脱磷和吹氧过程是转炉炼钢的两个重要环节。磷是有害元素,对钢材的性能有许多不利影响,因此必须使磷脱除到一定水平以下。吹氧则是转炉炼钢的主要控制方式,通过向转炉中吹入氧气,将铁水中的碳、硅、磷、硫等元素脱除,并利用氧化反应放出的热量,使熔池的温度升高,进而得到合格的钢水,因此合理地控制吹氧量是非常必要的。但由于转炉炼钢具有炉内反应复杂,生产条件多变、原料不稳定、生产数据的整体规律性不强等特点,给吹氧量和熔池中磷含量的控制带来了很大困难。本文采用模糊c均值、粗糙集、案例推理等算法建立了脱磷模型和吹氧模型。脱磷模型方面,本文通过对转炉中脱磷反应的热力学分析,推导出钢渣与钢水之间磷分配比的基本关系式,并提出对多个模型模糊加权的方法来计算磷分配比。该方法首先采用模糊c均值聚类算法将炉况相近的数据进行聚类,然后分别对各分类结果建立多元回归磷分配比模型,并计算出数据样本对应各模型的隶属度,作为模糊权值,最后将各磷分配比模型的计算结果模糊加权估计钢渣与钢水间的磷分配比。采用实际生产数据进行仿真,结果证明该脱磷模型的有效性。吹氧模型方面,本文采用案例推理的方法建立吹氧量计算模型,主要包括案例检索和案例调整两个过程。在案例检索过程中,针对传统贝叶斯粗糙集理论只能处理二决策类的不足,提出了一种基于多决策类的贝叶斯粗糙集,在此基础上定义了一个衡量条件属性对决策属性影响程度的γ依赖度函数,并证明该函数具有随着条件属性的增加而单调递增的性质,进而基于γ依赖度函数的单调特性提出了一个确定属性权重的算法,用以确定吹氧量各影响因素的权重,在此基础上利用最邻近法检索出与当前炉次情况相似的一组案例做为参考。在案例的调整过程中,采用检索出的相似案例训练分层混合专家模型,并用微粒群算法优化模型参数,将当前炉次的情况代入到这个专家模型,进而计算出当前炉次的吹氧量。采用实际生产数据进行仿真,结果证明该吹氧模型的有效性。