气流干燥过程水分软测量系统的研究与开发
|
摘要
气流干燥是闪速熔炼的关键工序之一，控制干精矿的含水率在0.1～0.3％之间是稳定熔炼生产的重要前提。由于沉尘室干精矿的含水率难以在线检测，根据人工经验进行的调节导致干精矿含水率的波动较大。因此，开发气流干燥过程水分软测量系统，实现对干精矿含水率的在线预测，具有十分重要的意义。
论文在深入分析气流干燥过程工艺机理的基础上，确立了影响气流干燥过程水分的主要因素。通过干燥过程的热传递分析，建立了含水率的热平衡模型；基于大量的过程采集数据，运用统计分析的方法，建立了含水率的主元回归模型；结合两种建模方法的优点，利用专家规则对热平衡模型和主元回归模型进行智能协调，建立水分软测量模型。仿真结果表明，该软测量模型切实可行，提高了预测精度。此外，研究了软测量模型进行在线校正的方法，保证模型的精度不会随生产条件变化而降低，增强了模型的稳定性。
在此基础上，采用VC++进行模块化程序设计，开发气流干燥过程水分软测量系统，利用OPC技术实现应用程序与组态软件的通信，通过在线获取气流干燥过程检测点的实时数据，实现了干精矿含水率的软测量、过程状态可视化监控、数据管理、打印等功能。工业运行结果表明，该系统对干精矿含水率的预测准确，为气流干燥过程优化控制的实现奠定了基础。
Pneumatic drying is one of key procedures in the process of flash smelter. Keeping the moisture content of concentrate between 0.1% and 0.3% is an important premise of flash smelting process. Because the moisture content of concentrate in dust collecting room is difficult to detect on-line, the controlling method according to experiences causes great fluctuation in the moisture content of concentrate. So it is necessary to develop soft-sensing system to forecast the moisture content on-line in pneumatic drying process.
Based on mechanism analysis of pneumatic drying, the principal factors that influence the moisture content are acquired. The heat balance model of moisture is proposed through analyzing the heat transfer mechanism, and the PCA regress model of moisture is presented on the basis of mass collecting data by using statistical analysis. According to the advantages of two models, the soft sensor model is established. An intelligent coordinator is designed to coordinate the heat balance model and the PCA regress model by using the expert rules. The simulation results show that the soft sensor model is valid and feasible, the prediction precision is improved. On-line correction method of soft sensor is proposed to guarantee that the prediction precision would not decrease along with the changes of working condition, and the robustness of the model is enhanced.
A soft-sensing system for the moisture in pneumatic drying process is developed. The software is programmed with VC++ and adopts modularization design. The application software communicated with the configuration software with OPC technology. By collecting the real-time data, soft sensor of the moisture is implemented with functions of visual monitoring, data management, printing, and so on. Results of industrial operation indicate that the system predicts the moisture content of concentrate accurately and settles the foundation for optimization control of pneumatic drying.
论文在深入分析气流干燥过程工艺机理的基础上，确立了影响气流干燥过程水分的主要因素。通过干燥过程的热传递分析，建立了含水率的热平衡模型；基于大量的过程采集数据，运用统计分析的方法，建立了含水率的主元回归模型；结合两种建模方法的优点，利用专家规则对热平衡模型和主元回归模型进行智能协调，建立水分软测量模型。仿真结果表明，该软测量模型切实可行，提高了预测精度。此外，研究了软测量模型进行在线校正的方法，保证模型的精度不会随生产条件变化而降低，增强了模型的稳定性。
在此基础上，采用VC++进行模块化程序设计，开发气流干燥过程水分软测量系统，利用OPC技术实现应用程序与组态软件的通信，通过在线获取气流干燥过程检测点的实时数据，实现了干精矿含水率的软测量、过程状态可视化监控、数据管理、打印等功能。工业运行结果表明，该系统对干精矿含水率的预测准确，为气流干燥过程优化控制的实现奠定了基础。
Pneumatic drying is one of key procedures in the process of flash smelter. Keeping the moisture content of concentrate between 0.1% and 0.3% is an important premise of flash smelting process. Because the moisture content of concentrate in dust collecting room is difficult to detect on-line, the controlling method according to experiences causes great fluctuation in the moisture content of concentrate. So it is necessary to develop soft-sensing system to forecast the moisture content on-line in pneumatic drying process.
