转炉炼钢的冶炼过程十分复杂,其过高的温度和复杂的冶炼环境以及冶炼过程中需要加入各种辅料的量,冶炼期间钢水温度和成分的准确测量都是无法用常规过程控制的方法进行测量和控制,炼钢过程中氧气的加入量以及石灰的加入量是确保钢水终点成分以及终点温度的关键因素。本课题首先通过机理模型对转炉炼钢耗氧量以及石灰加入量进行计算,得到计算值与实际值之间的误差。然后通过对智能算法进行研究构建智能模型,完成对炼钢耗氧量以及炼钢过程中的石灰加入量的更精确预测,建立转炉炼钢静态控制模型。本文通过充分分析查阅资料,了解关于炼钢的部分物理化学反应,在物料平衡和热平衡的基础上推导建立转炉静态机理模型;建立基于BP神经网络智能算法的转炉耗氧智能模型和石灰加入量智能模型,并通过遗传算法对BP神经网络进行改进,最终提高了转炉静态模型的误差精度与命中率,验证将智能算法应用于炼钢过程的可行性和准确性。本文主要工作如下:首先,基于炉内各种物理化学反应的角度,充分分析物料平衡原理、热平衡原理,继而建立转炉静态机理模型。根据物料平衡原理和热平衡原理,计算炉渣中各种氧化物的含量,辅助原料以及耗氧量。然后针对炼钢中石灰、氧气加入量建立基于BP神经网络的石灰加入量智能模型和耗氧智能模型,分析元素之间的反应确定影响转炉石灰加入量和耗氧量的确定因素,采用遗传算法对BP神经网络改进建立模型,根据从现场采集的历史数据对遗传算法优化的BP神经网络模型进行训练,确定模型结构以及参数,再利用测试数据检测模型结果的准确性。在误差5%的允许范围类分析数据命中率,与静态机理模型相比,得出更为准确的结果。最后,对智能炼钢应用系统进行了设计与实现。该系统的主要功能包括计算机理模型值,计算智能模型值,将计算的结果存入数据库传入动态模型中以为后期实现智能炼钢提供数据基础。