基于BP神经网络的转炉炼钢吹氧量预测

转炉炼钢过程的吹氧量控制非常重要，将直接决定冶炼效果，影响转炉冶炼终点温度和碳含量的控制。对转炉炼钢过程的吹氧量控制主要依靠静态模型和动态模型。静态模型作为动态模型控制的基础，其精度会影响到动态控制的

转炉炼钢过程的吹氧量控制非常重要，将直接决定冶炼效果，影响转炉冶炼终点温度和碳含量的控制。对转炉炼钢过程的吹氧量控制主要依靠静态模型和动态模型。静态模型作为动态模型控制的基础，其精度会影响到动态控制的效果，因此，对静态模型的研究非常重要。目前，静态模型主要有机理模型、统计模型、增量模型和智能模型。。智能模型相比其他模型，解决炼钢过程的非线性问题，取得了较好的效果，克服了其他模型受影响因素多、很难用准确的数学方程和统计方法描述、控制精度不好的问题。邯郸钢铁的学者针对转炉的动态吹炼过程，建立了基于BP神经网络的转炉炼钢总吹氧量预测模型和二次吹氧量预测模型。通过相关性分析确定影响转炉总吹氧量和二次吹氧量预测的主要因素；利用五数概括法筛选数据；采用LM优化算法改进BP神经网络。并利用历史生产数据对不同拓扑结构的神经网络模型进行了训练和比较，确定了最优网络结构模型，对模型的性能进行了评价，总吹氧量预测模型预测误差小于800m3的命中率达到87.88%，二次吹氧量预测模型预测误差小于400m3的命中率为91.99%。(素年)