Based on mechanism analysis of pneumatic drying, the principal factors that influence the moisture content are acquired. The heat balance model of moisture is proposed through analyzing the heat transfer mechanism, and the PCA regress model of moisture is presented on the basis of mass collecting data by using statistical analysis. According to the advantages of two models, the soft sensor model is established. An intelligent coordinator is designed to coordinate the heat balance model and the PCA regress model by using the expert rules. The simulation results show that the soft sensor model is valid and feasible, the prediction precision is improved. On-line correction method of soft sensor is proposed to guarantee that the prediction precision would not decrease along with the changes of working condition, and the robustness of the model is enhanced.
A soft-sensing system for the moisture in pneumatic drying process is developed. The software is programmed with VC++ and adopts modularization design. The application software communicated with the configuration software with OPC technology. By collecting the real-time data, soft sensor of the moisture is implemented with functions of visual monitoring, data management, printing, and so on. Results of industrial operation indicate that the system predicts the moisture content of concentrate accurately and settles the foundation for optimization control of pneumatic drying.
引文
[1] 邱竹贤．有色冶金学．北京：冶金工业出版社，1988
[2] 贵溪冶炼厂熔炼车间岗位培训教材(闪速炉部分)．江西：贵溪冶炼厂，1997
[3] 于静江，周春晖．过程控制中的软测量技术．控制理论与应用，1996，13(2)： 137～144
[4] 罗荣富，邵惠鹤．软测量方法及其工业应用．工业过程模型化及控制，中国自动化学会第六届过程控制科学报告会论文集，1993：324～329
[5] 孙优贤．造纸过程建模与控制．杭州：浙江大学出版社，1993：33～44
[6] 李海青，黄志尧．软测量技术原理及应用．北京：化学工业出版社．2000
[7] Macvoy T J. Contemplative stance for chemical process control. Automatica. 1992, 28(2): 441～442
[8] 刘瑞兰．软测量技术若干问题的研究及工业应用：[博士学位论文]．杭州：浙江大学，2004
[9] 罗荣富，邵惠鹤．推断控制中二次变量选择方法研究：CDC’1992论文集．东北大学出版社，1992
[10] 荣冈，金晓明，王树青．先进控制技术及应用第三讲-软测量技术及其应用．化工自动化及仪表，1999，26(4)：70～72
[11] Psichogios D C, Ungar L H. A hybrid neural network-first principles approach to process modeling. AIChE Journal, 1992, 38(10): 1499～1511
[12] Su H T, Bhat N, Minderman P A, Macvoy T J. Integrating neural networks with first principles models for dynamic modeling. 3rd IFAC Symposium, DYCORD'92, 1992
[13] Lai X P. Short-term Load Forecasting Using Hybrid Model Neural Networks. Proceedings of the 3rd Asian Control Conference, Shanghai, 2000, July: 2122～2125
[14] Mastorocostas P A, Theocharis J B, Kiartzis S J, etal. A hybrid fuzzy modeling method for short-term load forecasting. Mathematics and Computers in Simulation, 2000, 51 (3): 221～232
[15] Tao J, Xie S M, Chai T Y. An Intelligent Method for BOF Endpoint Phosphorus Estimation. Proceedings of the 3rd Asian Control Conference, Shanghai, 2000, July: 1120～1125
[16] Kukolj D, Levi E. Identification of complex systems based on neural and Takagi-Sugeno fuzzy model. IEEE Transaction on Systems, Man, and Cybernetics-Part B: Bybernetics, 2004, 34(1): 272～282
