王振阳，江德文，王新东，张建良，刘征建，赵宝军

1)北京科技大学冶金与生态工程学院，北京 100083

2)河钢集团有限公司钢铁技术研究总院，石家庄 050023

3)昆士兰大学化学工程学院，圣卢西亚 QLD 4072

2000 年以来，我国生铁产量快速增加，并于2019 年全年产量达到8.06 亿吨，约占当年世界生铁产量的63%。能耗方面，我国钢铁行业能耗约占工业总能耗的16%，而炼铁工序又占钢铁全流程能耗的70%左右。在此背景下，高炉作为炼铁工序的主反应器，其稳定顺行对我国钢铁工业的节能降耗与高效生产尤为重要。然而高炉原燃料波动造成的炉型改变，以及设备破损导致的不均匀传热等多种内外因素使高炉炉况波动时有发生，给炼铁工序的增产降耗带来影响[1−2].

铁水温度是高炉炼铁的一项重要参数，不仅可以反映当前铁水本身质量与高炉炉缸热状态，且通过其变化趋势和幅度也能预判高炉运转方向。因此，若能通过当前时刻的各项冶炼参数预测一定时间后的铁水温度变化趋势与幅度，则可以提前采取应对调控措施，减少炉况波动，稳定高炉热制度，从而促进高炉稳定顺行与炼铁工序节能降耗[3−6].

基于此，国内外研究学者对铁水温度展开了多种构建机制条件下的机器学习与模型预测研究，取得了一定进展。崔桂梅等分别采用模糊神经网络[7]与分布式神经网络[8]构建铁水温度预测模型，使铁水温度预测误差在±10 ℃内的准确度达到90%。石琳等[9]基于样条变换的非线性偏最小二乘回归方法，控制铁水温度预测值与测量值的相对误差小于0.11。……