高炉炼铁必须为其后的炼钢工序及时提供足够数量的优质铁水,炼铁过程所用的能耗占整个钢铁企业的60%,且高炉也是事故频发的重大设备。目前国内高炉异常情况主要靠人工监控,少数靠从国外引进的专家系统,技术引进费用高,且移植性差。作者在参加国内某大型钢铁企业“高炉异常炉况预报研究及应用”项目过程中完成这篇论文,主要的成果如下:①针对高炉的实际运行情况,分析高炉运行参数的作用和意义,针对专家系统知识获取的瓶颈问题,提出将数据挖掘引入专家系统以辅助其更有效的工作。通过现场调查以及对高炉运行历史数据的统计分析,提取参数变化的特征值,作为高炉专家系统知识信息库的数据来源。②十字测温反映了料面煤气温度的变化,本文通过分析高炉运行对十字测温的影响,从中提取特征值作为高炉管道发生的信息,仿真十字测温曲线的形状变化以说明所给出算法的有效性。③采用K-Means算法对高炉状态参数进行聚类分析,通过实际数据的分析比较,确定该算法对高炉参数分析的最优聚类数和迭代次数,最后得出各参数的运行理想值。通过统计分析、反复试验及现场考核确定高炉参数的最优阈值,并分析所判断的炉况和实际情况的差别。④本文引入扩展卡尔曼滤波奇异值分解法,以调整BP神经网络的权值,有效地克服了BP神经网络收敛慢、易陷入局部极小值的缺点,提高了计算的速度、滤波的数值稳定性和神经网络的输出精度。仿真试验说明了改进算法有较好的收敛速度和精度。⑤在高炉热状态预报中,建立向凉、向热分类模型,利用基于扩展卡尔曼滤波算法的BP神经网络对高炉向凉向热进行分类,辅助高炉专家系统运行。分析高炉十字测温曲线的规律变化,利用基于扩展卡尔曼滤波算法的BP神经网络对十字测温环的8个温度点进行预测,以预测高炉管道的发生。对分类和预测给出相应仿真试验结果,实验结果表明使用本文算法进行的向凉、向热分类和管道预测准确度较高,与实际高炉运行状况相符合。