生产实践表明,高炉炼铁中炉温过高、过低都不利于高炉的正常生产。只有在稳定的炉温条件下,炉内的渣铁流动性、炉料的透气性、煤气流分布的稳定性以及炉料下降的均匀性等才会得到保证,这些都是高炉稳定顺行的基本条件。由于铁水中硅含量[Si]反映了高炉内持续的热状态,与高炉冶炼过程的稳定性、能耗、铁水质量有很强的相关关系,所以常用铁水硅含量作为高炉炉温的标志。因此本课题选用铁水含硅量[Si]模型作为炼铁生产中高炉炉温预测模型进行研究。文中以国内某大型钢铁公司的高炉生产数据为背景,以铁水中硅含量为主要的预报依据。建立了借助于高炉物料平衡和热平衡计算高炉热状态指数对[Si]进行预报的静态模型和利用BP神经网络实现高炉铁水硅含量的时间序列离线预报模型。采用这两种模型相结合来更有效的预报炉温。采用炉热指数静态模型预测高炉炉温起源于20世纪50年代,它们预测炉温的命中率一般都不高,原因在于模型所使用的参数都是经验数据,与所应用的高炉实际有一些差距。本工作采用历史上应用较好的三种炉热指数:Tc, Tf,Tq,通过建立数学模型,以高炉参数在线收集计算模型为基础,来预报铁水含硅量和铁水温度,并确定哪一种炉热指数相关性更好、命中率更高。静态模型难以反映高炉过程动态变化特征,而动态数据系统的方法主要基于线性考虑。实际高炉冶炼过程是一个不均匀、非线性和大噪声的高温过程,其动态过程显示出复杂的行为。神经网络是一种模仿人类神经系统的数学模型,具有自学习、自组织、自适应和非线性动态处理等特性,并具有极强的抗噪声能力和联想能力。本文采用BP神经网络建立铁水硅含量的预报模型进行时间序列预报。最后本文用Matlab建立仿真平台,分别建立了炉热指数预报和神经网络时间序列预报的仿真模型。通过测试发现,炉热指数模型在炉况稳定时效果比较好,在炉况波动时预报误差就比较大。神经网络的时间序列预报是从积累的历史数据中学习预报知识,并可随着高炉的生产过程而不断修正,从而反映出其动态特性。本模型是一种很有发展前途的预报高炉铁水硅含量的方法,铁水硅含量的预报值与实测值具有较好的对应关系。将两种方法结合起来,在提高高炉热状态的预报精度,稳定钢铁质量,稳定生产工艺等方面创造了良好的条件。