高炉的能源消耗占钢铁工业的70%,高炉稳定顺行是钢铁行业降低成本的关键。生产实践表明,高炉稳定顺行才能达到高产量、低耗能,取得较好的生产指标和良好的经济指标与经济效益。高炉炼铁生产影响因素众多且复杂,操作中往往依靠个人经验,缺乏对长期数据的分析整理。上世纪50年代开始研发的高炉炼铁专家系统,由于各地高炉原燃料、设备条件相差巨大,运行中需要大量传感器采集数据,还无法在生产中大规模应用。基于上述问题,本文通过现代计算和数据分析手段,对高炉生产数据和关键指标参数的关系进行分析,建立高炉炉况稳定性评价系统,从而定量判断和评估高炉生产状态。本文以国内某大型高炉为研究对象,使用数据分析软件对原始数据进行清洗、集成、转换、离散和归约。使用Python语言开发了数据可视化工具,实现数据散点图、数据拟合、相关性分析等功能。基于理论知识和生产经验建立了高炉稳定性静态评价模型,选取产量和燃料比作为高炉生产的技术指标和经济指标来评价模型。为了解决静态模型模型无法自学习的问题,论文基于数据挖掘算法,通过k-means聚类、Apriori算法、BP神经网络等算法对高炉数据进行分析,比较不同处理方法的效果,实现高炉过程参数表征结果参数、评价高炉稳定性的效果。主要结论如下:（1）采用相关性分析、决策树、主成分分析三种方法对数据降维。通过相关性分析找出原始高炉数据中的冗余数据,决策树找到影响炉况的重要参数,这两种方法能够将参数从559个集成为425个,进而采用主成分分析法将参数降维到54个,且保留80%的信息量。（2）基于理论知识和生产经验建立了高炉稳定性人工打分模型,选取产量和燃料比作为高炉生产的技术指标和经济指标来评价模型,得到该模型的炉况预测模型的准确率、召回率和精确度分别为89.4%、74.0%、72.9%。（3）为了提高模型的召回率和精确度,采用相关性分析对参数及权重进行优化,去除参数中的结果性指标,保留能反应高炉运行状态的参数。改进模型炉况判断模型的准确率、召回率和精确度分别为95.0%、86.5%、88.1%。（4）采用k-means聚类来定义高炉数据标签,根据手肘法和轮廓系数法确定k值为3或4。（5）通过对高炉数据进行k-means聚类,将每个属性聚为8类,然后用Apriori算法对高炉数据进行分类。Apriori算法在一定程度上能够识别正常炉况,但该算法对异常点较为敏感,不能够识别异常炉况。（6）采用BP神经网络算法建立过程参数与结果参数之间的联系,并对比不同标签定义方法和PCA降维对算法结果的影响。PCA降维对BP神经网络算法没有明显的影响,但是可以显著降低算法的计算时间。研究发现通过k-means聚3类定义标签,训练模型的预测准确率最高,达到90%以上。