钢铁工业是国民经济的重要支柱产业,也是大量消耗能源的产业。而作为钢铁生产体系中能耗最大的环节,高炉炼铁在节能降耗方面的每一个技术进步都将带来巨大的经济和社会效益。　　 高炉的根本目的是生产合格的铁水,因此只有在保证铁水质量和产量的前提下,高炉节能降耗的研究才有意义。这也就意味着,高炉的节能降耗包括两部分内容,保证铁水质量和降低高炉能耗。一方面,铁水质量与高炉炉温密切相关,只有将高炉炉温稳定在一定的范围内才能保证高炉长期有效的运行。另一方面,要降低能源消耗必须保证高炉稳定运行,减少因为故障停产等造成的损失。为了保证高炉长期稳定地运行,本文以高炉现场采集的冶炼过程数据为基础,针对高炉的实际运行情况,对高炉冶炼过程进行炉温预测和故障诊断,从而保证生产的安全有效运行,最终提高生产效率、减少能源消耗,为高炉冶炼过程的节能优化奠定基础。　　 本文主要以核主成分(KPCA)、最小二乘支持向量机(LSSVM)和随机森林(RF)等模式识别工具为基础,建立了炼铁高炉铁水硅含量的LSSVM智能复合预测模型以及高炉的RF故障诊断模型,对高炉生产过程中的铁水硅含量进行预测以及对高炉故障进行诊断。具体模型建立过程如下:　　 (1)针对常用的主成分分析法(PCA)具有强噪声敏感性和受限于处理线性问题的缺点,提出采用基于径向基核函数的KPCA进行高炉铁水硅含量的特征提取方法。分析高炉运行中的不同工况,利用LSSVM对每个工况建立铁水硅含量的预测模型,然后根据现场数据与模型的匹配度生成每个工况模型的权重系数,从而形成铁水硅含量的复合预测模型。最后,通过高炉现场采集的数据验证了KPCA与LSSVM相结合的高炉故障诊断模型的有效性,结果表明,KPCA能够有效提取炼铁高炉的故障特征,与传统的单模型和多模型相比,LSSVM多工况智能复合预测模型具有更高的预测准确率。　　 (2)基于RF对维数多样本少的案例有更好的处理效果,本文提出了采用RF高炉故障诊断模型对高炉常见故障进行诊断。由于RF的重采样方法存在一定的缺陷,因此对其做了一定的改进。用改进后的RF对现场采集到的数据进行重复采样,用每次重采样得到的数据训练一个故障分类树,直到整个模型的诊断结果达到预定的精度为止。通过实际采集到的数据验证了RF故障诊断模型的准确率。为了进一步说明RF模型判断高炉故障的高效性,本文还设计了BP神经网络模型和LSSVM模型与RF模型进行比较,结果表明,RF诊断模型不仅有较高的准确率,还有较好的泛化能力。　　 最后,在总结全文的基础上,提出了有待进一步研究的课题和今后工作的重点。