[17] Kordon A, Smits G, Jordan E, etal. Robust soft sensors based on integration of genetic programming, analytical neural networks, and support vector machines. Proceedings of the 2002 Congress on Evolutionary Computation CEC2002, 2002: 896～901
[18] Yoon H B, Chang K Y, Lee I B. Nonlinear PLS modeling with fuzzy inference system. Chemometrics and Intelligent Laboratory Systems, 2003, 64(1): 137～155
[19] Cristina A H, Maciel F R. Neural network and hybrid model: a discussion about different modeling techniques to predict pulping degree with industrial data. Chemical Engineering Science 2001, 56(2): 565～570
[20] Llobet E, Brezmes J, Gualdron O, etal. Building parsimonious fuzzy ARTMAP models by variable selection with a cascaded genetic algorithm: application to multisensor systems for gas analysis. Sensor and Actuators B, 2004, 99(1): 267～272
[21] 曹承志，鲁木平，王楠，等．基于小波模糊神经网络的DTC系统参数的辨识．电工技术学报，2004，19(6)：18～22
[22] 傅建中，陈子辰．精密机械热动态误差模糊神经网络建模研究．浙江大学学报，2004，38(6)：742～746
[23] 张秀艳，徐立本．基于神经网络集成系统的股市预测模型．系统工程理论与实践，2003(9)：67～70
[24] Elragal H. Improving neural networks prediction using fuzzy-genetic model. National Radio Science Conference, 2004. NRSC 2004. Proceedings of the Twenty-First, 16-18 March 2004, pp: 347～354
[25] Zhang G Z, Huang D S. Radial basis function neural network optimized by a genetic algorithm for soybean protein sequence residue spatial distance prediction. Evolutionary Computation, 2004. CEC2004. Congress on, Volume: 1, June 19-23, 2004, pp: 1015～1019
[26] Valdes J J, Barton A J. Multivariate time series model discovery with wimilarity-based neuro-fuzzy networks and genetic algorithms. Proceedings of the International Joint Conference on Neural Networks. Oregon, Portland, 2003, 3: 1945～1950
[27] Mogilenko A V, Pavlyuchenko D A, Manusov V Z. Development of fuzzy regression models using genetic algorithms. Intemational Journal of Uncertainty, fuzziness and knowledge-Based Systems, 2003, 11(4): 429～444
[28] 李勇刚．基于智能集成模型的苛性比值与熔出率软测量及其应用研究：[博士学位论文]．长沙：中南大学，2004
[29] 张晓东，王伟，王小刚．选矿过程神经网络粒度软测量方法的研究．控制理论与应用，2000，19(1)：85～88
[30] 韩璞，王东风，翟永杰．基于神经网络的火电厂烟气含氧量软测量．信息与控制，2001，30(2)：189～192
[31] 李向阳，李艳，朱学峰等．基于模型的模糊推理及其在制浆蒸煮软测量中的应用．化工自动化及仪表，2000，27(5)：9～13
[32] 孙强．精馏过程粗锌液流量自动检测系统的研究与开发：[硕士学位论文]．长沙：中南大学，2002
[33] 沈雁鸣．粗汽油干点软测量研究：[硕士学位论文]．上海：华东理工大学，1998
[34] 刘心岩．原油常压蒸馏过程预测推断控制研究及应用：[硕士学位论文]．上海：华东理工大学，1998
[35] 潘永康，王喜忠．现代干燥技术．北京：化学工业出版社，1998
[36] 赵捧，蒋蔚孙．一种基于随机搜索的数据校核方法．浙江大学学报，1996，30：276～279
[37] 罗刚，张堤．精馏塔软测量建模中数据校正的计算机实现．计算机测量与控制，2004，12(11)：1025～1027
[38] Singh S R, Mittal N K, Sen P K. A novel data reconciliation anti gross error detection tool for the mineral processing industry. Minerals Engineering, 2001, 14(7): 809～814
[39] 董志军，王世广．小波分析及其在化工过程数据校正中的应用．当代化工，2001，30(3)：173～176
[40] 孔明放，陈丙珍，李博．数据协调与过失误差侦破的鲁棒估计同步方法．清华大学学报，2000，40(2)：46～50
[41] 《铜铅锌冶炼设计参考资料》编写组．铜铅锌冶炼设计参考资料，冶金工业出版社，1978，64～84
