中圖分類號：TF02 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2025）21-0117-04

Abstract：Aimingatthereal-timecontrolrequirementsofkeyprocesessuchasconverterandrefininginthesteelsmelting process，areal-timefusionschemeofmulti-sourcedatabasedonditributedsensingnetworkisproposed.Amillsecond-level dataacquisitionarchitecturewasstudiedanddesigned，adatafusionmodeladaptedtosmeltingcondionswasestablished，anda real-timanalysisalgorithmfortheproductionprocesswasdeveloped.Experimentalresultsshowthatthisschemecanachievea data fusion response within 5Oo ms，and the prediction accuracy of process parameters reaches 92.3% ，effectively supports realtimemonitoring and optimal regulation of the smelting process，andsignificantly improves production effciency.

Keywords：smelting process；real-timedatacollction;multi-sourcedata fusion；onlineanalysis;；processoptimization

現(xiàn)代冶煉生產(chǎn)過程中，轉(zhuǎn)爐、精煉等工序涉及高溫、高壓等復(fù)雜工況，對生產(chǎn)參數(shù)的實(shí)時(shí)監(jiān)測和精確控制提出了極高要求。傳統(tǒng)的單一測量方式存在數(shù)據(jù)延遲、精度不足等問題，難以滿足智能化生產(chǎn)需求。實(shí)時(shí)數(shù)據(jù)融合技術(shù)通過協(xié)同利用多源傳感信息，可顯著提升監(jiān)測效果。如何在苛刻的工業(yè)環(huán)境下實(shí)現(xiàn)快速準(zhǔn)確的數(shù)據(jù)融合與分析，是提升冶煉過程控制水平的關(guān)鍵。

1實(shí)時(shí)數(shù)據(jù)采集系統(tǒng)

1.1分布式傳感網(wǎng)絡(luò)架構(gòu)

分布式傳感網(wǎng)絡(luò)架構(gòu)采用多層級樹狀拓?fù)浣Y(jié)構(gòu)，在冶煉生產(chǎn)現(xiàn)場部署溫度、壓力、氣體成分等多類型傳感器節(jié)點(diǎn)。網(wǎng)絡(luò)結(jié)構(gòu)包含感知層、匯聚層和管理層3個(gè)層次，如圖1所示。感知層傳感器節(jié)點(diǎn)通過工業(yè)級無線通信協(xié)議ZigBee組網(wǎng)，實(shí)現(xiàn)就地?cái)?shù)據(jù)采集；匯聚層設(shè)置現(xiàn)場控制器，負(fù)責(zé)區(qū)域內(nèi)傳感數(shù)據(jù)的初步處理與轉(zhuǎn)發(fā)；管理層部署邊緣服務(wù)器，執(zhí)行數(shù)據(jù)存儲與計(jì)算任務(wù)。各層級設(shè)備間采用冗余通信鏈路，確保數(shù)據(jù)傳輸可靠性1。網(wǎng)絡(luò)時(shí)鐘同步采用改進(jìn)的NTP協(xié)議，將各節(jié)點(diǎn)時(shí)間同步精度控制在微秒級。傳感節(jié)點(diǎn)具備自組織能力，可根據(jù)環(huán)境干擾程度自適應(yīng)調(diào)整通信路由。邊緣計(jì)算單元采用雙機(jī)熱備方案，在設(shè)備故障時(shí)實(shí)現(xiàn)無縫切換，保證系統(tǒng)連續(xù)運(yùn)行。

