钢铁行业作为整个国民经济的主要产业,在推动社会高速发展中扮演了重要角色。高炉炼铁是炼钢生产的重要环节,由于炉内反应极其复杂,固液气等多相耦合,具有很强的非线性、强耦合和大时滞等复杂的动态特性。因此,对其进行建模研究是很困难的。随着工业的发展,国内外学者对高炉炼铁的工艺的改进和炼铁原理的研究越来越重视和关注,对高炉炼铁工艺的建模和整个炼铁系统的控制研究一直是当今冶金工程和自动控制领域重点研究难题。目前,对铁水质量参数的建模方法大多是对单一的铁水硅含量或者铁水温度参数进行建模,由于单一的参数只能反映高炉反应过程的某种状态,并不能反应高炉生产的综合状态,不能满足实际高炉炼铁生产的操作和控制要求。还有,传统的对铁水质量参数建模的神经网络方法存在收敛速度慢、容易陷入局部最优、模型结构参数不能达到最优、并且模型预测精度不够、泛化能力较差等问题。因此,针对以上问题,本文提出基于核极限学习机的铁水质量预测方法的研究,具体工作如下:（1）分析高炉炼铁工艺原理,研究炼铁过程的动态特性,确定影响铁水质量的建模参数,然后分析炼铁过程的数据采集过程,对获取的大量的历史生产数据进行预处理,包括对样本数据的缺失值处理、异常值处理、数据的平滑处理、归一化处理等。（2）针对极限学习机是单隐含层的,每次训练都随机初始化输入权值和隐含层偏置向量,导致模型结构不稳定的问题,提出一种基于核极限学习机的铁水质量参数预测模型,引入核函数来代替极限学习机隐含层节点的特征映射,从而不需要人为的设置隐含层的节点数,降低模型的训练时间。另外,为了降低模型的计算复杂度,引入主成分分析技术,对影响铁水质量参数的输入变量进行降维处理,有效提高了建模的精度和效率。同时,将核极限学习机与传统BP神经网络、SVM和ELM进行仿真对比实验,仿真结果表明,核极限学习机模型具有较高的预测精度和泛化性能。（3）针对核极限学习机引入了核参数会导致对模型结构参数的变化非常敏感,模型的结构参数不是最优的问题,结合差分进化算法和粒子群算法,借鉴了蛙跳算法的进化机制,提出了一种新的混合智能优化算法（DEPSO）,使用DEPSO来对核极限学习机模型的结构参数进行优化,求解出最佳的结构参数,最终建立DEPSO-KELM铁水质量参数预测模型,然后使用高炉炼铁现场采集的大量历史数据对模型进行训练和测试。仿真实验表明,DEPSO-KELM铁水质量预测模型的精度和泛化性能明显提高,满足实际工业现场的要求。（4）以某钢厂高炉炼铁过程为研究对象,基于Movicon X软件,设计并开发了高炉铁水质量监控系统。实时监测高炉炼铁过程的重要工艺参数和铁水质量参数,来分析铁水质量,并进行诊断,向高炉操作人员提供预警信息和指导操作,及时调节高炉的炉况,保障高炉平稳运行,生产出质量合格的铁水。