终点控制是转炉吹炼后期的一项重要操作。天铁冶金集团炼钢厂采用的是人工经验控制,终点命中率很低,延长了吹炼时间,增加金属料消耗,影响钢的品质。当前,主要采用静态和动态相结合的控制方法。机理模型、统计模型及人工神经网络模型是目前常用的模型。机理模型在实际应用中涉及的参数较多且不易测取与控制,准确建模还有相当的困难。如果生产条件和工艺操作方法比较稳定,转炉炼钢冶炼特性具有较好的再现性,这时可以采用反映终点钢水碳含量与温度的统计模型。由于转炉炼钢过程高度复杂、随机性强,采用具有很强的自学习能力、容错能力和推理能力的人工神经网络技术对转炉炼钢终点控制提供了一条新的实现途径。基于天铁冶金集团30吨转炉炼钢实际生产工况数据,首先建立了转炉炼钢终点静态控制的吹氧量及矿石用量统计模型,其预测100个炉次的吹氧量及矿石用量平均相对误差分别为0.58%及10.4%。考虑到影响终点钢水温度及碳含量的因素比较复杂,本文设计了预测钢水终点温度及碳含量的人工神经网络模型,并利用Levenberg-Marquardt算法对257个炉次实际生产数据进行了模型训练,并对另外100个炉次的终点钢水温度及碳含量进行了预测,在终点钢水温度1646℃～1698℃及终点碳含量0.033%～0.128%范围内,得到的终点碳温双命中率为55%。应用显示,明显地提高了终点钢水温度及碳含量的预测精度。