高炉冶炼是一个在封闭容器中进行的强耦合、多变量、非线性的动态过程,无法直接观察内部运行状况,只能通过安装在高炉本体的众多传感器监测数据间接地评判高炉运行状态。目前多数高炉运行状态预测模型存在预测目标参数单一,数据时间跨度短等问题,基于大数据技术构建铁水中硅含量和煤气利用率两个指标预测模型实现对高炉运行状态的预判,对于指导实际生产具有重要意义。收集了承钢4#高炉总数据存储空间为66.12GB的生产数据,在整理过程中发现高炉生产数据具有维度高、体量大、价值高等特点,存在数据归属不清晰、噪声大等问题,并提出了一些解决问题的办法。采用线性插值法和多元回归法相结合处理缺失数据,采用箱线图法和拟合填补法结合处理异常数据,建立了时间跨度为4年的生产数据仓库,数据存储为30GB,包含12.8亿条分钟频次数据,7组数据共811个字段。采用皮尔森相关系数、斯皮尔曼等级相关性系数和最大信息系数三种方法结合,分析高炉运行参数与指标参数的相关性,最终筛选出热风温度、富氧含量、冷风流量、焦比和炉顶压力等共计13个参数作为输入参数,采用数据仓库中3072条生产数据作为训练库,408条生产数据作为验证库,选用不同算法构建了指标参数的预测模型。结果表明,KNN算法和Ada Boost算法预测模型的拟合优度分别达到0.92和0.89,平均误差均小于5%,均能预测出指标参数的变化趋势,模型性能良好。通过生产操作人员确认,两个模型的预测结果真实有效。通过分析指标参数的历史情况,与生产操作人员合作筛选出最优数据区间,确定了承钢4#高炉运行状态评价机制。采用Python语言设计主程序,构建了用户界面友好的高炉运行状态综合评价系统,可实时显示高炉操作者关心的参数,实时展示历史数据,提前一个小时对高炉运行状态进行评价,指导操作者对高炉进行调控。图15幅;表15个;参71篇