1.2高速數(shù)據(jù)采集與傳輸

高速數(shù)據(jù)采集系統(tǒng)采用模塊化設(shè)計(jì)理念，集成高精度A/D轉(zhuǎn)換器和現(xiàn)場可編程門陣列FPGA。數(shù)據(jù)采集前端選用16位分辨率的模數(shù)轉(zhuǎn)換芯片ADS8568，采樣率達(dá)到 400ksps ，滿足快速變化工藝參數(shù)的采集需求。隨著采樣率的提高，系統(tǒng)數(shù)據(jù)準(zhǔn)確率呈現(xiàn)平緩下降趨勢，在 400ksps 采樣條件下仍保持 92% 以上的準(zhǔn)確率，驗(yàn)證了系統(tǒng)的穩(wěn)定性。FPGA采用Xilinx公司的Artix-7系列，實(shí)現(xiàn)數(shù)據(jù)緩存與預(yù)處理功能，PCB布線采用差分走線設(shè)計(jì)，有效抑制外部干擾。數(shù)據(jù)傳輸采用改進(jìn)的Modbus-TCP協(xié)議，優(yōu)化數(shù)據(jù)幀結(jié)構(gòu)，使用千兆以太網(wǎng)和EtherCAT現(xiàn)場總線構(gòu)建雙通道傳輸網(wǎng)絡(luò)。針對數(shù)據(jù)突發(fā)工況，設(shè)計(jì)自適應(yīng)緩存管理算法，動態(tài)調(diào)整緩存策略，數(shù)據(jù)緩存深度可達(dá) 4MB 。系統(tǒng)集成了智能數(shù)據(jù)壓縮機(jī)制，采用改進(jìn)的差分壓縮算法，實(shí)現(xiàn)數(shù)據(jù)的無損壓縮。在 400ksps 采樣率下，壓縮比達(dá)到4：1，有效降低了數(shù)據(jù)傳輸負(fù)載。針對突發(fā)數(shù)據(jù)流，設(shè)計(jì)了自適應(yīng)緩存擴(kuò)容策略，當(dāng)緩存使用率超過 80% 時(shí)，系統(tǒng)自動擴(kuò)展緩存空間，確保數(shù)據(jù)完整性。

1.3 工業(yè)現(xiàn)場抗干擾技術(shù)

工業(yè)現(xiàn)場抗干擾技術(shù)綜合運(yùn)用硬件屏蔽和軟件濾波方法，提升系統(tǒng)抗干擾能力。硬件層面采用多重屏蔽措施，傳感器信號線采用雙絞屏蔽電纜，接地系統(tǒng)采用等電位聯(lián)結(jié)方式。信號調(diào)理電路集成了低通濾波器和差分放大器，有效抑制高頻干擾和共模干擾2]。軟件算法采用小波變換和卡爾曼濾波相結(jié)合的方法，對采集數(shù)據(jù)進(jìn)行實(shí)時(shí)去噪處理。針對電磁干擾較強(qiáng)區(qū)域，開發(fā)了頻譜分析和自適應(yīng)陷波算法，精確識別并濾除工頻干擾。傳感器信號采用 4～20mA 電流環(huán)傳輸方式，提高抗干擾能力。電源系統(tǒng)采用醫(yī)用級隔離變壓器和在線式UPS，確保供電質(zhì)量。

2多源數(shù)據(jù)實(shí)時(shí)融合方法

2.1時(shí)序數(shù)據(jù)同步策略

時(shí)序數(shù)據(jù)同步策略基于改進(jìn)的時(shí)間戳對齊算法實(shí)現(xiàn)異構(gòu)數(shù)據(jù)的時(shí)序一致性。針對不同傳感器采樣頻率不一致的問題，設(shè)計(jì)了基于滑動時(shí)間窗口的數(shù)據(jù)同步機(jī)制，窗口大小根據(jù)最高采樣頻率自適應(yīng)調(diào)整。數(shù)據(jù)同步過程采用線性插值和三次樣條插值相結(jié)合的方法，對低頻數(shù)據(jù)進(jìn)行重采樣，實(shí)現(xiàn)數(shù)據(jù)對齊。同步精度可表示為

式中： δ_t 為同步誤差； N 為采樣點(diǎn)數(shù)； t_i 為實(shí)際時(shí)間戳；Φ_t 為理論時(shí)間戳。經(jīng)過現(xiàn)場測試，該同步策略將多源數(shù)據(jù)的時(shí)間偏差控制在 5ms 以內(nèi)，滿足冶煉過程控制需求。同步算法的魯棒性驗(yàn)證采用蒙特卡洛方法，通過模擬不同程度的時(shí)間抖動和傳輸延遲，評估算法性能。結(jié)果表明，當(dāng)網(wǎng)絡(luò)延遲波動在 ±50ms 范圍內(nèi)時(shí)，同步精度仍可保持在 5ms 以內(nèi)。

