人工神经网络具有较强的非线性问题处理能力且容错性能强,可实现实时应用以及在线响应.针对转炉炼钢过程复杂,影响终点因素多,而且难以进行连续准确测量的特点,该文开发了基于人工神经网络技术的转炉炼钢终点预报模型.该课题应用SQL Server数据库系统建立了转炉生产记录数据库.数据库包括了转炉生产记录中的所有数据项,足以保证进行人工神经网络训练的需要.在建立神经网络模型的过程中,分析了影响转炉吹炼终点的因素.应用模式识别的方法,对所有影响因素进行分析筛选,从降低维数、减少模型运算量方面考虑,剔除了部分变量.最后确定作为神经网络输入变量的因素有:铁水成分(C、Si、Mn、P、S)及温度、铁水量、废钢量、供氧时间、冶炼周期、炉耗氧量、石灰加入量、轻烧白云石加入量共13个因素.在此基础上建立了一个三层BP神经网络模型,实现了对转炉终点的全面预测.采用某钢铁厂转炉车间2003年上半年的生产数据,从中选取3300炉数据训练网络,得到了如下的网络参数:1)预测终点碳含量:隐含层节点数(n)12、学习率(η)0.5、动量系数(α)0.6、传递函数中的温度参数(λ)1.9.2)预测终点温度:隐含层节点数(n)7、学习率(η)0.4、动量系数(α)0.6、传递函数中的温度参数(λ)2.0.3)预测终点磷含量:隐含层节点数(n)7、学习率(η)0.2、动量系数(α)0.7、传递函数中的温度参数(λ)2.5.对模型预测误差的分析表明,训练集样本数据的选择对模型的精度具有至关重要的影响.在考虑所有对冶炼终点存在影响的因素的前提下,增加采集的数据种类,可使模型精度得到提高.同样,保证采集数据的连续性以及分布的均匀性,均会对所得模型的精度有适当改善.该模型探讨了转炉炼钢过程的影响因素,为生产合格钢水及转炉的动态控制提供了理论依据,分析了主要工艺参数(如铁水温度、吹氧时间、耗氧量等)对转炉冶炼终点的影响.为今后转炉冶炼终点的在线预报和快速出钢模型的开发提供了依据和技术支持.