转炉冶炼的钢水终点成分及温度主要由供氧进行控制,供氧量的有效确定对于转炉炼钢至关重要。本课题将机理方法与智能控制方法相结合,建立转炉炼钢静态控制模型。为了准确控制转炉静态吹炼过程的供氧量,本文分析了转炉冶炼过程的化学反应原理,建立了基于物料平衡和热平衡的转炉静态模型,并在此基础上,研发了基于BP神经网络的转炉供氧模型。通过仿真以及对模型预测结果的误差分析,表明基于BP神经网络的转炉供氧模型,可以更加准确地预测和确定供氧量,具有较好的计算精度和适应能力,最终提高了转炉静态模型的控制精度与钢水终点命中率。本文主要工作如下：首先,针对转炉炼钢复杂的化学反应过程,建立了基于物料平衡与热平衡的转炉炼钢静态控制模型。根据化学反应前后物料平衡原理,通过计算炉渣中各种氧化物的含量,预测辅原料量和供氧量；根据化学反应前后热量平衡原理,判断转炉冶炼过程中是否需要加入发热剂或者冷却剂；通过计算收入热量与支出热量的差值,确定加入冷却剂或发热剂的质量,并重新计算辅原料量及供氧量。然后,针对转炉静态模型中供氧量的准确预测问题,笔者研发了基于BP神经网络的转炉供氧模型。通过分析元素之间的化学反应确定影响转炉总吹氧量的主要因素；采用加入动量项和变步长法的BP神经网络改进算法建立模型；根据转炉历史炉次信息对BP神经网络模型进行训练,确定模型参数及网络结构；利用测试数据检测模型预测的准确性。最后,将同一组数据分别代入机理模型和神经网络模型,求出各自的供氧量预测值并与实际供氧量进行比较。根据均方差分析数据的原理,对三组数据做均方差分析,观察各组数据的波动情况。结果表明基于BP神经网络的转炉供氧模型对转炉吹炼供氧量的预测更为准确。