在加热炉钢坯加热过程中,加热炉是炼钢过程的最主要的消耗能源的设备。钢坯会在加热炉内经过多个加热阶段对钢坯进行加热以达到合适的出炉温度,从而进行下一阶段的轧制操作。通过整个加热过程参数对钢坯出炉温度进行预测,以及根据早期阶段的过程参数预测温度并及时做出过程参数的优化,这样可以使得出钢温度达到理想值,加热炉能耗就可以尽可能降低,并且达到节省成本的目的。本文提出结合领域机理知识、基于深度学习技术构建预测和优化模型用于工业炼钢加热炉钢坯加热过程。针对流程工业中工业炼钢加热炉钢坯出炉温度预测问题,本文提出一种基于全连接神经网络可解释性的参数选择自编码器神经网络预测模型（Parameter Seletor Autoencoder Neural Network,PS-AENN）,结合流程工业数据多维度的特点,首先引入神经网络注意力机制用以识别重要流程参数,再通过自编码器进行特征提取,最后进行预测。这种深度学习与过程提取的方法为重要过程参数提取和预测结果提供了新的解决思路。针对钢坯加热过程温度预测和参数优化问题,本文提出一种基于深度学习和机理知识相结合的多阶段预测与优化混合模型。该模型首先使用机理模型推导出的钢坯温度分布方程计算出四个加热段对应的钢坯温度分布,并与原始过程参数在时间维度上进行拼接。随后使栈自编码器（Stacked Autoencoder,SAE）对过程参数进行特征提取,并通过基于Attention机制的长短期记忆模型（Long Short Term Memory,LSTM）对出炉温度进行初步预测,最后通过预测结果对后期加热阶段参数进行优化调整,达到优化工业炼钢加热炉加热过程的目的。最后在某工厂加热炉真实生产数据上,对本文所提出的两个方法进行对比实验和有效性验证。结果表明,结合机理知识之后,模型预测的误差缩小到了4℃以内,并且将拥有异常出炉温度的钢坯数量减少了42.9%。因此在工业炼钢加热炉钢坯加热过程中,本文的方法能有效优化整个加热过程。