钢铁工业是国民经济的支柱产业,高炉炼铁是钢铁工业的重要组成部分。高炉炉温是高炉顺行的保证,也是判断高炉炉况的一个重要指标。如何建立能指导高炉炼铁人员进行炉温控制的炉热状态预报模型不仅具有重要的理论价值,而且也具有重要的生产实践价值。但是从控制论的角度来看,高炉过程是一种时延很大的非线性系统,在建模方面有着很大的难度。尤其高炉炉温的表达,难度更大。本文针对国内某大型钢铁企业4#高炉的实际情况提出了以化学热—铁水Ti含量代替物理热来判断炉温的变化。并在此基础上,根据已开发的静态模型分析4#高炉冶炼过程的规律、定量关系;通过分析影响炉缸热制度的主要因素及普通矿冶炼热制度与钒钛矿热制度的差别来研究4#高炉炉缸热制度特点。本文针对粒子群优化算法(PSO)的早熟现象,提出了一种基于学习因子自适应调整思想的改进PSO算法,并对算法进行了性能测试表明:改进的PSO算法收敛速度快,具备收敛概率和搜索精度;然后提出了用改进的PSO算法来训练BP神经网络,以此来提高网络训练效果。根据网络模型自身的特点,有必要控制输入参数的个数,同时在选取参数时应该尽量选择对输出量影响较大的参数;本文接着通过对各工艺参数之间相关性分析以及各工艺参数与铁水Ti含量间的相关性分析,得出了对炉温变化较敏感的参数以及各工艺参数对炉温影响的滞后时间。在此基础上,实现了对网络模型输入参数的选择。本文最后建立了基于PSO-BP神经网络的高炉热状态的动态预报模型;同时对4#高炉生成过程中的实际数据进行了预处理,并结合处理后的样本数据对模型进行仿真实验,实验结果表明,用改进BP-PSO网络对高炉铁水Ti含量预报的精度要高于标准的BP网络,此精度完全可以满足实际生产的需要,并且改进BP-PSO网络比标准BP网络的训练时间明显缩短。