烧结过程是钢铁冶金生产的一项基础环节,也是非常复杂的非线性动态时变的一个过程。烧结终点(BTP)是指烧结混合料完全烧透的位置,可用烧结机的风箱表示。烧结终点作为烧结状态的一个重要参数,可以直接展现出烧结过程的状态,并对烧结矿的质量、产量有重要影响。烧结终点具有多变量、非线性、强耦合、大滞后等特点,利用系统的机理建模和传统控制方法难以对其准确预测和控制。针对烧结终点难以预测和控制的问题,本文开展了烧结终点预测模型和烧结终点预测控制器的研究。具体研究如下:首先本文在分析烧结过程的特点特性以及影响烧结终点相关因素基础上,确定了五个较大的影响因素:烧结台车运行速度、BRP处(17号)风箱温度、点火温度、布入料层厚度、二混含水量。利用废气风箱温度建立了烧结终点的软测量模型。由于BP神经网络对非线性系统有很强的逼近能力,因此选用BP神经网络做烧结终点模型的辨识,为使BP性能更优,采用遗传-粒子群(GA-PSO)混合算法优化神经网络的权值和阈值,建立了GA-PSO-BP神经网络烧结终点预测模型,通过仿真表明该预测模型具有较高预测精度。然后对于L-M算法对初值较为依赖的缺点,使用遗传算法对L-M算法改进,利用GA算法的全局收敛能力强的优点为L-M算法提供优质初值,从而提高L-M算法的计算速度,克服L-M算法过于依赖初值的不足,经仿真测试表明LM-GA算法的寻优性能更优。最后针对烧结终点的预测控制器做了设计研究。利用GA-PSO-BP建立烧结终点预测模型,在BP神经网络预测控制器的滚动优化部分使用LM-GA算法获取最优初始控制量台车速度,控制器通过台车速度控制烧结终点。通过仿真结果分析,本文设计的烧结终点预测控制器比常规的预测控制器、PID控制器的性能更优,其响应速度更快,调节时间更短,抗干扰能力和鲁棒性更强。