燒結(jié)機(jī)質(zhì)量預(yù)測與控制系統(tǒng)，在生產(chǎn)實(shí)踐中取得了一定的成效。

汪清瑤等[4]根據(jù)燒結(jié)礦歷史生產(chǎn)數(shù)據(jù)建立以燒結(jié)礦轉(zhuǎn)鼓強(qiáng)度和耐磨指數(shù)為指標(biāo)的預(yù)測模型，隨后對(duì)基于瞬發(fā)γ中子活化分析( PGNAA)成分技術(shù)的工業(yè)物料在線檢測儀器檢測，經(jīng)化學(xué)式轉(zhuǎn)化得到的數(shù)據(jù)進(jìn)行在線預(yù)測，并將結(jié)果反饋給燒結(jié)過程以達(dá)到燒結(jié)礦質(zhì)量在線調(diào)控的目的。實(shí)驗(yàn)仿真結(jié)果表明，在線預(yù)測明顯縮短了物料調(diào)控時(shí)間，改善了燒結(jié)礦工藝品質(zhì)，預(yù)測結(jié)果比較準(zhǔn)確。

吉訓(xùn)生等[5]采用基于IFA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測燒結(jié)礦FeO含量，并與傳統(tǒng)的GA-BP預(yù)測模型、標(biāo)準(zhǔn)BP預(yù)測模型和FA-BP預(yù)測模型進(jìn)行比較，結(jié)果表明該方法不僅加快了網(wǎng)絡(luò)的學(xué)習(xí)速率，并且提高了模型的預(yù)測精度。

向婕[6]針對(duì)燒結(jié)礦化學(xué)成分檢測的滯后性，建立了基于神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦成分預(yù)測模型，在此基礎(chǔ)上通過專家規(guī)則技術(shù)，建立配料優(yōu)化模型。以生產(chǎn)成本為目標(biāo)，以化學(xué)成分指標(biāo)為約束，求取較優(yōu)的配料比，實(shí)現(xiàn)了燒結(jié)配料優(yōu)化控制。

汪森輝等[7]采用改進(jìn)的AdaBoost.RS算法，自適應(yīng)調(diào)整松弛變量的閾值，以極限學(xué)習(xí)機(jī)為弱學(xué)習(xí)器建立燒結(jié)終點(diǎn)位置預(yù)報(bào)集成算法模型。結(jié)果表明,當(dāng)絕對(duì)誤差小于1.6 m時(shí)，模型的預(yù)報(bào)結(jié)果命中率為97.4%，均方根誤差為0.58，預(yù)報(bào)值序列與實(shí)際目標(biāo)值序列的相關(guān)系數(shù)為0.78。

燒結(jié)生產(chǎn)過程中相關(guān)預(yù)測模型的開發(fā)，雖然在一定程度上達(dá)到了較高的準(zhǔn)確率，但由于燒結(jié)廠的數(shù)據(jù)波動(dòng)大、重要參數(shù)缺失和存儲(chǔ)時(shí)間短等問題，給開發(fā)者在數(shù)據(jù)的處理、分析及預(yù)測系統(tǒng)的開發(fā)上帶來一定的困難，從而在實(shí)際應(yīng)用中降低預(yù)測的準(zhǔn)確率及可信度。因此，現(xiàn)場數(shù)據(jù)的準(zhǔn)確性需要引起鋼鐵企業(yè)的重視。

2 高爐生產(chǎn)中的大數(shù)據(jù)技術(shù)研究現(xiàn)狀

隨著大數(shù)據(jù)技術(shù)的不斷應(yīng)用，從各高爐數(shù)據(jù)平臺(tái)的建立，到高爐生產(chǎn)中鐵水硅含量、鐵水溫度和鐵水質(zhì)量等重要參數(shù)預(yù)測模型的開發(fā)，我們發(fā)現(xiàn)鋼鐵企業(yè)已經(jīng)向“綠色和智能”煉鐵新模式的大方向轉(zhuǎn)變。

2.1 高爐大數(shù)據(jù)平臺(tái)的建立

高爐大數(shù)據(jù)平臺(tái)是高爐數(shù)據(jù)可視化的關(guān)鍵，更是實(shí)現(xiàn)高爐智能化生產(chǎn)的前提和保證。高爐相關(guān)數(shù)據(jù)通過大數(shù)據(jù)技術(shù)進(jìn)行整理和分析，并存儲(chǔ)在數(shù)據(jù)平臺(tái)中，根據(jù)高爐需要對(duì)數(shù)據(jù)進(jìn)行挖掘和計(jì)算，從而實(shí)現(xiàn)高爐煉鐵可視化、自動(dòng)化和智能化。

