蓄热式加热炉是20世纪80年代随着高温低氧燃烧技术(HTAC)成功开发而涌现的新一代节能环保型加热炉,与换热式加热炉相比,具有对空气(或煤气)预热温度高,排烟温度低,热效率高等优点。目前蓄热式加热炉在世界范围内已得到了广泛的应用。作为轧钢生产线上的重要设备之一,加热炉也是轧线上的耗能大户。只有合理控制钢坯出炉温度及其分布才能保证轧制质量、降低加热炉燃料的消耗。可是由于目前测试技术的限制以及加热炉内热工状况的复杂性,使得直接、准确测得加热过程中钢坏的实时温度分布还有很大困难,钢坯只有出炉后才能知道出钢温度是否合格。这样就不能对钢温进行跟踪,而且一旦出现出钢温度不合格就已经无法挽回了。一般方法是建立加热炉的钢温数学模型推算出炉内钢坯温度,进而通过数学模型建立最佳的炉温制度,用于改善钢坯加热质量。本文以蓄热式步进梁加热炉为研究背景,简单介绍了蓄热式加热炉概况和解决建模问题的算法基础。根据对以往采用的机理建模方法、智能建模方法和复合建模方法的研究和分析,本文提出了一种基于BP神经元网络的加热炉钢温复合建模方法。首先采用总括吸收率法建立复合模型中的机理模型；然后在取得大量易获得的过程数据的基础上,利用主元分析(PCA)建立加热炉质量检测模型,获得神元网络的输入；最后采集某钢厂的现场数据,进行仿真。针对仿真结果,把本课题采用的方法与其它的加热炉建模方法进行了比较。同时通过数据验证所建模型的正确性,并进一步提出了模型的在线补偿校正策略,使模型更加精确。在所建机理模型的基础上,运用遗传算法提出了加热炉最佳炉温设定,以达到满足质量要求并节约能源的目的。仿真结果表明了建立的钢坯温度模型能比较准确地计算出钢坯温度。本文建立的复合模型在和其他的建模方法对比中显示出了自己的优点。采用神经元网络来逼近实际系统和机理模型之间的差值,大大提高了模型的精度和对不同输入的泛化能力。这一结果也为今后钢温数学模型的研究提供了一种有益的尝试。