转炉炼钢最终的目的是生产出温度和成分都符合要求的钢水。准确预测相关关键参数对转炉炼钢的终点控制至关重要。实际生产数据具有多源异构特性,既包含标量数据,又包含时间序列数据。因此,单纯依赖单一数据源会限制预测精度的上限。为了解决这一问题,本文提出了一种基于支持向量回归机(support vector regression, SVR)和双向长短期记忆(bidirectional long short-term memory, Bi-LSTM)网络融合的协同终点预测模型(SVR-BiLSTM)。该模型通过SVR算法提取原料投放、副枪测温、取样和定碳检测(temperature, sampling and carbon measurement, TSC)等静态工艺参数的非线性特征以确立预测基准,并利用Bi-LSTM网络深度挖掘后吹阶段氧枪高度、烟气组分等动态时序数据的演变趋势,通过残差修正实现对终点碳含量和温度的精准预测。利用某钢厂793炉次生产数据对SVR-BiLSTM模型进行了验证,并与多个基准模型进行比较。结果表明,SVR-BiLSTM方法显著优于其他基准模型。具体来说,在允许误差0.015%(质量分数)和15 ℃范围内,对于碳含量和温度,SVR-BiLSTM的均方根误差分别降低至0.009 2和8.11,同时实现了89.74%的碳含量命中率(carbon content hit rate, CHR)和94.23%的温度命中率(temperature hit rate,THR)。相比于其他基础模型,双命中率(double hit rate,DHR)至少提升了2.57个百分点,最高提高16.67个百分点,显著证明了SVR-BiLSTM模型的有效性与技术价值。