在“研究應(yīng)用高爐大數(shù)據(jù)，推動(dòng)智能煉鐵發(fā)展”的專題報(bào)道中指出，河鋼承鋼開展了“高爐大數(shù)據(jù)智能預(yù)測系統(tǒng)”課題研究，以最復(fù)雜的高爐工藝段為對(duì)象，圍繞河鋼承鋼高爐大數(shù)據(jù)應(yīng)用與智能煉鐵開展研發(fā)工作。通過交叉學(xué)科前沿技術(shù)的集成與實(shí)際應(yīng)用，實(shí)現(xiàn)高爐大數(shù)據(jù)云平臺(tái)交互、高爐冶煉過程可視化、大數(shù)據(jù)挖掘與智能分析等目標(biāo)，對(duì)于提升高爐煉鐵自動(dòng)化和智能化水平有很大的推動(dòng)作用。

車玉滿[8]對(duì)大數(shù)據(jù)云平臺(tái)技術(shù)在高爐工藝中的應(yīng)用與發(fā)展進(jìn)行了綜述，指出高爐大數(shù)據(jù)云平臺(tái)是以高爐為核心的大數(shù)據(jù)處理中心，可以建立高爐機(jī)理模型與生產(chǎn)管理相結(jié)合的數(shù)學(xué)模型，也可以進(jìn)行高爐大數(shù)據(jù)全流程挖掘與云計(jì)算。對(duì)于裝配多座高爐的企業(yè)，可以實(shí)現(xiàn)集約化集控管理，達(dá)到提高高爐生產(chǎn)效率、降低勞動(dòng)強(qiáng)度的目標(biāo)，同時(shí)實(shí)現(xiàn)綠色、高效和智能煉鐵。

2.2 高爐鐵水硅含量的預(yù)測

鐵水硅含量是爐缸熱制度的化學(xué)熱表示方式，與爐缸鐵水溫度有很好的正相關(guān)性。因此，我們可以利用鐵水硅含量來表示爐溫，也可作為鐵水質(zhì)量的表征，是鋼鐵企業(yè)非常關(guān)心的重要指標(biāo)。鐵水硅含量的預(yù)測可為爐溫和鐵水質(zhì)量提供判斷依據(jù)，從而穩(wěn)定爐缸狀態(tài)。

馬淑艷[9]基于高爐數(shù)據(jù)的時(shí)變特性，用時(shí)間差分模型計(jì)算高爐鐵水硅含量的變化值，基于支持向量機(jī)優(yōu)秀的處理非線性數(shù)據(jù)分類的特性，用支持向量機(jī)計(jì)算鐵水硅含量的變化趨勢(shì)，得到鐵水硅含量的預(yù)測結(jié)果。

莊田[10]對(duì)Elman-Adaboost模型在高爐鐵水硅含量的建模上進(jìn)行了比較完整的研究，不僅從定量上對(duì)硅含量進(jìn)行了回歸預(yù)測，還從定性上對(duì)硅含量的變化方向進(jìn)行了分類預(yù)測，得到了比較理想的預(yù)測結(jié)果，最后對(duì)回歸與分類的預(yù)測結(jié)果進(jìn)行了信息融合，使結(jié)果更具可靠性、魯棒性和實(shí)用價(jià)值。

李軍朋[11]以柳鋼2號(hào)高爐為對(duì)象，系統(tǒng)研究了數(shù)據(jù)驅(qū)動(dòng)建模方案。分別提出了基于變遺忘因子隨機(jī)梯度法的Wiener 模型和門控極限學(xué)習(xí)機(jī)結(jié)構(gòu)模型的鐵水硅含量建模方案。通過高爐數(shù)據(jù)仿真實(shí)驗(yàn)，驗(yàn)證了門控極限學(xué)習(xí)機(jī)結(jié)構(gòu)模型較Wiener 模型的有效性，尤其針對(duì)鐵水硅含量波動(dòng)較大的爐況，該算法仍能夠?qū)崿F(xiàn)較好的預(yù)測。利用 LABVIEW和MATLAB混合編程方法開發(fā)了“高爐鐵水硅含量預(yù)測系統(tǒng)”，并在柳鋼2號(hào)高爐上進(jìn)行了實(shí)驗(yàn)，得到了很好的運(yùn)行效果。該系統(tǒng)能夠?yàn)楦郀t操作者提供很好的操作指導(dǎo)。

