长期以来,钢铁工业在国民经济中占有重要的地位,为国家建设提供了重要的原材料保障,而高炉炼铁作为钢铁生产过程中最重要的环节之一,其每一步的技术进步都将带来巨大的经济和社会效益。高炉炼铁的目标是实现高炉冶炼过程的高产量和低能耗,为了实现这一目标,就必须对高炉内部的冶炼状况尤其是作为冶炼产品的铁水质量参数进行有效的控制和实时地监测。目前,常用来表征铁水质量的参数是铁水硅含量（[Si]）、磷含量（[P]）、硫含量（[S]）和铁水温度（MIT）,其中硅含量和铁水温度是高炉现场操作工最为关心的两个铁水质量指标参数。然而,对高炉铁水质量参数的检测只能通过离线化验的方法,而这种方法通常要滞后2～3小时才能得到铁水质量的检测值。同时,高炉炼铁是一个复杂的非线性过程,其内部的冶炼环境极其复杂,常伴随着高温、高压以及固、液、汽多相共存的状态,因而难以建立铁水质量参数的机理模型。目前,针对铁水质量参数的控制常依赖于操作员的经验和判断,缺乏科学的指导。因此,要建立一个有效的铁水质量模型,对铁水质量进行控制与优化并实现其稳定顺行,必须借助于数据驱动的建模方法,建立高炉炼铁过程铁水质量的动态模型并对铁水质量进行有效控制。针对上述问题,本文依托国家自然科学基金重大课题项目“大型高炉高性能运行控制方法及实现技术”（项目号:61290323）和“大型高炉高性能运行控制的实验验证平台构建及应用验证”（项目号:61290321）,以广西柳州钢铁集团#2高炉的实际生产为研究背景,开展基于双线性子空间辨识的高炉多元铁水质量建模与非线性预测控制的研究,具体工作如下:（1）首先,从高炉炼铁的整个工艺流程出发,针对炼铁过程中的变量众多、变量之间耦合相关导致铁水质量模型难以建立的问题,考虑变量的可控性和可观性,利用机器学习中Filter-Wrapper相结合的方法选择特征。根据Filter方法中的变量发散性或者相关性对各个特征进行评分,设定阈值或者特征选择阈值的个数,选择特征;再根据Wrapper方法中设定的目标函数,进行多次训练,每次选择若干特征,或者排除若干特征。将最终选择出的可控可测变量作为面向控制的铁水质量建模输入量,即冷风流量、压差、富氧流量、设定喷煤量。（2）其次,针对高炉炼铁过程机理模型难以建立以及现有的线性建模方法在铁水质量参数预测控制中的不足,提出了一种基于双线性系统模型的子空间辨识铁水质量预测控制方法。首先,在线性子空间模型的基础上引入双线性子空间模型来补偿高炉炼铁过程的非线性动态特性,提高建模的精度;然后,采用斜投影技术和SVD矩阵分解技术进行状态矩阵重构,并利用最小二乘提取系统矩阵;最后,基于高炉炼铁过程的输入出输出数据,建立面向铁水质量控制的数据驱动双线性子空间模型。基于实际的高炉工业数据进行仿真实验,并与常规的基于线性子空间辨识的铁水质量参数预测控制进行对比,实验表明:所提方法具有较高的模型准确性、较好的设定值跟踪性能以及较强的干扰抑制能力。（3）最后,针对高炉炼铁过程存在的复杂非线性动态特性难以进行有效控制问题,在双线性子空间辨识的基础上深入研究,提出一种基于数据驱动的高炉铁水质量递推双线性子空间在线预测控制。所提方法采用具有遗忘因子的递推双线性子空间辨识建立了用于铁水质量预测控制的数据驱动在线模型,与常规的线性子空间以及离线的双线性子空间建模不同,该方法通过构建扩展后的Hankel矩阵以方便求解用于构建数据驱动输入输出模型的子空间矩阵,而不显式地估计系统矩阵,可以有效地降低计算复杂度。将所建立的预测模型应用于铁水质量的预测控制器设计,由于预测模型的子空间矩阵通过最新的过程数据在线更新,因而能够实现铁水质量参数的自适应预测控制。基于高炉实际数据的仿真实验表明,所提的递推双线性子空间在线预测控制方法能有效降低高炉炼铁过程的波动性,具有更稳定和可靠的控制性能。