钢包精炼炉是钢铁冶炼行业对初熔钢液进行二次精炼的重要设备,供电与吹氩是精炼过程中的关键工艺,合理的供电制度能够有效提升生产效率,降低能耗损失,合理的吹氩制度能够促进钢液成分均匀融合,保证钢液成分达标,满足钢铁成品质量要求。针对现阶段钢铁冶炼行业依靠机理分析方法结合人工操作经验制定的供电及吹氩制度存在不准确、不稳定等问题,本文从数据驱动的角度出发,进行了深入研究。首先,本文研究了传统的供电及吹氩模型,结合相关性分析方法,确定了供电模型与吹氩模型的影响因素及样本数据,设计了基于组合核原理的支持向量回归机(Support Vector Regression,SVR)供电及吹氩预估模型,并设立了对比模型。以评价指标分析了各预估模型的预估效果,结果表明基于组合核原理的SVR预估模型的预估效果优于其余模型,在小样本数据量场景下具有实际应用意义。然后,为了建立适用于大样本数据量场景下的供电及吹氩预估模型,有效利用供电及吹氩过程中的时刻信息,本文在长短期记忆神经网络(Long Short-Term Memory,LSTM)算法的基础上,针对供电及吹氩工艺中不同影响因素在不同时间序列处的重要程度不同的问题,设计了融合注意力机制的LSTM-Attention预估模型,以评价指标评价了该模型与LSTM模型的预估效果,结果表明融合注意力机制的LSTM-Attention预估模型的预估效果优于LSTM预估模型。为了验证LSTM-Attention预估模型在实际应用中的有效性,本文以准确率评价指标将该模型与国内某钢厂的传统供电及吹氩模型进行了对比,实验结果表明LSTM-Attention预估模型的准确率高于传统模型,该模型具有实际应用意义。最后,为了验证LSTM-Attention预估模型的应用价值,本文开发了供电模型及吹氩模型,通过采集冶炼过程中的生产数据,测试了供电模型及吹氩模型的功能,实现了在生产中准确制定供电制度及吹氩制度,从而指导从业人员进行生产。