高炉的稳定顺行是高炉冶炼过程中保证高质量液态铁的基础。由于高炉冶炼过程具有非线性、高维、大噪声等特性,大多数影响高炉稳定顺行的参数特性都不能通过现代传感技术直接测量得到,只能通过间接反映高炉冶炼过程的炉温来判断高炉冶炼情况,高炉炉内温度分布也是难以直接测量的。在正常的冶炼条件下,铁水含硅量反映了高炉内持续的热状态,与炉温成正相关,研究高炉铁水含硅量预测方法是高炉炉温预报的研究重点。.论文以湖南华菱钢管有限公司的高炉实际生产数据为背景,以铁水含硅量作为高炉炉温预测的主要依据,建立了以高炉物料平衡和热平衡为基础的高炉炉热指数静态预测模型和利用神经网络及支持向量机实现的高炉炉温预测的动态模型。高炉炉温预测的静态模型是通过计算炉热指数:Tc,Tf,选择常用的理论焦炭燃烧温度TC对铁水含硅量和铁水温度进行预测。由于高炉冶炼是一个动态过程,静态模型难以反映高炉冶炼过程的动态变化,故需要建立高炉炉温预测的动态模型来反映高炉冶炼过程的动态变化特征。本文首先采用BP神经网络和RBF神经网络来对高炉炉温进行预测。根据高炉采集的实际生产数据具有小样本、非线性、高维等特点,重点研究了基于最小二乘支持向量机的高炉炉温预测模型。为提高模型的预测精度,分别采用遗传算法(GA)和粒子群算法(PSO)对最小二乘支持向量机模型的相关参数进行优化。对所建立的预测模型利用Matlab进行了仿真实验。仿真结果表明:所建立的基于改进支持向量机高炉炉温预测模型与其它预测模型比较,预测精度更高,可为高炉工长提供更为正确的操作指导,为稳定生产工艺创造良好的条件。