近年来随着大数据技术的广泛应用,超量数据的高效处理成为可能。结合大数据分析技术,通过构建基于大数据技术的产线质量控制系统对相关参量数据进行分析,从而获得更加可靠、有效的质量预报与控制模型,进而指导产品生产。由于转炉炼钢过程中发生着复杂的物理化学反应,仅利用传统数学模型很难解决相对复杂的生产问题。此外,由于炼钢过程是多因素相互交叉影响的过程,使得传统模型的适用范围和模型精度受到很大影响。因此,建立更加准确、高效的转炉终点预报模型对于现场实际生产及工艺优化具有重要的理论意义与实际应用价值。神经网络技术具有很强的自学习能力和容错能力,利用高质量的大量历史数据进行模型训练,优化模型参数,可以提高模型精度。本文以某钢厂转炉炼钢工序生产数据为基础,对数据预处理后建立了转炉炼钢数据仓库,确定了影响转炉终点钢水碳含量和温度预报的关键参数。分别基于改进径向基函数神经网络和改进广义回归神经网络构建了转炉终点预报模型,并对预报精度进行了分析与评价。论文所得主要结论如下。建立了转炉炼钢工序的数据仓库。数据仓库中基础数据量为11077组,经数据预处理后最终确定样本数据数为2610组,其中2300组为训练样本,300组为测试样本。影响转炉终点钢水碳含量和温度的关键参量为铁水量、铁水成分（碳、硅、锰、磷、硫）、铁水温度、废钢量、石灰量、轻烧量、渣厚、冶炼周期、出钢时间、炉耗氧量。分别选用改进径向基函数（RBF）神经网络和改进广义回归（GRNN）神经网络建立转炉终点预报模型。改进的RBF神经网络利用k-means++算法优化了聚类中心,利用岭回归算法进行了线性回归、数据优化以及权值优化,加速了模型收敛速度,提高了模型准确性。改进的GRNN神经网络利用果蝇算法优化平滑因子,提高了预报速度和精度。基于改进RBF神经网络的转炉终点碳预测模型误差在±0.03%范围内的命中率达到92%,转炉终点温度预测模型误差±15℃范围内的命中率达到92%;基于果蝇算法优化GRNN神经网络的转炉终点碳预测模型误差在±0.03%范围内的命中率达到93%,转炉终点温度预测模型误差±15℃范围内的命中率达到90.3%。改进的RBF神经网络预报转炉终点钢水温度时具有更高精度,改进的GRNN神经网络预报转炉终点碳含量时具有更高精度。利用Python建立转终点预报模型的图形用户界面,该界面具有可自由选择预报算法、简化操作过程、预报结果直观、可对异常数据进行及时显示与备注等特点。通过建立基于大数据的转炉炼钢终点钢水质量预报模型,对转炉炼钢生产过程的稳定性进行监控、对产品质量进行分析,从而为工艺优化调控提供理论依据。