造气炉是以焦炭(或无烟煤)为原料制取合成氨原料气(水煤气)的关键设备,造气生产是一个复杂、时变、非线性、多变量耦合的过程,具有化学、物理、材料、和热力变化,伴有高温、易燃、易爆、有毒、尘、焦油等介质的复杂过程,炉内各种参数难以测量。气化层的温度是造气炉的关键操作指标,代表造气炉的安全、稳定、高效地运行,但由于炉内环境恶劣,气化层位置游移不定,很难用常规的测量方法获得气化层温度较准确的数据,给工艺员提供操作指导,以得到最优的运行效果。基于神经网络的数据挖掘技术已在工业自动化得到的广泛应用,而利用极限学习机(ELM)精度高、泛化能力强、速度快的特点,采集与造气炉气化层温度密切相关参数,通过ELM神经网络技术对气化层温度进行智能化建模,能够实现气化层温度的实时监控,提高造气炉的运行效率。选取与气化层温度密切的热工参数作为辅助变量,经过主成分分析、小波包去噪、归一化等方法进行预处理;以半水煤气(造气炉产品)各组分含量在线分析数据,依照实验室曲线特征来计算实际的气化层温度作为主导变量,组成样本集,用ELM神经网络进行建模。基于ELM的模型特性,分别用BP网络、ELM网络的建模进行比对;而且由于ELM的初始权值和阈值都是随机选择的,对模型运算结果有较大的影响,为了选取更好的ELM仿真模型,利用遗传算法、粒子群算法、蜂群算法、差分等四种寻优算法对ELM模型进行参数寻优;并进行比对、分析其结果,以选取最佳的仿真模型。据上述的研究,利用ELM及其相关神经网络的仿真模型运算时间短、鲁棒性较好,泛化能力强的特点建立软测量模型,能够很好地满足气化层温度的测量要求,对造气炉的实际生产操作有极好的指导作用。