钢铁是现代社会发展最重要的工业原材料之一,钢铁工业则是现代国家的支柱产业。在钢铁工业的生产流程中,高炉炼铁是一个十分重要的环节。为了实现高炉的节能降耗和稳定优质高产,需要对其工艺过程进行优化,建立高炉炼铁过程优化与智能控制系统。高炉炼铁过程是一个极度复杂的高温物理化学反应过程,包括上百种物理、化学变化,涉及数百个反应变量。主要的反应变量既包括料速、透气性指数、铁量差等状态变量,也包括风量、风温、喷煤、富氧率等控制变量。高炉炼铁优化控制的关键技术之一在于准确地预测高炉炉温变化发展趋势。在科研与生产中通常用高炉铁水硅质量分数[Si]来表征铁水温度及高炉炉温。研究者已经建立了一系列高炉炉温的预测模型,按照数学模型的分类角度可以将这些模型分为三大类：机理模型、推理模型与数理模型。随着对高炉炉温预测模型研究的不断深入,专家系统逐渐被应用于高炉炼铁的生产实践,取得了一定的成果。但迄今为止高炉炼铁的闭环智能控制尚未实现,仍然需要进一步深入研究,而其中的一个技术关键就在于准确地预测高炉炉温变化发展趋势,建立适当的炉温预测模型。“统计学习理论”是机器学习领域的经典理论,以“结构风险最小化原则”为基础,综合考虑了经验风险与置信范围,从而得到对实际风险的更好的优化。“支持向量机”是在统计学习理论上发展起来的机器学习算法,能够实现分类和预测的功能,并且可以较好地解决过拟合问题,对于非线性和有限样本的情形具有较好的学习效果,已经在高炉铁水[si]预测中取得了初步的应用。本文根据支持向量机的算法特点,对其中的惩罚参数C及核函数K进行了一定的改进与优化,引入模糊数学及混合核策略,建立了模糊支持向量机模型及混合核支持向量回归机模型,分别应用于高炉铁水[Si]波动趋势预报及高炉铁水[Si]数值预测,针对采自包钢6号高炉(2500立方米)的400炉生产数据进行了建模分析。为避免单组样本的建模结果出现偶然性,本文基于随机抽样理论进行了多组试验,试验结果显示：与决策树及常规支持向量机相比,模糊支持向量机改进了分类预报效果,平均命中率分别提升了10.3%及2.2%；与ARMA模型及常规支持向量回归机相比,混合核支持向量回归机能够更好地实现对高炉铁水[Si]的数值预测,平均命中率分别提升了7.4%及5.1%。