李澤龍[12]采用LSTM-RNN模型進(jìn)行硅含量預(yù)測，首先根據(jù)時(shí)間序列趨勢(shì)及相關(guān)系數(shù)選擇自變量，并對(duì)復(fù)雜工況的實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行驗(yàn)證。然后用程序自動(dòng)求解較優(yōu)參數(shù)進(jìn)行硅含量預(yù)測。最后將LSTM-RNN模型與PLS模型及RNN模型的結(jié)果進(jìn)行對(duì)比，驗(yàn)證該方法的優(yōu)勢(shì)。研究發(fā)現(xiàn)LSTMRNN模型預(yù)測誤差穩(wěn)定，預(yù)測精度較高，比傳統(tǒng)的統(tǒng)計(jì)學(xué)及神經(jīng)網(wǎng)絡(luò)方法取得了更好的預(yù)測精度。

2.3 高爐鐵水溫度的預(yù)測

高爐鐵水溫度是否穩(wěn)定對(duì)高爐順行有著直接的影響，是衡量高爐最為重要的一個(gè)指標(biāo)，同時(shí)可以間接的體現(xiàn)高爐冶煉成本。隨著高爐煉鐵工藝的高速發(fā)展，鋼鐵廠對(duì)高爐鐵水的質(zhì)量要求，特別是鐵水溫度要求越來越高。高爐鐵水溫度的預(yù)測可以協(xié)助現(xiàn)場工人對(duì)高爐進(jìn)行過程控制，保證高爐穩(wěn)定順行。

李愛蓮等[13]針對(duì)傳統(tǒng)高爐溫度模型的固有缺陷，提出了一種基于灰色關(guān)聯(lián)分析的ELM（極限學(xué)習(xí)機(jī)-extreme learning machine）溫度預(yù)報(bào)模型。首先通過灰色關(guān)聯(lián)分析對(duì)輸入變量進(jìn)行相關(guān)性分析，提高模型的性能，然后結(jié)合分析后的變量采用ELM學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后運(yùn)用現(xiàn)場數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練和測試，并與傳統(tǒng)的模型相比較。結(jié)果表明該模型能快速和準(zhǔn)確地預(yù)報(bào)高爐溫度，并且能使現(xiàn)場工人了解操縱高爐的要求。

李愛蓮等[14]基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理方法建立高爐鐵液溫度預(yù)測模型。首先通過對(duì)數(shù)據(jù)的濾波去噪及相關(guān)性分析，選擇與高爐鐵液溫度相關(guān)的輸入和測量變量；再用創(chuàng)新的智能優(yōu)化算法（粒子群蟻群算法）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，從而提高模型的精度。依據(jù)生產(chǎn)現(xiàn)場實(shí)際數(shù)據(jù)進(jìn)行的試驗(yàn)表明，所建立的基于數(shù)據(jù)預(yù)處理與智能優(yōu)化的高爐鐵液溫度預(yù)測模型的命中率有明顯的提高，對(duì)實(shí)際生產(chǎn)現(xiàn)場更具有指導(dǎo)意義。

崔桂梅等[15]以高爐鐵水溫度為研究對(duì)象，建立BP神經(jīng)網(wǎng)絡(luò)多元時(shí)間序列模型和T-S模糊神經(jīng)網(wǎng)絡(luò)多元時(shí)間序列模型。應(yīng)用高爐實(shí)際數(shù)據(jù)做模型檢驗(yàn)，結(jié)果表明，T-S模糊神經(jīng)網(wǎng)絡(luò)多元時(shí)間序列模型取得了更好的命中率和預(yù)測精度。

2.4 高爐鐵水質(zhì)量的預(yù)測

鐵水質(zhì)量是高爐煉鐵中最為重要的參數(shù)之一。一方面，鐵水質(zhì)量可反映爐內(nèi)反應(yīng)狀況，是用于調(diào)節(jié)路況的重要指標(biāo)；另一方面，鐵水質(zhì)量可反映煉鐵流程的生產(chǎn)品質(zhì)，并直接決定后續(xù)煉鋼等工序的質(zhì)量。鐵水質(zhì)量的預(yù)測能夠使操作人員根據(jù)預(yù)測結(jié)果提前調(diào)整爐況，穩(wěn)定鐵水質(zhì)量，保持高爐平穩(wěn)運(yùn)行，減少爐況波動(dòng)。

