焦炭作为冶金等行业的重要燃料和原料,在工业背景下的地位非常重要。在焦炉立火道中,能够保证火道温度的稳定具有十分重大的意义,对于减少生产能耗、提高焦炭质量、延长炉体的使用寿命、甚至对保护环境都有直接影响。焦炉加热过程具有很强的非线性、大滞后等特点,想要获得满意的控制效果单纯依靠传统的控制很难实现。神经网络对非线性系统能够很好的拟合与辨识,广义预测控制具有突出的控制能力、较好的抗干扰性与鲁棒性,本文进行了基于神经网络的焦炉火道温度的预测控制研究。首先,基于包钢焦化厂6#焦炉生产现场采集的海量生产数据,由数据预处理得出优良数据,并经相关性分析确认出影响火道温度的关键参数,将相关数据用于焦炉火道温度的预测建模。通过专家经验及对焦炉火道温度影响因素的分析,确定煤气热值与煤气流量波动是主要影响因素,并以煤气流量的调节来对焦炉火道温度进行控制研究。煤气流量与火道温度的历史数据分析表明,火道温度波动较大,煤气消耗量不稳定,因此有必要对其进行控制研究,并确定了整体研究方案。其次,针对焦炉火道温度难以实时在线测量的现状,利用神经网络对非线性系统的良好拟合能力,基于现场采集并处理后的优良数据,首先通过浅层BP神经网络建立了火道温度的预测模型,仿真结果表明BP神经网络能够较好的对火道温度进行预测。但在数据计算过程中,存在数据过拟合等隐患。而长短时记忆网络(LSTM)能够避免浅层神经网络存在的数据计算问题,并且针对时间序列数据有更好的处理能力。因此,在tensorflow框架下,应用python语言编写LSTM的程序,进行了焦炉火道温度的预测建模,仿真研究表明LSTM网络预测误差进一步减小,对火道温度的预测更有效。然后,通过对预测控制的深入分析,选择BP神经网络与预测控制相结合对火道温度进行预测控制研究。首先以BP神经网络建立焦炉火道温度预测模型,之后对神经网络非线性模型进行线性化处理。通过将阶梯式的控制约束施加在未来控制量上,提高了矩阵求逆运算的效率,使其运算量降低,并增加算法鲁棒性和抗于扰能力。应用广义预测控制算法及其改进算法进行火道温度的控制研究,并对算法的重要参数分别进行了研究。仿真表明阶梯式控制策略使系统的响应速度与参数调节都得到了一定改善。最后依据包钢焦炉现场实际生产情况,进行了多种工况下的仿真研究。智能预测控制算法将神经网络、阶梯式控制策略、广义预测控制进行有效的结合。通过仿真结果可以得出,改进后的阶梯式控制算法能够有效的改善系统控制性能,提高系统的动态响应。同时控制动作向着同方向变化,减小波动的同时有效保护了现场执行器的使用寿命。说明智能预测控制算法对焦炉立火道温度具有更好的控制效果。