[42] 陈希孺，王松桂．近代实用回归分析．南宁：广西人民出版社，1984
[43] 林洪桦．动态测试数据处理．北京：北京理工大学出版社，1995
[44] 俞金寿，刘爱伦，张克进．软测量技术及其在石油化工中的应用．北京： 化学工业出版社，2000
[45] Christian H E. Mass Transfer in Wetted-Wall Columns: Correlations at High Reynolds Numbers Chem. Eng. Sci., 1998, 53(3): 495～503
[46] Harvey A H. Semi empirical Correlation for Henry's Constants over Large Temperature Ranges A.1.Ch.E. Journal, 1999, 54(6): 829～839
[47] Schmidt S. A New Correlation for the Wall-to-Fluid Mass Transfer in Liquid-Solid Fluidized Beds Chem. Eng.Sci., 1999, 54(6): 829～839
[48] 郭宝林．回归分析方法在压缩机故障分析中的应用．石油化工，1989，18(8)： 535～538
[49] Mejdell T, Skogestad S. Estimation of Distillation Compositions from Multiple Temperature Measurements Using Partial-least-squares Regression, Ind. Eng. Chem. Res., 1991, 30(12): 2543～2555
[50] 张定华．闪速熔炼气流干燥水分软测量及智能优化控制研究：[硕士学位论文]．长沙：中南大学，2006
[51] 王京茹，李平康，郑宏伟．主元分析法在火电厂过程控制中的应用．仪器仪表学报，2004，25(4)：1016-1017
[52] 黄佳，桂卫华，张定华．气流干燥过程水分软测量集成建模研究．计算机测量与控制(已录用)
[53] 陈晓方，桂卫华，王雅琳，等．基于智能集成策略的烧结块残留软测量模型．控制理论与应用，2004，21(1)：75～80
[54] 陈亚秋．基于多层前传神经网络的优化组合建模及其应用：[博士学位论文]．杭州：浙江大学，2000
[55] 王亦文，桂卫华，王雅琳．基于最优组合算法的烧结终点集成预测模型．中国有色金属学报，2002，12(1)：191～195
[56] Johansen T A, Babuska R. Multiobjective identification of Takagi-Sugeno fuzzy models. IEEE Transactions on Fuzzy Systems, 2003, 11 (6): 847～860
[57] Ihalainen M, Alho J, Kolehmainen O, etal. Expert models for bilberry and cowberry yields in Finnish forests. Forest Ecology and Management, 2002, 157(1): 15～22
[58] 王雅琳．智能集成建模理论及其在有色冶炼过程优化控制中的应用研究：[博士学位论文]．长沙：中南大学，2001
[59] Shafer G. A mathematical theory of evidence. Princeton University Press, 1976
[60] Dempster A P. Upper and low probabilities induced by a mufti-valued mapping. Annals of Mathematical Statistics, 1967, 38:325～339
[61] 吴凯，何小荣，陈丙珍．DMS中人工神经网络的在线训练法．化工学报，2001，52(2)：1068～1071
[62] 蒋敏伟，蒋慰孙．过程控制中提高DCS应用水平的途径．自动化仪表，1998，19(10)：1～4
[63] 陈曦，姚普光．工业控制软件的面向对象开发技术．河北工业大学学报，1998，27(2)：107～113
[64] David J，Kruglinski，Scot W，等．Visual C++6.0技术内幕(希望图书创作室译)．北京：北京希望电子出版社，1995
[65] 王德康，苏宏业，褚健．基于OPC技术的先进控制软件设计与研究．化工自动化及仪表，2000，27(4)：27～30
[66] 何海江．OPC客户端关键技术的实现．微计算机信息，2003，19(7)：76～78
[67] 王恩波．网络数据库实用教程：SQL Server 2000．北京：高等教育出版社，2004
[68] 求是科技．Visual C++6.0数据库开发技术与工程实践．北京：人民邮电出版社，2004
[2] 贵溪冶炼厂熔炼车间岗位培训教材(闪速炉部分)．江西：贵溪冶炼厂，1997
[3] 于静江，周春晖．过程控制中的软测量技术．控制理论与应用，1996，13(2)： 137～144
[4] 罗荣富，邵惠鹤．软测量方法及其工业应用．工业过程模型化及控制，中国自动化学会第六届过程控制科学报告会论文集，1993：324～329
[5] 孙优贤．造纸过程建模与控制．杭州：浙江大学出版社，1993：33～44
[6] 李海青，黄志尧．软测量技术原理及应用．北京：化学工业出版社．2000
[7] Macvoy T J. Contemplative stance for chemical process control. Automatica. 1992, 28(2): 441～442
[8] 刘瑞兰．软测量技术若干问题的研究及工业应用：[博士学位论文]．杭州：浙江大学，2004
[9] 罗荣富，邵惠鹤．推断控制中二次变量选择方法研究：CDC’1992论文集．东北大学出版社，1992
[10] 荣冈，金晓明，王树青．先进控制技术及应用第三讲-软测量技术及其应用．化工自动化及仪表，1999，26(4)：70～72
[11] Psichogios D C, Ungar L H. A hybrid neural network-first principles approach to process modeling. AIChE Journal, 1992, 38(10): 1499～1511