李澤龍使用ARMAX模型對(duì)高爐冶煉進(jìn)行建模，并實(shí)現(xiàn)了ARMAX模型的在線算法。針對(duì)在線算法存在不可解的風(fēng)險(xiǎn)，提出弱平穩(wěn)貝葉斯準(zhǔn)則來解決此問題。將LSTM模型應(yīng)用于鐵水質(zhì)量建模。基于對(duì)兩種算法的研究，提出一種ARMAXLSTM模型框架，該框架首先使用ARMAX模型提取線性模態(tài)，然后使用LSTM模型對(duì)前者的殘差進(jìn)行建模。最終實(shí)現(xiàn)縮減LSTM規(guī)模的同時(shí)提升了準(zhǔn)確率。

2.5 高爐其他主要參數(shù)的預(yù)測

隨著大數(shù)據(jù)技術(shù)在高爐煉鐵生產(chǎn)中的快速發(fā)展和應(yīng)用，除鐵水硅含量、鐵水溫度和鐵水質(zhì)量等重要參數(shù)預(yù)測模型不斷被開發(fā)出外，高爐煤氣利用率、入爐焦比和爐缸內(nèi)襯熱面狀態(tài)等參數(shù)的預(yù)測也逐漸被開發(fā)應(yīng)用。

肖登峰等[16]以兩座具有代表性的中高型高爐的一氧化碳利用率時(shí)序?yàn)闃颖荆捎没煦缦嗫臻g重構(gòu)技術(shù)，對(duì)其進(jìn)行相空間重構(gòu)。其次利用自相關(guān)方法和G-P方法計(jì)算其重構(gòu)空間的參數(shù)（時(shí)滯時(shí)間和嵌入維數(shù)）。最后基于已獲的混沌重構(gòu)相空間參數(shù)，采用混沌加權(quán)一階多步預(yù)測方法，建立高爐一氧化碳利用率的混沌預(yù)測模型，對(duì)其進(jìn)行多步預(yù)測?，F(xiàn)場實(shí)際數(shù)據(jù)的預(yù)測結(jié)果表明了所提出方法的有效性和預(yù)測模型的精準(zhǔn)性。

岳有軍等[17]采用灰色關(guān)聯(lián)度分析和粒子群算法優(yōu)化最小支持向量機(jī)的預(yù)測方法進(jìn)行高爐入爐焦比的預(yù)測。應(yīng)用灰色關(guān)聯(lián)度分析理論確定影響入爐焦比的主要因素，采用粒子群算法對(duì)最小二乘支持向量機(jī)的核寬度和正則化參數(shù)進(jìn)行優(yōu)化，最后用優(yōu)化后的最小二乘支持向量機(jī)模型進(jìn)行預(yù)測。仿真結(jié)果表明，改進(jìn)方法具有更高的預(yù)測精度，為煉鐵工學(xué)入爐焦比預(yù)測提供了一種有效的新方法。

熊文真等[18]采用ARIMA模型及馬爾科夫鏈建立了ARIMA-MC模型對(duì)高爐煤氣的發(fā)生量進(jìn)行預(yù)測。結(jié)合某鋼鐵企業(yè)實(shí)際的原始數(shù)據(jù)，通過實(shí)驗(yàn)，隨機(jī)抽取多組測試結(jié)果中的兩組，1#和2#各30個(gè)點(diǎn)進(jìn)行預(yù)測，結(jié)果表明預(yù)測平均相對(duì)誤差分別為2.27%和3.03%。實(shí)驗(yàn)結(jié)果證明新算法的有效性。

李佳玲等[19]采用爐缸內(nèi)部流動(dòng)傳熱CFD正解模型和一維傳熱逆解模型預(yù)測爐缸的內(nèi)襯熱面形狀，該計(jì)算模型考慮了耐火磚內(nèi)溫度變化對(duì)導(dǎo)熱系數(shù)的影響，并利用1150℃等溫線對(duì)熱面形狀的預(yù)測作為初始值，結(jié)果顯示預(yù)測后的計(jì)算溫度和工廠熱電偶測量溫度很好地吻合，驗(yàn)證了熱面形狀預(yù)測方法的準(zhǔn)確性和有效性。

