干熄焦工艺是一种新兴的制焦工艺,相比于传统湿熄焦工艺,热能回收效率高,出焦质量好,且污染物排放量低,在我国钢铁产业技术升级中扮演重要的角色。干熄焦系统是一个复杂的非线性系统并且具有很高的延时性,因此一般采用模型预测控制来实现对干熄焦系统的控制,但模型预测控制的精准程度受制于回归预测模型的精准程度。因此本文希望能够提出一种能够实现变量选择的非线性建模方法,从而使得预测模型拥有结构简单,响应速度快,预测精度高等优点。以满足模型预测控制对预测模型的精度要求。论文首先对目前国内外干熄焦工艺的发展情况进行介绍,并且对神经网络建模方法与变量选择方法的发展状况与基本原理进行了介绍。之后通过对干熄焦系统工作流程的分析,以及对现场工业数据的分析,选取锅炉进气温度作为建模的目标变量,并对数据集进行初步选取,选择了18个协变量作为预测建模与变量筛选的备选变量。为实现变量筛选与非线性建模,本文提出了一种基于Lasso惩罚与神经网络的变量筛选建模方法(Lasso-ANN),并对该算法的算法流程进行了详细介绍。除此之外还对该算法中的关键环节进行了更为详细的介绍。在利用Lasso-ANN进行变量筛选的过程中存在一个复杂的非线性最优化问题,为快速精准的求解这一优化问题,设计了一种专门求解Lasso-ANN的新型的PSO粒子群算法。最后通过MATLAB编程实现了该算法,并将该算法的仿真效果与其他建模方法进行比较。由比较结果可知通过该方法得到的预测模型泛化能力更强,预测精度更高。