[12] Su H T, Bhat N, Minderman P A, Macvoy T J. Integrating neural networks with first principles models for dynamic modeling. 3rd IFAC Symposium, DYCORD'92, 1992
[13] Lai X P. Short-term Load Forecasting Using Hybrid Model Neural Networks. Proceedings of the 3rd Asian Control Conference, Shanghai, 2000, July: 2122～2125
[14] Mastorocostas P A, Theocharis J B, Kiartzis S J, etal. A hybrid fuzzy modeling method for short-term load forecasting. Mathematics and Computers in Simulation, 2000, 51 (3): 221～232
[15] Tao J, Xie S M, Chai T Y. An Intelligent Method for BOF Endpoint Phosphorus Estimation. Proceedings of the 3rd Asian Control Conference, Shanghai, 2000, July: 1120～1125
[16] Kukolj D, Levi E. Identification of complex systems based on neural and Takagi-Sugeno fuzzy model. IEEE Transaction on Systems, Man, and Cybernetics-Part B: Bybernetics, 2004, 34(1): 272～282
[17] Kordon A, Smits G, Jordan E, etal. Robust soft sensors based on integration of genetic programming, analytical neural networks, and support vector machines. Proceedings of the 2002 Congress on Evolutionary Computation CEC2002, 2002: 896～901
[18] Yoon H B, Chang K Y, Lee I B. Nonlinear PLS modeling with fuzzy inference system. Chemometrics and Intelligent Laboratory Systems, 2003, 64(1): 137～155
[19] Cristina A H, Maciel F R. Neural network and hybrid model: a discussion about different modeling techniques to predict pulping degree with industrial data. Chemical Engineering Science 2001, 56(2): 565～570
[20] Llobet E, Brezmes J, Gualdron O, etal. Building parsimonious fuzzy ARTMAP models by variable selection with a cascaded genetic algorithm: application to multisensor systems for gas analysis. Sensor and Actuators B, 2004, 99(1): 267～272
[21] 曹承志，鲁木平，王楠，等．基于小波模糊神经网络的DTC系统参数的辨识．电工技术学报，2004，19(6)：18～22
[22] 傅建中，陈子辰．精密机械热动态误差模糊神经网络建模研究．浙江大学学报，2004，38(6)：742～746
[23] 张秀艳，徐立本．基于神经网络集成系统的股市预测模型．系统工程理论与实践，2003(9)：67～70
[24] Elragal H. Improving neural networks prediction using fuzzy-genetic model. National Radio Science Conference, 2004. NRSC 2004. Proceedings of the Twenty-First, 16-18 March 2004, pp: 347～354
[25] Zhang G Z, Huang D S. Radial basis function neural network optimized by a genetic algorithm for soybean protein sequence residue spatial distance prediction. Evolutionary Computation, 2004. CEC2004. Congress on, Volume: 1, June 19-23, 2004, pp: 1015～1019
[26] Valdes J J, Barton A J. Multivariate time series model discovery with wimilarity-based neuro-fuzzy networks and genetic algorithms. Proceedings of the International Joint Conference on Neural Networks. Oregon, Portland, 2003, 3: 1945～1950
[27] Mogilenko A V, Pavlyuchenko D A, Manusov V Z. Development of fuzzy regression models using genetic algorithms. Intemational Journal of Uncertainty, fuzziness and knowledge-Based Systems, 2003, 11(4): 429～444
[28] 李勇刚．基于智能集成模型的苛性比值与熔出率软测量及其应用研究：[博士学位论文]．长沙：中南大学，2004
[29] 张晓东，王伟，王小刚．选矿过程神经网络粒度软测量方法的研究．控制理论与应用，2000，19(1)：85～88
[30] 韩璞，王东风，翟永杰．基于神经网络的火电厂烟气含氧量软测量．信息与控制，2001，30(2)：189～192
