随着工业智能化变革的深入,工业大数据技术在生产企业中的应用越来越广泛。针对目前我国钢铁行业的高能耗、高污染问题,使用大数据技术提高生产效率、降低污染,具有重要的研究意义和应用价值。空分制氧是钢铁生产中的一道重要工序,通过数据挖掘、机器学习等技术对空分装置历史数据进行分析,并建立产氧量预测模型,有助于解决长期存在的氧气供需不平衡问题,对企业负荷调节提供指导。本文基于某钢铁企业空分装置的历史数据,构建了数据驱动的产氧量预测模型。首先,对原始数据进行了异常值检测与处理、标准化等操作,提高了数据的质量,并使用Lasso方法进行了特征选择,降低数据维度,为下一步建模做好准备;其次,使用随机森林、BP神经网络和LSTM神经网络三种算法,在预处理后的空分装置运行数据上建立了各自的单项预测模型。实验结果表明LSTM神经网络在三个单项模型中表现最佳,在测试集上的均方根误差及平均绝对百分比误差最小;最后,在单项模型的基础上,设计了基于平均加权法和Stacking方法的集成预测模型,通过对比发现两种集成预测模型的精度均优于各单项模型。其中Stacking集成预测模型表现最佳,确定将其作为最终的空分装置产氧量预测模型。