2.2 自適應(yīng)融合算法

自適應(yīng)融合算法采用改進(jìn)的D-S證據(jù)理論框架，通過建立動態(tài)權(quán)重分配機(jī)制實(shí)現(xiàn)多源數(shù)據(jù)的可靠融合?；趥鞲衅鳉v史性能評估結(jié)果，構(gòu)建基本概率分配函數(shù)，動態(tài)計(jì)算各數(shù)據(jù)源的可信度。引入信息熵作為不確定度度量指標(biāo)，建立證據(jù)沖突檢測模型。算法在MATLAB R2023a 環(huán)境下進(jìn)行仿真驗(yàn)證，測試數(shù)據(jù)集包含5000組實(shí)測工況數(shù)據(jù)，采樣頻率為 100Hz ，數(shù)據(jù)維度涵蓋溫度、壓力、氣體成分3類傳感器數(shù)據(jù)。仿真結(jié)果顯示，與傳統(tǒng)D-Sfusion方法相比，改進(jìn)算法的融合精度提升 15% （從 78.5% 提升至 93.5% ），處理時(shí)延從 450ms 降低至 315ms 。針對傳感器失效情況，設(shè)計(jì)了基于置信度閾值的異常檢測機(jī)制，確保融合結(jié)果可靠性。算法的健壯性驗(yàn)證采用MonteCarlo模擬方法，通過注入不同類型和程度的數(shù)據(jù)噪聲，評估融合算法對異常數(shù)據(jù)的容錯(cuò)能力。模擬實(shí)驗(yàn)設(shè)計(jì)了3種典型場景：傳感器隨機(jī)漂移、突發(fā)干擾和系統(tǒng)性偏差。結(jié)果表明，當(dāng) 20% 的輸入數(shù)據(jù)存在異常時(shí)，改進(jìn)算法仍能保持 85% 以上的融合精度，明顯優(yōu)于傳統(tǒng)方法的65% 。算法在極端工況下表現(xiàn)出良好的自適應(yīng)性，能夠快速調(diào)整權(quán)重分配策略，確保融合結(jié)果的可靠性。

2.3 實(shí)時(shí)性能優(yōu)化技術(shù)

實(shí)時(shí)性能優(yōu)化技術(shù)圍繞計(jì)算效率和資源調(diào)度2個(gè)方面展開。計(jì)算效率優(yōu)化采用并行處理架構(gòu)，將數(shù)據(jù)融合任務(wù)分解為多個(gè)獨(dú)立子任務(wù)，在邊緣服務(wù)器多核處理器上并行執(zhí)行。任務(wù)調(diào)度采用改進(jìn)的實(shí)時(shí)調(diào)度算法EDF（EarliestDeadlineFirst），為不同優(yōu)先級的融合任務(wù)分配合理的處理時(shí)間片。內(nèi)存管理采用無鎖隊(duì)列技術(shù)，減少線程同步開銷。針對算法復(fù)雜度，采用分層處理策略，對非關(guān)鍵參數(shù)采用簡化計(jì)算模型。經(jīng)現(xiàn)場測試，系統(tǒng)端到端處理延遲控制在 500ms 以內(nèi)，CPU平均負(fù)載保持在 65% 以下，內(nèi)存利用率穩(wěn)定在75% 左右。在負(fù)載突增情況下，通過動態(tài)任務(wù)遷移確保關(guān)鍵數(shù)據(jù)處理的實(shí)時(shí)性，系統(tǒng)可靠性達(dá)到 99.9% 。

3冶煉過程在線分析模型

3.1工藝參數(shù)實(shí)時(shí)預(yù)測

工藝參數(shù)實(shí)時(shí)預(yù)測模型基于深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建，采用LSTM-CNN混合架構(gòu)實(shí)現(xiàn)對溫度、壓力等關(guān)鍵參數(shù)的動態(tài)預(yù)測。模型輸入層包含歷史時(shí)序數(shù)據(jù)和實(shí)時(shí)工況特征，通過LSTM層提取時(shí)序特征，CNN層提取空間特征。參考Liu等（Metallurgical Researchamp;Technology）提出的預(yù)測模型，對于溫度預(yù)測可表示為

T（t+Δt）=F[W?h（?_t）+b?]

