高炉冶炼过程是一个典型的复杂的工业控制过程，其冶炼过程中的变量之间存在强耦合性，非线性和时间滞后等特点。高炉控制过程复杂，受诸多因素影响，这种控制具有随机性，不是简单的线性系统或非线性系统的反馈控制，很难使用机理分析建立传统的数学模型来优化和控制高炉冶炼过程。高炉冶炼过程的操作决策上主要依靠炉长日常的经验，由于缺乏经验、以及对高炉冶炼过程的复杂情况缺乏理解，使得高炉冶炼过程中炉况波动、焦炭消耗大，生产成本较高。高炉炼铁过程离不开焦炭，为解决焦炭的短缺及其价格昂贵问题，作为高炉炼铁生产中不可缺少的重要炉况调节技术，喷煤代替部分冶金焦炭策略应运而生，降低了焦炭使用量、增强了冶金用煤资源的合理性、提高企业经济效益等方面起到重要作用。本课题以包钢高炉冶炼的特点为研究背景，应用数据挖掘技术与遗传优化BP神经网络方法相结合建立优化预测喷煤模型，具体研究内容分为三部分。1.针对高炉现场采集的大量历史数据进行数据预处理分析和优良数据筛选。其主要包括异常值剔除、数据缺失值补足、归一化处理、时滞性分析和相关性分析。首先对数据的异常值采用先剔除再用时间序列线性插值法补足，为了避免各变量的量纲不同而造成误差，所以又采取了数据归一化。其次又因为高炉本身是一个大滞后系统，影响炉温和喷煤量的大部分参数都存在时间滞后性，为了使建立的模型更精确，必须考虑变量的时滞性。最后根据相关分析选取与喷煤量和炉温相关系性较强的变量，为下文所建模型确定其输入变量和输出变量。2.本文综合炼铁工艺理论和高炉专家经验，针对白云鄂博矿石冶炼的特殊性，分别建立了基于遗传算法优化BP神经网络的高炉喷煤量优化预测模型以及工艺指标(铁水[Si]含量及入炉焦比)预测模型采用筛选出的优化数据。筛选出优良数据并利用遗传算法所固有的全局搜索性能优化BP神经网络模型的权值和阈值，建立上述两个模型。通过筛选出优化的数据建立喷煤预测模型可以根据高炉当前炉况预测出喷煤量的最佳优化设定值，并预测出相对应的工艺指标发展趋势。3.本文针对在研究内容2中其预测喷煤量的命中率不高和预测值的跟随性不好等问题，采用支持向量机数据分类方法，建立基于支持向量机炉温向凉向热分类模型，再对各类采用遗传优化BP神经网络的方法建模分别预测喷煤量优化设定值。数据分类依据高炉炉温分为向凉、正常、向热的趋势即给数据分为三类，与未分类作对其模型的整体性能得到很大的提高。本文建立了基于数据驱动的喷煤量预测模型，分别在筛选出优良数据和数据分类基础上建立基于遗传优化BP神经网络的喷煤量预测模型，在BP神经网络基础上优化模型输出最佳喷煤量。两种方法作对比，其数据分类后对喷煤量预测效果更好。而且可以根据炉温趋势给出最佳喷煤量，即当炉温向热时适当减少喷煤量和炉温向凉时适当增加喷煤量。在实际应用表明，本方法能够给现场人员提供决策指导，实现高炉稳定顺行、提高经济效益的目的