高炉冶炼过程作为钢铁生产过程的上游工序,其CO2的直接和相关排放占钢铁工业总排放量的90%,能耗则占钢铁工业总能耗的70%。所以,高炉冶炼是钢铁工业实现节能减排的主要潜力所在。高炉铁水硅含量既表征了铁水质量,也表征了炉热状态,其模型的建立非常重要。然而,对于高温高压下的高炉冶炼过程,高炉内硅的迁移行为受到诸多因素间复杂的耦合作用。因此,高炉冶炼过程中铁水硅含量模型的准确建立,既是高炉高效控制的前提,也是炼铁自动化中的一大难题。本文针对铁水硅含量建模这一关键问题,以柳钢2号高炉为背景,进行了数据驱动建模方案的系统性研究。通过对炉内硅的复杂迁移行为的深入机理分析和现场运行数据的统计分析,很好地确定了影响最终铁水硅含量的关键因素及其作用的滞后时间。在建模算法的构建上,本文首次分析考虑了高炉系统的时变特点,从而使建立的模型在炉况波动较大时仍能准确预测下一炉的铁水硅含量。最后,针对柳钢2号高炉开发了“高炉铁水硅含量预测系统”,现场实验效果很好。因此,本文的工作具有一定的理论意义和实际应用价值。论文的主要研究内容和成果如下:首先,针对算法输入选择这一关键问题,通过对高炉内硅的迁移行为的深入分析,获得了高炉中各个变量与铁水硅含量的机理作用关系,从机理角度得到影响铁水硅含量的因素。进一步通过对变量间的相关性分析,得到相应变量与铁水硅含量间的相关性大小,并进一步确定了相应变量对铁水硅含量产生影响的滞后时间。这些为很好地选择数据驱动建模的输入变量提供了有效的方法,从而为精确的铁水硅含量建模奠定了基础。其次,针对极限学习机建模算法在解决实际复杂问题时,由于隐藏节点数的增加而造成算法的训练时间迅速增加的问题,提出了基于矩阵分解的改进的极限学习机算法。该算法不仅保留了极限学习机的原有性能,而且大大减少了算法的训练时间,并且本文提出的方法可以扩展到很多其他改进型的极限学习机上。该算法在高炉铁水硅含量的建模中得到了不错的效果。再次,本文首次考虑了高炉运行过程中由于内部环境不断变化而造成的系统模型变化的问题,即高炉系统的时变特点,对此提出了基于变遗忘因子随机梯度法的Wiener模型铁水硅含量建模方案。该方案利用变遗忘因子随机梯度的递推辨识方法来辨识非线性动态结构的Wiener模型,该方法可以较好地跟踪高炉系统模型的变化,从而得到了较好的铁水硅含量预测效果。进一步,本文更加深入地分析了高炉系统的时变特点,由于高炉冶炼过程处于多种炉况交互变化中,所以高炉铁水硅含量模型是由多个子模型组成,对此首次提出了门控极限学习机结构模型。门控极限学习机结构模型不仅能够很好地抓住高炉系统多模型的特点,而且能够充分利用历史数据。最后高炉数据仿真实验验证了该模型的有效性,尤其针对铁水硅含量波动较大的炉况,该算法仍能够实现较好的预测。最后,基于以上所提出的算法,利用LABVIEW和MATLAB混合编程方法开发了“高炉铁水硅含量预测系统”,并在柳钢2号高炉上进行了实验,得到了很好的运行效果。因此,该系统能够为高炉操作者提供很好的操作指导。