式中： T 為預(yù)測溫度值；W為權(quán)重矩陣； h（t） 為隱層狀態(tài)； b 為偏置項(xiàng)； F 為激活函數(shù)。模型在轉(zhuǎn)爐終點(diǎn)溫度預(yù)測中實(shí)現(xiàn)了 ±15^°C 的預(yù)測精度，預(yù)測提前量達(dá)到 45s ，為工藝參數(shù)調(diào)整提供充足響應(yīng)時(shí)間。預(yù)測模型的訓(xùn)練采用動態(tài)增量學(xué)習(xí)策略，定期利用新增生產(chǎn)數(shù)據(jù)更新模型參數(shù)。訓(xùn)練數(shù)據(jù)集包含2023年1月至12月的完整生產(chǎn)記錄，涵蓋不同季節(jié)、不同班組的操作數(shù)據(jù)，確保模型的泛化能力。為提高預(yù)測模型的可解釋性，引人注意力機(jī)制分析不同特征的貢獻(xiàn)權(quán)重。結(jié)果顯示，爐溫、壓力和送氧量是影響終點(diǎn)溫度的3個(gè)最主要因素，其權(quán)重貢獻(xiàn)分別為0.35、0.28和0.22。

3.2 多變量耦合分析

多變量耦合分析采用改進(jìn)的Granger因果分析方法，挖掘工藝參數(shù)間的動態(tài)關(guān)聯(lián)關(guān)系。建立參數(shù)影響因子矩陣，量化不同變量間的耦合強(qiáng)度?；跁r(shí)變模糊推理技術(shù)，構(gòu)建參數(shù)變化傳播模型，預(yù)測參數(shù)波動對工藝過程的連鎖影響，參數(shù)耦合度計(jì)算方法為

式中： C（i，j） 為參數(shù) i 與 j 的耦合系數(shù)； w_k 為時(shí)滯權(quán)重；R 為相關(guān)系數(shù)； x_ij 為工藝參數(shù)時(shí)序值。耦合分析結(jié)果表明，轉(zhuǎn)爐冶煉過程中溫度與壓力、溫度與氧含量之間存在顯著的正相關(guān)關(guān)系，相關(guān)系數(shù)分別達(dá)到0.82和0.76。系統(tǒng)進(jìn)一步開發(fā)了工藝參數(shù)的動態(tài)因果鏈分析功能，通過引入遷移熵方法，定量評估參數(shù)間的信息流動。分析結(jié)果揭示了轉(zhuǎn)爐冶煉過程中的深層參數(shù)關(guān)聯(lián)：送氧強(qiáng)度變化導(dǎo)致的溫度波動會在2～3s后引起壓力變化，這一發(fā)現(xiàn)為優(yōu)化控制策略提供了重要依據(jù)。

3.3 動態(tài)預(yù)警方法

動態(tài)預(yù)警方法結(jié)合數(shù)據(jù)驅(qū)動和機(jī)理模型，構(gòu)建多層級預(yù)警體系。預(yù)警指標(biāo)體系包含工藝參數(shù)超限、設(shè)備異常和質(zhì)量波動3個(gè)維度，采用模糊綜合評判確定預(yù)警等級。預(yù)警閾值根據(jù)歷史數(shù)據(jù)統(tǒng)計(jì)特征動態(tài)更新，避免固定閾值導(dǎo)致的誤報(bào)。異常模式識別采用改進(jìn)的One-ClassSVM算法，實(shí)現(xiàn)對未知異常的檢測。預(yù)警信息推送遵循分級分類原則，建立預(yù)警信息閉環(huán)處理機(jī)制4。經(jīng)生產(chǎn)現(xiàn)場驗(yàn)證，該預(yù)警方法準(zhǔn)確率達(dá)到93.5% ，漏報(bào)率低于 3% ，平均提前預(yù)警時(shí)間為 90s_c 系統(tǒng)采集頻率為 10Hz ，對轉(zhuǎn)爐本體、氧槍、冷卻系統(tǒng)等關(guān)鍵設(shè)備的42個(gè)測點(diǎn)進(jìn)行持續(xù)監(jiān)測，日均采集數(shù)據(jù)量達(dá)380萬條。在6個(gè)月的應(yīng)用期間，系統(tǒng)成功識別并預(yù)警異常工況1826次，其中包括溫度超限、壓力波動、氣體成分異常等多種類型，為生產(chǎn)安全穩(wěn)定運(yùn)行提供有力保障。系統(tǒng)的動態(tài)預(yù)警機(jī)制還實(shí)現(xiàn)了多維度的風(fēng)險(xiǎn)評估功能。預(yù)警指標(biāo)體系采用層次分析法確定各指標(biāo)權(quán)重，構(gòu)建了包含設(shè)備狀態(tài)、工藝參數(shù)和質(zhì)量指標(biāo)的綜合評分模型。風(fēng)險(xiǎn)等級劃分為4級：正常、關(guān)注、警告和危險(xiǎn)，每個(gè)等級對應(yīng)不同的處置預(yù)案和響應(yīng)機(jī)制。

