本文研究的课题是浙江省公益技术应用研究项目──“基于数据驱动的钢铁生产流程仿真技术研究与系统开发”项目。针对江苏永钢集团炼钢分厂5座50吨转炉目前存在炼钢自动化程度不高,吹炼完全依靠人工经验,吹炼终点命中率不高等情况进行研究。对现场吹炼工艺、吹炼流程以及大量的生产数据进行分析,在此基础上结合神经网络的应用技术,建立转炉炼钢辅助决策系统,来辅助炼钢操作员进行终点控制决策。终点预测功能和终点控制参数优化功能是转炉炼钢辅助决策系统的核心功能。在实现系统的终点预测功能时,本文在研究RBF神经网络的建模理论的基础上,按照网络结构设计、数据预处理、学习算法选取等几个步骤建立了转炉静态终点预测模型。选取量子微粒群优化算法作为RBF网络的学习算法,与传统学习算法相比,量子微粒群优化算法全局搜索能力更强,不易陷于局部最优,提高网络泛化能力,同时控制参数较少,简化了算法过程。预测模型采用参数自适应的方法,用最新的数据及时更新模型参数,提高模型的预测命中率。在实现系统的终点控制参数优化功能时,本文分析了转炉炼钢控制参数分布特点,进而提出基于成本最优的控制参数寻优算法,帮助操作员找到成本最少的控制参数方案。该方法将控制参数的解空间划分成若干成本区,对于一个特定的区域,选取量子微粒群算法进行解的搜索。系统软件部分的实现结合了C#、Oracle数据库和matlab,其操作界面简单易用。对于系统的预测功能和控制参数优化功能,本文分别进行了离线的matlab仿真实验和在线的性能测验。实验和测验的结果表明,系统的性能良好,能够辅助炼钢操作员进行冶炼决策,提高转炉炼钢终点钢水温度、碳含量的命中率。