近年来,随着纯净钢生产技术和连铸技术的发展,二次精炼设备与工艺迅速普及。其中,钢包精炼炉(LF)以其优异的性能,在实际生产过程中得到了广泛的应用。LF出钢时要求钢水温度和成分同时达到要求,因此对LF的终点控制十分关键。然而,钢水测温和取样化验的成本高、时间长、效率低,给LF终点控制带来了极大的不便。在此背景下,本文对LF钢水温度和硫含量预报模型进行了研究,期望弥补传统测量方法的缺陷。为研究钢水温度的预报方法,本文首先根据LF过程中热量的来源、去向及传递规律,建立了温度预报机理模型;而后应用遗传算法,对上述机理模型中的未知参数进行辨识;再应用RBF神经网络,对经参数辨识的机理模型进行温度预报误差补偿,从而建立LF钢水温度预报混合模型。为解决LF硫含量的预报问题,本文通过对LF脱硫反应热力学、动力学的研究,建立了稳态硫含量预报机理模型;然后利用RBF网络优异的学习能力和函数拟合能力,来补偿脱硫动态过程对终点预报的影响,形成LF钢水硫含量预报混合模型。最后,本文综合考虑了影响钢水温度、硫含量的因素,建立了一个LF钢水温度和硫含量的综合预报模型,尝试进一步提高预报效率。其中,作者首先建立了综合预报纯数据模型,以讨论综合预报的可行性;之后将温度、硫含量预报机理模型合并,结合参数辨识与误差学习过程,建立了 LF终点综合预报混合模型,并通过仿真评价了该模型的预报效果。