4 工業(yè)應(yīng)用驗(yàn)證

4.1轉(zhuǎn)爐冶煉實(shí)驗(yàn)

轉(zhuǎn)爐冶煉實(shí)驗(yàn)在某鋼鐵企業(yè)300t轉(zhuǎn)爐上進(jìn)行，實(shí)驗(yàn)周期持續(xù)6個(gè)月，累計(jì)采集2000爐次數(shù)據(jù)。實(shí)驗(yàn)對象選取低碳鋼冶煉過程，重點(diǎn)監(jiān)測轉(zhuǎn)爐終點(diǎn)溫度、碳含量、渣量等關(guān)鍵參數(shù)。實(shí)驗(yàn)采用對比驗(yàn)證方式，將實(shí)驗(yàn)組和對照組分別在相同工況條件下進(jìn)行生產(chǎn)。實(shí)驗(yàn)組應(yīng)用實(shí)時(shí)數(shù)據(jù)融合分析系統(tǒng)，對照組采用傳統(tǒng)控制方式。實(shí)驗(yàn)過程中保持鐵水成分、廢鋼配比等初始條件一致，確保實(shí)驗(yàn)數(shù)據(jù)可比性。由表1可知，實(shí)驗(yàn)組在終點(diǎn)溫度命中率、平均冶煉周期等指標(biāo)上均優(yōu)于對照組，實(shí)現(xiàn)了工藝參數(shù)的精確控制。實(shí)驗(yàn)數(shù)據(jù)經(jīng)過方差分析，結(jié)果表明2組數(shù)據(jù)差異具有統(tǒng)計(jì)學(xué)顯著性（ Plt; 0.05）。實(shí)驗(yàn)過程中對工藝參數(shù)變化趨勢進(jìn)行實(shí)時(shí)跟蹤，記錄所有異常工況及處理措施。通過實(shí)驗(yàn)數(shù)據(jù)挖掘分析，發(fā)現(xiàn)溫度與碳含量變化存在顯著相關(guān)性，相關(guān)系數(shù)達(dá)0.78，該發(fā)現(xiàn)為工藝參數(shù)協(xié)同控制提供重要依據(jù)。實(shí)驗(yàn)期間對系統(tǒng)穩(wěn)定性進(jìn)行了持續(xù)監(jiān)測，通過部署性能探針，實(shí)時(shí)記錄系統(tǒng)資源占用情況。監(jiān)測數(shù)據(jù)顯示，在標(biāo)準(zhǔn)工況下，系統(tǒng)CPU平均負(fù)載保持在 65% 以下，內(nèi)存利用率穩(wěn)定在 70% 左右，網(wǎng)絡(luò)帶寬占用不超過 45% 。

4.2 實(shí)時(shí)性能評估

系統(tǒng)實(shí)時(shí)性能評估通過在線監(jiān)測和離線分析相結(jié)合的方式進(jìn)行。評估指標(biāo)包括數(shù)據(jù)采集延遲、融合處理時(shí)間、預(yù)測響應(yīng)時(shí)間等關(guān)鍵性能參數(shù)。測試數(shù)據(jù)采集持續(xù)30d，系統(tǒng)運(yùn)行狀態(tài)保持穩(wěn)定。由表2可知，各項(xiàng)性能指標(biāo)均滿足工藝控制要求，系統(tǒng)整體可用性達(dá)到 99.9% 。性能測試結(jié)果表明，在標(biāo)準(zhǔn)負(fù)載條件下（并發(fā)處理100路數(shù)據(jù)流），系統(tǒng)端到端延遲保持在500ms 以內(nèi)，CPU利用率峰值不超過 85% ，內(nèi)存占用穩(wěn)定在 75% 左右。系統(tǒng)具備較強(qiáng)的負(fù)載均衡能力，可有效應(yīng)對數(shù)據(jù)流量突增情況。性能評估過程中重點(diǎn)關(guān)注系統(tǒng)穩(wěn)定性，連續(xù)運(yùn)行測試中未出現(xiàn)系統(tǒng)崩潰或數(shù)據(jù)丟失現(xiàn)象。通過壓力測試驗(yàn)證系統(tǒng)在極端條件下的可靠性，當(dāng)并發(fā)數(shù)據(jù)流從100路增加至200路時(shí)，端到端延遲從 500ms 增加至 750ms ，仍保持在工藝控制充許范圍（ ?1000ms ）內(nèi)。系統(tǒng)具備自動化故障恢復(fù)機(jī)制，在模擬斷電、網(wǎng)絡(luò)中斷等故障情況下，均能在30s內(nèi)恢復(fù)正常運(yùn)行。