3 大數(shù)據(jù)技術(shù)應(yīng)用在高爐煉鐵生產(chǎn)中的展望

目前，大數(shù)據(jù)技術(shù)已在我國高爐煉鐵的生產(chǎn)中實(shí)現(xiàn)了開發(fā)和應(yīng)用。隨著大數(shù)據(jù)技術(shù)的不斷成熟，高爐煉鐵也逐漸邁上了綠色化和智能化生產(chǎn)的步伐。但大數(shù)據(jù)技術(shù)應(yīng)用的前提是標(biāo)準(zhǔn)化的工業(yè)大數(shù)據(jù)，即在規(guī)范的、屬性明確的和可追溯可定位的大數(shù)據(jù)規(guī)范體系下，能隨時(shí)進(jìn)行數(shù)據(jù)分析、趨勢(shì)預(yù)測和輔助決策等一系列研究。

眾所周知，我國大部分鋼鐵企業(yè)的高爐煉鐵數(shù)據(jù)，由于煉鐵設(shè)備的復(fù)雜性、檢化驗(yàn)結(jié)果的時(shí)滯性、現(xiàn)場數(shù)據(jù)的準(zhǔn)確性以及檢測設(shè)備不足等，都存在一定的錯(cuò)誤、波動(dòng)大、準(zhǔn)確率低以及缺少關(guān)鍵參數(shù)等問題，使大數(shù)據(jù)應(yīng)用在煉鐵生產(chǎn)中的準(zhǔn)確性降低，甚至不能滿足生產(chǎn)需求。因此，我們要對(duì)煉鐵大數(shù)據(jù)，乃至工業(yè)大數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，以滿足大數(shù)據(jù)技術(shù)的開發(fā)與應(yīng)用。

對(duì)高爐大數(shù)據(jù)的標(biāo)準(zhǔn)化，提出以下建議：

（1）建立統(tǒng)一的數(shù)據(jù)基礎(chǔ)標(biāo)準(zhǔn)，包括：參數(shù)術(shù)語、數(shù)據(jù)表格式、數(shù)據(jù)庫模式和大數(shù)據(jù)構(gòu)架標(biāo)準(zhǔn)等；

（2）建立統(tǒng)一的數(shù)據(jù)采集標(biāo)準(zhǔn)，包括：各工序的數(shù)據(jù)采集參數(shù)、采集點(diǎn)方位、采集方法、采集設(shè)備標(biāo)準(zhǔn)、檢化驗(yàn)時(shí)間和檢化驗(yàn)方法等；

（3）建立統(tǒng)一的大數(shù)據(jù)技術(shù)標(biāo)準(zhǔn)，包括：數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)存儲(chǔ)與管理、數(shù)據(jù)處理與分析、數(shù)據(jù)訪問與接口和數(shù)據(jù)可視化等；

（4）建立統(tǒng)一的平臺(tái)標(biāo)準(zhǔn)，包括：基礎(chǔ)平臺(tái)、管理平臺(tái)、計(jì)算機(jī)平臺(tái)和系統(tǒng)平臺(tái)等；

（5）建立統(tǒng)一的應(yīng)用標(biāo)準(zhǔn)，包括：數(shù)據(jù)可視化、預(yù)測系統(tǒng)和輔助決策系統(tǒng)等。

標(biāo)準(zhǔn)化的煉鐵大數(shù)據(jù)可為數(shù)據(jù)可視化、數(shù)據(jù)分析、重要參數(shù)預(yù)報(bào)和輔助決策等研究提供準(zhǔn)確、統(tǒng)一和穩(wěn)定的數(shù)據(jù)，可提高預(yù)報(bào)系統(tǒng)和輔助決策系統(tǒng)的準(zhǔn)確性，為我國鋼鐵企業(yè)早日實(shí)現(xiàn)高爐智能煉鐵提供了保證。因此，工業(yè)大數(shù)據(jù)的標(biāo)準(zhǔn)化是我國鋼鐵企業(yè)需要緊抓的首要問題。我國鋼鐵企業(yè)，要以數(shù)據(jù)標(biāo)準(zhǔn)化為前提和保證，在“中國制造2025”的國家戰(zhàn)略政策的指引下，開展智能生產(chǎn)、智能管理和智能服務(wù)，推動(dòng)工業(yè)大數(shù)據(jù)在智能制造中的發(fā)展應(yīng)用。