热风炉是高炉生产中的重要组成部分，它的作用是向高炉提供稳定温度和压力的热风。热风炉系统包括有燃烧、焖炉和送风三种状态。其中，燃烧状态积蓄热量，送风状态释放热量，并将鼓风机站输送过来的冷风加热成满足工艺要求的热风。由此可见，燃烧是送风的基础，使用合适的燃烧控制策略，可以降低能耗、提高风温，并进一步降低生铁成本、减少环境污染。在当前钢铁行业利润大幅度下降的形势下，节能增效已经成为必然的发展出路，因此建立一套行之有效的热风炉燃烧控制策略对整个炼铁生产必将具有极大的意义。
1 现状分析
热风炉的燃烧过程通常分成3个阶段，即燃烧初期、拱顶温度管理期和废气温度管理期。燃烧初期，为了使拱顶温度迅速上升，使用最大的煤气量烧炉，并采用最佳的空燃比；由于刚开始烧炉时废气温度远低于拱顶温度，燃烧产生的热量大部分被热风炉上部即拱顶吸收（以顶燃式热风炉为例）。当拱顶温度达到工艺设定值后，进入拱顶温度管理期；此时，拱顶温度保持稳定，燃烧产生的热量主要被炉子的中下部所吸收；为了稳定拱顶温度并产生更多的废气，适当的增大空燃比。当废气温度达到工艺设定值后，进入废气温度管理期；此时，同时减少煤气量和空气量并采用合理空燃比以稳定废气温度。由此可见，热风炉燃烧过程复杂，它涉及煤气流量、空气流量、空燃比、拱顶温度以及废气温度等的控制；同时，燃烧过程中还存在热值和煤气压力的波动，这也更加增大了燃烧控制的难度。
目前，国内外常用的热风炉燃烧控制方法主要有数学模型和人工智能两种。以下进行详述：
（1）数学模型
建立符合生产要求的控制模型是数模法的关键，而热风炉的热平衡计算则是建立合适模型的基础。这样获得的控制模型不但使空燃比更加合理，而且能够准确控制燃烧的速率，使燃料的流量最优，由此大大提高炉子的燃烧效率。
使用数学模型进行热风炉燃烧控制，这一控制方式在国外应用广泛。
其中，日本川崎钢铁公司千叶厂五号高炉热风炉的优化系统包括热水准管理、热风炉自动换炉优化、拱顶温度和废气温度管理。这里的热水准管理就是送风炉热水准达到零时自动换炉，以节约燃料并提高热风炉效率。热风炉通常定时换炉，换炉时热水准应为零，由于到达热水准为零的时间与送风温度和送风量有关，据此可以算出所需的设定时间，同时考虑经几个周期后进行修正。拱顶温度管理是为了保护热风炉拱顶砌体并强化加热过程，其方法是：在加热开始，即拱顶温度未达到上限时，以最合适的空燃比烧炉，使拱顶温度迅速上升到规定值，此后逐步调整超量空气系数以确保拱顶温度不超过规定值。当废气温度达到上限时应停止加热，故需进行废气温度管理，其方法是：观测废气温度上升曲线的外延趋势，如果未到换炉时间就已达到上限（均计算得出），就应改变燃料量使废气温度上升曲线减缓且正好在换炉时刻达到燃烧终点。
德国西门子公司的热风炉优化数学模型也可以称之为“热流计算模型”，其原理是在保证安全的基础上取得最高效率。热风炉操作中，在所需风温和风量的条件下，“用多大煤气量加热、什么时间换炉才能获得最高效率和最经济的指标”是其主要目标。该数学模型首先把热风炉的全部热损失，包括表面、换炉和废气的热损失计算出来，再列出热风炉的工作循环式，最后求出每个循环的效率，经一定的计算公式，求出加热用最佳煤气流量。
最近几年，国外在热风炉数学模型开发及应用上仍有新的进展。
20世纪80年代中期，国内宝钢等企业的几座高炉热风炉也开始相继采用数模法控制燃烧，从应用来看，用数学模型控制热风炉燃烧及有关操作制度，选择合理的热工参数，及时调整控制变量，可以达到节约能源、提高风温的效果。
实现热风炉燃烧的最优控制，数模法有着科学和严密的优势，它能够根据燃烧过程中各个阶段的不同特点对燃烧的整个过程进行合理的控制，并能将换炉和送风统筹考虑，实现热风炉的全闭环自动控制。它的缺点在于检测点较多、成本较高、计算复杂，这在生产条件恶劣、装备水平不高的热风炉中尤其难以实现，所以也限制了数学模型在热风炉燃烧控制中的广泛应用。
（2）人工智能。
热风炉是一个复杂的被控对象，它具有本质非线性、大滞后、慢时变的特点，由于随着燃烧环境的变化，其特性在不断变化；因此，要准确掌握它的运行状态是很困难的。近些年，国内外都在进行热风炉智能控制的研究。如日本川崎钢铁公司开发了模糊控制系统，新日铁则使用专家系统。同时，国内在热风炉智能控制的研究上也取得了一定进展，如模糊控制技术、专家控制系统、遗传算法优化技术、神经元网络技术、基于规则的仿人智能控制技术等，有些技术已经从实验模拟阶段发展到了工程化和实用化的阶段。
常规的模糊控制器通过预先设定好的模糊规则表进行控制，根据热风炉的检测设备情况，可以选取合适的控制对象，如拱顶升温速率、废气升温速率或废气含氧量等，这种方法在国内已有应用，但常规的模糊控制器由于模糊规则查询表及比例因子、量化因子的不可变性，其所得的模糊控制量往往难以保证其最优性或次最优性，因此普遍存在着一些不足，比如系统上升特性不理想、调节时间长甚至振荡、超调过大、抗干扰能力较差等。
神经网络控制对燃烧环境的变化有很好的自学习能力，但是当自学习完成后，神经网络所获得的各种输入输出关系却往往难以表达出来，抗干扰能力差的缺点暴露无疑。
综上可见，由于数学模型相比人工智能可以提供更加准确的数据，同时还兼具实时性和有效性的特点，假如能够克服其成本和实现难度上的缺陷，它必将对燃烧控制提供更有效的指导。本文提出的新型燃烧控制策略就是基于这一考虑。