高炉是工业中最大、最复杂的单体生产设备。高炉冶炼过程是一个间歇式与连续式操作模式并存、具有动态分布参数特征、关键参数与运行指标(铁水质量、能耗和污染排放)难以在线检测的动态非线性系统,具有高温密闭、大时滞、多相态、强耦合、非线性、时变、欠调节手段等特性。高炉炼铁是钢铁产业链中能耗和污染最大的环节,亟待向长寿、高效、节能、环保高效智能自动化生产模式转型,而提高喷煤量替代部分焦炭是实现转型的重要手段。但由于高炉生产条件波动及高炉冶炼过程炉况的复杂性、状态的多变性,喷煤增减操作在时机和量上存在盲目性、模糊性、滞后性等问题,导致难实现优质、低耗和高产的优化控制目标,因此利用高炉冶炼过程专家知识和过程数据建立控制运行优化模型,是冶金与控制领域研究的热点问题,也是亟待解决的难点问题。针对以上问题,本文主要研究基于专家知识和数据结合的高炉冶炼过程下部喷煤控制问题,主要工作如下:(1)通过阅读、学习大量文献掌握高炉冶炼过程机理,依据高炉上部长机制、下部短机制操作的模式特点,利用分层优化方法,将高炉运行优化控制问题等效为有约束的上部、下部子系统优化控制问题,高炉平稳运行时,上部布料控制相对稳定,对下部炉温控制的影响等效为慢干扰,简化下部喷煤优化控制问题。在上部与下部解耦基础上,研究下部喷煤控制优化问题:一是建立炉况评价模型(煤气流分布和基于炉温预测的炉缸热状态评价模型),二是建立基于炉况评价的喷煤反馈补偿模型。(2)针对炉温检测具有滞后性且高炉过程参数具有多尺度特性问题,利用高炉生产过程参数,建立基于小波多尺度分解的极限学习机(ELM,Extreme Learning Machine)的炉温预测模型。(3)煤气流分布合理,炉缸热量充沛既是炉况良好的标志,也是煤粉消化率高的标志,同时也是喷煤优化实现的必要条件,但高炉炉况的影响因素多、关系复杂、难准确描述。本文结合冶炼原理、专家知识及过程参数信息,采用将模糊系统和神经网络互补性相结合的T-S模糊神经网络建立炉况综合评价模型。(4)由于高炉生产条件波动及高炉冶炼过程炉况的复杂性、状态的多变性,操作者根据炉况(炉温)对喷煤量增减操作时,在时机和量上存在盲目性、模糊性、滞后性等问题。为此,利用采集的高炉冶炼过程参数数据,依据专家经验建立基于煤气流分布与炉缸热状态评价的喷煤反馈补偿模型,为操作者喷煤量增减操作提供指导,同时通过置换比求取相应的焦炭变化量,达到节能降焦目的。本课题以某钢铁厂的大型高炉为研究对象,以实现优质、低耗和高产为优化控制目标,从反馈补偿控制的角度,将专家经验、过程信息与智能算法相结合,首次提出与炉况相适应的优化喷煤量反馈补偿模式,利用反馈的实时性,滚动修正喷煤设定值,使喷煤量趋于与炉况相适应的最佳喷煤量,同时根据高炉冶炼系统能量流平衡通过置换比置换相应焦炭,使高炉长期处于平稳状态,对提高高炉冶炼系统的运行优化控制研究具有重要的科学意义和广阔的应用前景。通过仿真表明,该控制策略取得了较好的控制效果。