摘要：稳定的炉温是保证高炉顺行、提高生铁质量和实现节能降耗的必要条件。针对高炉炉温与铁水含硫量、风量和喷煤量存在的相关关系，利用2017年Mathorcup大学生数学建模挑战赛A题所给数据，构建一种BP神经网络炉温预测模型，预测铁水硅质量分数，以便更加全面地预测炉温； 仿真结果表明，模型预测精度较高，可为高炉操作人员决策提供可靠依据。
　　关键词：钢铁冶金；高炉炉温；BP神经网络；炉温预测；硅质量分数
　　中图分类号：T 文献标志码：A 文章编号：
　　0引言
　　實现钢铁冶金产业低耗、节能、绿色等目标关键在于，将原来的生产过程中的反馈控制升级为预测控制，预测性地动态调整生产过程控制，获得最佳生产效果。
　　以高炉冶炼优质铁水为例，每经过2小时就出渣、出铁一次，并检验铁水、炉渣的成分。炉温之间是有相关性的，可以进行预测和控制。而完整的冶炼机理为复杂数学模型：
　　求解上述模型的最优解是尚未解决的难题，炼铁过程的终极生产指标都与炉温密切相关，[Si]的准确性预测控制很重要。为此，本文选取影响炉温的关键变量作模型输入，并对样本数据进行预处理后，构建BP神经网络模型，对炉温进行全面而准确的预测以指导实际生产。
　　1数据预处理
　　变量选择：本项目确定由铁水含硅量[Si]、含硫量[S]、喷煤量PML和鼓风量FL组成的数据库作为数据挖掘的基础。
　　异常数据剔除：本文采用3准则对原始数据进行异常数据的剔除。认为偏差大于3的数值为异常数据。为变量样本数据的方差
　　2 基于BP神经网络的炉温预测建模
　　BP神经网络[1]是一种按误差逆传播算法训练的多层前馈网络，结构简单并具有求解高度非线性问题的能力。建立一个基于BP神经网络预测模型质量指标[Si]的预测模型[2]，分别进行一步预测和二步预测。过程一步预测是由上一炉的四项指标预测下一炉的质量指标[Si]，二步预测是由上一炉的四项指标预测出的下一炉的质量指标[Si]及实际的其他三项指标预测下下一炉的质量指标[Si]。
　　2.1模型建立
　　选取前500组数据组成训练样本集，后463组数据作为测试样本集。分别用于神经网络[3]的训练与质量指标[Si]的一步预测[4]。
　　将鼓风量、喷煤量、[S]、上一出铁顺序下的[Si]作为输入变量，将下一出铁顺序下的[Si]作为因变量。
　　在随机给定的初始权值、阈值下对神经网络进行训练，依次进行计算。
　　为测试样本数（=463）；为实际值，为预测值。
　　3 结论
　　本文利用2017年Mathorcup大学生数学建模挑战赛A题所给数据，构建了一种BP神经网络预测模型，能够预测铁水硅质量分数。该炉温预测模型能准确地预测炉温，保证高炉的顺利运行，同时为今后进行炉温表征规则的研究打下良好的基础
　　参考文献 （References）
　　[1]崔桂梅，蒋召国，詹万鹏，顾婧弘. 基于时间序列的神经网络高炉炉温预测[J]. 冶金自动化，2015，（05）：15-21.
　　[2]毕学工. 高炉炉温预报神经网络模型结构优化的研究[A]. 中国金属学会.2001中国钢铁年会论文集（上卷）[C].中国金属学会：，2001：3.
　　[3]邱东，仝彩霞，朱里红，陈爽，王龙山. 基于神经网络的高炉炉温预测模型的研究[J]. 微计算机信息，2009，（14）：232-233+258.
　　[4]杨坤. 基于神经网络的高炉铁水硅含量建模[D].燕山大学，2016.