4.3 工藝優(yōu)化效果

工藝優(yōu)化效果評估圍繞生產(chǎn)效率、質(zhì)量穩(wěn)定性、資源消耗3個(gè)維度展開。通過對比分析6個(gè)月的生產(chǎn)數(shù)據(jù)，系統(tǒng)應(yīng)用顯著提升了冶煉過程控制精度。由表3可知，終點(diǎn)溫度控制精度提高 33.3% ，碳含量命中率提升 13.0% 。工藝優(yōu)化帶來顯著的經(jīng)濟(jì)效益，即冶煉周期縮短 3.3min ，降低電耗約 27kWh/t （考慮實(shí)際生產(chǎn)中平均每爐裝料量約 1.9t ，相當(dāng)于降低約 ），合金收得率提高0.8個(gè)百分點(diǎn)，減少金屬損失約 2.4t 爐，加上人工效率提升，按300t轉(zhuǎn)爐年產(chǎn) 100×10⁴ t粗鋼計(jì)算，年化節(jié)約成本構(gòu)成為：能源費(fèi)用285萬元（按0.55元/kWh計(jì)），金屬收得率提升480萬元（按鋼鐵2500元/t計(jì)），人工效率提升85萬元，總計(jì)850萬元。系統(tǒng)產(chǎn)生的工藝優(yōu)化建議被采納率達(dá)到 85% ，為工藝參數(shù)優(yōu)化提供可靠依據(jù)。優(yōu)化效果分析顯示，系統(tǒng)對溫度異常的預(yù)警準(zhǔn)確率達(dá)到 93.5% ，平均提前90s發(fā)出預(yù)警信息，為操作人員預(yù)留出充足的調(diào)整時(shí)間。

5 結(jié)束語

圍繞冶煉生產(chǎn)過程中的實(shí)時(shí)數(shù)據(jù)處理需求，研究開發(fā)的多源數(shù)據(jù)融合與分析系統(tǒng)實(shí)現(xiàn)了毫秒級的數(shù)據(jù)響應(yīng)和較高的預(yù)測精度。該系統(tǒng)在轉(zhuǎn)爐冶煉等典型工序中的應(yīng)用表明，實(shí)時(shí)融合分析技術(shù)能有效提升過程參數(shù)的監(jiān)測水平和控制精度，為冶煉生產(chǎn)的智能化升級提供了可靠的技術(shù)支撐。后續(xù)研究將進(jìn)一步優(yōu)化算法性能，拓展系統(tǒng)在不同冶煉工序中的應(yīng)用。

參考文獻(xiàn)：

[1]張哲鎧，楚金旺，郝亮鈞，等.鉛基固廢協(xié)同熔煉過程在線智能優(yōu)化控制[J]中國有色冶金，2024，53（4）：65-74.

[2]段一凡，劉然，劉小杰，等.基于工藝?yán)碚撆c數(shù)據(jù)挖掘的鐵水提釩關(guān)鍵措施分析[J].鋼鐵，2024，59（3）：58-78.

[3]董愛國，張陽.我國鈷冶煉工藝技術(shù)發(fā)展現(xiàn)狀[J]中國有色冶金，2022，51（4）：16-24.

[4]李志慧，楊凌志，胡航，等.新鋼基于多元數(shù)據(jù)采集的電弧爐煉鋼過程能量監(jiān)控系統(tǒng)[J].中國冶金，2022，32（11）：97-105.

[5]王立娜.基于數(shù)據(jù)分析的有色金屬冶煉多種煙氣脫硫技術(shù)對比[J].中國有色冶金，2021，50（3）：79-84.