钢铁工业是国民经济的重要支柱产业,其存在着产能过剩矛盾加剧、自主创新水平不高、资源环境约束增强等问题,亟需优化当前生产工艺以进一步提高能源利用率、实现冶炼智能化。高炉炼铁是钢铁工业中最为重要的环节。“高效、优质、低耗、长寿、环保”是炼铁的基本技术方针。《钢铁工业“十三五”发展规划》强调提高自主创新能力、提升钢铁有效供给水平,积极发展智能制造和推进绿色制造。依此背景,实现高炉炼铁智能化和信息化,符合国家发展的需要。高炉炼铁中的布料制度是高炉四大操作制度之一。布料制度决定着炉料在炉内的分布状况,是改善高炉炉况、保证高炉顺行常用的操作手段。布料环节机理复杂、环境恶劣、关键参数检测困难,其优化过程一直是研究热点。本研究以高炉布料矩阵为研究对象,以高炉布料矩阵优化设定为目标,建立高炉布料矩阵聚类模型,分析历史布料规律;改进高炉布料过程数据驱动建模算法,为后续分析优化提供建模基础;建立高炉布料矩阵调整的分类模型,判断当前布料矩阵是否需要调整;建立高炉布料矩阵生成机制及优化模型,获得布料矩阵和料面的映射关系,进而优化布料矩阵的设定策略,改善传统布料矩阵设定方法。主要研究内容和创新性成果如下:(1)建立了高炉布料矩阵聚类模型。为分析高炉历史布料矩阵,以高炉料面信息和炉况参数为输入参数,建立了高炉布料矩阵聚类模型。同时,引入面板数据概念至高炉布料研究领域,从时间维度、样本维度和指标维度对高炉生产数据进行分析;深入研究了量子聚类算法(Quantum Clustering,QC),将其运用至高炉布料矩阵聚类模型。使用高炉生产数据进行仿真实验,获得较高的聚类精度,验证了模型的可行性和准确性。(2)改进了高炉布料过程数据驱动建模算法。针对多层超限学习机(Multi-layer Extreme Learning Machine,ML-ELM),结合高炉生产数据的特点,提出了多种改进的ML-ELM算法,提出的改进算法改善了 ML-ELM算法的共线性问题、过拟合问题和权值选取问题,提高了 ML-ELM算法在工业数据驱动建模领域的泛化能力和精度。使用高炉生产数据建立高炉铁水硅含量回归模型和高炉煤气利用率回归模型,获得了较好的回归结果,验证了改进算法的有效性和准确性,为后续的高炉布料矩阵建模研究提供基础。(3)建立了高炉布料矩阵调整的分类模型。为判断高炉布料矩阵是否需要调整,采用分类算法作为建模算法,并结合高炉布料操作规律和高炉生产数据,建立了高炉布料矩阵调整的分类模型,获得了较好的分类结果和泛化能力,验证了分类模型的可行性和有效性。(4)建立了高炉布料矩阵的生成机制及优化模型。为实现由料面信息得到高炉布料矩阵,以料面信息为输入参数,以布料矩阵中布料圈数为输出参数,采用神经网络算法作为模型的建模算法,建立了高炉布料矩阵生成机制模型;为优化高炉布料矩阵的设定,提出了布料矩阵的优化设定策略,建立了高炉布料矩阵优化模型。使用高炉生产数据进行仿真实验,验证了模型的可行性和有效性。高炉布料矩阵生成机制及优化模型的建立改善了传统布料矩阵设定方法,促进了高炉布料过程的智能化发展。