郑 伟， 李廷刚， 陈 勇， 马仲群， 孙建鹏， 毛 勇

（五矿营口中板有限责任公司, 辽宁 营口 115000）

LF精炼工艺处于转炉工艺与连铸工艺之间，是炼钢全流程的中转环节，其主要任务包括脱硫去夹杂，以及对钢水的合金成分与温度进行微调，是确保铸坯质量的重要环节之一。LF精炼过程是一个极其复杂的物理化学过程，工艺在实际执行时具有随机性强、不确定因素多等特点，且影响因素之间存在强耦合与强非线性关系，从而导致在建立以反应机理为基础的模型时定量分析误差较大，因此需要应用神经网络进行模拟拟合。本文以某钢厂精炼车间120 t LF精炼炉作为研究对象，应用BP神经网络方法训练建立了能够预测LF精炼终点温度的模型，以提高终点温度命中率，达到了加快生产节奏，降低成本的目的。

1 BP神经网络建模

BP神经网络是一种按逆传播算法训练的多层前馈网络，是目前为科研工作者所广泛使用的优质神经网络模型之一。BP网络可在不加入，根据机理模型建立的数学映射的前提下，存贮和学习大量的输入-输出模式映射关系，以达到实际反应进程进行模拟仿真的目的。它的学习规则是使用最速下降法，通过数据的逆向传播来调整网络的阈值和权值，从而得到最小的误差平方值，以确保仿真拟合函数的精确度。BP神经网络模型拓扑结构包括输入层、隐层和输出层如图1所示[1]。本文应用神经网络的函数逼近功能，以影响LF精炼终点温度的各项参数为输入向量，以相应炉次的LF精炼终点温度为输出向量，训练数值仿真预测函数对LF精炼终点温度进行预测。……