人工智能(Artificial Intelligence)是20世纪中期产生的并正在迅速发展的新兴边缘学科，它与具体领域相结合产生了很多新技术，例如数据挖掘、专家系统、软计算等。这些新技术在冶金行业也得到了极大关注。冶金工业要求必须对各个生产过程进行更加严格的控制，以满足用户对产品质量的高要求，同时也要努力将生产成本最小化。人工智能新技术可以有效地解决冶金工业生产中许多无法用数学模型精确描述的工艺过程，以及利用传统数字计算机难以获得令人满意效果的诸多问题，在冶金行业应用中已表现出了很大的优势。
数据挖掘技术
数据挖掘是一种面向商业应用的新型人工智能技术，一般指从源数据中挖掘出的所有模式或联系方式。数据库的知识发现(KDD)用于描述数据挖掘的整个过程，数据挖掘用于描述使用挖掘算法进行数据挖掘的子过程。数据挖掘是从大量不完整的、有噪声的、模糊的、随机的数据中提取隐藏的信息和知识的过程，人们事先并不知道这些信息和知识，但这些信息和知识是潜在有用的。从它的定义可以发现，数据挖掘想要达到的效果就是从数据中得到我们想要的东西。数据挖掘研究所要解决的主要问题是应用哪些领域，用什么模式解决问题。
在冶金企业的现代化生产过程中，每天都有上千个传感器在不停地记录，生产数据的日积累量甚至达到TB级。这些数据包含了实际生产过程中各种因素之间相互作用的丰富信息，对于加强对生产过程的认识，提高控制和管理水平具有重要意义。数据挖掘技术的诞生和发展使得从生产过程中实时监控和记录的海量数据中提取信息和知识成为可能。
胡志坤等[1]从有色冶金过程的工程背景出发，阐述了数据挖掘在工业过程中的应用策略，指出了有色冶金过程数据挖掘的一般步骤和重要原则，针对有色冶金过程数据& ldquo多变量& rdquo、& ldquo非线性& rdquo、& ldquo高噪音& rdquo根据特点，将数据挖掘技术应用于操作模式的预处理和特征变量的选择、操作过程的优化决策、某一阶段冶金设备运行状态的评估、有色冶金过程的故障诊断和预防四个方面，并讨论了可能存在的困难和解决方法。铁军等[2]将数据挖掘技术应用于铝电解生产，利用微软SQL Server2000的Analysys Services提供的挖掘模型和Excel2000中的回归方法，分析铝电解生产过程中自动生成的大量日报，挖掘大量数据获得降低能耗和成本的方法，并根据效果持续时间预测平均电压。
智能控制
智能控制系统利用人工智能解决难以用数学方法精确描述的复杂、随机、模糊、柔性的控制问题，具有自学习、自适应、自组织的能力。主要用于解决具有以下特点的问题:控制对象具有严重的不确定性，控制模型未知或模型的结构和参数在较大范围内变化；控制对象是高度非线性的；控制任务是复杂的。冶金控制过程正好满足上述要求。
冶炼是一个复杂的工业过程，涉及传质、传热和复杂的化学反应。由于其强非线性、滞后性、不规则分布和空之间的不确定性，很难用通用的数学模型来构造控制系统，实现高效率的控制。近年来，随着计算机系统性能的提高，冶炼过程控制的智能化已经具备了较好的条件和可行性。目前，配料、烧结、高炉等过程的智能控制已作为节能增效、提高国际竞争力的重要举措列入我国钢铁企业的信息化发展规划。
卢小娟等[3]介绍了国内首个由贵州铝厂开发的铝电解槽模糊控制技术和模糊专家系统。这项新技术已成功应用于180kA预焙电解槽，使该槽电流效率指标提高了2个百分点，铝的直流电耗指标由13594 kW·h/t降至13049 kW·h/t，吨铝节电545kW·。h .顾学群等[4]详细介绍了智能控制在电弧炉炼钢过程电极升降控制中的应用。通过自动控制电极升降，实现恒功率调节，提高了系统的快速性、鲁棒性和实时性，取得了满意的控制效果。
软计算
软计算可以通过容忍不确定性、不准确性和不完全真实性来实现低成本解决方案和鲁棒性。它模拟了自然界中智能系统的生化过程(人类的感知、大脑结构、进化和免疫等。)来有效处理日常工作。现代钢铁冶金工业的大规模生产要求准确掌握生产中的各种参数及其变化趋势。但由于冶炼过程周期长、影响因素多、波动大、反应机理复杂、缺乏有效的检测手段，很难建立数学模型，使得传统的信息处理技术很难进行非常有效的处理。软计算方法适用于那些具有复杂性、不精确性和不确定性的非数字化过程，在钢铁冶金行业已逐步得到应用。
