炼钢的主要任务是脱碳，升温，去除杂质和调整钢的成分，生产出质量好的钢水。由于转炉冶炼过程不确定因素很多，是一个非常复杂的周期性降碳升温过程，单纯依靠人工经验控制保证吹炼终点温度及成分同时命中既定的目标值是很困难的，针对这一过程建立的传统的数学模型也不能得到令人满意的结果。 模糊神经网络是近十几年发展起来的新兴学科，它同时具备了神经网络与模糊逻辑的特点，取长补短，集二者优点于一身。利用神经网络的自学习能力自动调整模糊系统的参数，又具备了模糊逻辑的表达能力，有效利用了专家经验，对非线性系统有较好的逼近能力。本文针对转炉炼钢过程的特殊性，建立了预报转炉终点成分及温度的模糊神经网络模型，合理选取模型参数，通过对转炉冶炼大量生产数据的学习，优化模型结构，使其对转炉终点温度及成分作出有效的预报。 本文在建立模型之前，对所采集的数据进行预处理(如数据筛选，聚类等)，分析影响转炉吹炼终点的因素，最终确定：预测终点碳含量的变量选择为铁水碳含量，铁水硅含量，炉耗氧量，供氧时间；预测终点磷含量的变量选择为铁水硅含量，铁水磷含量，石灰加入量，供氧时间；预测终点温度的变量选择为铁水碳含量，铁水硅含量，铁水温度，废钢加入量，炉耗氧量，供氧时间。 在此基础上采用网络学习型模糊神经网络结构和BP算法建立了预测转炉终点碳、磷、温度三个预报模型。选用某钢厂转炉车间2003年全年的生产数据，从中筛选出1898炉数据训练网络，99炉数据作为检测样本，其运行结果如下。 (1)终点碳含量的预报模型：该模型由三个规则网络和一个适用度网络组成，这四个网络均采用单隐层BP网络结构，选择规则网络隐层节点数为5，适用度网络隐层节点数为6。对模型进行检测，其中误差在±0.02％以内的命中率为77.78％，±0.03％以内的命中率为89.90％，±0.04％以内的命中率为96.97％，最大误差小于±0.05％，平均误差为±0.014％。 (2)终点磷含量的预报模型：该模型由四个规则网络和一个适用度网络组成，这五个网络均采用单隐层BP网络结构，选择规则网络隐层节点数为5，适用度网络隐层节点数为7。对模型进行检测，[P]在目标值±0.002％范围内的命中率达到62.63％，在±0.004％以内的命中率为92.93％，最大误差小于±0.008％，平均误差为±0.0018％。 (3)终点温度的预报模型：这个模型由四个规则网络和一个适用度网络组成，这五个网络均采用单隐层BP网络结构，选择规则网络隐层节点数分别为6，7，7，6，适用度网络隐层节点数为8。对模型进行检测，其中，温度在目标值±12℃范围之内的命中率达到65.66％，在±20℃以内的命中率为82.83％，最大误差小于±40℃，平均误差为±13.74℃。 通过上述预报结果可以看出，所建立的模糊神经网络模型能够对转炉终点成分及出钢温度进行较好地预测，其精度满足现场工艺要求。 本文还对转炉炼钢过程的影响因素进行了研究，分析了模型的各输入量对转炉冶炼终点的影响，为生产合格钢水及转炉的动态控制提供了参考。 本文所建立的模型存在着一定的误差，对其分析表明，BP算法本身所具有的缺陷对模型的精度有影响，以及数据样本的内在特性，聚类的适用性，参数的选择和训练样本的输入顺序对模型的预测精度都有一定的影响。如果能够在这些方面进行改进，那么，模型精度应该有所提高。