随着工业化的逐步深入,世界气候变暖已经成为了人类社会所面对的最严重挑战之一。温室气体污染虽然是气候变暖的最主要原因,但由于中国的工业碳排放总量仍排全球首位,因此,对我国经济明确提出了"双碳目标"。其中,制造业碳排放占我国总碳排放的三分之一以上,所以降低制造过程的碳排放量对达成国家的"双碳目标"具有很大的积极意义。热处理是制造业的重点用能工序,我国每年的热处理工艺排放二氧化碳超3000万吨。热处理的工艺条件与工艺参数直接影响工艺结果和环境排放,其中工艺参数目前大多是通过国家标准手册或经验确定的,国家标准或经验推荐的值一般有一定的范围,存在通过优化工艺参数来降低整个制造过程碳排放量的空间。如何通过对热处理工艺参数优化,达成既保证工件质量要求又降低碳排放量成为“双碳目标”下亟需解决的难题。本文基于历史工艺数据集,结合BP神经网络及海鸥优化算法,提出一种BP-SOA融合数据驱动的热处理工艺低碳优化方法。首先构建热处理工艺历史数据库,根据热处理工艺的“四流”运行模型,对碳排放源进行分析识别并提出热处理工艺碳排放模型;针对热处理工艺低碳优化目标,建立热处理碳效率指标并构建热处理碳效率评估模型。然后,根据实际生产需求,分析出与碳的排放关联程度最强的工艺参数,并可将其直接作为构建神经网络结构模型的关键参数模型和后续的优化研究对象之一;对比和分析了传统的BP算法和BP-SOA神经网络预测算法,给出了准确度相对更高一些的改进式的BP神经网路;利用BP-SOA神经网络模型构建出了生产过程工艺参数指标和环境间的一种非线性映射关系,并可由此来作为一种碳排放的预测模型;对热处理工艺历史数据库中的相关数据进行训练,实现加工过程参数的预测。此后,利用SOA优化算法建立工艺参数优化模型。以BP神经网络预测模型作为适应度函数,通过综合碳效率评价模型的评估,使用SOA优化算法求解得到满足低碳高质的最佳工艺参数。最后,在CL公司的实际生产过程采集产生的一系列生产工艺参数建立工艺数据库。展开实验验证及案例对比分析,结果表明提升热处理综合碳效率4.2%,该方法为热处理工艺的低碳运行提供了一种使能工具。