1人工神经网络
在人工神经网络中，计算是通过网络中的数据流来完成的。在数据流的过程中，每个神经元从其连接的神经元接收输入数据流，对其进行处理，然后将结果以输出数据流的形式传递给其他连接的神经元。通过这个学习过程，人工神经网络可以不断地、自动地从环境中获取知识，并将这些知识以网络结构和连接权值的形式存储在网络中。人工神经网络良好的自学习、自适应和自组织能力，以及大规模并行和分布式的信息存储和处理能力，使其在系统建模与辨识、PID参数整定、内模控制、优化设计、系统预测、自适应控制等许多方面得到了成功的应用。
陈坚[5]提出了高炉用神经网络预测生铁中硅含量，采用三层前馈神经网络，将神经网络与定性分析相结合，通过定性分析确定神经网络的输入变量，根据输入变量动态改变隐节点数，利用BP算法完成网络的训练。预测系统的效果优于传统方法。程武山[6]以马钢烧结厂的现场生产数据为基础，建立了基于神经网络的烧结终点预测系统。该模型是一个具有四个输入和四个输出的BP网络。选择进料量、透气性、机器速度和点火温度四个变量作为网络输入，18#风箱(倒数第二个风箱)的温度和压力以及大烟道的温度和压力四个变量作为网络输出，预测烧结终点。在用神经网络预测烧结终点方面做了一些尝试。
模糊逻辑和模糊计算
模糊集理论是处理模糊信息的有效方法，其特点是用严格的数学方法分析模糊系统信息。它展示了经典的定量方法和& ldquo模糊& rdquo世界之桥。模糊逻辑是基于模糊集理论处理不确定知识和近似推理的主要方法。模糊逻辑是各种具有模糊值的逻辑的总称。在模糊集合中，隶属函数用于将集合中的每个元素映射到介于0和1之间的隶属度，该隶属度表示元素属于集合的程度。自模糊集概念提出以来，以模糊逻辑为核心的模糊计算得到了广泛的应用，在自动控制、决策分析、智能系统等领域取得了大量的成果。模糊计算与其他技术的有机结合极大地扩展了可求解的问题域，提高了问题求解的质量。
在转炉炼钢中，氧枪的位置直接关系到冶炼过程的顺利进行。谢树明等[7]建立了炼钢过程中声音偏差及其变化率的模糊子集，采用三角隶属函数和T2S确定性模糊推理，根据35条模糊规则进行模糊推理。模糊控制可以根据炉况连续调整氧枪位置，克服了固定枪位不能及时适应炉况的缺点。连铸过程中钢水液位的变化与最终产品的表面质量密切相关。Dukman等人[8]提出了一种用于控制薄板坯连铸机中钢水液位的复合结构控制器。模糊逻辑系统用于补偿控制钢液面波动引起的误差。使用该控制器后，钢液面的长期变化消失，控制误差从& plusmn4 mm缩减为& plusmn(1.0~1.5)毫米.
3遗传算法
遗传算法利用简单的编码技术来表示各种复杂的结构，对一组编码表示通过简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索方向。遗传算法的运算对象是一组二进制串(称为染色体和个体)，即种群。这里每条染色体对应一个问题的解。从初始种群开始，采用基于适应度比的选择策略在当前种群中选择个体，并通过杂交和变异产生下一代种群。所以模仿生命的进化，一代一代的进化，直到满足期望的终止条件。遗传算法为解决复杂系统优化问题提供了一个通用框架，简单、通用、健壮，适合并行分布式处理。自20世纪80年代后期以来，遗传算法越来越受到人们的重视，并被应用于模式识别、图像处理、机器学习、工业优化控制、自适应控制、生物科学等领域。
李英顺等[9]针对true 空感应炉的温度控制提出了一种基于遗传算法的PID控制方法。该方法利用遗传算法的全局搜索能力，获得一组最优PID参数，取得了良好的PID参数整定效果，提高了PID控制的动静态特性、适应性和鲁棒性。Santos等人[10]提出了在连铸机优化控制中集成数学模型、遗传算法和参数知识库的策略，取得了良好的效果。
新型人工技术与冶金工业的融合极大地促进了冶金工业的发展，必将成为其未来应用的重点。随着人工智能新技术在冶金行业的应用和逐渐成熟，人工智能技术将在冶金行业迎接新挑战的过程中发挥更加重要的作用。
