摘要：高炉炼铁是钢铁生产中的重要环节。基于高炉流出的铁水量，选择指定数量的铁包进行装载和运输，能够提高生产效率，并降低整体调度线的能耗。准确预测出铁量，对于后续生产调度有着重要意义。但一方面高炉炼铁涉及大量的物理化学反应和参数变化，且炼铁过程无法从外部实时观测，难以通过直接进行机理分析实现准确的自动控制;另一方面，炼铁过程中记录的鼓风参数、焦炭比、炉渣成分等参数丰富的测量数据，可被用于数据驱动的建模分析。本文旨在通过机理模型分析理想状态下的铁水流速，并设计基于支持向量回归的机器学习模型，对高炉出铁量进行预测。对某日产8000t铁量高炉的出铁数据进行建模分析，实验结果表明，支持向量回归模型预测出铁量的平均误差在200t以内，且平均误差、预测标准差等指标优于其它常见的机器学习模型，表现出了数据驱动模型的准确性，能够对实际的高炉炼铁分析和建模提供指导作用，从而降低资源消耗，并提高整体钢铁生产线的生产效率。 关键词：高炉炼铁;出铁量;机器学习;支持向量回归;数据驱动 下载高清全文—基于支持向量回归的高炉出铁量预测方法.pdf