铁水质量的优劣不仅对铸铁的强度、韧性、冶炼成本、使用寿命有很大影响,还对用户的使用满意度有直接影响。铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标。预测高炉铁水硫含量,能协助生产人员及时采取措施,防止出现铁水中硫含量过高的情况。降低铁水硅含量,可以提高产量,进而降低原料消耗。因此在出铁前精准获取铁水中的S含量和Si含量具有非常重要的意义。本文主要研究内容包括:(1)对山西某铸造集团公司已有的近三年的高纯生铁生产数据进行探索分析,并对数据集中的空值和异常值进行预处理,运用主成分分析法对特征集进行降维处理,得到对特征集有90%以上贡献率的12个主成分,在此基础上消除了特征集中变量之间的复杂相关性。(2)采用数据挖掘技术中的最小二乘支持向量机(LS-SVM)方法、BP神经网络(BPNN)方法、分类与回归树(CART)方法构建了铁水中S含量和Si含量的预测模型,通过对以上三种模型预测结果及预测误差的比较分析得出结论:在铁水中S含量和Si含量的预测方面,分类与回归树预测模型的综合性能优于最小二乘支持向量模型和BP神经网络模型。(3)利用最优化原理,以入炉配料成本为目标函数,出铁量、入炉配料成分要求、炉渣成分要求及工艺要求为约束条件,建立高纯生铁冶炼配料成本优化模型,获得最佳配料方式和对应的最低成本。入炉原料确定后,通过回归树预测模型的预测结果并结合高炉冶炼中影响硅含量与硫含量的操作参数,本文提出了对于生产合格铁水的高炉操作参数调整策略,以便在出铁前进行高炉操作参数实时调控,使得铁水的质量符合企业生产要求。