[31] 李向阳，李艳，朱学峰等．基于模型的模糊推理及其在制浆蒸煮软测量中的应用．化工自动化及仪表，2000，27(5)：9～13
[32] 孙强．精馏过程粗锌液流量自动检测系统的研究与开发：[硕士学位论文]．长沙：中南大学，2002
[33] 沈雁鸣．粗汽油干点软测量研究：[硕士学位论文]．上海：华东理工大学，1998
[34] 刘心岩．原油常压蒸馏过程预测推断控制研究及应用：[硕士学位论文]．上海：华东理工大学，1998
[35] 潘永康，王喜忠．现代干燥技术．北京：化学工业出版社，1998
[36] 赵捧，蒋蔚孙．一种基于随机搜索的数据校核方法．浙江大学学报，1996，30：276～279
[37] 罗刚，张堤．精馏塔软测量建模中数据校正的计算机实现．计算机测量与控制，2004，12(11)：1025～1027
[38] Singh S R, Mittal N K, Sen P K. A novel data reconciliation anti gross error detection tool for the mineral processing industry. Minerals Engineering, 2001, 14(7): 809～814
[39] 董志军，王世广．小波分析及其在化工过程数据校正中的应用．当代化工，2001，30(3)：173～176
[40] 孔明放，陈丙珍，李博．数据协调与过失误差侦破的鲁棒估计同步方法．清华大学学报，2000，40(2)：46～50
[41] 《铜铅锌冶炼设计参考资料》编写组．铜铅锌冶炼设计参考资料，冶金工业出版社，1978，64～84
[42] 陈希孺，王松桂．近代实用回归分析．南宁：广西人民出版社，1984
[43] 林洪桦．动态测试数据处理．北京：北京理工大学出版社，1995
[44] 俞金寿，刘爱伦，张克进．软测量技术及其在石油化工中的应用．北京： 化学工业出版社，2000
[45] Christian H E. Mass Transfer in Wetted-Wall Columns: Correlations at High Reynolds Numbers Chem. Eng. Sci., 1998, 53(3): 495～503
[46] Harvey A H. Semi empirical Correlation for Henry's Constants over Large Temperature Ranges A.1.Ch.E. Journal, 1999, 54(6): 829～839
[47] Schmidt S. A New Correlation for the Wall-to-Fluid Mass Transfer in Liquid-Solid Fluidized Beds Chem. Eng.Sci., 1999, 54(6): 829～839
[48] 郭宝林．回归分析方法在压缩机故障分析中的应用．石油化工，1989，18(8)： 535～538
[49] Mejdell T, Skogestad S. Estimation of Distillation Compositions from Multiple Temperature Measurements Using Partial-least-squares Regression, Ind. Eng. Chem. Res., 1991, 30(12): 2543～2555
[50] 张定华．闪速熔炼气流干燥水分软测量及智能优化控制研究：[硕士学位论文]．长沙：中南大学，2006
[51] 王京茹，李平康，郑宏伟．主元分析法在火电厂过程控制中的应用．仪器仪表学报，2004，25(4)：1016-1017
[52] 黄佳，桂卫华，张定华．气流干燥过程水分软测量集成建模研究．计算机测量与控制(已录用)
[53] 陈晓方，桂卫华，王雅琳，等．基于智能集成策略的烧结块残留软测量模型．控制理论与应用，2004，21(1)：75～80
[54] 陈亚秋．基于多层前传神经网络的优化组合建模及其应用：[博士学位论文]．杭州：浙江大学，2000
[55] 王亦文，桂卫华，王雅琳．基于最优组合算法的烧结终点集成预测模型．中国有色金属学报，2002，12(1)：191～195
[56] Johansen T A, Babuska R. Multiobjective identification of Takagi-Sugeno fuzzy models. IEEE Transactions on Fuzzy Systems, 2003, 11 (6): 847～860
[57] Ihalainen M, Alho J, Kolehmainen O, etal. Expert models for bilberry and cowberry yields in Finnish forests. Forest Ecology and Management, 2002, 157(1): 15～22
[58] 王雅琳．智能集成建模理论及其在有色冶炼过程优化控制中的应用研究：[博士学位论文]．长沙：中南大学，2001
[59] Shafer G. A mathematical theory of evidence. Princeton University Press, 1976
[60] Dempster A P. Upper and low probabilities induced by a mufti-valued mapping. Annals of Mathematical Statistics, 1967, 38:325～339
[61] 吴凯，何小荣，陈丙珍．DMS中人工神经网络的在线训练法．化工学报，2001，52(2)：1068～1071
[62] 蒋敏伟，蒋慰孙．过程控制中提高DCS应用水平的途径．自动化仪表，1998，19(10)：1～4
[63] 陈曦，姚普光．工业控制软件的面向对象开发技术．河北工业大学学报，1998，27(2)：107～113
[64] David J，Kruglinski，Scot W，等．Visual C++6.0技术内幕(希望图书创作室译)．北京：北京希望电子出版社，1995
[65] 王德康，苏宏业，褚健．基于OPC技术的先进控制软件设计与研究．化工自动化及仪表，2000，27(4)：27～30
[66] 何海江．OPC客户端关键技术的实现．微计算机信息，2003，19(7)：76～78
[67] 王恩波．网络数据库实用教程：SQL Server 2000．北京：高等教育出版社，2004
[68] 求是科技．Visual C++6.0数据库开发技术与工程实践．北京：人民邮电出版社，2004