高炉炼铁是钢铁工业的上游主体工序，作为国民经济支柱产业的重要组成部分，它对钢铁工业的发展与节能降耗都有重要的地位。高炉炼铁过程的自动化是20世纪下半叶以来冶金自动化领域一直没有攻下的自动化学科难题。究其原因，是由于高炉冶炼过程的极度复杂性，一直不能建立起准确、有效的高炉炉温预测控制模型。人们搜索了经典控制论的各种建模方法没有解决问题；又应用了现代控制论各种非线性建模方法，但是仍然没有攻下难题。于是，开始了智能控制论的第三个台阶上的攻关。本文在高炉炉温预测中引入贝叶斯网络理论与模糊数学方法作为主要研究工具，使用《莱钢750m3智能控制专家系统》在莱钢1号高炉上采集的2∞0炉数据，进行了大量的数据计算、分析、验证工作，建立了基于贝叶斯网络的铁水硅含量预测模型和控制模型。本文首先对高炉炼铁、高炉专家系统、炉温预测的现状做了概述。然后对高炉冶炼过程状态参数和控制参数进行了分析，通过分析它们与高炉炉温[Si]之间的相关性估计了时滞的影响。贝叶斯网络理论是贝叶斯方法的扩展，在处理复杂不确定因素时具有很大的优势，在高炉铁水硅含量预测控制方面还没有过应用。本文把高炉现场采集的数据进行预处理，并模糊化，同时，根据高炉冶炼过程中各个参数之间的因果关系建立了用于预测铁水硅含量的贝叶斯网络模型。通过数据验证，模型得到了较好的预测效果。然后，通过把贝叶斯网络预测得到的炉温发展趋势进行非模糊化处理，实现了炉温[Si]的数值预测。预测结果说明，这种数值预测方法在炉温波动比较大时还能有较高的命中率，这是时间序列和神经网络方法所无法达到的。本文在建立基于贝叶斯网络的高炉铁水硅含量预测模型的基础上，又研究了控制模型。贝叶斯网络学习过程中得到许多中间结果以参数表的形式存储在数据库中，从中我们得到了许多高炉操作规律，这些规律实际上就是高炉工长在长期的操作过程中积累的“经验知识”。但是由于规律种类繁多，依靠人的自身经验是难以明晰地概括出来的。在这一意义上BAYES网络学习过程实际上提供了炼铁专家经验总结的数学模型化方法。基于此，建立了基于贝叶斯网络的高炉炉温预测控制模型，它每半小时就根据当前冶炼状态和控制措施对炉温进行预测，能够帮助工长及时地了解高炉炉况，查询当前炉况下更合理的操作措施，帮助高炉工长选择正确的控制措施，实现高炉炼铁过程的优化控制。