目前我国采用固定床间歇式造气炉,煤气发生炉中的气化过程以150个步序为一个循环周期,在此期间内间歇地进行各种原料的入炉、气化反应和半水煤气的收集。每个周期划分为六个阶段,每个阶段的时间长度直接影响一个循环内气化剂的使用量、温度变化、半水煤气的产量和质量,也就决定了反应过程的长短、效率和产出情况,因此这六阶段在一个周期内的时间配比是生产过程中重要的工艺控制参数。针对这六阶段的时间配比,在对几种线性和非线性参数优化方法研究的基础上,论文采用基于BP神经网络的动态参数优化方法,对间歇式煤造气过程六阶段时间配比进行优化。主要工作如下:⑴针对煤造气过程中丢失的数据,在通过对相似度分析理论知识的学习和研究基础上,提出一种基于相似度分析的数据补偿算法,通过仿真验证该数据预处理方法提高数据质量的有效性。⑵对一些常用线性和非线性参数优化方法的特性、适用范围以及存在的优缺点进行深入的研究,并比较他们的不同。针对实际工业中,煤造气过程六阶段时间配比数据差异较小、不规则、存在噪声以及各变量间耦合关系强等复杂特点。本文提出了基于BP神经网络的动态时间配比优化方法。该方法基本步骤是先利用相关性分析方法对过程数据进行分析,取出相关性大的变量建立动态线性模型,真实数据与动态线性模型之间的差别通过BP神经网络迭代优化。⑶利用某工厂的实际生产运行数据,对间歇式煤造气过程六阶段时间配比进行仿真验证,验证所提方法有效性。结果表明,该方法具有较高的精度和良好的控制效果。